ಆಪ್ನನ್ನು ಡೌನ್ಲೋಡ್ ಮಾಡಲು ಸ್ಕ್ಯಾನ್ ಮಾಡಿ 
ಜ್ಞಾನ ನಕ್ಷೆಯ ಜಾಲ ಘಟಕಗಳ ನಡುವಿನ ಸಂಬಂಧಗಳ ಸ್ವಯಂ-ವರ್ಗೀಕರಣ
ಪರಿಚಯ:
Embibe ನ ಜ್ಞಾನ ನಕ್ಷೆಯು 75,000+ ಜಾಲ ಘಟಕಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಪಠ್ಯಕ್ರಮವೊಂದರ ವಾಸ್ತವಾಂಶದ 3D ನಕ್ಷೆಯಾಗಿದೆ. ಪ್ರತಿಯೊಂದು ಜಾಲ ಘಟಕಗಳು ಶೈಕ್ಷಣಿಕ ಜ್ಞಾನದ ಪ್ರತ್ಯೇಕ ಘಟಕವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ. ಇದನ್ನು ಪರಿಕಲ್ಪನೆಗಳು ಎಂದೂ ಕರೆಯುತ್ತಾರೆ. ಜ್ಞಾನ ನಕ್ಷೆಯು ನೂರಾರು ಸಾವಿರ ಸಹ ಜಾಲ ಘಟಕಗಳ ನಡುವೆ ಅಂತರ್‌ಸಂಪರ್ಕವನ್ನು ಹೊಂದಿದ್ದು ಪರಿಕಲ್ಪನೆಗಳು ಸ್ವತಂತ್ರವಾಗಿರುವುದಿಲ್ಲ ಆದರೆ ಅದರ ಬದಲಾಗಿ ಹೇಗೆ ಇತರ ಪರಿಕಲ್ಪನೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿವೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ.
ಜಾಲ ಘಟಕಗಳ ನಡುವಿನ ಅಂತರ್‌-ಸಂಪರ್ಕಗಳನ್ನು ಅವುಗಳ ನಡುವೆ ಇರುವ ಸಂಬಂಧದ ವಿಧಕ್ಕೆ ಅನುಗುಣವಾಗಿ ನಿಗದಿಪಡಿಸಲಾಗಿದೆ. ಐತಿಹಾಸಿಕವಾಗಿ, ಈ ಸಂಬಂಧಗಳನ್ನು ತಜ್ಞ ಬೋಧಕರ ದೈಹಿಕ ಶ್ರಮದಿಂದ ನಿಯೋಜಿಸಲಾಗಿದೆ. ಆದಾಗ್ಯೂ, Embibe ತನ್ನ ವಿಷಯವನ್ನು ವಿಸ್ತರಿಸಿದಂತೆ, ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವ ಅವಶ್ಯಕತೆಯೂ ಇದೆ. Embibe ವಿದ್ಯಾರ್ಥಿಗಳಿಂದ ಐತಿಹಾಸಿಕ ನಕ್ಷೆಯ ಬಳಕೆಯ ದತ್ತಾಂಶದ ಲಭ್ಯತೆ ಮತ್ತು ನಕ್ಷೆಯ ಸಿದ್ಧಾಂತದಿಂದ ತಂತ್ರಗಳನ್ನು ಸನ್ನೆ ಕಾರ್ಯದ ಮೂಲಕ ಮತ್ತು ವರ್ಗಗಳಲ್ಲಿ ಒಂದಾದ N ವರ್ಗಗಳಲ್ಲಿನ ಸಂಬಂಧಗಳನ್ನು ಸ್ವಯಂ-ವರ್ಗೀಕರಿಸಲು NLUಗೆ ಸಾಧ್ಯವಿದೆ.
ಸಂಬಂಧಗಳ ವಿಧಗಳು:
Embibe ನ ಕೆಜಿಯಲ್ಲಿ, ನಾವು ಪರಿಕಲ್ಪನೆಗಳ ನಡುವೆ 16 ವಿಭಿನ್ನ ಸಂಬಂಧಗಳನ್ನು ಹೊಂದಿದ್ದೇವೆ. ಪೂರ್ವಾಪೇಕ್ಷಿತ ಸಂಬಂಧವು ಈ ಸಂಬಂಧಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ನಿರ್ದಿಷ್ಟ ಪರಿಕಲ್ಪನೆಯನ್ನು ಕಲಿಯುವ ಮೊದಲು ಕಲಿಯಬೇಕಾದ ಎಲ್ಲಾ ಪೂರ್ವಾಪೇಕ್ಷಿತಗಳನ್ನು ಈ ಸಂಬಂಧದಿಂದ ನಮ್ಮ ಕೆ.ಜಿ. ಸಾಮಾನ್ಯವಾಗಿ, ವಿದ್ಯಾರ್ಥಿಯು ಯಾವುದೇ ಪರಿಕಲ್ಪನೆಯನ್ನು ಕಲಿಯುವ ಮೊದಲು ಪೂರ್ವಾಪೇಕ್ಷಿತಗಳನ್ನು ಕಲಿಯುತ್ತಾನೆ. ಪರಿಕಲ್ಪನೆಯನ್ನು ಚೆನ್ನಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಇದು ಅವರಿಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಪರಿಕಲ್ಪನೆಯ ಪಾಂಡಿತ್ಯ ಮತ್ತು ಕಲಿಕೆಯ ಮಾರ್ಗಗಳ ಮಾದರಿಗಳನ್ನು ಪಡೆಯಲು ನಾವು ಲಕ್ಷಾಂತರ ವಿದ್ಯಾರ್ಥಿಗಳಿಂದ ಶತಕೋಟಿ ಅಭ್ಯಾಸ ಮತ್ತು ಪರೀಕ್ಷಾ ಪ್ರಯತ್ನಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತೇವೆ. ಪರಿಕಲ್ಪನೆಗಳ ನಡುವೆ ಪ್ರಾಯೋಗಿಕ ಕಾರಣಗಳನ್ನು ಸ್ಥಾಪಿಸಲು ಈ ಮಾದರಿಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಡೇಟಾದ ಈ ಗುಪ್ತ ಲಕ್ಷಣವು ವಿದ್ಯಾರ್ಥಿಯು ತಮ್ಮ ಗುರಿಯನ್ನು ಸಾಧಿಸುವಲ್ಲಿ ಅನುಸರಿಸುವ ಸಾಮಾನ್ಯ ಕಲಿಕೆಯ ಮಾರ್ಗವನ್ನು ಕಂಡುಹಿಡಿಯಲು ನಮಗೆ ಸಹಾಯ ಮಾಡಿತು. ಸ್ಕೋರಿಂಗ್ ವಿಧಾನವನ್ನು ಆಧರಿಸಿ ಪೂರ್ವಾಪೇಕ್ಷಿತ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ನಾವು ಈ ಸಾಮಾನ್ಯ ಕಲಿಕೆಯ ಮಾರ್ಗಗಳನ್ನು ಬಳಸಿದ್ದೇವೆ.
ಸಂಶೋಧನಾ ವಿಧಾನಗಳು:
ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಪರಿಕಲ್ಪನೆಯ ಪಾಂಡಿತ್ಯವನ್ನು ಊಹಿಸಲು ಜ್ಞಾನದ ನಕ್ಷೆಗಳಿಂದ ಜ್ಞಾನದ ಒಳಹರಿವಿನೊಂದಿಗೆ ಆಳವಾದ ಜ್ಞಾನವನ್ನು ಪತ್ತೆಹಚ್ಚುವ ಅತ್ಯಾಧುನಿಕ ತಂತ್ರಗಳನ್ನು ನಾವು ವಿಸ್ತರಿಸುತ್ತೇವೆ. ಐತಿಹಾಸಿಕ ಪೂರ್ವಭಾವಿಗಳ ಆಧಾರದ ಮೇಲೆ ಷರತ್ತುಬದ್ಧ ಪರಿಕಲ್ಪನೆಯ ಪಾಂಡಿತ್ಯವನ್ನು ಜನಪ್ರಿಯಗೊಳಿಸುವ ಮೂಲಕ ನಾವು ಶೀತ ಆರಂಭದ ಸಮಸ್ಯೆಯನ್ನು ಸಹ ನಿಭಾಯಿಸುತ್ತೇವೆ. ವಿದ್ಯಾರ್ಥಿಗಳ ವರ್ತನೆಯ ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಮತ್ತು ಜ್ಞಾನದ ನಕ್ಷೆ ಪರಿಕಲ್ಪನೆಗಳ ಮೇಲೆ ಅದರ ಪ್ರತಿಫಲನದಿಂದಾಗಿ Embibe ಅನನ್ಯವಾಗಿ ಸ್ಥಾನ ಪಡೆದಿದೆ. ಪರಿಕಲ್ಪನೆಗಳ ಈ ವರ್ತನೆಯ ಲಕ್ಷಣಗಳು ಪರಿಕಲ್ಪನೆಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ವರ್ಗೀಕರಿಸುವಲ್ಲಿ ಸಹ ಹತೋಟಿಯಲ್ಲಿವೆ.
ಜ್ಞಾನದ ನಕ್ಷೆಗಳನ್ನು ವಿಸ್ತರಿಸುವುದು:
ನಾವು ಈಗಾಗಲೇ ಪರಿಕಲ್ಪನೆಗಳ ನಡುವೆ ಅನೇಕ ಸಂಬಂಧಗಳನ್ನು ಹೊಂದಿದ್ದೇವೆ. ನಕ್ಷೆಯಲ್ಲಿ ಯಾವುದೇ ಹೊಸ ಪರಿಕಲ್ಪನೆಯನ್ನು ಪರಿಚಯಿಸಿದಾಗ, ನಾವು ಇತರ ಪರಿಕಲ್ಪನೆಗಳೊಂದಿಗೆ ಅದರ ಸಂಬಂಧವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಬೇಕಾಗಿದೆ. ಕಾರ್ಯದ ಸಂಕೀರ್ಣತೆಯಿಂದಾಗಿ ಇದು ಬಹಳ ಮುಖ್ಯವಾದ ವ್ಯಾಯಾಮವಾಗುತ್ತದೆ. ಯಾವುದೇ ತಪ್ಪು ಸಂಬಂಧ ಟ್ಯಾಗಿಂಗ್ ಬಳಕೆದಾರರನ್ನು ತಪ್ಪು ದಿಕ್ಕಿಗೆ ಮರುನಿರ್ದೇಶಿಸುತ್ತದೆ.
Embibe ನಲ್ಲಿ, ನಾವು ನಮ್ಮ ಉತ್ಪನ್ನವನ್ನು ವಿವಿಧ ಭಾಷೆಗಳಲ್ಲಿ ಮತ್ತು ವಿಭಿನ್ನ ಪಠ್ಯಕ್ರಮಗಳಿಗೆ ಬಿಡುಗಡೆ ಮಾಡಲು ಬಯಸುತ್ತೇವೆ. ಈ ಹೊಸ ಪರಿಕಲ್ಪನೆಗಳಿಗಾಗಿ ನಾವು ನಮ್ಮ ಕೆಜಿಯನ್ನು ವಿಸ್ತರಿಸಬೇಕಾಗಿದೆ. ಇಲ್ಲಿಯವರೆಗೆ ನಾವು ಹೊಸ ಪರಿಕಲ್ಪನೆಯ ಅನ್ವೇಷಣೆಗಾಗಿ ಮತ್ತು ಇತರ ಪರಿಕಲ್ಪನೆಗಳೊಂದಿಗೆ ಅವರ ಸಂಬಂಧವನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ಮತ್ತು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಸಂಬಂಧವನ್ನು ದೃಢೀಕರಿಸಲು ಅಧ್ಯಾಪಕರ ಮೇಲೆ ಸಂಪೂರ್ಣವಾಗಿ ಅವಲಂಬಿತರಾಗಿದ್ದೇವೆ. ಈ ಕಾರ್ಯಗಳು ತುಂಬಾ ಬೇಸರದ ಜೊತೆಗೆ ನಿಧಾನವಾಗಿರುತ್ತವೆ. ಡೇಟಾದ ಪ್ರಮಾಣವು ಘಾತೀಯವಾಗಿ ಹೆಚ್ಚುತ್ತಿರುವ ಕಾರಣ ಇದು ನಮಗೆ ತುಂಬಾ ಸವಾಲಾಗಿದೆ. ಇಡೀ ಡೇಟಾ ತಯಾರಿ ಪ್ರಕ್ರಿಯೆಗೆ ಮಾನವ ಪಕ್ಷಪಾತವಿದೆ.
ಯಾವುದೇ ಪರಿಕಲ್ಪನೆಯನ್ನು ಕಲಿಯುವ ಮೊದಲು ವಿದ್ಯಾರ್ಥಿಗಳು ಅನುಗುಣವಾದ ಪೂರ್ವಾಪೇಕ್ಷಿತಗಳನ್ನು ಕಲಿಯುವುದನ್ನು ನಾವು ನೋಡಿದ್ದೇವೆ. ಆದ್ದರಿಂದ ವಿದ್ಯಾರ್ಥಿಗಳ ಪ್ರಯತ್ನದ ಅನುಕ್ರಮ (ಪ್ರಯತ್ನದ ಪ್ರಶ್ನೆ ಅನುಕ್ರಮ) ಅವರ ಪೂರ್ವಾಪೇಕ್ಷಿತ ಪರಿಕಲ್ಪನೆಗಳ ನಂತರ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಹೊಂದಿರುತ್ತದೆ. ವಿದ್ಯಾರ್ಥಿಯ ನಿಖರತೆಯ ಸುಧಾರಣೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ವಿದ್ಯಾರ್ಥಿಯ ಸಾಮಾನ್ಯ ಲಕ್ಷಣವನ್ನು ಪಡೆಯಲು ನಾವು ಪ್ರಯತ್ನಿಸಲಾದ ಪ್ರಶ್ನೆ ಅನುಕ್ರಮ ಮಾದರಿಯನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತಿದ್ದೇವೆ. ಇದನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಪರಿಹರಿಸಲು, DKT (ಡೀಪ್ ನಾಲೆಡ್ಜ್ ಟ್ರೇಸಿಂಗ್) (LSTM) ಅನ್ನು ಬಳಕೆದಾರರ ಪ್ರಯತ್ನದ ಡೇಟಾ ಮತ್ತು ನಿಖರತೆಯ ಜೊತೆಗೆ ಅನುಕ್ರಮ ವರ್ಗೀಕರಣದ ಸಮಸ್ಯೆಯಾಗಿ ನಿಖರತೆಯ ಮೇಲೆ ಯಾವ ಪರಿಕಲ್ಪನೆಗಳು/ಪ್ರಯತ್ನ ಮಾದರಿಯು ಹೆಚ್ಚು ಪರಿಣಾಮ ಬೀರುತ್ತದೆ ಎಂಬುದನ್ನು ನೋಡಲು ಬಳಸಲಾಗುತ್ತಿದೆ. ಅಂತಿಮವಾಗಿ ತರಬೇತಿ ಪಡೆದ DKT ಮಾದರಿಯನ್ನು ಹೊಸ ಪರಿಕಲ್ಪನೆಗಳಿಗೆ ಸಂಬಂಧ ಶ್ರೇಯಾಂಕಕ್ಕಾಗಿ ಬಳಸಲಾಗಿದೆ. ನಂತರ ಈ ಶ್ರೇಯಾಂಕವನ್ನು ಜ್ಞಾನ ನಕ್ಷೆ ನೋಡ್‌ಗಳ ನಡುವಿನ ಹೊಸ ಸಂಬಂಧ ಸಲಹೆಗಳಿಗಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ.
ಸಾರಾಂಶ:
Embibeನ ಎಲ್ಲಾ ಉತ್ಪನ್ನಗಳಿಗೆ ಜ್ಞಾನದ ನಕ್ಷೆ ಬೆನ್ನೆಲುಬಾಗಿದೆ. ಆದ್ದರಿಂದ ಜ್ಞಾನದ ನಕ್ಷೆ ಪೂರ್ಣಗೊಳಿಸುವಿಕೆ ನಮ್ಮ ಪ್ರಾಥಮಿಕ ಕಾರ್ಯವಾಗಿದೆ. ಈ ಕೆಲಸವು ಜ್ಞಾನದ ನಕ್ಷೆಯನ್ನು ನಿರ್ವಹಿಸಲು ನಮಗೆ ಸಹಾಯ ಮಾಡಿತು ಮತ್ತು ಅತ್ಯಂತ ಕಡಿಮೆ ಕೈಯಿಂದ ಮಾಡಿದ ಮಧ್ಯಸ್ಥಿಕೆಗಳೊಂದಿಗೆ ಅದನ್ನು ತ್ವರಿತವಾಗಿ ವಿಸ್ತರಿಸಿತು.
ಅಂತಿಮವಾಗಿ, ಪರಿಕಲ್ಪನೆಗಳ ನಡುವೆ ಹೊಸ ಸುಪ್ತ ಸಂಬಂಧಗಳನ್ನು ಅನ್ವೇಷಿಸಲು ಇದು ನಮಗೆ ಮುಕ್ತ ಸಮಸ್ಯೆಯಾಗಿದೆ. ವಿಭಿನ್ನ ಮೂಲಗಳಿಂದ ನೀಡಲಾದ ಪಠ್ಯದ ಡೇಟಾದಿಂದ ಪರಿಕಲ್ಪನೆಯನ್ನು ಕಂಡುಹಿಡಿಯುವ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನಾವು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಿದ್ದೇವೆ. ಈ ತಂತ್ರವನ್ನು ಬಳಸಿಕೊಂಡು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಪರಿಕಲ್ಪನೆಗಳೊಂದಿಗೆ ಈ ಹೊಸದಾಗಿ ಕಂಡುಬರುವ ಪರಿಕಲ್ಪನೆಗಳ ಸಂಬಂಧವನ್ನು ನಾವು ನಂತರ ಕಂಡುಕೊಳ್ಳುತ್ತೇವೆ. ಜ್ಞಾನದ ನಕ್ಷೆ ಮೌಲ್ಯೀಕರಣಕ್ಕಾಗಿ ಈ ವಿಧಾನವನ್ನು ಸಹ ವಿಸ್ತರಿಸಬಹುದು.
ಉಲ್ಲೇಖ:
- Chris Piech, Jonathan Spencer, Jonathan Huang, Surya Ganguli, Mehran Sahami, Leonidas J. Guibas, andJascha Sohl-Dickstein. Deep knowledge tracing.CoRR, abs/1506.05908, 2015. URLhttp://arxiv.org/abs/1506.05908.
- K. Greff, R. K. Srivastava, J. Koutník, B. R. Steunebrink and J. Schmidhuber, “LSTM: A Search Space Odyssey,” in IEEE Transactions on Neural Networks and Learning Systems, vol. 28, no. 10, pp. 2222-2232, Oct. 2017, doi: 10.1109/TNNLS.2016.2582924.
- Faldu, Keyur, Amit Sheth, Prashant Kikani, and Hemang Akabari. “KI-BERT: Infusing Knowledge Context for Better Language and Domain Understanding.” arXiv preprint arXiv:2104.08145 (2021).
- Sheth, Amit, Manas Gaur, Kaushik Roy, and Keyur Faldu. “Knowledge-intensive Language Understanding for Explainable AI.” IEEE Internet Computing 25, no. 5 (2021): 19-24.
