Atom Learning Model (ALM): how a real classroom got tokenised
यह शोध पत्र एटम लर्निंग मॉडल (ALM) का वर्णन करता है, जो एक ऐसी प्रणाली है जिसने 373 छात्रों के लिए कम लागत पर व्यक्तिगत प्रश्न उत्पन्न करने के लिए दो गणित की पाठ्यपुस्तकों को 1,934 शिक्षण चरणों के एक पूर्व-आवश्यकता ग्राफ (प्रिरेक्विज़िट ग्राफ) में टोकनयुक्त किया, जबकि अप्रत्याशित निष्कर्षों को भी उजागर किया जैसे कि लिंक स्थापित करने की उच्च लागत, भाषा मॉडलों की प्रश्न की कठिनाई का अनुमान लगाने में असमर्थता, और यह तथ्य कि प्रणाली का परिनियोजन इसके मूल सिद्धांत के परीक्षण से ठीक पहले ही रुक गया।
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
एक विशिष्ट कक्षा में, एक शिक्षक तीस छात्रों के सामने खड़ा होता है, जो लगभग एक ही उम्र के हैं, और एक ही पाठ पढ़ाने की कोशिश करता है। चुनौती यह है कि उस कमरे में कोई भी दो बच्चे सीखने के स्तर पर बिल्कुल एक समान नहीं होते। कोई जटिल पहेली हल करने के लिए तैयार हो सकता है, जबकि दूसरा अभी भी बुनियादी टुकड़ों के लिए संघर्ष कर रहा हो सकता है। क्योंकि शिक्षक हर एक छात्र के सटीक कौशल स्तर को तुरंत नहीं जान सकता, इसलिए पाठ को एक मध्यम स्तर पर रखा जाता है, जिससे कुछ छात्र ऊब जाते हैं और अन्य समझ नहीं पाते। दशकों से, शिक्षकों ने छात्रों को उनकी सामान्य क्षमता के आधार पर समूहों में विभाजित करके इसे हल करने का प्रयास किया है, लेकिन यह केवल अंतर को थोड़ा कम करता है; यह अभी भी तीस बच्चों को एक इकाई के रूप में मानता है, न कि तीस व्यक्तियों के रूप में। मुख्य समस्या 'रेज़ोल्यूशन' (विभेदन) की कमी है: स्कूलों के पास इस बात का नक्शा तो है कि क्या सीखा जाना है, लेकिन उनके पास यह जानने का तरीका नहीं है कि किसी भी क्षण प्रत्येक बच्चा उस नक्शे पर वास्तव में कहाँ खड़ा है।
यह वह अंतराल है जिसे 'एटम लर्निंग मॉडल' (Atom Learning Model) नामक एक नई प्रणाली भरने का प्रयास करती है। विचार यह है कि गणित जैसे किसी स्कूली विषय को उसके सबसे छोटे संभव चरणों में तोड़ दिया जाए, जिन्हें "एटम" (परमाणु) कहा जाता है। कल्पना कीजिए कि समीकरण हल करने जैसे कौशल को एक एकल, अखंड कार्य के रूप में नहीं, बल्कि छोटे, अलग-अलग कार्यों की एक श्रृंखला के रूप में देखा जाता है: जैसे गुणा करना जानना, घटाना जानना, या एक पंक्ति को पुनर्व्यवस्थित करना जानना। यदि कोई छात्र पहले तीन कार्य कर सकता है लेकिन चौथे में विफल रहता है, तो सिस्टम जानता है कि श्रृंखला में टूट कहाँ हुई है। इन सूक्ष्म चरणों और उन्हें सीखने के क्रम को मैप करके, सिस्टम सैद्धांतिक रूप से प्रत्येक बच्चे को एक ऐसा वर्कशीट दे सकता है जो बिल्कुल उसके वर्तमान ज्ञान से एक कदम आगे हो। यह दृष्टिकोण शिक्षा को कठोर 'वर्ष समूहों' (year groups) से दूर ले जाने और एक ऐसे मॉडल की ओर ले जाने का वादा करता है जहाँ छात्र अपनी गति से प्रगति कर सकें, और अगले चरण पर जाने से पहले एक छोटे से कदम में महारत हासिल कर सकें।
इंपीरियल कॉलेज लंदन के एक शोधकर्ता द्वारा, फिलिप बोगदान के नेतृत्व में, इंग्लैंड के दो माध्यमिक स्कूलों में सात सप्ताह तक एक वास्तविक सेटिंग में इस विचार का परीक्षण किया गया। उन्होंने पाठ्यक्रम या प्रश्न स्वयं हाथ से नहीं लिखे थे। इसके बजाय, उन्होंने एक कंप्यूटर सिस्टम में दो मानक गणित की पाठ्यपुस्तकें डालीं और सिस्टम से उन पृष्ठों को पढ़ने, कौशलों को निकालने और ज्ञान का एक विशाल, परस्पर जुड़ा हुआ मानचित्र बनाने के लिए कहा। सिस्टम ने पाठ के 757 पृष्ठों को संसाधित किया और उन्हें 1,934 विशिष्ट "एटम्स" में बदल दिया, जिनमें से प्रत्येक एक ऐसी चीज़ का प्रतिनिधित्व करता है जिसे एक शिक्षार्थी कर सकता है। फिर इसने अपना अधिकांश प्रयास यह समझने में लगाया कि ये एटम्स आपस में कैसे जुड़ते हैं, जिससे 4,600 से अधिक लिंक बने जो दिखाते हैं कि किन कौशलों को दूसरों से पहले सीखा जाना चाहिए। इस संरचना ने कंप्यूटर को हजारों अद्वितीय प्रश्न उत्पन्न करने की अनुमति दी, जो इन सूक्ष्म कौशलों के विशिष्ट संयोजनों के अनुरूप थे, और इन्हें 373 छात्रों को परोसा गया।
इस प्रयोग के परिणाम आश्चर्यजनक थे और उन्होंने इस बारे में कई सामान्य धारणाओं को चुनौती दी कि सीखना कैसे काम करता है। पहला, शोधकर्ताओं ने पाया कि एक प्रश्न को देखते हुए कंप्यूटर मॉडल यह भविष्यवाणी नहीं कर सका कि वह छात्र के लिए कितना कठिन होगा। सिस्टम ने प्रश्नों को कठिनाई लेबल दिए थे, लेकिन जब उन्होंने इन लेबलों की तुलना छात्रों के वास्तविक प्रदर्शन से की, तो वे लेबल पूरी तरह से बेकार साबित हुए। उन्होंने पाया कि किसी प्रश्न की कठिनाई प्रश्न का एक स्थिर गुण नहीं है। इसके बजाय, कठिनाई प्रश्न और उत्तर देने वाले विशिष्ट छात्र के बीच का एक संबंध है। एक प्रश्न केवल तभी कठिन होता है जब छात्र के पास उसे हल करने के लिए आवश्यक विशिष्ट सूक्ष्म चरणों की कमी होती है। इसका अर्थ है कि एक शिक्षक या कंप्यूटर केवल एक समस्या को देखकर यह नहीं कह सकता कि यह "कठिन" है; वे केवल यह जान सकते हैं कि यह एक विशेष बच्चे के लिए कठिन है जिसके पास आवश्यक पृष्ठभूमि चरणों की कमी है।
एक अन्य अप्रत्याशित निष्कर्ष फीडबैक की गति से संबंधित था। शोधकर्ताओं ने यह मापा कि छात्रों ने अपने उत्तरों के ग्रेड प्राप्त करने के लिए कितनी देर प्रतीक्षा की और इस प्रतीक्षा समय ने उनकी काम करने की इच्छा को कैसे प्रभावित किया। उन्होंने पाया कि यदि किसी छात्र को अपना उत्तर मिलने के लिए केवल सात सेकंड का इंतजार करना पड़ता था, तो वह उस छात्र की तुलना में अगला प्रश्न शुरू करने की संभावना में काफी कम था जिसने केवल तीन सेकंड का इंतजार किया था। यह मामूली देरी, जिसे अधिकांश शिक्षक नगण्य मानेंगे, छात्र के उत्साह को तोड़ने के लिए पर्याप्त थी। यह सुझाव देता है कि डिजिटल लर्निंग वातावरण में, सिस्टम की गति गुणवत्तापूर्ण प्रश्नों के समान ही जुड़ाव के लिए महत्वपूर्ण है।
शायद इस अध्ययन की सबसे महत्वपूर्ण सीमा यह थी कि सिस्टम ने कभी भी अपने सबसे गहरे सिद्धांत का परीक्षण नहीं किया। एटम लर्निंग मॉडल का केंद्रीय आधार यह है कि कठिनाई कौशल की श्रृंखला की गहराई से आती है जो छात्र के पास गायब है। इसे सिद्ध करने के लिए, सिस्टम को ऐसे प्रश्न देने होंगे जिनमें छात्र को गायब हुए तीन या चार चरणों के अंतर को पाटना पड़े। हालाँकि, सात सप्ताह के परीक्षण में, सिस्टम ने शायद ही कभी ऐसा प्रश्न प्रस्तुत किया जो दो चरणों से अधिक गहरा गया हो। शोधकर्ता ने स्वीकार किया कि उनके सिद्धांत का सबसे महत्वपूर्ण हिस्सा—यह विचार कि कठिनाई पूरी तरह से इस बात पर निर्भर है कि क्या गायब है—अनपरीक्षित रह गया क्योंकि सिस्टम ने कभी भी उन कठिन प्रश्नों को नहीं पूछा जो इसे सिद्ध कर सकते थे। सिस्टम उथले प्रश्नों के लिए अच्छा काम करता था, लेकिन यह परीक्षण कि क्या यह ज्ञान के गहरे अंतराल के माध्यम से छात्र का मार्गदर्शन कर सकता है, भविष्य के लिए छोड़ दिया गया।
इन सीमाओं के बावजूद, प्रयोग ने एक ठोस दृश्य प्रदान किया कि एक पूर्णतः टोकेनाइज्ड (tokenized) पाठ्यक्रम की लागत क्या हो सकती है और यह कैसे कार्य कर सकता है। पाठ्यपुस्तकों को पढ़ने और कौशल का मानचित्र बनाने की पूरी प्रक्रिया में एकमुश्त निवेश के रूप में £615 से £1,230 के बीच खर्च हुआ। एक बार निर्माण होने के बाद, सिस्टम ने छात्रों के लिए लगभग 26 पेन्स प्रति प्रश्न की लागत पर 6,000 से अधिक प्रश्न उत्पन्न किए। अध्ययन ने दिखाया कि मानव शिक्षकों द्वारा प्रत्येक समस्या को लिखे बिना व्यक्तिगत शिक्षण पथ बनाना संभव है। हालाँकि, शोधकर्ता ने सावधानी बरतते हुए कहा कि सिस्टम ने अभी तक शिक्षक का स्थान नहीं लिया है। कौशल का मानचित्र मौजूद था, और प्रश्न उत्पन्न किए गए थे, लेकिन सिस्टम ने अभी तक वास्तविक समय में यह तय करने के लिए छात्र के लाइव प्रदर्शन डेटा का उपयोग नहीं किया था कि उन्हें आगे क्या दिखाना है। स्कोर बाद में गणना किए गए थे, जिसका अर्थ था कि छात्र वास्तव में परीक्षण के दौरान सिस्टम की पूर्ण क्षमता द्वारा निर्देशित नहीं किए जा रहे थे।
यह कार्य एक ऐसा दृष्टिकोण प्रस्तुत करता है जहाँ "वर्ष समूह" (year group) की अवधारणा अप्रचलित हो जाती है। यदि कोई सिस्टम जानता है कि एक बच्चे ने किस सूक्ष्म चरण में महारत हासिल कर ली है और वह कौन सा चरण है जो उसमें कमी है, तो तीस बच्चों को बाकी कक्षा के इंतजार के लिए एक ही कमरे में रखने की कोई आवश्यकता नहीं है। एक बच्चा अपनी गति से सामग्री के माध्यम से आगे बढ़ सकता है, यदि उसे आवश्यकता हो तो नौ महीने तक एक स्तर पर बिता सकता है, या यदि वह तैयार है तो छह महीने में इसे पूरा कर सकता है। परीक्षा, जो वर्तमान में एक लॉजिस्टिक घटना है जहाँ सभी एक ही समय में बैठते हैं, एक व्यक्तिगत मील का पत्थर बन सकती है जिसे छात्र अपनी तैयारी के अनुसार कभी भी ले सकता है। एटम लर्निंग मॉडल ने सात सप्ताह के परीक्षण में इस भविष्य को प्राप्त नहीं किया, लेकिन इसने इसकी ओर पहला वास्तविक पुल बनाया, यह दिखाते हुए कि ऐसे सिस्टम के लिए प्लंबिंग (ढांचा) तैयार किया जा सकता है, भले ही अभी तक इसमें से पानी प्रवाहित न हुआ हो।
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।