Scan to download the app 
కృతిమ మేదస్సు(AI) ద్వారా విద్యా రంగంలో అభ్యాస ఫలితాలను ప్రభావితం చేయడం
ప్రస్తుత ప్రపంచం మొత్తం డిజిటల్ యుగంలోకి ప్రవేశించింది . టెక్నాలజీ అనేది నేడు బిజినెస్, కమ్యూనికేషన్ ట్రావెల్, హెల్త్ మరియు ఎడ్యుకేషన్ వంటి మానవ జీవతంలోని ప్రతి అంశానికి అవసరంగా మారిపోయింది. ప్రపంచ వ్యాప్తంగా విద్యా రంగం టెక్నాలజీని మనస్పూర్తిగా స్వీకరిస్తుంది. ఆధునిక టెక్నాలజీ వినియోగం ఈ రంగంలో అద్భుతాలను సృష్టిస్తోంది. వేగంవంతంగా అభివృద్ధి చెందుతున్న సాంకేతికతో కృతిమ మేదస్సు అతి ముఖ్యమైనది. దీని ఉపయోగాలకు అంతం లేదని చెప్పవచ్చు. కృతిమ మేదస్సు సైద్ధాంతిక ప్రాతిపదిక చాలా కాలం నాటిది. కమోడిటీ కంప్యూటింగ్ హార్డ్‌వేర్ యొక్క విస్తరణ ఎప్పుడు లేనంతగా దీన్ని మరింత అందుబాటులోకి మరియు ఉపయోగపడేలా చేస్తోంది.
భారతదేశంలో విద్యా రంగం మంచి పురోగతిని సాధించింది. పిల్లల్లో 90 శాతం మంది పాఠశాలలో చేరుతున్నారు. గతంలో కన్నా బడ్జెట్‌లో నిధులను కేటాయించారు. అయితే విద్యార్థుల డ్రాపవుట్స్‌, మెరుగు పడని బోధనా పద్ధతులు తదితర కారణాల వల్ల భారతీయ విద్యావ్యవస్థ అంతర్జాతీయ స్థాయిలో పోటీపడలేక పోతోంది. భారతదేశం యొక్క విద్యా రంగంలో మార్పులు మొదట ప్రవేటు పాఠశాల నుండి ప్రారంభమవుతాయి. డేటా ఆధారిత విధానాల ద్వారా కొత్త ఆవిష్కరణలు భారతదేశం లోని ముఖ్యమైన పాఠశాలలో చూడగలుగుతున్నాం.
అభ్యాస ఫలితాలలో మెరుగైన డేటా మైనింగ్, కంటెంట్ అవగాహన, స్టూడెంట్ ప్రొఫైలింగ్ మరియు టీచర్ టాస్క్ అగ్మెంటేషన్ అభ్యాసన ఫలితాలలో చూడగలం. సంప్రదాయ విద్యా నమూనా అభివృద్ది చెందటం లేదా చెందకపోవటం విద్య, విద్యార్థి, ఉపాధ్యాయుడు మరియు ఇన్‌స్టిట్యూట్‌లోని ఈ ముగ్గురి పైన ఆధారపడింది. కృతిమ మేదస్సు ఆధారిత టెక్నాలజీ వేదికలు దేశ వ్యాప్తంగా విద్యార్థులకు వ్యక్తిగతమైన పాఠ్యాంశాలను లెర్నింగ్ సిఫార్సులను రూపొందిస్తున్నారు. అభ్యసకుల అకడమిక్ మరియు ప్రవర్తనా బలహీనతలు గుర్తించడం మరియు ఎక్కువ సమయం పట్టే రిపిటేటివ్ టాక్స్ ఆటోమేటింగ్ చేయడం ద్వారా అధ్యాపకులు ఉత్తమమైన బోధనను అందించగలుగుతారు.
ఆర్టిఫిషియల్ ఇంటెలిజెన్స్-పవర్డ్ ఎడ్యూ టెక్ వేదిక , ఎడ్యునేషన్ నాలెడ్జ్ బేస్, ఇంటెలిజెంట్ కంటెంట్ ఆటోమేషన్ అభ్యాసకుల గ్రాన్యులర్ ఇంటరాక్షన్ డేటాను క్యాప్చర్ చేయడానికి ఎడ్యుకేషనల్ డేటా లేక్ మరియు ఇంటెలిజెంట్ టీచింగ్ ఇంటర్వెన్షన్ సిస్టమ్‌ విద్యార్థుల జీవితంలో బాగా ఉపయోగపడుతుంది.
పూర్తి ఆర్టికల్‌ను ఇక్కడ డౌన్‌లోడ్ చేసుకోండి Link .
References:
- Corbett, A. T. and Anderson, J. R. (1994), “Knowledge tracing: Modeling the acquisition of procedural knowledge,” User modeling and user-adapted interaction, vol. 4, no. 4, pp. 253–278, 1994
- Cukier, Kenneth (2019). “Ready for Robots? How to Think about the Future of AI”. Foreign Affairs. 98 (4): 192, August 2019.
- Faldu, K., Avasthi, A. and Thomas, A. (2018) “Adaptive learning machine for score improvement and parts thereof,” US20180090023A1, Mar 29, 2018.
- Lin, Y., Liu, Z., Sun, M., Liu, Y., & Zhu, X. (2015). Learning entity and relation embeddings for knowledge graph completion. In 29th AAAI Conference on Artificial Intelligence, Feb 2015.
