एआई मॉडल छात्रों के सीखने की मात्रा की भविष्यवाणी कर सकता है

उत्तरी कैरोलिना स्टेट यूनिवर्सिटी के शोधकर्ताओं ने एक कृत्रिम बुद्धिमत्ता (एआई) मॉडल विकसित किया है जो शैक्षिक खेलों में छात्रों द्वारा सीखने की मात्रा की भविष्यवाणी करने में सक्षम है। यह मॉडल मल्टी-टास्क लर्निंग पर निर्भर करता है, जो एक एआई प्रशिक्षण अवधारणा है जहां एक मॉडल कई कार्यों को करता है। यह प्रणाली निर्देश और सीखने के परिणामों में सुधार करने में मदद कर सकती है।

जोनाथन रोवे इस काम के सह-लेखक हैं और उत्तरी कैरोलिना स्टेट यूनिवर्सिटी के सेंटर फॉर एजुकेशनल इन्फॉर्मेटिक्स (सीईआई) में एक शोध वैज्ञानिक हैं।

“हमारे मामले में, हम चाहते थे कि मॉडल यह भविष्यवाणी करे कि एक छात्र एक परीक्षण में प्रत्येक प्रश्न का सही उत्तर देगा या नहीं, छात्र द्वारा एक शैक्षिक खेल क्रिस्टल आइलैंड खेलने के दौरान उसके व्यवहार के आधार पर,” रोवे कहते हैं।

“इस समस्या को हल करने के लिए मानक दृष्टिकोण केवल समग्र परीक्षण स्कोर पर विचार करता है, परीक्षण को एक कार्य के रूप में देखता है,” वह जारी रखता है। “हमारे मल्टी-टास्क लर्निंग फ्रेमवर्क के संदर्भ में, मॉडल के पास 17 कार्य हैं – क्योंकि परीक्षण में 17 प्रश्न हैं।”

शोधकर्ताओं ने 181 छात्रों के खेल और परीक्षण डेटा का उपयोग किया। एआई ने प्रत्येक छात्र के खेल और परीक्षण में प्रश्न 1 के उत्तर का विश्लेषण किया। एआई ने उन छात्रों के सामान्य व्यवहार सीखे जिन्होंने प्रश्न 1 का सही उत्तर दिया, और फिर उन लोगों के व्यवहार सीखे जिन्होंने इसे गलत उत्तर दिया। इस डेटा के साथ, एआई यह निर्धारित करने में सक्षम था कि एक नए छात्र प्रश्न 1 का उत्तर कैसे देगा।

यह कार्य प्रत्येक प्रश्न के लिए एक ही समय में किया जाता है। जबकि समीक्षा किए जा रहे खेल एक छात्र के लिए समान हैं, एआई प्रश्न 2, प्रश्न 3 आदि के संदर्भ में व्यवहार का अध्ययन करता है।

मल्टी-टास्क दृष्टिकोण सफल रहा और अंतर बनाया। मल्टी-टास्क मॉडल लगभग 10 प्रतिशत अधिक सटीक था niż अन्य मॉडल जो पारंपरिक एआई प्रशिक्षण विधियों का उपयोग करते थे।

माइकल गेडेन इस काम के प्रथम लेखक हैं और एनसी स्टेट में एक पोस्ट-डॉक्टरल शोधकर्ता हैं।

“हम इस प्रकार के मॉडल को दो तरीकों से उपयोग किए जाने की कल्पना करते हैं जो छात्रों को लाभान्वित कर सकते हैं,” वह कहते हैं। “यह शिक्षकों को सूचित करने के लिए उपयोग किया जा सकता है जब एक छात्र के खेल का सुझाव देता है कि छात्र को अतिरिक्त निर्देश की आवश्यकता हो सकती है। यह खेल में अनुकूली खेल सुविधाओं को सुविधाजनक बनाने के लिए भी उपयोग किया जा सकता है। उदाहरण के लिए, एक कहानी को बदलने के लिए जो उन अवधारणाओं पर पुनः विचार करे जिन पर एक छात्र संघर्ष कर रहा है।

“मनोविज्ञान ने लंबे समय से मान्यता दी है कि अलग-अलग प्रश्नों के अलग-अलग मूल्य हैं,” गेडेन जारी रखता है। “हमारा काम यहां एक अंतरविषयी दृष्टिकोण लेता है जो मनोविज्ञान के इस पहलू को गहरे शिक्षा और मशीन लर्निंग दृष्टिकोणों के साथ जोड़ता है।”

एंड्रयू एमर्सन इस काम के सह-लेखक हैं और एनसी स्टेट में एक पीएचडी छात्र हैं।

“यह शैक्षिक सॉफ्टवेयर में अधिक जटिल मॉडलिंग तकनीकों को शामिल करने के लिए भी दरवाजा खोलता है – विशेष रूप से शैक्षिक सॉफ्टवेयर जो छात्र की जरूरतों के अनुसार अनुकूल होता है,” एमर्सन कहते हैं।

इस काम का शीर्षक “शैक्षिक खेलों में मल्टी-टास्क लर्निंग के साथ पूर्वानुमान छात्र मॉडलिंग” है, और यह 34वें एएएआई कॉन्फ्रेंस ऑन आर्टिफिशियल इंटेलिजेंस में प्रस्तुत किया जाएगा, जो 7-12 फरवरी को न्यूयॉर्क, एनवाई में आयोजित किया जाने वाला है। इस काम के सह-लेखक जेम्स लेस्टर, सीईआई में कंप्यूटर विज्ञान के प्रतिष्ठित विश्वविद्यालय के प्रोफेसर और एनसी स्टेट में निदेशक हैं, साथ ही रॉजर एज़ेवेडो फ्लोरिडा विश्वविद्यालय के हैं।

इस काम को नेशनल साइंस फाउंडेशन और कैनेडा के सोशल साइंसेज एंड ह्यूमैनिटीज रिसर्च काउंसिल द्वारा समर्थित किया गया था।