Archetypes or ability? Clustering for modelling student mathematical competence
यूके के छात्र परीक्षा परिणामों के एक बड़े डेटासेट पर क्लस्टरिंग विधियों को लागू करके, यह अध्ययन इस धारणा को चुनौती देता है कि गणितीय सक्षमता में अलग-अलग, क्रमिक कौशल-सेट शामिल होते हैं, बल्कि यह पाता है कि समग्र क्षमता ही प्रमुख कारक है, जबकि साथ ही यह भी प्रदर्शित करता है कि व्याख्यात्मक मॉडल व्यक्तिगत शिक्षण के लिए प्रतिस्पर्धी प्रदर्शन प्राप्त कर सकते हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप यह समझने की कोशिश कर रहे हैं कि एक छात्र गणित कैसे सीखता है। लंबे समय से, शिक्षक और कंप्यूटर वैज्ञानिक यह सोच रहे हैं कि क्या सीखना अलग-अलग, अलग-थलग कमरों वाले घर बनाने जैसा है। शायद आप "बीजगणित के कमरे" के उस्ताद हैं लेकिन आपने अभी तक "ज्यामिति का कमरा" पूरी तरह से नहीं बनाया है, और आपके एक कौशल का दूसरे कौशल से कोई खास संबंध नहीं है। यह विचार सुझाव देता है कि प्रत्येक छात्र की अपनी एक अनूठी "फिंगरप्रिंट" जैसी ताकत और कमजोरियां होती हैं, जो उनकी विशिष्ट प्रतिभाओं का एक विशेष मिश्रण है। यदि हम इन अलग-अलग समूहों, या "आर्केटाइप्स" (archetypes) को खोज सकें, तो हम ऐसे सुपर-स्मार्ट कंप्यूटर बना सकते हैं जो प्रत्येक छात्र की अनूठी बनावट के अनुसार पाठों को पूरी तरह से अनुकूलित कर सकें। यह क्षेत्र, जिसे 'एजुकेशनल डेटा माइनिंग' कहा जाता है, परीक्षण अंकों के विशाल डेटा का उपयोग करके इन छिपे हुए पैटर्न को खोजने का प्रयास करता है। यह एक बड़े बैग में मिले-जुले लेगो ब्रिक्स (Lego bricks) को उनके सटीक, पूर्व-निर्धारित सेटों में छांटने की कोशिश करने जैसा है। लेकिन क्या होगा अगर ब्रिक्स बिल्कुल भी व्यवस्थित नहीं हैं? क्या होगा अगर अलग-अलग आकारों के बजाय, केवल यह मायने रखता है कि आपके पास कुल कितने ब्रिक्स हैं?
यही वह बड़ा सवाल है जिसका जवाब देने के लिए बेंजामिन मॉड्सले और उनकी टीम ने प्रयास किया। उन्होंने यूनाइटेड किंगडम के 119,000 से अधिक छात्रों का एक विशाल डेटासेट लिया, जिन्होंने गणित के अभ्यास परीक्षण दिए थे। केवल अनुमान लगाने के बजाय, उन्होंने उन छिपे हुए "फिंगरप्रिंट" समूहों को खोजने के लिए एक विशेष प्रकार के कंप्यूटर प्रोग्राम का उपयोग किया। उन्होंने पूछा: क्या छात्र वास्तव में कौशल के अलग-अलग समूहों में आते हैं, या यह सब बस एक बड़ी चीज़ के बारे में है—कुल मिलाकर क्षमता?
शोधकर्ताओं ने प्रत्येक परीक्षा प्रश्न को एक लाइट स्विच की तरह माना: या तो छात्र ने उसे सही हल किया (ऑन) या गलत (ऑफ)। फिर उन्होंने यह देखने के लिए एक गणितीय उपकरण का उपयोग किया जिसे "बर्नौली मिक्स्चर मॉडल" (Bernoulli Mixture Model) कहा जाता है, ताकि वे देख सकें कि क्या वे छात्रों को विभिन्न "आर्केटाइप्स" में वर्गीकृत कर सकते हैं। उन्हें उम्मीद थी कि वे कुछ "ज्यामिति गुरु" (Geometry Gurus) और कुछ "बीजगणित के उस्ताद" (Algebra Aces) पाएंगे। हालांकि, परिणाम एक अप्रत्याशित मोड़ लेकर आए। कंप्यूटर को बहुत कम अलग समूह मिले। इसके बजाय, उसने पाया कि छात्र ज्यादातर एक ही चीज़ के विभिन्न रूप थे: उनकी समग्र गणितीय क्षमता।
इसे एक गायक मंडली (choir) की तरह समझें। आप उम्मीद कर सकते हैं कि वहां अलग-अलग विभाग होंगे—जैसे सोप्रानो, ऑल्टो, टेनर और बास—जिनकी अपनी अनूठी आवाज़ होगी। लेकिन जब शोधकर्ताओं ने ध्यान से सुना, तो उन्हें एहसास हुआ कि अधिकांश समय, एक "ऊंचे" गायक और एक "नीचे" गायक के बीच का अंतर केवल आवाज़ के वॉल्यूम (तेजी) का था। "ज्यामिति गुरु" और "बीजगणित के उस्ताद" वास्तव में अलग गाने नहीं गा रहे थे; वे बस एक ही गाना गा रहे थे, लेकिन कुछ लोग बस अधिक ज़ोर से (अधिक कुशल) गा रहे थे। अध्ययन में पाया गया कि किसी विशिष्ट प्रश्न को सही करने की संभावना छात्र के पूरे परीक्षा के कुल स्कोर से लगभग पूरी तरह से जुड़ी हुई थी। यदि कोई छात्र पूरे टेस्ट में अच्छा था, तो वह लगभग हर हिस्से में अच्छा था। यदि वह पूरे टेस्ट में संघर्ष कर रहा था, तो वह लगभग हर हिस्से में संघर्ष कर रहा था।
टीम ने पाया कि एक सरल मॉडल, जो केवल छात्र के औसत स्कोर को देखता है, एक विशिष्ट प्रश्न पर उनके प्रदर्शन की भविष्यवाणी लगभग 78% सटीकता के साथ कर सकता था। यह उन बहुत जटिल मॉडलों के लगभग बराबर था जो हर एक सूक्ष्म कौशल को ट्रैक करने की कोशिश करते हैं। वास्तव में, सबसे जटिल मॉडल केवल एक मामूली, नगण्य सुधार ही प्रदान कर रहे थे। यह बताता है कि हालांकि छात्रों के बीच कुछ छोटे अंतर होते हैं—जैसे कि कुछ छात्र जो किसी एक विशिष्ट विषय में बहुत अच्छे हो सकते हैं लेकिन अन्य विषयों में औसत हो सकते हैं—ये अंतर दुर्लभ हैं। अधिकांश छात्रों के लिए, उनका "गणितीय व्यक्तित्व" केवल एक संख्या है: वे गणित में सामान्य रूप से कितने अच्छे हैं।
शोधकर्ताओं ने यह भी जांचा कि क्या उनके कंप्यूटर मॉडल निष्पक्ष और विश्वसनीय थे। उन्होंने पाया कि मॉडल उन छात्रों के लिए सबसे अच्छा काम करते थे जो या तो गणित में बहुत अच्छे थे या बहुत खराब। बीच के छात्र—जो गणित में "ठीक-ठाक" थे—उन्हें समझना सबसे कठिन था। यह मौसम का अनुमान लगाने जैसा है: एक तपती गर्मी वाले दिन या कड़ाके की ठंड वाले दिन की भविष्यवाणी करना आसान है, लेकिन एक बादल वाले, मध्यम मौसम वाले दिन को सटीक रूप से बताना कठिन है। इसका मतलब है कि यदि स्कूल इन उपकरणों का उपयोग व्यक्तिगत सलाह देने के लिए करते हैं, तो उन्हें बीच के छात्रों के मामले में अतिरिक्त सावधानी बरतने की आवश्यकता है, क्योंकि कंप्यूटर इस बारे में कम निश्चित हो सकता है कि उन्हें क्या चाहिए।
अंत में, यह अध्ययन सुझाव देता है कि छात्रों के पास बहुत अलग, असंबद्ध कौशल सेट होने का विचार वास्तविकता से अधिक एक मिथक है। हालांकि यह सोचना लुभावना है कि छात्र अद्वितीय, मॉड्यूलर कौशल सेट रखते हैं, लेकिन डेटा दिखाता है कि समग्र क्षमता ही मुख्य चालक है। ऐसा नहीं है कि छात्रों में अलग-अलग ताकतें नहीं हैं, बल्कि वे ताकतें आमतौर पर एक साथ ऊपर-नीचे होती हैं। शोध पत्र निष्कर्ष निकालता है कि हमें छात्र के गणित कौशल को समझने के लिए अविश्वसनीय रूप से जटिल, 'ब्लैक-बॉक्स' कंप्यूटरों की आवश्यकता नहीं है; एक सरल, स्पष्ट मॉडल जो व्यापक तस्वीर को देखता है, अक्सर काम पूरा करने के लिए पर्याप्त होता है। यह एक बड़ी बात है क्योंकि इसका मतलब है कि हम ऐसे शैक्षिक उपकरण बना सकते हैं जो न केवल सटीक हैं, बल्कि शिक्षकों और अभिभावकों के लिए समझने में भी आसान हैं, बिना प्रत्येक छात्र के लिए लाखों छोटे पहेलियों को सुलझाने की आवश्यकता के।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।