Ability-Residual Decoupled Modeling for Affective Cognitive Diagnosis
यह शोध पत्र अफेक्टिव कॉग्निटिव डायग्नोसिस के लिए एक एबिलिटी-रेसिड्यूअल डिकपल्ड फ्रेमवर्क प्रस्तावित करता है जो स्पष्ट रूप से स्थिर कॉग्निटिव रेसिड्यूअल्स को मॉडल करता है ताकि उन्हें अफेक्टिव रिप्रेजेंटेशन्स को दूषित करने से रोका जा सके, जिससे कई डेटासेट्स में रिस्पॉन्स प्रेडिक्शन सटीकता और अफेक्ट अलाइनमेंट दोनों में सुधार होता है।
मूल पेपर CC BY 4.0 (https://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
ऑनलाइन शिक्षा के विशाल परिदृश्य में, एक छात्र के मस्तिष्क को समझने के तरीके में एक शांत क्रांति हो रही है। वर्षों से, शिक्षक और कंप्यूटर वैज्ञानिक 'कॉग्निटिव डायग्नोसिस' (संज्ञानात्मक निदान) नामक प्रक्रिया पर भरोसा करते रहे हैं। इसे एक डिजिटल एक्स-रे के रूप में सोचें जो एक साधारण टेस्ट स्कोर से परे जाकर यह देखता है कि छात्र ने वास्तव में किन विशिष्ट विचारों में महारत हासिल कर ली है और कौन से विचार अभी भी अस्पष्ट हैं। अभ्यास प्रश्नों के हजारों उत्तरों का विश्लेषण करके, ये प्रणालियाँ शिक्षार्थी के ज्ञान का एक मानचित्र बनाती हैं, जिससे वे अगले आदर्श पाठ की सिफारिश कर सकती हैं या समझ में आने वाले किसी छिपे हुए अंतराल की पहचान कर सकती हैं, इससे पहले कि वह विफलता में बदल जाए।
हालाँकि, मानवीय सीखना शायद ही कभी पूरी तरह से तार्किक गणना होता है। एक छात्र का प्रदर्शन अक्सर उन चीजों से प्रभावित होता है जिनका उनके विषय के वास्तविक ज्ञान से कोई लेना-देना नहीं होता। वे थके हुए, निराश, ऊब चुके, या बस एक बुरा दिन बिता रहे हो सकते हैं। इन भावनात्मक अवस्थाओं को, जिन्हें 'अफेक्टिव स्टेट्स' (भावात्मक अवस्थाएं) कहा जाता है, के कारण छात्र सही उत्तर का अनुमान लगा सकता है जब उसे उत्तर नहीं पता होता, या वह उस समस्या में गलती कर सकता है जिसे वह आमतौर पर आसानी से हल करता है। इसे संबोधित करने के लिए, शोधकर्ताओं ने "अफेक्टिव कॉग्निटिव डायग्नोसिस" मॉडल बनाना शुरू किया। ये उन्नत प्रणालियाँ छात्र के ज्ञान के साथ-साथ उसकी भावनात्मक स्थिति को ट्रैक करने का प्रयास करती हैं, इस उम्मीद में कि वे यह समझा सकें कि एक छात्र समान सामग्री जानने के बावजूद दो अलग-अलग दिनों में अलग प्रदर्शन क्यों कर सकता है।
चुनौती यह थी कि शोधकर्ताओं ने पाया कि ये भावनात्मक ट्रैकर अनजाने में उन चीजों का श्रेय ले रहे थे जो भावनाएं थीं ही नहीं। शानक्सी नॉर्मल यूनिवर्सिटी के शोधकर्ताओं द्वारा की गई उनकी नई स्टडी में, जो अक्टूबर 2026 में प्रकाशित हुई है, बोयुआन झाओ और मेंग ये ने खुलासा किया कि इन प्रणालियों के निर्माण में एक सूक्ष्म दोष था। उन्होंने पाया कि जब एक कंप्यूटर मॉडल छात्र की भावनाओं का अनुमान लगाने की कोशिश करता है, तो वह अक्सर डेटा में स्थिर, गैर-भावनात्मक पैटर्न को पकड़ लेता है—जैसे कि किसी विशेष छात्र का किसी विशेष प्रकार के प्रश्न के साथ निरंतर संघर्ष या कोई विशेष समस्या जो उसके रचनाकारों के इरादे से थोड़ी कठिन है। मॉडल इन स्थिर संज्ञानात्मक विचित्रताओं को भावनात्मक अस्थिरता समझ लेता है, जिसे लेखक "अफेक्ट कंटैमिनेशन" (भावनात्मक संदूषण) कहते हैं। यह हवा की गति मापने के लिए झंडे को देखने जैसा है, लेकिन यह ध्यान देने में विफल रहना कि झंडा खुद झुक रहा है, जिससे हवा वास्तव में जितनी है उससे अधिक मजबूत दिखाई देती है।
इसे हल करने के लिए, शोधकर्ताओं ने एक नया ढांचा विकसित किया जिसे वे ARACD कहते हैं, जिसका अर्थ है 'एबिलिटी-रेसिड्यूअल डिकपल्ड मॉडलिंग' (क्षमता-अवशिष्ट पृथक्करण मॉडलिंग)। मूल विचार यह है कि कंप्यूटर के छात्र की भावनाओं का अनुमान लगाने से पहले सीखने की प्रक्रिया के "शोर" को दो अलग-अलग श्रेणियों में विभाजित करना। सबसे पहले, सिस्टम उन स्थिर, गैर-भावनात्मक कारणों की पहचान करता है और उन्हें अलग करता है जिनके कारण छात्र किसी उत्तर को सही या गलत देता है। इसमें छात्र की सामान्य आधारभूत क्षमता, प्रश्न की विशिष्ट कठिनाई, या छात्र की सीखने की शैली और किसी विशेष प्रश्न की शब्दावली के बीच का अनूठा बेमेल शामिल है। मॉडल इन पूर्वानुमेय संज्ञानात्मक पूर्वाग्रहों को ध्यान में रखने के लिए एक समर्पित मार्ग बनाता है। केवल इन स्थिर कारकों को ध्यान में रखने के बाद ही सिस्टम शेष बचे संकेतों को देखता है।
इन पूर्वानुमेय संज्ञानात्मक पैटर्नों को हटाने के बाद, बचा हुआ संकेत बहुत अधिक स्पष्ट होता है। शोधकर्ताओं ने पाया कि यह बचा हुआ संकेत छात्र की वास्तविक भावनात्मक स्थिति का कहीं अधिक सटीक प्रतिबिंब होने की संभावना है, जैसे कि निराशा का अचानक उछाल या जुड़ाव का क्षण। अपने प्रयोगों में, उन्होंने इस नए दृष्टिकोण का परीक्षण चार बड़े डेटासेट पर किया जिसमें वास्तविक ऑनलाइन लर्निंग प्लेटफॉर्म से लाखों छात्र इंटरैक्शन शामिल थे। उन्होंने अपने नए तरीके की तुलना छह मौजूदा मॉडलों से की, जो क्लासिक सांख्यिकीय उपकरणों से लेकर आधुनिक न्यूरल नेटवर्क तक विस्तृत थे। परिणाम सुसंगत थे: नए ढांचे ने सभी स्तरों पर एक प्रश्न को सही या गलत होने की भविष्यवाणी करने की सटीकता में सुधार किया।
शायद इससे भी महत्वपूर्ण बात यह है कि अध्ययन ने दिखाया कि नया तरीका वास्तव में भावनात्मक ट्रैकिंग को अधिक सटीक बनाता है। जब शोधकर्ताओं ने यह जांचा कि मॉडल का छात्र की भावनाओं का अनुमान वास्तविक लेबल (जहाँ उपलब्ध हो) के साथ कितनी अच्छी तरह मेल खाता है, तो नया सिस्टम पुराने वाले से बेहतर प्रदर्शन करता है। यह सुझाव देता है कि "संज्ञानात्मक क्लटर" (संज्ञानात्मक शोर) को हटाकर, मॉडल छात्र की निरंतर कठिनाई को अस्थायी भावनात्मक गिरावट के रूप में समझने की गलती नहीं करता है। शोधकर्ताओं ने विशेष परीक्षण भी किए यह देखने के लिए कि क्या मॉडल अभी भी भावनाओं का अनुमान लगाने के लिए गुप्त रूप से संज्ञानात्मक जानकारी का उपयोग कर रहा है। उन्होंने पाया कि नए सिस्टम में, भावनात्मक अनुमान के संज्ञानात्मक पूर्वाग्रहों से प्रभावित होने की संभावना बहुत कम थी, जिससे पुष्टि हुई कि पृथक्करण सफल रहा।
अध्ययन ने यह भी देखा कि यह सिस्टम उन छात्रों के लिए कैसा प्रदर्शन करता है जो प्लेटफॉर्म के साथ बहुत कम बातचीत करते हैं। ये "लॉन्ग-टेल" छात्र निदान के लिए अत्यंत कठिन होते हैं क्योंकि उनके बारे में डेटा बहुत कम होता है। नया ढांचा यहाँ विशेष रूप से सहायक सिद्ध हुआ, जिसने विरल सूचना के बावजूद उनके प्रदर्शन की भविष्यवाणी करने और उनकी स्थिति को समझने की क्षमता में सुधार किया। एक एकल छात्र की यात्रा के विस्तृत विवरण में, शोधकर्ताओं ने दिखाया कि कैसे नया मॉडल पुराने मॉडल द्वारा की गई भविष्यवाणी त्रुटियों को ठीक कर सकता है, जो छात्र की सामान्य भावनात्मक स्थिति के बजाय छात्र के विशिष्ट इतिहास के आधार पर अपनी अपेक्षाओं को समायोजित करता है।
यह कार्य बताता है कि छात्र को वास्तव में समझने के लिए, हमें कंप्यूटर को सीखने की वक्र (लर्निंग कर्व) को भावनात्मक वक्र समझने से रोकने के लिए सावधान रहना चाहिए। छात्र के प्रदर्शन के स्थिर, पूर्वानुमेय हिस्सों को पहचानने और उन्हें अलग रखने के लिए मॉडल को स्पष्ट रूप से सिखाकर, सिस्टम अंततः सीखने के गतिशील, मानवीय तत्व पर ध्यान केंद्रित कर सकता है। शोधकर्ता निष्कर्ष निकालते हैं कि एफेक्टिव कॉग्निटिक डायग्नोसिस के विश्वसनीय होने के लिए, इसे सीखने की क्षमता को महसूस करने की अवस्था से अलग करना होगा। उनका नया ढांचा इसे करने का एक संरचित तरीका प्रदान करता है, जो डिजिटल युग में शिक्षार्थियों के मस्तिष्क में झांकने के लिए एक स्पष्ट और अधिक विश्वसनीय खिड़की प्रदान करता है।
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।