વ્યક્તિગત અચીવમેન્ટ યાત્રા(PAJ) નો ઉદ્દેશ્ય વિદ્યાર્થીને તેમના વર્તમાન જ્ઞાન સ્તર, પૂર્વવ્યાખ્યાયિત સમય, પૂર્વવ્યાખ્યાયિત અભ્યાસક્રમ, વિદ્યાર્થીની લક્ષ્ય પરીક્ષા માટે કોન્સેપ્ટનું મહત્વ અને દરેક કોન્સેપ્ટમાં નિપુણતા મેળવવા માટે જરૂરી પ્રયત્નોને ધ્યાનમાં રાખીને તેમને શ્રેષ્ઠ શિક્ષણ માર્ગ પ્રદાન કરવાનો છે. Embibe માટે PAJ સર્વોચ્ચ મહત્વ છે, જે શીખવાના પરિણામો પહોંચાડવા માટેનું AI પ્લેટફોર્મ છે. Embibe ખાતે, અમે વિદ્યાર્થીઓને શીખવાના પરિણામો હાંસલ કરવા માટે સંબંધિત જ્ઞાનના ગ્રાફ અને વર્તણૂકીય પ્રોફાઇલ પર કોન્સેપ્ટ નિપુણતાનું માપાંકિત કરીએ છીએ. PAJ એ હાયપર પર્સનલાઇઝ્ડ રીતે શીખવા, પ્રેક્ટિસ અને મૂલ્યાંકન પેક સૂચવીને વિદ્યાર્થીઓના શિક્ષણને ઝડપી બનાવવાની તક છે.

શ્રેષ્ઠ લર્નિંગ પાથ ડિઝાઇન કરવાની સમસ્યાને બે પેટા-પ્રશ્નોમાં વિભાજિત કરી શકાય છે – કોન્સેપ્ટની પસંદગી અને શીખવા માટેના ઓબ્જેક્ટનો ક્રમ, કોન્સેપ્ટ સમજાવનાર વિડિયો અને પ્રેક્ટિસ પ્રશ્નો. અમે ડાયનેમિક પ્રોગ્રામિંગ સમસ્યા તરીકે પસંદગીનું મોડેલિંગ કર્યું છે, જે વ્યક્તિગત અચીવમેન્ટ યાત્રા પૂર્ણ કરવા માટે બાકી રહેલા સમયના આધારે સૌથી મહત્વપૂર્ણ કોન્સેપ્ટ પસંદ કરે છે.

દરેક સંકલ્પના પૂર્ણ થયા પછી બાકીના શીખવા માટેના ઓબ્જકેટમાંથી પસંદગી માટે મૂલ્ય અને ખર્ચના પાસાઓને જોવું જરૂરી છે. પસંદગી સાથે અન્ય વિચારણા એ છે કે પૂર્વજરૂરીયાતોના કોન્સેપ્ટને બાકાત રાખવાનું ટાળવું. અને આ કારણોસર, અમે વ્યક્તિગત કોન્સેપ્ટને બદલે મૂલ્ય અને ખર્ચના વ્યવહારનું મૂલ્યાંકન કરવા માટે અમારા કોન્સેપ્ટ નોલેજ ગ્રાફમાંથી સબગ્રાફનો ઉપયોગ કરીએ છીએ.

પછી તે મૂલ્ય/કિંમત ગુણોત્તરના આધારે પેટાજૂથના કોન્સેપ્ટને પસંદ કરે છે, જ્યાં પેટાજૂથનું મૂલ્ય અંતિમ પરીક્ષામાં મૂળભૂતતા અને સુસંગતતા સૂચવે છે જ્યારે ખર્ચ એ છે કે વિદ્યાર્થી-વિશિષ્ટ વર્તણૂક વિશેષતાઓ અને તેના આધારે તે પેટાજૂથમાં માસ્ટર થવા માટે વિદ્યાર્થીને કેટલો સમય લાગે છે. દરેક કોન્સેપ્ટ પર કોન્સેપ્ટ માસ્ટરી, જેમ કે વિદ્યાર્થીઓ મહત્તમ લર્નિંગ આઉટકમ મેળવી શકે.

અલ્ગોરિધમ એ પણ નક્કી કરે છે કે વિદ્યાર્થીને લર્નિંગ કોન્ટેન્ટની જરૂર છે કે નહીં. જ્યાં સુધી યુઝર અનુકૂલનશીલ પ્રેક્ટિસ અલ્ગોરિધમના આધારે આપેલ કોન્સેપ્ટ પેટાજૂથ હેઠળ તમામ ક્ષમતાઓને આવરી લે ત્યાં સુધી તે પ્રેક્ટિસ પ્રશ્નો પણ પુરા પાડે છે.

ઉપરોક્ત બંને શરતો માર્કોવ ચેન પર આધારિત છે જે તેની સૌથી તાજેતરની સ્થિતિ કોન્સેપ્ટ માસ્ટરી તરીકે ધરાવે છે, જે બાયસિયન પ્રોબેબિલિટીનો ઉપયોગ કરીને અપડેટ થાય છે, જેને બાયસિયન નોલેજ ટ્રેસિંગ તરીકે પણ ઓળખવામાં આવે છે. વધુમાં, દરેક પગલા પર, શ્રેષ્ઠ સમય ફાળવણી સુનિશ્ચિત કરવા માટે અલ્ગોરિધમને પુન: માપાંકિત કરવામાં આવશે.

વ્યક્તિગત કરેલ અચીવમેન્ટ યાત્રા અલ્ગોરિધમ અગાઉના ગ્રેડના પૂર્વજરૂરી કોન્સેપ્ટને પણ ધ્યાનમાં લે છે જે લક્ષ્ય પરીક્ષા માટે મહત્વપૂર્ણ છે. તેથી, જો કોઈ વિદ્યાર્થી પાસે આપેલ અભ્યાસક્રમ માટે નબળા ફંડામેન્ટલ્સ હોય તો એલ્ગોરિધમ મૂળભૂત કોન્સેપ્ટમાં ઊંડાણપૂર્વક સર્ચ કરે છે અને અગાઉના ધોરણમાંથી એકદમ લઘુત્તમ શિક્ષણ કોન્ટેન્ટ પસંદ કરે છે જે વિદ્યાર્થીઓને વર્તમાન ધોરણમાં આગળ વધતા પહેલા તેમની મૂળભૂત બાબતોને ઠીક કરવામાં મદદ કરે છે.

સંદર્ભ

[1] “#RAISE2020 – Embibe – વ્યક્તિગત શિક્ષણ માટે AI-સંચાલિત શિક્ષણ પરિણામોનું પ્લેટફોર્મ”, MyGov India, ઓક્ટોબર 2020, https://www.youtube.com/watch?v=kuwFtHgN3qU 

[2] ફાલદુ, કેયુર, અદિતિ અવસ્થી અને અચિંત થોમસ. “સ્કોરના સુધારણા અને તેના ભાગો માટે અનુકૂલનશીલ લર્નિંગ મશીન.” યુ.એસ. પેટન્ટ 10,854,099, 1 ડિસેમ્બર, 2020 ના રોજ જારી.

[3] થોમસ, અચિંત, કેયુર ફાલદુ અને અદિતિ અવસ્થી. “અધિક્રમિક રીતે શૈક્ષણિક સામગ્રીની વ્યક્તિગત પુનઃપ્રાપ્તિ માટેની સિસ્ટમ અને પદ્ધતિ.” યુ.એસ. પેટન્ટ એપ્લિકેશન 16/740,223, ઑક્ટોબર 1, 2020 ના રોજ ફાઇલ કરવામાં આવી.

[4] ફાલદુ, કેયુર, અચિંત થોમસ અને અદિતિ અવસ્થી. “સંદર્ભિત જ્ઞાન આધારનો ઉપયોગ કરીને વ્યક્તિગત સામગ્રીની ભલામણ કરવા માટેની સિસ્ટમ અને પદ્ધતિ.” યુ.એસ. પેટન્ટ એપ્લિકેશન 16/586,512, ઑક્ટોબર 1, 2020 ફાઇલ કરવામાં આવી.

[5] ફાલદુ, કેયુર, અચિંત થોમસ અને અદિતિ અવસ્થી. “વર્તણૂક વિશ્લેષણ અને ભલામણો માટેની સિસ્ટમ અને પદ્ધતિ.” યુ.એસ. પેટન્ટ એપ્લિકેશન 16/586,525, ઑક્ટોબર 1, 2020 ના રોજ ફાઇલ કરવામાં આવી.

[6] દેસાઈ, નિશિત, કેયુર ફાલદુ, અચિંત થોમસ અને અદિતિ અવસ્થી. “એસેસમેન્ટ પેપર બનાવવા અને તેની ગુણવત્તા માપવા માટેની સિસ્ટમ અને પદ્ધતિ.” યુ.એસ. પેટન્ટ એપ્લિકેશન 16/684,434, ઑક્ટોબર 1, 2020 ના રોજ ફાઇલ કરવામાં આવી.

[7] ધવલ, સોમા, ચિરાગ ભાટિયા, જોય બોઝ, કેયુર ફાલ્દુ અને અદિતિ અવસ્થી. “ડાયગ્નોસ્ટિક એસેસમેન્ટ્સ અને તેમની ગુણવત્તા મૂલ્યાંકનનું સ્વતઃ નિર્માણ.” ઇન્ટરનેશનલ એજ્યુકેશનલ ડેટા માઇનિંગ સોસાયટી (2020).

[8] લાલવાણી, અમર અને સ્વીટી અગ્રવાલ. “સમય શું કહે છે? ડીપ નોલેજ ટ્રેસીંગનો ઉપયોગ કરીને ફોર્ગેટીંગ વળાંક ટ્રેસીંગ.” ઇન્ટરનેશનલ કોન્ફરન્સમાં શિક્ષણમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ, પૃષ્ઠ 158-162. સ્પ્રિંગર, ચામ, 2019.

[9] અગ્રવાલ, એસ. અને એ. લાલવાણી. “ડીપ નોલેજ ટ્રેસીંગનો ઉપયોગ કરીને સુધારેલ બ્લૂમના વર્ગીકરણ પર આધારિત સમસ્યા ક્રમની વ્યૂહરચનાનું વિશ્લેષણ.”ઇન્ટ કોન્ફોન ઇન્ટેલિજન્ટ ટ્યુટરિંગ સિસ્ટમ (ITS)) ના પ્રોક. બર્લિન: સ્પ્રિંગર 407410 (2018).

← AI હોમ પર પાછા જાઓ