ଜ୍ଞାନ ସ୍ତର ଏବଂ ଆଚରଣଗତ ସ୍ୱରୂପ ଟ୍ରାକ୍ କରି ଜଣେ ବିଦ୍ୟାର୍ଥୀର ସ୍କୋର କରିବାର ଦକ୍ଷତା ମାପିବା

Embibe ସ୍କୋର ଅନୁପାତ ହେଉଛି ଏକ ଯାନ୍ତ୍ରିକ ପ୍ରଣାଳୀ ଯେଉଁଥିରେ ଟେଷ୍ଟରେ ଜଣେ ବିଦ୍ୟାର୍ଥୀ କେତେ ସ୍କୋର କରିପାରିବ ତାହା ପୂର୍ବାନୁମାନ କରିବାରେ ସାହାଯ୍ୟ କରେ ।

“ସମସ୍ତେ ଜଣେ ଜଣେ ପ୍ରତିଭାଶାଳୀ ଅଟନ୍ତି । କିନ୍ତୁ ଯଦି ଆପଣ ଗୋଟିଏ ମାଛକୁ ଗଛ ଚଢା କ୍ଷମତା ଆଧାରରେ ବିଚାର କରନ୍ତି, ସେ ନିଜକୁ ମୂର୍ଖ ବୋଲି ଭାବି ସାରା ଜୀବନ ବିତାଇବ ।” – ଆଇନଷ୍ଟାଇନ୍

ଏହି ଉଦ୍ଧୃତି ସମଗ୍ର ବିଶ୍ୱରେ ବିଦ୍ୟାର୍ଥୀମାନଙ୍କ ସମସ୍ୟାକୁ ବ୍ୟାଖ୍ୟା କରିଥାଏ । ଶିକ୍ଷା ବ୍ୟବସ୍ଥା ଓ ନିଯୁକ୍ତିକାରୀମାନେ କେବଳ ପରୀକ୍ଷାକୁ ଉତ୍କର୍ଷତାର ପ୍ରମାଣ ଭାବରେ ଗ୍ରହଣ କରନ୍ତି । ବର୍ଷସାରା ଶ୍ରେଷ୍ଠ କିମ୍ବା ଖରାପ ପ୍ରଦର୍ଶନକୁ ଗୁରୁତ୍ୱ ନଦେଇ ଜଣେ ବିଦ୍ୟାର୍ଥୀକୁ କେବଳ କିଛି ପ୍ରଶ୍ନର ଆଧାରରେ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଥାଏ । ଅନ୍ୟାନ୍ୟ ଅସୁବିଧା ମଧ୍ୟରେ ଗୁଣାତ୍ମକ ଶିକ୍ଷକଙ୍କ ଚାହିଦା ଏବଂ ଅଭାବ ଯୋଗୁଁ ବିଦ୍ୟାର୍ଥୀ-ଶିକ୍ଷକ ଅନୁପାତରେ ବହୁତ ହ୍ରାସ ପାଇଛି ।  ଶିକ୍ଷକମାନେ ପ୍ରତ୍ୟେକ ବିଦ୍ୟାର୍ଥୀଙ୍କୁ ବ୍ୟକ୍ତିଗତ ଧ୍ୟାନ ପ୍ରଦାନ କରିପାରନ୍ତି ନାହିଁ । ଏହି ସମସ୍ତ ସମସ୍ୟାକୁ ଦୂର କରିବା ପାଇଁ ଆମକୁ ବିଦ୍ୟାର୍ଥୀମାନଙ୍କୁ ସକ୍ଷମ କରିବାକୁ ପଡିବ ଏବଂ ସେମାନେ ଯେଉଁ ସମୟରେ ଯାହା ଆବଶ୍ୟକ କରନ୍ତି, ତାହା ନିଶ୍ଚିତ କରିବାକୁ ପଡିବ ।

ଏହାକୁ ହାସଲ କରିବା ପାଇଁ, ବିଜ୍ଞାନ ସମ୍ମତ ମାନଦଣ୍ଡ ‘Embibe ସ୍କୋର ଅନୁପାତ’ ବ୍ୟବହାର କରି Embibe ବିଦ୍ୟାର୍ଥୀମାନଙ୍କ ବର୍ତ୍ତମାନର ଦକ୍ଷତାକୁ ମାପ କରେ । Embibe, ସମୁଦାୟ ଭାବରେ, ବିଶ୍ୱାସ କରେ ଯେ ବିଦ୍ୟାର୍ଥୀଙ୍କ ସ୍କୋର କରିବାର କ୍ଷମତା ଏକାଧିକ ସୂକ୍ଷ୍ମ ଲୁକ୍କାୟିତ ଗୁଣଗୁଡିକ ମଧ୍ୟରେ ଥିବା ଏକାଡେମିକ୍ ଦକ୍ଷତା ଏବଂ ଆଚରଣ ଉପରେ ନିର୍ଭର କରେ । କମ୍ ଟେଷ୍ଟ ସ୍କୋର ପାଇଁ ଦାୟୀ ସଠିକ୍ ଉପାଦାନଗୁଡିକର ଅଭାବକୁ ଚିହ୍ନଟ ପାଇଁ ଏହା ଆମକୁ ସହାୟକ ହୋଇଥାଏ ।

‘Embibe ସ୍କୋର ଅନୁପାତ’ ର ମୂଳ ଉପାଦାନଗୁଡିକ ଯାହା ଆମ ସିଷ୍ଟମକୁ ବିଶେଷ ସୁପାରିଶ ପ୍ରଦାନ କରିବାକୁ ଅନୁମତି ଦିଏ:

  1. ଏକାଡେମିକ୍ ଅନୁପାତ: ଏହା ବିଦ୍ୟାର୍ଥୀମାନଙ୍କ ଏକାଡେମିକ୍ ଦକ୍ଷତାକୁ ଦର୍ଶାଇଥାଏ । Embibeରେ, ‘କନସେପ୍ଟ ମାଷ୍ଟରୀ’ ସାହାଯ୍ୟରେ ଜଣେ ବିଦ୍ୟାର୍ଥୀର ଏକାଡେମିକ୍ ଦକ୍ଷତା ନିରୂପଣ କରାଯାଏ । ବିଦ୍ୟାର୍ଥୀଙ୍କ ଦ୍ୱାରା କରାଯାଇଥିବା ବିଭିନ୍ନ କାର୍ଯ୍ୟକଳାପ ଉପରେ ଆଧାର କରି ‘କନସେପ୍ଟ ମାଷ୍ଟରୀ’ ଏକ କନସେପ୍ଟର ଦକ୍ଷତାକୁ ମାପ କରିଥାଏ ଯେପରିକି ଭିଡିଓ ଦେଖିବା, ପ୍ରଶ୍ନ ପ୍ରାକ୍ଟିସ୍ କରିବା, ଟେଷ୍ଟ ନେବା ଏବଂ ଟେଷ୍ଟ ସମ୍ପର୍କରେ ଫିଡବ୍ୟାକ୍ ସମୀକ୍ଷା କରିବା ଇତ୍ୟାଦି । 
  2. ଆଚରଣଗତ ଅନୁପାତ: ଏହା ଟେଷ୍ଟ-ନେବା ସମ୍ବନ୍ଧରେ ଜଣେ ବିଦ୍ୟାର୍ଥୀର ଆଚରଣଗତ ଗୁଣକୁ ଏହା ସୂଚିତ କରିଥାଏ । ଏହା ଦୁଇ ଭାଗରେ ଶ୍ରେଣୀଭୁକ୍ତ ହୋଇଛି, ଯଥା ଉଦ୍ଦେଶ୍ୟଗତ ଅନୁପାତ ଏବଂ ଟେଷ୍ଟ ନେବା କୌଶଳ ଅନୁପାତ ।
    1. ଉଦ୍ଦେଶ୍ୟଗତ ଅନୁପାତ : ଏହା ବିଦ୍ୟାର୍ଥୀଙ୍କ ଜ୍ଞାନ ଉପରେ ଗୁରୁତ୍ୱ ନ ଦେଇ ସେମାନଙ୍କର ବିଦ୍ୟାଗ୍ରହୀ ମନୋଭାବ କିମ୍ବା ଉଦ୍ଦେଶ୍ୟକୁ ସୂଚିତ କରିଥାଏ । ଏହି ବର୍ଗରେ ବିବେଚନା କରାଯାଉଥିବା କିଛି ଅଣ-ସମ୍ପୂର୍ଣ୍ଣ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ହେଉଛି ବ୍ୟର୍ଥ ପ୍ରୟାସର ସଂଖ୍ୟା, ବିଷୟ ସ୍ୱାପ୍, କୌଣସି ପ୍ରଶ୍ନକୁ ପ୍ରୟାସ ନକରି ବିତାଯାଇଥିବା ସମୟ ଏବଂ ଅନ୍ୟାନ୍ୟ ସମାନ ଧରଣର ବୈଶିଷ୍ଟ୍ୟ ।
    2. ଟେଷ୍ଟ ନେବା କୌଶଳ ଅନୁପାତ: ଏହି ଅନୁପାତ ଜଣେ ବିଦ୍ୟାର୍ଥୀଙ୍କ ଟେଷ୍ଟ ନେବା କ୍ଷମତାକୁ ଦର୍ଶାଇଥାଏ । ଏହାକୁ ଟିକେ ଭଲରେ ବୁଝିବା ପାଇଁ ଏହି ଶ୍ରେଣୀରେ ରହିଥିବା କିଛି ବୈଶିଷ୍ଟ୍ୟକୁ ଉଦାହରଣ ଭାବେ ନିଆଯାଇପାରେ । ଯେପରିକି ଦେଖାଯାଇଥିବା ପ୍ରଶ୍ନର ସଂଖ୍ୟା ଏବଂ ରିଭିଉ ପାଇଁ ମାର୍କ ହୋଇଥିବା ପ୍ରଶ୍ନର ସଂଖ୍ୟା ଓ  ଅନ୍ୟାନ୍ୟ ସମାନ ଧରଣର ବୈଶିଷ୍ଟ୍ୟ ।
  3. ପ୍ରୟାସ ଅନୁପାତ: ଏହା ଜଣେ ବିଦ୍ୟାର୍ଥୀ ଶିଖିବା ସମୟରେ ଲଗାଉଥିବା ପ୍ରୟାସର ମାପକୁ ସୂଚିତ କରେ । ପରୀକ୍ଷାରେ ସ୍କୋର କରିବା ପାଇଁ ବିଦ୍ୟାର୍ଥୀଙ୍କ ସାମର୍ଥ୍ୟକୁ ବୁଝିବା ପାଇଁ ପ୍ରୟାସ ଅନୁପାତ ଆମକୁ ଅବସର ପ୍ରଦାନ କରିଥାଏ । ଏହି ବର୍ଗ ଅନ୍ତର୍ଗତ କିଛି ବ୍ୟାଖ୍ୟାଯୋଗ୍ୟ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ହେଉଛି ପ୍ରାକ୍ଟିସ୍ ସେସନ୍ ର ସଂଖ୍ୟା, ପ୍ରାକ୍ଟିସ୍ ରେ ଅତିବାହିତ ହୋଇଥିବା ସମୁଦାୟ ସମୟ ଏବଂ ଅନ୍ୟାନ୍ୟ ସମାନ ଧରଣର କାର୍ଯ୍ୟକଳାପ ।

ତୁରନ୍ତ ପ୍ରସ୍ତାବ ପାଇଁ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ମଡେଲ୍

ଏକ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ମଡେଲ୍ ହେଉଛି ବାସ୍ତବତାର ଏକ ଅନୁମାନ । ପରିମାଣିକ କିମ୍ବା ପ୍ରାକୃତିକ ଭାଷାରେ ବାସ୍ତବତାକୁ ଜାହିର କରିବା ପାଇଁ ବ୍ୟାଖ୍ୟାକୁ ଏକ ମାଧ୍ୟମ ଭାବରେ ବିବେଚନା କରାଯାଇପାରେ । ଯେଉଁଠାରେ ସମ୍ଭବ ବ୍ୟାଖ୍ୟାତ୍ମକ ମଡେଲ୍ ବ୍ୟବହାର କରିବାକୁ ଅନୁରୋଧ କରାଯାଏ । ଏପରିକି ଅସ୍ପଷ୍ଟ ଜଣାପଡୁଥିବା ଗଭୀର ଲର୍ଣ୍ଣିଂ ମଡେଲ୍ ଗୁଡିକୁ ମଧ୍ୟ ବହୁଳ ଭାବେ ବ୍ୟାଖ୍ୟା କରାଯାଉଥିବା ଦେଖିବାକୁ ମିଳୁଛି । ବ୍ୟାଖ୍ୟାତ୍ମକତାକୁ ଧ୍ୟାନରେ ରଖି ଉତ୍ତମ ବ୍ୟାଖ୍ୟାଯୋଗ୍ୟ ବୈଶିଷ୍ଟ୍ୟ ବିଶିଷ୍ଟ ‘Embibe ସ୍କୋର ଅନୁପାତ’ ବିଦ୍ୟାର୍ଥୀମାନଙ୍କୁ ତୁରନ୍ତ ପ୍ରସ୍ତାବ ପ୍ରଦାନ କରିଥାଏ । ଯାହାର ଲକ୍ଷ୍ୟ ହେଉଛି ବିଦ୍ୟାର୍ଥୀମାନଙ୍କର ଦୁର୍ବଳ ଧାରଣାକୁ ଉନ୍ନତ କରିବା ଏବଂ ଅତ୍ୟଧିକ ସୂକ୍ଷ୍ମ ଓ କ୍ରିୟା-ଆଧାରିତ ଢଙ୍ଗରେ ଆଚରଣଗତ ମତାମତ ପ୍ରଦାନ କରିବା ।

ଉଦାହରଣ ସ୍ୱରୂପ, ଉଚ୍ଚ ଏକାଡେମିକ୍ ଅନୁପାତ, ଉଚ୍ଚ ଉଦ୍ଦେଶ୍ୟଗତ ଅନୁପାତ କିନ୍ତୁ କମ୍ ଟେଷ୍ଟ ନେବା କୌଶଳ ଅନୁପାତ ଥିବା ବିଦ୍ୟାର୍ଥୀମାନଙ୍କ ପାଇଁ, ସିଷ୍ଟମ୍ ପରାମର୍ଶ ଦେବ, “ଆପଣ ଯେଉଁ ବିଷୟ ଉପରେ ଠିକ୍ ରେ ଜାଣିନାହାଁନ୍ତି, ସେହି ପ୍ରଶ୍ନ ଉପରେ ଅଧିକ ସମୟ ଅତିବାହିତ କରନ୍ତି । ସେହି ସମୟକୁ କମ୍ କରନ୍ତୁ,  ଯାହାଫଳରେ ଆପଣ ନିଜ ସମୁଦାୟ ଟେଷ୍ଟରେ ଅଧିକ ସମୟ ଦେଇ ପାରିବେ ।” ପରିସ୍ଥିତି ଅନୁସାରେ ଭିନ୍ନ ଭିନ୍ନ ପରାମର୍ଶ ଦିଆଯାଇଛି ।

ଶେଷରେ, ‘Embibe ସ୍କୋର ଅନୁପାତ’ ହେଉଛି ଏକାଡେମିକ୍, ଆଚରଣଗତ ଏବଂ ପ୍ରୟାସ ପରିପ୍ରେକ୍ଷୀରେ ବିଦ୍ୟାର୍ଥୀମାନଙ୍କ ସାମର୍ଥ୍ୟର ଚିତ୍ର । Embibeର ଏଇ ଇଞ୍ଜିନ୍ ବିଦ୍ୟାର୍ଥୀମାନଙ୍କୁ ଶିକ୍ଷକମାନେ କିଭଳି ବ୍ୟକ୍ତିଗତ ଭାବେ ଧ୍ୟାନ ଦେଇପାରିବେ, ସେଥିପାଇଁ ଶିକ୍ଷକ-ବିଦ୍ୟାର୍ଥୀ ଅନୁପାତ ବ୍ୟବଧାନକୁ ଦୂର କରେ । ଆଗକୁ, ‘Embibe  ସ୍କୋର ଅନୁପାତ’ AI ଇଞ୍ଜିନର ଅନ୍ତର୍ଭାଗରେ, ଆମେ ସିଷ୍ଟମର ମାନବୀୟ ବ୍ୟାଖ୍ୟାକୁ ମଧ୍ୟ ଉନ୍ନତ କରି ଏହାକୁ ବ୍ୟାଖ୍ୟାକାରୀ AI ସହିତ ପରିଚିତ କରାଇଥାଉ ।

ସନ୍ଦର୍ଭ:

[1] Keyur Faldu, Aditi Avasthi, and Achint Thomas. Adaptive learning machine for score improvement and parts thereof, US Patent No. 10854099 B2.

[2] C. Rudin. Stop Explaining Black-Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead. arXiv e-prints, 11 2018.

କନସେପ୍ଟ ମାଷ୍ଟରୀ