పర్సనలైజ్డ్ అచీవ్‌మెంట్ జర్నీ

పర్సనలైజ్డ్ అచీవ్‌మెంట్ జర్నీ

EMBIBE యొక్క వ్యక్తిగత అచీవ్‌మెంట్ జర్నీ (PAJ) ప్రతి విద్యార్థికీ వారి ప్రస్తుత పరిజ్ఞానం ఏ స్థాయిలో ఉంది? ముందే నిర్దేశించబడిన సమయవ్యవధి, ముందుగానే నిర్దేశించబడిన పాఠ్యాంశాలు, విద్యార్థి లక్ష్యంగా పెట్టుకున్న పరీక్షకు సంబంధించిన అంశాల యొక్క ప్రాముఖ్యత మరియు ప్రతి అంశంలోనూ వారు మెరికలా మారేందుకు అవసమయ్యే కృషి.. వంటి అంశాల ఆధారంగా ఒక వ్యక్తిగతమైన అభ్యాస మార్గాన్ని అందిస్తుంది. అభ్యాస ఫలితాలను అందించడంలో కృత్రిమ మేథస్సు ఆధారంగా పని చేసే EMBIBEలో PAJ అనేది చాలా కీలకం. EMBIBEలో విద్యార్థుల నైపుణ్యతని సందర్భానుసారమైన నాలెడ్జ్ గ్రాఫ్ మరియు వారి ప్రవర్తనా ప్రొఫైల్‌కి అనుగుణంగా అంచనా వేస్తారు. తద్వారా వారు అనుకున్న అభ్యాస ఫలితాలను సాధించడానికి తోడ్పడతారు. లెర్నింగ్స్ సూచించడం, వాటిని అభ్యాసం చేయడం మరియు ఎంతవరకు నేర్చుకున్నారో అంచనా వేయడం ద్వారా విద్యార్థి యొక్క అభ్యాసాన్ని అన్వేషించేందుకు PAJ చాలా ఉపకరిస్తుంది. ముఖ్యంగా అది వ్యక్తిగతీకరించబడిన మార్గంలో ఉంటుంది.

సరైన అభ్యాస మార్గం రూపొందించుకోవడం అనేది రెండు చిన్న ఉపసమస్యలుగా విడదీయబడింది. అవి- అంశాల ఎంపిక మరియు నేర్చుకోవాల్సిన విషయాలు, అంశాలను వివరించే వీడియోలు మరియు అభ్యాస ప్రశ్నల క్రమం. మేము ఒక డైనమిక్ ప్రొగ్రామింగ్ సమస్యగా నమూనా ఎంపికని కలిగి ఉన్నాం. దీని ద్వారా పర్సనలైజ్డ్ అచీవ్‌మెంట్ జర్నీ పూర్తి చేయడానికి మిగిలి ఉన్న సమయం ఆధారంగా ముఖ్యమైన అంశాలను ఎంపిక చేస్తుంది.

ప్రతి అంశం నేర్చుకోవడం పూర్తైన తర్వాత మిగతా విషయాలను ఎంపిక చేసుకోవడానికి వాటి విలువ మరియు ధర వంటి వాటిని దృష్టిలో పెట్టుకోవాలి. ఈ ఎంపికతో పాటు మేము పరిశీలించే మరొక అంశం అవసరమైన భావాలను వదిలేయకుండా జాగ్రత్తపడడం. ఈ కారణంగానే మేము కాన్సెప్ట్ నాలెడ్జ్ గ్రాఫ్ యొక్క సబ్ గ్రాఫ్స్‌ని ఉపయోగిస్తూ ఒక్కో అంశానికి బదులుగా వాటి విలువ మరియు ధరల వాణిజ్యాన్ని అంచనా వేస్తాం.

అప్పుడు విలువ/ధర నిష్పత్తి ఆధారంగా సబ్ గ్రూప్ అంశాలను ఎంచుకుంటుంది. అయితే ఇక్కడ సబ్ గ్రూప్ విలువ అనేది ప్రాథమికత మరియు తుదిపరీక్షతో పొంతన కాగా; ధర అంటే అభ్యాసం యొక్క పూర్తి ఫలితాలను పొందే విధంగా విద్యార్థి ప్రవర్తనా లక్షణాలు మరియు ప్రతి అంశం మీద పట్టు సాధించడం అనే అంశాలు ఆధారంగా ఆ సబ్ గ్రూప్‌లో బాగా పట్టు సాధించడానికి అవసరం అయ్యే సమయం.

విద్యార్థికి లెర్నింగ్ కంటెంట్ అవసరమా? లేదా? అనేది అల్గారిథమ్ కూడా నిర్ణయిస్తుంది. అలాగే అడాప్టివ్ ప్రాక్టీస్ అల్గారిథమ్ ఆధారంగా ఇవ్వబడిన కాన్సెప్ట్ సబ్ గ్రూప్‌లోని అర్హతలన్నింటినీ కవర్ చేసేంత వరకు ప్రాక్టీస్ ప్రశ్నలను కూడా అందిస్తుంది.

అయితే పైన పేర్కొన్న రెండు నిబంధనలు మార్కోవ్ చైన్ ఆధారంగా అంశాలలో పట్టు సాధించే విధంగా తాజా స్థితిలో రూపొందించబడ్డాయి. ఇవి అప్డేట్ కావడానికి బయేసియన్ సంభావ్యతను ఉపయోగించుకుంటాయి. దీనినే బయేసియన్ నాలెడ్జ్ ట్రేసింగ్ అని కూడా అంటారు. ప్రతి స్టెప్‌కి సరిపోయే విధంగా సమయాన్ని కేటాయించేందుకు వీలుగా అల్గారిథం అనేది తిరిగి క్రమాంకనం చేయబడుతుంది.

పర్సనలైజ్డ్ అచీవ్‌మెంట్ జర్నీ యొక్క అల్గారిథం లక్ష్య పరీక్షకు ముఖ్యమైన గత తరగతులకు సంబంధించిన అంశాలను సైతం పరిగణనలోకి తీసుకుంటుంది. ఒకవేళ ఇచ్చిన సిలబస్‌కు సంబంధించిన ప్రాథమికాంశాలు విద్యార్థికి సరిగ్గా తెలియకపోతే అప్పుడు అల్గారిథం మరింత లోతుగా వెళ్లి వారు తప్పనిసరిగా నేర్చుకోవాల్సిన కనీస అంశాలను వారికి అందిస్తుంది. ఇలా ఆ ప్రాథమిక అంశాలను వారికి అందించడం ద్వారా చదువులో వారి పునాదులను బలపరుస్తూనే ప్రస్తుత తరగతిలో మరింత ముందుకు సాగేందుకు వారికి సహాయపడుతుంది.

రెఫెరెన్స్

[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.

[6] Desai, Nishit, Keyur Faldu, Achint Thomas, and Aditi Avasthi. “System and method for generating an assessment paper and measuring the quality thereof.” U.S. Patent Application 16/684,434, filed October 1, 2020.

[7] Dhavala, Soma, Chirag Bhatia, Joy Bose, Keyur Faldu, and Aditi Avasthi. “Auto Generation of Diagnostic Assessments and Their Quality Evaluation.” International Educational Data Mining Society (2020).

[8] Lalwani, Amar, and Sweety Agrawal. “What Does Time Tell? Tracing the Forgetting Curve Using Deep Knowledge Tracing.” In International Conference on Artificial Intelligence in Education, pp. 158-162. Springer, Cham, 2019.

[9] Agrawal, S., and A. Lalwani. “Analysing problem sequencing strategies based on revised Bloom’s taxonomy using deep knowledge tracing.” Proc ofInt ConfonIntelligent TutoringSystems (ITS). Berlin: Springer 407410 (2018).

← AI హోం పేజ్‌కు వెళ్లు