AI স্তূপত শিকনৰ ফলাফল গঠন

AI স্তূপত শিকনৰ ফলাফল গঠন

Embibeয়ে ইয়াৰ আৰম্ভণিৰ পৰাই এক তথ্য-চালিত, তথ্য-কেন্দ্ৰিত প্ৰতিষ্ঠান হিচাপে কাৰ্য কৰি আছিল, অতি সোনকালে বুজি পাইছিল যে প্ৰতিগৰাকী শিক্ষাৰ্থীৰ বাবে শিক্ষা ব্যক্তিগতকৰণ কৰিবলৈ সক্ষম হোৱাৰ মুখ্য উপাদান হৈছে তথ্য। আৰু তথাপিও, তথ্যই অকলে কেৱল আধা ছবি সম্পূৰ্ণ কৰে। প্ৰযুক্তি ব্যৱহাৰ কৰি শিক্ষাৰ ব্যক্তিগতকৰণ হৈছে এক প্ৰত্যাহ্বানমূলক সমস্যা যাৰ বাবে উন্নত এলগ’ৰিথমৰ পাৰস্পৰিক ক্ৰিয়াৰ প্ৰয়োজন যি একাধিক উপ-ক্ষেত্ৰত প্ৰচুৰ পৰিমাণৰ তথ্য লাভ কৰিব পাৰে।

Embibeত, আমি বিশ্বাস কৰোঁ যে নেতাসকলৰ জন্ম নহয়, তেওঁলোক সময় আৰু অভিজ্ঞতাৰ সৈতে যাত্ৰাত হাজাৰটা সূক্ষ্ম শিক্ষাৰ সৈতে তৈয়াৰ কৰা হয়। যোৱা আঠ বছৰত, Embibeয়ে ইয়াৰ তথ্য সংগ্ৰহ আৰু ব্যাখ্যা ক্ষমতাক অতি পৰিশ্ৰমেৰে সন্মানিত কৰিছে আৰু ইয়াৰ প্লেটফৰ্ম ব্যৱহাৰ কৰা শিক্ষাৰ্থীসকলৰ বাবে এক অতুলনীয় ব্যক্তিগতকৃত শিক্ষাৰ অভিজ্ঞতা প্ৰদান কৰিবলৈ উন্নত যন্ত্ৰ শিক্ষণ আৰু AI(কৃত্ৰিম বুদ্ধিমত্তা)কৌশলৰ সৈতে এই তথ্যএকেলগে ব্যৱহাৰ কৰিছে। ইয়াৰ পিছত, আমি EdTechৰ তথ্য-চালিত ব্যক্তিগতকৰণৰ বাবে Embibeৰ দৰ্শন প্ৰস্তুত কৰোঁ।

তথ্য আয়ত্ত আৰু সংগ্ৰহ

ব্যৱহাৰকাৰী এগৰাকী যোগ কৰিবৰ দিয়াৰ বাবে তথ্যৰ সঠিকভাৱে প্ৰক্ৰিয়াকৰণ, সঘনাই সংগ্ৰহ আৰু ভালদৰে পৰিষ্কাৰ নকৰিলে বেছি মান নাথাকে। উদাহৰণ স্বৰূপে, প্ৰশ্নটো প্ৰথম দেখাৰ সময়, অন্তিম সংৰক্ষণৰ সময়, প্ৰতিটো পুনৰ-সাক্ষাতৰ সময়, প্ৰতিটো সাক্ষাতত উত্তৰ বাছনি চুইচ, অনুশীলনৰ প্ৰচেষ্টাৰ সময়ত ব্যৱহৃত ইংগিত, পৰীক্ষাৰ সময়ত ক্ৰমৰ বাহিৰত প্ৰশ্নৰ দৰে সকলো সূক্ষ্ম-ঘটনাৰ দৰে অনুশীলন বা পৰীক্ষাৰ প্ৰশ্ন এটা চেষ্টা কৰাটো প্ৰায় উপযোগী নহয়, ইত্যাদি। Embibeয়ে যোৱা আঠ বছৰত সূক্ষ্ম তথ্য সংগ্ৰহ কৰাত যথেষ্ট বিনিয়োগ কৰিছে। Embibeৰ সমৃদ্ধ তথ্য প্ৰকাৰবোৰ আয়ত্ত কৰাৰ ক্ষমতা আছে যিবোৰত সীমাবদ্ধ নহয়:

  • ব্যৱহাৰকাৰী-আন্তঃক্ৰিয়া স্পষ্ট ইভেন্টছ – ক্লিক্‌, টেপ, হ’ভাৰ, স্ক্ৰ’ল, টেক্সট-আপডেট
  • ব্যৱহাৰকাৰী-অন্তৰ্নিৰ্হিত স্পষ্ট ইভেন্টছ – কাৰ্চ’ৰৰ অৱস্থান, টেপৰ চাপ, যন্ত্ৰটোৰ অৱস্থান
  • চিষ্টেমে-সৃষ্টি কৰা গ্ৰাহক-পক্ষৰ ইভেন্টছ  – পৃষ্ঠা লোড, অধিবেশন সতেজ, API ফোন
  • চিষ্টেমে-সৃষ্টি কৰা গ্ৰাহক-পক্ষৰ ইভেন্টছ – চিষ্টেম পুচ অধিসূচনা আৰু ট্ৰিগাৰ

ক্ষেত্ৰ অৰ্হতা

এইটো সাধাৰণতে কলাৰ দক্ষ লোকসকলৰ বাবে জনা যায় যে চিলোত কাম কৰা তথ্য বৈজ্ঞানিকসকলে আয়ত্ত কৰা তথ্যত মূল্য যোগ দিব নোৱাৰিব পাৰে কিয়নো তেওঁলোকৰ অৰ্থপূৰ্ণ অন্তৰ্দৃষ্টি খনন কৰিবলৈ পৰ্যাপ্ত প্ৰসংগ আৰু ক্ষেত্ৰ জ্ঞান নাই। Embibeয়ে এইটো বুজি পাইছে আৰু তথ্য বিজ্ঞানী আৰু শৈক্ষিক বিশেষজ্ঞসকলৰ মাজত পৰ্যাপ্ত অভাৰলেপ নিশ্চিত কৰিছে।

শিক্ষাগত তথ্যৰ প্ৰস্তুতি: Embibeয়ে শৈক্ষিক তথ্যৰ সৃষ্টি আৰু পৰিচালনাত সময় আৰু সম্পদ বিনিয়োগ কৰিছে যিবোৰ ৰাজহুৱা ক্ষেত্ৰত উপলব্ধ নহয়। উদাহৰণ স্বৰূপে, যোৱা বছৰসমূহত 30 টা অনুষদৰ এটা দলে অৰ্ধ-তত্বাৱধান কৰা এলগ’ৰিথম ব্যৱহাৰ কৰি কেইবা হাজাৰ আন্তঃসংযোগৰ সৈতে প্ৰায় 62K ধাৰণাৰ এটা জ্ঞান বৃক্ষ সৃষ্টি কৰিছে, প্ৰতিটো ধাৰণাত 426 টা মেটা সূচকৰ ফলত লাখ লাখ মেটা-সূচকৰ সৃষ্টি হয়। এই দলটোৱে মেটা টেগ যেনে জ্ঞান বৃক্ষৰ ধাৰণা, পৰীক্ষাৰ পাঠ্যক্ৰম, দক্ষতা, কঠিনতাৰ স্তৰ, আদৰ্শ সময়, পৰিপক্কতা স্তৰ আদিৰ বাবে মেটা টেগ কৰিবলৈ কেইবা হাজাৰতকৈও অধিক প্ৰশ্ন মেনুৱেলি টেগ কৰিছিল, যাতে ডাউনষ্ট্ৰীম এলগ’ৰিথমৰ বাবে প্ৰশিক্ষণ তথ্য সৃষ্টি কৰিব পাৰি।

শিক্ষা + বিজ্ঞান: যেতিয়া তথ্য বৈজ্ঞানিক আৰু শিক্ষাবিদসকলে একেলগে কাম কৰে তেতিয়া এটা শিকাৰ বক্ৰ থাকে। উদাহৰণ স্বৰূপে, বৈজ্ঞানিকসকলে জানিব লাগিব যে পৰীক্ষা নিৰ্ধাৰণ কৰোঁতে শিক্ষাবিদসকলে কি মানদণ্ড বিবেচনা কৰে, তেওঁলোকে কেনেদৰে তাৰতম্য আনিছে, আৰু তেওঁলোকে কেনেদৰে ব্যক্তিগত শিক্ষাৰ্থীৰ বাবে পৰীক্ষাবোৰ ব্যক্তিগতকৰণ কৰে। এলগ’ৰিথমিক কোডলৈ শিক্ষাবিদৰ জ্ঞানৰ এই অনুবাদ সময় সাপেক্ষ আৰু বৈজ্ঞানিক পুলত ক্ষেত্ৰ বিশেষজ্ঞতা নিৰ্মাণ কৰে। Embibeয়ে তথ্য খনন কৌশল ব্যৱহাৰ কৰি হাজাৰ হাজাৰ বাক্যাংশৰ এক শিক্ষাগত ভাষাগুচ্ছ সৃষ্টি কৰিবলৈ অনুষদ-বিজ্ঞানীৰ আদান-প্ৰদানো ব্যৱহাৰ কৰিছিল।

এক ব্যক্তিগতকৃত EdTech মঞ্চ নিৰ্মাণৰ বাবে তথ্য আৰু AI ৰ ব্যৱহাৰ

পৰ্যাপ্ত দীঘলীয়া সময়ত ফাৰ্ষ্ট-হেণ্ড তথ্য আহৰণ কৰা হয়। আনকি কোনোবাই ব্যৱহাৰকাৰী প্ৰাপ্ত কৰিবলৈ যথেষ্ট ধন ব্যয় কৰিলেওঁ, সময়ৰ সৈতে তেওঁলোকৰ পৰ্যাপ্ত ব্যস্ততাৰ তথ্য নাথাকিব পাৰে কিয়নো ব্যৱহাৰকাৰীসকলে চিষ্টেমটোৰ সৈতে পৰ্যাপ্ত বাৰ্তালাপ নকৰিব পাৰে। Embibeয়ে ইয়াৰ সকলো তথ্যৰ গৰাকী আৰু EdTech ব্যক্তিগতকৰণ কৰিবলৈ কেইবাটাও আন্তঃসংযোগযুক্ত উপ-সমস্যা সমাধান কৰিবলৈ উন্নত এলগ’ৰিথম ব্যৱহাৰ কৰি এই তথ্য ব্যৱহাৰ কৰে।

স্মাৰ্ট টেগিং: ধাৰণা, বিষয় আৰু অন্যান্য বাকেটৰ সৈতে টেগিং প্ৰশ্নবোৰত পাঠ্য তথ্যৰ সাৰাংশ শিক্ষাগত মূলশব্দবোৰত থাকে। একত্ৰিত শিক্ষাগত মূলশব্দ অভিধানসমূহ ৰাজহুৱা ক্ষেত্ৰত উপলব্ধ নহয়। তদুপৰি, শৈক্ষিক মূলশব্দবোৰক অ-শিক্ষাগতৰ পৰা পৃথক কৰাটো জটিল। উদাহৰণ স্বৰূপে, ‘সমাপ্তি’ৰ দৰে আপাতদৃষ্টিত অ-শিক্ষাগত শব্দ এটা প্ৰকৃততে উপযুক্ত প্ৰসংগত শৈক্ষিক, “স্ট্ৰিংৰ শেষত প্ৰয়োগ কৰা বল”। Embibeৰ স্মাৰ্ট টেগিং এলগ’ৰিথমে ভিৰ-উৎসৰ মানৱ অনুষদৰ বাবে মাত্ৰ 18% সময়ৰ তুলনাত 82% সময়ৰ প্ৰশ্ন এটাত টেগ কৰিবলৈ আটাইতকৈ প্ৰাসঙ্গিক ধাৰণাবোৰ চিনাক্ত কৰিব পাৰে।

স্বয়ংক্ৰিয় পৰীক্ষা সৃষ্টি: ওপৰত বৰ্ণনা কৰা বিজ্ঞানী-অনুষদৰ অনুশীলনৰ ফলস্বৰূপে Embibeৰ স্বয়ংক্ৰিয় পৰীক্ষা সৃষ্টি পাঠ্যখণ্ড গঠন হয় যাক প্ৰায় 62,000 ধাৰণা, কঠিনতাৰ স্তৰ, আদৰ্শ সময়, পৰিপক্কতাৰ স্তৰ, দক্ষতাৰ সৈতে টেগ কৰা লাখ লাখ প্ৰশ্নৰ পৰা বহুতো পৰীক্ষাত শ শ পৰীক্ষাৰ প্ৰশ্নকাকত সৃষ্টি কৰিবলৈ ব্যৱহাৰ কৰা হৈছিল। পাঠ্যখণ্ডটোৱে এক অত্যাধুনিক মিশ্ৰিত এলগ’ৰিথম ব্যৱহাৰ কৰে যিয়ে নতুন পৰীক্ষাৰ প্ৰশ্নকাকত সৃষ্টি কৰিবলৈ চিমুলেটেড এনিলিং আৰু জেনেটিক এলগৰিথম ব্যৱহাৰ কৰে যি যিকোনো নিৰ্দিষ্ট পৰীক্ষাৰ স্তৰৰ সৈতে মিলা, এনে কৰিবলৈ অভিজ্ঞ অনুষদৰ সময়ৰ এক অংশত।

আচৰণগত লক্ষ্য নিৰ্ধাৰণ আৰু নম্বৰ বৃদ্ধিৰ পূৰ্বানুমান: বহুতো আচৰণগত বিষয় অধ্যয়ন, ফেকাল্টি ক্সেত্ৰ জ্ঞান আৰু পৰিসাংখ্যিক আৰ্হি খননৰ সৈতে, Embibeয়ে জানে কেনেদৰে সুপ্ত আচৰণগত গুণাগুণ বোৰ জোখা আৰু উন্নত কৰিব লাগে। কেইবা হাজাৰ পৰিসাংখ্যিকভাৱে বৈধ মূল্যায়নৰ ওপৰত ভিত্তি কৰি, আমি আটাইতকৈ প্ৰভাৱিত আচৰণগত গুণাগুণ চিনাক্ত কৰিবলৈ, প্ৰগতিশীল লক্ষ্য নিৰ্ধাৰণ কৰিবলৈ আৰু সেই উন্নতিবোৰৰ ওপৰত ভিত্তি কৰি নম্বৰ উন্নত হোৱাৰ পূৰ্বানুমান কৰিবলৈ সক্ষম হৈছোঁ।

Embibe স্ক’ৰ ভাগফল: Embibe য়ে ঘটনা স্তৰত সংগ্ৰহ কৰা বিতং তথ্য সংকেতৰ সৈতে কেইবা হাজাৰ মূল্যায়নৰ ওপৰত শ শ প্ৰতিপাদ্যৰ পৰা কেইবাটাও উচ্চ প্ৰভাৱৰ বৈশিষ্ট্য সফলতাৰে চিনাক্ত কৰিছে। আমি 94% শুদ্ধতাৰ সৈতে নম্বৰটো অনুমান কৰিবলৈ সক্ষম হৈছো আৰু পৰীক্ষাৰ নম্বৰৰ 39% শৈক্ষিক ভাগফল 61% আৰু আচৰণগত প্ৰকাৰবোৰ প্ৰতিষ্ঠা কৰিবলৈ সক্ষম হৈছো। প্লেটফৰ্মত কেইবা হাজাৰ ব্যৱহাৰকাৰীৰ পৰীক্ষা উপলব্ধ হোৱাৰ বাবে আৰ্হিটো একত্ৰিত হ’বলৈ সক্ষম হৈছিল। স্থানান্তৰ শিক্ষাৰ সৈতে, অন্যান্য পৰীক্ষাৰ বাবে বুট-ষ্ট্ৰেপিং আৰ্হিবোৰ অতি সহজ হৈ পৰিছিল।

প্ৰচেষ্টা শীৰ্ষ স্ক’ৰ বৃদ্ধি: Embibeৰ প্লেটফৰ্মত প্ৰতিটো বাৰ্তালাপ শিকাৰ ফলাফলৰ বিপৰীতে জোখা হয়। চাৰিটা ঋতুৰ ঐতিহাসিক তথ্য আৰু কেন্দ্ৰীভূত গৱেষণাৰ সৈতে, ই Embibeৰ প্ৰদানক বৈধতা প্ৰদান কৰে আৰু শিকাৰ ফলাফল অনুকূলিত কৰিবলৈ আগবঢ়ায়। উচ্চ প্ৰচেষ্টাৰ দলৰ শিক্ষাৰ্থীসকলে ইয়াৰ ফলত ~50% মুঠ নম্বৰ ফলাফল হিচাপে অৰ্জন কৰিছে।

বিষয়বস্তু আৱিষ্কাৰ আৰু মনোনয়ন: শিক্ষাৰ্থীসকলে আমাৰ প্লেটফৰ্মৰ সৈতে বাৰ্তালাপ কৰাৰ সময়ত যোৱা আঠ বছৰত সংগ্ৰহ কৰা বিশাল পৰিমাণৰ তথ্য ব্যৱহাৰ কৰি Embibeৰ সন্ধান-আধাৰিত UI চালিত হয়। ব্যৱহাৰকাৰীৰ সন্ধানৰ ওপৰত ভিত্তি কৰি সমল পৰিৱেশন কৰা আমাৰ চাৰ্চ ইঞ্জিনে ব্যৱহাৰকাৰীৰ দলীয় কাৰ্য্য, ঐতিহাসিক সন্ধান প্ৰৱণতা আৰু সমল ব্যৱহাৰৰ প্ৰকাৰ, ব্যৱহাৰকাৰীৰ অতীতৰ আদান-প্ৰদানৰ ওপৰত আধাৰিত পৰীক্ষাত সমলৰ অসুবিধা, বাছনি আৰু পুনৰ ৰেংক কৰিবলৈ কেইবা শ নিযুত সম্ভাৱ্য মিশ্ৰণৰ এক মিলিত সন্ধান স্থানৰ বাবে এনে 25 টা ওজনৰ কাৰকৰ ভিতৰত প্ৰাসঙ্গিক ফলাফলবোৰ পুনৰ ৰেংক কৰে। ইয়াৰ উপৰিও, পৰ্যাপ্ত তথ্য উপলব্ধ হ’লে প্লেটফৰ্মৰ সৈতে তেওঁলোকৰ অতীতৰ বাৰ্তালাপৰ ওপৰত আধাৰিত, বা তথ্য পৰ্যাপ্ত ক্ষেত্ৰত সদৃশ ব্যৱহাৰকাৰীৰ ওপৰত ভিত্তি কৰি, শিক্ষাৰ্থীসকলক তেওঁলোকৰ সময় কেন্দ্ৰীভূত কৰাৰ বাবে লক্ষ্যযুক্ত সমলৰ বাবে পৰামৰ্শ দেখুওৱা হয়।

EdTechৰ বাবে এক AI মঞ্চ হ’বলৈ কি প্ৰয়োজন

আজি পৃথিৱীত কেইবাটাও EdTech কোম্পানী আছে। এই কোম্পানীবোৰৰ বেছিভাগেই কেৱল শিক্ষা ব্যক্তিগতকৰণ আৰু EdTechৰ বাবে AI-চালিত প্লেটফৰ্ম নিৰ্মাণ কৰাৰ বাবে প্ৰয়োজনীয় সমস্যাবোৰৰ কিছুমান উপসংহতিৰ ওপৰত গুৰুত্ব দিয়ে। তলৰ তালিকাখনে এটা EdTech কোম্পানীৰ বিৱৰ্তন নিৰ্ধাৰণ কৰিছে যিহেতু ই এটা পৰীক্ষা প্ৰেপ পৰ্টেলৰ পৰা এটা প্ৰকৃত EdTech প্লেটফৰ্ম লৈ আগবাঢ়িছে:

বিষয়বস্তু চেষ্টা তথ্যক্ষেত্ৰ অৰ্হতা  Graphজ্ঞান লেখচিত্ৰLabতথ্য বিজ্ঞান পৰীক্ষাগাৰসম্ভাৱনাসমূহ
(1)  গড় 500+ প্ৰশ্ন অধ্যায় স্তৰত
(2) কমেও 3টা অধ্যায় স্তৰৰ পৰীক্ষা,
(3) 10টা সম্পূৰ্ণ পৰীক্ষা 		    মৌলিক পৰীক্ষা প্ৰস্তুতি
(1)  অধ্যায় স্তৰত গড় 250+ প্ৰশ্ন,(2) কমেও 3টা অধ্যায় স্তৰৰ পৰীক্ষা,
(3) 10টা সম্পূৰ্ণ পৰীক্ষা		প্ৰশ্নবোৰৰ ওপৰত ব্যৱহাৰকাৰী-স্তৰৰ কিছুমান নিম্নতম সংখ্যাৰ প্ৰয়াস   মৌলিক পৰীক্ষা প্ৰস্তুতি + মৌলিক ব্যৱহাৰকাৰী-স্তৰ প্ৰতিক্ৰিয়া বিশ্লেষণ
(1) অধ্যায় স্তৰত গড় 250+ প্ৰশ্ন,
(2) কমেও 3 টা অধ্যায় স্তৰৰ পৰীক্ষা, 
(3) 10টা সম্পূৰ্ণ পৰীক্ষা,
(4)  প্ৰতি অধ্যায়ত 5টা শৈক্ষিক বিষয়বস্তু (ভিডিঅ’, পাঠ, লিংক)		প্ৰশ্নবোৰৰ ওপৰত ব্যৱহাৰকাৰী-স্তৰৰ কিছুমান নিম্নতম সংখ্যাৰ প্ৰয়াস   মৌলিক পৰীক্ষা প্ৰস্তুতি + মৌলিক প্ৰতিক্ৰিয়া বিশ্লেষণ + শিক্ষা
(1)অধ্যায় স্তৰত গড় 250+ প্ৰশ্ন,
(2) কমেও 3 টা অধ্যায় স্তৰৰ পৰীক্ষা,(3) 10টা সম্পূৰ্ণ পৰীক্ষা,
(4)  প্ৰতি অধ্যায়ত 5টা শৈক্ষিক বিষয়বস্তু 		গড় ২৫+ চেষ্টা প্ৰতি প্ৰশ্ন ~৬ নিযুত চেষ্টালৈকে সকলো প্ৰশ্নৰ ওপৰতঅভ্যন্তৰীণ শিক্ষাবিদৰ বাবে  
(1) সমল পৰিচ্ছন্নতা, 
(2) পৰীক্ষাৰ ওপৰত মানদণ্ড নিয়ন্ত্ৰণ, 
(3) সন্দেহ সমাধান		  মৌলিক পৰীক্ষা প্ৰস্তুতি + বিস্তৃত প্ৰতিক্ৰিয়া বিশ্লেষণ + শিক্ষা + সন্দেহ সমাধান
(1)অধ্যায় স্তৰত গড় 250+ প্ৰশ্ন,
(2) কমেও 3 টা অধ্যায় স্তৰৰ পৰীক্ষা,
(3) 10টা সম্পূৰ্ণ পৰীক্ষা,(4)  প্ৰতি অধ্যায়ত 5টা শৈক্ষিক বিষয়বস্তু		সকলো প্ৰশ্নৰ ওপৰত মুঠ ~6 নিযুত প্ৰচেষ্টাৰ বাবে প্ৰতিটো প্ৰশ্নত নিম্নতম 25+ প্ৰচেষ্টাঅভ্যন্তৰীণ শিক্ষাবিদৰ বাবে,
(1) সমল পৰিচ্ছন্নতা, 
(2) পৰীক্ষাৰ ওপৰত মানদণ্ড নিয়ন্ত্ৰণ, 
(3) সন্দেহ সমাধান		(1) মৌলিক শ্ৰেণীবিন্যাস বিষয় স্তৰলৈকে (~5 বিষয় প্ৰতি অধ্যায়) ~40000 বিষয়লৈকে উন্নত পৰীক্ষা প্ৰস্তুতি=মৌলিক পৰীক্ষা প্ৰস্তুতি + বিস্তৃত প্ৰতিক্ৰিয়া বিশ্লেষণ + শিক্ষা + সন্দেহ সমাধান + বিষয়-স্তৰৰ বৈশিষ্ট্য
(1)অধ্যায় স্তৰত গড় 250+ প্ৰশ্ন,
(2) কমেও 3 টা অধ্যায় স্তৰৰ পৰীক্ষা,
(3) 10টা সম্পূৰ্ণ পৰীক্ষা,
(4)  প্ৰতি অধ্যায়ত 5টা শৈক্ষিক বিষয়বস্তু 		গড় ১০০+ চেষ্টা প্ৰতি প্ৰশ্ন ~২০ নিযুত চেষ্টালৈকে সকলো প্ৰশ্নৰ ওপৰতঅভ্যন্তৰীণ শিক্ষাবিদৰ বাবে,
(1) সমল পৰিচ্ছন্নতা, 
(2) পৰীক্ষাৰ ওপৰত মানদণ্ড নিয়ন্ত্ৰণ, 
(3) সন্দেহ সমাধান
(4) তথ্য বৈজ্ঞানিকৰ সৈতে  AI প্ৰতিপাদ্য ধাৰণাৰ সৃষ্টি কৰা		(1) ~40হাজাৰ ধাৰণালৈকে ধাৰণা স্তৰলৈকে গভীৰ বৰ্গীকৰণ (~প্ৰতি অধ্যায়ত 100 ধাৰণা)।2+ বছৰ ধৰি কাম কৰা 4 জন ব্যক্তি তথ্য বিজ্ঞান দলউন্নত পৰীক্ষা প্ৰস্তুতি + ব্যক্তিগতকৰণ + শিক্ষাৰ ফলাফল
(1)অধ্যায় স্তৰত গড় 250+ প্ৰশ্ন,
(2) কমেও 3 টা অধ্যায় স্তৰৰ পৰীক্ষা,(3) 10টা সম্পূৰ্ণ পৰীক্ষা,
(4)  প্ৰতি অধ্যায়ত 5টা শৈক্ষিক বিষয়বস্তু		গড় ১৫০+ চেষ্টা (৫০ প্ৰতি দল) প্ৰতি প্ৰশ্ন ~৩০ নিযুত চেষ্টালৈকে সকলো প্ৰশ্নৰ ওপৰতঅভ্যন্তৰীণ শিক্ষাবিদৰ বাবে 
(1) সমল পৰিচ্ছন্নতা, 
(2) পৰীক্ষাৰ ওপৰত মানদণ্ড নিয়ন্ত্ৰণ, 
(3) সন্দেহ সমাধান
(4) তথ্য বৈজ্ঞানিকৰ সৈতে  AI প্ৰতিপাদ্য ধাৰণাৰ সৃষ্টি কৰা		(1) ~40হাজাৰ ধাৰণালৈকে ধাৰণা স্তৰলৈকে গভীৰ বৰ্গীকৰণ (~প্ৰতি অধ্যায়ত 100 ধাৰণা)।8 জন ব্যক্তি তথ্য বিজ্ঞান দলে 2+ বছৰ ধৰি কাম কৰি অটো ইঞ্জেচশ্বন (OCR), অ’টো টেগিং (NLP, ML), পেকেজিং (অপ্টিমাইজেচন), জ্ঞান লেখচিত্ৰ সৃষ্টি আৰু ক্রমাঙ্কন (IR, লেখচিত্ৰ খনন, ML), আচৰণ হস্তক্ষেপ (ML), ব্যক্তিগতকৰণ (IRT, ML) আদি সমস্যা সমাধান কৰেশিক্ষাৰ বাবে AI মঞ্চ=উন্নত পৰীক্ষা প্ৰস্তুতি + ব্যক্তিগতকৰণ + শিক্ষাৰ ফলাফল + এক-সেৱা-হিচাপে-বুদ্ধি