Scan to download the app 
ଷ୍ଟୁଡେଣ୍ଟ୍ ଲର୍ଣ୍ଣିଂ ଷ୍ଟାଇଲ୍ର ବିଭିନ୍ନ ମଡେଲ୍ ଓ ସେଗୁଡିକର ବ୍ୟବହାର
ଲର୍ଣ୍ଣିଂ ଷ୍ଟାଇଲ୍ କାହାକୁ କୁହାଯାଏ?
ଛାତ୍ର ଓ ଶିକ୍ଷଣ ଶୈଳୀଗୁଡିକ ମୁଖ୍ୟତଃ ବିଦ୍ୟାଳୟ ଓ କଲେଜଗୁଡ଼ିକରେ ଶିକ୍ଷକମାନଙ୍କ ଦ୍ୱାରା ପ୍ରସ୍ତୁତ ଶୈକ୍ଷିକ ବିକଳ୍ପ ଦ୍ୱାରା ପରିଚାଳିତ । ଦୁଇଟି ଜଣାଶୁଣା ଢାଞ୍ଚା ଯାହା ସେମାନଙ୍କ ଉପରେ ଅଧିକ ପ୍ରଭାବ ପକାଇଥାଏ ଏବଂ Embibeର ଡିଜିଟାଲ୍ ଲର୍ଣ୍ଣିଂ ପ୍ଲାଟଫର୍ମ ଓ ଶିକ୍ଷଣର ଆଧାର ଭାବରେ କାର୍ଯ୍ୟ କରିଥାଏ, ତାହା ହେଉଛି ଫେଲଡର୍-ସିଲଭରମ୍ୟାନ୍ ଏବଂ କୋଲ୍ବଙ୍କ ଶିକ୍ଷଣ ଶୈଳୀ ।
ଫେଲଡର୍-ସିଲଭରମ୍ୟାନ୍ଙ୍କ ଦ୍ୱାରା ପ୍ରସ୍ତାବିତ ଶିକ୍ଷଣ ଶୈଳୀଗୁଡ଼ିକ ସକ୍ରିୟ-ପ୍ରତିଫଳିତ, ଭିଜୁଆଲ୍ କିମ୍ବା ମୌଖିକ, ସେନ୍ସିଂ କିମ୍ବା ଅନ୍ତର୍ନିହିତ ଏବଂ କ୍ରମାନ୍ୱୟରେ କିମ୍ବା ବୈଶିକ, ଶିକ୍ଷଣ ପାଇଁ ବ୍ୟକ୍ତିଗତକରଣ ଆଭିମୁଖ୍ୟ ଉପରେ ଗୁରୁତ୍ୱ ଦିଏ । ଅପରପକ୍ଷରେ ଶିକ୍ଷଣର ପର୍ଯ୍ୟାୟଗୁଡିକୁ ସକ୍ରିୟ ପରୀକ୍ଷଣ, ସୁଦୃଢ ଅଭିଜ୍ଞତା, ପ୍ରତିଫଳିତ ପର୍ଯ୍ୟବେକ୍ଷଣ ଏବଂ ବିସ୍ତୃତ ଅବଧାରଣା ଭାବରେ କୋଲ୍ବ ବ୍ୟାଖ୍ୟା କରିଛନ୍ତି । ଏହି ଦୁଇଟି ମଧ୍ୟରେ ପ୍ରଥମଟିରେ ଶ୍ରେଣୀକରଣ ଜଣଙ୍କର ବ୍ୟକ୍ତିତ୍ୱର ଗୁଣ ଉପରେ ଆଧାରିତ ହୋଇଥିବାବେଳେ ଦ୍ୱିତୀୟଟିରେ ଅଭିଜ୍ଞତାମୂଳକ ଜ୍ଞାନକୁ ଗୁରୁତ୍ୱ ଦିଆଯାଇଛି ଯାହା ଦକ୍ଷତା ହାସଲ କରିବାର ବିଭିନ୍ନ ପର୍ଯ୍ୟାୟରେ ଭିନ୍ନ ଭିନ୍ନ ହୋଇଥାଏ ।
Embibe ସଲଭିଂ କ’ଣ?
Embibe ଦୁଇଟି ଅନ୍ତର୍ନିହିତ ଚିନ୍ତାଧାରା ଆଧାରରେ ଷ୍ଟୁଡେଣ୍ଟ୍ ଲର୍ଣ୍ଣିଂ ପ୍ଲାଟଫର୍ମ ପ୍ରସ୍ତୁତ କରିଛି: ବ୍ୟକ୍ତିଗତକରଣ (ଫେଲଡର୍-ସିଲଭରମ୍ୟାନ୍) ଏବଂ ଲର୍ଣ୍ଣିଂ ଆଉଟକମ୍ (କୋଲ୍ବ୍) । ଯାହା ଏହି ଢାଞ୍ଚାଗୁଡିକୁ ଦକ୍ଷ କରିଥାଏ । ଏମିତି କରିବାର କାରଣ ହେଉଛି: ଚାରିରୁ ପାଞ୍ଚ ଜଣ ପିଲାଥିବା ଶ୍ରେଣୀରେ ଶିକ୍ଷାଦାନ କରୁଥିବା ଜଣେ ଶିକ୍ଷକଙ୍କ ପାଇଁ ବିଦ୍ୟାର୍ଥୀମାନଙ୍କର ଶାରୀରିକ ଓ ଭାବପ୍ରବଣ ପ୍ରତିକ୍ରିୟା ମାଧ୍ୟମରେ ଅନ୍ତର୍ନିହିତ ଏବଂ ବାସ୍ତବ ସମୟର ମତାମତ ଏକ ପ୍ରଭାବଶାଳୀ ଶିକ୍ଷଣ ଶୈଳୀ ହୋଇପାରେ । ତଥାପି, 400 ପରୀକ୍ଷା ଓ 10 ରୁ 25 ବର୍ଷ ମଧ୍ୟରେ ଲକ୍ଷ ଲକ୍ଷ ବିଦ୍ୟାର୍ଥୀଙ୍କ ମଧ୍ୟରେ ଏପରି କରିବା Embibe AI ପାଇଁ ମଧ୍ୟ ଏକ ସମସ୍ୟା ସୃଷ୍ଟି କରିଥାଏ ।
500ରୁ ଅଧିକ ଡୋମେନ୍ ବିଶେଷଜ୍ଞଙ୍କ ଅଭିଜ୍ଞତା ଓ ବିଭିନ୍ନ ପରୀକ୍ଷାରେ 2000 ରୁ ଅଧିକ ବିଦ୍ୟାର୍ଥୀଙ୍କ ବିସ୍ତୃତ ୟୁଜର୍ ଅନୁସନ୍ଧାନ ସର୍ଭେ ଆଧାରରେ, ଆମେ ଜାଣିବାକୁ ପାଇଲୁ ଯେ କୌଣସି ବିଦ୍ୟାର୍ଥୀଙ୍କ ଶିକ୍ଷଣ ଶୈଳୀ ଫେଲଡର୍-ସିଲଭରମ୍ୟାନ୍ ଶୈଳୀର ମିଶ୍ରଣ ଅଟେ । ଆମେ ଜାଣିବାକୁ ପାଇଲୁ ଯେ ବିଦ୍ୟାର୍ଥୀମାନଙ୍କ ପ୍ରତିଭାକୁ ସମ୍ପୂର୍ଣ୍ଣରୂପେ ବ୍ୟବହାର ନକରିବାର ଦୁଇଟି କାରଣ ରହିଛି । ସେମାନେ ଶିଖିବାର ସଠିକ୍ ଉପାୟ ଖୋଜି ପାରନ୍ତି ନାହିଁ କିମ୍ବା ସେମାନେ କୋଲ୍ବଙ୍କ ଦକ୍ଷତାର ଏକ ପର୍ଯ୍ୟାୟ ସଂପୂର୍ଣ୍ଣ କରିପାରନ୍ତି ନାହିଁ ।
ବ୍ୟକ୍ତିଗତକରଣ ଏବଂ ଲର୍ଣ୍ଣିଂ ଆଉଟକମ୍ ରେ ଉନ୍ନତି ଆଣିବା ପାଇଁ ଆମେ ଏହି ଦୁଇଟି ସମସ୍ୟାକୁ ଦୂର କରିବା ଉପରେ ଧ୍ୟାନ ଦେଇଛୁ । ଏଥିସହ, ସେମାନେ ସମସ୍ତ ଶିକ୍ଷଣ ଶୈଳୀର ଲାଭ ଉଠାଇବା ଏବଂ ବିଦ୍ୟାର୍ଥୀମାନଙ୍କ ଉଦ୍ୟମ ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ନଜର ରଖିବା ପାଇଁ ଏକ ସୁବିଧା ପ୍ରଦାନ କରନ୍ତି ଯାହା ଦ୍ୱାରା ସେମାନେ ଗୋଟିଏ ବିଷୟ ଉପରେ ଦକ୍ଷ ହେବାଠାରୁ ମଧ୍ୟ ଗୋଟିଏ ପାଦ ଆଗକୁ ଯାଇପାରିବେ ।
ଶିକ୍ଷଣ ଶୈଳୀରେ Embibe କିପରି ପ୍ରାସଙ୍ଗିକ ଅଭିଜ୍ଞତା ପ୍ରଦାନ କରେ?
ଲର୍ଣ୍ଣିଂର ମୁଖ୍ୟତଃ ତିନୋଟି ଲୁପ୍ ଅଛି ଯେଉଁଠାରେ ଆମେ ଏହି ଶୈଳୀଗୁଡିକ ବ୍ୟବହାର କରୁ । ଲର୍ଣ୍ଣ, ପ୍ରାକ୍ଟିସ୍ ଏବଂ ଟେଷ୍ଟ ମଡ୍ୟୁଲ୍ ଗୁଡ଼ିକୁ ନେଇ ଟପ୍ ଲୁପ୍ ଗଠିତ । ଦ୍ୱିତୀୟ ଲୁପ୍ରେ ଏହି ମଡ୍ୟୁଲ୍ ଗୁଡିକରେ ପ୍ରଦତ୍ତ ବିଷୟବସ୍ତୁର କ୍ରମ ଓ ପ୍ରକାର ଥାଏ ।
- ଲର୍ଣ୍ଣ ଲୁପ୍ରେ ବିଭିନ୍ନ ପ୍ରକାରର ଭିଡିଓ ଥାଏ । ଏଥିରେ 3D ଇଣ୍ଟରାକ୍ଟିଭ୍ କନସେପ୍ଟ ଏକ୍ସପ୍ଲେନର୍ଙ୍କ ଠାରୁ ଆରମ୍ଭ କରି ହ୍ୱାଇଟବୋର୍ଡ ଭିଡିଓଗୁଡିକ ପର୍ଯ୍ୟନ୍ତ ସବୁକିଛି ଅନ୍ତର୍ଭୁକ୍ତ, ଯାହା ଆପଣଙ୍କୁ ଜଟିଳ ପ୍ରଶ୍ନର ସୋପାନ ପଦ୍ଧତିରେ ସମାଧାନ ଶିଖାଇଥାଏ ।
- ପ୍ରାକ୍ଟିସ୍ ଲୁପ୍ ବିଭିନ୍ନ ପ୍ରଶ୍ନକୁ ନେଇ ଗଠିତ ଯାହା ପ୍ରତ୍ୟେକ ସ୍ତରରେ ବିଦ୍ୟାର୍ଥୀଙ୍କ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଉନ୍ନତ କରିବା ପାଇଁ ପ୍ରସଙ୍ଗଗତ ଭିଡିଓ ମାଧ୍ୟମରେ ବୃଦ୍ଧି କରାଇଥାଏ ।
- ପରୀକ୍ଷା ସ୍ତରରେ ଏକ ପୂର୍ବ-ପ୍ରସ୍ତୁତ ଟେଷ୍ଟ ଅନ୍ତର୍ଭୁକ୍ତ । ଯେଉଁଠାରେ, ପାଠ୍ୟକ୍ରମର ଏକ ସବସେଟ୍ ଓ ସମସ୍ୟା ସ୍ତର ଚୟନ କରିବାର ବିକଳ୍ପ ସହିତ କଷ୍ଟମ୍ ଟେଷ୍ଟର ସୁବିଧା ମଧ୍ୟ ଉପଲବ୍ଧ । ବିଦ୍ୟାର୍ଥୀଙ୍କ ସାମ୍ପ୍ରତିକ କାର୍ଯ୍ୟଦକ୍ଷତା ଓ ଭବିଷ୍ୟତର ସମ୍ଭାବନା ପାଇଁ ଫିଡବ୍ୟାକ୍ ଲୁପ୍ ଆକାରରେ ଟେଷ୍ଟ ମଡ୍ୟୁଲରେ ବିସ୍ତୃତ ଫିଡବ୍ୟାକ୍ ମଧ୍ୟ ପ୍ରଦାନ କରାଯାଇଛି । ଏହି ଫିଡବ୍ୟାକ୍ ଲୋ-ଅର୍ଡର-ଚିନ୍ତନ-ଦକ୍ଷତା (Low-order-thinking-skills) ଓ ଉଚ୍ଚ-ଅର୍ଡର-ଚିନ୍ତନ-ଦକ୍ଷତା (High-order-thinking-skills) ମଧ୍ୟରେ ବିଦ୍ୟାର୍ଥୀଙ୍କ ଦକ୍ଷତା ସ୍ତରକୁ ପ୍ରକାଶ କରିଥାଏ । ଆହୁରି ମଧ୍ୟ, Embibeରେ ବିଦ୍ୟାର୍ଥୀଙ୍କ ବ୍ୟବହାର ସମୟରେ ସମ୍ଭାବ୍ୟ ସ୍କୋର୍ ପ୍ରଦାନ କରେ ଯେଉଁଥିରେ ତାଙ୍କର ଦୁର୍ବଳ ଓ ଦୃଢ ଟପିକ୍ ଗୁଡିକର ବିବରଣୀ ଅନ୍ତର୍ଭୁକ୍ତ ।
ଅନ୍ତରସ୍ଥ ଏବଂ ତୃତୀୟ ଲୁପ୍ରେ ପ୍ରଶ୍ନର ସମାଧାନ କରିବା ସମୟରେ ସୂଚନା ଦିଆଯାଏ । ଆହୁରି ମଧ୍ୟ, ଏକ ଜଟିଳ ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ପଦକ୍ଷେପ ଓ ପ୍ରଶ୍ନର ସମାଧାନର ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଉପାୟ ଖୋଜିବା ଏବଂ ଲକ୍ଷ୍ୟ ହାସଲ ପାଇଁ ପୁରସ୍କାର ଦିଆଯାଏ ।
ଆମେ ଏହାକୁ ପ୍ରକୃତ ବ୍ୟକ୍ତିଗତ ଅନୁଭୂତି କିପରି କରିବା?
ବିଷୟବସ୍ତୁ ସୃଷ୍ଟି କରିବା ସମୟରେ ଏବଂ ବିଷୟବସ୍ତୁ ସହିତ ବିଦ୍ୟାର୍ଥୀଙ୍କ ପାରସ୍ପରିକ କ୍ରିୟା ସମୟରେ ଆମେ କ୍ୟାପଚର୍ କରୁଥିବା ତଥ୍ୟ Embibe ଦ୍ୱାରା ପ୍ରଦାନ କରାଯାଇଥିବା ବ୍ୟକ୍ତିଗତକରଣର ମୂଳରେ ରହିଥାଏ, ଯେହେତୁ ଏହା ଆମର ପୂର୍ବାନୁମାନ ଓ ଆଡାପ୍ଟିଭ୍ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମକୁ ସୁଦୃଢ କରିଥାଏ, ତେଣୁ ପରୀକ୍ଷା ଓ ଜ୍ଞାନ ସ୍ତରରେ ବିଦ୍ୟାର୍ଥୀମାନଙ୍କୁ ଏକ ଆକର୍ଷଣୀୟ ଅନୁଭୂତି ପ୍ରଦାନ କରିଥାଏ ।
Embibe ର ବିଷୟବସ୍ତୁ ପ୍ଲାଟଫର୍ମର ସବୁଠାରୁ ସୂକ୍ଷ୍ମ ସ୍ତର ହେଉଛି କନସେପ୍ଟ । ଏହି କନସେପ୍ଟଗୁଡ଼ିକ ନଲେଜ୍ ଗ୍ରାଫ୍ ଆକାରରେ ଗଚ୍ଛିତ ହୋଇଛି ଏବଂ ପ୍ରତ୍ୟେକ ପ୍ରକାରର ପରୀକ୍ଷା ସହିତ ଏହାର ସମ୍ପର୍କ ଥାଏ । ଉଚ୍ଚ ସ୍ତରର ଟପିକ୍ଗୁଡ଼ିକରେ କନସେପ୍ଟ ଓ ଅଧ୍ୟାୟଗୁଡ଼ିକର ଏକ ସଂଗ୍ରହ, ଟପିକ୍ଗୁଡ଼ିକର ସଂଗ୍ରହ ଅନ୍ତର୍ଭୁକ୍ତ । ଭିଡିଓ, ପ୍ରଶ୍ନ ଓ ଟେଷ୍ଟ ପରି ଶିକ୍ଷଣୀୟ ବିଷୟ ଶିଖିବା ପାଇଁ କନସେପ୍ଟ କିମ୍ବା କନସେପ୍ଟଗୁଡିକର ସମୂହ ଏକ ପରିଚାୟକ ଭାବରେ କାର୍ଯ୍ୟ କରେ ।
ଜଣେ ବିଦ୍ୟାର୍ଥୀ ଅଳ୍ପ କିଛି ଶିକ୍ଷଣ ବସ୍ତୁ ସହିତ ଆରମ୍ଭ କରିବା ମାତ୍ରେ, Embibe ର ବାଇସିୟାନ୍ ନଲେଜ୍ ଟ୍ରାକିଂ ଆଲଗୋରିଦମ୍ ବିଦ୍ୟାର୍ଥୀଙ୍କୁ କନସେପ୍ଟର ଦକ୍ଷତା ଆଧାରରେ 0ରୁ 1 ମଧ୍ୟରେ ଏକ ସ୍କୋର୍ ନ୍ୟସ୍ତ କରିବା ସହ ଆନୁମାନିକ ସ୍ତରର ଜ୍ଞାନ ପ୍ରଦାନ କରିଥାଏ । ଏହାକୁ ବର୍ଣ୍ଣନା କରିବା ପାଇଁ Embibe ନଲେଜ୍ ଗ୍ରାଫ୍ ରେ ଥିବା 60,000ରୁ ଅଧିକ କନସେପ୍ଟର ସାହାଯ୍ୟ ନେଇଥାଏ ।
ପ୍ରତ୍ୟେକ ଶିକ୍ଷଣ ବସ୍ତୁ ସହିତ ଏହା ଦକ୍ଷତା ମୂଲ୍ୟ ହାସଲ କରିଥାଏ । ଏଥିରେ କୌଶଳ, ବ୍ଲୁମ୍ ଓ ସମସ୍ୟା ଭଳି ଉପାଦାନ ସହିତ ଅନେକ ମେଟାଡାଟା ଅନ୍ତର୍ଭୁକ୍ତ । ଏହି ମୂଲ୍ୟର ସାହାଯ୍ୟରେ, ଲାଇଭ୍ ସେସନ୍ରେ ଡ୍ରପ୍ ଅଫ୍ ହେବାର ସମ୍ଭାବନା ଆକଳନ କରାଯାଇଥାଏ । ଆହୁରି ମଧ୍ୟ, ଏହା ରିଅଲ ଟାଇମରେ ନଲେଜ୍ ଗ୍ରାଫ୍ କୁ ସ୍ଥାନିତ କରିବା ପାଇଁ ଲର୍ଣ୍ଣିଂ-ଟୁ-ରାଙ୍କ୍ ଆଲଗୋରିଦମ୍ ମାଧ୍ୟମରେ ଶିକ୍ଷଣ ପ୍ରକ୍ରିୟାରେ ହସ୍ତକ୍ଷେପ କରି ବିଦ୍ୟାର୍ଥୀଙ୍କୁ ସାହାଯ୍ୟ କରେ ।
ଯେହେତୁ ବିଦ୍ୟାର୍ଥୀ ଅନ୍ୟ ଶିକ୍ଷଣ ବସ୍ତୁଗୁଡ଼ିକ ସହିତ କ୍ରିୟାଶୀଳ ହୁଅନ୍ତି, ବିଶେଷକରି ପ୍ରଶ୍ନଗୁଡିକ ସହ, ପ୍ରତ୍ୟେକ ବିଦ୍ୟାର୍ଥୀଙ୍କ ସ୍ତରରେ ଏକାଡେମିକ୍ ସଫଳତା ଏବଂ ବ୍ୟାବହାରିକ ସଫଳତା ଭେକ୍ଟର ଗଠନ କରିବା ଆମ ପାଇଁ ସହଜ ହୋଇଯାଏ । ପୂର୍ବ ବର୍ଷର ଏକାଡେମିକ୍ ପରୀକ୍ଷା ଆଧାରରେ ଆମେ ସମାନ ଓ ଉଚ୍ଚ ସ୍ତରୀୟ ପରୀକ୍ଷା ପ୍ରସ୍ତୁତ କରିଥାଉ । ଏହା ପରୀକ୍ଷା ପାଇଁ ବିଦ୍ୟାର୍ଥୀର ପ୍ରସ୍ତୁତିର ସ୍ତରକୁ ଦର୍ଶାଇଥାଏ । ଏଥିସହ, କେଉଁ ଅଂଶରେ ସେ ଅଧିକ ପରିଶ୍ରମ କରିବା ଉଚିତ୍ ତାହା ଜାଣିବାରେ ସାହାଯ୍ୟ କରେ । Embibe ଟେଷ୍ଟ ଫିଡବ୍ୟାକ୍ର ଏହା ହେଉଛି ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପରିପ୍ରକାଶ ।
Embibe ର ବ୍ୟକ୍ତିଗତ ଅଭିଜ୍ଞତାର ସବୁଠାରୁ ବଡ ବୈଶିଷ୍ଟ୍ୟ ହେଉଛି ଏହା ପ୍ରାକ୍ଟିସ୍, ଭିଡିଓ ଦେଖିବା, ଟେଷ୍ଟ ସେସନ୍ ଓ ୟୁଜର୍ ସେସନ୍ ସୂକ୍ଷ୍ମ ସବିଶେଷ ତଥ୍ୟରୁ ପ୍ରାପ୍ତ ବିଦ୍ୟାର୍ଥୀଙ୍କ ବ୍ୟାବହାରିକ ଗୁଣ ଉପରେ ଆଧାରିତ ଏବଂ ଏହା ବିଶ୍ୱ ମାନକ ସ୍ତରକୁ ଅନୁପାଳନ କରୁଛି । ଏହି ବର୍ଣ୍ଣନାଗୁଡ଼ିକ ହେଉଛି ଗୁଣଗୁଡିକର ଫଳାଫଳ ଯାହା ପ୍ରତ୍ୟେକ ବିଦ୍ୟାର୍ଥୀଙ୍କ ଶିକ୍ଷଣ-ବସ୍ତୁ ପାରସ୍ପରିକ କାର୍ଯ୍ୟକଳାପରୁ ସୃଷ୍ଟି ହୋଇଥାଏ, ଯେପରିକି ପ୍ରୟାସର ମାନ, ସାମ୍ପ୍ରତିକ ଦକ୍ଷତା ସ୍ତର, ଓ ବିଷୟବସ୍ତୁ ମେଟାଡାଟା ।
ସନ୍ଦର୍ଭ:
[1] Sabine Graf, Silvia Rita Viola and Tommaso Leo, Kinshuk. “In-Depth Analysis of the Felder-Silverman Learning Style Dimensions.” Journal of Research on Technology in Education, 2007, 40(1), 79–93
[2] Doreen J. Gooden, Robert C. Preziosi, F. Barry Barnes. “An Examination Of Kolb’s Learning Style Inventory” American Journal of Business Education (AJBE) 2(3) DOI:10.19030/ajbe.v2i3.4049
[3] Cho, et al., “What is Bayesian Knowledge Tracing?”, Proceedings of the Workshop on Visualization for AI explainability (VISxAI), 2018.
[4] Keyur Faldu, Aditi Avasthi, and Achint Thomas. “Adaptive Learning Machine for Score Improvement and Parts Thereof.” US Patent No. 10854099 B2.
[5] Keyur Faldu, Aditi Avasthi, and Achint Thomas.“System and method for behavioral analysis and recommendations.” US20200312178A1.
[6] Keyur Faldu, Aditi Avasthi, and Achint Thomas. “System and method for recommending personalized content using contextualized knowledge base” US20200311152A1
