അറിവിന്‍റെ നിലവാരവും പെരുമാറ്റ രീതിയും ട്രാക്ക് ചെയ്തുകൊണ്ട് സ്കോർ ചെയ്യാനുള്ള ഒരു വിദ്യാർത്ഥിയുടെ കഴിവ് അളക്കുന്നു

ഇന്ന്, വിദ്യാഭ്യാസ സംവിധാനങ്ങളും ജോബ് റിക്രൂട്ടർമാരും മികവിന്‍റെ തെളിവായി പ്രധാനമായും പരീക്ഷകളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. വർഷം മുഴുവനും മികച്ചതോ മോശമായതോ ആണെങ്കിലും, ഒരു വിദ്യാർത്ഥി ഒരു പരീക്ഷയിൽ എന്ത് ചെയ്യുന്നു എന്നതാണ് അടിവരയിടുന്നത്. മൂന്ന് മണിക്കൂറിനുള്ളിൽ മാത്രം, ഒരു വിദ്യാർത്ഥിയുടെ അറിവും കഴിവും വിലയിരുത്തപ്പെടുന്നു. വിദ്യാർത്ഥികൾക്ക് ദൈർഘ്യമേറിയ വിഷയത്തെക്കുറിച്ച് ചിന്തിക്കാനും പ്രതിഫലിപ്പിക്കാനും സമയം കുറവാണ്. ഇതിനെല്ലാം ഉപരിയായി, വിദ്യാർത്ഥി-അധ്യാപക റേഷ്യോ വളരെ ആനുപാതികമല്ലാതെയാണ്. ഓരോ വിദ്യാർത്ഥിക്കും ഫലപ്രദമായി വ്യക്തിഗതമായ ശ്രദ്ധ നൽകാൻ അധ്യാപകർക്ക് കഴിയില്ല. ഈ പ്രശ്‌നങ്ങളെല്ലാം മറികടക്കാൻ, വിദ്യാർത്ഥികൾക്ക് ആവശ്യമുള്ളത്, അവർക്ക് ആവശ്യമുള്ളപ്പോൾ, അവരുടെ പൂർണ്ണമായ കഴിവിൽ എത്താൻ അവരുടെ വേഗതയിൽ ഞങ്ങൾ നൽകേണ്ടതുണ്ട്.

എന്നിരുന്നാലും, ഇത് നേടുന്നതിന്, പരീക്ഷയിൽ പ്രകടനം നടത്താനുള്ള വിദ്യാർത്ഥികളുടെ നിലവിലെ കഴിവ് ഞങ്ങൾ അളക്കണം. ഇപ്പോൾ, സ്കോറുകൾക്ക് മാത്രം ഒരു വിദ്യാർത്ഥിയുടെ കഴിവിനെക്കുറിച്ച് മൊത്തത്തിലുള്ള ധാരണ നൽകാൻ കഴിയില്ല, കാരണം ക്ലാസിൽ മികച്ച പ്രകടനം കാഴ്ചവയ്ക്കുന്ന വിദ്യാർത്ഥികളുണ്ട്, പക്ഷേ പരീക്ഷയിൽ മികച്ച പ്രകടനം നടത്താൻ കഴിയില്ല. അതിനാൽ, Embibe സ്‌കോർ ക്വോഷ്യന്റ് എന്നറിയപ്പെടുന്ന ഒരു പരീക്ഷയിൽ വിദ്യാർത്ഥിയുടെ പ്രകടനം അളക്കാനുള്ള ഒരു പാരാമീറ്റർ Embibe കൊണ്ടുവന്നു. Embibe, മൊത്തത്തിൽ, ഒരു വിദ്യാർത്ഥിയുടെ സ്‌കോർ ചെയ്യാനുള്ള കഴിവ് മാർക്കുകളെയും ഒന്നിലധികം സൂക്ഷ്മമായ ഒളിഞ്ഞിരിക്കുന്ന ആട്രിബ്യൂട്ടുകളിലുടനീളമുള്ള ഉപയോക്താവിന്റെ പെരുമാറ്റത്തെയും ആശ്രയിച്ചിരിക്കുന്നുവെന്ന് വിശ്വസിക്കുന്നു. കുറഞ്ഞ ടെസ്റ്റ് സ്‌കോറുകളിലേക്ക് നയിക്കുന്ന അക്കാദമിക് വൈദഗ്ധ്യത്തിന്റെ അഭാവമോ പെരുമാറ്റ സവിശേഷതകൾ മൂലമുള്ള തെറ്റുകളോ കൃത്യമായി ചൂണ്ടിക്കാണിക്കാൻ Embibe സ്‌കോർ ക്വോഷ്യന്റ് ഞങ്ങളെ അനുവദിക്കുന്നു.

സ്‌പോട്ട് ശുപാർശകൾ നൽകാൻ ഞങ്ങളുടെ സിസ്റ്റത്തെ അനുവദിക്കുന്ന Embibe സ്‌കോർ ക്വോഷ്യന്റിന്റെ പ്രധാന ഘടകങ്ങൾ അക്കാദമിക് ക്വോഷ്യന്റ്, ബിഹേവിയർ ക്വോഷ്യന്റ്, എഫോർട്ട് ക്വോഷ്യന്റ് എന്നിവയാണ്.

• അക്കാദമിക് കോഷ്യന്‍റ്: എന്നത് വിദ്യാർത്ഥികളുടെ അക്കാദമിക് കഴിവിനെ സൂചിപ്പിക്കുന്നു. Embibe ൽ, ഒരു വിദ്യാർത്ഥിയുടെ അക്കാദമിക് കഴിവ് കൺസെപ്റ്റ് മാസ്റ്ററിയുടെ സഹായത്തോടെ കണക്കാക്കുന്നു. വീഡിയോകൾ കാണുക, ചോദ്യങ്ങൾ പരിശീലിക്കുക, ടെസ്റ്റുകൾ എടുക്കുക അല്ലെങ്കിൽ ടെസ്റ്റ് ഫീഡ്‌ബാക്ക് അവലോകനം ചെയ്യുക തുടങ്ങിയ പ്രവർത്തനങ്ങൾ വിദ്യാർത്ഥി നിർവ്വഹിക്കുമ്പോൾ തത്സമയം കാലിബ്രേറ്റ് ചെയ്യപ്പെടുന്ന ഒരു ആശയത്തിൽ വിദ്യാർത്ഥിയുടെ വൈദഗ്ധ്യത്തിന്റെ അളവുകോലാണ് കോൺസെപ്റ്റ് മാസ്റ്ററി.
• ബിഹേവിയർ കോഷ്യന്‍റ്: എന്നത് പരീക്ഷയെഴുതുന്നതുമായി ബന്ധപ്പെട്ട ഒരു വിദ്യാർത്ഥിയുടെ പെരുമാറ്റ സവിശേഷതകളെ സൂചിപ്പിക്കുന്നു. ഇത് ഉപവിഭാഗങ്ങൾ ഉൾക്കൊള്ളുന്നു, അതായത് ഇന്റന്റ് ക്വോഷ്യന്റ്, ടെസ്റ്റ് ടേക്കിംഗ് സ്കിൽസ് ക്വോഷ്യന്റ്.
• ഇന്റന്റ് കോഷ്യന്‍റ്: ഒരു വിദ്യാർത്ഥിയുടെ സ്കോളാസ്റ്റിക് മനോഭാവത്തെ അല്ലെങ്കിൽ അവന്റെ അറിവ് പരിഗണിക്കാതെയുള്ള ഉദ്ദേശ്യത്തെ സൂചിപ്പിക്കുന്നു. പാഴായ ശ്രമങ്ങളുടെ എണ്ണം, സബ്ജക്ട് സ്വാപ്പുകളുടെ എണ്ണം, ഒരു ചോദ്യവും പരീക്ഷിക്കാത്ത സമയം, മറ്റ് സമാന സവിശേഷതകൾ എന്നിവയാണ് ഈ വിഭാഗത്തിൽ പരിഗണിക്കപ്പെടുന്ന ചില സമഗ്രമല്ലാത്ത സവിശേഷതകൾ.
• ടെസ്റ്റ് ടേക്കിംഗ് സ്കിൽസ് കോഷ്യന്‍റ്: എന്നത് ഒരു വിദ്യാർത്ഥിയുടെ ടെസ്റ്റ് എടുക്കൽ കഴിവിനെ സൂചിപ്പിക്കുന്നു. ഒരു മികച്ച ആശയം നൽകാൻ, ഈ വിഭാഗത്തിൽ പരിഗണിക്കുന്ന ചില സവിശേഷതകൾ, മറ്റ് സമാന സവിശേഷതകൾക്കൊപ്പം, പരിശോധിച്ച ചോദ്യങ്ങളുടെ എണ്ണവും അവലോകനത്തിനായി അടയാളപ്പെടുത്തിയ ചോദ്യങ്ങളുടെ എണ്ണവുമാണ്.
• എഫർട്ട് കോഷ്യന്‍റ്: എന്നത് ഒരു വിദ്യാർത്ഥി പഠിക്കുമ്പോൾ നടത്തുന്ന പരിശ്രമത്തിന്റെ അളവിനെ സൂചിപ്പിക്കുന്നു. പരീക്ഷകളിൽ സ്കോർ ചെയ്യാനുള്ള വിദ്യാർത്ഥിയുടെ കഴിവ് മനസ്സിലാക്കാൻ എഫോർട്ട് ക്വാഷ്യന്റ് ഞങ്ങളെ അനുവദിക്കുന്നു. ഈ വിഭാഗത്തിന് കീഴിൽ നേരിട്ട് വ്യാഖ്യാനിക്കാവുന്ന ചില സവിശേഷതകൾ, പരിശീലന സെഷനുകളുടെ എണ്ണം, പ്രായോഗികമായി ചെലവഴിച്ച മൊത്തം സമയം, മറ്റ് സമാന പ്രവർത്തനങ്ങൾ എന്നിവയാണ്.

യാഥാർത്ഥ്യത്തിന്റെ ഏകദേശ കണക്കാണ് മെഷീൻ ലേണിംഗ് മോഡൽ. ആ യാഥാർത്ഥ്യം ക്വാണ്ടിറ്റേറ്റീവ് അല്ലെങ്കിൽ സ്വാഭാവിക ഭാഷയിൽ ഉറപ്പിക്കുന്നതിനുള്ള ഒരു മാധ്യമമായി വ്യാഖ്യാനത്തെ കണക്കാക്കാം. സാധ്യമായ ഇടങ്ങളിൽ വ്യാഖ്യാനിക്കാവുന്ന മാതൃകകൾ ഉപയോഗിക്കാൻ അഭ്യർത്ഥിക്കുന്നു. അതാര്യമെന്ന് തോന്നുന്ന ആഴത്തിലുള്ള പഠന മാതൃകകൾക്ക് പോലും വ്യാഖ്യാനങ്ങൾ നൽകുന്നതിൽ കുതിച്ചുചാട്ടമുണ്ട്. വ്യാഖ്യാനക്ഷമത മനസ്സിൽ വെച്ചുകൊണ്ട്, അത്തരം സമ്പന്നവും ഉയർന്ന വ്യാഖ്യാനിക്കാവുന്നതുമായ ഫീച്ചറുകൾ ഉപയോഗിച്ച് നിർമ്മിച്ച Embibe സ്‌കോർ ക്വോഷ്യന്റ് വിദ്യാർത്ഥികൾക്ക് സ്പോട്ട് ശുപാർശകൾ നൽകാൻ ഞങ്ങളെ അനുവദിക്കുന്നു. സ്‌പോട്ട് ശുപാർശകൾ അവരുടെ ദുർബലമായ ആശയങ്ങൾ മെച്ചപ്പെടുത്താനും ഏറ്റവും മികച്ചതും പ്രവർത്തന-അധിഷ്‌ഠിതവുമായ രീതിയിൽ പെരുമാറ്റ ഫീഡ്‌ബാക്ക് നൽകാനും ലക്ഷ്യമിടുന്നു.

ഉദാഹരണത്തിന്, ഉയർന്ന അക്കാഡമിക് ക്വാഷ്യന്റും ഉയർന്ന ഇന്റന്റ് ക്വാഷ്യന്റും എന്നാൽ കുറഞ്ഞ ടെസ്റ്റ് ടേക്കിംഗ് ക്വാഷ്യന്റും ഉള്ള ഒരു വിദ്യാർത്ഥിക്ക്, സിസ്റ്റം നിർദ്ദേശിക്കും, “സബ്ജക്റ്റ് മെറ്റീരിയലിനെക്കുറിച്ച് നിങ്ങൾക്ക് ഉറപ്പില്ലാത്ത ചോദ്യങ്ങളിൽ നിങ്ങൾ വളരെയധികം സമയം ചെലവഴിക്കുന്നു. നിങ്ങളുടെ ടെസ്റ്റിൽ മൊത്തത്തിൽ കൂടുതൽ സമയം അനുവദിക്കുന്നതിന് ആ സമയം കുറയ്ക്കുക.”, അല്ലെങ്കിൽ “നിങ്ങളുടെ ടെസ്റ്റ് പരീക്ഷിക്കാൻ തുടങ്ങുന്നതിന് മുമ്പ് എല്ലാ ചോദ്യങ്ങളും വായിക്കാൻ നിങ്ങൾ വളരെ കുറച്ച് സമയം ചെലവഴിക്കുന്നു. ആദ്യ വായനയിൽ കൂടുതൽ സമയം ചെലവഴിക്കുക, അതുവഴി നിങ്ങളുടെ പരീക്ഷണ പാത മികച്ച രീതിയിൽ ആസൂത്രണം ചെയ്യാൻ കഴിയും.

സിസ്റ്റവുമായി ഇടപഴകുന്ന മറ്റൊരു വിദ്യാർത്ഥിക്ക്, കുറഞ്ഞ അക്കാദമിക് ക്വോഷ്യന്റ്, എന്നാൽ ഉയർന്ന ഇൻഡന്റ് ക്വോഷ്യന്റ്, ഉയർന്ന ടെസ്റ്റ് ടേക്കിംഗ് ക്വോഷ്യന്റ് എന്നിവ ഉൾക്കൊള്ളുന്ന Embibe സ്‌കോർ ക്വോഷ്യന്റ്, എഞ്ചിന് വിദ്യാർത്ഥിക്ക് ഇത്തരത്തിൽ ഒരു സ്പോട്ട് ശുപാർശ നൽകാൻ കഴിയും, “ഒപ്റ്റിമൽ പ്രകടനം നടത്തുന്നതിന് നിങ്ങൾക്ക് അധ്യായം X നായുള്ള ഉള്ളടക്ക മെറ്റീരിയൽ പരിശീലിക്കാൻ കൂടുതൽ സമയം ആവശ്യമാണ്.

മൊത്തത്തിൽ, വിദ്യാർത്ഥികളുടെ അക്കാദമിക്, ബിഹേവിയറൽ, പ്രയത്നം എന്നീ അളവുകളിലേക്കുള്ള വിദ്യാർത്ഥികളുടെ കഴിവിന്റെ പ്രൊജക്ഷൻ ആയ Embibe സ്‌കോർ ക്വോഷ്യന്റ്, വിദ്യാർത്ഥിക്ക് വ്യക്തിഗതവും വ്യക്തിഗതവുമായ ശ്രദ്ധ നൽകിക്കൊണ്ട് കുറഞ്ഞ അധ്യാപക-വിദ്യാർത്ഥി അനുപാതം ലഘൂകരിക്കാൻ Embibe ന്റെ AI എഞ്ചിനെ അനുവദിക്കുന്നു. കൂടാതെ, AI എഞ്ചിന്റെ കാതലായ Embibe സ്‌കോർ ക്വോഷ്യന്റ് ഉപയോഗിച്ച്, സിസ്റ്റത്തിന്റെ മാനുഷിക വ്യാഖ്യാനവും ഞങ്ങൾ മെച്ചപ്പെടുത്തുന്നു, ഇത് വിശദീകരിക്കാവുന്ന AI-ലേക്ക് അടുപ്പിക്കുന്നു.

References:

[1] Keyur Faldu, Aditi Avasthi, and Achint Thomas. Adaptive learning machine for score improvement and parts thereof, US Patent No. 10854099 B2.

[2] C. Rudin. Stop Explaining Black-Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead. arXiv e-prints, 11 2018.