Scan to download the app 
वेगवेगळ्या शिक्षण शैलीचा वापर करणाऱ्या विविध विद्यार्थ्यांच्या सेवेत
शिक्षण शैली म्हणजे नक्की काय?
विद्यार्थ्यांची शिक्षण शैली प्रामुख्याने शाळा आणि कॉलेजमधील शिक्षकांनी शिक्षणासाठी वापरलेल्या पद्धतीद्वारे प्रभावित असते. त्यांच्यावर मुख्य प्रभाव पडणाऱ्या दोन प्रसिद्ध संरचना, ज्या Embibe च्या डिजिटल लर्निंग प्लॅटफॉर्म आणि शिकवण्याच्या पद्धतीसाठी पाया म्हणून काम करतात त्या आहेत फेल्डर-सिल्व्हरमॅन आणि कोल्बच्या शिक्षण शैली.
फेल्डर-सिल्व्हरमॅन यांनी मांडलेली शिक्षण शैली सक्रीय-चिंतनशील, दृश्यमान किंवा शाब्दिक, संवेदनात्मक किंवा अंतःप्रेरणात्मक आणि अनुक्रमिक किंवा जागतिक असून शिकण्याचा अतिशय वैयक्तिक असा दृष्टीकोन आहे. प्रक्रियेच्या बाबतीत अधिक केंद्रित असलेल्या संरचनेसह, कोल्ब यांनी सक्रीय प्रयोग, गहन अनुभव, चिंतनशील निरीक्षण आणि अमूर्त संकल्पना असे शिकण्याचे टप्पे मांडले आहेत. फेल्डर-सिल्व्हरमॅन यांचे वर्गीकरण प्रत्येक व्यक्तीच्या व्यक्तिमत्वाच्या विशेष गुणांवर आधारित असते, तर कोल्ब यांनी प्रभुत्वाच्या टप्प्यात विभागलेल्या अनुभवावर आधारित ज्ञानाच्या कल्पनेवर प्रकाश टाकला.
Embibe सह सोडवा म्हणजे काय?
Embibe ने ज्या दोन मुलभूत कल्पनांवर आधारित संरचनेनुसार शैक्षणिक प्लॅटफॉर्म तयार केला आहे, त्या मुलभूत कल्पना आहेत: वैयक्तिकृत फेल्डर-सिल्व्हरमॅन आणि शैक्षणिक परिणाम (कोल्ब). इथे मेख अशी आहे की: चार-पाच विद्यार्थ्यांना शिकवताना त्यांच्याकडून प्राप्त होणारा अंतःप्रेरणेने आणि प्रत्यक्ष मिळणाऱ्या भौतिक व भावनात्मक प्रतिक्रियेमुळे संबंधित शिक्षण शैली प्राप्त होऊ शकते; परंतु, सुमारे 400 परीक्षेसाठी आणि 10 ते 25 वयोगटातील लाखो विद्यार्थ्यांना शिकवणे ही Embibe AI आणि अभियांत्रिकी टीमला भेडसावत असलेली समस्या आहे.
500 हून अधिक डोमेन तज्ञांचा अनुभव आणि विविध परीक्षेतील 2000 हून अधिक विद्यार्थ्यांवर केलेल्या व्यापक युजर्सच्या संशोधन सर्वेक्षणावरून, आम्हाला लक्षात आले की कोणत्याही विद्यार्थ्याची शिक्षण घेण्याची पद्धत फेल्डर – सिल्व्हरमॅनच्या शैलीचे मिश्रण असते. आणि जे विद्यार्थी त्यांची क्षमता वाढवू शकत नाही त्यांना योग्य अशी शिक्षण शैली मिळत नव्हती किंवा कोल्बच्या प्रभुत्वाच्या टप्प्यामधील एखादा टप्पा ते गाळत होते.
म्हणून वैयक्तिक आणि शैक्षणिक परिणाम प्रदान करण्याचे आमचे उद्दिष्ट पूर्ण करण्यासाठी आम्ही दोन प्रश्नांच्या विधानावर लक्ष केंद्रित केले आणि सर्व प्रकारच्या शिक्षण शैलींसाठी पूरक अशी विविध वैशिष्ट्ये ऑफर केली आणि प्रभुत्वाचा स्तर गाठण्यासाठी विद्यार्थ्यांना पाठिंबा देण्यासाठी अगदी सूक्ष्म स्तरावर प्रयत्न आणि कामगिरी यांचा मागोवा घेतला.
Embibe सर्व शैक्षणिक शैलींसाठी संबंधित अनुभव कसा प्रदान करते?
शिकण्याचे करण्याचे तीन मुख्य टप्पे आहेत, ज्यासाठी आम्ही या शैली प्रदान करतो. सर्वात वरच्या टप्प्यामध्ये लर्न, प्रॅक्टिस करणे आणि टेस्ट मोड्यूल समाविष्ट आहेत. दुसऱ्या टप्प्यात या मोड्यूलमध्ये शिकवल्या जाणाऱ्या कॉन्टेन्टचा अनुक्रम आणि प्रकार समाविष्ट आहे:
- शिकणे या टप्प्यात विविध प्रकारचे व्हिडिओ दिलेले आहेत जसे की 3D इंटरॅक्टिव्ह कॉन्सेप्ट स्पष्टीकरणकर्ते व्हिडिओ, कठीण उदाहरणे स्टेपनुसार सोडवताना उत्कृष्ट प्रशिक्षकांचे व्हाईट-बोर्ड व्हिडिओ.
- प्रॅक्टिसमुळे दिलेला प्रश्न सोडवला जातो आणि सूक्ष्म-स्तरावरील कामगिरी सुधारण्यासाठी संबंधित व्हिडिओ आणि सारांश प्रदान करून शैक्षणिक हस्तक्षेप वाढवला जातो.
- टेस्टमध्ये परीक्षेच्या स्तरावरील पूर्व-निर्मित टेस्ट आणि कस्टमाइज्ड टेस्ट अभ्यासक्रमाचा उपसंच व कठीणतेचा स्तर निवडण्यासाठी पर्याय प्रदान करणाऱ्या टेस्टचा समावेश आहे. विद्यार्थ्यांची वर्तमान स्थिती आणि आगामी काळातील क्षमता या संबंधी योग्य अभिप्राय देण्यासाठी टेस्ट मोड्यूलमध्ये समग्र अभिप्रायाचा देखील समावेश करण्यात आला आहे जो निम्न-क्रम-विचार-कौशल्य आणि उच्च-क्रम-विचार-कौशल्य याबाबतील विद्यार्थ्यांची तयारी, Embibe वर जर्नी पूर्ण केल्यावर त्यांच्या क्षमतेचे गुण आणि कच्चे आणि पक्के टॉपिकबद्दल सखोल तपशील दर्शवतो.
सर्वात आतील व तिसऱ्या स्तरामध्ये प्रश्न सोडवताना दिलेल्या हिट्सचा, कठीण उदाहरणे सोडवण्याच्या पायऱ्यांचा आणि प्रश्न सोडवून झाल्यानंतर, वैशिष्ट्य शोधल्यानंतर किंवा पूर्ण टेस्ट सोडविल्यानंतर मिळणाऱ्या बक्षिसांचा समावेश आहे.
आपण यास खरोखरच पर्सनलाइज्ड अनुभव कसा बनवू शकतो?
कॉन्टेन्ट तयार करताना किंवा विद्यार्थी कॉन्टेन्ट वापरत असताना आम्ही मिळवलेला डेटा Embibe ऑफर करत असलेल्या वैयक्तिकरणाच्या केंद्रस्थानी आहे, कारण आमचे अनुमानित आणि अनुकूल शैक्षणिक अल्गोरिदम याच्यावरच आधारित आहे आणि यामुळे विद्यार्थ्यांना विविध परीक्षेत आणि ज्ञानाच्या स्तरावर चांगल्या गुणवत्तेचा अनुभव प्राप्त होतो.
Embibe च्या सामग्रीच्या प्लॅटफॉर्मचा सर्वात सूक्ष्म स्तर आहे कॉन्सेप्ट, ज्या नॉलेज ग्राफ म्हणून साठवल्या जातात आणि परीक्षांमध्ये विविध प्रकारे तयार केल्या जातात. उच्च-स्तरावर असलेले टॉपिक, म्हणजे कॉन्सेप्टच संग्रह आणि धडा म्हणजे टॉपिकचा संग्रह. कॉन्सेप्ट किंवा त्यांचा समूह शैक्षणिक गोष्टी ओळखण्यासाठी मदत करतात जसे की व्हिडिओ, प्रश्न आणि परीक्षा.
जेव्हा विद्यार्थी काही शैक्षणिक गोष्टींचा वापर करतात तेव्हा लगेचच Embibe चा Bayesian Knowledge Tracing Algorithm, Embibe च्या नॉलेज ग्राफमध्ये 60,000 हून अधिक कॉन्सेप्टसाठी, विद्यार्थ्याच्या कॉन्सेप्टवरील प्रभुत्वानुसार 0 आणि 1 मधील मूल्य वर्तवतो.
प्रत्येक शैक्षणिक गोष्टीमध्ये संग्रहित केलेला विविध प्रकारचा मेटाडेटा जसे की कौशल्य, विकास आणि काठिण्यता आणि प्रभुत्वाचे मूल्य आम्हाला सुरु असलेल्या सत्रामध्ये ड्रॉप घेण्याची संभाव्यता वर्तवण्यास मदत करतात आणि प्रत्यक्ष वेळेत ज्ञानामधील पोकळी भरून काढण्यासाठी learning-to-rank अल्गोरिदमद्वारे संबंधित शैक्षणिक हस्तक्षेप प्रदान करतो.
जेव्हा विद्यार्थी अधिक शैक्षणिक वस्तू वापरतात, विशेषतः प्रश्न वापरतात, तेव्हा आम्ही प्रत्येक विद्यार्थ्यासाठी शैक्षणिक निर्देशांक आणि वर्तणूक निर्देशांक काढू शकतो. आमच्याकडे मागील वर्षाच्या परीक्षांचा वापर करून, शैक्षणिक गुणवत्तेवर प्राप्त केलेले प्रत्येक परीक्षेचे उच्च-आयामी प्रतिनिधित्व देखील आहे. हे घटक आम्हाला कोणत्याही परीक्षेत विद्यार्थ्याची बुद्धिमत्ता आणि कुठे अधिक मेहनत घेण्याची गरज आहे असे मुद्दे शोधण्यात मदत करतात, जे Embibe च्या परीक्षा अभिप्रायाची मुख्य देणगी आहे.
Embibe च्या पर्सनलाइज्ड अनुभवामधील सर्वात मोठा फरक आहे, प्रॅक्टिस करताना, व्हिडिओ पाहताना आणि टेस्ट सत्रादरम्यान आणि जागतिक स्तरावर युजर्सच्या वागणुकीतील सूक्ष्म बदल. हे प्रत्येक विद्यार्थ्याकडून आम्ही प्राप्त केलेल्या वैशिष्ट्यांवर आणि प्रयत्नांची गुणवत्ता, सध्याचा प्रभुत्व स्तर आणि सामग्री मेटाडेटा यांच्या सारख्या शैक्षणिक गोष्टींच्या वापरावर आधारित असतात.
संदर्भ:
[1] सबिन ग्राफ, सिल्विया रिटा वायोला आणि टोम्सो लिओ, किंशुक. “In-Depth Analysis of the Felder-Silverman Learning Style Dimensions.” Journal of Research on Technology in Education, 2007, 40(1), 79–93
[2] डोरीन जे. गुडेन, रॉबर्ट सी. प्रीझिओसी, एफ. बेरी बार्न्स. “An Examination Of Kolb’s Learning Style Inventory” American Journal of Business Education (AJBE) 2(3) DOI:10.19030/ajbe.v2i3.4049
[3] चो, इत्यादी. “What is Bayesian Knowledge Tracing?”, Proceedings of the Workshop on Visualization for AI explainability (VISxAI), 2018.
[4] केयूर फाल्डू, अदिती अवस्थी आणि अचिंत थॉमस. “Adaptive Learning Machine for Score Improvement and Parts Thereof.” US Patent No. 10854099 B2.
[5] केयूर फाल्डू, अदिती अवस्थी आणि अचिंत थॉमस. “System and method for behavioral analysis and recommendations.” US20200312178A1.
[6] केयूर फाल्डू, अदिती अवस्थी आणि अचिंत थॉमस. “System and method for recommending personalized content using contextualized knowledge base” US20200311152A1
[7] लालवाणी, अमर आणि स्विटी अग्रवाल. “What Does Time Tell? Tracing the Forgetting Curve Using Deep Knowledge Tracing.” In International Conference on Artificial Intelligence in Education, pp. 158-162. Springer, Cham, 2019.
