പഠനഫലങ്ങളിൽ വിദ്യാർത്ഥിയുടെ പഠന രീതിക്കുള്ള സ്വാധീനം.

അക്കാദമിക വിജയം എന്നത് വിദ്യാഭ്യാസത്തിൻ്റെയും മൂല്യനിർണ്ണയത്തിൻ്റെയും മേഖലയിൽ ഒരു സ്ഥാപിത പദമാണ്, അതിന്റെ നിർവചനം വർഷങ്ങളായി നിരവധി മാറ്റങ്ങൾക്ക് വിധേയമായി. ചില ആളുകൾ പൊതു-അളവുകോലായ പരീക്ഷയുടെ ഗ്രേഡുകളായി ‘അക്കാദമിക വിജയത്തെ’ നിർവചിച്ചപ്പോൾ, മറ്റു ചിലർ അതിനു വിശാലമായ മറ്റൊരു മാനം നൽകി. അക്കാദമിക് വിജയം എന്നത് പരീക്ഷയിൽ നേടിയ മാർക്ക് മാത്രമല്ല, ഒരു വിദ്യാർത്ഥിയുടെ പഠനവും സമഗ്രമായ വികാസവും കൂടിയാണെന്ന് തിരിച്ചറിയുന്നതിനായി പഠനങ്ങളുടെ ദ്രുതഗതിയിലുള്ള വിപുലീകരണം കാരണമായി, അതോടൊപ്പം പരീക്ഷയോടും അക്കാദമിക പ്രശ്നങ്ങളോടും ഉള്ള വിദ്യാർഥികളുടെ സമീപനത്തിലും മാറ്റമുണ്ടായി. Embibe-ൽ, Embibe സ്‌കോർ ക്വോഷ്യന്റ് പോലെയുള്ള വിവിധ പാരാമീറ്ററുകൾ, ടെസ്റ്റുകളിൽ ഒരു വിദ്യാർത്ഥിയുടെ പ്രകടനം അളക്കാനായി ഇതിനകം തന്നെ ഞങ്ങൾ വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്. ബയേസിയൻ നോളജ് ട്രെയ്‌സിംഗ് അൽഗോരിതത്തെ വളരെയധികം ആശ്രയിക്കുന്ന കൺസെപ്റ്റ് മാസ്റ്ററി പോലെയുള്ള വിവിധ സ്റ്റാൻഡേർഡ് മോഡലുകൾ ഞങ്ങൾ ഉപയോഗിക്കുന്നുണ്ട്. 

മൂന്ന് പാരാമീറ്ററുകൾ ഉപയോഗിച്ചു ഒരു വിദ്യാർത്ഥിയെ അളന്നു കൊണ്ട് അവനു ഒരു നിശ്ചിത സ്വഭാവമോ ഒരു കൂട്ടം സ്വഭാവമോ കൽപ്പിച്ചു നല്കുന്ന സിൻസിയാരിറ്റി സ്കോർ എന്ന പുതിയൊരു മെട്രിക് ഞങ്ങൾ വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്. 

• അക്യൂറസി : പരീക്ഷയിൽ വിദ്യാർത്ഥി ഉത്തരം നൽകിയ മൊത്തം ചോദ്യങ്ങളിൽ ശരിയായ ഉത്തരം ലഭിച്ച ചോദ്യങ്ങളുടെ ശതമാനം
• അറ്റംപ്റ്റ് ശതമാനം: പരീക്ഷയിലെ മൊത്തം ചോദ്യങ്ങളിൽ വിദ്യാർത്ഥി അറ്റംപ്റ്റ് ചെയ്ത ചോദ്യങ്ങൾ 
• സമയ ശതമാനം : പരീക്ഷയ്ക്കായി നൽകിയിരിക്കുന്ന മൊത്തം സമയത്തിൽ നിന്നും പൂർത്തീകരിക്കാനായി വിദ്യാർഥി എടുത്ത സമയത്തിന്റെ ശതമാനം 

ഓരോ പരാമീറ്ററും വ്യത്യസ്ത പാർട്ടീഷനുകളായി തരംതിരിച്ചിരിക്കുന്ന, 10 അസാമാന്യമായ സ്വഭാവങ്ങളിൽ കലാശിക്കുന്നു – നാല് പോസിറ്റീവ്, അഞ്ച് നെഗറ്റീവ്, ഒരു ന്യൂട്രൽ പെരുമാറ്റം. മികച്ച പെരുമാറ്റം മുതൽ ഏറ്റവും മോശമായ പെരുമാറ്റം വരെയുള്ള ഓരോ പെരുമാറ്റത്തിനും പ്രത്യേകമായി ഒരു റാങ്ക് അനുവദിച്ചിരിക്കുന്നു. പോസിറ്റീവ് റാങ്ക് കുറഞ്ഞ പെരുമാറ്റവുമായി താരതമ്യപ്പെടുത്തികൊണ്ട്  ഓരോ പെരുമാറ്റത്തിന്റെയും ടെസ്റ്റ്-ഓൺ-ടെസ്റ്റ് സ്കോർ മെച്ചപ്പെടുത്തൽ തിരിച്ചറിയുന്നതിനുള്ള ഒരു അൽഗോരിതം വികസിപ്പിക്കുന്നതിനായി 2.5 ദശലക്ഷത്തിലധികം സാധുവായ ടെസ്റ്റ് സെഷനുകൾ വിശകലനം ചെയ്തിട്ടുണ്ട്. ഒരു വിദ്യാർത്ഥിയുടെ മനോഭാവം അവരുടെ പുരോഗതി നിർണ്ണയിക്കാൻ സഹായിക്കുകയും ശരാശരിയിൽ താഴെയുള്ള വിദ്യാർത്ഥിയെ പോലും മികച്ച ഫലങ്ങൾ നേടാൻ സഹായിക്കുകയും ചെയ്യും എന്നതും വളരെക്കാലമായി സത്യമെന്ന് കരുതിയിരുന്ന ഒരു വസ്തുതയെ ഡാറ്റാധിഷ്ഠിത രീതിയിൽ ഫലങ്ങൾ പരിശോധിച്ചുറപ്പിക്കുകയും അളക്കുകയും ചെയ്യുന്നു. വിദ്യാർത്ഥികളുടെ ടെസ്റ്റ് സെഷൻ പെരുമാറ്റത്തിന്റെ പരിധികളെയും വർഗ്ഗീകരണത്തെയും അടിസ്ഥാനമാക്കി, പോസിറ്റീവ് കുറഞ്ഞ പെരുമാറ്റവുമായി താരതമ്യം ചെയ്യുമ്പോൾ ശരാശരി എത്ര വേഗത്തിൽ ഒരു പെരുമാറ്റം മെച്ചപ്പെടുന്നുവെന്ന് നമുക്ക് കണക്കാക്കാനും ഉചിതമായ പെരുമാറ്റത്തിലേക്ക് വിദ്യാർത്ഥികളെ നയിക്കാനും മെച്ചപ്പെട്ട പെരുമാറ്റത്തിലൂടെ അവർക്ക് നേടാനാകുന്ന പുരോഗതി നിരക്കിനെക്കുറിച്ച് വിദ്യാർത്ഥികൾക്ക് മനസിലാക്കി കൊടുക്കാനും കഴിയും. , അങ്ങനെ പഠന ഫലങ്ങൾ മെച്ചപ്പെടുത്തുന്നു..

പട്ടിക 1: വ്യത്യസ്ത ആത്മാർത്ഥത സ്കോർ പെരുമാറ്റങ്ങൾ അവരുടെ മെറ്റാഡാറ്റയ്‌ക്കൊപ്പം 

ആത്മാർത്ഥത സ്കോർ	അർഥം	റാങ്ക്/വെയ്റ്റ് (1->മികച്ചത് ,10->മോശം )	ആട്രിബ്യുട്ട്
നിയന്ത്രണത്തിൽ	കുട്ടി ആവശ്യമായ പരിശ്രമം നടത്തുകയും പലപ്പോഴായി അതിൽ  വിജയിക്കുകയും ചെയ്യുന്നു	1	പോസിറ്റീവ്
മാരത്തോണർ	ശരാശരി സെഷൻ ദൈർഘ്യത്തിന്റെ സ്റ്റാമിന ഉയർന്നതാണ്	2	പോസിറ്റീവ്
കഠിനമായ ശ്രമം	കുട്ടി വളരെയധികം പരിശ്രമിക്കുന്നു, എന്നാൽ പലപ്പോഴും വിജയിക്കാൻ കഴിയുന്നില്ല	3	പോസിറ്റീവ്
ഗെറ്റിങ് ദേർ	ശരാശരി സെഷൻ ദൈർഘ്യത്തിന്റെ സ്റ്റാമിന ശരാശരിയാണ്	4	പോസിറ്റീവ്
സ്ലോ	കുട്ടിക്ക് അധിക  പരിശ്രമത്തിലൂടെ വിജയിക്കാൻ കഴിയും	5	ന്യൂട്രൽ
കഠിനമായി പരിശീലിക്കൂ	കുട്ടി വിജയിക്കാനായി പലപ്പോഴും   വേണ്ടത്ര പരിശ്രമിക്കുന്നില്ല	6	നെഗറ്റീവ്
അമിത ആത്മവിശ്വാസം	കുട്ടി അമിത ആത്മവിശ്വാസം പുലർത്തുകയും വേണ്ടത്ര പരിശ്രമം നടത്താതെ സ്വയം പ്രയോഗിക്കുകയും ചെയ്യുന്നു	7	നെഗറ്റീവ്
ആത്മവിശ്വാസക്കുറവ്	കുട്ടിക്ക് സ്വയം പ്രയോഗിക്കാനുള്ള ആത്മവിശ്വാസമില്ല	8	നെഗറ്റീവ്
ജമ്പിങ് എറൗണ്ട്	ശരാശരി സെഷൻ ദൈർഘ്യത്തിന്റെ സ്റ്റാമിന വളരെ കുറവാണ്	9	നെഗറ്റീവ്
ശ്രദ്ധക്കുറവ് (താൽപ്പര്യമില്ലായ്മ, ശ്രദ്ധക്കുറവ്, ഏകാഗ്രതയുടെ അഭാവം)	കുട്ടി കയ്യിലുള്ള മെറ്റീരിയലിൽ സ്വയം പ്രയോഗിക്കാതെയും അതിന്റെ ഫലമായി മാർക്ക് നഷ്ടപ്പെടുകയും ചെയ്യുന്നു.	10	നെഗറ്റീവ്

അൽഗോരിതം: 

ഇൻപുട്ട്സ്: 

N: പോസിറ്റീവ് സ്കോർ മെച്ചപ്പെടുത്തലിനൊപ്പം സാധുവായ ടെസ്റ്റ് സെഷനുകളുടെ ആകെ എണ്ണം

p:  ആത്മാർത്ഥത സ്കോർ പെരുമാറ്റങ്ങളുടെ എണ്ണം.

ഔട്ട്പുട്ട്സ്: 

ഓരോ ആത്മാർത്ഥത സ്‌കോർ പെരുമാറ്റത്തിനും (1-9 റാങ്കുകൾ), ശരാശരിയിൽ, എത്ര വേഗത്തിൽ ആണ് ടെസ്റ്റ്-ഓൺ-ടെസ്റ്റ് മെച്ചപ്പെടുത്തൽഎന്നത്,  പോസിറ്റീവ് കുറഞ്ഞ എല്ലാ ആത്മാർത്ഥത സ്‌കോർ പെരുമാറ്റത്തിലും നിരീക്ഷിക്കപ്പെടുന്നു.

ഗ്ലോസ്സറി: 

• പ്രീ-ടെസ്റ്റ്: ഒരു നിർദ്ദിഷ്ട പരീക്ഷയിൽ ഒരു ഉപയോക്താവ് നൽകുന്ന ഏതെങ്കിലും രണ്ട് തുടർച്ചയായ ടെസ്റ്റുകൾക്കിടയിൽ (ടൈംസ്റ്റാമ്പ് പ്രകാരം തരം തിരിച്ചത്), രണ്ടിലെ ആദ്യ ടെസ്റ്റിനെ പ്രീ-ടെസ്റ്റ് എന്ന് വിളിക്കുന്നു.
• പോസ്റ്റ്-ടെസ്റ്റ്: ഒരു നിർദ്ദിഷ്ട പരീക്ഷയിൽ ഒരു ഉപയോക്താവ് നൽകുന്ന ഏതെങ്കിലും തുടർച്ചയായ രണ്ട് ടെസ്റ്റുകൾക്കിടയിൽ (ടൈംസ്റ്റാമ്പ് പ്രകാരം തരം തിരിച്ചത്), രണ്ടിലെ രണ്ടാമത്തെ ടെസ്റ്റിനെ പോസ്റ്റ്-ടെസ്റ്റ് എന്ന് വിളിക്കുന്നു.
• സാധുവായ ടെസ്റ്റ് സെഷൻ: ഒരു ടെസ്റ്റ് സെഷൻ സാധുതയുള്ളതായി കണക്കാക്കുന്നത് ഒരു വിദ്യാർത്ഥി:
• ടെസ്റ്റിനായി അനുവദിച്ച സമയത്തിന്റെ 10% >= ചെലവഴിക്കുമ്പോൾ 
• ടെസ്റ്റിലെ മൊത്തം ചോദ്യങ്ങളുടെ 10%  >= ഉത്തരങ്ങൾ നൽകിയാൽ 
• ടെസ്റ്റിൽ മാർക്ക് >= 0 സ്കോർ ചെയ്താൽ 
• ആത്മാർത്ഥത സ്‌കോർ പെരുമാറ്റം:  പട്ടിക 1 -ൻ്റെ അടിസ്ഥാനത്തിൽ ഒരു ആത്മാർത്ഥതാ സ്കോർ പെരുമാറ്റത്തിന് രണ്ടാമത്തെ ആത്മാർത്ഥതാ സ്കോർ പെരുമാറ്റത്തിനേക്കാൾ റാങ്ക് മൂല്യം കൂടുതലാണെങ്കിൽ  അതിനെ രണ്ടാമത്തെ ആത്മാർത്ഥതാ സ്കോർ പെരുമാറ്റത്തിനേക്കാൾ പോസിറ്റീവ് കുറവായി കാണുന്നു.  അത്പോലെ തന്നെ  രണ്ടാമത്തെ ആത്മാർത്ഥതാ സ്കോർ പെരുമാറ്റത്തിനേക്കാൾ ഒരു ആത്മാർത്ഥതാ സ്കോർ പെരുമാറ്റത്തിന് റാങ്ക് മൂല്യം കുറവാണെങ്കിൽ അത് രണ്ടാമത്തെ ആത്മാർത്ഥതാ സ്കോർ പെരുമാറ്റത്തിനേക്കാൾ മികച്ചതാകും. 

പ്രൊസീജർ: 

1. Embibe -ൻ്റെ എല്ലാ ടെസ്റ്റ് സെഷനുകളിൽ നിന്നും, സാധുതയുള്ള ടെസ്റ്റ് സെഷനുകൾ മാത്രമേ പരിഗണിക്കൂ. ഈ ഘട്ടത്തിനായുള്ള സമയ സങ്കീർണ്ണത = O(N)
2. ഓരോ യൂസറിനും അവരുടെ ടെസ്റ്റ് സെഷൻ കൃത്യത, ശ്രമ ശതമാനം, ആ ടെസ്റ്റ് സെഷനിൽ ചെലവഴിച്ച സമയം എന്നിവ അടിസ്ഥാനമാക്കി ആത്മാർത്ഥത സ്‌കോർ പെരുമാറ്റമായി തരംതിരിച്ചിട്ടുണ്ട്.
3. വിദ്യാർത്ഥി നൽകിയ ഒരേപോലുള്ള  ഗോളിന്റെ പേരും പരീക്ഷയുടെ പേരും അടങ്ങിയ  ടൈംസ്റ്റാമ്പ് അനുസരിച്ച് വേർതിരിച്ച  പ്രീ-ടെസ്റ്റും പോസ്റ്റ്-ടെസ്റ്റ് ടെസ്റ്റും തമ്മിലുള്ള സ്കോർ വ്യത്യാസം കണക്കാക്കുന്നു. ഈ ഘട്ടത്തിനായുള്ള സമയ സങ്കീർണ്ണത = O(NlogN)
4. ടേബിൾ 1 അടിസ്ഥാനമാക്കിയുള്ള റാങ്ക്, പ്രീ-ടെസ്റ്റിൽ കാണിച്ചിരിക്കുന്ന ഏറ്റവും മോശം ആത്മാർത്ഥത സ്‌കോർ പെരുമാറ്റത്തിന് ബാധകമാണ്. ഏതൊരു ടെസ്റ്റ് സെഷനിലും ഒരു വിദ്യാർത്ഥിയെ രണ്ടോ അതിലധികമോ സ്വഭാവങ്ങളായി തരംതിരിക്കാം. ഈ ഘട്ടത്തിനായുള്ള സമയ സങ്കീർണ്ണത = O(N)
5. പോസ്റ്റ്- ടെസ്റ്റിൽ  വിദ്യാർഥി പ്രകടിപ്പിച്ചിട്ടുള്ള പെരുമാറ്റം ആയിരിക്കും മറ്റെല്ലാ ടെസ്റ്റ് എൻട്രികളുടെയും പെരുമാറ്റമായി തിരഞ്ഞെടുക്കുക.

നൽകിയ റാങ്കിംഗ് അനുസരിച്ച് വിദ്യാർത്ഥിയുടെ പെരുമാറ്റം മെച്ചപ്പെട്ട ടെസ്റ്റ് എൻട്രികൾ മാത്രമാണ് പ്രീ-ടെസ്റ്റിനും പോസ്റ്റ്-ടെസ്റ്റിനും എടുക്കുന്നത്.

സ്കോർ മെച്ചപ്പെടുത്തലിലെ പെരുമാറ്റത്തിന്റെ പരിവർത്തനത്തിന്റെ വെയ്റ്റഡ് മീൻ നമുക്ക് ലഭിക്കും.

വെയ്റ്റഡ് മീൻ = (( Σ(പ്രീ-ടെസ്റ്റ് ആത്മാർത്ഥത സ്‌കോറിന്റെ വെയ്റ്റ് – ടെസ്റ്റിന് ശേഷമുള്ള ആത്മാർത്ഥത സ്‌കോറിന്റെ വെയ്റ്റ്)* സ്‌കോർ_ഇംപ്രൂവ്‌മെന്റ്_അച്ചീവ്ഡ്_ബൈ യൂസർ  )/ ഗ്രൂപ്പിന്റെ വലുപ്പം ) * (നോർമലൈസേഷൻ ഫാക്ടർ)

ഇവിടെ നോർമലൈസേഷൻ ഫാക്ടർ = ആത്മാർത്ഥത സ്‌കോറിന്റെ എണ്ണം/Σ(ഓരോ ആത്മാർത്ഥ സ്‌കോറിനും അനുവദിച്ചിരിക്കുന്ന വെയ്റ്റ്) = 10/55

ഓരോ റാങ്കിനും ഞങ്ങൾ സമം അല്ലാത്ത  വെയ്റ്റ്  നൽകിയതിനാൽ, ഞങ്ങൾ ഒരു നോർമലൈസേഷൻ ഫാക്ടർ ഉൾപ്പെടുത്തേണ്ടതുണ്ട്.

നമ്മൾ ഓരോ റാങ്കിനും തുല്യ വെയിറ്റേജ് നൽകിയിരുന്നെങ്കിൽ, അതായത്, ഓരോ റാങ്കിനും 1 എന്ന വെയിറ്റേജ് നൽകിയാൽ, റാങ്ക് വെയ്റ്റുകളുടെ ആകെത്തുക 10 ആകുമായിരുന്നു.

എന്നിരുന്നാലും, ഞങ്ങളുടെ കാര്യത്തിൽ, ഞങ്ങൾ തുല്യ വെയിറ്റ്  നൽകുന്നില്ല. ‘ശ്രദ്ധക്കുറവുമായി’ താരതമ്യപ്പെടുത്തുമ്പോൾ, ‘നിയത്രണത്തിൽ’ എന്നതിന്  10 മടങ്ങ് വെയ്റ്റ് കുറവാണെന്ന് ഞങ്ങൾ ഉറപ്പാക്കേണ്ടതുണ്ട്. “നിയന്ത്രണത്തിൽ” എന്നതിന് 10/55 വെയ്റ്റും “ശ്രദ്ധക്കുറവ്” എന്നതിന് 10 x 10/55 വെയ്റ്റും നൽകുന്നതിലൂടെ ഇത് നേടാനാകും. അതുപോലെ, ഓരോ പെരുമാറ്റത്തിനും റാങ്ക് * (10/55) ന്റെ ഒരു വെയ്റ്റ് നൽകിയിരിക്കുന്നു.

റാങ്ക് ∈ Z, റാങ്ക് ∈ [1,10] എന്നിവയ്‌ക്കായുള്ള Σ(റാങ്ക് * 10/55) 10 നൽകുന്നു, വെയ്റ്റ് പാരാമീറ്റർ ഇല്ലെങ്കിൽ ഇത് ലഭിക്കുമായിരുന്നു.

ഈ ഘട്ടത്തിനായുള്ള സമയ സങ്കീർണ്ണത = O(pN)

6. മൂല്യങ്ങൾ 1.63 ഘടകം കൊണ്ട് സ്കെയിൽ ചെയ്യുക.

സ്കെയിൽ ഡൗൺ മൂല്യം = (റാങ്കുകൾക്കിടയിൽ സാധ്യമായ പരമാവധി സംക്രമണം) * നോർമലൈസേഷൻ ഘടകം

                                    = (10 – 1) *(10/55) = 9 * 10/55

                                    = 1.63

ഈ ഘട്ടത്തിനായുള്ള സമയ സങ്കീർണ്ണത = O(p)

ഫ്ലോ ചാർട്ട്

നിരീക്ഷണങ്ങൾ 

പെരുമാറ്റം	ശരാശരി മെച്ചപ്പെടുത്തൽ അനുപാതം	SSS സ്ട്രിങ്സ്
നിയന്ത്രണത്തിൽ	6.59	സാധാരണഗതിയിൽ താഴ്ന്ന പെരുമാറ്റം പ്രകടിപ്പിക്കുന്ന വിദ്യാർത്ഥികളേക്കാൾ നിയന്ത്രണത്തിൽ ഉള്ളവർ 6.6 മടങ്ങ് വേഗത്തിൽ മെച്ചപ്പെടും.
മാരത്തോണർ	7.14	താഴ്ന്ന പെരുമാറ്റം പ്രകടിപ്പിക്കുന്ന വിദ്യാർത്ഥികളേക്കാൾ 7.1 മടങ്ങ് വേഗത്തിൽ മാരത്തോണർ മെച്ചപ്പെടുന്നു.
കഠിനമായ ശ്രമം	8.49	കഠിനമായി ശ്രമിക്കുന്നവർ താഴ്ന്ന പെരുമാറ്റം പ്രകടിപ്പിക്കുന്ന വിദ്യാർത്ഥികളേക്കാൾ 8.5 മടങ്ങ് വേഗത്തിൽ മെച്ചപ്പെടുന്നു.
ഗെറ്റിങ് ദേർ	6.19	ഗെറ്റിങ് ദേർ എന്നുള്ളവർ സാധാരണഗതിയിൽ താഴ്ന്ന പെരുമാറ്റം പ്രകടിപ്പിക്കുന്ന വിദ്യാർത്ഥികളേക്കാൾ 6.2 മടങ്ങ് വേഗത്തിൽ മെച്ചപ്പെടുത്തുന്നു
സ്ലോ	4.28	താഴ്ന്ന പെരുമാറ്റം പ്രകടിപ്പിക്കുന്ന വിദ്യാർത്ഥികളേക്കാൾ 4.3 മടങ്ങ് വേഗത്തിൽ സ്ലോ ആയവർ  മെച്ചപ്പെടുന്നു.
കഠിനമായി പരിശീലിക്കൂ	3.85	കഠിനമായി പരിശീലിക്കേണ്ടവർ സാധാരണഗതിയിൽ താഴ്ന്ന പെരുമാറ്റം പ്രകടിപ്പിക്കുന്ന വിദ്യാർത്ഥികളേക്കാൾ 3.8 മടങ്ങ് വേഗത്തിൽ മെച്ചപ്പെടുന്നു
അമിത ആത്മവിശ്വാസം	5.51	താഴ്ന്ന പെരുമാറ്റം പ്രകടിപ്പിക്കുന്ന വിദ്യാർത്ഥികളേക്കാൾ 5.5 മടങ്ങ് വേഗത്തിൽ അമിത ആത്മവിശ്വാസം  ഉള്ളവർ മെച്ചപ്പെടുന്നു.
ആത്മവിശ്വാസക്കുറവ്	1.05	കുറഞ്ഞ സ്വഭാവം പ്രകടിപ്പിക്കുന്ന വിദ്യാർത്ഥികളേക്കാൾ കുറഞ്ഞ ആത്മവിശ്വാസം ഉള്ളവർ  1.0 മടങ്ങ് വേഗത്തിൽ മെച്ചപ്പെടുന്നു
ജമ്പിങ് എറൗണ്ട്	0.69	സാധാരണഗതിയിൽ താഴ്ന്ന പെരുമാറ്റം പ്രകടിപ്പിക്കുന്ന വിദ്യാർത്ഥികളേക്കാൾ 0.7 മടങ്ങ് ജമ്പിങ് എറൗണ്ട് മെച്ചപ്പെടുന്നു.

4 പോസിറ്റീവ് പെരുമാറ്റങ്ങളിൽ, മിക്ക വിദ്യാർത്ഥികളുടെയും ടെസ്റ്റ് സെഷനുകൾ മാരത്തണർ  (35.4%) ഗെറ്റിംഗ് ദേർ (30%) എന്നീ  പെരുമാറ്റങ്ങൾ  കാണിക്കുന്നതായി നിരീക്ഷിക്കപ്പെടുന്നു. നിഷേധാത്മകമായ പെരുമാറ്റങ്ങൾക്കിടയിൽ, വിദ്യാർത്ഥികൾ ജമ്പിങ് എറൗണ്ട് (33%)  കഠിനമായി പരിശീലിക്കൂ(50%) എന്നിവയിൽ നിൽക്കുന്നതായി കാണിക്കുന്നു.

ഭാവിയിലെ ജോലികൾ 

1. വിദ്യാർത്ഥികളുടെ പെരുമാറ്റം തിരിച്ചറിയാൻ  മേൽനോട്ടമില്ലാത്ത പഠനരീതി  പ്രയോഗിക്കുന്നു – ഇത് ചെലവഴിച്ച സമയം, കൃത്യത, അറ്റംപ്റ്റ്  ശതമാനം എന്നിവ സംബന്ധിച്ച പക്ഷപാതം ഇല്ലാതാക്കാൻ സിസ്റ്റത്തെ പ്രാപ്തമാക്കും.
2. ന്യൂറൽ നെറ്റ്‌വർക്കുകളും മറ്റ് ആഴത്തിലുള്ള പഠന-അധിഷ്‌ഠിത രീതികളും വഴി ലേൺഡ് ഒബ്ജക്റ്റീവ് ഫംഗ്‌ഷനുകൾ ഉപയോഗിച്ച് സ്‌കോർ മെച്ചപ്പെടുത്തലിനെ സ്വാഭാവിക പ്രക്രിയ ആക്കുന്നു.
3. ഒരു പ്രത്യേക ടെസ്റ്റ് തരത്തിൽ യൂസറിന്റെ ഭാവി വിജയഗാഥയുടെ പ്രവചനം കൂടാതെ എംബിബ് സ്‌കോർ ക്വോഷിയന്റിനൊപ്പം ഞങ്ങളുടെ മോഡലിന്റെ പ്രകടനം വിശകലനം ചെയ്യുന്നു.
4. വ്യക്തിഗതമാക്കിയ വിജയകഥകളെ അടിസ്ഥാനമാക്കി മികച്ച ഉള്ളടക്കവും ടെസ്റ്റുകളും നൽകുന്നതിനുള്ള റെക്കമെൻഡേഷൻ എഞ്ചിൻ.