জ্ঞান লেখচিত্ৰ সংযোগস্থলৰ মাজৰ সম্পৰ্কৰ স্বয়ংক্ৰিয় শ্ৰেণীবিভাজন

জ্ঞান লেখচিত্ৰ সংযোগস্থলৰ মাজৰ সম্পৰ্কৰ স্বয়ংক্ৰিয় শ্ৰেণীবিভাজন

পাতনি:

Embibeৰ জ্ঞান লেখচিত্ৰ (জ্ঞান লেখ, কে জি) হৈছে এটা পাঠ্যক্ৰমৰ অজ্ঞানতামূলক বহু-মাত্ৰিক লেখচিত্ৰ যাৰ 75,000+ সংযোগস্থল আছে। এই প্ৰতিটো সংযোগস্থলে শিক্ষাগত জ্ঞানৰ এক নিৰ্দিষ্ট একক উপস্থাপন কৰে, যাক ধাৰণা বুলিও কোৱা হয়। জ্ঞান লেখচিত্ৰৰ লগতে বহু হাজাৰ আন্তঃসংযোগ (সম্পৰ্ক) আছে সংযোগস্থল বোৰৰ মাজত যি প্ৰদৰ্শন কৰে যে কিদৰে ধাৰণাবোৰ স্বাধীন নহয় বৰঞ্চ আন ধাৰণাবোৰৰ সৈতে সম্পৰ্কিত।

সংযোগস্থল বোৰৰ মাজৰ আন্তঃসংযোগসমূহক ইহঁতৰ মাজত থকা সম্পৰ্কৰ ধৰণৰ ওপৰত ভিত্তি কৰি এক ধৰণে নিযুক্ত কৰা হয়।গৱেষকসকলে সন্মুখীন হোৱা একধৰণৰ সমস্যা হৈছে অসম্পূৰ্ণ জ্ঞান লেখচিত্ৰ আৰু অনুপস্থিত সম্পৰ্ক। পিছে, Embibeয়ে নিজৰ বিষয়বস্তু বিস্তাৰ কৰি অহাৰ লগে লগে, এই প্ৰক্ৰিয়া স্বয়ংক্ৰিয় কৰাৰ এক প্ৰয়োজন আহি পৰে। যোৱা 8 বছৰ ধৰি বহু নিযুত শিক্ষাৰ্থীৰ বাবে কে জি ধাৰণাবোৰৰ সমন্বিত তথ্যৰ উপলব্ধিৰ বাবে, আৰু লেখচিত্ৰ তত্ত্ব আৰু প্ৰাকৃতিক ভাষা উপলব্ধি ব্যৱহাৰ কৰি, সম্পৰ্কবোৰ N শ্ৰেণীৰ ভিতৰৰ এটাত স্বয়ংক্ৰিয়ভাৱে শ্ৰেণীবদ্ধ কৰাটো সম্ভৱ হয়।

সম্পৰ্কৰ প্ৰকাৰ:

Embibeৰ কেজি-ত, ধাৰণাবোৰৰ মাজত 16 টা পৃথক সম্পৰ্ক আছে। এই সম্পৰ্কবোৰৰ ভিতৰত এটা প্ৰাথমিক সম্পৰ্ক। এই সম্পৰ্কৰ দ্বাৰা আমাৰ কেজিত এটা নিৰ্দিষ্ট ধাৰণা শিকাৰ আগতে শিকিব লগা সকলো প্ৰাথমিকতা দিয়া হৈছে। সাধাৰণতে, এজন শিক্ষাৰ্থীয়ে যিকোনো ধাৰণা শিকাৰ আগতে প্ৰথমে প্ৰাথমিকতা শিকে। ই তেওঁলোকক ধাৰণাটো ভালদৰে বুজিপোৱাত সহায় কৰে। আমি লাখ লাখ শিক্ষাৰ্থীৰ পৰা কোটি কোটি অনুশীলন আৰু পৰীক্ষাৰ প্ৰচেষ্টা বিশ্লেষণ কৰোঁ, ধাৰণা নিপুণতাৰ আৰ্হি আৰু শিকাৰ পথ বোৰ আহৰণ কৰিবলৈ। ধাৰণাবোৰৰ মাজত অভিজ্ঞতামূলক কাৰণ স্থাপন কৰিবলৈ এই আৰ্হিবোৰ ব্যৱহাৰ কৰা হয়। তথ্যৰ এই গোপন বৈশিষ্ট্যই আমাক শিক্ষাৰ্থীজনে তেওঁলোকৰ লক্ষ্য প্ৰাপ্ত কৰাত অনুসৰণ কৰা উমৈহতীয়া শিক্ষণ পথ বিচাৰি উলিওৱাত সহায় কৰিছিল। আমি এই সাধাৰণ শিক্ষণ পথবোৰ এটা স্ক’ৰিং পদ্ধতিৰ ওপৰত আধাৰিত কৰি প্ৰাথমিক ধাৰণাবিলাক বিচাৰিবলৈ ব্যৱহাৰ কৰিছিলো।

গৱেষণাৰ পদ্ধতিসমূহ:

আমি শিক্ষাৰ্থীসকলৰ বাবে ধাৰণা নিপুণতাৰ পূৰ্বানুমান কৰিবলৈ জ্ঞান গ্ৰাফৰ পৰা জ্ঞান সঞ্চাৰৰ সৈতে গভীৰ জ্ঞান অনুসৰণৰ অত্যাধুনিক কৌশলবোৰ সম্প্ৰসাৰিত কৰোঁ। আমি ঐতিহাসিক পূৰ্বৰ ওপৰত আধাৰিত কৰি চৰ্তসাপেক্ষ ধাৰণা নিপুণতাবোৰ ঘন কৰি শীতল আৰম্ভণিৰ সমস্যাটোও নিয়ন্ত্ৰণ কৰোঁ। শিক্ষাৰ্থীসকলৰ আচৰণগত ক্ৰমাঙ্কন আৰু জ্ঞান লেখ ধাৰণাবোৰৰ ওপৰত ইয়াৰ প্ৰতিফলনৰ বাবে Embibe অনন্যভাৱে অৱস্থিত। ধাৰণাবোৰৰ এই আচৰণগত বৈশিষ্ট্যবোৰ ধাৰণাবোৰৰ মাজৰ সম্পৰ্কক শ্ৰেণীবদ্ধ কৰাত ব্যৱহাৰ কৰা হয়।

জ্ঞান লেখচিত্ৰ বিস্তাৰ:

ধাৰণাবোৰৰ মাজত আমাৰ ইতিমধ্যে বহুতো সম্পৰ্ক আছে। যেতিয়া লেখচিত্ৰ এখনত কোনো নতুন ধাৰণা প্ৰৱেশ কৰে, আমি আন ধাৰণাবোৰৰ সৈতে ইয়াৰ সম্পৰ্ক ব্যাখ্যা কৰিব লাগে। এয়া এক অতি গুৰুত্বপূৰ্ণ কাৰ্য হৈ পৰে এই কাৰ্যৰ জটিলতাৰ বাবে। কোনো ভুল সম্পৰ্ক টেগিঙৰ বাবে উপভোক্তাসকলক ভুল দিশত পথ প্ৰদৰ্শন হ’ব পাৰে।

Embibeত, আমি আমাৰ সমলসমূহ বিভিন্ন ভাষাত আৰু বিভিন্ন পাঠ্যক্ৰমৰ বাবে মুকলি কৰিব বিচাৰো। আমি এই নতুন ধাৰণাবোৰৰ বাবে আমাৰ কেজি সম্প্ৰসাৰিত কৰিব লাগিব। আজিলৈকে আমি নতুন ধাৰণা আৱিষ্কাৰ আৰু অন্যান্য ধাৰণা আৰু বিদ্যমান সম্পৰ্কৰ বৈধতাৰ সৈতে তেওঁলোকৰ সম্পৰ্ক বিচাৰি উলিওৱাৰ বাবে অনুষদৰ ওপৰত সম্পূৰ্ণৰূপে নিৰ্ভৰশীল আছিলোঁ। এই কামবোৰ অতি ক্লান্তিকৰ আৰু ধীৰ। যিহেতু তথ্যৰ পৰিমাণ দ্ৰুতগতিত বৃদ্ধি হৈ আছে এইটো আমাৰ বাবে অতি প্ৰত্যাহ্বানজনক হৈ পৰিছে। লগতে সমগ্ৰ তথ্য প্ৰস্তুতকৰণ প্ৰক্ৰিয়াটোৰ বাবে মানুহৰ পক্ষপাতিত্ব আছে।

আমি যিকোনো ধাৰণা শিকাৰ আগতে দেখিছোঁ শিক্ষাৰ্থীসকলে সংশ্লিষ্ট প্ৰাথমিকতাবোৰ শিকে। গতিকে শিক্ষাৰ্থীসকলৰ প্ৰয়াস ক্ৰম (প্ৰশ্ন ক্ৰমৰ চেষ্টা) তেওঁলোকৰ প্ৰাথমিক ধাৰণাবোৰৰ পিছত ধাৰণাবোৰ থাকিব। আমি শিক্ষাৰ্থীজনৰ উমৈহতীয়া বৈশিষ্ট্য প্ৰাপ্ত কৰিবলৈ এটা প্ৰশ্নক্ৰমৰ আৰ্হি বিচাৰি পাইছো যি শিক্ষাৰ্থীৰ শুদ্ধতাৰ উন্নতিত প্ৰভাৱ পেলাইছে। ইয়াক কাৰ্যকৰীভাৱে সমাধান কৰিবলৈ, ডিকেটি (গভীৰ জ্ঞান পথানুসৰণ) (এলএছটিএম) ব্যৱহাৰকাৰীৰ প্ৰয়াস তথ্য আৰু শুদ্ধতাৰ সৈতে ব্যৱহাৰ কৰা হৈছে যাতে কোনবোৰ ধাৰণা/প্ৰচেষ্টাৰ আৰ্হিয়ে শুদ্ধতাৰ ওপৰত অধিক প্ৰভাৱ পেলায়, এক ক্ৰম শ্ৰেণীবিভাজন সমস্যা হিচাপে। অৱশেষত প্ৰশিক্ষিত ডিকেটি আৰ্হিটো নতুন ধাৰণাৰ বাবে সম্পৰ্কৰ ক্ৰমৰ বাবে ব্যৱহাৰ কৰা হৈছে। পিছত এই ক্ৰমটো জ্ঞান লেখ সংযোগস্থলৰ মাজত নতুন সম্পৰ্কৰ পৰামৰ্শৰ বাবে ব্যৱহাৰ কৰা হয়।

সাৰাংশ:

জ্ঞান লেখচিত্ৰ হৈছে সকলো Embibeৰ সমলৰ মেৰুদণ্ড। সেয়ে জ্ঞান লেখচিত্ৰ সম্পূৰ্ণ কৰা হৈছে আমাৰ প্ৰমুখ কাৰ্য। এই কাৰ্যই আমাক জ্ঞান লেখচিত্ৰ পৰিচালন কৰাত আৰু অতি নিম্ন হস্তক্ষেপৰ সৈতে ইয়াক দ্ৰুতগতিত বিস্তাৰ কৰাত  সহায় কৰিছে।

অৱশেষত, ধাৰণাবোৰৰ মাজত নতুন অন্তৰ্নিহিত সম্পৰ্ক অম্বেষণ কৰাটো আমাৰ বাবে এক মুকলি সমস্যা। আমি বিভিন্ন উৎসৰ পৰা কোনো নিৰ্দিষ্ট পাঠগত তথ্যৰ পৰা ধাৰণা নিৰ্ণয়ৰ প্ৰক্ৰিয়া স্বয়ংক্ৰিয় কৰিছোঁ। তাৰ পিছত, আমি এই নতুনকৈ পোৱা ধাৰণাবোৰৰ সম্পৰ্ক নিৰ্ণয় কৰোঁ বিদ্যমান ধাৰণাবোৰৰ সৈতে এই পদ্ধতি ব্যৱহাৰ কৰি। এই পদ্ধতি জ্ঞান লেখচিত্ৰ সত্যাপনৰ বাবেও বিস্তাৰ কৰিব পৰা যায়।

তথ্যসূত্ৰ

1. Chris Piech, Jonathan Spencer, Jonathan Huang, Surya Ganguli, Mehran Sahami, Leonidas J. Guibas, andJascha Sohl-Dickstein. Deep knowledge tracing.CoRR, abs/1506.05908, 2015. URLhttp://arxiv.org/abs/1506.05908.

2. K. Greff, R. K. Srivastava, J. Koutník, B. R. Steunebrink and J. Schmidhuber, “LSTM: A Search Space Odyssey,” in IEEE Transactions on Neural Networks and Learning Systems, vol. 28, no. 10, pp. 2222-2232, Oct. 2017, doi: 10.1109/TNNLS.2016.2582924.