Predicting Student Academic Success with Machine Learning: An Early-Warning Study for AI-Driven Personalized Learning
यह अध्ययन प्रदर्शित करता है कि जबकि केवल जनसांख्यिकीय और व्यवहार संबंधी विशेषताओं पर निर्भर मशीन लर्निंग मॉडल छात्र की शैक्षणिक सफलता की भविष्यवाणी करने में बहुमत-वर्ग आधार रेखा (majority-class baseline) से बेहतर प्रदर्शन करने में विफल रहते हैं, पूर्व ग्रेडों को शामिल करने से भविष्य कहने वाली सटीकता में उल्लेखनीय वृद्धि होती है, जो प्रभावी एआई-संचालित व्यक्तिगत शिक्षण प्रणालियों के लिए ऐतिहासिक प्रदर्शन डेटा की महत्वपूर्ण भूमिका को रेखांकित करता 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
आधुनिक कक्षा में, व्यक्तिगत शिक्षण (पर्सनलाइज्ड लर्निंग) का आदर्श लंबे समय से एक लक्ष्य रहा है: एक ऐसी प्रणाली जो यह पहचान सके कि छात्र संघर्ष कर रहा है और मदद प्रदान करे, इससे पहले कि वह अंतर इतना बढ़ जाए जिसे भरा न जा सके। दशकों से, शिक्षक इन चेतावनी संकेतों को पहचानने के लिए अंतर्ज्ञान और अवलोकन पर भरोसा करते आए हैं, लेकिन जैसे-जैसे स्कूल शिक्षा के प्रबंधन के लिए कृत्रिम बुद्धिमत्ता (एआई) की ओर अधिक मुड़ रहे हैं, एक नया प्रश्न उभर कर आया है। क्या एक कंप्यूटर प्रोग्राम किसी छात्र की पृष्ठभूमि—उनके पारिवारिक जीवन, उनकी आदतों, उनके जनसांख्यिकीय विवरणों—को देखकर, बिना कोई परीक्षा दिए, सटीक रूप से यह अनुमान लगा सकता है कि कौन सा छात्र किसी पाठ्यक्रम में विफल होगा? यह शैक्षिक डेटा माइनिंग (एजुकेशनल डेटा माइनिंग) का क्षेत्र है, जहाँ शोधकर्ता छात्र व्यवहार में पैटर्न खोजने के लिए सांख्यिकीय उपकरणों का उपयोग करते हैं। उम्मीद यह है कि जोखिम वाले शिक्षार्थियों की जल्दी पहचान करके, स्कूल अनुकूलित सहायता के साथ हस्तक्षेप कर सकते हैं, जिससे उस "एक ही आकार सबके लिए" (वन-साइज़-फिट्स-ऑल) दृष्टिकोण से दूर जाया जा सके जहाँ हर छात्र को उनकी आवश्यकताओं की परवाह किए बिना समान निर्देश मिलते हैं। हालाँकि, ऐसे भविष्यवाणियों की विश्वसनीयता पूरी तरह से इस बात पर निर्भर करती है कि कंप्यूटर को कितनी जानकारी देखने की अनुमति है।
भारत के संजीवनी विश्वविद्यालय के शोधकर्ताओं के एक हालिया अध्ययन ने इस तकनीक की सीमाओं का परीक्षण करने का निर्णय लिया। उन्होंने एक विशिष्ट, उच्च-दांव वाले प्रश्न पर ध्यान केंद्रित किया: केवल उनके व्यक्तिगत इतिहास का उपयोग करके हम छात्र की भविष्य की सफलता के बारे में वास्तव में कितना जान सकते हैं, और उनके वास्तविक स्कूली कार्य को शामिल करने के बाद वह तस्वीर कितनी बदल जाती है? उत्तर खोजने के लिए, टीम ने पुर्तगाली माध्यमिक विद्यालयों के एक प्रसिद्ध डेटा संग्रह का उपयोग किया, जिसमें 395 छात्रों की जानकारी शामिल है। इस डेटासेट में छात्रों के जीवन के विवरण शामिल थे, जैसे उनके माता-पिता के व्यवसाय और शिक्षा का स्तर, उन्होंने अध्ययन में कितना समय बिताया, और उनकी सामाजिक आदतें, साथ ही गणित में उनके ग्रेड। शोधकर्ताओं ने इस समस्या को एक बाइनरी चुनौती के रूप में माना: क्या एक मशीन लर्निंग मॉडल सही ढंग से अनुमान लगा सकता है कि क्या कोई छात्र अपनी अंतिम परीक्षा उत्तीर्ण करेगा, जिसे बीस में से दस या उससे अधिक अंक प्राप्त करने के रूप में परिभाषित किया गया है।
टीम ने अपने मॉडलों का परीक्षण करने के लिए दो अलग-अलग परिदृश्य तैयार किए, जो स्कूल के वर्ष के उन विभिन्न समयों का अनुकरण करते हैं जब कोई भविष्यवाणी की जा सकती है। पहले परिदृश्य में, जो सत्र के बिल्कुल प्रारंभ में एक "प्रारंभिक चेतावनी" (अर्ली वार्निंग) प्रणाली का प्रतिनिधित्व करता है, कंप्यूटर को केवल पृष्ठभूमि की जानकारी दी गई थी। इसने छात्रों की आयु, उनके पारिवारिक ढांचे और उनकी स्व-रिपोर्ट की गई आदतों को देखा, लेकिन यह किसी भी शैक्षणिक प्रदर्शन के प्रति अंधा था। शोधकर्ताओं ने इस परीक्षण को कई अलग-अलग गणितीय दृष्टिकोणों का उपयोग करके चलाया, जिनमें जटिल पैटर्न खोजने वाले तरीके और सरल सांख्यिकीय संबंधों पर आधारित अन्य तरीके शामिल थे। परिणाम निराशाजनक थे। जब मॉडलों को केवल इस आधार पर अनुमान लगाने के लिए मजबूर किया गया कि छात्र कौन हैं और वे कैसे रहते हैं, तो वे एक साधारण अनुमान से बेहतर प्रदर्शन नहीं कर सके कि सभी पास हो जाएंगे। वास्तव में, सबसे परिष्कृत मॉडल भी केवल यह मान लेने की आधारभूत सटीकता (बेसलाइन एक्यूरेसी) को नहीं हरा सके कि प्रत्येक छात्र सफल होगा। कंप्यूटर व्यक्तिगत डेटा के आधार पर संघर्ष कर रहे छात्रों को सफल छात्रों से अलग नहीं कर सका; संकेत बहुत कमजोर था।
इसके बाद शोधकर्ताओं ने दूसरे परिदृश्य की ओर रुख किया, जो एक "मिड-टर्म" चेक-इन का प्रतिनिधित्व करता है जहाँ छात्रों ने पाठ्यक्रम की पहली दो अवधियों को पूरा कर लिया है। इस संस्करण में, मॉडलों को उन ग्रेड देखने की अनुमति दी गई जो छात्रों ने पहले ही अर्जित कर लिए थे। प्रदर्शन में अंतर तत्काल और नाटकीय था। इन शुरुआती ग्रेड तक पहुँच के साथ, मॉडल अचानक अत्यधिक सटीक हो गए। एक विशिष्ट दृष्टिकोण, जिसे 'ग्रेडिएंट बूस्टिंग' कहा जाता है, जो कई सरल निर्णय नियमों को एक शक्तिशाली भविष्यवक्ता में जोड़कर काम करता है, ने टेस्ट डेटा पर लगभग नब्बे प्रतिशत की सफलता दर हासिल की। इसने लगभग उन सभी छात्रों की सही पहचान की जो पास होने वाले थे और उन अधिकांश छात्रों को पकड़ लिया जो विफल होने वाले थे। अध्ययन से पता चला कि इस भविष्यवाणी को करने वाला सबसे महत्वपूर्ण कारक छात्र की पारिवारिक पृष्ठभूमि या उनका सामाजिक जीवन नहीं था, बल्कि केवल पाठ्यक्रम की दूसरी अवधि का उनका ग्रेड था। इस एकल शैक्षणिक डेटा का भार अन्य सभी पृष्ठभूमि विवरणों के संयुक्त भार से अधिक था।
भविष्य के एआई-संचालित शिक्षण प्रणालियों के डिजाइन के लिए इन निष्कर्षों के निहितार्थ स्पष्ट हैं। अध्ययन दर्शाता है कि जबकि कृत्रिम बुद्धिमत्ता शक्तिशाली है, यह मन नहीं पढ़ सकती या छात्र की जीवनी से भविष्य की भविष्यवाणी नहीं कर सकती। यह विचार कि एक सिस्टम बच्चे के स्कूल के दरवाजे में कदम रखते ही केवल उसके जनसांख्यिकीय प्रोफाइल के आधार पर उसे "जोखिम में" चिह्नित कर सकता है, डेटा द्वारा समर्थित नहीं लगता है। इसके बजाय, सबसे प्रभावी प्रारंभिक चेतावनी प्रणालियों को वास्तविक शैक्षणिक प्रदर्शन की नींव पर बनाया जाना चाहिए। कंप्यूटर को यह बताने के लिए कि छात्र कैसे समाप्त करेंगे, यह देखना होगा कि छात्र कक्षा में कैसा प्रदर्शन कर रहे हैं। इसका मतलब यह नहीं है कि पृष्ठभूमि की जानकारी बेकार है, लेकिन इसका मतलब यह भी है कि यह छात्र के काम के ठोस प्रमाण का विकल्प नहीं है। जो स्कूल व्यक्तिगत शिक्षण के लिए तकनीक का उपयोग करने की आशा रखते हैं, उनके लिए आगे का मार्ग यह नहीं है कि वे इस बात पर निर्भर रहें कि छात्र कौन है, बल्कि यह है कि वे निरंतर निगरानी करें कि छात्र क्या हासिल कर रहा है, और आवश्यकता पड़ने पर सहायता को सक्रिय करने के लिए उन वास्तविक समय के परिणामों का उपयोग करें।
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।