ਲੋੜੀਂਦੀ ਜਟਿਲਤਾ ਦੇ ਸਵਾਲਾਂ ਦਾ ਆਟੋ-ਜਨਰੇਸ਼ਨ

Embibe ਲਰਨਿੰਗ ਦੇ ਵਿਅਕਤੀਗਤਕਰਨ ਬਾਰੇ ਹੈ ਅਤੇ ਸਾਡੀ ਤਕਨਾਲੋਜੀ ਸਹੀ ਸਮੇਂ ‘ਤੇ, ਸਹੀ ਵਿਦਿਆਰਥੀ ਨੂੰ ਸਮੱਗਰੀ ਦੇ ਸਹੀ ਹਿੱਸੇ ਨੂੰ ਪ੍ਰਦਾਨ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣ ਲਈ ਬਹੁਤ ਵਧੀਆ ਹੈ। ਇਹ ਇਸ ਕਾਰਨ ਹੈ ਕਿ ਉਪਯੋਗੀ ਸਮੱਗਰੀ ਦੇ ਇੱਕ ਵੱਡੇ ਡੇਟਾਸੇਟ ਤੱਕ ਪਹੁੰਚ ਹੋਣਾ, ਅਤੇ ਖਾਸ ਤੌਰ ‘ਤੇ ਪ੍ਰਸ਼ਨ, ਸਾਡੇ ਲਈ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਇਤਿਹਾਸਕ ਤੌਰ ‘ਤੇ, Embibe ਦੇ ਪ੍ਰਸ਼ਨਾਂ ਦਾ ਡੇਟਾਸੈਟ ਮਨੁੱਖੀ ਡੇਟਾ ਐਂਟਰੀ ਆਪਰੇਟਰਾਂ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੀ। ਉਹ ਇੰਟਰਨੈਟ ‘ਤੇ ਵੱਖ-ਵੱਖ ਸੁਤੰਤਰ ਤੌਰ ‘ਤੇ ਉਪਲਬਧ ਪ੍ਰਸ਼ਨ ਸੈੱਟਾਂ ਤੋਂ, ਜਾਂ ਸਾਡੀਆਂ ਸਹਿਭਾਗੀ ਸੰਸਥਾਵਾਂ ਨਾਲ ਟਾਈ-ਅੱਪ ਰਾਹੀਂ ਸਵਾਲਾਂ ਦਾ ਸਰੋਤ ਕਰਨਗੇ।

ਸਵਾਲਾਂ ਦੇ ਸਵੈ-ਉਤਪਤੀ ਦੀ ਮੁੱਖ ਪ੍ਰੇਰਣਾ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਆਪਣੇ ਅਧਿਆਪਕਾਂ/ਸਲਾਹਕਾਰਾਂ ‘ਤੇ ਨਿਰਭਰਤਾ ਨੂੰ ਘਟਾਉਣਾ ਹੈ। ਲੱਖਾਂ ਵਿਦਿਆਰਥੀਆਂ ਤੱਕ ਲਰਨਿੰਗ ਨੂੰ ਸੱਚਮੁੱਚ ਮਾਪਣ ਲਈ, ਉਹਨਾਂ ਨੂੰ ਸੰਕਲਪਾਂ/ਵਿਸ਼ਿਆਂ ਦਾ ਪ੍ਰੈਕਟਿਸ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਬਿਨਾਂ ਕਿਸੇ ਬਾਹਰੀ ਮਦਦ ਦੇ ਆਪਣੇ ਆਪ ਆਪਣੀ ਤਰੱਕੀ ਨੂੰ ਮਾਪਣਾ ਚਾਹੀਦਾ ਹੈ। ਬੇਅੰਤ ਸਵਾਲਾਂ ਤੱਕ ਪਹੁੰਚ ਬੁੱਧੀਮਾਨ ਮੁਲਾਂਕਣ ਰਚਨਾ[3], ਵਿਦਿਆਰਥੀਆਂ ਦਾ ਨਿਦਾਨ [4] ਜਾਂ ਲਰਨਿੰਗ ਦੇ ਨਤੀਜੇ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਵਿਅਕਤੀਗਤ ਸਮੱਗਰੀ ਪ੍ਰਦਾਨ ਕਰਨ [5][6] ਨੂੰ ਸ਼ਕਤੀ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ। ਸਵਾਲਾਂ ਦਾ ਸਵੈ-ਉਤਪਾਦਨ ਅਤੇ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੀ ਪ੍ਰਗਤੀ ਦਾ ਪ੍ਰੈਕਟਿਸ ਅਤੇ ਮੁਲਾਂਕਣ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦੇਣਾ ਇਸ ਵੱਲ ਇੱਕ ਕਦਮ ਹੈ।

ਹਾਲਾਂਕਿ, ਇਹ ਸੁਨਿਸ਼ਚਿਤ ਕਰਨ ਲਈ ਕਿ ਸਾਡੇ ਪਲੇਟਫਾਰਮ ‘ਤੇ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਕਿਸੇ ਵੀ ਵਿਸ਼ੇ ‘ਤੇ ਸਵਾਲਾਂ ਦੀ ਘਾਟ ਨਹੀਂ ਹੈ ਜਿਸ ‘ਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਸੁਧਾਰ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਹੈ, Embibe AI ਵਿਕਸਿਤ ਕਰਨ ਵਿੱਚ ਨਿਵੇਸ਼ ਕਰ ਰਿਹਾ ਹੈ ਜੋ ਆਪਣੇ ਆਪ ਨਵੇਂ ਸਵਾਲ ਅਤੇ ਉਹਨਾਂ ਨਾਲ ਸੰਬੰਧਿਤ ਜਵਾਬ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ। ਇਸ ਕੰਮ ਵਿੱਚ ਸਮਗਰੀ ਕਲੱਸਟਰਿੰਗ, ਵਿਸ਼ਾ ਮਾਡਲਿੰਗ, ਅਤਿ ਆਧੁਨਿਕ ਨੈਚੁਰਲ ਲੈਂਗੂਏਜ ਜਨਰੇਸ਼ਨ (NLG) ਅਤੇ ਹੱਲ ਕਰਨ ਵਾਲੀ ਤਕਨਾਲੋਜੀ।

ਉਦੇਸ਼

ਅਸੀਂ, Embibe ਵਿਖੇ, ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇ ਕੇ ਸੰਕਲਪਾਂ ਦਾ ਪ੍ਰੈਕਟਿਸ ਅਤੇ ਮੁਹਾਰਤ ਹਾਸਲ ਕਰਨ ਦੁਆਰਾ ਲਰਨਿੰਗ ਦੇ ਇੱਕ ਢਾਂਚੇ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰਦੇ ਹਾਂ ਜੋ ਸੰਕਲਪਾਂ ਨੂੰ ਯਾਦ ਰੱਖਣ ਅਤੇ ਸਮਝਣ ਦਾ ਇੱਕ ਅਸਿੱਧਾ ਤਰੀਕਾ ਹੈ। ਆਟੋਮੈਟਿਕ ਪ੍ਰਸ਼ਨ ਜਨਰੇਸ਼ਨ ਉਹ ਪ੍ਰਕਿਰਿਆ ਹੈ ਜੋ ਲਰਨਿੰਗ ਦੇ ਪਾਠ ਨੂੰ ਇੱਕ ਇਨਪੁਟ ਵਜੋਂ ਲੈਂਦੀ ਹੈ ਅਤੇ ਇਸ ਤੋਂ ਪ੍ਰਸ਼ਨ ਪੈਦਾ ਕਰਦੀ ਹੈ ਜਿਸ ‘ਤੇ ਵਿਦਿਆਰਥੀ ਪ੍ਰੈਕਟਿਸ ਅਤੇ ਲਰਨਿੰਗ ਲਈ ਆਪਣੇ ਗਿਆਨ ਨੂੰ ਲਾਗੂ ਕਰ ਸਕਦੇ ਹਨ।

ਆਟੋਮੈਟਿਕ ਪ੍ਰਸ਼ਨ ਜਨਰੇਸ਼ਨ ਨੈਚੁਰਲ ਲੈਂਗੂਏਜ ਪ੍ਰੋਸੈਸਿੰਗ (NLP) ਦਾ ਹਿੱਸਾ ਹੈ। ਇਹ ਖੋਜ ਦਾ ਇੱਕ ਖੇਤਰ ਹੈ ਜਿੱਥੇ ਬਹੁਤ ਸਾਰੇ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਆਪਣਾ ਕੰਮ ਪੇਸ਼ ਕੀਤਾ ਹੈ। ਇਹ ਅਜੇ ਉੱਚੀ ਸ਼ੁੱਧਤਾ ਪ੍ਰਾਪਤ ਕਰਨਾ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਖੋਜਕਰਤਾਵਾਂ ਨੇ NLP ਦੁਆਰਾ ਆਟੋਮੈਟਿਕ ਪ੍ਰਸ਼ਨ ਉਤਪੱਤੀ ਦੇ ਖੇਤਰ ਵਿੱਚ ਕੰਮ ਕੀਤਾ ਹੈ ਅਤੇ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਸਵੈਚਲਿਤ ਤੌਰ ‘ਤੇ ਤਿਆਰ ਕਰਨ ਲਈ ਕਈ ਤਕਨੀਕਾਂ ਅਤੇ ਮਾਡਲਾਂ ਨੂੰ ਵਿਕਸਤ ਕੀਤਾ ਗਿਆ ਹੈ।

ਪਹੁੰਚ

ਚਿੱਤਰ 1 ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਚਿੱਤਰ, ਆਟੋ ਪ੍ਰਸ਼ਨ ਜਨਰੇਸ਼ਨ ਦੇ ਆਰਕੀਟੈਕਚਰ ਲਈ ਇੱਕ ਬਹੁਤ ਉੱਚ ਪੱਧਰੀ ਪਹੁੰਚ ਦਿਖਾਉਂਦਾ ਹੈ। ਆਟੋ ਪ੍ਰਸ਼ਨ ਜਨਰੇਸ਼ਨ ਐਨਐਲਪੀ ਤਕਨੀਕਾਂ ਦੇ ਨਾਲ ਟ੍ਰਾਂਸਫਾਰਮਰ ਮਾਡਲਾਂ ਦੇ ਅਤਿ ਆਧੁਨਿਕ ਰੂਪਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ। ਇਹ ਉਤਪੰਨ ਪ੍ਰਸ਼ਨਾਂ ਦੀ ਗੁਣਵੱਤਾ ਅਤੇ ਗੁੰਝਲਤਾ ਨੂੰ ਵਧਾਉਣ ਲਈ ਟੈਕਸਟ ਦੀ ਸਿੰਟੈਕਟਿਕ ਅਤੇ ਅਰਥ-ਵਿਵਸਥਾ ਦੀ ਸਮਝ ‘ਤੇ ਕੀਤੇ ਜਾ ਰਹੇ ਖੋਜ ਕਾਰਜ ਦਾ ਵੀ ਲਾਭ ਉਠਾਉਂਦਾ ਹੈ।

ਚਿੱਤਰ 1. ਆਟੋ ਪ੍ਰਸ਼ਨ ਜਨਰੇਸ਼ਨ ਦਾ ਉੱਚ ਪੱਧਰੀ ਆਰਕੀਟੈਕਚਰ

ਪਾਈਪਲਾਈਨ ਦੇ ਤੌਰ ‘ਤੇ ਆਟੋਮੈਟਿਕ ਪ੍ਰਸ਼ਨ ਜਨਰੇਸ਼ਨ ਵਿੱਚ ਟੈਕਸਟ ਪ੍ਰੋਸੈਸਿੰਗ, ਵਿਸ਼ੇਸ਼ਤਾ ਕੱਢਣ ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ, ਮਾਡਲ ਬਿਲਡਿੰਗ ਅਤੇ ਸਿਖਲਾਈ, ਮਾਡਲ ਮੁਲਾਂਕਣ, ਐਨੋਟੇਸ਼ਨ ਅਤੇ ਕੁਝ ਮਿਆਰੀ ML ਤਕਨੀਕਾਂ ਵਰਗੇ ਬਹੁਤ ਸਾਰੇ ਭਾਗ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ।

ਅਸੀਂ 20+ ਵੱਖ-ਵੱਖ ਓਪਨ-ਸੋਰਸ ਡੇਟਾਸੇਟਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਹੈ ਜਿਵੇਂ ਕਿ ARC, DROP, QASC, SciQ, SciTail, SQuAD ਅਤੇ Google NQ ਅਤੇ ਸਾਡੇ QA ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ Embibe ਦੀ ਮਲਕੀਅਤ ਵਾਲੇ ਡੇਟਾਸੇਟਸ। ਅਸੀਂ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਸਵਾਲਾਂ ਦੀ ਵਰਤੋਂ ਵੀ ਕੀਤੀ ਹੈ ਜਿਵੇਂ ਕਿ ਬੁਲੀਅਨ, ਸਪੈਨ-ਅਧਾਰਿਤ, ਖਾਲੀ ਥਾਂ ਭਰੋ, ਬਹੁ-ਚੋਣ ਵਾਲੇ ਪ੍ਰਸ਼ਨ ਆਦਿ। ਪ੍ਰਸ਼ਨ ਦੀ ਮੁਸ਼ਕਲ ਇੱਕ ਪ੍ਰਸ਼ਨ ਦੇ ਸੰਟੈਕਟਿਕ ਗਠਨ, ਉੱਤਰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਬਹੁ-ਹੌਪ ਤਰਕ ਅਤੇ ਗੁੰਝਲਤਾ ਦੇ ਅਧਾਰ ‘ਤੇ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅੰਤਰੀਵ ਸੰਕਲਪ. ਅਸੀਂ KI-BERT[1] ਦੁਆਰਾ ਪ੍ਰੇਰਿਤ QG ਮਾਡਲਾਂ ਵਿੱਚ ਸੰਬੰਧਿਤ ਗਿਆਨ ਨੂੰ ਪ੍ਰਫੁੱਲਤ ਕਰਨ ਲਈ ਗਿਆਨ ਗ੍ਰਾਫ ਦੀ ਵਰਤੋਂ ਵੀ ਕਰ ਰਹੇ ਹਾਂ। ਅਸੀਂ ਪ੍ਰਸ਼ਨ ਉਤਪੰਨ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਮੂਲ ਰੂਪ ਵਿੱਚ ਨਿਰਮਿਤ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਸਮਝ ਤਕਨੀਕਾਂ ਦਾ ਲਾਭ ਉਠਾਉਂਦੇ ਹਾਂ।

ਟੈਕਸਟ ਜਨਰੇਟ ਕਰਨ ਲਈ ਅਸੀਂ T5[2] ਵਰਗੇ ਜਨਰੇਟਿਵ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਾਂ, ਜੋ ਦਿੱਤੇ ਗਏ ਸੰਦਰਭ ਅਤੇ ਜਵਾਬ ਤੋਂ ਸਵਾਲ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਨ। ਇੱਥੇ ਪ੍ਰਵਾਹ ਕਿਵੇਂ ਦਿਖਾਈ ਦੇਵੇਗਾ।

ਚਿੱਤਰ 2. QG ਮਾਡਲ ਵਰਕਫਲੋ

ਨਤੀਜਾ

Embibe AI ਪਲੇਟਫਾਰਮ ਪਾਠ ਪੁਸਤਕਾਂ ਤੋਂ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਵੱਧ ਤੋਂ ਵੱਧ ਪ੍ਰਸ਼ਨ ਪੈਦਾ ਕਰਨ ਲਈ ਇਸ ਕੰਮ ਦਾ ਲਾਭ ਉਠਾਉਂਦਾ ਹੈ। ਸਾਰੇ ਗ੍ਰੇਡਾਂ, ਟੀਚਿਆਂ, ਪ੍ਰੀਖਿਆਵਾਂ, ਰਾਜ ਬੋਰਡਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ, ਹੁਣ ਤੱਕ ਅਸੀਂ ਗ੍ਰੇਡ 6 ਤੋਂ 12 ਦੀਆਂ NCERT ਦੀਆਂ ਕਿਤਾਬਾਂ ਤੋਂ ~ 125k ਪ੍ਰਸ਼ਨ ਤਿਆਰ ਕੀਤੇ ਹਨ। ਸਾਡੇ ਕੋਲ ਕਿਸੇ ਵੀ ਮੁਫਤ-ਫਾਰਮ ਲਰਨਿੰਗ ਵਾਲੇ ਪਾਠ ਤੋਂ ਪ੍ਰਸ਼ਨ ਪੈਦਾ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਹੈ।

ਅਸਲ ਸੰਸਾਰ ਦੇ ਦ੍ਰਿਸ਼ਾਂ ਵਿੱਚ ਜੀਵਨ ਅਤੇ ਲਰਨਿੰਗ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਇਸ ਪ੍ਰਣਾਲੀ ਨੂੰ ਕਿਸੇ ਵੀ ਡੋਮੇਨ ਅਤੇ ਟੀਚੇ ਲਈ ਲਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਅਸੀਂ ਐਡਵਾਂਸਡ ਐਨਐਲਪੀ ਦੇ ਖੇਤਰ ਵਿੱਚ ਮਾਡਲ ਅਤੇ ਸਿਸਟਮ ਨੂੰ ਹੋਰ ਅਤਿ ਆਧੁਨਿਕ ਬਣਾਉਣ ਅਤੇ ਇਸਨੂੰ ਡੋਮੇਨ ਵਿਸ਼ੇਸ਼ ਬਣਾਉਣ ਦੇ ਮਾਰਗ ‘ਤੇ ਹਾਂ।

ਇੱਥੇ, ਅਸੀਂ ਦਿੱਤੇ ਗਏ ਡੋਮੇਨ ਵਿਸ਼ੇਸ਼ ਇਨਪੁਟ ਅਤੇ ਉਤਪੰਨ ਪ੍ਰਸ਼ਨਾਂ ਦੇ ਸੈੱਟ ਦੀਆਂ ਕੁਝ ਉਦਾਹਰਣਾਂ ਪ੍ਰਦਾਨ ਕੀਤੀਆਂ ਹਨ।

ਅਕਾਦਮਿਕ ਪਾਠ:

ਚਿੱਤਰ 3. ਚੁਣਿਆ ਗਿਆ ਪੈਰਾਗ੍ਰਾਫ ਅਤੇ ਹਾਈਲਾਈਟ ਕੀਤੇ ADPE ਅਰਥਾਤ ਅਕਾਦਮਿਕ ਤੌਰ ‘ਤੇ ਸੰਬੰਧਿਤ ਸ਼ਬਦ

ਉਤਪੰਨ ਸਵਾਲ:

ਚਿੱਤਰ 4. ਚੁਣੇ ਗਏ ਪੈਰੇ ਤੋਂ QG ਮਾਡਲ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਸਵਾਲ

ਹਵਾਲੇ

[1] ਫਲਦੂ, ਕੀਯੂਰ, ਅਮਿਤ ਸ਼ੇਠ, ਪ੍ਰਸ਼ਾਂਤ ਕਿਕਾਨੀ, ਅਤੇ ਹੇਮਾਂਗ ਅਕਬਰੀ। “KI-BERT: ਬਿਹਤਰ ਭਾਸ਼ਾ ਅਤੇ ਡੋਮੇਨ ਸਮਝ ਲਈ ਗਿਆਨ ਸੰਦਰਭ ਨੂੰ ਭਰਨਾ।” arXiv ਪ੍ਰੀਪ੍ਰਿੰਟ arXiv:2104.08145 (2021)।

[2] ਕੋਲਿਨ ਰਾਫੇਲ, ਨੋਮ ਸ਼ੇਜ਼ੀਰ, ਐਡਮ ਰੌਬਰਟਸ, ਕੈਥਰੀਨ ਲੀ, ਸ਼ਰਨ ਨਾਰੰਗ, ਮਾਈਕਲ ਮਾਟੇਨਾ, ਯਾਂਕੀ ਝੌ, ਵੇਈ ਲੀ, ਪੀਟਰ ਜੇ. ਲਿਊ। “ਇੱਕ ਯੂਨੀਫਾਈਡ ਟੈਕਸਟ-ਟੂ-ਟੈਕਸਟ ਟ੍ਰਾਂਸਫਾਰਮਰ ਨਾਲ ਟਰਾਂਸਫਰ ਲਰਨਿੰਗ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦੀ ਪੜਚੋਲ ਕਰਨਾ”

[3] ਦੇਸਾਈ, ਨਿਸ਼ਿਤ, ਕੀਯੂਰ ਫਾਲਦੂ, 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।

[4] “ਡਾਇਗਨੌਸਟਿਕ ਟੈਸਟ ਅਤੇ ਉਹਨਾਂ ਦੀ ਗੁਣਵੱਤਾ ਦੇ ਮੁਲਾਂਕਣ ਦਾ ਆਟੋਜਨਰੇਸ਼ਨ – EDM: 2020”, EDM 2020 ਪੇਸ਼ਕਾਰੀ, ਜੁਲਾਈ 2020, https://www.youtube.com/watch?v=7wZz0ckqWFs

[5] 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।

[6] ਫਾਲਦੂ, 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।