स्टूडेंट लर्निंग स्टाइल के विभिन्न मॉडल और उनका उपयोग

लर्निंग स्टाइल किसे कहते हैं?

स्टूडेंट लर्निंग स्टाइल यानी, विद्यार्थी कैसे सीखता है। स्कूल और कॉलेज में प्रशिक्षकों द्वारा विकसित शैक्षणिक विकल्पों के द्वारा यह तय होता है कि किसी विद्यार्थी के सीखने का तरीका क्या है। सीखने के तरीके पर दो प्रसिद्ध ढांचों का महत्वपूर्ण प्रभाव है। ये दोनों ढांचे, Embibe के डिजिटल लर्निंग प्लेटफार्म और शिक्षण का आधार हैं। इनका नाम है – फेल्डर-सिल्वरमैन और कोल्ब लर्निंग स्टाइल।

फेल्डर-सिल्वरमैन द्वारा प्रस्तावित लर्निंग स्टाइल सक्रिय-चिंतनशील, दृश्य या मौखिक, संवेदन या सहज और अनुक्रमिक या वैश्विक, लर्निंग के लिए एक अत्यधिक वैयक्तिक दृष्टिकोण है। अधिक प्रक्रिया-उन्मुख फ़्रेमवर्क के साथ, कोल्ब ने लर्निंग के चरणों को सक्रिय प्रयोग, ठोस अनुभव, चिंतनशील अवलोकन और संक्षेप अवधारणा के रूप में परिभाषित किया। इन दोनों से पहले का वर्गीकरण, व्यक्तित्व के रुझाानों पर आधारित है। आगे चलकर अनुभवजन्य ज्ञान को प्रमुखता दी गई जो सीखने और महारत हासिल करने के विभिन्न चरणों में भिन्न-भिन्न होता है।

Embibe सॉल्विंग क्या है?

Embibe ने इन दोनों विचारों को आधार बनाकर एक नए स्टूडेंट लर्निंग प्लेटफॉर्म का निर्माण किया है जो इन दोनों ही ढांचों को शक्ति देता है: वैयक्तिकरण (फेल्डर-सिल्वरमैन) और लर्निंग आउटकम (कोल्ब) को शक्ति प्रदान करने वाले दो अंतर्निहित विचारों के आसपास स्टूडेंट लर्निंग प्लेटफार्म का निर्माण किया गया है। ऐसा क्यों किया गया: चार से पांच विद्यार्थियोंकी कक्षा को पढ़ाने वाले प्रशिक्षक के लिए, विद्यार्थियों की शारीरिक और भावनात्मक प्रतिक्रियाओं के माध्यम से सहज-ज्ञान और रीयल-टाइम फीडबैक एक प्रभावी लर्निंग स्टाइल हो सकता है। हालांकि, 400 परीक्षाओं और 10 वर्ष से 25 वर्ष के बीच की आयु वाले लाखों विद्यार्थियों के बीच ऐसा करना, Embibe AI के लिए भी एक समस्या है।

500 से अधिक डोमेन विशेषज्ञों के अनुभवों और विभिन्न परीक्षाएं दे रहे 2000 से अधिक विद्यार्थियों के व्यापक यूजर रिसर्च सर्वेक्षणों के आधार पर हमने पाया है कि किसी भी विद्यार्थी के सीखने का तरीका फेलर-सिल्वरमैन के स्टाइल का संयोजन है। हमने पाया है कि विद्यार्थियों की प्रतिभा का पूर्ण इस्तेमाल न होने की दो वजहें होती हैं। या तो उन्हें सीखने का सही तरीका नहीं मिल पाता या वे कोल्ब की महारत हासिल करने वाले किसी चरण को पूरा नहीं कर पाते हैं।

हमने वैयक्तिकरण और लर्निंग आउटकम को बेहतर बनाने में आने वाली इन दोनों समस्याओं को खत्म करने पर ध्यान केंद्रित किया है। साथ ही, सभी लर्निंग स्टाइलों का लाभ उठाने और विद्यार्थियों के प्रयासों और प्रदर्शन पर पैनी नजर रखने के लिए ऐसी सुविधा प्रदान करते हैं ताकि, वह किसी विषय पर महारत हासिल करने से भी एक कदम आगे जा सकें।

कैसे Embibe देता है, सभी लर्निंग स्टाइल का प्रासंगिक अनुभव?

लर्निंग के मुख्य रूप से तीन लूप शामिल हैं, जहां हम इन तरीकों का इस्तेमाल करते हैं। टॉप लूप में लर्न, प्रैक्टिस और टेस्ट मॉड्यूल शामिल हैं। दूसरे लूप में इन मॉड्यूल में दिए गए कॉन्टेंट का क्रम और प्रकार शामिल है:

लर्न लूप में विभिन्न प्रकार के वीडियो होते हैं। इसमें, 3D इंटरैक्टिव कॉन्सेप्ट एक्सप्लेनर से लेकर टॉप प्रशिक्षकों के व्हाइटबोर्ड वीडियो भी शामिल हैं, जिसमें जटिल समस्याओं को चरणबद्ध तरीके से हल करना सिखाया जाता है।
प्रैक्टिस लूप में विभिन्न प्रकार के प्रश्न होते हैं जिन्हें प्रासंगिक वीडियो के माध्यम से संवर्धित किया जाता है ताकि, विद्यार्थी के प्रदर्शन को हर स्तर पर बेहतर किया जा सके।
टेस्ट में परीक्षा के स्तर पर पूर्व-निर्मित टेस्ट शामिल है। जबकि, पाठ्यक्रम और कठिनाई स्तर के सबसेट का चयन करने के विकल्प के साथ कस्टम टेस्ट की सुविधा भी मिलती है। विद्यार्थी के वर्तमान प्रदर्शन और भविष्य की क्षमता के लिए फीडबैक लूप के रूप में टेस्ट मॉड्यूल में विस्तृत फीडबैक भी दिया जाता है। इस फीडबैक में निम्न-क्रम-सोच-कौशल (लो-ऑर्डर-थिंकिंग-स्किल) और उच्च-क्रम-सोच-कौशल (हाई-ऑर्डर-थिंकिंग-स्किल) के बीच विद्यार्थी के कौशल स्तर का पता चलता है। साथ ही, Embibe पर विद्यार्थी के सफ़र के दौरान संभावित स्कोर भी दिया जाता है जिसमें उसके कमजोर और मजबूत टॉपिक का बारीक विवरण शामिल होता है।

अंतरतम और तीसरे लूप में प्रश्न को हल करते समय हिंट दिया जाता है। साथ ही, जटिल समस्या को हल करने के लिए परिभाषित चरण और प्रश्न को हल करने का कोई विशेष तरीका खोजने और लक्ष्य को हासिल करने पर पुरस्कार भी दिया जाता है।

हम इसे वास्तव में निजी अनुभव कैसे बनाते हैं?

कंटेंट बनाते समय और कंटेंट पर विद्यार्थियों की प्रतिक्रिया के दौरान हम जो डेटा इकट्ठा करते हैं, वह Embibe द्वारा पेश वैयक्तिकरण का केंद्र है। यह प्रक्रिया, अनुमान लगाने और अनुकूलक लर्निंग एल्गोरिदम को मजबूती देता है और किसी भी परीक्षा और ज्ञान अर्जित करने के दौरान विद्यार्थियों को बेहतरीन अनुभव प्रदान करता है।

Embibe के कंटेंट प्लेटफॉर्म का सबसे सूक्ष्म स्तर कॉन्सेप्ट हैं। इन कॉन्सेप्ट को नॉलेज ग्राफ के रूप में संग्रहित किया जाता है और हर तरह की परीक्षाओं के साथ इसके संबंधों को स्थापित करता है। उच्च-स्तर पर टॉपिक, कॉन्सेप्ट का संग्रह और अध्याय, टॉपिकों का संग्रह शामिल हैं। कॉन्सेप्ट या कॉन्सेप्ट का समूह, लर्निंग ऑब्जेक्ट जैसे कि वीडियो, प्रश्न और टेस्ट के पहचानकर्ता के तौर पर कार्य करता है।

जैसे ही कोई विद्यार्थी लर्निंग ऑब्जेक्ट के साथ इंटरैक्ट करता है, Embibe का बायेसियन नॉलेज ट्रेसिंग एल्गोरिदम, विद्यार्थी की कॉन्सेप्ट पर महारत के मुताबिक उसे 0 और 1 के बीच अंक देकर उसके ज्ञान का अनुमानित स्तर बताता है। यह बताने के लिए Embibe के नॉलेज ग्राफ में 60,000 से अधिक कॉन्सेप्ट की मदद लेता है।

प्रत्येक लर्निंग ऑब्जेक्ट के साथ यह ‘महारत मान’ स्टोर करता है। इसमें बहुत सारा मेटाडेटा जैसे कि कौशल, ब्लूम और कठिनाई जैसे तत्व शामिल होते हैं। इस मान की मदद से लाइव सत्र के दौरान ड्रॉपऑफ़ की संभावना का अनुमान लगाता है। साथ ही, यह रियल टाइम में नॉलेज ग्राफ को भरने के लिए लर्निंग-टू-रैंक एल्गोरिदम के माध्यम से विद्यार्थी की सीखने की प्रक्रिया में हस्तक्षेप कर उसकी मदद करता है।

विद्यार्थी जैसे-जैसे अन्य लर्निंग ऑब्जेक्ट, खासतौर पर प्रश्नों के साथ इंटरैक्ट करता है, हमारे लिए प्रत्येक विद्यार्थी के स्तर पर उसकी शैक्षणिक लब्धि और व्यवहारिक लब्धि वैक्टर बनाना आसान होता जाता है। हम पिछले वर्ष की शैक्षणिक परीक्षाओं के आधार पर उसी के समान और उच्च-स्तरीय परीक्षा का निर्माण करते हैं। इससे पता चलता है कि किसी परीक्षा के लिए विद्यार्थी की तैयारी का स्तर क्या है। साथ ही, यह जानने में मदद मिलती है कि उसे किस हिस्से में ज्यादा प्रयास करना चाहिए। Embibe के टेस्ट फीडबैक की यह एक महत्वपूर्ण पेशकश है।

Embibe के पर्सनलाइज़्ड एक्सपीरियंस की सबसे बड़ी विशेषता है कि यह प्रैक्टिस करने, वीडियो देखने, टेस्ट सत्र और यूजर सत्र के बारीक विवरणों से प्राप्त विद्यार्थी के व्यावहारिक लक्षणों पर आधारित है और वैश्किक मानकों के स्तर का है। ये विवरण उन विशेषताओं का परिणाम है जिसे प्रत्येक विद्यार्थी के लर्न-ऑब्जेक्ट इंटरेक्शन जैसे कि प्रयास गुणवत्ता, वर्तमान महारत स्तर और कंटेंट मेटाडेटा से हासिल किया जाता है।

संदर्भ:

[1] Sabine Graf, Silvia Rita Viola and Tommaso Leo, Kinshuk. “In-Depth Analysis of the Felder-Silverman Learning Style Dimensions.” Journal of Research on Technology in Education, 2007, 40(1), 79–93

[2] Doreen J. Gooden, Robert C. Preziosi, F. Barry Barnes. “An Examination Of Kolb’s Learning Style Inventory” American Journal of Business Education (AJBE) 2(3) DOI:10.19030/ajbe.v2i3.4049

[3] Cho, et al., “What is Bayesian Knowledge Tracing?”, Proceedings of the Workshop on Visualization for AI explainability (VISxAI), 2018.

[4] Keyur Faldu, Aditi Avasthi, and Achint Thomas. “Adaptive Learning Machine for Score Improvement and Parts Thereof.” US Patent No. 10854099 B2.

[5] Keyur Faldu, Aditi Avasthi, and Achint Thomas.“System and method for behavioral analysis and recommendations.” US20200312178A1.

[6] Keyur Faldu, Aditi Avasthi, and Achint Thomas. “System and method for recommending personalized content using contextualized knowledge base” US20200311152A1

[7] Lalwani, Amar, and Sweety Agrawal. “What Does Time Tell? Tracing the Forgetting Curve Using Deep Knowledge Tracing.” In International Conference on Artificial Intelligence in Education, pp. 158-162. Springer, Cham, 2019.

स्टूडेंट लर्निंग स्टाइल के विभिन्न मॉडल और उनका उपयोग