An Anchored Logistic Family for Bounded Trait Measurement and Growth: Origin Before Unit
यह शोध पत्र एक सामान्यीकृत "एंकोर्ड लॉजिस्टिक फैमिली" (Anchored Logistic Family) के लेटेंट ट्रेट मॉडल को प्रस्तुत करता है जो महारत (mastery) द्वारा परिभाषित [0, 1] पैमाने पर गुणों को सीमित करके मूल बिंदु और मापन की इकाई को पुनर्स्थापित करता है, जो गौस-लेजेंड्रे क्वाड्रचर (Gauss-Legendre quadrature) के माध्यम से महत्वपूर्ण कम्प्यूटेशनल लाभ प्रदान करता है और यह स्पष्ट करता है कि इसका प्राथमिक योगदान बेहतर मापन परिशुद्धता के बजाय व्याख्यात्मकता और दक्षता में निहित है।
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 सदी से अधिक समय से, मनोवैज्ञानिक यह मापने की कोशिश कर रहे हैं कि एक व्यक्ति क्या जानता है या क्या कर सकता है, यह देखने के लिए कि वे प्रश्नों के उत्तर कैसे देते हैं। इसका लक्ष्य सही और गलत उत्तरों के एक अव्यवस्थित संग्रह को एक एकल संख्या में बदलना है जो एक शिक्षार्थी की क्षमता की कहानी बताती है। लंबे समय तक, इस काम के लिए सबसे अच्छे उपकरणों में एक छिपा हुआ दोष था: उनके द्वारा उत्पन्न संख्या सापेक्ष (relative) थी, पूर्ण (absolute) नहीं। शून्य का स्कोर यह नहीं बताता था कि व्यक्ति कुछ भी नहीं जानता; इसका मतलब केवल यह था कि वह उस दिन टेस्ट देने वाले अन्य लोगों की तुलना में औसत था। यदि टेस्ट देने वालों का समूह बदल जाता, तो स्कोर का अर्थ भी उनके साथ बदल जाता। इसने शिक्षा में सबसे महत्वपूर्ण प्रश्नों का उत्तर देना कठिन बना दिया: न केवल यह कि कौन आगे है, बल्कि यह कि एक विशिष्ट छात्र ने वास्तव में कितना सीखा है, और उसे अभी और कितना आगे जाना है। उन प्रश्नों का उत्तर देने के लिए, आपको एक ऐसे पैमाने (रूलर) की आवश्यकता होती है जिसमें एक वास्तविक शून्य और एक वास्तविक शीर्ष हो, जहाँ शून्य का अर्थ पूर्ण अज्ञानता हो और एक का अर्थ विषय पर पूर्ण महारत हो।
जॉर्ज वाशिंगटन यूनिवर्सिटी में जेहवा चोई द्वारा किया गया एक नया अध्ययन इस समस्या पर एक नया दृष्टिकोण प्रस्तुत करता है। शोधकर्ताओं ने अपने पिछले मॉडल की समीक्षा की है, जो एक छात्र की क्षमता को शून्य से एक के पैमाने पर रखता है, जहाँ संख्याएँ सीधे विषय में महारत हासिल किए गए प्रतिशत का प्रतिनिधित्व करती हैं। यह शोध पत्र मुख्य रूप से दो कार्य करता है। पहला, यह दिखाता है कि इस मॉडल को वास्तविक समय के उपयोग के लिए बहुत तेज़ और व्यावहारिक बनाया जा सकता है, जैसे कि कंप्यूटर आधारित परीक्षण जो छात्र के उत्तरों के अनुसार चलते हैं। दूसरा, यह परीक्षण करता है कि क्या यह नया मापने का तरीका आज के मानक तरीकों की तुलना में वास्तव में अधिक सटीक जानकारी प्रदान करता है। निष्कर्ष एक बड़े व्यावहारिक ब्रेकथ्रू और एक आश्चर्यजनक सीमा का मिश्रण हैं: नया तरीका अविश्वसनीय रूप से तेज़ है और संख्याओं का स्पष्ट अर्थ प्रदान करता है, लेकिन यह पुराने तरीकों की तुलना में छात्र की क्षमता को अधिक सटीकता से नहीं मापता है।
इस कार्य के पीछे का मूल विचार माप के पैमाने को लोगों के समूह के बजाय स्वयं विषय वस्तु से जोड़ना है। कल्पना कीजिए कि बीस विशिष्ट कौशलों पर एक परीक्षण है। इस नए ढांचे में, शून्य का स्कोर का अर्थ है कि छात्र उन बीस कौशलों में से कोई भी नहीं कर सकता है, और एक का अर्थ है कि वे उन सभी को कर सकते हैं। 0.62 का स्कोर यह दर्शाता है कि छात्र ने डोमेन का 62 प्रतिशत हिस्सा हासिल कर लिया है। यह सरल लगता है, लेकिन गणित को इस तरह से काम करना ताकि संख्याएँ इस परिभाषा के प्रति सच्ची रहें, कठिन है। इस मॉडल के पिछले संस्करण को स्कोर की गणना करने के लिए एक धीमी, कंप्यूटर-गहन प्रक्रिया की आवश्यकता थी, जिससे यह एक एडेप्टिव टेस्ट के लिए बहुत सुस्त हो गया था जिसे एक सेकंड के अंश में अगला प्रश्न चुनना होता है।
इस नए शोध पत्र में, लेखक इस मॉडल को संबंधित दृष्टिकोणों के एक परिवार में सामान्यीकृत करते हैं। एक संस्करण पैमाने को शून्य और एक के बीच सीमित रखता है, जबकि दूसरा संस्करण ऊपरी सीमा को हटा देता है, जिससे पैमाने को अनिश्चित रूप से बढ़ने की अनुमति मिलती है। यही लचीलापन गति की कुंजी साबित हुआ। क्योंकि पैमाना सीमित है, शोधकर्ता अनुमान लगाने के लिए एक निश्चित, पूर्व-गणना किए गए ग्रिड का उपयोग कर सकते हैं, बजाय इसके कि वे धीमी, रैंडम सैंपलिंग विधियों पर निर्भर रहें। यह परिवर्तन मॉडल को छात्र के स्कोर को लगभग पांच माइक्रोसेकंड में अपडेट करने की अनुमति देता है। इसे समझने के लिए, एक आधुनिक कंप्यूटर एक सेकंड में लगभग दो लाख ऐसे अपडेट कर सकता है। यह गति मॉडल को परीक्षण लूप के भीतर ही उपयोग करने के लिए संभव बनाती है, जिससे परिणाम आने का इंतज़ार किए बिना, छात्र के पिछले उत्तर के आधार पर तुरंत अगला प्रश्न चुना जा सके।
इस भारी गति के लाभ के बावजूद, अध्ययन में पाया गया कि नया मॉडल मानक तरीकों की तुलना में क्षमता को बेहतर ढंग से नहीं मापता है। शोधकर्ताओं ने तीन अलग-अलग सिमुलेशन चलाए यह देखने के लिए कि क्या सीमित पैमाना उच्च प्रदर्शन करने वाले छात्रों के बीच अंतर कर सकता है, विशेष रूप से जब टेस्ट बहुत आसान हो और कई छात्रों के पूर्ण अंक आए हों। हर मामले में, परिणाम समान थे: नए मॉडल ने पुराने मॉडलों की तुलना में बेहतर प्रदर्शन नहीं किया। दोनों तरीकों ने छात्रों की रैंकिंग लगभग समान रूप से दी। अध्ययन निष्कर्ष निकालता है कि इस दृष्टिकोण का लाभ कच्ची सटीकता में नहीं, बल्कि इसके परिणामों की व्याख्या और उनकी त्वरित उपलब्धता में है। संख्याएँ कार्य क्षेत्र (डोमेन) के बारे में कुछ विशिष्ट बताती हैं।
यह पत्र यह भी पता लगाता है कि यह मॉडल समय के साथ सीखने को कैसे ट्रैक कर सकता है। पैमाने को एक 'ग्रोथ कर्व' के रूप में मानकर, शोधकर्ताओं ने दिखाया कि यह एक छात्र की क्षमता में बदलाव का वर्णन कर सकता है, जो तीव्र सीखने, धीमा होने या यहाँ तक कि भूलने के पैटर्न को भी पकड़ सकता है। हालाँकि, उन्होंने पाया कि केवल छात्र के पिछले स्कोर को अगले टेस्ट के लिए आगे ले जाने से अक्सर त्रुटियाँ होती हैं। यदि कोई छात्र सुधार कर रहा है, तो यह मानना कि वह कल जहाँ था वहीं है, एक गलत निश्चितता पैदा करता है। मॉडल तब सबसे अच्छा काम करता है जब यह छात्र के इतिहास के आधार पर अगले कदम की भविष्यवाणी करता है, लेकिन केवल तभी जब गणित इतना अनुशासित हो कि अति-आत्मविश्वास से बच सके। शोधकर्ताओं ने पाया कि यदि मॉडल एक छोटे इतिहास के बहुत अधिक विवरणों को फिट करने की कोशिश करता है, तो वह गलत उत्तरों के प्रति खतरनाक रूप से आश्वस्त हो जाता है।
लॉ स्कूल एडमिशन टेस्ट के डेटा का उपयोग करते हुए एक वास्तविक दुनिया के परीक्षण ने इन स्कोरों को रिपोर्ट करने के तरीके के बारे में एक महत्वपूर्ण चेतावनी को उजागर किया। जब टेस्ट बहुत छोटा और आसान होता है, तो कई छात्र पूर्ण अंक प्राप्त करते हैं। मानक मॉडलों में, एक पूर्ण स्कोर अक्सर एक अनंत या अपरिभाषित परिणाम की ओर ले जाता है, जो एक स्पष्ट संकेत है कि टेस्ट पर्याप्त कठिन नहीं था। इस नए सीमित मॉडल में, पूर्ण स्कोर 1.0 जैसी संख्या देता है, जो "100 प्रतिशत महारत" जैसा दिखता है। अध्ययन में पाया गया कि जिन छात्रों ने हर सवाल का सही जवाब दिया, उनके महारत के स्तर का अनुमान गणना पद्धति के आधार पर 67 प्रतिशत से 100 प्रतिशत के बीच हो सकता है। डेटा के पास सटीक संख्या निर्धारित करने के लिए पर्याप्त जानकारी नहीं थी। इसका मतलब है कि छोटे टेस्ट के लिए, अनिश्चितता के माप के बिना एक एकल संख्या बताना भ्रामक है। एक छात्र जो पाँच-सवाल वाले टेस्ट में हर सवाल सही करता है, उसने विषय में महारत हासिल नहीं की होगी; हो सकता है कि वह भाग्यशाली रहा हो या टेस्ट बहुत आसान रहा हो।
अध्ययन ने पैमाने के निचले हिस्से की भी जांच की, जहाँ छात्र बहुविकल्पीय प्रश्नों पर अनुमान (गेसिंग) लगाते हैं। मॉडल में अनुमान लगाने की संभावना को ध्यान में रखने के लिए एक पैरामीटर शामिल है। शोधकर्ताओं ने पाया कि बहुत आसान प्रश्नों के लिए, जहाँ लगभग सभी लोग उन्हें सही करते हैं, डेटा यह निर्धारित नहीं कर सकता कि अनुमान कितना हो रहा है। अनुमान का आकलन फिर पूरी तरह से मॉडल में निर्मित धारणाओं द्वारा संचालित होता है, न कि टेस्ट के परिणामों द्वारा। यह सुझाव देता है कि बहुत आसान आइटम्स के लिए, अनुमान दर को डेटा से निकालने के बजाय विकल्पों की संख्या के आधार पर तय करना बेहतर है।
अंततः, यह पत्र तर्क देता है कि इस दृष्टिकोण का मूल्य इसकी स्पष्टता और गति में है, न कि किसी जादुई सटीकता में। यह यह कहने का एक तरीका प्रदान करता है कि एक छात्र ने कौशल के एक विशिष्ट सेट में 62 प्रतिशत महारत हासिल कर ली है, जो एक शिक्षक या शिक्षार्थी के लिए सार्थक कथन है। लेकिन यह भी जोर देता है कि इस कथन के साथ इसकी सीमाओं की स्पष्ट समझ होनी चाहिए। पैमाना कार्य (टास्क) से जुड़ा है, लेकिन माप अभी भी उन लोगों के समूह से प्रभावित होता है जिनका उपयोग टेस्ट को कैलिब्रेट करने के लिए किया जाता है। यदि समूह बदलता है, तो स्कोर का अर्थ बदल सकता है। शोधकर्ता निष्कर्ष निकालते हैं कि सबसे महत्वपूर्ण प्रगति केवल एक नया नंबर प्राप्त करना नहीं है, बल्कि इस बात के प्रति ईमानदार होना है कि वह नंबर क्या दर्शाता है और उसके चारों ओर कितनी अनिश्चितता है। पैमाने का मूल बिंदु—शून्य ज्ञान का बिंदु—सबसे महत्वपूर्ण हिस्सा है जिसे सुरक्षित करना है, और हालांकि यह मॉडल पिछले मॉडलों की तुलना में उस आदर्श के करीब पहुँचता है, फिर भी इसे यह सुनिश्चित करने के लिए सावधानीपूर्वक संभालने की आवश्यकता है कि संख्याएँ सच बोलें।
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।