শিক্ষাৰ্থীৰ শিকন শৈলীৰ পৰিসৰ

প্ৰকৃততে শিকন শৈলীবোৰ কি?

শিক্ষাৰ্থী শিকনৰ শৈলীবোৰ মুখ্যতঃ বিদ্যালয় আৰু মহাবিদ্যালয়ৰ প্ৰশিক্ষকসকলৰ দ্বাৰা কৰা শিক্ষামূলক পছন্দৰ দ্বাৰা পৰিচালিত হৈছে। সেইবোৰৰ ওপৰত গুৰুত্বপূৰ্ণ প্ৰভাৱ পেলোৱা আৰু এম্বাইবৰ ডিজিটেল শিক্ষা মঞ্চ আৰু শিক্ষাবিজ্ঞানৰ আধাৰ হিচাপে কাম কৰা দুটা বিখ্যাত পৰিকাঠামো হৈছে ফেল্ডাৰ-চিলভাৰমেন আৰু কলবৰ শিক্ষণ শৈলী।

ফেল্ডাৰ-চিলভাৰমেনৰ দ্বাৰা প্ৰস্তাৱিত শিকন শৈলীবোৰ সক্ৰিয়-প্ৰতিফলিত, দৃশ্যমান বা মৌখিক, সংবেদন শীল বা স্বজ্ঞাত আৰু ক্ৰমিক বা গোলকীয়, শিকাৰ বাবে এক অত্যন্ত ব্যক্তিগতকৃত পদ্ধতি। অধিক প্ৰক্ৰিয়া-মুখী পৰিমাপৰ সৈতে, কলবে শিকাৰ স্তৰবোৰক সক্ৰিয় পৰীক্ষা, কংক্ৰিট অভিজ্ঞতা, প্ৰতিফলিত পৰ্যৱেক্ষণ আৰু বিমূৰ্ত ধাৰণা হিচাপে সংজ্ঞায়িত কৰিছিল। যদিও পূৰ্বৰ শ্ৰেণীবিভাজন এজন ব্যক্তিৰ ব্যক্তিত্বৰ বিশেষত্বৰ ওপৰত আধাৰিত, পিছৰটোৱে অভিজ্ঞতাৰ দ্বাৰা পৰিচালিত জ্ঞান নিৰ্মাণৰ ধাৰণাটো নিপুণতাৰ পৰ্যায়ত বিভক্ত হোৱাৰ ধাৰণাটো আলোকপাত কৰিছিল।

Embibeয়ে কি সমাধান কৰিছে?

Embibeয়ে এই পৰিকাঠামোবোৰক শক্তি প্ৰদান কৰা দুটা অন্তৰ্নিহিত ধাৰণাৰ চাৰিওফালে শিক্ষাৰ্থী শিক্ষণ মঞ্চ নিৰ্মাণ কৰিছে: ব্যক্তিগতকৰণ (ফেল্ডাৰ-চিলভাৰমেন) আৰু শিকাৰ ফলাফল (কলব)। ইয়াত ধৰা হৈছে: এজন প্ৰশিক্ষকে চাৰিৰ পৰা পাঁচজন শিক্ষাৰ্থীৰ শ্ৰেণী শিকোৱাৰ বাবে, শিক্ষাৰ্থীসকলৰ শাৰীৰিক আৰু আৱেগিক সঁহাৰিৰ জৰিয়তে অন্তৰ্দৃষ্টি আৰু বাস্তৱ-সময়ৰ প্ৰতিক্ৰিয়াই এক প্ৰাসঙ্গিক শিক্ষণ শৈলী আঁতৰ কৰাত সহায় কৰিব পাৰে; অৱশ্যে, 400 টা পৰীক্ষাত একেটা কৰা আৰু লাখ লাখ শিক্ষাৰ্থী, যাৰ বয়স 10 বছৰৰ পৰা 25 বছৰৰ ভিতৰত, হৈছে এম্বাইবে এআই আৰু অভিযান্ত্ৰিক দলৰ সন্মুখীন হোৱা সমস্যাৰ বিবৃতি।

পৰীক্ষাত 2000 ৰো অধিক শিক্ষাৰ্থীৰ সৈতে 500 ৰো অধিক ক্ষেত্ৰ প্ৰশিক্ষকসকল আৰু বিস্তৃত ব্যৱহাৰকাৰী গৱেষণা জৰীপৰ অভিজ্ঞতাৰ জৰিয়তে, আমি চিনাক্ত কৰিছোঁ যে যিকোনো শিক্ষাৰ্থীৰ শিকাৰ পদ্ধতি হৈছে ফেলফাৰ-চিলভাৰমেনৰ শৈলীৰ সংমিশ্ৰণ। আৰু, শিক্ষাৰ্থীসকলে তেওঁলোকৰ সম্ভাৱনা সৰ্বাধিক কৰিব নোৱাৰাৰ বাবে হয় উপযুক্ত শিক্ষণ শৈলী পোৱা নাছিল বা কলবৰ নিপুণতাৰ পৰ্যায়ৰ পৰা এটা অনুপস্থিত পৰ্যায় আছিল।

সেয়েহে, আমি ব্যক্তিগতকৰণ আৰু শিকনৰ ফলাফল প্ৰদান কৰাৰ বাবে আমাৰ উদ্দেশ্যৰ এক উদ্ভৱ হিচাপে দুটা সমস্যাৰ বিবৃতি শূন্য কৰিছো, সকলো শিকন শৈলী পূৰণ কৰা আৰু শিক্ষাৰ্থীসকলৰ বাবে নিপুণতাৰ পৰ্যায় অতিক্ৰম কৰাৰ বাবে নজ চিনাক্ত কৰাৰ বাবে প্ৰচেষ্টা আৰু প্ৰদৰ্শনৰ হিচাপ ৰখাৰ বাবে বিভিন্ন সুবিধা প্ৰদান কৰিছো।

কেনেদৰে Embibeয়ে সকলো শিক্ষণ শৈলীৰ বাবে সম্পৰ্কযুক্ত অভিজ্ঞতা আগবঢ়ায়?

প্ৰাথমিকভাৱে শিক্ষণৰ মূলতঃ তিনিটা লুপ থাকে, য’ত আমি এই শৈলীবোৰ প্ৰদান কৰোঁ৷ শীৰ্ষত শিক্ষণ, অনুশীলন আৰু পৰীক্ষাৰ মডিউল অন্তৰ্ভুক্ত কৰা হৈছে৷দ্বিতীয় লুপে এই মডিউলসমূহত পৰিবেশন কৰা বিষয়বস্তুৰ ক্ৰম আৰু ধৰণ অন্তৰ্ভুক্ত কৰে:

1. লাৰ্ণে 3D ইন্টাৰেক্টিভ কনচেপ্ট এক্সপ্লেনাৰৰ পৰা আৰম্ভ কৰি জটিল সমস্যাসমূহ ষ্টেপ বাই ষ্টেপ সমাধান কৰা শীৰ্ষ প্ৰশিক্ষকৰ হোৱাইটবৰ্ড ভিডিঅ’লৈকে একাধিক ভিডিঅ’ প্ৰকাৰ প্ৰদান কৰে।
2. অনুশীলনৰ প্ৰশ্নসমূহ সেৱা আগবঢ়োৱাৰ যত্ন লয় আৰু প্ৰাসংগিক ভিডিঅ’সমূহ শিকি আৰু মাইক্ৰ’স্তৰৰ পৰিৱেশন উন্নত কৰিবলৈ বৃদ্ধি কৰা হয়।
3. পৰীক্ষাটোত পৰীক্ষাৰ স্তৰত পূৰ্বে প্ৰস্তুত কৰা পৰীক্ষা আৰু পাঠ্যক্ৰম আৰু অসুবিধা স্তৰৰ এটা উপগোট নিৰ্বাচন কৰাৰ বিকল্পৰ সৈতে কাষ্টমাইজড পৰীক্ষা থাকে। ছাত্ৰৰ বৰ্তমানৰ পৰ্যায় আৰু ভৱিষ্যতৰ সম্ভাৱনাৰ বাবে এটা প্ৰতিক্ৰিয়া লুপ হিচাপে, পৰীক্ষা মডিউলত বিস্তৃত প্ৰতিক্ৰিয়াও অন্তৰ্ভুক্ত কৰা হয় যিয়ে নিম্ন-ক্ৰম-চিন্তা-দক্ষতা আৰু উচ্চ-ক্ৰম-চিন্তা-দক্ষতাৰ মাজত এজন ছাত্ৰৰ দক্ষতা প্ৰস্তুতিৰ ওপৰত গুৰুত্ব, দুৰ্বল আৰু সৱল বিষয়ৰ বিৱৰণ, যাত্ৰা সম্পূৰ্ণ কৰাৰ সম্ভাৱ্য নম্বৰ।

আটাইতকৈ অন্তৰ্ৱৰ্তী আৰু তৃতীয় লুপত উপনীত হওঁতে, এটা সমস্যা সমাধান কৰোতে প্ৰদান কৰা ইংগিত, এটা জটিল সমস্যা সমাধান কৰোতে দেখুওৱা পদক্ষেপবোৰ আৰু এটা প্ৰশ্ন সমাধাান কৰোতে পুৰস্কাৰ সমূহ অন্তৰ্ভুক্ত থাকে৷

আমি ইয়াৰ পৰা কেনেকৈ সঁচাকৈয়ে ব্যক্তিগতকৃত অভিজ্ঞতা লাভ কৰিম?

বিষয়বস্তু সৃষ্টি কৰাৰ সময়ত আৰু ছাত্ৰ-ছাত্ৰীসকলে বিষয়বস্তুৰ সৈতে যোগাযোগ কৰাৰ সময়ত আমি  প্ৰাপ্ত কৰা তথ্যসমূহ Embibeয়ে আগবঢ়োৱা ব্যক্তিগতকৰণৰ মূলতে আছে, কিয়নো ই আমাৰ ভৱিষ্যদ্বাণীমূলক আৰু অভিযোজিত শিক্ষণ এলগৰিদমসমূহক শক্তি প্ৰদান কৰে।ই ছাত্ৰ-ছাত্ৰীসকলক এক অতি আকৰ্ষণীয় অভিজ্ঞতা প্ৰদান কৰে।

Embibeৰ বিষয়বস্তু মঞ্চৰ আটাইতকৈ ক্ষুদ্ৰ স্তৰ হৈছে ধাৰণা, যাক এটা জ্ঞান গ্ৰাফ হিচাপে সঞ্চিত কৰি ৰখা হয় আৰু সম্পৰ্কৰ এটা পৰিসৰ হিচাপে পৰীক্ষা সমূহত সংযুক্ত হয়৷ উচ্চ-স্তৰৰ বিদ্যমানতাত বিষয়বস্তু, ধাৰণা সমূহৰ এটা সংগ্ৰহ আৰু অধ্যায়, বিষয়বস্তু সমূহৰ এটা সংগ্ৰহ অন্তৰ্ভুক্ত থাকে৷ এটা ধাৰণা বা ধাৰণা সমূহৰ এটা গোটে শিক্ষণ সামগ্ৰী যেনে ভিডিঅ’, প্ৰশ্ন আৰু পৰীক্ষাৰ বাবে এটা চিনাক্তকাৰী হিচাপে ক্ৰিয়া কৰে৷

যেতিয়াই এগৰাকী শিক্ষাৰ্থীয়ে কিছুমান শিক্ষণ সামগ্ৰীৰ সৈতে ক্ৰিয়া কৰে, Embibeৰ বেছিয়ান জ্ঞান পথানুসৰণ এলগৰিথমে 0 আৰু 1 ৰ মাজৰ এটা মানে এম্বাইবৰ জ্ঞান লেখত 60,000 তকৈও অধিক ধাৰণাৰ মাজেৰে, শিক্ষাৰ্থীজনৰ নিপুণতাৰ স্তৰৰ ধাৰণা হিচাপে অনুমান কৰে৷

এই নিপুণতাৰ মান সমূহে, প্ৰতিটো শিক্ষণ সামগ্ৰীৰ সৈতে সঞ্চিত মেটাডাটাৰ এটা পৰিসৰ, যেনে দক্ষতা, বিকাশ আৰু কঠিনতাৰ সৈতে আমাক এটা পোনপটীয়া বৈঠকৰ  সময়চোৱাত নিম্নগামিতাৰ সম্ভাৱনা অনুমান কৰাত সহায় কৰে আৰু বাস্তৱ সময়ত জ্ঞানৰ খালী স্থান পূৰ কৰিবলৈ এটা শিক্ষণৰপৰা ৰেংক কলনবিধিৰ জৰিয়তে প্ৰাসংগিক শিক্ষণ ব্যৱস্থা আগবঢ়ায়৷

যেতিয়া শিক্ষাৰ্থীজনে অধিক শিক্ষণ সামগ্ৰীৰ সৈতে, বিশেষকৈ প্ৰশ্নৰে ক্ৰিয়া কৰিবলৈ, আমি প্ৰতিগৰাকী শিক্ষাৰ্থীৰ বাবে এটা শৈক্ষিক ফলাফল আৰু আচৰণমূলক ফলাফলৰ সৈতে আহিবলৈ সক্ষম হৈছো৷ আমি আগৰ বছৰবোৰৰ পৰীক্ষা ব্যৱহাৰ কৰি শৈক্ষিক বৈশিিষ্ট্যত লাভ কৰা, একে উচ্চ মাত্ৰা বিশিষ্ট স্থানত প্ৰতিটো পৰীক্ষাৰ এটা উপস্তাপন আছে৷ এই কাৰকবোৰে আমাক এজন শিক্ষাৰ্থীৰ কোনো পৰীক্ষাৰ বিপৰীতে বৰ্তমানৰ সূক্ষ্ম বিচাৰ-বুদ্ধি আৰু অঞ্চল সমূহ য’ত অধিক প্ৰয়াসৰ প্ৰয়োজন তাক চিনাক্ত কৰাত সহায় কৰে, ই হৈছে এম্বাইবৰ পৰীক্ষা অভিমতৰ প্ৰধান সুবিধা৷

Embibeৰ ব্যক্তিগতকৃত অভিজ্ঞতাত বৃহত্তম পাৰ্থক্য আচৰণমূলক উদ্গনিৰ পৰা এটা ব্যৱহাৰকাৰীৰ অধিৱেশনৰ ক্ষুদ্ৰ স্তৰত, অনুশীলনৰ কালত, ভিডিঅ’ চাওঁতে আৰু পৰীক্ষাৰ সময়ত, আৰু তাৰোপৰি গোলকীয় স্তৰৰ পপৰা আহে৷ এই উদগনিসমূহবিশেষত্ব সমূহৰ দ্বাৰা ক্ষমতাপ্ৰাপ্ত হয় যাক আমি প্ৰতিজন শিক্ষাৰ্থী আৰু শিক্ষণ-সামগ্ৰীৰ ক্ৰিয়াৰ জৰিয়তে যেনে প্ৰয়াসৰ মানদণ্ড, বৰ্তমানৰ নিপুণতাৰ স্তৰ আৰু বিষয়বস্তুৰ মেটাডাটাৰ পৰা আহৰণ কৰিছো৷

তথ্যসূত্ৰ

[1] Sabine Graf, Silvia Rita Viola and Tommaso Leo, Kinshuk. “In-Depth Analysis of the Felder-Silverman Learning Style Dimensions.” Journal of Research on Technology in Education, 2007, 40(1), 79–93

[2] Doreen J. Gooden, Robert C. Preziosi, F. Barry Barnes. “An Examination Of Kolb’s Learning Style Inventory” American Journal of Business Education (AJBE) 2(3) DOI:10.19030/ajbe.v2i3.4049

[3] Cho, et al., “What is Bayesian Knowledge Tracing?”, Proceedings of the Workshop on Visualization for AI explainability (VISxAI), 2018.

[4] Keyur Faldu, Aditi Avasthi, and Achint Thomas. “Adaptive Learning Machine for Score Improvement and Parts Thereof.” US Patent No. 10854099 B2.

[5] Keyur Faldu, Aditi Avasthi, and Achint Thomas.“System and method for behavioral analysis and recommendations.” US20200312178A1.

[6] Keyur Faldu, Aditi Avasthi, and Achint Thomas. “System and method for recommending personalized content using contextualized knowledge base” US20200311152A1