A genetic algorithm for student academic resource allocation

कल्पना कीजिए कि आप एक अंतरिक्ष यान के कप्तान हैं, लेकिन आपके कार्गो होल्ड में सितारों के बजाय हजारों अलग-अलग उपकरण, गैजेट और मानचित्र भरे हुए हैं। आपका मिशन? एक अकेले यात्री को जितनी जल्दी हो सके और जितनी खुशी से उनके गंतव्य तक पहुँचाना। समस्या यह है कि आपके यात्री की ज़रूरतें बहुत विशिष्ट हैं: शायद वे आसानी से रास्ता भटक जाते हैं, शायद वे गति के शौकीन हैं, या शायद उनके पास ईंधन की मात्रा सीमित है। आप सब कुछ उन पर नहीं फेंक सकते; आपको उन्हें देने के लिए वस्तुओं का वह सटीक संयोजन चुनना होगा जो ईंधन टैंक में फिट बैठे और उन्हें सफलता की सबसे अच्छी संभावना दे। यही आधुनिक शिक्षा की दैनिक चुनौती है। शिक्षकों के पास पाठों, वीडियो और अभ्यासों का एक विशाल पुस्तकालय होता है, लेकिन हर छात्र अलग तरह से सीखता है। कुछ को संख्याओं को पढ़ने में अतिरिक्त मदद की आवश्यकता होती है, जबकि अन्य आगे दौड़ने के लिए तैयार होते हैं। एक छात्र के लिए सामग्रियों का सटीक सही मिश्रण तय करना एक विशाल, असंभव पहेली को हल करने जैसा है जहाँ टुकड़े अपना आकार बदलते रहते हैं। यहीं पर कंप्यूटर विज्ञान एक चालाक ट्रिक के साथ आता है जिसे "जेनेटिक एल्गोरिदम" (Genetic Algorithm) कहा जाता है। इसे एक डिजिटल विकास प्रयोगशाला (digital evolution lab) के रूप में समझें। एक इंसान द्वारा एक आदर्श सूची का अनुमान लगाने के बजाय, कंप्यूटर हजारों यादृच्छिक (random) सूचियाँ बनाता है, उनका परीक्षण करता है, और फिर सबसे अच्छी सूचियों को आपस में "प्रजनन" (breed) करता है, उन्हें बार-बार मिलाता और जोड़ता है, जब तक कि वह एक ऐसा समाधान विकसित न हो जाए जो लगभग पूर्ण हो। यह गणित की समस्याओं को हल करने का प्रकृति का तरीका है: सर्वाइवल ऑफ द फिटेस्ट (survival of the fittest), लेकिन होमवर्क असाइनमेंट के लिए।

स्पेन के शोधकर्ताओं की एक टीम द्वारा लिखा गया यह शोध पत्र ठीक इसी पहेली को सुलझाता है: एक हाई स्कूल छात्र के लिए सर्वश्रेष्ठ गणित संसाधनों को स्वचालित रूप से कैसे चुना जाए। वे इस समस्या को "0–1 बाइनरी कॉम्बिनेटरियल ऑप्टिमाइज़ेशन" (0–1 binary combinatorial optimization) चुनौती के रूप में देखते हैं। सरल भाषा में, इसका अर्थ है कि एक कैटलॉग के प्रत्येक आइटम के लिए यह तय करना कि उसे शामिल करना है (1) या छोड़ देना है (0), और यह सब एक सख्त समय सीमा के भीतर करना है। शोधकर्ता जानते हैं कि जैसे-जैसे संसाधनों की सूची बढ़ती है, हर एक संभावित संयोजन की जाँच करना कंप्यूटर के लिए तेजी से करना असंभव हो जाता है—जैसे समुद्र तट पर रेत के हर एक कण को एक-एक करके गिनने की कोशिश करना। इस कारण, वे हर एक संभावना की जाँच करने के बजाय एक बेहतरीन समाधान खोजने के लिए अपने "जेनेटिक एल्गोरिदम" का उपयोग करने का प्रस्ताव देते हैं।

टीम ने एक ऐसी प्रणाली बनाई जो पहले छात्र के प्रोफाइल को देखती है। वे छात्र के वर्तमान ग्रेड, विभिन्न गणित क्षेत्रों (जैसे बीजगणित या ज्यामिति) में उनके प्रदर्शन और यहाँ तक कि विशिष्ट सीखने की चुनौतियों पर भी विचार करते हैं। उदाहरण के लिए, वे योजना को समायोजित करने के लिए एक "डायग्नोस्टिक फैक्टर" (diagnostic factor) का उपयोग करते हैं: एक उच्च क्षमता वाले छात्र को 1.0 का फैक्टर मिलता है, जबकि डिस्लेक्सिया (dyslexia) वाले छात्र को 0.7 और डिस्कैलकुलिया (dyscalculia - संख्याओं में कठिनाई) वाले छात्र को 0.5 का फैक्टर मिलता है। यह फैक्टर एक वॉल्यूम नॉब की तरह काम करता है, जो छात्र की जरूरतों के अनुसार कार्यों की तीव्रता को कम कर देता है। सिस्टम उन संसाधनों को भी फ़िल्टर कर देता है जो बहुत आसान या बहुत कठिन हैं, केवल उन्हीं को रखता है जो छात्र के वर्तमान स्तर और ग्रेड से मेल खाते हैं।

एक बार जब सिस्टम के पास उपयुक्त संसाधनों की एक सूची आ जाती है, तो यह अपने डिजिटल विकास (evolution) को चलाता है। यह शुरू में संसाधनों के विभिन्न संयोजनों को यादृच्छिक रूप से चुनता है। फिर, यह जाँचता है कि क्या इनमें से कोई भी संयोजन नियमों को तोड़ता है—विशेष रूप से, यदि चयनित सभी संसाधनों को पूरा करने के लिए आवश्यक कुल समय छात्र के अधिकतम अनुमत अध्ययन समय से अधिक हो जाता है, जो उनके प्रयोग में 8,100 मिनट (या 135 घंटे) निर्धारित किया गया था। यदि कोई संयोजन बहुत लंबा है, तो एक विशेष "रिपेयर मैकेनिज्म" (repair mechanism) सक्रिय हो जाता है। यह एक सख्त संपादक की तरह कार्य करता है, जो सूची से वस्तुओं को यादृच्छिक रूप से तब तक हटाता रहता है जब तक कि कुल समय पूरी तरह से सीमा के भीतर न आ जाए। यह सुनिश्चित करता है कि कंप्यूटर द्वारा विचार किया गया प्रत्येक समाधान वास्तव में पूरा करने योग्य है।

शोधकर्ताओं ने 1,000 गणित संसाधनों के एक कृत्रिम (synthetic) कैटलॉग का उपयोग करके इस प्रणाली का परीक्षण किया। उन्होंने एक सिम्युलेटेड छात्र प्रोफाइल पर ध्यान केंद्रित किया: दूसरे वर्ष का एक हाई स्कूल छात्र जिसे डिस्लेक्सिया है। छात्र के स्तर के अनुकूल न होने वाले संसाधनों को फ़िल्टर करने के बाद, कंप्यूटर के पास चुनने के लिए 217 संभावित आइटम थे। उन्होंने जेनेटिक एल्गोरिदम को 10 बार चलाया, और हर बार परिणामों की निरंतरता देखने के लिए एक अलग रैंडम सीड (random seed) से शुरुआत की। परिणाम प्रभावशाली थे। एल्गोरिदम लगातार उच्च गुणवत्ता वाले समाधान खोजता रहा, और तेजी से एक "बेस्ट फिटनेस" स्कोर 4.3333 पर पहुँच गया। सबसे अच्छे रन में, सिस्टम ने उपलब्ध 217 में से ठीक 77 संसाधनों का चयन किया, जिससे छात्र का शेड्यूल 8,100 मिनट की सीमा को बिना पार किए बिल्कुल सटीक रूप से भर गया। सभी 10 रन में परिणामों का इतना समान होना यह दर्शाता है कि यह विधि बहुत स्थिर और विश्वसनीय है।

यह शोध पत्र निष्कर्ष निकालता है कि वास्तविक समय में व्यक्तिगत शिक्षण योजनाएं बनाने के लिए यह दृष्टिकोण अच्छी तरह से काम करता है। हालाँकि, लेखक सावधानी बरतते हुए कहते हैं कि यह एक विशिष्ट गणितीय मॉडल पर आधारित एक सिमुलेशन है। वे यह दावा नहीं करते कि उन्होंने शिक्षा को हमेशा के लिए हल कर दिया है, बल्कि यह कि उनके पास इन निर्णयों को लेने के लिए एक शक्तिशाली उपकरण है। भविष्य की ओर देखते हुए, टीम सुझाव देती है कि अगला कदम एक साथ कई चुनौतियों का सामना करने वाले छात्रों को संभालना है—जैसे कि एक छात्र जो प्रतिभाशाली भी है और जिसे डिस्लेक्सिया भी है। इस भविष्य के परिदृश्य में, कंप्यूटर को प्रतिस्पर्धी लक्ष्यों को संतुलित करना होगा, एक "पारेटो-ऑप्टिमल" (Pareto-optimal) समाधान खोजना होगा जहाँ वह छात्र की विभिन्न जरूरतों के लिए एक साथ सर्वोत्तम कार्य कर सके। फिलहाल के लिए, यह जेनेटिक एल्गोरिदम शैक्षिक सामग्रियों के एक अराजक ढेर को छात्र की सफलता के लिए एक अनुकूलित रोडमैप में बदलने का एक आशाजनक तरीका है।