ଅଟୋମେଟେଡ୍ ଟେଷ୍ଟ ଜେନେରେସନ୍

ଅଟୋମେଟେଡ୍ ଟେଷ୍ଟ ଜେନେରେସନ୍ ର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଶିକ୍ଷାନୁଷ୍ଠାନ ଏବଂ ବିଦ୍ୟାର୍ଥୀମାନଙ୍କ ଦ୍ୱାରା ଅଟୋମେଟ୍ ଉଚ୍ଚମାନର ବ୍ୟକ୍ତିଗତ ଟେଷ୍ଟ ବ୍ୟବସ୍ଥା କରାଇବା । ଯାହାଦ୍ୱାରା ଶିକ୍ଷକମାନଙ୍କର ମୂଲ୍ୟବାନ ସମୟ ବଞ୍ଚିବା ସହ ବ୍ୟକ୍ତିଗତ ପକ୍ଷପାତିତାକୁ ଏଡ଼ାଇଦେଇ ହେବ ।

ଆର୍ଥିକ ଅବସ୍ଥା ଏବଂ ବାସସ୍ଥାନର ଅବସ୍ଥିତି କାରଣରୁ ଅଧିକାଂଶ ବିଦ୍ୟାର୍ଥୀଙ୍କ ନିକଟରେ ସର୍ବୋତ୍ତମ ସଂସାଧନର ସୁବିଧା ନଥାଏ । ପୁନଶ୍ଚ, ଜଣେ ଶିକ୍ଷକଙ୍କ ସମୟ ମଧ୍ୟ ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ଅଟୋ ଟେଷ୍ଟ ଜେନେରେସନ୍ ଦ୍ୱାରା, ଆମେ ଶିକ୍ଷକମାନଙ୍କୁ ପ୍ରଶ୍ନପତ୍ର ତିଆରି କରିବା କାମରେ ଅଧିକ ସମୟ ନଦେଇ ଶିକ୍ଷାଦାନରେ ଅଧିକ ଧ୍ୟାନ ଦେବାପାଇଁ ସାହାଯ୍ୟ କରିବାକୁ ଚେଷ୍ଟା କରୁଛୁ । ନିଜେ ମାନୁଆଲି ଉଚ୍ଚମାନର ଟେଷ୍ଟ ପ୍ରଶ୍ନପତ୍ର ପ୍ରସ୍ତୁତ କରିବା ଏକ କଷ୍ଟକର ପ୍ରକ୍ରିୟା ଅଟେ ।

ଏହି ସମସ୍ୟାର ସମାଧାନ ପାଇଁ, ଆମେ ଏକ କୁଶଳ ପଦ୍ଧତି ବିକଶିତ କରିଛୁ, ଯାହା ଟେଷ୍ଟ ପ୍ରଶ୍ନ ପତ୍ର ପ୍ରସ୍ତୁତ କରିବା ପାଇଁ ଏକାଧିକ ମାନଦଣ୍ଡକୁ ଦଷ୍ଟିରେ ରଖିଥାଏ:

  • ପାଠ୍ୟକ୍ରମ କଭରେଜ୍, 
  • ଟପିକ୍ ୱେଟେଜ୍, 
  • କଠିନତା ସ୍ତର, 
  • ପୂର୍ବ ବର୍ଷର ଧାରା, 
  • ବିଭିନ୍ନ ପ୍ରକାରର ପ୍ରଶ୍ନ,
  • ୟୁଜରଙ୍କର କନସେପ୍ଟ ମାଷ୍ଟରୀ (ବ୍ୟକ୍ତିଗତ)
  • ୟୁଜରଙ୍କର ଆଚରଣ ପ୍ରୋଫାଇଲ୍ (ବ୍ୟକ୍ତିଗତ)

ଏହି ସୁବିଧା ଶିକ୍ଷକମାନଙ୍କୁ ସର୍ବାଧିକ କଷ୍ଟମାଇଜେସନ୍ ସହିତ ଶୀଘ୍ର ଟେଷ୍ଟ ପ୍ରଶ୍ନ ପତ୍ର ପ୍ରସ୍ତୁତ କରିବାରେ ସାହାଯ୍ୟ କରେ । ଏହା ସଙ୍ଗେ ସଙ୍ଗେ ପ୍ରଶ୍ନ ପତ୍ର ଉଚ୍ଚମାନର ହୋଇଥାଏ । Embibe ଦ୍ୱାରା ବିକଶିତ ଟେଷ୍ଟ କ୍ୱାଲିଟି ସ୍କୋର୍ ଆଲଗୋରିଦମ୍ ବ୍ୟବହାର କରି ଏହା ଯାଞ୍ଚ କରାଯାଇଥାଏ ।

ଟେଷ୍ଟ କ୍ଵାଲିଟି ସ୍କୋର୍ ଏବଂ ପ୍ରଶ୍ନର ବିଭେଦାତ୍ମକ କାରକ

ଅଧ୍ୟାୟଗୁଡିକର କଠିନତା ଏବଂ କଭରେଜ୍ ଦୃଷ୍ଟିରୁ ଶିକ୍ଷକ/ଶିକ୍ଷାନୁଷ୍ଠାନ ଦ୍ୱାରା ମନୋନୀତ ମାନକ ଅନୁଯାୟୀ ଟେଷ୍ଟ ପ୍ରଶ୍ନଗୁଡିକ ହୋଇଛି କି ନାହିଁ, ତାହା ଯାଞ୍ଚ କରିବା ପାଇଁ ଟେଷ୍ଟ କ୍ୱାଲିଟି ସ୍କୋର୍ ବ୍ୟବହୃତ ହୋଇଥାଏ ।

ୟୁଜର-ପ୍ରଶ୍ନ ପ୍ରୟାସ ତଥ୍ୟ ବ୍ୟବହାର କରି ପ୍ରଶ୍ନଗୁଡ଼ିକର ବିଭେଦାତ୍ମକ କାରକ ଆକଳନ କରିବାକୁ ଆଇଟମ୍ ରେସପନ୍ସ ଥିଓରୀ ବ୍ୟବହୃତ ହୁଏ । ପ୍ରଶ୍ନ ଚୟନ କରିବାବେଳେ ଉଚ୍ଚ ବିଭେଦାତ୍ମକ ସହିତ ପ୍ରଶ୍ନଗୁଡିକୁ ଅଧିକ ପ୍ରାଧାନ୍ୟ ଦିଆଯାଏ ଏବଂ ଏହା ଟେଷ୍ଟର ସାମଗ୍ରିକ ମାନରେ ଉନ୍ନତି ଆଣିଥାଏ ।

ନିଜସ୍ଵ ଟେଷ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ

ଆମେ ନିଜସ୍ଵ ଟେଷ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ ଫିଚର ବିକଶିତ କରିଛୁ, ଯାହା ବିଦ୍ୟାର୍ଥୀଙ୍କୁ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଲକ୍ଷ୍ୟ ଏବଂ ପରୀକ୍ଷା ପାଇଁ କଷ୍ଟମ ଚୟନ ହୋଇଥିବା ଅଧ୍ୟାୟ ଏବଂ କଠିନତା ସ୍ତର ବ୍ୟବହାର କରି କଷ୍ଟମାଇଜଡ୍ ଢଙ୍ଗରେ ଟେଷ୍ଟ ସୃଷ୍ଟି କରିବାରେ ସାହାଯ୍ୟ କରେ । ବିଦ୍ୟାର୍ଥୀଙ୍କ ଦ୍ୱାରା ଚୟନ ହୋଇଥିବା ସମସ୍ୟାକୁ ପୂରଣ କରିବା ପାଇଁ ଭିନ୍ନ ଅପ୍ଟିମାଇଜେସନ୍ ଆଲଗୋରିଦମ ବ୍ୟବହାର କରି ଏହି ଟେଷ୍ଟ ପ୍ରଶ୍ନ ପ୍ରସ୍ତୁତ ହୋଇଥାଏ ଏବଂ ବିଦ୍ୟାର୍ଥୀଙ୍କ ପାଇଁ ବ୍ୟକ୍ତିଗତ ହୋଇଥାଏ ।

ଡାଇଗ୍ନୋଷ୍ଟିକ୍ ଟେଷ୍ଟ

ଗୋଟିଏ ଉତ୍ତମ ଡାଇଗ୍ନୋଷ୍ଟିକ୍ ଟେଷ୍ଟ ହେଉଛି (i) ପ୍ରଦତ୍ତ କୌଶଳ ପାଇଁ ବିଦ୍ୟାର୍ଥୀମାନଙ୍କର ଭିନ୍ନ ଭିନ୍ନ ଦକ୍ଷତାକୁ ଚିହ୍ନଟ କରିପାରୁଥିବ, (ii) ଗ୍ରାଉଣ୍ଡ ଟ୍ରୁଥ୍ ଡାଟା ସହ ସୁସଂଗତ ହେଉଥିବ (iii) ଯେତେ ସମ୍ଭବ କମ୍ ପ୍ରଶ୍ନରେ ଏହା ଆଚିଭ୍ କରିପାରୁଥିବ । ଲକ୍ଷ୍ୟ ଆଚିଭ୍ କରିବା ପାଇଁ ଆବଶ୍ୟକ କନସେପ୍ଟକୁ ବିଦ୍ୟାର୍ଥୀମାନେ କେତେ ଭଲ ଭାବରେ ଅଧ୍ୟୟନ କରିଛନ୍ତି, ତାହା ଜାଣିବା ପାଇଁ ଆମେ ବ୍ୟକ୍ତିଗତ ସଫଳତା ଯାତ୍ରାର ଏକ ଅଂଶ ଭାବରେ ବିଦ୍ୟାର୍ଥୀଙ୍କ ପାଇଁ ଡାଇଗ୍ନୋଷ୍ଟିକ୍ ଟେଷ୍ଟ ପ୍ରସ୍ତୁତ କରିଛୁ । 2 ଟି ଟେଷ୍ଟ ବ୍ୟବହାର କରି ଏହା କରାଯାଇଥାଏ:

  • ଆବଶ୍ୟକୀୟ ପୂର୍ବଜ୍ଞାନ ଟେଷ୍ଟ: ବିଦ୍ୟାର୍ଥୀଙ୍କ ଦ୍ୱାରା ଚୟନ ହୋଇଥିବା ଲକ୍ଷ୍ୟ ଆଚିଭ୍ କରିବା ପାଇଁ ମୌଳିକ ଆବଶ୍ୟକୀୟ ପୂର୍ବଜ୍ଞାନ କନସେପ୍ଟ ସମ୍ପର୍କିତ ପ୍ରଶ୍ନଗୁଡିକ ଦିଆଯାଏ ।
  • ଆଚିଭ୍ ଟେଷ୍ଟ: ନିର୍ଦ୍ଦିଷ୍ଟ ପରୀକ୍ଷା ଏବଂ ଲକ୍ଷ୍ୟ ପାଇଁ ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କନସେପ୍ଟ ଉପରେ ପ୍ରଶ୍ନଗୁଡିକ ଦିଆଯାଇଥାଏ ।

ଡେମୋ ଭିଡିଓ

ସନ୍ଦର୍ଭ

  • 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.
← AI ହୋମ୍‌କୁ ଫେରନ୍ତୁ