ବ୍ୟକ୍ତିଗତ ଆଚିଭମେଣ୍ଟ ଯାତ୍ରା

ବ୍ୟକ୍ତିଗତ ଆଚିଭମେଣ୍ଟ ଯାତ୍ରା

ବିଦ୍ୟାର୍ଥୀଙ୍କ ବର୍ତ୍ତମାନର ଜ୍ଞାନ ସ୍ତର, ପୂର୍ବନିର୍ଦ୍ଧାରିତ ସମୟ ଅବଧି, ପୂର୍ବନିର୍ଦ୍ଧାରିତ ପାଠ୍ୟକ୍ରମ, ସେମାନେ ଦେବାକୁ ଚାହୁଁଥିବା ପରୀକ୍ଷା ପାଇଁ ଗୁରୁତ୍ଵପୂର୍ଣ୍ଣ କନସେପ୍ଟ ଏବଂ ପ୍ରତ୍ୟେକ କନସେପ୍ଟକୁ ଆୟତ୍ତ କରିବା ଲାଗି ଆବଶ୍ୟକ ପ୍ରୟାସ ଆଦିକୁ ଏକ ଉକ୍ତୃଷ୍ଟ ଶିକ୍ଷଣୀୟ ମାର୍ଗ ପ୍ରଦାନ କରିବାକୁ ବ୍ୟକ୍ତିଗତ ଆଚିଭମେଣ୍ଟ ଯାତ୍ରା (PAJ) ଲକ୍ଷ୍ୟ ରଖିଥାଏ । AI ପ୍ଲାଟଫର୍ମ ଲର୍ଣ୍ଣିଂ ଆଉଟକମ୍ ପ୍ରଦାନ କରିବା ପାଇଁ Embibe ପାଇଁ PAJ ସର୍ବାଧିକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । Embibeରେ, ଆମେ ଲର୍ଣ୍ଣିଂ ଆଉଟକମ୍ ହାସଲ କରିବା ପାଇଁ ପ୍ରାସଙ୍ଗିକ ନଲେଜ ଗ୍ରାଫ୍ ଏବଂ ଆଚରଣଗତ ପ୍ରୋଫାଇଲ୍ ଉପରେ ବିଦ୍ୟାର୍ଥୀମାନଙ୍କ କନସେପ୍ଟ ମାଷ୍ଟରୀକୁ ଯାଞ୍ଚ କରିଥାଉ । ହାଇପର ବ୍ୟକ୍ତିଗତ ଉପାୟରେ ଲର୍ଣ୍ଣିଂ, ପ୍ରାକ୍ଟିସ୍ ଏବଂ ମୂଲ୍ୟାଙ୍କନ ଆଦି ପରାମର୍ଶ ପ୍ରଦାନ କରି ବିଦ୍ୟାର୍ଥୀଙ୍କ ଶିକ୍ଷଣକୁ ତ୍ୱରାନ୍ୱିତ କରିବା ପାଇଁ PAJ ଏକ ସୁଯୋଗ ।

ଏକ ଉତ୍କୃଷ୍ଟ ଶିକ୍ଷଣ ମାର୍ଗ ପ୍ରସ୍ତୁତ କରିବାର ସମସ୍ୟାକୁ ଦୁଇଟି ଉପ-ସମସ୍ୟାରେ ବିଭକ୍ତ କରାଯାଇପାରେ – କନସେପ୍ଟ ଚୟନ ଏବଂ ଲର୍ଣ୍ଣ ବସ୍ତୁର କ୍ରମ, କନସେପ୍ଟ ଏକ୍ସପ୍ଲେନର୍ ଭିଡିଓ ଏବଂ ପ୍ରାକ୍ଟିସ୍ ପ୍ରଶ୍ନ । ଆମେ ଚୟନକୁ ଏକ ସକ୍ରିୟ ପ୍ରୋଗ୍ରାମିଂ ସମସ୍ୟା ଭାବରେ ମଡେଲ୍ ଭାବେ ନେଇଛୁ, ଯାହା ବ୍ୟକ୍ତିଗତ ଆଚିଭମେଣ୍ଟ ଯାତ୍ରା ସମାପ୍ତ କରିବାକୁ ଅବଶିଷ୍ଟ ସମୟ ଆଧାରରେ ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କନସେପ୍ଟ ଚୟନ କରେ ।

ପ୍ରତ୍ୟେକ କନସେପ୍ଟ ସମାପ୍ତ ହେବା ପରେ ଅବଶିଷ୍ଟ ଥିବା ଲର୍ଣ୍ଣ ବିଷୟବସ୍ତୁ ମଧ୍ୟରୁ ଚୟନ କରିବା ବେଳେ ଏହାର ମୂଲ୍ୟ ଓ ଦର ଉପରେ ଦୃଷ୍ଟି ଦେବା ଆବଶ୍ୟକ । ଚୟନ ସହିତ ଅନ୍ୟ ଏକ ବିଚାରଯୋଗ୍ୟ କଥା ହେଉଛି ଆବଶ୍ୟକୀୟ ପୂର୍ବଜ୍ଞାନ କନସେପ୍ଟ ଛାଡିବାକୁ ଏଡ଼ାଇବା । ଏବଂ ଏହି କାରଣରୁ, ଆମେ ବ୍ୟକ୍ତିଗତ କନସେପ୍ଟ ପରିବର୍ତ୍ତେ ମୂଲ୍ୟ ଏବଂ ଦର ମୂଲ୍ୟାଙ୍କନ କରିବା ପାଇଁ ଆମର କନସେପ୍ଟ ନଲେଜ୍ ଗ୍ରାଫରୁ ସବଗ୍ରାଫ୍ ବ୍ୟବହାର କରୁ ।

ତା’ ପରେ ଏହା ମୂଲ୍ୟ/ଦର ଅନୁପାତ ଉପରେ ଆଧାର କରି ସବଗ୍ରୁପ୍ କନସେପ୍ଟଗୁଡ଼ିକୁ ବାଛିଥାଏ, ଯେଉଁଠାରେ ସବଗ୍ରୁପ୍ ର ମୂଲ୍ୟ ନିର୍ଣ୍ଣାୟକ ପରୀକ୍ଷାରେ ମୌଳିକତା ଏବଂ ପ୍ରାସଙ୍ଗିକତାକୁ ସୂଚାଇଥାଏ, ଅପରପକ୍ଷରେ ବିଦ୍ୟାର୍ଥୀଙ୍କ ନିର୍ଦ୍ଦିଷ୍ଟ ଆଚରଣଗତ ଗୁଣ ଆଧାରରେ ସେମାନେ ସେହି ସବଗ୍ରୁପ୍ କୁ ଆୟତ୍ତ କରିବାକୁ ଏବଂ ପ୍ରତ୍ୟେକ କନସେପ୍ଟ ମାଷ୍ଟରୀ ହାସଲ କରିବାକୁ କେତେ ସମୟ ଆବଶ୍ୟକ କରନ୍ତି, ତାହା ଦର ହାର ସୂଚାଇଥାଏ । ଯାହା ଫଳରେ ବିଦ୍ୟାର୍ଥୀମାନେ ସର୍ବାଧିକ ଲର୍ଣ୍ଣିଂ ଆଉଟକମ୍ ହାସଲ କରିପାରିବେ ।

ଜଣେ ବିଦ୍ୟାର୍ଥୀ ଏକ ଶିକ୍ଷଣ ବିଷୟବସ୍ତୁ ଆବଶ୍ୟକ କରେ କି ନାହିଁ ତାହା ମଧ୍ୟ ଆଲଗୋରିଦମ୍ ସ୍ଥିର କରେ । ଏହା ମଧ୍ୟ ପ୍ରାକ୍ଟିସ୍ ପ୍ରଶ୍ନ ପ୍ରଦାନ କରେ ଯେପର୍ଯ୍ୟନ୍ତ ୟୁଜରମାନେ ଆଡାପ୍ଟିଭ୍ ପ୍ରାକ୍ଟିସ୍ ଆଲଗୋରିଦମ୍ ଆଧାରରେ ପ୍ରଦତ୍ତ କନସେପ୍ଟ ସବଗ୍ରୁପ୍ ଅନ୍ତର୍ଗତ ସମସ୍ତ ଦକ୍ଷତାକୁ ହାସଲ ନ କରନ୍ତି ।

ଉପରୋକ୍ତ ଉଭୟ ସର୍ତ୍ତଗୁଡିକ ମାର୍କୋଭ୍ ଚେନ୍ ଉପରେ ଆଧାରିତ, ଯାହାର କନସେପ୍ଟ ମାଷ୍ଟରୀ ଭାବରେ ସଦ୍ୟତମ ସ୍ଥିତିରେ ଅଛି । ଯାହା ବାଇସିଆନ୍ ସମ୍ଭାବ୍ୟତା ବା ବାଇସିଆନ୍ ନଲେଜ୍ ଟ୍ରେସିଂ ବ୍ୟବହାର କରି ଅପଡେଟ୍ ହୋଇଥାଏ । ଅଧିକନ୍ତୁ, ପ୍ରତ୍ୟେକ ସୋପାନରେ, ସର୍ବୋତ୍ତମ ସମୟ ଆବଣ୍ଟନ ନିଶ୍ଚିତ କରିବାକୁ ଆଲଗୋରିଦମକୁ ପୁନଃଯାଞ୍ଚ କରାଯିବ ।

ବ୍ୟକ୍ତିଗତ ଆଚିଭମେଣ୍ଟ ଯାତ୍ରା ଆଲଗୋରିଦମ୍ ମଧ୍ୟ ପୂର୍ବ ଗ୍ରେଡ୍ ଗୁଡ଼ିକର ଆବଶ୍ୟକୀୟ ପୂର୍ବଜ୍ଞାନ କନସେପ୍ଟକୁ ବିବେଚନା କରେ ଯାହା ଟାର୍ଗେଟ୍ ପରୀକ୍ଷା ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ତେଣୁ, ଯଦି କୌଣସି ବିଦ୍ୟାର୍ଥୀଙ୍କର ପ୍ରଦତ୍ତ ସିଲାବସ୍ ପାଇଁ ଖରାପ ଶିକ୍ଷା ମୂଳଦୁଆ ଥାଏ, ତେବେ ଆଲଗୋରିଦମ୍ ମୌଳିକ କନସେପ୍ଟକୁ ଗଭୀର ଭାବରେ ଅନ୍ୱେଷଣ କରିଥାଏ ଏବଂ ପୂର୍ବ ଗ୍ରେଡ୍ ରୁ ସର୍ବନିମ୍ନ ଶିକ୍ଷଣ ବିଷୟବସ୍ତୁ ବାଛିଥାଏ । ଯାହା ବର୍ତ୍ତମାନ ଗ୍ରେଡ୍ ରେ ଅଗ୍ରଗତି କରିବା ପୂର୍ବରୁ ବିଦ୍ୟାର୍ଥୀମାନଙ୍କୁ ସେମାନଙ୍କର ମୌଳିକ ପାଠ୍ୟ ହାସଲ କରିବାରେ ସାହାଯ୍ୟ କରିଥାଏ ।

ସନ୍ଦର୍ଭ

[1] “#RAISE2020 – Embibe – AI-Powered learning outcomes platform for personalized education”, MyGov India, Oct 2020, https://www.youtube.com/watch?v=kuwFtHgN3qU

[2] 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.

[3] Thomas, Achint, Keyur Faldu, and Aditi Avasthi. “System and method for personalized retrieval of academic content in a hierarchical manner.” U.S. Patent Application 16/740,223, filed October 1, 2020.

[4] 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.

[5] 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.

[6] 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.

[7] 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).

[8] Lalwani, Amar, and Sweety Agrawal. “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.

[9] Agrawal, S., and A. Lalwani. “Analysing problem sequencing strategies based on revised Bloom’s taxonomy using deep knowledge tracing.” Proc ofInt ConfonIntelligent TutoringSystems (ITS). Berlin: Springer 407410 (2018).

← AI ହୋମ୍‌କୁ ଫେରନ୍ତୁ