EMBIBE ସ୍କୋର୍ ଅନୁପାତ: ଆଉଟକମ୍‌ରେ ସୁଧାର ଆଣିବାକୁ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ

EMBIBE ସ୍କୋର୍ ଅନୁପାତ: ଆଉଟକମ୍‌ରେ ସୁଧାର ଆଣିବାକୁ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ

ଆମେ ବିଶ୍ୱାସ କରୁ ଉନ୍ନତିର କେନ୍ଦ୍ରରେ ହିଁ ମାପ କାର୍ଯ୍ୟ ହୋଇଥାଏ – ଯାହା ମାପ କରାଯାଇପାରେ, ତାହା ଉନ୍ନତ ହୋଇପାରିବ । Embibe ସ୍କୋର୍ ଅନୁପାତ ହେଉଛି ଏକ ସାଂଖ୍ୟିକ ପାରାମିଟର ଯାହା ଏକ ପରୀକ୍ଷାରେ ଛାତ୍ରଙ୍କ ସ୍କୋର୍ କରିବାର ଦକ୍ଷତାକୁ କ୍ୟାପଚର୍ କରିଥାଏ । Embibe ସ୍କୋର୍ ଅନୁପାତର ନିମ୍ନଲିଖିତ ଗୁଣ ରହିଛି:

• ପ୍ରତିଫଳନ: ଶିକ୍ଷାର୍ଥୀଙ୍କ କାର୍ଯ୍ୟଦକ୍ଷତାର ଲୁକ୍କାୟିତ ଗୁଣ ଆଧାରରେ Embibe ସ୍କୋର୍ ଅନୁପାତ ଏକ ଶିକ୍ଷାର୍ଥୀର ସାମର୍ଥ୍ୟର ପ୍ରତିଫଳିତ ହେବା ଉଚିତ ।
• ପୂର୍ବାନୁମାନ: ଶିକ୍ଷାର୍ଥୀଙ୍କ ପ୍ରଦର୍ଶନର ବର୍ତ୍ତମାନ ଧାରା ଆଧାରରେ ପୂର୍ବାନୁମାନ କରାଯିବା ଉଚିତ୍ ।
• ସୁଦୃଢ: ଗୋଟିଏ ଖରାପ କିମ୍ବା ଭଲ ଟେଷ୍ଟ ଶିକ୍ଷାର୍ଥୀଙ୍କ ସ୍କୋର୍ ଅନୁପାତ ଉପରେ ପ୍ରତିକୂଳ ପ୍ରଭାବ ପକାଇବା ଉଚିତ୍ ନୁହେଁ ।
• ସାମାନ୍ୟକୃତ: ବିଭିନ୍ନ ଟେଷ୍ଟ କଠିନତା ସ୍ତରରେ ଏହା କାରକରେ ସାମାନ୍ୟକୃତ ହେବା ଉଚିତ୍ ।

ନିମ୍ନୋକ୍ତ ଦୃଷ୍ଟିଗୁଡିକ ବ୍ୟବହାର କରି ପାରାମିଟରଗୁଡିକ ନିରୂପଣ ସହ ଜଣେ ଶିକ୍ଷାର୍ଥୀଙ୍କ ସ୍କୋର୍ ଅନୁପାତକୁ ଗଣନା କରିବା ଲାଗି Embibe ଏକ ଆଲଗୋରିଦମ୍ ବିକଶିତ କରିଛି:

• ଲାଟେଣ୍ଟ୍ ଆଟ୍ରିବ୍ୟୁଟ୍ସ:  ଲାଟେଣ୍ଟ୍ ଆଟ୍ରିବ୍ୟୁଟ୍ସ ବା ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ଜଣେ ବିଦ୍ୟାର୍ଥୀର ଅନ୍ତର୍ନିହିତ ଦକ୍ଷତାକୁ  Embibe ସ୍କୋର୍ ଅନୁପାତରେ ପ୍ରତିଫଳିତ କରାଇଥାଏ । ଏହି ଲୁକ୍କାୟିତ ଗୁଣଗୁଡିକ ପ୍ରୟାସ ସ୍ତରର ଇଭେଣ୍ଟ ଡାଟାରୁ ଉତ୍ପନ୍ନ ହୋଇଛି ଯାହା ଶିକ୍ଷାର୍ଥୀମାନଙ୍କର ଟେଷ୍ଟ ଓ ପ୍ରାକ୍ଟିସ୍ ସେସନ୍ ପ୍ଲାଟଫର୍ମରୁ ରଖାଯାଇଥାଏ ।
• ଶ୍ରେଷ୍ଠ ସେସନ୍: N ସଂଖ୍ୟକ ଶ୍ରେଷ୍ଠ ଟେଷ୍ଟ ଏବଂ/କିମ୍ବା ପ୍ରାକ୍ଟିସ୍ ସେସନ୍‌କୁ ବିଚାର କରିବା, ଯେଉଁଠାରେ N ବିନ୍ୟାସଯୋଗ୍ୟ, ଶିକ୍ଷାର୍ଥୀ ପ୍ରଦର୍ଶନରେ Embibe ସ୍କୋର୍ ଅନୁପାତକୁ ପ୍ରତିଫଳିତ ଏବଂ ସୁଦୃଢ କରିଥାଏ । ଅଧିକନ୍ତୁ, ଉଚ୍ଚ ସ୍କୋରିଂ ସେସନ୍‌ରୁ କମ୍ ସ୍କୋରିଂ ସେସନ୍ ପର୍ଯ୍ୟନ୍ତ ଗୁରୁତ୍ୱ ଦେବା ପାଇଁ ହାରମୋନିକ୍ ପ୍ରଗତି ବ୍ୟବହୃତ ହୁଏ ।
• ବର୍ତ୍ତମାନ ସେସନ୍: ଶେଷ K ସଂଖ୍ୟକ  ଟେଷ୍ଟ ଏବଂ/ କିମ୍ବା ଟେଷ୍ଟ ସେସନ୍ ଏକ ଚଳମାନ ୱିଣ୍ଡୋକୁ ବିଚାର କରିବା ଦ୍ୱାରା Embibe ସ୍କୋର୍ ଅନୁପାତ ପୂର୍ବାନୁମାନ କରେ ଏବଂ ବର୍ତ୍ତମାନର ଶିକ୍ଷାର୍ଥୀ ସମ୍ଭାବନାକୁ ପ୍ରତିଫଳିତ କରେ । ଯଦି ସାଧାରଣ ସେସନ୍ ସ୍କୋର୍ ପ୍ରତ୍ୟେକ ସେସନ୍ ପରେ ଏକ ଉନ୍ନତି ହେଉଥିବା ଦର୍ଶାଏ, ତେବେ ସମ୍ଭବତଃ ନିକଟ ଭବିଷ୍ୟତରେ ମଧ୍ୟ ବିଦ୍ୟାର୍ଥୀ ଭଲ ପ୍ରଦର୍ଶନ କରିବେ ।

Embibe ସ୍କୋର୍ ଅନୁପାତ ତିନୋଟି ଅର୍ଥୋଗୋନାଲ୍ ଅକ୍ଷରେ ପ୍ରୋଜେକ୍ଟ ହୋଇଛି – ଏକାଡେମିକ୍, ଆଚରଣଗତ ଏବଂ ଟେଷ୍ଟ ଦେବା । ଏହି ଭିନ୍ନ ଅକ୍ଷଗୁଡ଼ିକ ଏକାଡେମିକ୍ ଦକ୍ଷତା, ଆଚରଣଗତ ଅନୁପାତ ଓ ଟେଷ୍ଟ ଦେବାର କୌଶଳ ଉପରେ ଶିକ୍ଷାର୍ଥୀଙ୍କ ଲୁକ୍କାୟିତ ଗୁଣଗୁଡିକର ଗ୍ରୁପିଂକୁ କ୍ୟାପଚର୍ କରିଥାଏ ।

Embibe ସ୍କୋର୍ ଅନୁପାତ ~ ଏକାଡେମିକ୍ ଅନୁପାତ + ଆଚରଣଗତ ଅନୁପାତ + ଟେଷ୍ଟ ଦେବାର କୌଶଳ ଅନୁପାତ

ଏହି ଆର୍ଟିକିଲ୍‌ରେ ଅନ୍ତର୍ଭୁକ୍ତ ଅଧ୍ୟୟନ ପାଇଁ ଆମେ ଅନେକ ଏକାଡେମିକ୍ ଅବଧି ହଜାର ହଜାର ବୈଧ ଟେଷ୍ଟ ସେସନ୍‌କୁ ବିଚାରକୁ ନେଇଛୁ । ଏକ ଟେଷ୍ଟ ସେସନ୍ ବୈଧ ବୋଲି ବିବେଚନା କରାଯାଏ, ଯଦି ଜଣେ ବିଦ୍ୟାର୍ଥୀ କିଛି ସର୍ବନିମ୍ନ ଥ୍ରେସହୋଲ୍ଡ ସମୟ ଅତିବାହିତ କରି କିଛି ସର୍ବନିମ୍ନ ପ୍ରଶ୍ନର ପ୍ରୟାସ କରିଥାଏ ।

ଏକାଡେମିକ୍ ଅନୁପାତ ବିଷୟ ଜ୍ଞାନକୁ ନେଇ କାର୍ଯ୍ୟ କରେ । ଶିକ୍ଷାର୍ଥୀମାନେ ହାଇପର-ପର୍ସନାଲାଇଜଡ୍ ଲର୍ଣ୍ଣିଂ ଫିଡବ୍ୟାକ୍ ଉପରେ କାର୍ଯ୍ୟ କରି କ୍ରମାଗତ ଟେଷ୍ଟରେ ସେମାନଙ୍କର ଏକାଡେମିକ୍ ଅନୁପାତରେ ସୁଧାର ଆଣିପାରିବେ – ଏକ ଏକାଡେମିକ୍ ସୁପାରିଶର ଏକ ରୂପ ହେଉଛି ତାହା ବ୍ୟକ୍ତିଗତ ପ୍ରାକ୍ଟିସ୍ ପ୍ୟାକ୍ ଭାବରେ ଏକ ଶିକ୍ଷାର୍ଥୀର ଏକାଡେମିକ୍ ଦୁର୍ବଳତାକୁ ଦୃଷ୍ଟିରେ ରଖି ପ୍ରଶ୍ନର ଏକ ଉଚ୍ଚ ପ୍ରଭାବ ସେଟ୍ ପ୍ରଦାନ କରିବ । ଫଳସ୍ୱରୂପ, ଚିତ୍ର 1 ରେ ଦେଖାଯାଇଥିବା ପରି ଏକାଡେମିକ୍ ଅନୁପାତରେ ଏକ ସ୍ଥିର ଉନ୍ନତି ହୋଇଛି ।

ଆଚରଣଗତ ଅନୁପାତ ଛାତ୍ରଙ୍କ ଉଦ୍ଦେଶ୍ୟକୁ ନେଇ କାର୍ଯ୍ୟ କରିଥାଏ – ଜଣେ ଶିକ୍ଷାର୍ଥୀ ଅଧିକ ସ୍କୋର୍ କରିବାକୁ କେତେ ଉତ୍ସାହିତ, ପ୍ରତିବଦ୍ଧ, ଧ୍ୟାନ କେନ୍ଦ୍ରିତ କରିଥାଏ ଇତ୍ୟାଦି । Embibe ଶିକ୍ଷାର୍ଥୀମାନଙ୍କୁ ପ୍ରଥମେ ୟୁଜରଙ୍କ ଆଚରଣଗତ ଗୁଣ ନିର୍ଣ୍ଣୟ କରି ଏବଂ ତା’ପରେ ବର୍ଦ୍ଧିତ ଉନ୍ନତି ପାଇଁ ପ୍ରଗତିଶୀଳ ଲକ୍ଷ୍ୟ ସ୍ଥିର କରି ସେମାନଙ୍କର ଆଚରଣଗତ ଅନୁପାତକୁ ଉନ୍ନତ କରିବାରେ ସାହାଯ୍ୟ କରେ । ଥରେ ଜଣେ ଶିକ୍ଷାର୍ଥୀ ଜାଣିବା ପରେ ତାଙ୍କର ଲୁକ୍କାୟିତ ଆଚରଣ ବିଧି ଦୃଷ୍ଟିରୁ କେଉଁଠାରେ ତାଙ୍କର ଅଭାବ ରହୁଛି, ସେ ଏହା ବିଷୟରେ ସଚେତନ ହୋଇ ନିଜର ଆଚରଣ ବିଧିରେ ଉନ୍ନତି କରିପାରିବେ । ଚିତ୍ର 2 ରେ ଯେପରି ଦିଆଯାଇଛି, ପ୍ରାରମ୍ଭିକ ଆଚରଣଗତ ଉନ୍ନତି ଅତି ଦ୍ରୁତ ଗତିରେ ଘଟେ, ଏବଂ ପରେ, ପ୍ରତ୍ୟେକ କ୍ରମାଗତ ଟେଷ୍ଟ ପରେ ଏକ ଧୀର, କିନ୍ତୁ ସ୍ଥିର, ଉନ୍ନତି ହୋଇଥାଏ ।

ଟେଷ୍ଟ ଦେବା ଅନୁପାତ ଟେଷ୍ଟ ସେସନ୍ ଉତ୍ତର ଦେବାକୁ ଥିବା ସମୟ ପରିଚାଳନା ଏବଂ ପ୍ରଶ୍ନର ପ୍ରାଥମିକତାକୁ ନେଇ କାର୍ଯ୍ୟ କରିଥାଏ । ଟେଷ୍ଟ ଦେବା ଅନୁପାତରେ ସୁଧାର ଆଣିବା ସ୍ୱାଭାବିକ ଭାବରେ Embibe ସ୍କୋର୍ ଅନୁପାତକୁ ଉନ୍ନତ କରିଥାଏ କାରଣ ଉତ୍ତମ ଟେଷ୍ଟ ଦେବା କୌଶଳଗୁଡ଼ିକ ଲର୍ଣ୍ଣିଂ ଆଉଟକମ୍‌କୁ ସର୍ବାଧିକ କରିଥାଏ । ଚିତ୍ର 3ରେ ଯେପରି ଦେଖାଯାଏ, ଟେଷ୍ଟ ଦେବା ଅନୁପାତରେ ସୁଧାର ପ୍ରାରମ୍ଭରେ ଏକ ଧୀର, କିନ୍ତୁ ସ୍ଥିର, ଅଭିବୃଦ୍ଧି ହୋଇଥାଏ ।

ଏକାଡେମିକ୍, ଆଚରଣଗତ ଏବଂ ଟେଷ୍ଟ ଦେବା ଅନୁପାତ ପାଇଁ Embibe ସ୍କୋର୍ ଅନୁପାତକୁ ବିଭାଜନ କରି ଲର୍ଣ୍ଣିଂ ଆଉଟକମ୍ ଆଣିବା ପାଇଁ ପ୍ରଭାବଶାଳୀ ସୁପାରିଶକୁ ସକ୍ଷମ କରିଥାଏ ।

ସନ୍ଦର୍ଭ:

• Faldu K., Thomas A., Donda C. and Avasthi A., “Behavioural nudges that work for learning outcomes”, Data Science Lab, Embibe, https://www.embibe.com/ai-detail?id=2, 2016.
• Faldu, K., Avasthi, A. and Thomas, A., Indiavidual Learning Pvt Ltd, 2020. Adaptive learning machine for score improvement and parts thereof. U.S. Patent 10,854,099.
• Donda, C., Dasgupta, S., Dhavala, S. S., Faldu, K., & Avasthi, A. (2020). A framework for predicting, interpreting, and improving Learning Outcomes. arXiv preprint arXiv:2010.02629.