નોલેજ લેવલ અને વર્તણૂકના દાખલાઓને ચકાસીને સ્કોર કરવાની વિદ્યાર્થીની ક્ષમતાને માપવી

“દરેક વ્યક્તિ જિનિયસ છે. પરંતુ જો તમે માછલીને તેની ઝાડ પર ચઢવાની ક્ષમતા દ્વારા નક્કી કરો છો, તો તે આખી જીંદગી એ માનીને જીવશે કે તે મૂર્ખ છે.” — આઈન્સ્ટાઈન

આ નોંધ વિશ્વભરના વિદ્યાર્થીઓની મુશ્કેલીઓનો જોડે છે. શૈક્ષણિક પ્રણાલીઓ અને ભરતી કરનારાઓ માત્ર પરીક્ષાઓને જ શ્રેષ્ઠતાના પુરાવા તરીકે માને છે. આખું વર્ષ શ્રેષ્ઠ કે ખરાબ હોવા છતાં, વિદ્યાર્થી પરીક્ષામાં શું કરે છે તે આધાર રેખા છે. મુશ્કેલીમાં ઉમેરો કરતા, ગુણવત્તાયુક્ત શિક્ષકોની ડિમાન્ડ અને સપ્લાઈમાં એક વિશાળ અંતરને કારણે વિદ્યાર્થી-શિક્ષકનો  ગુણોત્તર ખુબ જ ઓછો થયો છે. શિક્ષકો અસરકારક રીતે દરેક વિદ્યાર્થીને વ્યક્તિગત રીતે ધ્યાન આપી શકતા નથી. આ બધી સમસ્યાઓને દૂર કરવા માટે, આપણે વિદ્યાર્થીઓને તેમની સંપૂર્ણ ક્ષમતા સુધી પહોંચવા માટે તેઓને જે જોઈએ છે, જ્યારે તેમને જરૂર છે અને તેમની પોતાની ગતિએ પૂરી પાડવાની જરૂર છે.

આ પ્રાપ્ત કરવા માટે, Embibe વિદ્યાર્થીઓની પરીક્ષામાં પ્રદર્શન કરવાની વર્તમાન ક્ષમતાને ‘Embibe ગુણાંક’ તરીકે ઓળખાતા વૈજ્ઞાનિક પરિમાણોનો ઉપયોગ કરીને માપે છે. Embibe, એકંદરે, એવું માને છે કે વિદ્યાર્થીની સ્કોર કરવાની ક્ષમતા શૈક્ષણિક પ્રાવીણ્ય અને બહુવિધ સુષુપ્ત લક્ષણોના વર્તન પર આધારિત છે. તે આપણે ઓછા ટેસ્ટ સ્કોર માટે જવાબદાર ચોક્કસ તત્વોના અભાવને નિર્દેશિત કરવાની મંજૂરી આપે છે.

અમારી સિસ્ટમને સ્પોટ ભલામણો પ્રદાન કરવાની મંજૂરી આપતા ‘Embibe ગુણાંક’ના મુખ્ય ઘટકો છે:

શૈક્ષણિક ગુણાંક: તે વિદ્યાર્થીઓની શૈક્ષણિક ક્ષમતા દર્શાવે છે. Embibe પર, ‘કોન્સેપ્ટ માસ્ટરી’ ની મદદથી વિદ્યાર્થીની શૈક્ષણિક ક્ષમતાની ગણતરી કરવામાં આવે છે. ‘કોન્સેપ્ટ માસ્ટરી’ એ વિદ્યાર્થી દ્વારા કરવામાં આવતી વિવિધ પ્રવૃત્તિઓ, જેમ કે વિડિયો જોવા, પ્રશ્નોની પ્રેક્ટિસ કરવી, ટેસ્ટ આપવી અને ટેસ્ટ ફિડબેક રીવ્યુ કરવા પર આધારિત પ્રવૃત્તિમાં વિદ્યાર્થીની માસ્ટરીને માપે છે.

વર્તણૂક ગુણાંક: તે ટેસ્ટ આપવાને લગતા વિદ્યાર્થીના વર્તનના લક્ષણો સૂચવે છે. તેમાં પેટા-શ્રેણીઓનો સમાવેશ થાય છે, એટલે કે ઉદ્દેશ્ય ગુણાંક અને ટેસ્ટ આપવાના કૌશલ્યનો ગુણાંક.

1. ઉદ્દેશ્ય ગુણાંક એ વિદ્યાર્થીના શૈક્ષણિક વલણ અથવા તેના જ્ઞાનને ધ્યાનમાં લીધા વિના હેતુ દર્શાવે છે. આ શ્રેણીમાં ધ્યાનમાં લેવામાં આવતી કેટલીક બિન-સંપૂર્ણ વિશેષતાઓમાં વ્યર્થ પ્રયત્નોની સંખ્યા, વિષયની અદલાબદલી, કોઈપણ પ્રશ્નનો પ્રયાસ કર્યા વિના વિતાવેલો સમય અને અન્ય સમાન વિશેષતાઓ છે.
2. ટેસ્ટ આપવાના કૌશલ્યનો ગુણાંક વિદ્યાર્થીની ટેસ્ટ આપવાની ક્ષમતા દર્શાવે છે. વધુ સારો વિચાર આપવા માટે, આ શ્રેણીમાં ધ્યાનમાં લેવામાં આવેલી કેટલીક વિશેષતાઓ અન્ય સમાન વિશેષતાઓમાં જોવામાં આવેલા પ્રશ્નોની સંખ્યા અને રીવ્યુ માટે માર્ક કરાયેલ પ્રશ્નોની સંખ્યા છે.

પ્રયત્ન ગુણાંક: તે શીખતી વખતે વિદ્યાર્થી જે પ્રયત્નો કરે છે તેના માપને દર્શાવે છે. પ્રયત્ન ગુણાંક આપણે વિદ્યાર્થીની પરીક્ષામાં સ્કોર કરવાની ક્ષમતાને સમજવાની મંજૂરી આપે છે. પ્રેક્ટિસ સત્રોની સંખ્યા, પ્રેક્ટિસમાં વિતાવેલો કુલ સમય અને અન્ય સમાન પ્રવૃત્તિઓ આ શ્રેણી હેઠળની કેટલીક સીધી અર્થઘટન કરી શકાય તેવી વિશેષતાઓ છે.

સ્પોટ સૂચન માટે મશીન લર્નિંગ મોડલ

મશીન લર્નિંગ મોડલ એ વાસ્તવિકતાનો અંદાજ છે. અર્થઘટન એ વાસ્તવિકતાને માત્રાત્મક અથવા પ્રાકૃતિક ભાષામાં દર્શાવવા માટેનું માધ્યમ ગણી શકાય. જ્યાં શક્ય હોય ત્યાં અર્થઘટન કરી શકાય તેવા મોડલનો ઉપયોગ કરવા વિનંતી કરવામાં આવે છે. દેખીતી રીતે અપારદર્શક ડીપ લર્નિંગ મોડલ માટે પણ અર્થઘટન પ્રદાન કરવામાં વધારો થયો છે. અર્થઘટન ક્ષમતાને ધ્યાનમાં રાખીને, સમૃદ્ધ અને ઉચ્ચ અર્થઘટન કરી શકાય તેવી વિશેષતાઓ સાથે બનેલ ‘Embibe ગુણાંક’, વિદ્યાર્થીઓને સ્પોટ સૂચન પૂરું પાડે છે જેનો ઉદ્દેશ્ય તેમના નબળા કોન્સેપ્ટને સુધારવા અને સૌથી વધુ ઝીણવટભર્યા અને ક્રિયા-લક્ષી રીતે વર્તણૂકીય ફિડબેક આપવાનો છે.

ઉદાહરણ તરીકે, ઉચ્ચ શૈક્ષણિક ગુણાંક ધરાવતા વિદ્યાર્થી માટે, ઉચ્ચ ઉદ્દેશ્યનો ગુણાંક ધરાવતા પરંતુ ઓછા ટેસ્ટ આપવાના ગુણાંક સાથે, સિસ્ટમ સૂચવે છે, “તમે એવા પ્રશ્નો પર ઘણો સમય પસાર કર્યો છે જ્યાં તમે વિષયના મટીરીયલ વિશે અનિશ્ચિત હતા. તમારા ટેસ્ટ પર એકંદરે વધુ સમય આપવા માટે તે સમયને ઓછો કરો.” વિવિધ પરિસ્થિતિઓ માટે વિવિધ સૂચનો આપવામાં આવે છે.

અંતમાં, ‘Embibe ગુણાંક’, જે વિદ્યાર્થીઓની શૈક્ષણિક, વર્તણૂકીય અને પ્રયત્નોના પરિમાણોમાં ક્ષમતાનું પ્રક્ષેપણ છે, Embibe નું AI એન્જિન વિદ્યાર્થી પર વ્યક્તિગત ધ્યાન આપીને શિક્ષક-વિદ્યાર્થીઓના નીચા ગુણોત્તરને ઘટાડવાની છૂટ આપે છે. વધુમાં, AI એન્જિનના મૂળ પર ‘Embibe ગુણાંક’ સાથે, આપણે સિસ્ટમના માનવીય અર્થઘટનને પણ વધારીએ છીએ, અને તેને સમજાવી શકાય તેવા AI ની નજીક લાવીએ છીએ.

સંદર્ભ:

[1] કેયુર ફાલદુ, અદિતિ અવસ્થી અને અચિંત થોમસ. સ્કોર સુધારણા અને તેના ભાગો માટે અનુકૂલનશીલ લર્નિંગ મશીન, US પેટન્ટ નંબર 10854099 B2.

[2] સી. રુડિન. હાઈ સ્ટેક નિર્ણયો માટે બ્લેક-બોક્સ મશીન લર્નિંગ મોડલ સમજાવવાનું બંધ કરો અને તેના બદલે અર્થઘટન કરી શકાય તેવા મોડલનો ઉપયોગ કરો. arXiv ઇ-પ્રિન્ટ્સ, 11 2018.