ज्ञान के स्तर और व्यवहार पैटर्न को ट्रैक करके किसी छात्र के स्कोर करने की क्षमता को मापना

“प्रत्येक छात्र प्रतिभाशाली होता है। लेकिन यदि आप एक मछली को एक पेड़ पर चढ़ने की क्षमता से आंकते हैं, तो वह अपना पूरा जीवन यह मानकर गुजारेगी कि वह मूर्ख है” — आइंस्टाइन

यह उद्धरण दुनिया भर के छात्रों के संकट को बताता है। शैक्षिक प्रणाली और भर्तीकर्ता केवल परीक्षाओं को ही उत्कृष्टता का प्रमाण मानते हैं। साल भर सबसे अच्छा या बुरा कक्षा में प्रदर्शन करने के बावजूद, एक छात्र जब परीक्षा में बैठता है तो केवल कुछ प्रश्नों के आधार पर उसका मूल्यांकन करना, मूल्यांकन- पद्धति की खामियों को उजागर करता है। अन्य मुसीबतों के साथ, गुणवत्ता वाले शिक्षकों की मांग और आपूर्ति में भारी अंतर के कारण छात्र-शिक्षक का अनुपात बहुत खराब हो गया है। शिक्षक प्रभावी रूप से प्रत्येक छात्र पर स्वयं, व्यक्तिगत ध्यान नहीं दे सकते। इन सभी समस्याओं को दूर करने के लिए, हमें छात्रों को इस काबिल बनाना है और सुनिश्चित करना है कि उन्हें उनकी गति के अनुसार, उनकी आवश्यकता के आधार पर क्या और कब चाहिए।

इसे प्राप्त करने के लिए, Embibe वैज्ञानिक मानकों का उपयोग करके परीक्षा में प्रदर्शन करने के लिए छात्रों की वर्तमान क्षमता को मापता है जिसे ‘Embibe स्कोर अनुपात’ के रूप में जाना जाता है। Embibe, समग्र रूप से, यह मानता है कि एक छात्र की स्कोर करने की क्षमता, अकादमिक दक्षता और कई बारीक अव्यक्त विशेषताओं के व्यवहार पर निर्भर करती है। यह हमें निम्न टेस्ट स्कोर के लिए जिम्मेदार सटीक तत्वों की कमी को पहचानने में मदद करता है।

‘Embibe स्कोर अनुपात’ के मुख्य घटक जो हमारे सिस्टम को विशेष सुझाव प्रदान करने की अनुमति देते हैं:

1. अकादमिक अनुपात:यह छात्रों की शैक्षणिक क्षमता को दर्शाता है। Embibe में, एक छात्र की शैक्षणिक क्षमता की गणना ‘कॉन्सेप्ट विशेषज्ञता’ की मदद से की जाती है। ‘कॉन्सेप्ट विशेषज्ञता’ छात्र द्वारा की गई विभिन्न गतिविधियों, जैसे वीडियो देखना, प्रश्नों की प्रैक्टिस करना, टेस्ट देना और टेस्ट फीडबैक की समीक्षा पर आधारित कॉन्सेप्ट की छात्र-क्षमता को मापता है।
2. व्यवहार अनुपात:यह टेस्ट देने के संबंध में एक छात्र के व्यवहार संबंधी लक्षणों को दर्शाता है। इसमें उप-श्रेणियां शामिल हैं, अर्थात् उद्देश्य अनुपात और टेस्ट देने के कौशल का अनुपात।
3. उद्देश्य अनुपात किसी छात्र के विद्याभिमानी व्यवहार या उद्देश्य को दर्शाता है, चाहे उसका ज्ञान कुछ भी हो। इस श्रेणी में मानी जाने वाली कुछ गैर-विस्तृत फीचर हैं व्यर्थ प्रयासों की संख्या, विषय की अदला-बदली, बिताया गया समय पर किसी प्रश्न पर नहीं किया गया प्रयास, और अन्य समान फीचर।
4. टेस्ट देने के कौशल का अनुपात  किसी छात्र की टेस्ट देने की क्षमता को दर्शाता है। एक बेहतर विचार देने के लिए, इस श्रेणी में जिन फीचर पर विचार किया गया है, उनमें अन्य समान विशेषताओं के साथ-साथ देखे गए प्रश्नों की संख्या और समीक्षा के लिए चिह्नित प्रश्नों की संख्या शामिल है।
5. प्रयास अनुपात: यह एक छात्र द्वारा सीखने के दौरान किए गए प्रयास के माप को दर्शाता है। प्रयास अनुपात हमें परीक्षा में स्कोर करने के लिए छात्र की क्षमता को समझने की अनुमति देता है। इस श्रेणी के अंतर्गत कुछ प्रत्यक्ष परस्पर संवाद योग्य फीचर प्रैक्टिस सत्रों की संख्या, प्रैक्टिस में व्यतीत कुल समय और अन्य समान गतिविधियाँ शामिल हैं।

विशेष सुझाव के लिए मशीन लर्निंग मॉडल

मशीन लर्निंग मॉडल वास्तविकता का एक अनुमान है। एक परस्पर संवाद योग्य फीचर उस वास्तविकता को या तो मात्रात्मक या प्राकृतिक भाषा में मुखर करने का माध्यम माना जा सकता है। जहाँ संभव हो वहाँ परस्पर संवादात्मक मॉडल का उपयोग करने का आग्रह किया जाता है। यहाँ तक ​​कि प्रतीत होता है कि अपारदर्शी गहन शिक्षण मॉडल की व्याख्या प्रदान करने में वृद्धि हुई है। संवादात्मकता को ध्यान में रखते हुए, समृद्ध और अत्यधिक व्याख्यात्मक फीचर के साथ निर्मित, ‘Embibe स्कोर अनुपात’, छात्रों को विशेष सुझाव प्रदान करता है जिसका उद्देश्य छात्रों के कमजोर कॉन्सेप्ट को सुधारना और सबसे बारीक और क्रिया-उन्मुख तरीके से व्यवहारिक फीडबैक प्रदान करना है।

उदाहरण के लिए, एक उच्च अकादमिक अनुपात, उच्च उद्देश्य अनुपात लेकिन निम्न टेस्ट अनुपात, वाले छात्रों के लिए, सिस्टम सुझाव देगा, “आप उन प्रश्नों पर बहुत अधिक समय व्यतीत करते हैं “जहाँ आप विषय सामग्री के बारे में निश्चित नही हैं। उस समय को कम करें ताकि आप अपने टेस्ट पर अधिक समय दे सकें।”  विभिन्न परिदृश्यों के लिए अलग-अलग सुझाव दिए गए हैं।

अंत में, ‘Embibe स्कोर अनुपात’, जो अकादमिक, व्यवहार और प्रयास किए गए आयामों में छात्रों की क्षमता का चित्रण है, Embibe का AI इंजन छात्र को पर्सनलाइज्ड तौर पर, व्यक्तिगत रूप से ध्यान प्रदान करके शिक्षक-छात्र अनुपात के अंतराल को कम करता है। इसके अलावा, AI इंजन के मूल में ‘Embibe स्कोर अनुपात’ के साथ, हम सिस्टम की मानवीय व्याख्या को भी सुधारते हैं, इसे व्याख्या योग्य AI से परिचय कराते हैं एआई।

संदर्भ:

[1] Keyur Faldu, Aditi Avasthi, and Achint Thomas. Adaptive learning machine for score improvement and parts thereof, US Patent No. 10854099 B2.

[2] C. Rudin. Stop Explaining Black-Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead. arXiv e-prints, 11 2018.