“ಎಲ್ಲರೂ ಮೇಧಾವಿಗಳು, ಆದರೆ ಮರವನ್ನು ಏರುವ ಸಾಮರ್ಥ್ಯದ ಮೂಲಕ ನೀವು ಮೀನಿನಲ್ಲಿ ನಿರ್ಣಯಿಸಿದರೆ, ಇದೊಂದು ಮೂರ್ಖತನವೆಂದು ಎಂದು ನಂಬಿ ಇಡೀ ಜೀವನವನ್ನು ನಡೆಸುತ್ತದೆ.” __ ಐನ್ಸ್ಟೈನ್
ಈ ಉಲ್ಲೇಖವು ಪ್ರಪಂಚದಾದ್ಯಂತದ ವಿದ್ಯಾರ್ಥಿಗಳ ಸಂಕಟಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸುತ್ತದೆ. ಶೈಕ್ಷಣಿಕ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ನೇಮಕಾತಿದಾರರು ಪರೀಕ್ಷೆಗಳನ್ನು ಮಾತ್ರ ಶ್ರೇಷ್ಠತೆಯ ಪುರಾವೆ ಎಂದು ಪರಿಗಣಿಸುತ್ತಾರೆ. ವರ್ಷಪೂರ್ತಿ ಕಾರ್ಯಕ್ಷಮತೆ ಅತ್ಯುತ್ತಮ ಅಥವಾ ಕೆಟ್ಟದ್ದಾಗಿದ್ದರೂ, ಪರೀಕ್ಷೆಯಲ್ಲಿ ವಿದ್ಯಾರ್ಥಿ ಏನು ಮಾಡುತ್ತಾನೆ ಎಂಬುದೇ ನಿರ್ಣಾಯಕ. ಸಮಸ್ಯೆಗಳ ಜೊತೆಗೆ, ಗುಣಮಟ್ಟದ ಶಿಕ್ಷಕರ ಬೇಡಿಕೆ ಮತ್ತು ಪೂರೈಕೆಯಲ್ಲಿನ ದೊಡ್ಡ ಅಂತರವು ಕಳಪೆ ವಿದ್ಯಾರ್ಥಿ-ಶಿಕ್ಷಕರ ಅನುಪಾತಕ್ಕೆ ಕಾರಣವಾಗಿದೆ. ಶಿಕ್ಷಕರು ಪ್ರತಿ ವಿದ್ಯಾರ್ಥಿಗೆ ವೈಯಕ್ತಿಕ, ವೈಯಕ್ತಿಕ ಗಮನವನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ನೀಡಲು ಸಾಧ್ಯವಿಲ್ಲ. ಈ ಎಲ್ಲಾ ಸಮಸ್ಯೆಗಳನ್ನು ನಿವಾರಿಸಲು, ನಾವು ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಬೇಕಾದುದನ್ನು, ಅವರಿಗೆ ಅಗತ್ಯವಿರುವಾಗ ಮತ್ತು ಅವರ ಪೂರ್ಣ ಸಾಮರ್ಥ್ಯವನ್ನು ತಲುಪಲು ಅವರ ಸ್ವಂತ ವೇಗದಲ್ಲಿ ಒದಗಿಸಬೇಕಾಗಿದೆ.
ಇದನ್ನು ಸಾಧಿಸಲು, ‘Embibe ಸ್ಕೋರ್ ಪ್ರಮಾಣ’ ಎಂದು ಕರೆಯಲ್ಪಡುವ ವೈಜ್ಞಾನಿಕ ನಿಯತಾಂಕಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಪರೀಕ್ಷೆಯಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ವಿದ್ಯಾರ್ಥಿಗಳ ಪ್ರಸ್ತುತ ಸಾಮರ್ಥ್ಯವನ್ನು Embibe ಅಳೆಯುತ್ತದೆ. Embibe, ಒಟ್ಟಾರೆಯಾಗಿ, ಸ್ಕೋರ್ ಮಾಡುವ ವಿದ್ಯಾರ್ಥಿಯ ಸಾಮರ್ಥ್ಯವು ಶೈಕ್ಷಣಿಕ ಪ್ರಾವೀಣ್ಯತೆ ಮತ್ತು ಬಹು ಸೂಕ್ಷ್ಮವಾದ ಸುಪ್ತ ಗುಣಲಕ್ಷಣಗಳಲ್ಲಿ ವರ್ತನೆಯ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ ಎಂದು ನಂಬುತ್ತದೆ. ಕಡಿಮೆ ಪರೀಕ್ಷಾ ಅಂಕಗಳಿಗೆ ಜವಾಬ್ದಾರರಾಗಿರುವ ನಿಖರವಾದ ಅಂಶಗಳ ಕೊರತೆಯನ್ನು ಗುರುತಿಸಲು ಇದು ನಮಗೆ ಅನುಮತಿಸುತ್ತದೆ.
ಸ್ಪಾಟ್ ಶಿಫಾರಸುಗಳನ್ನು ಒದಗಿಸಲು ನಮ್ಮ ಸಿಸ್ಟಂಗೆ ಅನುಮತಿಸುವ ‘ Embibe ಸ್ಕೋರ್ ಪ್ರಮಾಣದ ಪ್ರಮುಖ ಅಂಶಗಳು:
1. ಶೈಕ್ಷಣಿಕ ಪ್ರಮಾಣ: ಇದು ವಿದ್ಯಾರ್ಥಿಗಳ ಶೈಕ್ಷಣಿಕ ಸಾಮರ್ಥ್ಯವನ್ನು ಸೂಚಿಸುತ್ತದೆ. Embibe ನಲ್ಲಿ, ವಿದ್ಯಾರ್ಥಿಯ ಶೈಕ್ಷಣಿಕ ಸಾಮರ್ಥ್ಯವನ್ನು ‘ಪರಿಕಲ್ಪನಾ ಪಾಂಡಿತ್ಯ’ದ ಸಹಾಯದಿಂದ ಲೆಕ್ಕ ಹಾಕಲಾಗುತ್ತದೆ. ವಿಡಿಯೋಗಳನ್ನು ವೀಕ್ಷಿಸುವುದು, ಪ್ರಶ್ನೆಗಳನ್ನು ಅಭ್ಯಾಸ ಮಾಡುವುದು, ಟೆಸ್ಟ್ಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದು ಮತ್ತು ಟೆಸ್ಟ್ ಫೀಡ್ಬ್ಯಾಕ್ ಅನ್ನು ಪರಿಶೀಲಿಸುವುದು ಮುಂತಾದ ವಿದ್ಯಾರ್ಥಿಯು ನಿರ್ವಹಿಸುವ ವಿವಿಧ ಚಟುವಟಿಕೆಗಳ ಆಧಾರದ ಮೇಲೆ ಪರಿಕಲ್ಪನೆಯ ವಿದ್ಯಾರ್ಥಿಯ ಪಾಂಡಿತ್ಯವನ್ನು ‘ಪರಿಕಲ್ಪನಾ ಪಾಂಡಿತ್ಯ’ವು ಅಳೆಯುತ್ತದೆ.
2. ನಡವಳಿಕೆಯ ಪ್ರಮಾಣ: ಇದು ಟೆಸ್ಟ್-ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ವಿದ್ಯಾರ್ಥಿಯ ವರ್ತನೆಯ ಲಕ್ಷಣಗಳನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಇದು ಉಪ-ವರ್ಗಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ಅವುಗಳೆಂದರೆ ಉದ್ದೇಶದ ಅಂಶ ಮತ್ತು ಟೆಸ್ಟ್ ತೆಗೆದುಕೊಳ್ಳುವ ಕೌಶಲ್ಯಗಳ ಅಂಶ.
- ಉದ್ದೇಶದ ಪ್ರಮಾಣವು ವಿದ್ಯಾರ್ಥಿಯ ಪಾಂಡಿತ್ಯಪೂರ್ಣ ವರ್ತನೆ ಅಥವಾ ಅವನ ಜ್ಞಾನವನ್ನು ಲೆಕ್ಕಿಸದೆ ಉದ್ದೇಶವನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಈ ವರ್ಗದಲ್ಲಿ ಪರಿಗಣಿಸಲಾದ ಕೆಲವು ಸಮಗ್ರವಲ್ಲದ ವೈಶಿಷ್ಟ್ಯಗಳೆಂದರೆ ವ್ಯರ್ಥ ಪ್ರಯತ್ನಗಳ ಸಂಖ್ಯೆ, ವಿಷಯ ವಿನಿಮಯಗಳು, ಯಾವುದೇ ಪ್ರಶ್ನೆಯನ್ನು ಪ್ರಯತ್ನಿಸದ ಸಮಯ ಮತ್ತು ಇತರ ರೀತಿಯ ವೈಶಿಷ್ಟ್ಯಗಳು.
- ಟೆಸ್ಟ್ ತೆಗೆದುಕೊಳ್ಳುವ ಕೌಶಲ್ಯಗಳ ಪ್ರಮಾಣವು ವಿದ್ಯಾರ್ಥಿಯ ಟೆಸ್ಟ್-ತೆಗೆದುಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಉತ್ತಮ ಕಲ್ಪನೆಯನ್ನು ನೀಡಲು, ಈ ವರ್ಗದಲ್ಲಿ ಪರಿಗಣಿಸಲಾದ ಕೆಲವು ವೈಶಿಷ್ಟ್ಯಗಳೆಂದರೆ ನೋಡಿದ ಪ್ರಶ್ನೆಗಳ ಸಂಖ್ಯೆ ಮತ್ತು ಇತರ ರೀತಿಯ ವೈಶಿಷ್ಟ್ಯಗಳ ಜೊತೆಗೆ ವಿಮರ್ಶೆಗಾಗಿ ಗುರುತಿಸಲಾದ ಪ್ರಶ್ನೆಗಳ ಸಂಖ್ಯೆ.
3. ಪ್ರಯತ್ನದ ಪ್ರಮಾಣ: ಇದು ವಿದ್ಯಾರ್ಥಿಯು ಕಲಿಯುವಾಗ ಮಾಡುವ ಪ್ರಯತ್ನದ ಅಳತೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಪರೀಕ್ಷೆಗಳಲ್ಲಿ ಸ್ಕೋರ್ ಮಾಡುವ ವಿದ್ಯಾರ್ಥಿಯ ಸಾಮರ್ಥ್ಯವನ್ನು ಗ್ರಹಿಸಲು ಪ್ರಯತ್ನದ ಪ್ರಮಾಣವು ನಮಗೆ ಅನುಮತಿಸುತ್ತದೆ. ಈ ವರ್ಗದ ಅಡಿಯಲ್ಲಿ ನೇರವಾಗಿ ಅರ್ಥೈಸಬಹುದಾದ ಕೆಲವು ವೈಶಿಷ್ಟ್ಯಗಳೆಂದರೆ ಪ್ರ್ಯಾಕ್ಟೀಸ್ ಸೆಷನ್ಗಳ ಸಂಖ್ಯೆ, ಪ್ರ್ಯಾಕ್ಟೀಸ್ನಲ್ಲಿ ವ್ಯಯಿಸಿದ ಒಟ್ಟು ಸಮಯ ಮತ್ತು ಇತರ ರೀತಿಯ ಚಟುವಟಿಕೆಗಳು.
ಸ್ಪಾಟ್ ಶಿಫಾರಸುಗಾಗಿ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿ
ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಯು ವಾಸ್ತವದ ಅಂದಾಜು. ಪರಿಮಾಣಾತ್ಮಕ ಅಥವಾ ನೈಸರ್ಗಿಕ ಭಾಷೆಯಲ್ಲಿ ವಾಸ್ತವವನ್ನು ಪ್ರತಿಪಾದಿಸಲು ವ್ಯಾಖ್ಯಾನವನ್ನು ಮಾಧ್ಯಮವೆಂದು ಪರಿಗಣಿಸಬಹುದು. ಸಾಧ್ಯವಾದರೆ ವ್ಯಾಖ್ಯಾನಿಸಬಹುದಾದ ಮಾದರಿಗಳನ್ನು ಬಳಸಲು ಒತ್ತಾಯಿಸಲಾಗಿದೆ. ತೋರಿಕೆಯಲ್ಲಿ ಅಪಾರದರ್ಶಕ ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳಿಗೆ ವ್ಯಾಖ್ಯಾನಗಳನ್ನು ಒದಗಿಸುವಲ್ಲಿ ಉಲ್ಬಣವು ಇದೆ. ವ್ಯಾಖ್ಯಾನವನ್ನು ಮನಸ್ಸಿನಲ್ಲಿಟ್ಟುಕೊಂಡು, ಶ್ರೀಮಂತ ಮತ್ತು ಹೆಚ್ಚು ವ್ಯಾಖ್ಯಾನಿಸಬಹುದಾದ ವೈಶಿಷ್ಟ್ಯಗಳೊಂದಿಗೆ ನಿರ್ಮಿಸಲಾದ ‘Embibe ಸ್ಕೋರ್ ಪ್ರಮಾಣ’, ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಅವರ ದುರ್ಬಲ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಸುಧಾರಿಸಲು ಮತ್ತು ಅತ್ಯಂತ ಸೂಕ್ಷ್ಮ ಮತ್ತು ಕ್ರಿಯೆ-ಆಧಾರಿತ ರೀತಿಯಲ್ಲಿ ವರ್ತನೆಯ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಒದಗಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿರುವ ಸ್ಪಾಟ್ ಶಿಫಾರಸುಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.
ಉದಾಹರಣೆಗೆ, ಉನ್ನತ ಶೈಕ್ಷಣಿಕ ಪ್ರಮಾಣ, ಉನ್ನತ ಉದ್ದೇಶದ ಪ್ರಮಾಣ ಹಾಗೂ ಕಡಿಮೆ ಟೆಸ್ಟ್ ತೆಗೆದುಕೊಳ್ಳುವ ಪ್ರಮಾಣದೊಂದಿಗಿನ ವಿದ್ಯಾರ್ಥಿಗೆ ಸಿಸ್ಟಮ್ ಈ ರೀತಿ ಸಲಹೆ ನೀಡುತ್ತದೆ, “ವಿಷಯ ವಸ್ತುವಿನ ಬಗ್ಗೆ ನೀವು ಖಾತರಿಯಿಲ್ಲದಿರುವಾಗ ಪ್ರಶ್ನೆಗಳ ಮೇಲೆ ತುಂಬಾ ಸಮಯ ವ್ಯಯಿಸುತ್ತೀರಿ. ನಿಮ್ಮ ಟೆಸ್ಟ್ ಮೇಲೆ ಒಟ್ಟಾರೆ ಹೆಚ್ಚು ಸಮಯಕ್ಕೆ ಅವಕಾಶ ನೀಡಲು ಆ ಸಮಯವನ್ನು ತಗ್ಗಿಸಿ.“ ಭಿನ್ನ ಸನ್ನಿವೇಶಗಳಿಗೆ ವಿಭಿನ್ನ ಸಲಹೆಗಳನ್ನು ಒದಗಿಸಲಾಗುತ್ತದೆ.
ಅಂತಿಮವಾಗಿ, ‘Embibe ಸ್ಕೋರ್ ಪ್ರಮಾಣ’ವು ಶೈಕ್ಷಣಿಕ, ನಡವಳಿಕೆಯ ಮತ್ತು ಶ್ರಮದ ಆಯಾಮಗಳಿಗೆ ವಿದ್ಯಾರ್ಥಿಯ ಸಾಮರ್ಥ್ಯದ ಲೆಕ್ಕಾಚಾರವಾಗಿದ್ದು, ವಿದ್ಯಾರ್ಥಿಯತ್ತ ವೈಯಕ್ತೀಕರಿಸಿದ, ವೈಯಕ್ತಿಕ ನಿಗಾ ನೀಡುವ ಮೂಲಕ Embibe ನ AI ಎಂಜಿನ್ ಕಡಿಮೆ ಶಿಕ್ಷಕ- ವಿದ್ಯಾರ್ಥಿ ಅನುಪಾತವನ್ನು ತಗ್ಗಿಸಲು ಅನುಮತಿಸುತ್ತದೆ. ಅಲ್ಲದೆ, AI ಎಂಜಿನ್ನ ಕೇಂದ್ರದಲ್ಲಿ ‘Embibe ಸ್ಕೋರ್ ಪ್ರಮಾಣ’ದೊಂದಿಗೆ, ಸಿಸ್ಟಮ್ನ ಮಾನವ ವ್ಯಾಖ್ಯಾನವನ್ನು ವರ್ಧಿಸುವ ಮೂಲಕ ಇದನ್ನು ವಿವರಿಸಬಹುದಾದ AI ಗೆ ನಿಕಟಗೊಳಿಸುತ್ತದೆ.
ಉಲ್ಲೇಖಗಳು:
[1] ಕೆಯೂರ್ ಫಾಲ್ಡು, ಅದಿತಿ ಅವಸ್ತಿ ಮತ್ತು ಅಚಿಂತ್ ಥಾಮಸ್. ಅಡಾಪ್ಟೀವ್ ಲರ್ನಿಂಗ್ ಮೆಶಿನ್ ಫಾರ್ ಸ್ಕೋರ್ ಇಂಪ್ರೂವ್ಮೆಂಟ್ ಆಂಡ್ ಪಾರ್ಟ್ಸ್ ದೇರ್ಆಫ್, ಯುಎಸ್ ಪೇಟೆಂಟ್ ಸಂಖ್ಯೆ. 10854099 B2.
[2] ಸಿ. ರುಡಿನ್. ಸ್ಟಾಪ್ ಎಕ್ಸ್ಪ್ಲೈನಿಂಗ್ ಬ್ಲ್ಯಾಕ್-ಬಾಕ್ಸ್ ಮೆಶಿನ್ ಲರ್ನಿಂಗ್ ಮಾಡೆಲ್ಸ್ ಫಾರ್ ಹೈ ಸ್ಟೇಕ್ಸ್ ಡಿಸಿಶನ್ಸ್ ಆಂಡ್ ಯೂಸ್ ಇಂಟರ್ಪ್ರಿಟೇಬಲ್ ಮಾಡೆಲ್ಸ್ ಇನ್ಸ್ಟೆಡ್. ಎಆರ್ಎಕ್ಸ್ಐವಿ ಇ-ಪ್ರಿಂಟ್ಸ್, 11 2018.