प्रत्येक कॉन्सेप्ट पर एक विद्यार्थी की विशेषज्ञता को ट्रैक करने की कठिन समस्या का समाधान

यदि कोई जोड़ नहीं जानता है तो वह गुणा नहीं कर सकता है। गणित और विज्ञान के कॉन्सेप्ट आपस में एक दूसरे से जुड़े हुए हैं। जो लर्नर एक कॉन्सेप्ट को समझता है, वह एक परिणामी कॉन्सेप्ट को आसानी से और तेजी से समझेगा। Embibe का प्राथमिक लक्ष्य छात्र के ज्ञान की स्थिति को अपनाकर पर्सनलाइज़्ड लर्निंग प्रदान करना है। कॉन्सेप्ट स्तर पर प्लेटफॉर्म पर छात्रों की गतिविधियों की निगरानी करके ज्ञान की स्थिति ज्ञात की जाती है। इन गतिविधियों में वीडियो देखने, प्रश्नों की प्रैक्टिस करने, टेस्ट देने और यहाँ तक कि टेस्ट फ़ीडबैक देखने को शामिल किया जाता है। ‘कॉन्सेप्ट विशेषज्ञता’ इन गतिविधियों को मॉडलिंग करने की प्रक्रिया है ताकि यह ज्ञात किया जा सके कि किसी छात्र ने किसी कॉन्सेप्ट में विशेषज्ञता हासिल की है या नहीं।

‘कॉन्सेप्ट विशेषज्ञता’ की मॉडलिंग स्वाभाविक रूप से जटिल है क्योंकि इसके लिए मानवीय समझ और मानव कैसे ज्ञान प्राप्त करता है की मॉडलिंग की आवश्यकता होती है। एक व्यक्ति को ज्ञान कैसे प्राप्त होता है, यह आमतौर पर उसकी गतिविधियों के माध्यम से दर्ज किया जाता है। साथ ही, विभिन्न कॉन्सेप्ट पर छात्रों की गतिविधियों का इतिहास पर्याप्त नहीं है। इस अपर्याप्तता से छात्र के सामर्थ्य और कमजोरियों की गलत पहचान होती है। इसके अलावा, यदि केवल 1 सेकंड और 0 सेकंड यह निर्धारित करने के लिए पर्याप्त थे कि कोई व्यक्ति कितना सफल होगा, तो कोई भी सफल व्यक्ति स्कूल में फेल नहीं होता। इस प्रकार, सिस्टम को कई आयामों में ज्ञान का विश्लेषण करने की आवश्यकता होती है।

लर्न: किसी भी कॉन्सेप्ट में विशेषज्ञता हासिल करने की दिशा में पहला स्टेप उसे समझना है। दिए गए विचारों की मानसिक छवियाँ बनाने में विज़ुअल लर्निंग से बढ़कर कुछ नहीं है। Embibe के ‘लर्न’ में विश्व का सर्वश्रेष्ठ 3D इमर्सिव कंटेंट शामिल है, जो जटिल कॉन्सेप्ट को विज़ुअलाइज़िंग के द्वारा लर्निंग को आसान बनाता है। लर्निंग अनुभव को इंडस्ट्री के 74,000 से अधिक कॉन्सेप्ट और 2,03,000 से अधिक दक्षताओं के सबसे व्यापक नॉलेज ग्राफ की ठोस नींव पर निर्मित किया गया है। Embibe ने अपने सभी लर्निंग कंटेंट को 74,000 से अधिक कॉन्सेप्ट के नॉलेज ग्राफ के अपने शिक्षाशास्त्र के साथ एकीकृत किया है। यह ग्रेड, परीक्षा और लक्ष्यों में गहन पर्सनलाइज़ेशन सुनिश्चित करता है।

प्रैक्टिस: किसी भी चीज में विशेषज्ञता हासिल करने के लिए प्रैक्टिस की जरूरत होती है। ‘कॉन्सेप्ट विशेषज्ञता’ के लिए भी समान सिद्धांत लागू होता है। Embibe के ‘प्रैक्टिस’ फीचर में 10 लाख से अधिक इंटरैक्टिव क्वेश्चन यूनिट शामिल हैं, जिन्हें अध्यायों और शीर्ष रैंक वाली 1400 से अधिक पुस्तकों के विषयों के पैक शामिल हैं। एक अडैप्टिव प्रैक्टिस फ्रेमवर्क, डीप नॉलेज ट्रेसिंग एल्गोरिदम के माध्यम से प्रत्येक छात्र के लिए प्रैक्टिस पथ को पर्सनलाइज़्ड करके ‘प्रैक्टिस’ को और मजबूत करता है। सॉल्वर और टेम्प्लेट का उपयोग करते हुए, यह गतिशील रूप से रन-टाइम पर पर्सनलाइज़्ड क्वेश्चन जेनरेट करता है। लर्निंग इंटरवेंशन के लिए एक सुझाव इंजन वीडियो और हिंट के माध्यम से स्वचालित सहायता प्रदान करता है जब कोई छात्र किसी प्रश्न में किसी कॉन्सेप्ट या दक्षता को समझने में असमर्थ होता है। प्रत्येक प्रश्न के बाद प्रयास की गुणवत्ता के स्थायी फ़ीडबैक को ‘बहुत कम समय में सही उत्तर’, ‘सटीक प्रयास’, ‘अधिक समय में सही उत्तर’, ‘व्यर्थ प्रयास’, ‘गलत प्रयास’ और ‘अधिक समय में सही गलत प्रयास’ में वर्गीकृत किया गया है जो कि लर्नर को सूचित और जागरूक रखता है।

टेस्ट: Embibe पर ऐसे टेस्ट उपलब्ध हैं जो छात्र की तैयारी के जीवन चक्र के हर स्टेप की आवश्यकता को पूरा करते हैं। इसके अलावा, छात्रों को विस्तृत टेस्ट फ़ीडबैक भी मिलता है जिससे उनके शैक्षणिक और व्यवहारिक अंतराल की पहचान होती है। उदाहरण के लिए, Embibe का AI टेस्ट में शामिल टॉपिक को ‘आपके द्वारा सही किये गए अध्याय’, ‘आपके द्वारा गलत किये गए अध्याय’ और ‘आपके द्वारा प्रयास नहीं किये गए अध्याय’ में वर्गीकृत करता है। छात्र अपने गंभीरता स्कोर की जाँच भी कर सकते हैं और उन कॉन्सेप्चुअल, व्यवहारिक और समय प्रबंधन मुद्दों को समझ सकते हैं जिन पर उन्हें सुधार करने के लिए कार्य करने की आवश्यकता है।

Embibe में, ‘कॉन्सेप्ट विशेषज्ञता’ लर्निंग आउटकम इंजन का केंद्र है। सिस्टम एक छात्र की ‘कॉन्सेप्ट विशेषज्ञता’ को निर्धारित करने के लिए 74000 से अधिक संबंधित कॉन्सेप्ट के साथ Embibe के नॉलेज ग्राफ का उपयोग करता है। नॉलेज ग्राफ सिस्टम को उन मूल कॉन्सेप्ट की पहचान कराता है जहां छात्र अपने लक्ष्य के लिए अपनी वर्तमान ‘कॉन्सेप्ट विशेषज्ञता’ में सुधार नहीं कर पाता है। इसके अतिरिक्त, ब्लूम टैक्सोनॉमी का उपयोग नॉलेज को समझ और अनुप्रयोग में अलग करने के लिए लर्निंग के लिए एक और आयाम जोड़ने के लिए किया जाता है। इसके अलावा, छात्रों के ज्ञान के स्तर के अनुकूल होने के लिए प्रश्नों को कठिनाई-स्तर के साथ टैग किया जाता है। इस प्रकार, हम पिछले आठ वर्षों में एकत्र किए गए अरबों इंटरैक्शन के आयामों के रूप में नॉलेज ग्राफ, ब्लूम टैक्सोनॉमी, कठिनाई स्तर और लेटेंट वैरिएबल का उपयोग करके ‘कॉन्सेप्ट विशेषज्ञता’ की मॉडलिंग की समस्या को हल करते हैं।