Tracing intermittent knowledge states based on knowledge-context-aware augmentation of Q-matrices
यह शोध पत्र एक नॉलेज ट्रेसिंग मॉडल प्रस्तावित करता है जो छात्रों की रुक-रुक कर बदलने वाली ज्ञान अवस्थाओं (जो अल्पकालिक स्थिरता और दीर्घकालिक परिवर्तनशीलता प्रदर्शित करती हैं) को प्रभावी ढंग से ट्रेस करने के लिए नॉलेज-कॉन्टेक्स्ट-अवेयर Q-मैट्रिक्स ऑग्मेंटेशन और ज्ञान अवधारणाओं के टोपोलॉजिकल सॉर्टिंग का उपयोग करता है, जिसे कई डेटासेट्स पर प्रयोगों के माध्यम से मान्य किया गया 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
कल्पना कीजिए कि आप किसी छात्र की एक जटिल विषय, जैसे कि गणित, सीखने की प्रगति को ट्रैक करने की कोशिश कर रहे हैं। "नॉलेज ट्रेसिंग" (ज्ञान का पता लगाना) की दुनिया में, वैज्ञानिक जासूसों की तरह काम करते हैं, जो यह पता लगाने की कोशिश करते हैं कि किसी दिए गए समय पर छात्र वास्तव में क्या जानता है और क्या नहीं। वे ऐसा छात्रों द्वारा पूछे गए प्रश्नों के उत्तर देने के तरीके को देखकर करते हैं। पारंपरिक रूप से, कई कंप्यूटर मॉडल यह मान लेते थे कि छात्र का ज्ञान एक डगमगाते हुए रस्सी पर चलने वाले कलाकार (tightrope walker) की तरह है: जो हर एक प्रश्न के साथ लगातार डगमगाता, बदलता और बुरी तरह से उतार-चढ़ाव करता रहता है। यदि कोई छात्र एक प्रश्न सही हल करता है, तो उनका "ज्ञान स्तर" ऊपर बढ़ जाता है; यदि वे एक गलत करते हैं, तो यह नीचे गिर जाता है।
हालाँकि, वास्तविक जीवन इतना अराजक नहीं होता। सीखना एक घर बनाने जैसा है, इसकी कल्पना करें। आप एक सप्ताह ईंटें बिछाने (सीखने) में बिता सकते हैं; फिर एक सप्ताहांत का ब्रेक ले सकते हैं (थोड़ा भूलने के लिए); लेकिन जब आप सोमवार को वापस आते हैं, तो पिछले सप्ताह बनाई गई नींव अभी भी काफी हद तक वहीं होती है। वह केवल इसलिए गायब नहीं हो जाती क्योंकि आपने एक ब्रेक लिया था। अधिकांश मौजूदा कंप्यूटर मॉडल सीखने की इस "रुक-रुक कर होने वाली" (intermittent) प्रकृति को समझने में चूक जाते हैं—यह विचार कि ज्ञान एक परीक्षण के दौरान स्थिर रहता है, लेकिन विभिन्न परीक्षण अवधियों के बीच महत्वपूर्ण रूप से बदल सकता है। यह शोध पत्र, जिसका शीर्षक "Q-मैट्रिक्स के नॉलेज-कॉन्टेक्स्ट-अवेयर ऑगमेंटेशन के आधार पर इंटरमिटेंट नॉलेज स्टेट्स को ट्रेस करना" है, एक स्मार्ट जासूस बनाने का लक्ष्य रखता है जो इस लय को समझ सके। यह एक नया मॉडल पेश करता है जिसे INKT कहा जाता है, जो न केवल छात्र को देखता है; बल्कि यह ज्ञान के मानचित्र को और यह भी समझता है कि छात्र समय के साथ कैसे सीखते और भूलते हैं।
मानचित्र और लापता हिस्से
शोधकर्ताओं द्वारा उपयोग किए गए उपकरणों को समझने के लिए, हमें पहले उनके समाधान को देखना होगा। कल्पना कीजिए कि एक शहर का एक विशाल मानचित्र है जहाँ हर सड़क एक "ज्ञान अवधारणा" (जैसे बीजगणित या ज्यामिति) का प्रतिनिधित्व करती है और हर इमारत एक "परीक्षण प्रश्न" है। इस शहर में, कुछ सड़कें सीधे दूसरी सड़कों की ओर ले जाती हैं; आप हाईवे पर जाने के लिए पहले ऑन-रैंप लेने के बिना सीधे नहीं जा सकते। इस मानचित्र को Q-मैट्रिक्स कहा जाता है। यह एक सूची है जो कंप्यूटर को बताती है कि किन प्रश्नों को हल करने के लिए किन अवधारणाओं की आवश्यकता होती है।
समस्या यह है कि मानव विशेषज्ञों द्वारा प्रदान किए गए मानचित्र अक्सर अधूरे होते हैं। वे केवल स्पष्ट संबंधों को दिखाते हैं। उदाहरण के लिए, एक मानचित्र कह सकता है, "इस कैलकुलस की समस्या को हल करने के लिए, आपको डेरिवेटिव्स (derivatives) जानने की आवश्यकता है।" लेकिन यह बताना भूल जाता है कि डेरिवेटिव्स जानने के लिए, आपको 'लिमिट्स' (limits) भी जानने की आवश्यकता है, और लिमिट्स जानने के लिए, आपको 'फंक्शन्स' (functions) की आवश्यकता है। कंप्यूटर, अधूरे मानचित्र को देखते हुए, यह सोचता है कि छात्र को केवल डेरिवेटिव्स की आवश्यकता है। यदि छात्र कैलकुलस की समस्या गलत करता है, तो कंप्यूटर कैलकुलस के कौशल को दोष देता है, यह तथ्य भूल जाता है कि छात्र वास्तव में लिमिट्स को संभालने का तरीका भूल गया था।
इस शोध पत्र के लेखकों ने महसूस किया कि मानचित्र को ठीक करने के लिए, उन्हें शहर की "टोपोलॉजी" (topology)—यानी कनेक्शनों के आकार—को देखने की आवश्यकता थी। उन्होंने Q-मैट्रिक्स को "ऑगमेंट" (या अपग्रेड) करने का एक तरीका प्रस्तावित किया। केवल सीधे लिंक देखने के बजाय, उनका एल्गोरिदम ज्ञान ग्राफ के माध्यम से पूर्ण पथों का पता लगाता है। यदि अवधारणा A, अवधारणा B की ओर ले जाती है, और अवधारणा B, अवधारणा C की ओर ले जाती है, तो कंप्यूटर सीखता है कि C के लिए कार्य करने में A और B भी शामिल हैं। उन्होंने इन अवधारणाओं को एक तार्किक क्रम में व्यवस्थित करने के लिए "टोपोलॉजिकल सॉर्टिंग" नामक गणितीय विधि का उपयोग किया, जैसे किताबों को सबसे आसान से सबसे कठिन के क्रम में शेल्फ पर रखना। ऐसा करके, वे इन "छिपे हुए" कनेक्शनों को भर सके, जिससे एक विरल, अधूरे मानचित्र को एक समृद्ध, विस्तृत मार्गदर्शिका में बदल दिया गया जो दिखाता है कि सभी अवधारणाएं गुप्त रूप से एक-दूसरे से कैसे जुड़ी हुई हैं।
"इंटरमिटेंट" जासूस
एक बार जब उनके पास एक बेहतर मानचित्र आ गया, तो शोधकर्ताओं ने अपना नया जासूस मॉडल, INKT बनाया। यहाँ मुख्य विचार यह है कि ज्ञान की अवस्थाएँ "इंटरमिटेंट" (रुक-रुक कर होने वाली) होती हैं। इसका मतलब है कि एक छोटे टेस्ट (जैसे 30 मिनट की क्विज़) के दौरान, छात्र का ज्ञान अपेक्षाकृत स्थिर रहता है। वे क्विज़ के बीच में अचानक सब कुछ नहीं भूल रहे होते हैं या नया अध्याय नहीं सीख रहे होते हैं। हालाँकि, टेस्ट के बीच में—मान लीजिए एक सप्ताह के अंतराल पर—छात्र कुछ चीजें भूल सकते हैं ("भूलने की दर") या नई चीजें सीख सकते हैं ("सीखने की दर")।
अधिकांश पुराने मॉडलों ने प्रत्येक प्रश्न को एक नई घटना माना जहाँ छात्र का ज्ञान तेजी से बदल सकता है। इसके विपरीत, INKT समय की खिड़कियों (time windows) का सम्मान करता है। यह मानता है कि यदि आप आज एक टेस्ट देते हैं, तो आपका ज्ञान कल की तुलना में थोड़ा विकसित हुआ संस्करण है, जिसे इस बीच आपके सीखने या भूलने के आधार पर समायोजित किया गया है। यह आइटम रिस्पॉन्स थ्योरी (IRT) नामक एक गणितीय ढांचे का उपयोग करता है, जो एक फैंसी तरीका है यह कहने का कि यह केवल इस बात पर विचार नहीं करता कि आपने उत्तर सही दिया या नहीं, बल्कि इस पर भी विचार करता है कि प्रश्न कितना कठिन था और प्रश्न एक बुद्धिमान छात्र और अनुमान लगाने वाले छात्र के बीच अंतर करने में कितना सक्षम है।
यह मॉडल "भूलने के वक्र" (forgetting curve) को भी ध्यान में रखता है, जो मनोविज्ञान की एक अवधारणा है जो बताती है कि यदि हम जानकारी का उपयोग नहीं करते हैं, तो हम समय के साथ सूचना खो देते हैं। INKT प्रत्येक छात्र और प्रत्येक अवधारणा के लिए एक विशिष्ट "भल्लिंग की दर" (forgetting rate) और "सीखने की दर" (learning rate) की गणना करता है। फिर यह अनुमान लगाने के बजाय कि छात्र का अगला ज्ञान स्तर क्या होना चाहिए, यह इन दरों का उपयोग करता है कि अगले टेस्ट में छात्र की ज्ञान अवस्था क्या होनी चाहिए।
प्रयोगों ने क्या दिखाया
यह देखने के लिए कि उनका नया जासूस कितना अच्छा है, शोधकर्ताओं ने कई डेटासेट पर इसका परीक्षण किया। उन्होंने शेनझेन, चीन के एक वास्तविक हाई स्कूल के 69 छात्रों, 7 टेस्ट और 88 ज्ञान अवधारणाओं को शामिल करते हुए एक कस्टम डेटासेट MTest बनाया। उन्होंने तीन सार्वजनिक डेटासेट (Math1, Math2, और FrcSub) का भी उपयोग किया और एक विशाल सिम्युलेटेड डेटासेट FMTest भी बनाया ताकि यह देखा जा सके कि मॉडल बड़े समूहों के साथ कैसे काम करता है।
परिणाम काफी उत्साहजनक थे। जब उन्होंने INKT की तुलना अन्य मॉडलों से की (जिनमें से कुछ सरल थे, और कुछ अधिक जटिल थे लेकिन सीखने की "इंटरमिटेंट" प्रकृति को ध्यान में नहीं रखते थे), तो INKT ने लगातार बेहतर प्रदर्शन किया।
- MTest डेटासेट पर, INKT ने सबसे अच्छे परीक्षण परिदृश्य में लगभग 0.77 की सटीकता (ACC) प्राप्त की, जबकि अगला सबसे अच्छा मॉडल केवल लगभग 0.57 तक ही पहुँच सका।
- बड़े सिम्युलेटेड FMTest डेटासेट पर, INKT ने 0.94 की सटीकता हासिल की, जो अन्य मॉडलों (जो लगभग 0.81 के आसपास थे) से काफी बेहतर थी।
- मॉडल ने बहुत स्थिरता भी दिखाई। यहाँ तक कि जब उन्होंने छात्रों की संख्या या टेस्ट के मिश्रण को बदला, तब भी INKT विफल नहीं हुआ; इसने सटीक भविष्यवाणियाँ जारी रखीं।
शोधकर्ताओं ने "एब्लेशन" (ablation) अध्ययन भी किए, जो इंजन के पुर्जों को अलग करके यह देखने जैसा है कि कौन सा हिस्सा क्या करता है। उन्होंने पाया कि यदि वे मॉडल से "भूलने की दर" या "सीखने की दर" को हटा देते, तो प्रदर्शन काफी गिर जाता। इससे सिद्ध हुआ कि समय के साथ छात्रों के सीखने और भूलने को ट्रैक करना आवश्यक है। उन्होंने यह भी पाया कि "ऑगमेंटेड" Q-मैट्रिक्स (छिपे हुए कनेक्शनों वाला अपग्रेड किया गया मानचित्र) का उपयोग करना महत्वपूर्ण था। जब उन्होंने पुराने, अधूरे मानचित्र का उपयोग किया, तो मॉडल यह भविष्यवाणी करने में उतना अच्छा नहीं था कि कौन क्या सही करेगा।
निष्कर्ष
शोध पत्र यह निष्कर्ष निकालता है कि ज्ञान के बेहतर मानचित्र (ऑगमेंटेड Q-मैट्रिक्स) को सीखने और भूलने की लय (इंटरमिटेंट स्टेट ट्रेसिंग) का सम्मान करने वाले मॉडल के साथ जोड़कर, हम वास्तव में छात्र क्या जानते हैं, इसकी बहुत स्पष्ट तस्वीर प्राप्त कर सकते हैं। लेखक सुझाव देते हैं कि यह दृष्टिकोण उन मॉडलों की तुलना में अधिक तर्कसंगत है जो यह मानते हैं कि ज्ञान लगातार और बेतहाशा बदल रहा है।
हालाँकि, लेखक यह दावा करने में सावधान हैं कि यह एक पूर्ण, हल की गई समस्या है। वे स्वीकार करते हैं कि उनके "मानचित्र" का निर्माण अभी भी मानव विशेषज्ञों द्वारा किया गया था, जो व्यक्तिपरक हो सकता है। वे यह भी नोट करते हैं कि उनका मॉडल यह मानता है कि छात्र का वर्तमान ज्ञान केवल पिछले राज्य पर निर्भर करता है, जो अधिक जटिल "अटेंशन" (ध्यान) तंत्र की अनदेखी करता है जो काम कर रहे हो सकते हैं। वे सुझाव देते हैं कि भविष्य के कार्य में डेटा से स्वचालित रूप से इन ज्ञान मानचित्रों को उत्पन्न करना और मॉडल को और भी सटीक बनाने के लिए अधिक उन्नत अटेंशन मैकेनिज्म का उपयोग करना शामिल हो सकता है।
संक्षेप में, यह शोध पत्र छात्रों को अस्थिर रस्सी पर चलने वालों के रूप में देखने के बजाय, उन्हें ईंटें बिछाने वाले, ब्रेक लेने वाले और वापस आकर यह देखने वाले निर्माताओं के रूप में देखने का एक चतुर लेकिन कठोर तरीका प्रदान करता है कि उनकी नींव काफी हद तक बरकरार है। पाठ्यक्रम के छिपे हुए कनेक्शनों और स्मृति के स्वाभाविक उतार-चढ़ाव को समझकर, INKT मॉडल सीखने की यात्रा का एक अधिक ईमानदार और सटीक दृश्य 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।