पर्सनलाइज्ड लर्निंगसाठी इंटेलिजन्ट सर्च

पर्सनलाइज्ड लर्निंगसाठी इंटेलिजन्ट सर्च

जेव्हा युजर शोधत असलेली माहिती देण्याची वेळ येते तेंव्हा सामान्यतः दोन प्रकार युजरच्या अनुभवानुसार उपलब्ध होतात. पहिल्या प्रकारामध्ये सु-व्यवस्थित आखणी केलेली, मेनू-आधारित नेव्हिगेशन प्रणालीचा समावेष आहे. तर दुसरा प्रकार म्हणजेच आहे जो युजरच्या शंकांवर आधारित कॉन्टेन्ट उपलब्ध करतो.

सर्च ही एक अत्यंत उत्तम पद्धत आहे. याद्वारे आपण वेबवर माहिती शोधत असतो. मेनू-आधारित प्रणाली युजरना सातत्याने शोधत असलेल्या माहितीच्या योग्य त्या भागाकडे नेत असताना, मेनू पर्यायांची संख्या मर्यादित व योग्य पर्यायांपर्यंत कमी करत हा शोध योग्य दिशेने नेण्यास मदत करते. विशेषत: जेव्हा माहितीचे विश्व विशाल असते तेव्हा याची खूप मदत होते. मेनू आणि टॅबच्या ढिगाऱ्याखाली कॉन्टेन्ट सर्च करणे ही एक अत्यंत रटाळवाणी आणि संथ गतीने चालणारी प्रक्रिया आहे. याच कारणांमुळे सर्च-आधारित UI द्वारे Embibe ची सामग्री युजरसमोर आणणे अधिक अर्थपूर्ण बनते.

प्रॉडक्ट डिझाइनच्या दृष्टिकोनातून, सर्च-आधारित UI अधिक व्यवहारिक आहे कारण ते स्वतः वैयक्तिक युजरशी जुळवून घेऊ शकते. आपण आपला कॉन्टेन्ट अनेक निरनिराळ्या अभ्यासक्रमांवर आधारित वेगवेगळ्या परीक्षांमध्ये विस्तारित केला आहे. तसेच  प्लॅटफॉर्मशी संवाद साधताना Embibe ने यापूर्वीच गोळा केलेला प्रचंड डेटा पाहता, वैयक्तिक युजरसाठी वैयक्तिकृत केलेला कॉन्टेन्ट डिस्कव्हरी आणि सरफेसिंग तंत्र विकसित करणे शक्य आहे. यामुळे त्यांना हवी असणारी माहिती जलदरीत्या प्रदान करत हा अनुभव आणखी आनंददायक करणे शक्य आहे.

आपण याआधी पाहिल्याप्रमाणे Embibe गेल्या 8 वर्षांपासून मोठ्या प्रमाणावर डेटा संकलित करत आहे आणि हीच आपल्या सर्च-आधारित पर्सनलाइज्ड कॉन्टेन्ट डिस्कव्हरी सिस्टीमची जमेची बाजू आहे. हवे ते उत्तर मिळेपर्यंत युजर शंका विचारत असलेल्या नियंत्रणाचा प्रवाह आकृती 1 दर्शवते. Embibe चे पर्सनलाइज्ड कॉन्टेन्ट डिस्कव्हरी हा इलास्टिक सर्चवर इन-हाऊस कस्टम विकसित करण्यात आलेल्या प्री- आणि पोस्ट-प्रोसेसिंग फ्रेमवर्क वापरून प्रभावी झाला आहे. तो युजर लुकअप, शंकाचे पुनर्लेख), हेतू शोधणे, मल्टी-पास रिट्रिव्हल, रिझल्ट री-रँकिंग) आणि शंकेचे निःसंदिग्धीकरण हाताळतो. प्रणालीमधील प्रत्येक घटकाचे बारकावे आणि त्याचे कार्यक्षेत्र यांच्याबाबत बोलायचे झाल्यास त्यासाठी एक स्वतंत्र लेख लिहावा लागेल.

आपले सर्च इंजिन सर्व इयत्तांमधील युजरच्या प्रश्नांवर आधारित कंटेंट प्रदान करते. हे युजरच्या इयत्ता, समूहाची कामगिरी, हिस्टोरिकल सर्च ट्रेंड्स आणि कॉन्टेन्ट वापराचे नमुने, परीक्षा आणि युजरचे पूर्वीचे परस्परसंवाद आधारित कॉन्टेन्टची काठिण्यता अशा 25 घटकांपैकी काहींच्या आधारावर संबंधित रिझल्ट पुन्हा री-रँक करते.

प्रश्न क्रमांक टेम्प्लेट (QNT)सर्च:  हे एक महत्वाचे वैशिष्टय विद्यार्थ्यांना एखाद्या विशिष्ट पुस्तकातील प्रश्नाचा थेट शोध घेऊन त्याचे उत्तर मिळवून देणे व प्रॅक्टिस करणे यासाठी उपयुक्त ठरते. यामुळे नजीकच्या काळात परीक्षा देणाऱ्या विद्यार्थ्यांचा बराच वेळ वाचतो.

याव्यतिरिक्त, विद्यार्थ्यांना प्लॅटफॉर्मशी त्यांच्या पूर्वीच्या इंटरॅक्शन (परस्परसंवाद) वर आधारित आधारित शिफारसी दर्शविल्या जातात. यामुळे त्यांना हव्या असलेल्या कॉन्टेन्टवर लक्ष केंद्रित करण्यासाठी मदत होते. पुरेसा डेटा उपलब्ध असल्यास हे सहजरित्या होते, तर डेटा अपुरा असल्यास साम्य असलेल्या युजरच्या डेटाच्या माध्यमातून हे शक्य होते.

पर्सनलाइज्ड शिफारसी दोन प्रकारच्या असतात – लर्निंग कॉन्टेन्टसाठीच्या शिफारसी जेथे युजर त्यांच्या उर्वरित समूहाच्या कार्याच्या तुलनेत अत्यंत कमी पर्सेंटाइल स्टँडिंगवर असतो, आणि वर्तन -लक्ष्यित प्रॅक्टिसच्या विशेष संच असलेल्या प्रश्नांच्या पॅकसाठीच्या शिफारसी – जसे की टॉप रँकर्सच्या चुका, बहुतेक विद्यार्थ्यांच्या निष्काळजीपणामुळे झालेल्या चुका इत्यादी. हे प्रॅक्टिस पॅक विशिष्ट युजरच्या वर्तनातील पडलेला खंड दूर करण्यासाठी उपयुक्त आहेत.