ವೈಯಕ್ತೀಕರಿಸಿದ ಸಾಧನೆಯ ಪ್ರಯಾಣ

ವೈಯಕ್ತೀಕರಿಸಿದ ಸಾಧನೆಯ ಪಯಣ

ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಸದ್ಯದ ದಿನಗಳಲ್ಲಿ ಅವರ ಜ್ಞಾನದ ಮಟ್ಟವನ್ನು ಒರೆಹಚ್ಚುವ ಕಾರ್ಯದಲ್ಲಿ ತೊಡಗುವಂತೆ ಅನುಕೂಲವಾಗುವಂತೆ ಕಲಿಕೆಯ ಸೌಲಭ್ಯ ಒದಗಿಸಬೇಕು. ಅದಕ್ಕಾಗಿ ಒಂದು ಪೂರ್ವನಿರ್ಧಾರಿತ ಕಾಲಾವಧಿ, ಒಂದು ಪೂರ್ವನಿರ್ಧಾರಿತ ಪಠ್ಯಕ್ರಮ, ಒಬ್ಬ ವಿದ್ಯಾರ್ಥಿಯ ಉದ್ದೇಶಿತ ಪರೀಕ್ಷೆಗೆ ಪರಿಕಲ್ಪನೆಗಳ ಪ್ರಾಮುಖ್ಯತೆ ಮತ್ತು ಪ್ರತಿಯೊಂದು ಕ್ಷೇತ್ರದ ಪರಿಕಲ್ಪನೆಯಲ್ಲೂ ಪರಿಣತಿಯನ್ನು ಸಾಧಿಸಲು ಬೇಕಾದ ಅತ್ಯುತ್ತಮ ಕಲಿಕೆಯ ಮಾರ್ಗವನ್ನು ಒದಗಿಸುವ ಗುರಿಯನ್ನು ಮುಟ್ಟಬೇಕೆಂಬುದೇ ವೈಯಕ್ತೀಕರಿಸಿದ ಸಾಧನೆಯ ಪಯಣದ(PAJ) ಧ್ಯೇಯವಾಗಿದೆ. ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ತಲುಪಿಸಲು AI ವೇದಿಕೆಯಾದ Embibeಗೆ PAJಯು ಅತ್ಯುನ್ನತ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಹೊಂದಿದೆ. Embibeನಲ್ಲಿ, ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ಸಾಧಿಸಲು ಸಂಬಂಧಿಸಿದ ಸಾಂದರ್ಭಿಕ ನಾಲೆಡ್ಜ್ ಗ್ರಾಫ್ ಮತ್ತು ನಡವಳಿಕೆಯ ಪ್ರೊಫೈಲ್‌ನ ಮೇಲೆ ನಾವು ವಿದ್ಯಾರ್ಥಿಗಳ ಪರಿಕಲ್ಪನೆಯ ಪಾಂಡಿತ್ಯವನ್ನು ಮಾಪನ ಮಾಡುತ್ತೇವೆ. ಅಧಿಕವಾಗಿ ವೈಯಕ್ತೀಕರಿಸಿದ ರೀತಿಯಲ್ಲಿ ಕಲಿಕೆ, ಅಭ್ಯಾಸ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ಪ್ಯಾಕ್‌ಗಳನ್ನು ಸೂಚಿಸುವ ಮೂಲಕ ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯನ್ನು ತ್ವರಿತಗೊಳಿಸಲು PAJ ಒಂದು ಅವಕಾಶವಾಗಿದೆ. 

ಗರಿಷ್ಠ ಮಟ್ಟದ ಕಲಿಕೆಯ ಮಾರ್ಗವನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವಲ್ಲಿ ಎದುರಾಗುವ ಸಮಸ್ಯೆಯನ್ನು ಎರಡು ಉಪಸಮಸ್ಯೆಗಳನ್ನಾಗಿ ವಿಂಗಡಿಸಬಹುದು – ಪರಿಕಲ್ಪನೆಗಳ ಆಯ್ಕೆ ಮತ್ತು ಕಲಿಕೆಯ ವಸ್ತುಗಳನ್ನು ಅನುಕ್ರಮಗೊಳಿಸುವುದು, ವಿವರಣಾತ್ಮಕವಾಗಿರುವ ಪರಿಕಲ್ಪನೆಯ ವಿಡಿಯೋಗಳು ಮತ್ತು ಅಭ್ಯಾಸ ಪ್ರಶ್ನೆಗಳು. ನಾವು ಒಂದು ಕ್ರಿಯಾತ್ಮಕ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಸಮಸ್ಯೆಯನ್ನಾಗಿ ಒಂದು ಮಾದರಿಯನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ್ದೇವೆ. ಇದು ವೈಯಕ್ತೀಕರಿಸಿದ ಸಾಧನೆಯ ಪಯಣವನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಉಳಿದಿರುವ ಸಮಯದ ಆಧಾರದ ಮೇಲೆ ಪ್ರಮುಖ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ.

ಪ್ರತಿಯೊಂದು ಪರಿಕಲ್ಪನೆಯ ಮುಕ್ತಾಯದ ನಂತರ ಉಳಿದ ಕಲಿಕೆಯ ವಸ್ತುಗಳ ಆಯ್ಕೆಯ ಮೌಲ್ಯ ಮತ್ತು ವೆಚ್ಚದ ಅಂಶಗಳನ್ನು ನಾವು ಗಣನೆಗೆ ತೆಗೆದುಕೊಂಡು ಅವಲೋಕಿಸಬೇಕು. ಆಯ್ಕೆಯ ಜೊತೆಜೊತೆಯಲ್ಲೇ ಮತ್ತೊಂದು ಪರಿಗಣನೆಯು ಪೂರ್ವಾಪೇಕ್ಷಿತ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಹೊರತುಪಡಿಸುವ ಮೂಲಕ ಹೊರಗಿಡಲಾಗುತ್ತದೆ. ಈ ಕಾರಣಕ್ಕಾಗಿ, ವೈಯಕ್ತೀಕರಿಸಿದ ಪರಿಕಲ್ಪನೆಗಳ ಬದಲಾಗಿ ಮೌಲ್ಯ ಮತ್ತು ವೆಚ್ಚದ ವಹಿವಾಟನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ನಾವು ನಮ್ಮ ಪರಿಕಲ್ಪನೆ ಜ್ಞಾನ ನಕ್ಷೆಯಿಂದ ಉಪವಿಭಾಗಗಳನ್ನು ಬಳಸುತ್ತೇವೆ.

ಆನಂತರದಲ್ಲಿ ಅದು ಮೌಲ್ಯ/ವೆಚ್ಚ ಅನುಪಾತವನ್ನು ಆಧರಿಸಿದ ಉಪಗುಂಪಿನ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ, ಅಲ್ಲಿ ಉಪಗುಂಪಿನ ಮೌಲ್ಯವು ಅಂತಿಮ ಪರೀಕ್ಷೆಯಲ್ಲಿ ಮೂಲಭೂತತೆ ಮತ್ತು ಪ್ರಸ್ತುತತೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಆದರೆ ವೆಚ್ಚವು ವಿದ್ಯಾರ್ಥಿಯೊಬ್ಬನ-ನಿರ್ದಿಷ್ಟ ನಡವಳಿಕೆಯ ಗುಣಲಕ್ಷಣಗಳ ಆಧಾರದ ಮೇಲೆ ಆ ಉಪಗುಂಪನ್ನು ಕರಗತ ಮಾಡಿಕೊಳ್ಳಲು ಎಷ್ಟು ಸಮಯ ಬೇಕಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ. ಪ್ರತಿಯೊಂದು ಪರಿಕಲ್ಪನೆಯ ಮೇಲೆ ಪಾಂಡಿತ್ಯ ಸಾಧಿಸುವುದು ಅಂದರೆ ವಿದ್ಯಾರ್ಥಿಗಳು ತಮ್ಮ ಗರಿಷ್ಠ ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆಯಬಹುದು. 

ವಿದ್ಯಾರ್ಥಿಗೆ ಅಲ್ಗಾರಿದಮ್ ಸಹ ಕಲಿಕೆಯ ಒಂದು ವಿಷಯವು ಅಗತ್ಯವಿದೆಯೇ ಅಥವಾ ಇಲ್ಲವೇ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ. ಬಳಕೆದಾರರು ಹೊಂದಾಣಿಕೆಯ ಅಭ್ಯಾಸದ ಅಲ್ಗಾರಿದಮ್ ಆಧಾರದ ಮೇಲೆ ನೀಡಿರುವ ಪರಿಕಲ್ಪನೆಯ ಉಪಗುಂಪಿನ ಅಡಿಯಲ್ಲಿ ಎಲ್ಲಾ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಒಳಗೊಳ್ಳುವವರೆಗೂ ಇದು ಅಭ್ಯಾಸದ ಪ್ರಶ್ನೆಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.

ಮೇಲೆ ತಿಳಿಸಿದ ಎರಡೂ ಷರತ್ತುಗಳೂ ಮಾರ್ಕೋವ್ ಚೈನ್ ಮೇಲೆ ಆಧಾರಿತವಾಗಿವೆ. ಇದು ಪರಿಕಲ್ಪನೆಯ ಪಾಂಡಿತ್ಯದ ಹಾಗೇ ಅದರ ಇತ್ತೀಚಿನ ಸ್ಥಿತಿಯನ್ನು ಹೊಂದಿದೆ, ಇದನ್ನು ಬಯೇಸಿಯನ್ ನಾಲೆಡ್ಜ್ ಟ್ರೇಸಿಂಗ್ ಎಂದೂ ಸಹ ಕರೆಯಲಾಗುವ ಒಂದು ಬಯೇಸಿಯನ್ ಸಂಭವನೀಯತೆಯನ್ನು ಬಳಸಿಕೊಂಡು ನವೀಕರಿಸಲಾಗುತ್ತದೆ. ಇದಲ್ಲದೆ, ಪ್ರತಿಯೊಂದು ಹಂತದಲ್ಲೂ, ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಗರಿಷ್ಠ ಸಮಯದ ಹಂಚಿಕೆಯನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲೆಂದು ಮರುಹೊಂದಿಸಿಕೊಳ್ಳುವಂತೆ ಮಾಡಲಾಗುತ್ತದೆ.    

ಮೂಲಭೂತ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಆಳವಾಗಿ ಅಧ್ಯಯನ ಮಾಡುವಂತೆ ಹಿಂದಿನ ತರಗತಿಯಿಂದ ಕನಿಷ್ಠ ಕಲಿಕೆಯ ವಿಷಯವನ್ನು ಆಯ್ಕೆ ಮಾಡಿಕೊಳ್ಳುತ್ತದೆ. ಇದು ಪ್ರಸ್ತುತ ದರ್ಜೆಯಲ್ಲಿ ಮುನ್ನಡೆಯುವ ಮೊದಲು ವಿದ್ಯಾರ್ಥಿಗಳು ತಮ್ಮ ಮೂಲಭೂತ ಅಂಶಗಳನ್ನು ಸರಿಪಡಿಸಲು ನೆರವಾಗುತ್ತದೆ. ವೈಯಕ್ತಿಕರೀಸಿದ ಸಾಧನೆಯ ಪಯಣದ ಅಲ್ಗಾರಿದಮ್ ಕೂಡ, ಉದ್ದೇಶಿತ ಪರೀಕ್ಷೆಗೆ ಅತೀಮುಖ್ಯವಾದ ಹಿಂದಿನ ಶ್ರೇಣಿಗಳಿಂದ ಪೂರ್ವಾಪೇಕ್ಷಿತ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಪರಿಗಣಿಸುತ್ತದೆ. ಒಂದು ವೇಳೆ, ಒಂದು ನಿರ್ದಿಷ್ಟ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ಕಳಪೆಮಟ್ಟದ ಮೂಲಭೂತ ಅಂಶಗಳಿರುತ್ತವೆ.

ಉಲ್ಲೇಖಗಳು:

[1] “#RAISE2020 – Embibe – ವೈಯಕ್ತಿಕಗೊಳಿಸಿದ ಶಿಕ್ಷಣಕ್ಕಾಗಿ AI-ಚಾಲಿತ ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳ ವೇದಿಕೆ”, MyGov India, ಅಕ್ಟೋಬರ್ 2020, https://www.youtube.com/watch?v=kuwFtHgN3qU

[2] ಫಾಲ್ಡು, ಕೆಯೂರ್, ಅದಿತಿ ಅವಸ್ತಿ ಮತ್ತು ಅಚಿಂತ್ ಥಾಮಸ್. “ಅಡಾಪ್ಟಿವ್ ಲರ್ನಿಂಗ್ ಮಷೀನ್ ಫಾರ್ ಸ್ಕೋರ್ ಇಂಪ್ರೂವ್ಮೆಂಟ್ ಅಂಡ್ ಪಾರ್ಟ್ಸ್ ದೇರ್‌ಆಫ್‌.” U.S. ಪೇಟೆಂಟ್ 10,854,099, ಡಿಸೆಂಬರ್ 1, 2020 ರಂದು ನೀಡಲಾಗಿದೆ.”

[3] ಥಾಮಸ್, ಅಚಿಂತ್, ಕೆಯೂರ್ ಫಾಲ್ಡು ಮತ್ತು ಅದಿತಿ ಅವಸ್ತಿ. “ಸಿಸ್ಟಮ್ ಅಂಡ್ ಮೆಥಡ್ ಫಾರ್ ಪರ್ಸನಲೈಜ್ಡ್ ರಿಟ್ರೀವಲ್ ಆಫ್‌ ಅಕಾಡೆಮಿಕ್ ಕಂಟೆಂಟ್ ಇನ್ ಎ ಹಿರಾರ್ಚಿಕಲ್‌ ಮ್ಯಾನರ್‌.” U.S. ಪೇಟೆಂಟ್ ಅರ್ಜಿ 16/740,223, ಅಕ್ಟೋಬರ್ 1, 2020 ರಂದು ಸಲ್ಲಿಸಲಾಗಿದೆ.

[4] ಫಾಲ್ಡು, ಕೆಯೂರ್, ಅಚಿಂತ್ ಥಾಮಸ್ ಮತ್ತು ಅದಿತಿ ಅವಸ್ತಿ. “ಸಿಸ್ಟಮ್ ಆಂಡ್ ಮೆಥಡ್ ಫಾರ್ ರೆಕಮಂಡಿಂಗ್ ಪರ್ಸನಲೈಝ್ಡ್ ಕಂಟೆಂಟ್ ಯೂಸಿಂಗ್ ಕಾಂಟೆಕ್ಸ್ಚುವಲೈಝ್ಡ್ ನಾಲೆಡ್ಜ್ ಬೇಸ್.” ಯು.ಎಸ್. ಪೇಟೆಂಟ್ ಅಪ್ಲಿಕೇಶನ್ 16/586,512, ಅಕ್ಟೋಬರ್ 1, 2020 ರಂದು ಸಲ್ಲಿಸಲಾಗಿದೆ.

[5] ಫಾಲ್ಡು, ಕೆಯೂರ್, ಅಚಿಂತ್ ಥಾಮಸ್ ಮತ್ತು ಅದಿತಿ ಅವಸ್ತಿ. “ಸಿಸ್ಟಂ ಆಂಡ್ ಮೆಥಡ್ ಫಾರ್ ಬಿಹೇವಿಯರಲ್ ಅನಾಲಿಸಿಸ್ ಆಂಡ್ ರೆಕಮಂಡೇಶನ್ಸ್.” ಯು.ಎಸ್. ಪೇಟೆಂಟ್ ಅಪ್ಲಿಕೇಶನ್ 16/586,525, ಅಕ್ಟೋಬರ್ 1, 2020 ರಂದು ಸಲ್ಲಿಸಲಾಗಿದೆ.

[6] ದೇಸಾಯಿ, ನಿಶಿತ್, ಕೆಯೂರ್ ಫಲ್ಡು, ಅಚಿಂತ್ ಥಾಮಸ್ ಮತ್ತು ಅದಿತಿ ಅವಸ್ತಿ. “ಎ ಸಿಸ್ಟಮ್‌ ಅಂಡ್‌ ಮೆಥಡ್‌ ಫಾರ್‌ ಪ್ರೊಡ್ಯೂಸಿಂಗ್‌ ಆನ್‌ ಎವಾಲ್ಯುಯೇಷನ್‌ ಅಂಡ್‌ ಮೆಷರಿಂಗ್ ಇಟ್ಸ್‌ ಕ್ವಾಲಿಟಿ.” ಯು.ಎಸ್. ಪೇಟೆಂಟ್ ಅಪ್ಲಿಕೇಶನ್ 16/684,434, ಅಕ್ಟೋಬರ್ 1, 2020 ರಂದು ಸಲ್ಲಿಸಲಾಗಿದೆ.

[7] ಧವಲಾ, ಸೋಮಾ, ಚಿರಾಗ್ ಭಾಟಿಯಾ, ಜಾಯ್ ಬೋಸ್, ಕೆಯೂರ್ ಫಾಲ್ಡು, ಮತ್ತು ಅದಿತಿ ಅವಸ್ತಿ. “ಆಟೋ ಜನರೇಶನ್ ಆಫ್‌ ಡೈಯಾಗ್ನೋಸ್ಟಿಕ್ ಅಸೆಸ್‌ಮೆಂಟ್‌ ಅಂಡ್ ಧೇರ್ ಕ್ವಾಲಿಟಿ ಎವಲ್ಯೂಯೇಷನ್.” ಇಂಟರ್ನ್ಯಾಷನಲ್ ಎಜುಕೇಷನಲ್ ಡಾಟಾ ಮೈನಿಂಗ್ ಸೊಸೈಟಿ (2020).

[8] ಲಾಲ್ವಾನಿ, ಅಮರ್ ಮತ್ತು ಸ್ವೀಟಿ ಅಗರವಾಲ್. “ವಾಟ್ ಡಸ್ ಟೈಮ್ ಟೆಲ್? ಟ್ರೇಸಿಯಿಂಗ್ ದಿ ಫೋರ್ಜಟಿಂಗ್ ಕರ್ವ್ ಯೂಸಿಂಗ್ ಡೀಪ್ ನಾಲೆಜ್ ತ್ರಾಸಿಯಿಂಗ್.” ಇನ್ ಇಂಟರ್ನ್ಯಾಷನಲ್ ಕಾನ್ಫರೆನ್ಸ್ ಆನ್ ಆರ್ಟಿಫಿಷಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ಇನ್ ಎಜುಕೇಶನ್, pp. 158-162. ಸ್ಪ್ರಿಂಗರ್, ಚಾಮ್, 2019.