സ്വയമേവയുള്ള ടെസ്റ്റ് ജനറേഷൻ

അദ്ധ്യാപകരുടെ വിലയേറിയ സമയം ലാഭിക്കുന്നതിനും വ്യക്തിഗത പക്ഷപാതം ഒഴിവാക്കുന്നതിനുമായി ഇൻസ്റ്റിറ്റ്യൂട്ടുകളും വിദ്യാർത്ഥികളും മുഖേന ഉയർന്ന നിലവാരമുള്ളതും വ്യക്തിഗതമാക്കിയതുമായ ടെസ്റ്റുകൾ യാന്ത്രികമാക്കുക എന്നതാണ് സ്വയമേവയുള്ള ടെസ്റ്റ് ജനറേഷന്റെ ലക്ഷ്യം.

ചെലവും ജനസംഖ്യാവര്‍ധനവും  കാരണം മിക്ക വിദ്യാർത്ഥികൾക്കും മികച്ച സൗകര്യങ്ങൾ  ലഭിക്കുന്നില്ല. മാത്രമല്ല, ഒരു അധ്യാപകന്റെ സമയം വളരെ നിർണായകമാണ്. സ്വയമേവയുള്ള ടെസ്റ്റ് ജനറേഷന്റെ സഹായത്തോടെ, ടെസ്റ്റ്‌ പേപ്പറുകൾ സൃഷ്ടിക്കുന്നതിനേക്കാൾ കൂടുതൽ സമയം പഠിപ്പിക്കുന്നതിന് ചെലവഴിക്കാന്‍ അധ്യാപകരെ സഹായിക്കാൻ ഞങ്ങൾ ശ്രമിക്കുന്നു. ഉയർന്ന നിലവാരമുള്ള ടെസ്റ്റ് പേപ്പർ സ്വമേധയാ വികസിപ്പിക്കുന്നത് ഒരു വെല്ലുവിളി നിറഞ്ഞ പ്രക്രിയയാണ്. ഉയർന്ന നിലവാരമുള്ള ടെസ്റ്റുകൾ സൃഷ്ടിക്കുന്നതിനുള്ള കഴിവ്, സന്ദർഭോചിതമായരീതിയിൽ  അവരുടെ ആശയ വൈദഗ്ദ്ധ്യംകൈവരിക്കാനും അതിലൂടെ  വിദ്യാർത്ഥികൾക്ക് മികച്ച  പഠന ഫലങ്ങൾ നേടാനും സഹായിക്കുന്നു.

ഈ പ്രശ്നം പരിഹരിക്കുന്നതിനായി, ടെസ്റ്റ് പേപ്പറുകൾ രൂപകൽപ്പന ചെയ്യുന്നതിന് ഒന്നിലധികം പാരാമീറ്ററുകൾ പരിഗണിക്കുന്ന ഒരു ഇന്റലിജന്റ് സിസ്റ്റം ഞങ്ങൾ വികസിപ്പിച്ചിട്ടുണ്ട്:

  • സിലബസ് കവറേജ്,
  • പാഠ്യഭാഗ വെയ്റ്റേജ്,
  • കാഠിന്യം,
  • മുൻ വർഷത്തെ പ്രവണതകൾ,
  • വ്യത്യസ്ത തരം ചോദ്യങ്ങൾ,
  • വിദ്യാര്‍ഥിയുടെ ആശയ പ്രാവീണ്യം (പ്രത്യേകം സൃഷ്ടിച്ചത്)
  • വിദ്യാര്‍ഥിയുടെ പഠനരീതികൾ (പ്രത്യേകം സൃഷ്ടിച്ചത്)

പരമാവധി ഇഷ്‌ടാനുസൃതമാക്കലോടെ ടെസ്റ്റ് പേപ്പറുകൾ വേഗത്തിൽ സൃഷ്‌ടിക്കാൻ ഈ ഉപയോഗയോഗ്യത അധ്യാപകരെ സഹായിക്കുന്നു. അതേസമയം, Embibe വികസിപ്പിച്ചെടുത്ത ടെസ്റ്റ് ക്വാളിറ്റി സ്‌കോർ അൽഗോരിതം ഉപയോഗിച്ച് പരിശോധിച്ചു ബോധ്യപ്പെടുത്തുന്ന ഉയർന്ന നിലവാരം ഇത് ഉറപ്പാക്കുന്നു.

ടെസ്റ്റ് ക്വാളിറ്റി സ്കോറും ചോദ്യങ്ങളുടെ  വേർതിരിവ്  ഘടകവും

അധ്യായങ്ങളുടെകാഠിന്യവും കവറേജും കണക്കിലെടുത്ത് അധ്യാപകർ /സ്ഥാപനങ്ങൾ  തിരഞ്ഞെടുത്ത മാനദണ്ഡങ്ങൾക്കനുസൃതമായാണോ ടെസ്റ്റ്‌ ജനറേറ്റ് ചെയ്തതെന്ന് പരിശോധിക്കാൻ ടെസ്റ്റ് ക്വാളിറ്റി സ്കോർ ഉപയോഗിക്കുന്നു.

വിദ്യാര്‍ഥിയുടെ ചോദ്യ അറ്റെംമ്പ്റ്റ് വിവരങ്ങൾ  ഉപയോഗിച്ച് ചോദ്യങ്ങളുടെ വിവേചന ഘടകം കണക്കാക്കുന്നതിന് ഐറ്റം റെസ്പോന്‍സ്‌ സിദ്ധാന്തം ഉപയോഗിക്കുന്നു.  ചോദ്യം തിരഞ്ഞെടുക്കുമ്പോൾ ഉയർന്ന വിവേചന ഘടകമുള്ള ചോദ്യങ്ങൾക്ക് കൂടുതൽ മുൻഗണന നൽകുകയും അത് പരീക്ഷയുടെ മൊത്തത്തിലുള്ള ഗുണനിലവാരം മെച്ചപ്പെടുത്തുകയും ചെയ്യുന്നു.

നിങ്ങളുടെ സ്വന്തം ടെസ്റ്റ് സൃഷ്ടിക്കുക

ഇഷ്‌ടാനുസരണം  തിരഞ്ഞെടുത്ത അധ്യായങ്ങളും അവയുടെ ബുദ്ധിമുട്ടുകളും  അനുസരിച്ച്  ഒരു പ്രത്യേക ലക്ഷ്യ൦ കൈവരിക്കുന്നതിനും  പരീക്ഷയ്ക്കും അവരുടേതായ   രീതിയിൽ ടെസ്റ്റ്‌ സൃഷ്ടിക്കാൻ വിദ്യാർത്ഥിയെ സഹായിക്കുന്ന ‘നിങ്ങളുടെ സ്വന്തം ടെസ്റ്റ് സൃഷ്‌ടിക്കുക’ എന്ന ഫീച്ചർ ഞങ്ങൾ വികസിപ്പിച്ചിട്ടുണ്ട്. വിദ്യാർത്ഥി തിരഞ്ഞെടുത്ത പരിമിതികൾ തൃപ്തിപ്പെടുത്തുന്നതിനായി വ്യത്യസ്ത ഒപ്റ്റിമൈസേഷൻ അൽഗോരിതങ്ങൾ ഉപയോഗിച്ച് ഈ ടെസ്റ്റ് ജനറേറ്റുചെയ്‌തതും വിദ്യാർത്ഥിക്ക് വ്യക്തിഗതമാക്കിയതുമാണ്.

പ്രയാസനിർണയ ടെസ്റ്റ്

ഒരു നല്ല പ്രയാസനിർണയ ടെസ്റ്റ് എന്നത് (i) തന്നിരിക്കുന്ന സ്കിൽ  സെറ്റ് ഉപയോഗിച്ചു  വ്യത്യസ്ത കഴിവുള്ള വിദ്യാർത്ഥികളെ  വേർതിരിക്കുന്നതിനും  (ii) ഗ്രൗണ്ട് ട്രൂത്ത് ഡാറ്റയുമായി സ്ഥിരത കൈവരിക്കുന്നതും (iii) കഴിയുന്നത്ര കുറച്ച് ചോദ്യങ്ങളിലൂടെ ഇത് നേടിയെടുക്കാനും കഴിയുന്ന ഒന്നാണ്.

ലക്ഷ്യം നേടുന്നതിന് ആവശ്യമായ ആശയങ്ങളിൽ വിദ്യാർത്ഥി എത്രമാത്രം വൈദഗ്ദ്ധ്യം നേടിയിട്ടുണ്ടെന്ന് നിർണ്ണയിക്കാൻ ഒരു വിദ്യാർത്ഥിയെ സഹായിക്കുന്നതിനായി വ്യക്തിഗത ജൈത്ര യാത്രയുടെ ഭാഗമായാണ് ഞങ്ങൾ പ്രയാസനിർണയ ടെസ്റ്റുകൾ സൃഷ്ടിക്കുന്നത്. 

2 ടെസ്റ്റുകൾ ഉപയോഗിച്ചാണ് ഇത് സാധ്യമാക്കുന്നത്:

  • മുന്നറിവുകളുടെ ടെസ്റ്റ്: വിദ്യാർത്ഥി തിരഞ്ഞെടുത്ത ഒരു ലക്ഷ്യം നേടുന്നതിന് അടിസ്ഥാനപരമായ മുന്നറിവുകളുമായി  ബന്ധപ്പെട്ട ചോദ്യങ്ങൾ നൽകുന്നു.
  • അച്ചീവ്‌ ടെസ്റ്റ്‌: നിർദ്ദിഷ്ട പരീക്ഷയ്ക്കും ലക്ഷ്യത്തിനുമായി ഏറ്റവും പ്രധാനപ്പെട്ട ആശയങ്ങൾ ഉൾക്കൊള്ളുന്ന ചോദ്യങ്ങൾ നൽകുന്നു.

DEMO VIDEO

References

  • Dhavala, Soma, Chirag Bhatia, Joy Bose, Keyur Faldu, and Aditi Avasthi. “Auto Generation of Diagnostic Assessments and Their Quality Evaluation.” International Educational Data Mining Society (2020).
  • Desai, Nishit, Keyur Faldu, Achint Thomas, and Aditi Avasthi. “System and method for generating an assessment paper and measuring the quality thereof.” U.S. Patent Application 16/684,434, filed October 1, 2020.
  • Vincent LeBlanc, Michael A. A. Cox, “Interpretation of the point-biserial correlation coefficient in the context of a school examination,” January 2017, The Quantitative Methods for Psychology 13(1):46-56
  • Linden, W. D., and R. Hambleton. “Handbook of Modern Item Response Theory.” (1997), Biometrics 54:1680
  • Ronald K Hambleton and Wim J Linden. Handbook of modern item response theory. Volume two: Statistical tools. CRC Press, USA, 2016.
  • Guang Cen, Yuxiao Dong, Wanlin Gao, Lina Yu, Simon See, Qing Wang, Ying Yang, and Hongbiao Jiang. An implementation of an automatic examination paper generation system. Mathematical and Computer Modelling, 51, 2010.
  • “Autogeneration of Diagnostic Test and Their Quality Evaluation – EDM:2020”, EDM 2020 presentation, Jul 2020, https://www.youtube.com/watch?v=7wZz0ckqWFs
  • Lalwani, Amar, and Sweety Agrawal. “Validating revised bloom’s taxonomy using deep knowledge tracing.” In International Conference on Artificial Intelligence in Education, pp. 225-238. Springer, Cham, 2018.
  • Faldu, Keyur, Aditi Avasthi, and Achint Thomas. “Adaptive learning machine for score improvement and parts thereof.” U.S. Patent 10,854,099, issued December 1, 2020.
  • Donda, Chintan, Sayan Dasgupta, Soma S. Dhavala, Keyur Faldu, and Aditi Avasthi. “A framework for predicting, interpreting, and improving Learning Outcomes.” arXiv preprint arXiv:2010.02629 (2020).
  • Faldu, Keyur, Achint Thomas, and Aditi Avasthi. “System and method for recommending personalized content using contextualized knowledge base.” U.S. Patent Application 16/586,512, filed October 1, 2020.
  • Faldu, Keyur, Achint Thomas, and Aditi Avasthi. “System and method for behavioral analysis and recommendations.” U.S. Patent Application 16/586,525, filed October 1, 2020.
  • https://en.wikipedia.org/wiki/Wasserstein_metric