தனிப்பயனாக்கப்பட்ட வெற்றிப் பயணம்

தனிப்பயனாக்கப்பட்ட வெற்றிப் பயணம்

தனிப்பயனாக்கப்பட்ட வெற்றிப் பயணம் ஒரு மாணவரின் தற்போதைய அறிவு நிலை, ஒரு முன் வரையறுக்கப்பட்ட கால அளவு, ஒரு முன் வரையறுக்கப்பட்ட பாடத்திட்டம், ஒரு மாணவரின் இலக்கு தேர்வுக்கான கருத்துகளின் முக்கியத்துவம் மற்றும் ஒவ்வொரு கருத்தையும் புரிந்துகொள்வதற்கு தேவையான ஒரு சிறந்த கற்றல் பாதையை வழங்குவதை நோக்கமாகக் கொண்டுள்ளது.

உகந்த கற்றல் பாதையை வடிவமைப்பதில் உள்ள சிக்கலை இரண்டு துணைப் பிரிவுகளாக பிரிக்கலாம்- கருத்துகளின் தேர்வு மற்றும் கற்றல் உள்ளடக்கங்களின்  வரிசை, கருத்து விளக்க வீடியோக்கள் மற்றும் பயிற்சிக் கேள்விகள். தனிப்பயனாக்கப்பட்ட வெற்றிப் பயணத்தை முடிக்க மீதமுள்ள நேரத்தின் அடிப்படையில் மிக முக்கியமான கருத்துகளைத் தேர்ந்தெடுக்கும் ஒரு மாறும் நிரலாக்க சிக்கலை நாங்கள் தேர்வு மாதிரியாக கொண்டுள்ளோம்.

ஒவ்வொரு கருத்து நிறைவுக்கும் பிறகு மீதமுள்ள கற்றல் இலக்குகளை தேர்ந்தெடுப்பதற்கு மதிப்பு மற்றும் செலவு அம்சங்களைப் பார்க்க வேண்டும். இன்னொன்று, மற்றொரு கருத்தாக முன்தேவை கருத்துகளை தவிர்ப்பதை நிறுத்தவேண்டும். இந்த காரணத்திற்காக, தனிப்பட்ட கருத்துகளுக்கு பதிலாக மதிப்பு மற்றும் செலவு வர்த்தகத்தை மதிப்பிடுவதற்கு எங்கள் கருத்து அறிவு வரைபடத்திலிருந்து துணைப்பிரிவுகளைப் பயன்படுத்துகிறோம்.

பின்னர் அது மதிப்பு/செலவு விகிதத்தின் அடிப்படையில் துணைக்குழு கருத்துக்களை எடுக்கும், அங்கு துணைக்குழுவின் மதிப்பு என்பது இறுதி தேர்வில் அடிப்படை மற்றும் பொருத்தத்தை குறிக்கிறது, அதே நேரத்தில், செலவு என்பது மாணவரின் குறிப்பிட்ட ஒழுக்கநெறிகளை அடிப்படையாகக் கொண்டு அந்த துணைக்குழுவில் தேர்ச்சி பெற எவ்வளவு நேரம் ஆகும் மற்றும் ஒவ்வொரு கருத்தின் மீது அவர்களின் கருத்தியல் புரிதல் போன்றவைகளை குறிக்கிறது.

மாணவர்களுக்கு கற்றல் உள்ளடக்கம் தேவையா இல்லையா என்பதை அல்காரிதம் தீர்மானிக்கிறது. அடாப்டிவ் பிராக்டிஸ் வழிமுறையின் அடிப்படையில் கொடுக்கப்பட்ட கருத்து துணைக்குழுவின் கீழ் பயனர்கள் அனைத்து திறன்களையும் உள்ளடக்கும் வரை இது பிராக்டிஸ் கேள்விகளையும் வழங்குகிறது.

மேற்கூறிய இரண்டு நிபந்தனைகளும் மார்கோவ் சங்கிலியை அடிப்படையாகக் கொண்டவை, இது அதன் சமீபத்திய நிலையை கருத்தியல் புரிதலாக கொண்டுள்ளது, இது பேய்சியன் அறிவுத் தடமறிதல் என்றும் அழைக்கப்படும் பேய்சியன் நிகழ்தகவைப் பயன்படுத்தி புதுப்பிக்கப்படுகிறது. மேலும், ஒவ்வொரு அடியிலும், உகந்த நேர ஒதுக்கீட்டை உறுதிப்படுத்த அல்காரிதம் மறு மதிப்பீடு செய்யப்படும்.

தனிப்பயனாக்கப்பட்ட வெற்றிப் பயண அல்காரிதம் இலக்கு தேர்வுக்கு முக்கியமான முந்தைய வகுப்புகளின் முன்தேவை கருத்துகளையும் கருதுகிறது. எனவே, கொடுக்கப்பட்ட பாடத்திட்டத்தில்  ஒரு மாணவருக்கு தகுந்த அடிப்படை கருத்துக்கள்  தெரிந்திருக்கவில்லை என்றால், அல்காரிதம் அடிப்படை கருத்துகளை ஆழமாகத் தோண்டி, முந்தைய வகுப்பில் இருந்து குறைந்தபட்ச கற்றல் உள்ளடக்கத்தை எடுக்கிறது, இது தற்போதைய வகுப்பில் முன்னேறுவதற்கு முன்பு மாணவர்கள் தங்கள் அடிப்படைகளை சரிசெய்ய உதவுகிறது.

ரெபெரென்ஸ்:

[1] “#RAISE2020 – Embibe – AI-Powered learning outcomes platform for personalized education”, MyGov India, Oct 2020, https://www.youtube.com/watch?v=kuwFtHgN3qU

[2] Faldu, Keyur, Aditi Avasthi, and Achint Thomas. “Adaptive learning machine for score improvement and parts thereof.” U.S. Patent 10,854,099, issued December 1, 2020.

[3] Thomas, Achint, Keyur Faldu, and Aditi Avasthi. “System and method for personalized retrieval of academic content in a hierarchical manner.” U.S. Patent Application 16/740,223, filed October 1, 2020.

[4] Faldu, Keyur, Achint Thomas, and Aditi Avasthi. “System and method for recommending personalized content using contextualized knowledge base.” U.S. Patent Application 16/586,512, filed October 1, 2020.

[5] Faldu, Keyur, Achint Thomas, and Aditi Avasthi. “System and method for behavioral analysis and recommendations.” U.S. Patent Application 16/586,525, filed October 1, 2020.

← AI ஹோமிற்கு பின் செல்லவும்