ಆಪ್ನನ್ನು ಡೌನ್ಲೋಡ್ ಮಾಡಲು ಸ್ಕ್ಯಾನ್ ಮಾಡಿ 
ವಿದ್ಯಾರ್ಥಿ ಕಲಿಕಾ ಶೈಲಿಗಳ ಶ್ರೇಣಿಯನ್ನು ಒದಗಿಸುವಿಕೆ
ಅಷ್ಟಕ್ಕೂ ಕಲಿಕಾ ಶೈಲಿಗಳು ಎಂದರೇನು?
ವಿದ್ಯಾರ್ಥಿ ಕಲಿಕಾ ಶೈಲಿಗಳು ಮುಖ್ಯವಾಗಿ ಶಾಲೆಗಳು ಮತ್ತು ಕಾಲೇಜುಗಳಲ್ಲಿ ಬೋಧಕರು ಮಾಡುವ ಶಿಕ್ಷಣಶಾಸ್ತ್ರೀಯ ಆಯ್ಕೆಗಳಿಂದ ರೂಪುಗೊಳ್ಳುತ್ತವೆ. ಎರಡು ಪ್ರಸಿದ್ಧ ಚೌಕಟ್ಟುಗಳಾದ ಫೆಲ್ಡರ್-ಸಿಲ್ವರ್‌ಮ್ಯಾನ್ ಮತ್ತು ಕೋಲ್ಬ್‌ನ ಕಲಿಕಾ ಶೈಲಿಗಳು ಅವರ ಮೇಲೆ ಭಾರೀ ಪ್ರಭಾವ ಬೀರಿವೆ ಮತ್ತು Embibe ನ ಡಿಜಿಟಲ್ ಕಲಿಕಾ ಪ್ಲಾಟ್ಫಾರ್ಮ್ ಮತ್ತು ಶಿಕ್ಷಣಶಾಸ್ತ್ರದ ತಳಹದಿಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿವೆ.
ಫೆಲ್ಡರ್-ಸಿಲ್ವರ್‌ಮ್ಯಾನ್ ಪ್ರಸ್ತಾಪಿಸಿದ ಕಲಿಕಾ ಶೈಲಿಗಳು ಸಕ್ರಿಯ-ಪ್ರತಿಫಲಿತ, ಗೋಚರ ಅಥವಾ ಮೌಖಿಕ, ಸಂವೇದನೆಯ ಅಥವಾ ಅಂತರ್ಬೋಧೆಯ ಮತ್ತು ಅನುಕ್ರಮ ಅಥವಾ ಜಾಗತಿಕವಾಗಿದ್ದು, ಕಲಿಕೆಗೆ ಅತ್ಯಂತ ವೈಯಕ್ತೀಕರಿಸಿದ ವಿಧಾನವಾಗಿದೆ. ಹೆಚ್ಚು ಪ್ರಕ್ರಿಯೆ ಆಧಾರಿತ ಚೌಕಟ್ಟಿನೊಂದಿಗೆ ಕೋಲ್ಬ್ ಅವರು ಸಕ್ರಿಯ ಪ್ರಯೋಗ, ವಾಸ್ತವಿಕ ಅನುಭವ, ಪ್ರತಿಫಲಿತ ಅವಲೋಕನ ಮತ್ತು ಅಮೂರ್ತ ಪರಿಕಲ್ಪನೆಯನ್ನು ಕಲಿಕೆಯ ಹಂತಗಳಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಿದರು. ಫೆಲ್ಡರ್-ಸಿಲ್ವರ್‌ಮ್ಯಾನ್ ಅವರ ವರ್ಗೀಕರಣವು ವ್ಯಕ್ತಿಯ ವ್ಯಕ್ತಿತ್ವದ ಲಕ್ಷಣಗಳ ಆಧಾರಿತವಾಗಿದ್ದರೆ, ಕೋಲ್ಬ್ ಅವರು ಪಾಂಡಿತ್ಯದ ಹಂತಗಳಾದ್ಯಂತ ಅನುಭವ ಆಧಾರಿತ ಜ್ಞಾನ ನಿರ್ಮಾಣದ ವಿಭಜನೆಯ ಚಿಂತನೆಯನ್ನು ಬಿಂಬಿಸಿತು.
Embibe ಪರಿಹರಿಸುವಿಕೆ ಎಂದರೇನು?
ವೈಯಕ್ತೀಕರಣ (ಫೆಲ್ಡರ್-ಸಿಲ್ವರ್‌ಮ್ಯಾನ್) ಮತ್ತು ಕಲಿಕಾ ಫಲಿತಾಂಶಗಳು (ಕೋಲ್ಬ್) ಎಂಬ ಚೌಕಟ್ಟುಗಳನ್ನು ಆಧಾರ ಚಿಂತನೆಗಳ ತಳಹದಿಯಲ್ಲೇ ವಿದ್ಯಾರ್ಥಿ ಕಲಿಕಾ ಪ್ಲಾಟ್ಫಾರ್ಮ್ ಅನ್ನು Embibe ನಿರ್ಮಿಸಿದೆ. ಆದರೆ ಸಮಸ್ಯೆಯೇನೆಂದರೆ: ನಾಲ್ಕರಿಂದ ಐದು ವಿದ್ಯಾರ್ಥಿಗಳಿರುವ ತರಗತಿಗೆ ಪಾಠ ಮಾಡುವ ಬೋಧಕರು, ವಿದ್ಯಾರ್ಥಿಗಳ ದೈಹಿಕ ಮತ್ತು ಭಾವನಾತ್ಮಕ ಪ್ರತಿಕ್ರಿಯೆಗಳ ಮೂಲಕ ಅಂತರ್ಬೋಧೆ ಮತ್ತು ನೈಜ ಸಮಯದ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪಡೆಯುತ್ತಾರೆ, ಇದು ಸಂಬಂಧಿತ ಕಲಿಕಾ ಶೈಲಿಯನ್ನು ಹೊಂದಲು ನೆರವಾಗುತ್ತದೆ; ಆದರೆ, ಇದನ್ನೇ 400 ಪರೀಕ್ಷೆಗಳಾದ್ಯಂತದ 10 ವಯಸ್ಸಿನಿಂದ 25 ವಯಸ್ಸಿನ ನಡುವಿನ ಲಕ್ಷಗಟ್ಟಲೆ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಅನ್ವಯಿಸುವುದು Embibe AI ಮತ್ತು ಇಂಜಿನಿಯರಿಂಗ್ ತಂಡಗಳು ಎದುರಿಸುವ ಸಮಸ್ಯೆ.
500 ಕ್ಕೂ ಹೆಚ್ಚು ಡೊಮೇನ್ ತಜ್ಞರ ಅನುಭವ ಮತ್ತು ಪರೀಕ್ಷೆಗಳಾದ್ಯಂತದ 2000 ಕ್ಕೂ ಹೆಚ್ಚು ವಿದ್ಯಾರ್ಥಿಗಳ ಮೇಲೆ ನಡೆಸಿದ ವ್ಯಾಪಕ ಬಳಕೆದಾರ ಸಂಶೋಧನಾ ಸಮೀಕ್ಷೆಗಳ ಮೂಲಕ, ಯಾವುದೇ ವಿದ್ಯಾರ್ಥಿಯ ಕಲಿಕಾ ವಿಧಾನಶಾಸ್ತ್ರವು ಫೆಲ್ಡರ್-ಸಿಲ್ವರ್‌ಮ್ಯಾನ್‌ನ ಶೈಲಿಗಳ ಸಂಯೋಜನೆಯಾಗಿದೆ. ಅಲ್ಲದೆ, ವಿದ್ಯಾರ್ಥಿಗಳು ಸೂಕ್ತವಾದ ಕಲಿಕಾ ಶೈಲಿ ಪಡೆಯದೆ ಅಥವಾ ಪಾಂಡಿತ್ಯದ ಕೋಲ್ಬ್‌ನ ಹಂತಗಳನ್ನು ತಪ್ಪಿಸಿಕೊಂಡರೆ, ಅವರಿಗೆ ತಮ್ಮ ಸಾಮರ್ಥ್ಯವನ್ನು ಗರಿಷ್ಠಗೊಳಿಸಲು ಸಾಧ್ಯವಾಗುವುದಿಲ್ಲ ಎಂಬುದಾಗಿ ನಾವು ಗುರುತಿಸಿದೆವು.
ಹಾಗಾಗಿ, ಎಲ್ಲಾ ಕಲಿಕಾ ಶೈಲಿಗಳನ್ನು ಈಡೇರಿಸುವ ಹಾಗೂ ಪಾಂಡಿತ್ಯದ ಹಂತವನ್ನು ದಾಟಲು ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಪ್ರೋತ್ಸಾಹಿಸಲು ಪ್ರತಿ ಸೂಕ್ಷ್ಮ ಹಂತದಲ್ಲಿ ಶ್ರಮ ಮತ್ತು ಕಾರ್ಯನಿರ್ವಹಣೆಯ ಮೇಲೆ ಟ್ರ್ಯಾಕ್ ಇಡುವ ಶ್ರೇಣಿಯ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಒದಗಿಸಲು ವೈಯಕ್ತೀಕರಣ ಮತ್ತು ಕಲಿಕಾ ಫಲಿತಾಂಶವನ್ನು ನಮ್ಮ ಉದ್ದೇಶವಾಗಿಟ್ಟುಕೊಳ್ಳುವ ಮೂಲಕ ಈ ಎರಡು ಸಮಸ್ಯೆಗಳನ್ನು ನಾವು ಇಲ್ಲವಾಗಿಸಿದೆವು.
ಎಲ್ಲಾ ಕಲಿಕಾ ಶೈಲಿಗಳಿಗೆ ಪ್ರಸ್ತುತವಾದ ಅನುಭವಗಳನ್ನು Embibe ಹೇಗೆ ಒದಗಿಸುತ್ತದೆ?
ಕಲಿಕೆಯಲ್ಲಿ ಪ್ರಾಥಮಿಕವಾಗಿ ಮೂರು ಕುಣಿಕೆಗಳಿದ್ದು, ಅದರಲ್ಲಿ ಈ ಶೈಲಿಗಳನ್ನು ನಾವು ಒದಗಿಸುತ್ತೇವೆ. ಅಗ್ರ ಕುಣಿಕೆಯು ಲರ್ನ್, ಪ್ರ್ಯಾಕ್ಟೀಸ್ ಮತ್ತು ಟೆಸ್ಟ್ ಮಾಡ್ಯೂಲ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಎರಡನೇ ಕುಣಿಕೆಯು ಈ ಮಾಡ್ಯೂಲ್‌ಗಳಲ್ಲಿ ಒದಗಿಸಲಾಗುವ ಕಂಟೆಂಟ್‌ನ ಅನುಕ್ರಮ ಮತ್ತು ವಿಧವನ್ನು ಒಳಗೊಂಡಿದೆ:
- ಲರ್ನ್ ಒದಗಿಸುತ್ತದೆ, 3D ಸಂವಾದಿ ಪರಿಕಲ್ಪನಾ ಎಕ್ಸ್‌ಪ್ಲೇನರ್ಸ್‌ನಿಂದ ಹಂತ ಹಂತವಾಗಿ ಸಂಕೀರ್ಣ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಅಗ್ರ ಬೋಧಕರಿಂದ ವೈಟ್‌ಬೋರ್ಡ್ ವಿಡಿಯೋ ತನಕದ ಒಂದು ಶ್ರೇಣಿಯ ವಿಡಿಯೋ ವಿಧಗಳು
- ಪ್ರ್ಯಾಕ್ಟೀಸ್ ಒದಗಿಸುತ್ತದೆ ಪ್ರಶ್ನೆಗಳು ಮತ್ತು ಇದು ಸಂಬಂಧಿತ ವಿಡಿಯೋಗಳು ಮತ್ತು ಸುಧಾರಿಸಬೇಕಿರುವ ಸೂಕ್ಷ್ಮ ಹಂತದ ಕಾರ್ಯನಿರ್ವಹಣೆಯ ಸಾರಾಂಶಕ್ಕಾಗಿ ಕಲಿಕಾ ಹಿತೋಕ್ತಿಗಳಿಂದ ವರ್ಧಿತಗೊಂಡಿದೆ
- ಟೆಸ್ಟ್ ಒಳಗೊಂಡಿದೆ ಪರೀಕ್ಷಾ ಮಟ್ಟಗಳ ಪೂರ್ವ ರಚಿತ ಟೆಸ್ಟ್‌ಗಳು ಮತ್ತು ವ್ಯಾಸಂಗ ಕ್ರಮ ಮತ್ತು ಕ್ಲಿಷ್ಟತಾ ಮಟ್ಟದ ಉಪಸೆಟ್ ಅನ್ನು ಆರಿಸುವ ಆಯ್ಕೆಯೊಂದಿಗಿನ ಗ್ರಾಹಕೀಯಗೊಳಿಸಿದ ಟೆಸ್ಟ್‌ಗಳು. ವಿದ್ಯಾರ್ಥಿಗಳ ಪ್ರಸ್ತುತ ಹಂತ ಮತ್ತು ಭವಿಷ್ಯದ ಸಾಮರ್ಥ್ಯದ ಫೀಡ್‌ಬ್ಯಾಕ್ ಕುಣಿಕೆಯಂತೆ, ಟೆಸ್ಟ್ ಮಾಡ್ಯೂಲ್ ಕೂಡಾ ಕೆಳ ಮಟ್ಟದ ಚಿಂತನಾ ಕೌಶಲ್ಯಗಳು ಮತ್ತು ಉನ್ನತ ಮಟ್ಟದ ಚಿಂತನಾ ಕೌಶಲ್ಯಗಳು, Embibe ನಲ್ಲಿ ಪಯಣ ಪೂರ್ಣಗೊಳಿಸುವಾಗಿನ ಸಂಭಾವ್ಯ ಸ್ಕೋರ್ ಮತ್ತು ಸುಲಭದ ಮತ್ತು ಕಠಿಣ ಟಾಪಿಕ್‌ಗಳ ಸೂಕ್ಷ್ಮ ವಿವರಗಳ ಸಹಿತ ವಿದ್ಯಾರ್ಥಿಯ ಕೌಶಲ್ಯ ಸಿದ್ಧತೆಯನ್ನು ಬಿಂಬಿಸುವ ವ್ಯಾಪಕ ಫೀಡ್‌ಬ್ಯಾಕ್ ಅನ್ನು ಒಳಗೊಂಡಿದೆ.
ಅತ್ಯಂತ ಒಳಗಿನ ಮತ್ತು ಮೂರನೇ ಕುಣಿಕೆಯು ಒಳಗೊಂಡಿದೆ ಪ್ರಶ್ನೆಯೊಂದನ್ನು ಪರಿಹರಿಸುವಾಗ ಒದಗಿಸಲಾಗುವ ಸುಳಿವುಗಳು, ಸಂಕೀರ್ಣ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು ವ್ಯಾಖ್ಯಾನಿತ ಹಂತಗಳು ಮತ್ತು ಪ್ರಶ್ನೆಯನ್ನು ಪರಿಹರಿಸಿದಾಗ, ಫೀಚರ್ ಅನ್ನು ಕಂಡುಕೊಂಡಾಗ ಅಥವಾ ಮೈಲಿಗಲ್ಲು ತಲುಪಿದಾಗ ನೀಡಲಾಗುವ ರಿವಾರ್ಡ್‌ಗಳು.
ನಾವಿದನ್ನು ನಿಜವಾಗಿ ವೈಯಕ್ತೀಕರಿಸಿದ ಅನುಭವವನ್ನಾಗಿಸುವುದು ಹೇಗೆ?
ಕಂಟೆಂಟ್ ರಚಿಸುವ ಮತ್ತು ಕಂಟೆಂಟ್‌ನೊಂದಿಗೆ ವಿದ್ಯಾರ್ಥಿಗಳು ಪರಸ್ಪರ ವರ್ತಿಸುವಾಗ ನಾವು ಕ್ಯಾಪ್ಚರ್ ಮಾಡುವ ಡೇಟಾವು Embibe ಒದಗಿಸುವ ವೈಯಕ್ತೀಕರಣದ ಕೇಂದ್ರವಾಗಿದೆ, ಇದು ನಮ್ಮ ಊಹನೆಯ ಮತ್ತು ಅಡಾಪ್ಟೀವ್ ಲರ್ನಿಂಗ್‌ನ ಆಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಚಲಾಯಿಸುತ್ತದೆ ಹಾಗೂ ಪರೀಕ್ಷೆಗಳು ಮತ್ತು ಜ್ಞಾನ ಮಟ್ಟಗಳಾದ್ಯಂತ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ತೊಡಗಿಸಿಕೊಳ್ಳುವ ಉತ್ತಮ ಅನುಭವ ಒದಗಿಸುತ್ತದೆ.
ಪರಿಕಲ್ಪನೆಗಳು Embibe ನ ಕಂಟೆಂಟ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನ ಅತ್ಯಂತ ಸೂಕ್ಷ್ಮ ಮಟ್ಟವಾಗಿದ್ದು, ಅವುಗಳನ್ನು ನಾಲೆಡ್ಜ್ ಗ್ರಾಫ್‌ ರೂಪದಲ್ಲಿ ಸಂಗ್ರಹಿಸಿಡಲಾಗುತ್ತದೆ ಮತ್ತು ಸಂಬಂಧಗಳ ಶ್ರೇಣಿಯೊಂದಿಗೆ ಪರೀಕ್ಷೆಗಳಾದ್ಯಂತ ಸಂಪರ್ಕಿತಗೊಂಡಿರುತ್ತವೆ. ಟಾಪಿಕ್‌ಗಳು, ಪರಿಕಲ್ಪನೆಗಳ ಸಂಗ್ರಹ, ಮತ್ತು ಅಧ್ಯಾಯಗಳು, ಟಾಪಿಕ್‌ಗಳ ಸಂಗ್ರಹವನ್ನು ಒಳಗೊಂಡ ಉನ್ನತ-ಮಟ್ಟದ ಮೂಲ ಸ್ವಭಾವಗಳಿರುತ್ತವೆ. ಒಂದು ಪರಿಕಲ್ಪನೆ ಅಥವಾ ಪರಿಕಲ್ಪನೆಗಳ ಒಂದು ಗುಂಪು ವಿಡಿಯೋ, ಪ್ರಶ್ನೆ ಮತ್ತು ಟೆಸ್ಟ್‌ನಂತಹ ಕಲಿಕಾ ವಸ್ತುಗಳ ಗುರುತಿಸುವಿಕೆಯಾಗಿ ವರ್ತಿಸುತ್ತದೆ.
ವಿದ್ಯಾರ್ಥಿಯೊಬ್ಬರು ಕೆಲವು ಕಲಿಕಾ ವಸ್ತುಗಳೊಂದಿಗೆ ವರ್ತಿಸಿದಾಕ್ಷಣ, Embibe ನ ಬೇಸಿಯನ್ ನಾಲೆಡ್ಜ್ ಟ್ರೇಸಿಂಗ್ ಅಲ್ಗಾರಿದಮ್ Embibe ನ ನಾಲೆಡ್ಜ್ ಗ್ರಾಫ್‌ನಲ್ಲಿನ 60,000 ಕ್ಕೂ ಹೆಚ್ಚು ಪರಿಕಲ್ಪನೆಗಳಾದ್ಯಂತ ವಿದ್ಯಾರ್ಥಿಯ ಪರಿಕಲ್ಪನಾ ಪಾಂಡಿತ್ಯ ಮಟ್ಟವನ್ನು 0 ಮತ್ತು 1 ನಡುವಿನ ಮೌಲ್ಯವಾಗಿ ಊಹಿಸುತ್ತದೆ.
ಕೌಶಲ್ಯ, ಬ್ಲೂಮ್ ಮತ್ತು ಕ್ಲಿಷ್ಟತೆಯಂತಹ ಮೆಟಾಡೇಟಾದ ಶ್ರೇಣಿಯೊಂದಿಗೆ ಈ ಪಾಂಡಿತ್ಯ ಮೌಲ್ಯಗಳು ಪ್ರತಿ ಕಲಿಕಾ ವಸ್ತುವಿನೊಂದಿಗೆ ಶೇಖರಣೆಗೊಂಡಿದ್ದು, ಲೈವ್ ಸೆಶನ್‌ನಲ್ಲಿ ಡ್ರಾಪ್‌ಆಫ್ ಆಗುವ ಸಂಭಾವ್ಯತೆಯನ್ನು ಊಹಿಸಲು ನಮಗೆ ನೆರವಾಗುತ್ತದೆ ಮತ್ತು ನೈಜ ಸಮಯದಲ್ಲಿ ಜ್ಞಾನದ ಅಂತರಗಳನ್ನು ಭರ್ತಿಗೊಳಿಸಲು ಕಲಿಕೆಯಿಂದ ರ‍್ಯಾಂಕ್‌ ಅಲ್ಗಾರಿದಂ ಮೂಲಕ ಸಂಬಂಧಿತ ಕಲಿಕಾ ಹಿತೋಕ್ತಿಯನ್ನು ಒದಗಿಸುತ್ತದೆ.
ವಿದ್ಯಾರ್ಥಿಯು ಹೆಚ್ಚು ಹೆಚ್ಚು ಕಲಿಕಾ ವಸ್ತುಗಳೊಂದಿಗೆ, ನಿರ್ದಿಷ್ಟವಾಗಿ ಪ್ರಶ್ನೆಗಳೊಂದಿಗೆ ವರ್ತಿಸಿದಂತೆ, ಪ್ರತಿ ವಿದ್ಯಾರ್ಥಿಗೆ ಶೈಕ್ಷಣಿಕ ಅಂಶ ಮತ್ತು ನಡವಳಿಕೆ ಅಂಶ ವಾಹಕಗಳೊಂದಿಗೆ ಬರಲು ನಮಗೆ ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಒಂದೇ ಉನ್ನತ ಆಯಾಮದ ವ್ಯೋಮದಲ್ಲಿ, ಹಿಂದಿನ ವರ್ಷಗಳ ಪರೀಕ್ಷೆಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಶೈಕ್ಷಣಿಕ ಗುಣಲಕ್ಷಣಗಳಾದ್ಯಂತ ಪಡೆಯಲಾದ ಪ್ರತಿ ಪರೀಕ್ಷೆಯ ಪ್ರಾತಿನಿಧ್ಯವನ್ನು ನಾವು ಹೊಂದಿದ್ದೇವೆ. ಈ ವಾಹಕಗಳು ಯಾವುದೇ ಪರೀಕ್ಷೆಯಲ್ಲಿ ವಿದ್ಯಾರ್ಥಿಯ ಪ್ರಸ್ತುತ ಕುಶಾಗ್ರಮತಿ ಮತ್ತು ಅತ್ಯಂತ ಹೆಚ್ಚಿನ ಶ್ರಮ ಬೇಕಾಗಿರುವ ಕ್ಷೇತ್ರಗಳನ್ನು ಗುರುತಿಸಲು ನೆರವಾಗುತ್ತವೆ, ಇದು Embibe ನ ಟೆಸ್ಟ್ ಫೀಡ್‌ಬ್ಯಾಕ್‌ನ ಪ್ರಮುಖ ಕೊಡುಗೆಯಾಗಿದೆ.
ವೈಯಕ್ತೀಕರಿಸಿದ ಅನುಭವದಲ್ಲಿನ Embibe ನ ಅತ್ಯಂತ ದೊಡ್ಡ ವ್ಯತ್ಯಾಸವು ಬಳಕೆದಾರ ಸೆಶನ್‌ ಸೂಕ್ಷ್ಮತೆ, ಪ್ರ್ಯಾಕ್ಟೀಸ್ ವೇಳೆ, ವಿಡಿಯೋ ವೀಕ್ಷಣೆ ಮತ್ತು ಟೆಸ್ಟ್ ಸೆಶನ್‌ಗಳು ಮತ್ತು ಜಾಗತಿಕ ಮಟ್ಟದಲ್ಲಿ ಬರುವ ನಡವಳಿಕಾ ಪ್ರೋತ್ಸಾಹದಳೊಂದಿಗೆ ಬರುತ್ತದೆ. ಈ ಪ್ರೋತ್ಸಾಹಗಳು ಪ್ರಯತ್ನ ಗುಣಮಟ್ಟ, ಪ್ರಸ್ತುತ ಪಾಂಡಿತ್ಯ ಮಟ್ಟ ಮತ್ತು ಕಂಟೆಂಟ್ ಮೆಟಾಡೇಟಾದತಂಹ ಪ್ರತಿ ವಿದ್ಯಾರ್ಥಿ ಮತ್ತು ಕಲಿಕಾ-ವಸ್ತು ಸಂವಾದದ ಮೂಲಕ ನಾವು ಪಡೆದ ಫೀಚರ್‌ಗಳ ಆಧರಿತವಾಗಿರುತ್ತವೆ.
References:
[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.
