ట్యూటరింగ్ వ్యూహాలను పరీక్షించడానికి చవకైన మార్గం
అడాప్టివ్ AI ట్యూటర్లు వాటిని నిర్మించడానికి ఉపయోగించే ఫీడ్బ్యాక్ స్థాయిని బట్టే ఉపయోగకరంగా ఉంటాయి. ఏ వివరణ కష్టపడుతున్న అభ్యాసకుడిని గట్టెక్కిస్తుంది, ఏది అతన్ని ఇబ్బందిలో ఉంచుతుంది అనేది పరిశోధకులు గమనించగలిగినప్పుడు ట్యూటర్ మెరుగుపడుతుంది. సాధారణంగా ఆ లూప్కు నిజమైన వ్యక్తులు అవసరం: సమస్యలను పరిష్కరించే, తప్పులు చేసే, సూచనలు స్వీకరించే, ఆపై తమను తాము సరిదిద్దుకునే లేదా మళ్లీ విఫలమయ్యే విద్యార్థులు. అటువంటి లూప్ను పెద్ద ఎత్తున నడపడం ఖరీదైనది, మరియు StudentSim వెనుక ఉన్న పరిశోధకులు ఈ వ్యయమే ట్యూటరింగ్ వ్యవస్థలను వెనక్కి లాగుతున్న ప్రధాన అడ్డంకిగా మారిందని వాదిస్తున్నారు.
వారి సమాధానం అభ్యాసకులను అనుకరించడం. మైక్రోసాఫ్ట్ మరియు ఇల్లినాయిస్ విశ్వవిద్యాలయం మధ్య సహకారంతో రూపొందిన StudentSim, ఒక అధ్యయనంలోని ప్రతి విద్యార్థికి ప్రత్యేకమైన డిజిటల్ ప్రతిరూపాన్ని నిర్మిస్తుంది, ఆపై ట్యూటర్ను సర్దుబాటు చేస్తున్నప్పుడు ఆ ప్రతిరూపాలు నిజమైన వాటి స్థానంలో నిలబడతాయి. ప్రతిరూపాలు తక్షణమే స్పందిస్తాయి మరియు వాటిని నడపడానికి దాదాపు ఖర్చు ఉండదు కాబట్టి, తరగతి గది అధ్యయనం ఎప్పటికీ అనుమతించని అనేక ట్యూటరింగ్ వ్యూహాలను పరిశోధకులు పరీక్షించగలరు. ప్రస్తుతం ఆధారపడుతున్న నెమ్మదైన, ఖరీదైన ఛానెల్కు బదులుగా AI ట్యూటర్లకు వేగవంతమైన, తక్కువ ఖర్చుతో కూడిన ఫీడ్బ్యాక్ ఛానెల్ను అందించడమే లక్ష్యమని పత్రం రచయితలు వివరిస్తున్నారు.
ఎప్పుడూ కలపని రెండు నైపుణ్యాలు
విద్యార్థులను మోడలింగ్ చేసే మునుపటి ప్రయత్నాలు సగం సమస్యను మాత్రమే పరిష్కరించాయని పరిశోధకులు వాదిస్తున్నారు. వారి విశ్లేషణ ప్రకారం, ఇప్పటికే ఉన్న వ్యవస్థలు రెండు వర్గాలలో ఒకదానిలో పడతాయి, మరియు ప్రతి వర్గంలో ఏదో ఒక ముఖ్యమైన అంశం లోపిస్తోంది.
- ప్రవర్తనా ప్రతిరూపాలు: ఈ మోడళ్లు నిజమైన విద్యార్థి డేటాపై శిక్షణ పొందుతాయి మరియు ఒక నిర్దిష్ట అభ్యాసకుడి సమాధానాలను, ఆ అభ్యాసకుడు సాధారణంగా చేసే తప్పులతో సహా, సహేతుకమైన ఖచ్చితత్వంతో పునరుత్పత్తి చేస్తాయి. వారు చేయలేనిది ట్యూటర్ వివరణకు స్పందించడం.
- ప్రాంప్ట్ చేసిన భాషా నమూనాలు: ఇవి విద్యార్థిలా ప్రవర్తించమని సూచించబడిన సాధారణ ప్రయోజన మోడళ్లు. అవి సూచనలను సంతోషంగా అనుసరిస్తాయి మరియు సూచన మేరకు సమాధానాలను సవరిస్తాయి, కానీ అవి ప్రాతినిధ్యం వహించాల్సిన అభ్యాసకుడిని నిజంగా పోలవు.
ఒక AI ట్యూటర్కు ఒకే సమయంలో రెండు లక్షణాలు అవసరం. దానికి వాస్తవిక ప్రారంభ స్థానం కావాలి, అంటే నిజమైన విద్యార్థి అదే కారణాల వల్ల అదే సమస్యలను తప్పుగా చేసే ప్రతిరూపం. సహాయం అందినప్పుడు ఆ ప్రతిరూపం తన అభిప్రాయాన్ని మార్చుకోవాలి కూడా. ఎప్పుడూ మెరుగుపడని విద్యార్థి ఒక సూచన పనిచేసిందో లేదో చూపలేడు, మరియు తప్పు కారణాల వల్ల మెరుగుపడే విద్యార్థి తప్పుదారి పట్టించే సాక్ష్యాలను ఉత్పత్తి చేస్తాడు.
రెండు లక్షణాలను కొలవగల లక్ష్యాలుగా మార్చడం
StudentSim ప్రతి లక్షణాన్ని అస్పష్టమైన ఆశయంగా కాకుండా ఆప్టిమైజ్ చేయవలసిన స్కోర్గా పరిగణిస్తుంది. ఒక కొలమానం ప్రతిరూపం యొక్క సమాధానాలు నిజమైన విద్యార్థి సమాధానాలతో, తప్పులతో సహా, ఎంత దగ్గరగా సరిపోతాయో సంగ్రహిస్తుంది. రెండవ కొలమానం ట్యూటర్ జోక్యం తర్వాత ప్రతిరూపం సమాధానాన్ని ఎంత సిద్ధంగా సవరిస్తుందో సంగ్రహిస్తుంది. కలిసి, ఈ రెండు కొలమానాలు ట్యూటర్ శిక్షణకు అనుకరణ విద్యార్థి ఉపయోగకరంగా ఉండటం అంటే ఏమిటో నిర్వచిస్తాయి, సంభాషణలో నమ్మదగినదిగా కనిపించడం మాత్రమే కాదు.
అడ్డంకి: ప్రతి విద్యార్థికి దాదాపు డేటా లేకపోవడం
బృందం ఎదుర్కొన్న అత్యంత కఠినమైన పరిమితి కొరత. వారి ఆంగ్ల రచన డేటాసెట్ ఈ సమస్యను స్పష్టంగా వివరిస్తుంది: మధ్యస్థ విద్యార్థి కేవలం మూడు వ్యాసాలు మాత్రమే రాశాడు, మరియు మూడింట రెండు వంతుల కంటే ఎక్కువ మంది విద్యార్థులు ఐదు లేదా అంతకంటే తక్కువ రాశారు. అంత చిన్న నమూనాకు నేరుగా ప్రతిరూపాన్ని సరిపోయేలా చేయడం పనిచేయదు. అంత తక్కువ ఉదాహరణలతో, మోడల్ రచయిత గురించి సాధారణంగా ఏదైనా నేర్చుకోవడానికి బదులుగా తన ముందున్న నిర్దిష్ట వ్యాసాలను గుర్తుపెట్టుకుంటుంది, ఈ వైఫల్య పద్ధతిని పరిశోధకులు ఓవర్ఫిట్టింగ్ అని అభివర్ణిస్తారు.
అది ఒక సందిగ్ధతను మిగులుస్తుంది. ఒక విద్యార్థి యొక్క కొన్ని సమర్పణలపై శిక్షణ పొందిన మోడల్ నమ్మడానికి చాలా పెళుసుగా ఉంటుంది, అయితే నమ్మదగిన ప్రతిరూపాన్ని శిక్షణ ఇవ్వడానికి ప్రతి వ్యక్తి నుండి తగినంత పనిని సేకరించడం అంటే ఈ వ్యవస్థ అవసరం లేకుండా నివారించడానికి రూపొందించిన డేటానే సేకరించడం. మరో మాటలో చెప్పాలంటే, కొరత సమస్యను ఎక్కువ విద్యార్థి సమర్పణలు అడగడం ద్వారా మాత్రమే పరిష్కరించలేము.
రెండు దశల శిక్షణ పరిమిత డేటాను మరింత విస్తరిస్తుంది
మొదటి దశ: విద్యార్థులు పంచుకునేది నేర్చుకోవడం
మొదటి దశ సమగ్రీకరణ ద్వారా కొరతను దాటవేస్తుంది. ఒక బేస్ మోడల్ ఒక సబ్జెక్ట్లోని ప్రతి విద్యార్థి యొక్క మిళిత పనిపై శిక్షణ పొందుతుంది, సమూహం అంతటా ఉండే నమూనాలను నేర్చుకుంటుంది: అభ్యాసకులు సాధారణంగా చేసే తప్పులు, మరియు ట్యూటర్ సూచన ఇచ్చిన తర్వాత వారు తమ సమాధానాలను సవరించే విధానాలు. ఈ దశ ఆ డొమైన్లో అభ్యాసం ఎలా ఉంటుంది అనే సాధారణ జ్ఞానాన్ని అందిస్తుంది.
రెండవ దశ: వ్యక్తికి అనుగుణంగా మారడం
రెండవ దశ వ్యక్తిగతీకరిస్తుంది. సమగ్ర బేస్ నుండి ప్రారంభించి, ఆ వ్యక్తి వదిలివేసిన కొన్ని రికార్డులను ఉపయోగించి, ఉదాహరణకు మూడు వ్యాసాలు, వ్యవస్థ ఒకే విద్యార్థికి అనుగుణంగా మారుతుంది. మోడల్ ఇప్పటికే సబ్జెక్ట్ను విస్తృతంగా అర్థం చేసుకుంటుంది కాబట్టి, వ్యక్తిగత డేటా దానిని మొదటి నుండి ప్రతిదీ నేర్పడానికి బదులుగా ఒక నిర్దిష్ట అభ్యాసకుడి ధోరణుల వైపు నెట్టడం మాత్రమే చేయాలి.
ఫలితం ఏమిటంటే, డేటాసెట్లోని దాదాపు ప్రతి విద్యార్థికి నిర్మించగల ప్రతిరూపం, స్వంతంగా మోడల్ను శిక్షణ ఇవ్వడానికి తగినంత పనిని సమర్పించిన ఉత్పాదకులకు మాత్రమే కాదు. మూల్యాంకన అధ్యయనాలకు, అది చాలా ముఖ్యం. తరగతిలో అత్యంత క్రియాశీల మూడో వంతును మాత్రమే మోడల్ చేసే వ్యవస్థ, అభ్యాసకుల పూర్తి శ్రేణిలో ట్యూటర్ ఎలా పనిచేస్తుందో వక్రీకృత చిత్రాన్ని ఇస్తుంది.
చెస్ మరియు రచన అంతటా పరీక్షించడం
చెస్ మరియు ఆంగ్ల రచనతో సహా బహుళ సబ్జెక్టులలో 60 మంది విద్యార్థులపై పరిశోధకులు ఈ విధానాన్ని ధృవీకరించారు. ఈ రెండు డొమైన్లు వ్యవస్థను వేర్వేరుగా ఒత్తిడి చేస్తాయి. చెస్ ఎత్తుగడల వారీగా రికార్డులను, స్పష్టమైన సరైన మరియు తప్పు సమాధానాలతో అందిస్తుంది, రచన వాదన, నిర్మాణం మరియు సవరణ గురించి నిర్ణయం అవసరం. ఆ సెట్టింగ్లలో, ప్రతిరూపాలు విద్యార్థి యొక్క సాధారణ తప్పులను అనుకరించగలవు మరియు ఆ విద్యార్థి స్పందించే విధంగానే మార్గదర్శకత్వానికి స్పందించగలవు అని చూపడం లక్ష్యం.
శిక్షణ లూప్కు రెండు అవసరాలు అత్యవసరం. ఒక ప్రతిరూపం తప్పులను నిజాయితీగా పునరుత్పత్తి చేస్తుంది కానీ సూచనలను విస్మరిస్తే, దాని వివరణలు సహాయపడ్డాయో లేదో ట్యూటర్కు ఎటువంటి సంకేతం అందదు. అది ప్రతి సూచనకు ఉత్సాహంగా స్పందిస్తుంది కానీ వాస్తవ అభ్యాసకుడిని ఎప్పుడూ పోలదు అయితే, ఫలిత కొలతలు అమలు చేయబడిన ట్యూటర్ చివరికి కలిసే విద్యార్థుల గురించి ఏమీ చెప్పవు.
ఒక పరిశోధన పత్రానికి మించి ఇది ఎందుకు ముఖ్యం
ప్రతి అభ్యాసకుడి బలహీనతలకు అనుగుణంగా బోధన అనే వాగ్దానంపై AI ట్యూటరింగ్ భారీ పెట్టుబడిని ఆకర్షించింది, కానీ వ్యక్తిగతీకరణ ఎవరికి ఏది పనిచేస్తుంది అనే సాక్ష్యంపై ఆధారపడి ఉంటుంది. విద్యార్థులను నియమించే ఖర్చు వల్ల సాక్ష్యాల పైప్లైన్ అడ్డుపడితే, పురోగతి బడ్జెట్ ద్వారా కేటాయించబడుతుంది. పెద్ద భాషా నమూనాల వేగంగా అభివృద్ధి చెందుతున్న సామర్థ్యాలకు మరియు వాటిపై నిర్మించిన నెమ్మదిగా కదిలే ట్యూటరింగ్ వ్యవస్థలకు మధ్య ఉన్న అంతరాన్ని పూరించడానికి అనుకరణ విద్యార్థులు ఒక మార్గాన్ని అందిస్తారు.
- ప్రతిరూపాలు వారాల కంటే సెకన్లలో ఫీడ్బ్యాక్ ఉత్పత్తి చేస్తాయి కాబట్టి, ట్యూటరింగ్ వ్యూహాలను చాలా వేగంగా పోల్చవచ్చు.
- నిజమైన అభ్యాసకులతో లూప్లో అసాధ్యమైనవి లేదా నైతికంగా సమస్యాత్మకమైనవి అయ్యే ప్రయోగాలను పరిశోధకులు నిర్వహించగలరు.
- అసాధారణ తప్పుల నమూనాలు ఉన్నవారు లేదా చాలా తక్కువ నమోదిత పని ఉన్నవారితో సహా అసాధారణ విద్యార్థులు అదృశ్యం కాకుండా పరీక్షించదగినవారు అవుతారు.
- అత్యధిక పనిని సమర్పించే కొద్దిమంది విద్యార్థులకు బదులుగా మూల్యాంకనం మొత్తం తరగతి గదిని కవర్ చేయగలదు.
ఈ రూపకల్పనలో అంతర్లీనంగా పరిమితులు ఉన్నాయి. ప్రతిరూపాలు సమగ్ర డేటాలో ఉన్న లోపాలు మరియు పక్షపాతాలను వారసత్వంగా పొందుతాయి, మరియు అనుకరణ అభ్యాసకుడు దానిని రూపొందించడానికి ఉపయోగించిన రికార్డుల స్థాయిలో మాత్రమే నమ్మదగినవాడు. మూడు వ్యాసాల ద్వారా ప్రాతినిధ్యం వహించే విద్యార్థి, మోడల్ ఎంత తెలివిగా అనుగుణంగా మారినా, ఇప్పటికీ మూడు వ్యాసాల ద్వారా ప్రాతినిధ్యం వహించబడతాడు.
పత్రం యొక్క స్వంత చట్రం రంగానికి తదుపరి ప్రశ్నను సూచిస్తుంది: అనుకరణ విద్యార్థులతో కొలిచిన మెరుగుదలలు ఆ విద్యార్థులు ప్రాతినిధ్యం వహించాల్సిన తరగతి గదులకు కూడా వర్తిస్తాయని నిరూపించడం. ఆ బదిలీ ప్రదర్శించబడే వరకు, StudentSim ను మెరుగైన ట్యూటరింగ్ కోసం అన్వేషణను వేగవంతం చేసే మార్గంగా అర్థం చేసుకోవడం ఉత్తమం, అది అనుకరించే అభ్యాసకులకు ప్రత్యామ్నాయంగా కాదు.
ఈ వ్యాసం The Decoder యొక్క రిపోర్టింగ్ ఆధారంగా రూపొందించబడింది. అసలు వ్యాసాన్ని చదవండి.
Originally published on the-decoder.com
