ਵਿਅਕਤੀਗਤ ਪ੍ਰਾਪਤੀ ਯਾਤਰਾ

ਵਿਅਕਤੀਗਤ ਪ੍ਰਾਪਤੀ ਯਾਤਰਾ (PAJ) ਦਾ ਉਦੇਸ਼ ਇੱਕ ਵਿਦਿਆਰਥੀ ਨੂੰ ਉਹਨਾਂ ਦੇ ਮੌਜੂਦਾ ਗਿਆਨ ਪੱਧਰ, ਇੱਕ ਪੂਰਵ-ਪ੍ਰਭਾਸ਼ਿਤ ਸਮਾਂ ਮਿਆਦ, ਇੱਕ ਪੂਰਵ-ਪਰਿਭਾਸ਼ਿਤ ਪਾਠਕ੍ਰਮ, ਵਿਦਿਆਰਥੀ ਦੀ ਟੀਚਾ ਪ੍ਰੀਖਿਆ ਲਈ ਕੰਸੇਪਟਸ ਦੀ ਮਹੱਤਤਾ ਅਤੇ ਹਰੇਕ ਕੰਸੈਪਟ ਵਿੱਚ ਮੁਹਾਰਤ ਹਾਸਲ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਯਤਨਾਂ ਦੇ ਮੱਦੇਨਜ਼ਰ ਇੱਕ ਅਨੁਕੂਲ ਲਰਨਿੰਗ ਮਾਰਗ ਪ੍ਰਦਾਨ ਕਰਨਾ ਹੈ। Embibe ਲਈ PAJ ਬਹੁਤ ਮਹੱਤਵ ਰੱਖਦਾ ਹੈ, ਲਰਨਿੰਗ ਦੇ ਨਤੀਜੇ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਇੱਕ AI ਪਲੇਟਫਾਰਮ। Embibe ਵਿਖੇ, ਅਸੀਂ ਲਰਨਿੰਗ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਪ੍ਰਸੰਗਿਕ ਗਿਆਨ ਗ੍ਰਾਫ ਅਤੇ ਵਿਹਾਰਕ ਪ੍ਰੋਫਾਈਲ ਉੱਤੇ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਧਾਰਨਾ ਮਹਾਰਤ ਨੂੰ ਕੈਲੀਬਰੇਟ ਕਰਦੇ ਹਾਂ। PAJ ਇੱਕ ਹਾਈਪਰ ਵਿਅਕਤੀਗਤ ਤਰੀਕੇ ਨਾਲ ਲਰਨਿੰਗ, ਪ੍ਰੈਕਟਿਸ ਅਤੇ ਮੁਲਾਂਕਣ ਪੈਕ ਦਾ ਸੁਝਾਅ ਦੇ ਕੇ ਵਿਦਿਆਰਥੀ ਦੀ ਸਿਖਲਾਈ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਦਾ ਇੱਕ ਮੌਕਾ ਹੈ।

ਇੱਕ ਅਨੁਕੂਲ ਲਰਨਿੰਗ ਦੇ ਮਾਰਗ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਦੀ ਸਮੱਸਿਆ ਨੂੰ ਦੋ ਉਪ-ਸਮੱਸਿਆਵਾਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ – ਕੰਸੇਪਟਸ ਦੀ ਚੋਣ ਅਤੇ ਲਰਨਿੰਗ ਵਾਲੀਆਂ ਵਸਤੂਆਂ ਦੀ ਲੜੀ, ਕੰਸੈਪਟ ਵਿਆਖਿਆਕਾਰ ਵੀਡੀਓ ਅਤੇ ਪ੍ਰੈਕਟਿਸ ਪ੍ਰਸ਼ਨ। ਅਸੀਂ ਚੋਣ ਨੂੰ ਇੱਕ ਗਤੀਸ਼ੀਲ ਪ੍ਰੋਗਰਾਮਿੰਗ ਸਮੱਸਿਆ ਦੇ ਰੂਪ ਵਿੱਚ ਮਾਡਲ ਕੀਤਾ ਹੈ, ਜੋ ਵਿਅਕਤੀਗਤ ਪ੍ਰਾਪਤੀ ਯਾਤਰਾ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਬਾਕੀ ਬਚੇ ਸਮੇਂ ਦੇ ਆਧਾਰ ‘ਤੇ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਕੰਸੇਪਟਸ ਦੀ ਚੋਣ ਕਰਦਾ ਹੈ।

ਹਰੇਕ ਕੰਸੈਪਟ ਦੇ ਮੁਕੰਮਲ ਹੋਣ ਤੋਂ ਬਾਅਦ ਬਾਕੀ ਬਚੀਆਂ ਲਰਨਿੰਗ ਵਾਲੀਆਂ ਵਸਤੂਆਂ ਵਿੱਚੋਂ ਚੋਣ ਲਈ ਮੁੱਲ ਅਤੇ ਲਾਗਤ ਦੇ ਪਹਿਲੂਆਂ ਨੂੰ ਦੇਖਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਚੋਣ ਦੇ ਨਾਲ ਇੱਕ ਹੋਰ ਵਿਚਾਰ ਇਹ ਹੈ ਕਿ ਪੂਰਵ-ਲੋੜੀਂਦੇ ਕੰਸੇਪਟਸ ਨੂੰ ਛੱਡਣ ਤੋਂ ਬਚਣਾ. ਅਤੇ ਇਸ ਕਾਰਨ ਕਰਕੇ, ਅਸੀਂ ਵਿਅਕਤੀਗਤ ਕੰਸੇਪਟਸ ਦੀ ਬਜਾਏ ਮੁੱਲ ਅਤੇ ਲਾਗਤ ਵਪਾਰ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਆਪਣੇ ਕੰਸੈਪਟ ਗਿਆਨ ਗ੍ਰਾਫ ਤੋਂ ਸਬਗ੍ਰਾਫਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ।

ਫਿਰ ਇਹ ਮੁੱਲ/ਲਾਗਤ ਅਨੁਪਾਤ ਦੇ ਆਧਾਰ ‘ਤੇ ਉਪ-ਸਮੂਹ ਕੰਸੇਪਟਸ ਨੂੰ ਚੁਣਦਾ ਹੈ, ਜਿੱਥੇ ਉਪ-ਸਮੂਹ ਦਾ ਮੁੱਲ ਅੰਤਮ ਪ੍ਰੀਖਿਆ ਵਿੱਚ ਬੁਨਿਆਦੀਤਾ ਅਤੇ ਪ੍ਰਸੰਗਿਕਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜਦੋਂ ਕਿ ਲਾਗਤ ਇਹ ਹੁੰਦੀ ਹੈ ਕਿ ਵਿਦਿਆਰਥੀ ਨੂੰ ਵਿਦਿਆਰਥੀ-ਵਿਸ਼ੇਸ਼ ਵਿਵਹਾਰਕ ਗੁਣਾਂ ਦੇ ਆਧਾਰ ‘ਤੇ ਉਸ ਉਪ-ਸਮੂਹ ਵਿੱਚ ਮੁਹਾਰਤ ਹਾਸਲ ਕਰਨ ਲਈ ਕਿੰਨਾ ਸਮਾਂ ਚਾਹੀਦਾ ਹੈ। ਹਰੇਕ ਕੰਸੈਪਟ ‘ਤੇ ਕੰਸੈਪਟ ਦੀ ਮੁਹਾਰਤ, ਜਿਵੇਂ ਕਿ ਵਿਦਿਆਰਥੀ ਵੱਧ ਤੋਂ ਵੱਧ ਲਰਨਿੰਗ ਦੇ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ।

ਐਲਗੋਰਿਥਮ  ਇਹ ਵੀ ਫੈਸਲਾ ਕਰਦਾ ਹੈ ਕਿ ਵਿਦਿਆਰਥੀ ਨੂੰ ਲਰਨਿੰਗ ਦੀ ਸਮੱਗਰੀ ਦੀ ਲੋੜ ਹੈ ਜਾਂ ਨਹੀਂ। ਇਹ ਪ੍ਰੈਕਟਿਸ ਪ੍ਰਸ਼ਨ ਵੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜਦੋਂ ਤੱਕ ਉਪਭੋਗਤਾ ਅਨੁਕੂਲ ਪ੍ਰੈਕਟਿਸ ਐਲਗੋਰਿਥਮ  ਦੇ ਅਧਾਰ ‘ਤੇ ਦਿੱਤੇ ਗਏ ਕੰਸੈਪਟ ਉਪ ਸਮੂਹ ਦੇ ਅਧੀਨ ਸਾਰੀਆਂ ਯੋਗਤਾਵਾਂ ਨੂੰ ਕਵਰ ਨਹੀਂ ਕਰਦੇ ਹਨ।

ਉਪਰੋਕਤ ਜ਼ਿਕਰ ਕੀਤੀਆਂ ਦੋਵੇਂ ਸਥਿਤੀਆਂ ਇੱਕ ਮਾਰਕੋਵ ਚੇਨ ‘ਤੇ ਆਧਾਰਿਤ ਹਨ ਜਿਸਦੀ ਸਭ ਤੋਂ ਤਾਜ਼ਾ ਅਵਸਥਾ ਕੰਸੈਪਟ ਮਹਾਰਤ ਦੇ ਰੂਪ ਵਿੱਚ ਹੈ, ਜੋ ਕਿ ਬਾਏਸੀਅਨ ਪ੍ਰੋਬੇਬਿਲਟੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅੱਪਡੇਟ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਜਿਸ ਨੂੰ ਬਾਏਸੀਅਨ ਗਿਆਨ ਟਰੇਸਿੰਗ ਵੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਹਰੇਕ ਪੜਾਅ ‘ਤੇ, ਅਨੁਕੂਲ ਸਮੇਂ ਦੀ ਵੰਡ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਐਲਗੋਰਿਥਮ  ਨੂੰ ਮੁੜ ਕੈਲੀਬਰੇਟ ਕੀਤਾ ਜਾਵੇਗਾ।

ਵਿਅਕਤੀਗਤ ਪ੍ਰਾਪਤੀ ਯਾਤਰਾ ਐਲਗੋਰਿਥਮ  ਪਿਛਲੇ ਗ੍ਰੇਡਾਂ ਤੋਂ ਪੂਰਵ-ਲੋੜੀਂਦੇ ਕੰਸੇਪਟਸ ‘ਤੇ ਵੀ ਵਿਚਾਰ ਕਰਦਾ ਹੈ ਜੋ ਟੀਚੇ ਦੀ ਪ੍ਰੀਖਿਆ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹਨ। ਇਸ ਲਈ, ਜੇਕਰ ਕਿਸੇ ਵਿਦਿਆਰਥੀ ਕੋਲ ਦਿੱਤੇ ਸਿਲੇਬਸ ਲਈ ਬੁਨਿਆਦ ਮਾੜੇ ਹਨ, ਤਾਂ ਐਲਗੋਰਿਥਮ ਬੁਨਿਆਦੀ ਕੰਸੇਪਟਸ ਦੀ ਡੂੰਘਾਈ ਵਿੱਚ ਖੋਜ ਕਰਦਾ ਹੈ ਅਤੇ ਪਿਛਲੇ ਗ੍ਰੇਡ ਤੋਂ ਘੱਟ ਤੋਂ ਘੱਟ ਲਰਨਿੰਗ ਵਾਲੀ ਸਮੱਗਰੀ ਚੁਣਦਾ ਹੈ ਜੋ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਮੌਜੂਦਾ ਗ੍ਰੇਡ ਵਿੱਚ ਅੱਗੇ ਵਧਣ ਤੋਂ ਪਹਿਲਾਂ ਉਹਨਾਂ ਦੀਆਂ ਬੁਨਿਆਦੀ ਗੱਲਾਂ ਨੂੰ ਠੀਕ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।

ਡੈਮੋ ਵੀਡੀਓ

ਹਵਾਲੇ

[1] “#RAISE2020 – Embibe – ਵਿਅਕਤੀਗਤ ਸਿੱਖਿਆ ਲਈ AI-ਪਾਵਰਡ ਲਰਨਿੰਗ ਨਤੀਜੇ ਪਲੇਟਫਾਰਮ”, MyGov ਇੰਡੀਆ, ਅਕਤੂਬਰ 2020, https://www.youtube.com/watch?v=kuwFtHgN3qU

[2] ਫਾਲਦੂ, ਕੀਯੂਰ, ਅਦਿਤੀ ਅਵਸਥੀ, ਅਤੇ ਅਚਿੰਤ ਥਾਮਸ। “ਸਕੋਰ ਸੁਧਾਰ ਅਤੇ ਇਸਦੇ ਭਾਗਾਂ ਲਈ ਅਨੁਕੂਲ ਸਿਖਲਾਈ ਮਸ਼ੀਨ।” ਯੂ.ਐੱਸ. ਪੇਟੈਂਟ 10,854,099, ਦਸੰਬਰ 1, 2020 ਨੂੰ ਜਾਰੀ ਕੀਤਾ ਗਿਆ।

[3] ਥਾਮਸ, ਅਚਿੰਤ, ਕੀਯੂਰ ਫਾਲਦੂ, ਅਤੇ ਅਦਿਤੀ ਅਵਸਥੀ। “ਇੱਕ ਲੜੀਵਾਰ ਢੰਗ ਨਾਲ ਅਕਾਦਮਿਕ ਸਮੱਗਰੀ ਦੀ ਵਿਅਕਤੀਗਤ ਪ੍ਰਾਪਤੀ ਲਈ ਸਿਸਟਮ ਅਤੇ ਵਿਧੀ।” ਯੂ.ਐੱਸ. ਪੇਟੈਂਟ ਐਪਲੀਕੇਸ਼ਨ 16/740,223, ਅਕਤੂਬਰ 1, 2020 ਨੂੰ ਦਾਇਰ ਕੀਤੀ ਗਈ।

[4] ਫਲਦੂ, ਕੀਯੂਰ, ਅਚਿੰਤ ਥਾਮਸ, ਅਤੇ ਅਦਿਤੀ ਅਵਸਥੀ। “ਪ੍ਰਸੰਗਿਕ ਗਿਆਨ ਅਧਾਰ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਿਅਕਤੀਗਤ ਸਮੱਗਰੀ ਦੀ ਸਿਫ਼ਾਰਿਸ਼ ਕਰਨ ਲਈ ਸਿਸਟਮ ਅਤੇ ਢੰਗ।” ਯੂ.ਐੱਸ. ਪੇਟੈਂਟ ਐਪਲੀਕੇਸ਼ਨ 16/586,512, ਅਕਤੂਬਰ 1, 2020 ਨੂੰ ਦਾਇਰ ਕੀਤੀ ਗਈ।

[5] ਫਾਲਦੂ, ਕੀਯੂਰ, ਅਚਿੰਤ ਥਾਮਸ, ਅਤੇ ਅਦਿਤੀ ਅਵਸਥੀ। “ਵਿਹਾਰ ਸੰਬੰਧੀ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਸਿਫ਼ਾਰਸ਼ਾਂ ਲਈ ਸਿਸਟਮ ਅਤੇ ਢੰਗ।” ਯੂ.ਐੱਸ. ਪੇਟੈਂਟ ਐਪਲੀਕੇਸ਼ਨ 16/586,525, 1 ਅਕਤੂਬਰ, 2020 ਨੂੰ ਦਾਇਰ ਕੀਤੀ ਗਈ।

[6] ਦੇਸਾਈ, ਨਿਸ਼ਿਤ, ਕੀਯੂਰ ਫਲਦੂ, ਅਚਿੰਤ ਥਾਮਸ, ਅਤੇ ਅਦਿਤੀ ਅਵਸਥੀ। “ਇੱਕ ਮੁਲਾਂਕਣ ਪੇਪਰ ਤਿਆਰ ਕਰਨ ਅਤੇ ਇਸਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਮਾਪਣ ਲਈ ਸਿਸਟਮ ਅਤੇ ਢੰਗ।” ਯੂ.ਐੱਸ. ਪੇਟੈਂਟ ਐਪਲੀਕੇਸ਼ਨ 16/684,434, ਅਕਤੂਬਰ 1, 2020 ਨੂੰ ਦਾਇਰ ਕੀਤੀ ਗਈ।

[7] ਧਵਲਾ, ਸੋਮਾ, ਚਿਰਾਗ ਭਾਟੀਆ, ਜੋਏ ਬੋਸ, ਕੀਯੂਰ ਫਲਦੂ, ਅਤੇ ਅਦਿਤੀ ਅਵਸਥੀ। “ਡਾਇਗਨੌਸਟਿਕ ਅਸੈਸਮੈਂਟਸ ਅਤੇ ਉਹਨਾਂ ਦੀ ਗੁਣਵੱਤਾ ਦੇ ਮੁਲਾਂਕਣ ਦੀ ਆਟੋ ਜਨਰੇਸ਼ਨ.” ਇੰਟਰਨੈਸ਼ਨਲ ਐਜੂਕੇਸ਼ਨਲ ਡਾਟਾ ਮਾਈਨਿੰਗ ਸੁਸਾਇਟੀ (2020)।

[8] ਲਾਲਵਾਨੀ, ਅਮਰ, ਅਤੇ ਸਵੀਟੀ ਅਗਰਵਾਲ। “ਸਮਾਂ ਕੀ ਦੱਸਦਾ ਹੈ? ਡੂੰਘੇ ਗਿਆਨ ਟਰੇਸਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਭੁੱਲਣ ਵਾਲੀ ਕਰਵ ਨੂੰ ਟਰੇਸ ਕਰਨਾ।” ਸਿੱਖਿਆ ਵਿੱਚ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ‘ਤੇ ਅੰਤਰਰਾਸ਼ਟਰੀ ਕਾਨਫਰੰਸ ਵਿੱਚ, pp. 158-162. ਸਪ੍ਰਿੰਗਰ, ਚੈਮ, 2019।

[9] ਅਗਰਵਾਲ, ਐਸ., ਅਤੇ ਏ. ਲਾਲਵਾਨੀ। “ਡੂੰਘੇ ਗਿਆਨ ਟਰੇਸਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸੰਸ਼ੋਧਿਤ ਬਲੂਮ ਦੇ ਵਰਗੀਕਰਨ ਦੇ ਅਧਾਰ ਤੇ ਸਮੱਸਿਆ ਦੀ ਕ੍ਰਮਬੱਧ ਰਣਨੀਤੀਆਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ।” Int ConfonIntelligent Tutoring Systems (ITS) ਦੇ ਪ੍ਰੋ. ਬਰਲਿਨ: ਸਪ੍ਰਿੰਗਰ 407410 (2018)।

← AI ਹੋਮ 'ਤੇ ਵਾਪਸ ਜਾਓ