Stochasticity Is Not the Hard Part: Reduction and Complexity in Instructional Sequencing over Prerequisite DAGs

कल्पना कीजिए कि आप एक अंतरिक्ष यान के कप्तान हैं जो एक दूर स्थित ग्रह तक पहुँचने के लिए क्षुद्रग्रहों (asteroids) के एक जटिल भूलभुलैया में रास्ता खोजने की कोशिश कर रहे हैं। कंप्यूटर विज्ञान की दुनिया में, यह "निर्देशात्मक अनुक्रमण" (instructional sequencing) के समान है, जहाँ एक AI या एक शिक्षक किसी छात्र को नए विचार सिखाने का सबसे अच्छा क्रम तय करने की कोशिश करता है। इस भूलभुलैया के नियम हैं: आप "रॉकेट इंजन" के बारे में तब तक नहीं सीख सकते जब तक कि आपने "बुनियादी भौतिकी" (basic physics) में महारत हासिल न कर ली हो। इसे "पूर्व शर्त निर्भरता" (prerequisite dependency) कहा जाता है।

आमतौर पर, हम सोचते हैं कि इस नेविगेशन का सबसे कठिन हिस्सा अनिश्चितता है। क्या छात्र पाठ को समझ पाएगा? क्या वह असफल होगा और उसे फिर से प्रयास करने की आवश्यकता होगी? हम अक्सर मानते हैं कि क्योंकि सीखना अप्रत्याशित (stochastic) है, इसलिए हमें भविष्य का अनुमान लगाने और हर संभावित "क्या-होगा-अगर" के लिए योजना बनाने के लिए उच्च-गति वाले जटिल कंप्यूटरों की आवश्यकता है। लेकिन क्या होगा यदि वास्तविक कठिनाई केवल अनुमान लगाने के खेल में नहीं है? क्या होगा यदि असली कठिनाई उस भूलभुलैया के माध्यम से संभावित रास्तों की विशाल संख्या में निहित है, भले ही हमें पता हो कि छात्र की प्रतिक्रिया क्या होगी? यह शोध पत्र इसी प्रश्न की गहराई में जाता है, यह पूछते हुए: क्या सीखने की अनिश्चितता असली खलनायक है, या यह मानचित्र की स्वयं की जटिलता है?

इस शोध पत्र के लेखक, जो कंप्यूटर वैज्ञानिकों की एक टीम है, ने एक छात्र द्वारा अवधारणाओं (concepts) के एक सेट को सीखने का गणितीय मॉडल बनाकर इस समस्या को हल करने का निर्णय लिया। उन्होंने सीखने की प्रक्रिया को एक खेल की तरह माना जहाँ आप एक शुरुआती बिंदु (कुछ भी न जानना) से एक अंतिम लक्ष्य (सब कुछ जानना) तक न्यूनतम प्रयास के साथ पहुँचने की कोशिश करते हैं। उनके मॉडल में, हर बार जब एक छात्र एक नई अवधारणा सीखने की कोशिश करता है, तो उसकी सफलता की एक संभावना होती है और विफलता की एक संभावना होती है। यदि वे विफल होते हैं, तो वे ठीक वहीं रहते हैं जहाँ वे थे; वे जो पहले से जानते हैं उसे खोते नहीं हैं, उन्हें बस फिर से प्रयास करना होता है।

यहाँ वह बड़ा आश्चर्य है जो टीम ने खोजा: अनिश्चितता कठिन हिस्सा नहीं है। उन्होंने गणितीय रूप से सिद्ध किया कि आप सारी अनिश्चितता को हटा सकते हैं। आप इस अप्रत्याशable, "क्या-वह-सफल-होगा-या-नहीं" वाले सीखने के खेल को पूरी तरह से पूर्वानुमेय (deterministic) मानचित्र में बदल सकते हैं। यह ऐसा है जैसे यह महसूस करना कि भले ही एक सिक्का उछालना यादृच्छिक (random) है, यदि आप जानते हैं कि 'हेड्स' आने तक सिक्का उछालने की औसत लागत क्या है, तो आप उस औसत लागत को एक निश्चित कीमत के रूप में मान सकते हैं। एक बार जब आप ऐसा कर लेते हैं, तो समस्या "अनुमान लगाने" के बारे में नहीं रह जाती और एक विशाल, कठोर ग्रिड पर सबसे छोटा रास्ता खोजने के बारे में बन जाती है।

हालाँकि, केवल अनिश्चितता हटने का मतलब यह नहीं है कि समस्या आसान हो गई है। वास्तव में, लेखकों ने पाया कि अनिश्चितता को हटाने के बाद भी, इन अवधारणाओं को सिखाने का परफेक्ट क्रम खोजना कंप्यूटर के लिए सबसे खराब स्थितियों (worst-case scenarios) में अविश्वसनीय रूप से कठिन है। उन्होंने दिखाया कि यह कठिनाई इस बात से आती है कि अवधारणाएं एक-दूसरे में कैसे "स्थानांतरित" (transfer) होती हैं—एक चीज़ सीखना दूसरी चीज़ को आसान बना सकता है, लेकिन यदि वे सहायक संबंध एक उलझे हुए जाल का निर्माण करते हैं, तो कंप्यूटर सबसे अच्छा मार्ग खोजने में फंस जाता है। इसे वे "संयोजन जटिलता" (combinatorial complexity) कहते हैं। ऐसा नहीं है कि कंप्यूटर छात्र के मूड से भ्रमित है; बल्कि यह है कि संभावित सीखने के रास्तों का मानचित्र ही बहुत विशाल है जिसे हर एक को जाँचा जा सके।

लेकिन चिंता न करें, यह सब बुरा नहीं है। शोध पत्र ने यह भी पाया कि कई वास्तविक दुनिया की स्थितियों के लिए, मानचित्र वास्तव में इतना उलझा हुआ नहीं है। उन्होंने एक सरल "नैदानिक उपकरण" (एक प्रकार का गणितीय परीक्षण) विकसित किया जो किसी पाठ्यक्रम को देख सकता है और आपको शुरू करने से पहले ही बता सकता है कि क्या पाठों का क्रम वास्तव में बहुत मायने रखता है। यदि उपकरण कहता है कि मानचित्र "अचक्रीय" (acyclic - कोई भ्रमित करने वाले लूप नहीं) है, तो आप जो भी तार्किक क्रम चुनेंगे वह ठीक काम करेगा, और आपको एक बेहतरीन रास्ता खोजने के लिए सुपरकंप्यूटर की आवश्यकता नहीं होगी।

इसे परखने के लिए, शोधकर्ताओं ने 70,000 से अधिक छात्र इंटरैक्शन वाले एक वास्तविक परिचय कंप्यूटर विज्ञान पाठ्यक्रम के डेटा का विश्लेषण किया। उनके नैदानिक उपकरण ने पुष्टि की कि इस विशिष्ट कक्षा के लिए, "परफेक्ट क्रम" का बहुत अधिक महत्व नहीं था; पाठ्यक्रम एक "दोहरी आसान स्थिति" (doubly easy regime) में था। छात्र लगभग किसी भी क्रम में सीख सकते थे, और थोड़ा गलत होने की लागत बहुत कम थी। हालाँकि, उन्होंने कृत्रिम, कठिन उदाहरण भी बनाए जहाँ निर्भरताएं बहुत उलझी हुई थीं। उन मामलों में, गलत क्रम चुनने से भारी पछतावा (समय और प्रयास की बर्बादी) हुआ, जिससे यह सिद्ध हुआ कि जबकि कई वास्तविक कक्षाएँ नेविगेट करना आसान है, कठिन कक्षाएँ भी मौजूद हैं।

टीम ने यह भी दिखाया कि जब मानचित्र कठिन होता है, तो आपको हर एक पथ की जाँच करने की आवश्यकता नहीं होती है। उन्होंने एक स्मार्ट सर्च विधि का उपयोग किया जिसे A* कहा जाता है (इसे एक ऐसे GPS के रूप में सोचें जो गंतव्य को जानता है और केवल सबसे आशाजनक सड़कों की जाँच करता है) ताकि सबसे अच्छे अनुक्रम को खोजा जा सके। अपने सबसे कठिन और जटिल उदाहरणों में भी, इस स्मार्ट GPS को विजेता खोजने के लिए संभावित रास्तों के एक बहुत छोटे हिस्से को ही देखना पड़ा।

तो, निष्कर्ष क्या है? यदि आप बच्चों को सिखाने के लिए कोई ऐप बना रहे हैं, तो आपको इस बात पर घबराने की ज़रूरत नहीं है कि छात्र अप्रत्याशित हैं। आप "अनुमान लगाने" वाले हिस्से को हटाने के लिए समस्या को गणितीय रूप से सरल बना सकते हैं। वास्तविक चुनौती यह जांचना है कि क्या आपके पाठ्यक्रम की संरचना उलझी हुई और जटिल है। यदि यह है, तो एक स्मार्ट सर्च टूल का उपयोग करके सबसे अच्छा रास्ता खोजें। यदि यह नहीं है (जैसे कि कई वास्तविक कक्षाओं में), तो निश्चिंत रहें, क्योंकि पाठों का क्रम शायद बहुत बड़ा अंतर पैदा नहीं करेगा। यह शोध पत्र सिद्ध करता है कि सीखने का "जादू" भविष्य की भविष्यवाणी करने में नहीं, बल्कि मानचित्र के आकार को समझने में है।