ప్రీ టెక్ట్స్ ప్రశ్నకు సంబంధించిన జవాబు కొరకు స్వయం చాలితంగా మూల్యాంకనం

ప్రీ టెక్ట్స్ ప్రశ్నకు సంబంధించిన జవాబు కొరకు స్వయం చాలితంగా మూల్యాంకనం 

సాధారణంగా పోటీ పరీక్షలు రాసేవారు ఆబ్జెక్ట్ టైపు ప్రశ్నలను పరిష్కరించడానికి ఇచ్చిన సమాదానాల్లో ఒకటి లేదా అంతకంటే ఎక్కువ సరైన జవాబులను ఎంపిక చేసుకోవాలి. లేదా సమాధానానికి సంబంధించి సరైన సంఖ్యను ఎంచుకోవాలి.  ఆబ్జెక్టివ్ టైపు ప్రశ్నలపై  టెస్ట్ మూల్యాంకనం ఆధారపడి ఉంటుంది 

అనేక పరీక్షల్లో ఉదాహరణకు బోర్డ్ ఎక్సామ్ లో ప్రీ టెక్ట్స్ ఆన్సర్స్‌తో కూడిన ప్రశ్నలు ఉంటాయి. ఈ విధంగా ప్రీ టెక్ట్స్‌‌తో కూడిన సమాధానాల మూల్యాంకనం ఇప్పటికీ కొంత క్లిష్టంగానే ఉంది. స్వయంగా  ఫ్రీ టెక్ట్స్  సమాధాన ఆధారిత ప్రశ్నలతో వ్యక్తిగతీకరించిన పరీక్షలను రూపొందించడంలో మరియు నాలెడ్జ్  గ్రాఫ్‌ ద్వారా   [6][8] విద్యార్థుల కాన్సెప్ట్‌లను బాగా నేర్చుకోవడానికి, Embibe అనే AI‌తో కూడిన విద్యా వేదిక సహాయపడుతుంది. Embibe లో ఆసక్తి కరమైన అధునాతన NLP/NLU లు  వివిధ అకడమిక్ డొమైన్‌లలో వివిధ స్టైల్‌ల ఫీ టెక్ట్స్  సమాధానాలను స్కోర్ చేయగల జెనరిక్ ఎవాల్యుయేటర్‌‌లను అభివృద్ధి చేయడానికి సహాయపడుతుంది.

సమస్యలను మనం రెండు ఉప సమస్యలుగా చేద్దాం

  1. ఎన్టీటి లింకింగ్ 
  2. అర్థ సారూప్యత 
ఎన్టీటి లింకింగ్ 

ఎన్టీటి లింకు లో మనం షార్ట్ ఫామ్స్ / ఆక్రోనిమ్స్ (సంక్షిప్త పేర్లు), మారుపేర్లు వంటి రకాలు చూడవచ్చు 

  • PMC: పోలెన్ మదర్ సెల్
  • MMC : మెగాస్పోర్ మదర్ సెల్
  • PEN : ప్రైమరీ ఎండోస్పోర్ న్యూక్లియస్
  • PEC:  ప్రైమరీ ఎండోస్పోర్ సెల్
  • LH : లుటేనిజింగ్ హార్మోన్ 
  • FSH : ఫాలికల్ స్టీములెటింగ్  హార్మోన్ 

“మారుపేర్లు” లేదా “అలా కూడా అనవచ్చు”

  • మష్రూమ్: టోడ్ స్టూల్
  • జర్మ్స్:  సూక్ష్మజీవులు
  • బ్యాక్టీరియా: సూక్ష్మజీవులు
  • పునరుద్దరించదగిన: నశించని/విలుప్తం కానీ
  • లక్షణాలు: లక్షణాంశాలు 

రసాయన నామాలను కూడా

  • (NH4)(NO3) : అమ్మోనియం నైట్రేట్
  • (NH4)2C2O4 : అమ్మోనియం ఆక్సలెట్
  • Ag2O : సిల్వర్ ఆక్సైడ్
  • Ag2SO4 : సిల్వర్ సల్పేట్ 
  • Al(NO3)3 : అల్యుమినీయం నైట్రేట్

మనం సంక్షిప్త నామాలు మరియు మారుపేర్లను ఉపయోగించి మ్యాప్ చేయవచ్చు. మ్యాప్ చేసిన వాటిని సరైన సమాధానంతో సరిపోల్చవచ్చు.

అర్థ సారూప్యత

డొమైన్-ఆధారిత జ్ఞానంతో  అర్థ సారూప్యతను అందించవచ్చు, స్టేట్ ఆఫ్ ఆర్ట్ పరిశోధనను ఉపయోగించి భాష నమూనా సంభావ్యతలను తెలుసుకోవడం మరియు బాష అవగాహన విజ్ఞానంతో కూడిన అభ్యాసం  ఈ రెండు వాక్యాలు ఒకే రకమైన అర్థాన్ని తెలియజేస్తాయి[3][4][5]  

వాటి మధ్య కొసైన్ దూరం నిర్దిష్ట థ్రెషోల్డ్ కంటే తక్కువగా ఉంటే, మనం  వాటిని మరియు వాటి  సారూప్యతను పరిగణించి, సమాధానాన్ని సరైనదిగా గుర్తించవచ్చు విద్యార్థి యొక్క సమాధానం సరైన సమాధానంతో పోల్చవచ్చు. 

సెల్ఫ్-అటెన్షన్ ఆధారిత మోడల్‌లను అయిన BERT[1] మరియు RoBERT[2] లను ఉపయోగించి విద్యార్థి యొక్క సమాధానం మరియు సరైన సమాధానాన్ని పొందుపరచవచ్చు మరియు వాటి మధ్య సారూప్యతను పొందడానికి వాటి మధ్య ఉన్న కొసైన్ దూరాన్ని లెక్కించవచ్చు.

రెఫెరెన్స్

[1] Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova. “BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding”

[2] Yinhan Liu, Myle Ott, Naman Goyal, Jingfei Du, Mandar Joshi, Danqi Chen, Omer Levy, Mike Lewis, Luke Zettlemoyer, Veselin Stoyanov. “RoBERTa: A Robustly Optimized BERT Pretraining Approach”

[3] Faldu, Keyur, Amit Sheth, Prashant Kikani, and Hemang Akabari. “KI-BERT: Infusing Knowledge Context for Better Language and Domain Understanding.” arXiv preprint arXiv:2104.08145 (2021).

[4] Gaur, Manas, Ankit Desai, Keyur Faldu, and Amit Sheth. “Explainable AI Using Knowledge Graphs.” In ACM CoDS-COMAD Conference. 2020.

[4] Gaur, Manas, Ankit Desai, Keyur Faldu, and Amit Sheth. “Explainable AI Using Knowledge Graphs.” In ACM CoDS-COMAD Conference. 2020.

[5] Gaur, Manas, Keyur Faldu, and Amit Sheth. “Semantics of the Black-Box: Can knowledge graphs help make deep learning systems more interpretable and explainable?.” IEEE Internet Computing 25, no. 1 (2021): 51-59.

[6] 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).

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

[8] 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.