ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਸਿੱਖਣ ਦੀਆਂ ਸ਼ੈਲੀਆਂ ਦੀ ਇੱਕ ਸ਼੍ਰੇਣੀ ਦੀ ਸੇਵਾ ਕਰਨਾ

ਫਿਰ ਵੀ ਸਿੱਖਣ ਦੀਆਂ ਸ਼ੈਲੀਆਂ ਕੀ ਹਨ?

ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਸਿੱਖਣ ਦੀਆਂ ਸ਼ੈਲੀਆਂ ਮੁੱਖ ਤੌਰ ‘ਤੇ ਸਕੂਲਾਂ ਅਤੇ ਕਾਲਜਾਂ ਵਿੱਚ ਇੰਸਟ੍ਰਕਟਰਾਂ ਦੁਆਰਾ ਕੀਤੀਆਂ ਗਈਆਂ ਸਿੱਖਿਆ ਸ਼ਾਸਤਰੀ ਚੋਣਾਂ ਦੁਆਰਾ ਚਲਾਈਆਂ ਗਈਆਂ ਹਨ। ਦੋ ਜਾਣੇ-ਪਛਾਣੇ ਫਰੇਮਵਰਕ ਜਿਨ੍ਹਾਂ ਦਾ ਉਹਨਾਂ ‘ਤੇ ਵੱਡਾ ਪ੍ਰਭਾਵ ਹੈ, ਅਤੇ Embibe ਦੇ ਡਿਜੀਟਲ ਸਿਖਲਾਈ ਪਲੇਟਫਾਰਮ ਅਤੇ ਸਿੱਖਿਆ ਸ਼ਾਸਤਰ ਲਈ ਆਧਾਰ ਵਜੋਂ ਕੰਮ ਕਰਦੇ ਹਨ, ਫੇਲਡਰ-ਸਿਲਵਰਮੈਨ ਅਤੇ ਕੋਲਬ ਦੀਆਂ ਸਿੱਖਣ ਦੀਆਂ ਸ਼ੈਲੀਆਂ ਹਨ।

ਫੇਲਡਰ-ਸਿਲਵਰਮੈਨ ਦੁਆਰਾ ਪ੍ਰਸਤਾਵਿਤ ਸਿੱਖਣ ਦੀਆਂ ਸ਼ੈਲੀਆਂ ਸਰਗਰਮ-ਰਿਫਲੈਕਟਿਵ, ਵਿਜ਼ੂਅਲ ਜਾਂ ਮੌਖਿਕ, ਸੰਵੇਦਨਾਤਮਕ ਜਾਂ ਅਨੁਭਵੀ ਅਤੇ ਕ੍ਰਮਵਾਰ ਜਾਂ ਗਲੋਬਲ, ਸਿੱਖਣ ਲਈ ਇੱਕ ਉੱਚ ਵਿਅਕਤੀਗਤ ਪਹੁੰਚ ਹੈ। ਵਧੇਰੇ ਪ੍ਰਕਿਰਿਆ-ਅਧਾਰਿਤ ਢਾਂਚੇ ਦੇ ਨਾਲ, ਕੋਲਬ ਨੇ ਸਿੱਖਣ ਦੇ ਪੜਾਵਾਂ ਨੂੰ ਸਰਗਰਮ ਪ੍ਰਯੋਗ, ਠੋਸ ਅਨੁਭਵ, ਪ੍ਰਤੀਬਿੰਬਤ ਨਿਰੀਖਣ ਅਤੇ ਅਮੂਰਤ ਸੰਕਲਪ ਦੇ ਰੂਪ ਵਿੱਚ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ। ਜਦੋਂ ਕਿ ਪਹਿਲਾਂ ਦਾ ਵਰਗੀਕਰਨ ਕਿਸੇ ਵਿਅਕਤੀ ਦੇ ਸ਼ਖਸੀਅਤ ਦੇ ਗੁਣਾਂ ‘ਤੇ ਅਧਾਰਤ ਹੈ, ਬਾਅਦ ਵਾਲੇ ਨੇ ਮੁਹਾਰਤ ਦੇ ਪੜਾਵਾਂ ਵਿੱਚ ਅਨੁਭਵ-ਅਗਵਾਈ ਗਿਆਨ ਨਿਰਮਾਣ ਦੇ ਵਿਚਾਰ ਨੂੰ ਉਜਾਗਰ ਕੀਤਾ।

Embibe ਹੱਲ ਕੀ ਹੈ?

Embibe ਨੇ ਇਹਨਾਂ ਢਾਂਚੇ ਨੂੰ ਸ਼ਕਤੀ ਦੇਣ ਵਾਲੇ ਦੋ ਅੰਤਰੀਵ ਵਿਚਾਰਾਂ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਵਿਦਿਆਰਥੀ ਸਿਖਲਾਈ ਪਲੇਟਫਾਰਮ ਬਣਾਇਆ ਹੈ: ਵਿਅਕਤੀਗਤਕਰਨ (ਫੇਲਡਰ-ਸਿਲਵਰਮੈਨ) ਅਤੇ ਸਿੱਖਣ ਦੇ ਨਤੀਜੇ (ਕੋਲਬ)। ਇੱਥੇ ਕੈਚ ਇਹ ਹੈ: ਚਾਰ ਤੋਂ ਪੰਜ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਕਲਾਸ ਨੂੰ ਪੜ੍ਹਾਉਣ ਵਾਲੇ ਇੰਸਟ੍ਰਕਟਰ ਲਈ, ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਸਰੀਰਕ ਅਤੇ ਭਾਵਨਾਤਮਕ ਜਵਾਬਾਂ ਦੁਆਰਾ ਅਨੁਭਵੀ ਅਤੇ ਅਸਲ-ਸਮੇਂ ਦੀ ਫੀਡਬੈਕ ਇੱਕ ਸੰਬੰਧਿਤ ਸਿੱਖਣ ਦੀ ਸ਼ੈਲੀ ਨੂੰ ਕੱਢਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀ ਹੈ; ਹਾਲਾਂਕਿ, 400 ਪ੍ਰੀਖਿਆਵਾਂ ਅਤੇ 10 ਸਾਲ ਅਤੇ 25 ਸਾਲ ਦੇ ਵਿਚਕਾਰ ਦੀ ਉਮਰ ਦੇ ਲੱਖਾਂ ਵਿਦਿਆਰਥੀਆਂ ਵਿੱਚ ਅਜਿਹਾ ਕਰਨਾ, Embibe AI ਅਤੇ ਇੰਜਨੀਅਰਿੰਗ ਟੀਮਾਂ ਦੇ ਸਾਹਮਣੇ ਇੱਕ ਸਮੱਸਿਆ ਬਿਆਨ ਹੈ।

500 ਤੋਂ ਵੱਧ ਡੋਮੇਨ ਮਾਹਰਾਂ ਦੇ ਤਜ਼ਰਬਿਆਂ ਅਤੇ ਇਮਤਿਹਾਨਾਂ ਵਿੱਚ 2000 ਤੋਂ ਵੱਧ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਨਾਲ ਵਿਆਪਕ ਉਪਭੋਗਤਾ ਖੋਜ ਸਰਵੇਖਣਾਂ ਦੁਆਰਾ, ਅਸੀਂ ਪਛਾਣ ਕੀਤੀ ਹੈ ਕਿ ਕਿਸੇ ਵੀ ਵਿਦਿਆਰਥੀ ਦੀ ਸਿੱਖਣ ਦੀ ਵਿਧੀ ਫੇਲਫਰ-ਸਿਲਵਰਮੈਨ ਦੀਆਂ ਸ਼ੈਲੀਆਂ ਦਾ ਸੁਮੇਲ ਹੈ। ਅਤੇ, ਵਿਦਿਆਰਥੀ ਆਪਣੀ ਸਮਰੱਥਾ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਨ ਦੇ ਯੋਗ ਨਹੀਂ ਸਨ ਜਾਂ ਤਾਂ ਉਹਨਾਂ ਨੂੰ ਸਿੱਖਣ ਦੀ ਢੁਕਵੀਂ ਸ਼ੈਲੀ ਨਹੀਂ ਮਿਲ ਰਹੀ ਸੀ ਜਾਂ ਕੋਲਬ ਦੇ ਮੁਹਾਰਤ ਦੇ ਪੜਾਵਾਂ ਵਿੱਚੋਂ ਇੱਕ ਗੁੰਮ ਪੜਾਅ ਸੀ।

ਇਸ ਲਈ, ਅਸੀਂ ਵਿਅਕਤੀਗਤਕਰਨ ਅਤੇ ਸਿੱਖਣ ਦੇ ਨਤੀਜੇ ਪ੍ਰਦਾਨ ਕਰਨ ਦੇ ਸਾਡੇ ਉਦੇਸ਼ਾਂ ਦੇ ਇੱਕ ਡੈਰੀਵੇਟਿਵ ਦੇ ਤੌਰ ‘ਤੇ ਦੋ ਸਮੱਸਿਆ ਬਿਆਨਾਂ ਨੂੰ ਸਿਫਰ ਕੀਤਾ, ਕਈ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੇ ਹੋਏ ਜੋ ਸਿੱਖਣ ਦੀਆਂ ਸਾਰੀਆਂ ਸ਼ੈਲੀਆਂ ਨੂੰ ਪੂਰਾ ਕਰਦੇ ਹਨ ਅਤੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਨਡਜ਼ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਇੱਕ ਬਹੁਤ ਹੀ ਬਾਰੀਕ ਪੱਧਰ ‘ਤੇ ਕੋਸ਼ਿਸ਼ਾਂ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਧਿਆਨ ਰੱਖਦੇ ਹਨ। ਮੁਹਾਰਤ ਦੇ ਇੱਕ ਪੜਾਅ ਨੂੰ ਪਾਰ ਕਰਨ ਲਈ। 

Embibe ਸਿੱਖਣ ਦੀਆਂ ਸਾਰੀਆਂ ਸ਼ੈਲੀਆਂ ਲਈ ਢੁਕਵੇਂ ਅਨੁਭਵ ਕਿਵੇਂ ਪੇਸ਼ ਕਰਦੀ ਹੈ?

ਇੱਥੇ ਮੁੱਖ ਤੌਰ ‘ਤੇ ਸਿੱਖਣ ਦੇ ਤਿੰਨ ਲੂਪ ਹਨ, ਜਿੱਥੇ ਅਸੀਂ ਇਹ ਸਟਾਈਲ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਾਂ। ਸਿਖਰ ਲੂਪ ਵਿੱਚ ਸਿੱਖਣ, ਅਭਿਆਸ ਅਤੇ ਟੈਸਟ ਮੋਡਿਊਲ ਸ਼ਾਮਲ ਹਨ। ਦੂਜੇ ਲੂਪ ਵਿੱਚ ਇਹਨਾਂ ਮੋਡੀਊਲਾਂ ਵਿੱਚ ਦਿੱਤੀ ਗਈ ਸਮੱਗਰੀ ਦੀ ਤਰਤੀਬ ਅਤੇ ਕਿਸਮ ਸ਼ਾਮਲ ਹੈ:

1. ਲਰਨ 3D ਇੰਟਰਐਕਟਿਵ ਸੰਕਲਪ ਵਿਆਖਿਆਕਾਰਾਂ ਤੋਂ ਲੈ ਕੇ ਜਟਿਲ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਕਦਮ-ਦਰ-ਕਦਮ ਹੱਲ ਕਰਨ ਵਾਲੇ ਚੋਟੀ ਦੇ ਇੰਸਟ੍ਰਕਟਰਾਂ ਦੇ ਵ੍ਹਾਈਟਬੋਰਡ ਵੀਡੀਓਜ਼ ਤੱਕ, ਕਈ ਤਰ੍ਹਾਂ ਦੀਆਂ ਵੀਡੀਓ ਕਿਸਮਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ।
2. ਪ੍ਰੈਕਟਿਸ ਪ੍ਰਸ਼ਨਾਂ ਦੀ ਸੇਵਾ ਕਰਨ ਦਾ ਧਿਆਨ ਰੱਖਦਾ ਹੈ ਅਤੇ ਮਾਈਕਰੋ-ਪੱਧਰ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਸੰਬੰਧਿਤ ਵੀਡੀਓ ਅਤੇ ਸੰਖੇਪਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੇ ਹੋਏ ਲਰਨ ਦੇ ਦਖਲਅੰਦਾਜ਼ੀ ਦੁਆਰਾ ਵਧਾਇਆ ਜਾਂਦਾ ਹੈ। 
3. ਟੈਸਟ ਵਿੱਚ ਇਮਤਿਹਾਨ ਪੱਧਰਾਂ ‘ਤੇ ਪਹਿਲਾਂ ਤੋਂ ਤਿਆਰ ਕੀਤੇ ਗਏ ਟੈਸਟ ਅਤੇ ਪਾਠਕ੍ਰਮ ਅਤੇ ਮੁਸ਼ਕਲ ਪੱਧਰ ਦੇ ਸਬਸੈੱਟ ਨੂੰ ਚੁਣਨ ਦੇ ਵਿਕਲਪ ਦੇ ਨਾਲ ਅਨੁਕੂਲਿਤ ਟੈਸਟ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ। ਇੱਕ ਵਿਦਿਆਰਥੀ ਦੇ ਮੌਜੂਦਾ ਪੜਾਅ ਅਤੇ ਭਵਿੱਖ ਦੀ ਸੰਭਾਵਨਾ ਲਈ ਇੱਕ ਫੀਡਬੈਕ ਲੂਪ ਦੇ ਰੂਪ ਵਿੱਚ, ਟੈਸਟ ਮੋਡੀਊਲ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਫੀਡਬੈਕ ਵੀ ਸ਼ਾਮਲ ਹੈ ਜੋ ਘੱਟ-ਕ੍ਰਮ-ਸੋਚ-ਮੁਹਾਰਤ ਅਤੇ ਉੱਚ-ਕ੍ਰਮ-ਸੋਚ-ਮੁਹਾਰਤ, ਇੱਕ ਯਾਤਰਾ ਨੂੰ ਪੂਰਾ ਕਰਨ ਦੇ ਸੰਭਾਵੀ ਸਕੋਰ ਵਿਚਕਾਰ ਇੱਕ ਵਿਦਿਆਰਥੀ ਦੀ ਹੁਨਰ ਦੀ ਤਿਆਰੀ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ। ਕਮਜ਼ੋਰ ਅਤੇ ਮਜ਼ਬੂਤ ਵਿਸ਼ਿਆਂ ਦੇ ਦਾਣੇਦਾਰ ਅਤੇ ਦਾਣੇਦਾਰ ਵੇਰਵੇ ਸ਼ਾਮਲ ਕਰੋ। 

ਸਭ ਤੋਂ ਅੰਦਰੂਨੀ ਅਤੇ ਤੀਜੇ ਲੂਪ ਵਿੱਚ ਇੱਕ ਸਵਾਲ ਨੂੰ ਹੱਲ ਕਰਨ ਦੌਰਾਨ ਦਿੱਤੇ ਗਏ ਸੰਕੇਤ, ਇੱਕ ਗੁੰਝਲਦਾਰ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਪਰਿਭਾਸ਼ਿਤ ਕਦਮ ਅਤੇ ਇੱਕ ਸਵਾਲ ਨੂੰ ਹੱਲ ਕਰਨ, ਇੱਕ ਵਿਸ਼ੇਸ਼ਤਾ ਖੋਜਣ ਜਾਂ ਇੱਕ ਮੀਲ ਪੱਥਰ ਤੱਕ ਪਹੁੰਚਣ ‘ਤੇ ਇਨਾਮ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ।

ਅਸੀਂ ਇਸਨੂੰ ਅਸਲ ਵਿੱਚ ਵਿਅਕਤੀਗਤ ਅਨੁਭਵ ਕਿਵੇਂ ਬਣਾ ਸਕਦੇ ਹਾਂ?

ਸਮੱਗਰੀ ਬਣਾਉਣ ਵੇਲੇ ਅਤੇ ਸਮੱਗਰੀ ਦੇ ਨਾਲ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਅੰਤਰਕਿਰਿਆ ਦੇ ਦੌਰਾਨ ਜੋ ਡੇਟਾ ਅਸੀਂ ਕੈਪਚਰ ਕਰਦੇ ਹਾਂ, ਉਹ Embibe ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਵਿਅਕਤੀਗਤਕਰਨ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਹੈ, ਕਿਉਂਕਿ ਇਹ ਸਾਡੇ ਭਵਿੱਖਬਾਣੀ ਅਤੇ ਅਨੁਕੂਲ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਨੂੰ ਸ਼ਕਤੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਪ੍ਰੀਖਿਆਵਾਂ ਅਤੇ ਗਿਆਨ ਪੱਧਰਾਂ ਵਿੱਚ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਇੱਕ ਬਹੁਤ ਹੀ ਦਿਲਚਸਪ ਅਨੁਭਵ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।

Embibe ਦੇ ਸਮਗਰੀ ਪਲੇਟਫਾਰਮ ਦਾ ਸਭ ਤੋਂ ਵੱਡਾ ਪੱਧਰ ਕੰਸੈਪਟ ਹਨ, ਜੋ ਗਿਆਨ ਗ੍ਰਾਫ ਦੇ ਰੂਪ ਵਿੱਚ ਸਟੋਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਅਤੇ ਰਿਸ਼ਤਿਆਂ ਦੀ ਇੱਕ ਸੀਮਾ ਨਾਲ ਪ੍ਰੀਖਿਆਵਾਂ ਵਿੱਚ ਜੁੜੇ ਹੁੰਦੇ ਹਨ। ਉੱਚ-ਪੱਧਰੀ ਸੰਸਥਾਵਾਂ ਵਿੱਚ ਵਿਸ਼ੇ, ਕੰਸੇਪਟਸ ਦਾ ਸੰਗ੍ਰਹਿ, ਅਤੇ ਅਧਿਆਏ, ਵਿਸ਼ਿਆਂ ਦਾ ਸੰਗ੍ਰਹਿ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ। ਇੱਕ ਕੰਸੈਪਟ ਜਾਂ ਕੰਸੇਪਟਸ ਦਾ ਇੱਕ ਸਮੂਹ ਲਰਨ ਦੀਆਂ ਵਸਤੂਆਂ ਜਿਵੇਂ ਕਿ ਵੀਡੀਓ, ਪ੍ਰਸ਼ਨ ਅਤੇ ਟੈਸਟ ਲਈ ਇੱਕ ਪਛਾਣਕਰਤਾ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ।

ਜਿਵੇਂ ਹੀ ਕੋਈ ਵਿਦਿਆਰਥੀ ਕੁਝ ਸਿੱਖਣ ਵਾਲੀਆਂ ਵਸਤੂਆਂ ਨਾਲ ਇੰਟਰੈਕਟ ਕਰਦਾ ਹੈ, Embibe ਦਾ ਬਾਏਸੀਅਨ ਗਿਆਨ ਟਰੇਸਿੰਗ ਐਲਗੋਰਿਦਮ, Embibe ਦੇ ਗਿਆਨ ਗ੍ਰਾਫ ਵਿੱਚ 60,000 ਤੋਂ ਵੱਧ ਕੰਸੈਪਟਸ ਵਿੱਚ, ਵਿਦਿਆਰਥੀ ਦੇ ਕੰਸੈਪਟ ਮਹਾਰਤ ਪੱਧਰ ਦੇ ਰੂਪ ਵਿੱਚ 0 ਅਤੇ 1 ਦੇ ਵਿਚਕਾਰ ਮੁੱਲ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ।

ਇਹ ਮਹਾਰਤ ਮੁੱਲ, ਮੈਟਾਡੇਟਾ ਦੀ ਇੱਕ ਸੀਮਾ ਦੇ ਨਾਲ, ਜਿਵੇਂ ਕਿ ਹੁਨਰ, ਖਿੜ ਅਤੇ ਮੁਸ਼ਕਲ, ਹਰੇਕ ਸਿੱਖਣ ਦੀ ਵਸਤੂ ਦੇ ਨਾਲ ਸਟੋਰ ਕੀਤੀ ਗਈ ਹੈ, ਇੱਕ ਲਾਈਵ ਸੈਸ਼ਨ ਦੌਰਾਨ ਡਰਾਪਆਫ ਦੀ ਸੰਭਾਵਨਾ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਵਿੱਚ ਸਾਡੀ ਮਦਦ ਕਰਦੇ ਹਨ ਅਤੇ ਭਰਨ ਲਈ ਇੱਕ ਲਰਨਿੰਗ-ਟੂ-ਰੈਂਕ ਐਲਗੋਰਿਦਮ ਦੁਆਰਾ ਸੰਬੰਧਿਤ ਸਿੱਖਣ ਦੇ ਦਖਲ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੇ ਹਨ। ਰੀਅਲ-ਟਾਈਮ ਵਿੱਚ ਗਿਆਨ ਅੰਤਰ.

ਜਿਵੇਂ ਕਿ ਵਿਦਿਆਰਥੀ ਹੋਰ ਸਿੱਖਣ ਵਾਲੀਆਂ ਵਸਤੂਆਂ, ਖਾਸ ਤੌਰ ‘ਤੇ ਪ੍ਰਸ਼ਨਾਂ ਨਾਲ ਅੰਤਰਕਿਰਿਆ ਕਰਦਾ ਹੈ, ਅਸੀਂ ਹਰੇਕ ਵਿਦਿਆਰਥੀ ਲਈ ਇੱਕ ਅਕਾਦਮਿਕ ਭਾਗ ਅਤੇ ਵਿਵਹਾਰਕ ਭਾਗ ਵੈਕਟਰਾਂ ਦੇ ਨਾਲ ਆਉਣ ਦੇ ਯੋਗ ਹੁੰਦੇ ਹਾਂ। ਸਾਡੇ ਕੋਲ ਪਿਛਲੇ ਸਾਲ ਦੀਆਂ ਪ੍ਰੀਖਿਆਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਅਕਾਦਮਿਕ ਗੁਣਾਂ ਦੇ ਵਿਚਕਾਰ ਇੱਕੋ ਉੱਚ-ਆਯਾਮੀ ਸਪੇਸ ਵਿੱਚ ਹਰੇਕ ਪ੍ਰੀਖਿਆ ਦੀ ਪ੍ਰਤੀਨਿਧਤਾ ਵੀ ਹੈ। ਇਹ ਵੈਕਟਰ ਕਿਸੇ ਵੀ ਇਮਤਿਹਾਨ ਅਤੇ ਉਹਨਾਂ ਖੇਤਰਾਂ ਦੇ ਵਿਰੁੱਧ ਵਿਦਿਆਰਥੀ ਦੀ ਮੌਜੂਦਾ ਸੂਝ ਦੀ ਪਛਾਣ ਕਰਨ ਵਿੱਚ ਸਾਡੀ ਮਦਦ ਕਰਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਲਈ ਸਭ ਤੋਂ ਵੱਧ ਮਿਹਨਤ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਇਹ Embibe ਦੇ ਟੈਸਟ ਫੀਡਬੈਕ ਵਿੱਚ ਇੱਕ ਮੁੱਖ ਪੇਸ਼ਕਸ਼ ਹੈ।

ਵਿਅਕਤੀਗਤ ਅਨੁਭਵ ਵਿੱਚ Embibe ਦਾ ਸਭ ਤੋਂ ਵੱਡਾ ਭਿੰਨਤਾ ਇੱਕ ਉਪਭੋਗਤਾ ਸੈਸ਼ਨ ਗ੍ਰੈਨਿਊਲਰਿਟੀ, ਅਭਿਆਸ ਦੌਰਾਨ, ਵੀਡੀਓ ਦੇਖਣ ਅਤੇ ਟੈਸਟ ਸੈਸ਼ਨਾਂ ਦੇ ਦੌਰਾਨ, ਅਤੇ ਇੱਕ ਗਲੋਬਲ ਪੱਧਰ ‘ਤੇ ਵਿਵਹਾਰਕ ਨਡਜ਼ ਤੋਂ ਆਉਂਦੀ ਹੈ। ਇਹ ਨੱਜ ਉਹਨਾਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਹੁੰਦੇ ਹਨ ਜੋ ਅਸੀਂ ਹਰੇਕ ਵਿਦਿਆਰਥੀ ਦੁਆਰਾ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਾਂ ਅਤੇ ਸਿੱਖਣ-ਆਬਜੈਕਟ ਇੰਟਰੈਕਸ਼ਨ ਜਿਵੇਂ ਕਿ ਕੋਸ਼ਿਸ਼ ਗੁਣਵੱਤਾ, ਮੌਜੂਦਾ ਮਹਾਰਤ ਪੱਧਰ ਅਤੇ ਸਮੱਗਰੀ ਮੈਟਾਡੇਟਾ।

ਹਵਾਲੇ:

[1] ਸਬੀਨ ਗ੍ਰਾਫ, ਸਿਲਵੀਆ ਰੀਟਾ ਵਿਓਲਾ ਅਤੇ ਟੋਮਾਸੋ ਲਿਓ, ਕਿਨਸ਼ੁਕ। “ਫੇਲਡਰ-ਸਿਲਵਰਮੈਨ ਲਰਨਿੰਗ ਸਟਾਈਲ ਮਾਪਾਂ ਦਾ ਡੂੰਘਾਈ ਨਾਲ ਵਿਸ਼ਲੇਸ਼ਣ।” ਜਰਨਲ ਆਫ਼ ਰਿਸਰਚ ਆਨ ਟੈਕਨਾਲੋਜੀ ਇਨ ਐਜੂਕੇਸ਼ਨ, 2007, 40(1), 79-93

[2] ਡੋਰੀਨ ਜੇ. ਗੁਡਨ, ਰਾਬਰਟ ਸੀ. ਪ੍ਰੀਜ਼ੀਓਸੀ, ਐਫ. ਬੈਰੀ ਬਾਰਨਸ। “ਕੋਲਬ ਦੀ ਲਰਨਿੰਗ ਸਟਾਈਲ ਇਨਵੈਂਟਰੀ ਦੀ ਜਾਂਚ” ਅਮਰੀਕਨ ਜਰਨਲ ਆਫ਼ ਬਿਜ਼ਨਸ ਐਜੂਕੇਸ਼ਨ (AJBE) 2(3) DOI:10.19030/ajbe.v2i3.4049

[3] Cho, et al., “Beysian Knowledge Tracing ਕੀ ਹੈ?”, AI ਵਿਆਖਿਆਯੋਗਤਾ (VISxAI), 2018 ਲਈ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ‘ਤੇ ਵਰਕਸ਼ਾਪ ਦੀ ਕਾਰਵਾਈ।

[4] ਕੇਯੂਰ ਫਲਦੂ, ਅਦਿਤੀ ਅਵਸਥੀ, ਅਤੇ ਅਚਿੰਤ ਥਾਮਸ। “ਸਕੋਰ ਸੁਧਾਰ ਅਤੇ ਇਸਦੇ ਭਾਗਾਂ ਲਈ ਅਡੈਪਟਿਵ ਲਰਨਿੰਗ ਮਸ਼ੀਨ।” US ਪੇਟੈਂਟ ਨੰਬਰ 10854099 B2.

[5] ਕੇਯੂਰ ਫਾਲਦੂ, ਅਦਿਤੀ ਅਵਸਥੀ, ਅਤੇ ਅਚਿੰਤ ਥਾਮਸ। “ਵਿਹਾਰ ਸੰਬੰਧੀ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਸਿਫ਼ਾਰਸ਼ਾਂ ਲਈ ਪ੍ਰਣਾਲੀ ਅਤੇ ਵਿਧੀ।” US20200312178A1.

[6] ਕੇਯੂਰ ਫਲਦੂ, ਅਦਿਤੀ ਅਵਸਥੀ, ਅਤੇ ਅਚਿੰਤ ਥਾਮਸ। “ਪ੍ਰਸੰਗਿਕ ਗਿਆਨ ਅਧਾਰ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਿਅਕਤੀਗਤ ਸਮੱਗਰੀ ਦੀ ਸਿਫ਼ਾਰਿਸ਼ ਕਰਨ ਲਈ ਸਿਸਟਮ ਅਤੇ ਵਿਧੀ” US20200311152A1

[7] 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।