Zelma

Zelma, GPT‑4 સંચાલિત સંશોધન સહાયક, સમગ્ર યુનાઇટેડ સ્ટેટ્સમાં માતા-પિતા, શિક્ષકો, શાળા પ્રશાસકો અને નીતિનિર્માતાઓ માટે શિક્ષણ ડેટાને સુલભ બનાવી રહ્યું છે.

તેઓ કઈ સમસ્યા ઉકેલી રહ્યા છે? યુ.એસ.માં ધોરણ 3–8 ના દરેક વિદ્યાર્થી માટે માનકીકૃત પરીક્ષાઓ લેવામાં આવે છે, છતાં વિદ્યાર્થીઓ કેવી રીતે પ્રદર્શન કરે છે તે અંગેનો ડેટા મોટા ભાગે અજાણ્યો અને ઓછો ઉપયોગમાં લેવાયેલો રહે છે, કારણ કે તે વિવિધ સ્ત્રોતો અને સ્વરૂપોમાં વિખરાયેલો છે. પરીક્ષા ડેટા અંગ્રેજી ભાષા કલા (ELA) અને ગણિતમાં વિદ્યાર્થીઓ કેટલું શીખી રહ્યા છે તે અંગે, જિલ્લા અને લોકસાંખ્યિક જૂથ સ્તરે, શક્તિશાળી સમજ આપે છે. પરંતુ શિક્ષણના ભવિષ્યને આકાર આપી શકે એવી મહત્વપૂર્ણ સમજણ મોટાભાગના માતા-પિતા, પત્રકારો, શિક્ષકો અને નીતિનિર્માતાઓની પહોંચ બહાર જ રહે છે.

આ ખામી ઓળખીને, Brown ની અર્થશાસ્ત્રી અને લેખિકા Dr. Emily Oster એ પરિસ્થિતિ બદલવાનું નક્કી કર્યું. “Zelma માતા-પિતા અને નીતિનિર્માતાઓ બંનેને સરળ ભાષામાં, તેઓ માટે સૌથી મહત્વના મુદ્દાઓ પર તરત અને વ્યક્તિગત શૈક્ષણિક સમજ મેળવવાનું શક્ય બનાવે છે,” Dr. Oster એ સમજાવ્યું. Zelma એ આ કેવી રીતે હાંસલ કર્યું? Brown University ખાતે Dr. Oster ની વિદ્યાર્થી સંશોધક ટીમે એક વર્ષ સુધી ડેટા એકત્ર કર્યો અને ખૂબ જ કાળજીપૂર્વક તેને એકસમાન સ્વરૂપમાં સ્વચ્છ બનાવ્યો. ત્યારબાદ Zelma એ Novy⁠(નવી વિન્ડોમાં ખૂલે છે) સાથે મળીને OpenAI ની API નો ઉપયોગ કરીને આ ડેટાને જીવંત બનાવ્યો.

Novy એ ડેટા દર્શાવતી વખતે GPT‑4 ને કયા દૃશ્યો અને ફીલ્ડ્સ પસંદ કરવા તે જણાવવા માટે ફંક્શન કોલિંગ⁠(નવી વિન્ડોમાં ખૂલે છે) નો ઉપયોગ કર્યો. Zelma ના “Ask a Question” દૃશ્ય માટે, તેમણે ઉપલબ્ધ ડેટા સાથે પ્રશ્નો સૂચવે તેવી ડેટા-જાણકાર ટાઇપ-અહેડ બનાવવા માટે એક મોડલને ફાઇન-ટ્યુન⁠(નવી વિન્ડોમાં ખૂલે છે) કર્યું. અને મુશ્કેલ કિનારી કેસોમાં ચોકસાઈ સુધારવા માટે તેમણે જાણીતા સારા ઉદાહરણ ગ્રાફોને એમ્બેડ⁠ કરીને વેક્ટર ડેટાબેઝમાં સંગ્રહિત કર્યા.

સૌથી મોટો પડકાર એ હતો કે લોકો પોતાના પ્રશ્નોને કેવી રીતે શબ્દબદ્ધ કરશે તેની આગાહી કરવી અને પ્રોમ્પ્ટોને Zelma ની જ્ઞાનસીમા અંદર જ રાખવા. “Zelma ના વપરાશકર્તા અનુભવમાં કરાયેલા ઇરાદાપૂર્વકના ડિઝાઇન પસંદગીઓ દ્વારા અમે આનો ઉકેલ લાવ્યો, જે લોકોને Zelma જવાબ આપી શકે એવા પ્રશ્નો પૂછવા પ્રેરિત કરે છે,” Dr. Oster એ સમજાવ્યું. મુખ્ય સુવિધાઓમાં આ શામેલ છે.

• ઉદાહરણ પ્રોમ્પ્ટો સૂચવવું. કારણ કે Zelma માત્ર શિક્ષણ ડેટાના નિશ્ચિત ક્ષેત્રને આવરી લે છે, આ સૂચનો વપરાશકર્તાઓને Zelma ની જ્ઞાનસીમા અને પોતાના પ્રોમ્પ્ટ કેવી રીતે લખવા તે સમજવામાં મદદ કરે છે.
• બધા પ્રશ્નોને જાહેર બનાવવું.⁠(નવી વિન્ડોમાં ખૂલે છે) આ લોકોকে બીજાઓએ શું પૂછ્યું છે તેમાંથી શીખવામાં મદદ કરે છે અને સાથે સાથે વપરાશકર્તાઓને મોટી સંખ્યામાં ગેરલાગતી ક્વેરીઝ મોકલવાથી પણ અટકાવે છે.
• SQL કોડ બતાવવો. Zelma તેનો તર્ક આપે છે જેથી તમે તેના જવાબોને ઝડપથી ચકાસી શકો. નોન-કોડર્સ માટે, પરિબળોને સરળ ભાષામાં પણ સમજાવવામાં આવે છે.
• સંદર્ભ સમજાવવો. Zelma વ્યાખ્યાઓ અને મહત્વપૂર્ણ ઘટનાઓને ચિહ્નિત કરીને સંદર્ભ આપે છે—જેમ કે રાજ્યના મૂલ્યાંકનમાં ફેરફારો—જેથી તમને સમજવામાં મદદ મળે કે કોઈ નિશ્ચિત વર્ષમાં ડેટા પર કયા બાહ્ય પરિબળોનો પ્રભાવ પડ્યો હોઈ શકે.

હવે, તમે તરત જ મિનેસોટામાં ગણિતમાં સર્વોચ્ચ પ્રદર્શન કરનાર ટોચના 5 નોન-ચાર્ટર સ્કૂલ જિલ્લાઓની⁠(નવી વિન્ડોમાં ખૂલે છે) ટૂંકી યાદી બનાવી શકો છો અને જાણી શકો છો કે તેઓ બધા લગભગ 77 ટકા પ્રાવિણ્ય દર મેળવે છે. અને એક સરળ પ્રોમ્પ્ટ સમયગાળા દરમિયાન કેલિફોર્નિયામાં ELA સિદ્ધિમાં જાતિઆધારિત અસમાનતાઓ⁠(નવી વિન્ડોમાં ખૂલે છે) બહાર લાવી શકે છે, સાથે જ 2015 માં થયેલા મૂલ્યાંકન ફેરફાર તરફ પણ ધ્યાન દોરે છે, જેના કારણે 2015 પછીના પરીક્ષા પરિણામોની અગાઉના વર્ષો સાથે સરખામણી કરી શકાતી નથી.

આનો અર્થ એ છે કે સ્કૂલ બોર્ડના સભ્યો બેઠક દરમિયાન ઝડપથી ડેટા દૃશ્યીકરણ બનાવવા માટે Zelma નો ઉપયોગ કરી શકે છે, જે ડેટા-આધારિત નિર્ણય પ્રક્રિયાને શક્ય બનાવે છે. માતા-પિતા નજીકના સ્કૂલ જિલ્લાઓના ઐતિહાસિક પરીક્ષા પ્રદર્શનની તુલના કરીને પોતાના બાળકોને ક્યાં ઉછેરવા તે અંગે માહિતીસભર નિર્ણય લઈ શકે છે. રાજ્યપાલના ચીફ ઑફ સ્ટાફ Zelma નો સંદર્ભ લઈને પોતાના રાજ્યની શ્રેષ્ઠ પ્રદર્શન કરનાર શાળાઓ ઓળખી શકે છે અને સમય સાથે પરીક્ષા ગુણોમાં કેટલો ફેરફાર થયો છે તે જોઈ શકે છે.

છૂટાછવાયા ડેટા પોર્ટલો અને સ્પ્રેડશીટ્સથી લઈને વપરાશકર્તા-મૈત્રીપૂર્ણ વેબસાઇટ સુધી, Zelma વિખરાયેલા ડેટાને અર્થસભર વિશ્લેષણમાં રૂપાંતરિત કરે છે. Zelma, વર્ગખંડમાં શિક્ષકોને સહાય કરવાના⁠ અને વિદ્યાર્થીઓને તેમની પોતાની ગતિએ શીખવામાં મદદ કરવાના⁠ અન્ય ઉપયોગ કેસો સાથે મળીને, જનરેટિવ AI અમારી શિક્ષણ પ્રણાલીને કેવી રીતે વધુ સક્ષમ બનાવી શકે તે દર્શાવે છે. Zelma એ પણ બતાવે છે કે OpenAI ના સાધનો અને ઉત્પાદનોનો ઉપયોગ ડેટાને બધાં માટે વધુ ઉપયોગી અને સુલભ બનાવવા કેવી રીતે થઈ શકે.