শেখার ফলাফলের উপর শিক্ষার্থীদের আচরণের প্রভাব

শিক্ষাগত সাফল্য হল শিক্ষা ও মূল্যায়নের ক্ষেত্রে একটি প্রতিষ্ঠিত শব্দ যার সংজ্ঞা বছরের পর বছর ধরে বহুরূপে পরিবর্তিত হয়েছে। যেখানে কেউ কেউ পরীক্ষার একটি ক্রমে প্রাপ্ত গ্রেডের মতো সাধারণ মাপকাঠিগুলিকে এইসব ক্ষেত্রে ‘শিক্ষাগত সাফল্য’ হিসাবে সংজ্ঞায়িত করে, সেইখানে অন্যান্য ব্যক্তিরা অধিক বিস্তৃত অর্থে এই শব্দটিকে ব্যবহার করার প্রতি গুরুত্ব আরোপ করেছে। শিক্ষাগত সাফল্য কেবল একটি পরীক্ষায় প্রাপ্ত নম্বরই নয়, বরং শিক্ষাগত বা অন্যান্য ক্ষেত্রে, কোনও পরীক্ষা বা শিক্ষাগত সমস্যার প্রতি একজন শিক্ষার্থীর উন্নত মনোভাব সহ, তার মধ্যে কিছু শেখার এবং সামগ্রিক বিকাশকেও চিহ্নিত করার জন্য অধ্যয়নের দ্রুত সম্প্রসারণ হয়েছে। Embibe –এ, আমরা ইতিমধ্যে Embibe  স্কোর কোশেন্টের মতো টেস্টে একজন শিক্ষার্থীর কর্মক্ষমতা পরিমাপ করার জন্য বিভিন্ন মানদন্ড নির্ধারণ করেছি। আমরা কনসেপ্ট মাস্টারির মতো বিভিন্ন প্রমিত মডেল ব্যবহার করছি যা বেইসিয়ান নলেজ ট্রেসিং অ্যালগরিদমের উপর ব্যাপকভাবে নির্ভর করে।

সম্প্রতি, আমরা একটি নতুন মেট্রিক তৈরি করেছি – একাগ্রতা স্কোর যা তিনটি মানদন্ডের উপর ভিত্তি করে একজন শিক্ষার্থীকে পরিমাপ করে এবং একটি আচরণ বা আচরণের সংমিশ্রণকে নির্দেশ করে।

● নির্ভুলতা: পরীক্ষায় শিক্ষার্থীর দ্বারা  প্রচেষ্টা করা মোট প্রশ্নের সাথে শিক্ষার্থীর দ্বারা সঠিক উত্তর দেওয়া প্রশ্নের শতকরা হার

● প্রচেষ্টার শতাংশ: পরীক্ষায় থাকা মোট প্রশ্নের সাথে শিক্ষার্থীর দ্বারা চেষ্টা করা প্রশ্নের শতাংশ

● সময়ের শতাংশ: পরীক্ষার জন্য বরাদ্দ মোট সময়ের সাথে শিক্ষার্থীর দ্বারা গৃহীত সময়ের শতাংশ

প্রতিটি মানদন্ডকে বিভিন্ন ভাগে শ্রেণীবদ্ধ করা হয় যা 10 টি অনন্য আচরণের মাধ্যমে চূড়ান্ত সীমায় গিয়ে পৌঁছায় – চারটি পজিটিভ, পাঁচটি নেগেটিভ এবং একটি নিরপেক্ষ আচরণ। প্রতিটি আচরণের জন্য একটি করে র‍্যাঙ্ক বরাদ্দ করা হয়, সর্বোত্তম আচরণ থেকে শুরু করে সবচেয়ে খারাপ সম্ভাব্য আচরণ পর্যন্ত। কম পজিটিভ র‍্যাঙ্কযুক্ত আচরণের তুলনায় প্রতিটি আচরণের টেস্ট-অন-টেস্ট স্কোরের উন্নতি সনাক্ত করার জন্য একটি অ্যালগরিদম বিকাশের জন্য 2.5 মিলিয়নেরও বেশি বৈধ পরীক্ষার সেশনকে বিশ্লেষণ করা হয়। ফলাফলগুলি একটি ডেটা-চালিত পদ্ধতিতে যাচাই করে এবং পরিমাপ করে এমন একটি সত্যকে যা দীর্ঘকাল ধরে সত্য বলে মনে করা হয় যে একজন শিক্ষার্থীর মনোভাব তাদের অগ্রগতি নির্ধারণে সহায়তা করে এবং এমনকি একটি নিম্নমানের শিক্ষার্থীকেও দুর্দান্ত ফলাফল অর্জনে সহায়তা করতে পারে। শিক্ষার্থীদের পরীক্ষার সেশন আচরণের থ্রেশহোল্ড এবং শ্রেণিবিন্যাসের উপর ভিত্তি করে, আমরা পরিমাপ করতে পারি যে কম পজিটিভ আচরণের তুলনায় একটি আচরণ গড়ে কতটা দ্রুত উন্নত হয় এবং উপযুক্ত আচরণের দিকে শিক্ষার্থীদের অগ্রসর করে এবং উন্নত আচরণের সাথে তারা যে অগ্রগতি হার অর্জন করতে পারে সে সম্পর্কে শিক্ষার্থীদের অবগত করে তুলতে পারি, এইভাবে শেখার ফলাফলগুলি উন্নত করে।

সারণী 1: তাদের মেটাডেটা সহ বিভিন একাগ্রতা স্কোরের আচরণ

একাগ্রতা স্কোর	অর্থ	র‍্যাঙ্ক/ওজন (1->সবচেয়ে ভাল, 10->সবচেয়ে খারাপ)	গুণমান
নিয়ন্ত্রণ	শিশুটি প্রয়োজনীয় প্রচেষ্টা করছে এবং প্রায়শই সফল হচ্ছে	1	পজিটিভ
ম্যারাথন	গড় সেশনের সময়কালের স্ট্যামিনা উচ্চ	2	পজিটিভ
কঠোর চেষ্টা করা হচ্ছে	শিশুটি অনেক চেষ্টা করছে এবং এখনও প্রায়শই সফল হতে অক্ষম হয় না	3	পজিটিভ
প্রায় পেরেছে	গড় সেশনের সময়কালের স্ট্যামিনা হল গড়	4	পজিটিভ
ধীর	শিশু অধিক প্রচেষ্টার মাধ্যমে সফল হতে পারে	5	নিরপেক্ষ
অধিক কঠোর প্রশিক্ষণ প্রয়োজন	শিশুটি প্রায়শই সফল হওয়ার জন্য পর্যাপ্ত প্রচেষ্টা করছে না	6	নেগেটিভ
অতিরিক্ত আত্মবিশ্বাসী	শিশুটি প্রবলভাবে অত্যধিক আত্মবিশ্বাসী এবং পর্যাপ্ত প্রচেষ্টা না করেই নিজেকে প্রয়োগ করে	7	নেগেটিভ
কম আত্মবিশ্বাস	শিশু নিজেকে প্রয়োগ করার জন্য যথেষ্ট আত্মবিশ্বাসী নয়	8	নেগেটিভ
প্রায় লক্ষ্যে পৌঁছেছে	গড় সেশনের সময়কালের স্ট্যামিনা খুব কম	9	নেগেটিভ
অসতর্ক (আগ্রহের অভাব, মনোযোগের অভাব, একাগ্রতার অভাব)	শিশুটি প্রবলভাবে হাতের কাছে থাকা উপাদানগুলিতে নিজেকে অন্তর্নিহিত করছে এবং এর ফলে নম্বর কম পাচ্ছে।	10	নেগেটিভ

অ্যালগরিদম:

ইনপুটগুলি:

N: পজিটিভ স্কোর উন্নতির সাথে বৈধ টেস্ট সেশনের মোট সংখ্যা

p:  একাগ্রতা স্কোর আচরণের সংখ্যা।

আউটপুট:

প্রতিটি একাগ্রতা স্কোর আচরণের জন্য (র‍্যাঙ্ক 1-9), গড়ে, সমস্ত কম পজিটিভ মনযোগ স্কোর আচরণের জন্য টেস্ট-অন -টেস্ট উন্নতি কত দ্রুত পরিলক্ষিত হয়।

শব্দকোষ:

• প্রি-টেস্ট: একটি নির্দিষ্ট পরীক্ষায় একজন ব্যবহারকারীর দ্বারা প্রদত্ত যে কোনও দুটি ধারাবাহিক পরীক্ষার (টাইমস্ট্যাম্প দ্বারা সাজানো) মধ্যে, দুটির মধ্যে প্রথম পরীক্ষাটিকে প্রি-টেস্ট বলা হয়।
• পোস্ট-টেস্ট: একটি নির্দিষ্ট পরীক্ষায় একজন ব্যবহারকারী দ্বারা প্রদত্ত যে কোনও দুটি ধারাবাহিক পরীক্ষার (টাইমস্ট্যাম্প দ্বারা সাজানো) মধ্যে, দুটির মধ্যে দ্বিতীয় পরীক্ষাটিকে পোস্ট-টেস্ট বলা হয়।
• বৈধ টেস্ট সেশন: একটি টেস্ট সেশনকে বৈধ বলে মনে করা হয় যদি একজন শিক্ষার্থী:
• ব্যয় করেছে > = পরীক্ষার জন্য বরাদ্দকৃত সময়ের 10% 
• উত্তর দেয় > = টেস্টে আসা মোট প্রশ্নের 10%
• স্কোর করা নম্বর > = পরীক্ষায় 0
• কম পজিটিভ একাগ্রতা স্কোর আচরণ: একটি একাগ্রতা স্কোর আচরণকে দ্বিতীয় একাগ্রতা স্কোর আচরণের চেয়ে কম পজিটিভ বলে মনে করা হয় যদি তার র‍্যাঙ্কের মান, টেবিল 1 এর উপর ভিত্তি করে, দ্বিতীয়টির চেয়ে বড় হয়। একইভাবে, একটি একাগ্রতা স্কোর আচরণকে দ্বিতীয় আচরণের চেয়ে ভাল বা অধিক পজিটিভ একাগ্রতা স্কোর আচরণ হিসাবে বিবেচনা করা হয় যদি এটি দ্বিতীয় আচরণের চেয়ে কম র‍্যাঙ্ক পায়।

পদ্ধতি:

1. Embibe এর সমস্ত টেস্ট সেশনের মধ্যে থেকে, শুধুমাত্র বৈধ টেস্ট সেশনটিকে বিবেচনা করা হয়।

এই ধাপের জন্য সময়ের জটিলতা = O(N)

2. প্রতিটি ব্যবহারকারীর জন্য, তাদের টেস্ট সেশনটি নির্ভুলতা, প্রচেষ্টা শতাংশ এবং সেই টেস্ট সেশনে ব্যয় করা সময়ের উপর ভিত্তি করে একটি একাগ্রতা স্কোর আচরণে শ্রেণীবদ্ধ করা হয়েছিল।

এই ধাপের জন্য সময়ের জটিলতা = O(N)

3. প্রি-টেস্ট এবং পোস্ট-টেস্ট টেস্টের মধ্যে স্কোরের পার্থক্য, টাইমস্ট্যাম্প দ্বারা সাজানো, শিক্ষার্থী দ্বারা প্রদত্ত একই লক্ষ্য নাম এবং পরীক্ষার নাম সহ গণনা করা হয়।

এই ধাপের জন্য সময়ের জটিলতা = O(NlogN)

4. টেবিল 1 এর উপর ভিত্তি করে র‍্যাঙ্ক, প্রি-টেস্টে দেখানো সবচেয়ে খারাপ একাগ্রতা স্কোর আচরণের ক্ষেত্রে প্রয়োগ করা হয়। একজন শিক্ষার্থীকে যে কোনও টেস্ট সেশনে 2 বা ততোধিক আচরণে শ্রেণীবদ্ধ করা যেতে পারে।

এই ধাপের জন্য সময়ের জটিলতা = O(N)

5. সমস্ত টেস্টের এন্ট্রি যেখানে শিক্ষার্থী পোস্ট টেস্টে যে আচরণটি প্রদর্শিত করেছে সেটিকে প্রতিটি আচরণের জন্য বাছাই করা হয়।

প্রদত্ত র‌্যাঙ্কিং অনুসারে, প্রি এবং পোস্ট টেস্টের মধ্যে শুধুমাত্র সেইসব টেস্ট এন্ট্রিগুলিকেই নেওয়া হয়েছিল যেখানে শিক্ষার্থীর আচরণের উন্নতি হয়েছে।

আমরা স্কোরের উন্নতির উপর ভিত্তি করে আচরণের রূপান্তরের একটি অভিজ্ঞ গড় পাই।

অভিজ্ঞ_গড় = ((Σ(প্রি-টেস্ট একাগ্রতা স্কোরের ওজন- পোস্ট টেস্ট একাগ্রতা স্কোরের ওজন)*

 উন্নত_স্কোর_ব্যবহারকারীর দ্বারা_অর্জিত)/ গ্রুপের আকার) * (নরমালাইজেশন ফ্যাক্টর)

যেখানে নরম্যালাইজেশন ফ্যাক্টর= একাগ্রতা স্কোরের সংখ্যা/Σ (প্রতিটি একাগ্রতা স্কোরের জন্য বরাদ্দকৃত ওজন) = 10/55

যেহেতু আমরা প্রতিটি র‍্যাঙ্কে অসম ওজন দিয়েছি, তাই আমাদের একটি নরমালাইজেশন ফ্যাক্টর অন্তর্ভুক্ত করা দরকার।

যদি আমরা প্রতিটি র‍্যাঙ্ককে সমান গুরুত্ব দিতাম, অর্থাৎ, যদি প্রতিটি র‍্যাঙ্কের ওজন 1 হত, তাহলে র‍্যাঙ্কের ওজনের যোগফল 10 হতে পারত।

যাইহোক, আমাদের ক্ষেত্রে, আমরা সমান ওজন দিচ্ছি না। আমাদের নিশ্চিত করতে হবে যে তুলনামূলকভাবে, নিয়ন্ত্রণে অসতর্কতার তুলনায় 10x হালকা ওজন রয়েছে। এটি “নিয়ন্ত্রণ” কে 10/55 ওজন এবং “অসতর্ক” কে 10 x 10/55 ওজন দিয়ে অর্জন করা হয়। একইভাবে, প্রতিটি আচরণকে র‍্যাঙ্ক * (10/55) এর একটি ওজন দেওয়া হয়।

লক্ষ্য করুন যে র‍্যাঙ্ক ∈ Z এবং র‍্যাঙ্ক ∈ [1,10] এর জন্য Σ (র‍্যাঙ্ক * 10/ 55) 10 দেয়, যা যদি কোনও ওজন প্যারামিটার না থাকে তবে প্রাপ্ত হত।

এই ধাপের জন্য সময়ের জটিলতা = O(pN)

6. 1.63 এর একটি ফ্যাক্টর দ্বারা মানগুলি স্কেল করুন।

স্কেল ডাউন মান = (র‍্যাঙ্কগুলির মধ্যে সর্বাধিক সম্ভাব্য রূপান্তর) * 

নরম্যালাইজেশান ফ্যাক্টর

                                    = (10 – 1) *(10/55) = 9 * 10/55

                                    = 1.63

এই ধাপের জন্য সময়ের জটিলতা = O(p)

ফ্লো চার্ট

পর্যবেক্ষণ

আচরণ	গড় উন্নতির অনুপাত	SSS স্ট্রিং
নিয়ন্ত্রনে	6.59	নিয়ন্ত্রণ সাধারণত কম আচরণ প্রদর্শনকারী শিক্ষার্থীদের তুলনায় 6.6x দ্রুত উন্নত হয়।
ম্যারাথন	7.14	ম্যারাথনার সাধারণত কম আচরণপ্রদর্শনকারী শিক্ষার্থীদের তুলনায় 7.1x দ্রুত উন্নত করে।
কঠোর চেষ্টা করা হচ্ছে	8.49	কঠোর চেষ্টা করা সাধারণত কম আচরণপ্রদর্শনকারী শিক্ষার্থীদের তুলনায় 8.5x দ্রুত উন্নত করে।
প্রায় লক্ষ্যে পৌঁছেছে	6.19	প্রায় লক্ষ্যে পৌঁছানো সাধারণত কম আচরণপ্রদর্শনকারী শিক্ষার্থীদের চেয়ে 6.2x দ্রুত উন্নতি করে।
ধীর	4.28	ধীর গতি সাধারণত কম আচরণপ্রদর্শনকারী শিক্ষার্থীদের তুলনায় 4.3x দ্রুত উন্নত হয়।
অধিক কঠোর প্রশিক্ষণ প্রয়োজন	3.85	অধিক কঠোর প্রশিক্ষণ সাধারণত কম আচরণ প্রদর্শনকারী শিক্ষার্থীদের তুলনায় 3.8x দ্রুত উন্নত করে।
অতিরিক্ত আত্মবিশ্বাসী	5.51	অতিরিক্ত আত্মবিশ্বাসী সাধারণত কম আচরণ প্রদর্শনকারী ছাত্রদের তুলনায় 5.5x দ্রুত উন্নত করে।
কম আত্মবিশ্বাস	1.05	কম আত্মবিশ্বাস সাধারণত কম আচরণ প্রদর্শনকারী শিক্ষার্থীদের তুলনায় 1.0x দ্রুত উন্নত করে।
প্রায় লক্ষ্যে পৌঁছেছে	0.69	প্রায় লক্ষ্যে পৌঁছেছে সাধারণত কম আচরণপ্রদর্শনকারী শিক্ষার্থীদের তুলনায় 0.7x দ্রুত উন্নত করে।

4 টি পজিটিভ আচরণের মধ্যে, এটি দেখা যায় যে বেশিরভাগ শিক্ষার্থীর টেস্ট সেশনগুলি ম্যারাথনার (35.4%) এবং প্রায় লক্ষ্যে পৌঁছেছে (30%) আচরণগুলি দেখায়। নেগেটিভ আচরণগুলির মধ্যে, শিক্ষার্থীদের ঝোঁক প্রায় লক্ষ্যে পৌঁছেছে (33%) এবং অধিক কঠোর প্রশিক্ষণ প্রয়োজন (50%) এর দিকে।

ভবিষ্যতের কাজ:

শিক্ষার্থীদের আচরণ সনাক্ত করার জন্য অনিয়ন্ত্রিত শেখার প্রয়োগ – এটি সিস্টেমটিকে ব্যয় করা সময়, নির্ভুলতা এবং প্রচেষ্টার শতাংশ সম্পর্কিত পক্ষপাত দূর করতে সক্ষম করবে

1. নিউরাল নেটওয়ার্ক এবং অন্যান্য গভীর শেখার-ভিত্তিক পদ্ধতির মাধ্যমে শেখা উদ্দেশ্যমূলক ফাংশন ব্যবহার করে স্কোর উন্নতির নরমালাইজেশন

2. একটি নির্দিষ্ট প্রকারে টেস্ট ব্যবহারকারীর ভবিষ্যত সাফল্যের গল্পের ভবিষ্যদ্বাণী এবং Embibe স্কোর কোশেন্টের পাশাপাশি আমাদের মডেলের কর্মক্ষমতা বিশ্লেষণ করুন

3. ব্যক্তিগতকৃত সাফল্যের গল্পগুলির উপর ভিত্তি করে সর্বোত্তম বিষয়বস্তু এবং পরীক্ষাগুলি পরিবেশন করার জন্য সুপারিশ ইঞ্জিন।