AI-യും പഠനഫലങ്ങളും മനസ്സിലാക്കുന്നതിനുള്ള പുതിയ ടൂളുകൾ

വിദ്യാഭ്യാസം AI-യുടെ ഏറ്റവും പ്രതീക്ഷാജനകമായ അത്യാധുനിക മേഖലകളിൽ ഒന്നാണ്. ChatGPT പോലുള്ള ടൂളുകളിലൂടെ, വ്യക്തിഗത പഠന പിന്തുണ ഏതൊരു വിദ്യാർത്ഥിക്കും, എവിടെയും, ഏത് സമയത്തും ലഭ്യമാകാം. 

എന്നാൽ പഠന ഫലങ്ങളിൽ AI-യുടെ സ്വാധീനം മനസ്സിലാക്കുന്നതിൽ വിദ്യാഭ്യാസ മേഖല ഇപ്പോഴും പ്രാരംഭ ഘട്ടത്തിലാണ്. കഴിഞ്ഞ വർഷം, സ്റ്റഡി മോഡ്⁠ പോലുള്ള ടൂളുകളുടെ ഉപയോഗം പഠിക്കാൻ ഞങ്ങളുടെ ടീം തുടക്കം കുറിച്ചു, വിദ്യാർത്ഥികളുടെ പ്രകടനത്തിൽ പ്രതീക്ഷാജനകമായ പുരോഗതി കണ്ടെത്തുകയും ചെയ്തു. എന്നാൽ ഞങ്ങളുടെ ഗവേഷണം ഒരു പ്രധാന ചോദ്യം കൂടി ഉയർത്തി: അവസാന പരീക്ഷയിൽ മാത്രം അല്ല, കാലക്രമേണ ഒരു പഠിതാവിന്റെ പുരോഗതിയെ AI എങ്ങനെ സ്വാധീനിക്കുന്നു എന്ന് നമുക്ക് എങ്ങനെ വിലയിരുത്താം?

ഇത് ഒരു വിശാലമായ ഇക്കോസിസ്റ്റം വെല്ലുവിളിയാണ്. ഇതുവരെയുള്ള മിക്ക ഗവേഷണ രീതികളും—പരീക്ഷാ സ്കോറുകൾ—പോലുള്ള പരിമിതമായ പ്രകടന സൂചകങ്ങളിൽ മാത്രമാണ് ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത്, യഥാർത്ഥ സാഹചര്യങ്ങളിൽ വിദ്യാർത്ഥികൾ AI ഉപയോഗിച്ച് എങ്ങനെയാണ് പഠിക്കുന്നത് എന്നോ, ആ ഉപയോഗം കാലക്രമേണ അവരുടെ പഠനഫലങ്ങളെ എങ്ങനെ രൂപപ്പെടുത്തുന്നു എന്നോ വിലയിരുത്താനുള്ള കഴിവ് ഈ രീതികൾക്കില്ല. 

ഈ വിടവ് നികത്തുന്നതിനായി, ഞങ്ങൾ ലേണിംഗ് ഔട്ട്കംസ് മെഷർമെന്റ് സ്യൂട്ട്, വികസിപ്പിച്ചു, വിവിധ വിദ്യാഭ്യാസ സാഹചര്യങ്ങളിൽ പഠന ഫലങ്ങൾ ദീർഘകാലാടിസ്ഥാനത്തിൽ അളക്കുന്നതിനെ സഹായിക്കുന്നതിനായി, എസ്റ്റോണിയയിലെ ടാർട്ടു സർവകലാശാലയും സ്റ്റാൻഫോർഡ് ആക്സിലറേറ്റർ ഫോർ ലേണിംഗിലെ സ്കെയിൽ ഇനിഷ്യേറ്റീവും ചേർന്നാണ് ഈ ഫ്രെയിംവർക്ക് സൃഷ്ടിച്ചത്. 

ക്രമരഹിതമായ നിയന്ത്രിത പരീക്ഷണത്തിലൂടെ ഇതിന്റെ വിപുലമായ പരിശോധനകൾ നടന്നു വരികയാണ്, കൂടാതെ അരിസോണ സ്റ്റേറ്റ് യൂണിവേഴ്സിറ്റി, UCL നോളജ് ലാബ്, MIT മീഡിയ ലാബ് എന്നിവിടങ്ങളിലെ ഗവേഷകർ ഉൾപ്പെടെയുള്ള ലേണിംഗ് ലാബിലെയും, (OpenAI-യുടെ ലേണിംഗ് റിസർച്ച് ഇക്കോസിസ്റ്റം) മറ്റ് സ്ഥാപനങ്ങളിലെയും ഗവേഷകരുമായി ചേർന്ന് (മുൻപുള്ള സഹകരണ പഠനങ്ങളെ⁠ അടിസ്ഥാനമാക്കി കൂടുതൽ പഠനങ്ങൾ ആസൂത്രണം ചെയ്യുന്നുണ്ട്.

ഇന്ന്, മെഷർമെന്റ് സ്യൂട്ട് എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിന്റെയും എന്തുകൊണ്ട് ഇത് പ്രധാനമാണ് എന്നതിന്റെയും ഒരു അവലോകനം ഞങ്ങൾ പങ്കുവെക്കുന്നു. കാലക്രമേണ, കൂടുതൽ ഗവേഷണങ്ങൾ പ്രസിദ്ധീകരിക്കുകയും മെഷർമെന്റ് സ്യൂട്ട് ലോകമെമ്പാടുമുള്ള സ്കൂളുകൾക്കും സർവകലാശാലകൾക്കും വിദ്യാഭ്യാസ സംവിധാനങ്ങൾക്കും ഒരു പൊതുവിഭവമായി പുറത്തിറക്കുകയും ചെയ്യാൻ ഞങ്ങൾ ഉദ്ദേശിക്കുന്നു.

• പഠനത്തെ AI എങ്ങനെ സ്വാധീനിക്കുന്നു എന്നതിനെക്കുറിച്ചുള്ള ഇന്നത്തെ ഗവേഷണ രീതികൾ മികച്ച ഫലങ്ങൾ കാണിക്കുന്നുണ്ടെങ്കിലും, കാലക്രമേണ അത് പഠനത്തെ എങ്ങനെയെല്ലാം ബാധിക്കുന്നു എന്നതിന്റെ പൂർണ്ണരൂപം നൽകുന്നില്ല.
• ആദ്യമായി, വിവിധ സാഹചര്യങ്ങളിലുടനീളം AI പഠനത്തെയും പഠന ഫലങ്ങളെയും എങ്ങനെ രൂപപ്പെടുത്തുന്നു എന്ന് അധ്യാപകർ, ഗവേഷകർ, സ്ഥാപനങ്ങൾ എന്നിവർക്ക് മനസ്സിലാക്കാൻ സഹായിക്കുന്ന ദീർഘകാല പഠനങ്ങൾക്കായി ഒരു സ്റ്റാൻഡേർഡ് ഫ്രെയിംവർക്ക് ലേണിംഗ് ഔട്ട്കംസ് മെഷർമെന്റ് സ്യൂട്ട് നൽകും.
• ഈ പ്രവർത്തനം മുന്നോട്ട് കൊണ്ടുപോകുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്ന ഒരു പുതിയ ഗവേഷണ ഇക്കോസിസ്റ്റമാണ് OpenAI-യുടെ ലേണിംഗ് ലാബ്. ഈ മേഖല തുടർന്നും വികസിച്ചുകൊണ്ടിരിക്കുമ്പോൾ, OpenAI വിവിധ പങ്കാളികളോടൊപ്പം കണ്ടെത്തലുകൾ പ്രസിദ്ധീകരിക്കും.

വിദ്യാർത്ഥികൾ പഠിക്കാനും മനസ്സിലാക്കാനുമായി AI ടൂളുകൾ ഉപയോഗിക്കുമ്പോൾ അത് പല രീതിയിലാകാം— ലളിതമായ ഉത്തരങ്ങൾക്കായി AI-യെ സമീപിക്കുന്നത് മുതൽ ഒരു ട്യൂട്ടറെപ്പോലെ ഓരോ ഘട്ടമായി പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ അതിന്റെ സഹായം തേടുന്നത് വരെ ഇതിൽ ഉൾപ്പെടുന്നു. ChatGPT‑യുമായി കൂടുതൽ ആഴത്തിലുള്ള ഗ്രഹിക്കലിനും കഴിവുകൾ വികസിപ്പിക്കലിനും പിന്തുണ നൽകുന്ന രീതികളിൽ ഉപയോക്താക്കളെ ഏർപ്പെടാൻ പ്രോത്സാഹിപ്പിക്കുന്നതിനായി, OpenAI കഴിഞ്ഞ വർഷം സ്റ്റഡി മോഡ്⁠ അവതരിപ്പിച്ചു.  സാങ്കേതികമായി പറഞ്ഞാൽ, അധ്യാപകർ, ശാസ്ത്രജ്ഞർ, പാഠശാസ്ത്ര വിദഗ്ദ്ധ എന്നിവരുമായി സഹകരിച്ച് ഞങ്ങൾ തയ്യാറാക്കിയ പ്രത്യേക നിർദ്ദേശങ്ങളാണ് സ്റ്റഡി മോഡിന് കരുത്തേകുന്നത്, വെറും ഉത്തരങ്ങൾ മാത്രമല്ല—സ്കാഫോൾഡിംഗ്, മനസ്സിലായിട്ടുണ്ടോ എന്ന് പരിശോധിക്കൽ, മാർഗ്ഗനിർദ്ദേശത്തോടുകൂടിയ പരിശീലനം എന്നിവയിലൂടെ യഥാർത്ഥ പഠനത്തെ സഹായിക്കുന്ന പെരുമാറ്റരീതികൾ ഇതിൽ ഉൾക്കൊള്ളിച്ചിരിക്കുന്നു.

ഇത്തരത്തിലുള്ള പാഠ്യശാസ്ത്രപരമായി പൊരുത്തപ്പെടുത്തിയ AI ഇടപെടൽ ശൈലി മെച്ചപ്പെട്ട പഠനഫലങ്ങളിലേക്ക് നയിക്കുന്നുണ്ടോ എന്ന് പരിശോധിക്കാൻ, ന്യൂറോസയൻസ്, മൈക്രോഇക്കണോമിക്സ് പരീക്ഷകൾക്ക് തയ്യാറെടുക്കുന്ന 300-ലധികം കോളേജ് വിദ്യാർത്ഥികളുമായി ഞങ്ങൾ ഒരു റാൻഡമൈസ്ഡ് പഠനം നടത്തി. വിശകലനം ഇപ്പോഴും പുരോഗമിക്കുമ്പോഴും, സ്റ്റഡി മോഡ് പോലുള്ള സവിശേഷതകളിലൂടെ പ്രോത്സാഹിപ്പിക്കപ്പെടുന്ന, പാഠ്യശാസ്ത്രപരമായി ഒത്തുചേരുന്ന AI ഇടപെടൽ ശൈലി പഠനഫലങ്ങൾ മെച്ചപ്പെടുത്താൻ കഴിയുമെന്ന് ആദ്യകാല ഫലങ്ങൾ ഞങ്ങൾക്ക് ആത്മവിശ്വാസം നൽകുന്നു. എന്നാൽ ഈ ഗവേഷണം ഒരു പ്രധാന യാഥാർത്ഥ്യവും പുറത്തെടുത്തു: യഥാർത്ഥത്തിൽ പ്രധാനപ്പെട്ടത് നേട്ടങ്ങളും അതുമായി ബന്ധപ്പെട്ട ഉൽപ്പാദനക്ഷമമായ പെരുമാറ്റങ്ങളും കാലക്രമേണ ദീർഘകാലം നിലനിൽക്കുന്നുണ്ടോ എന്നതാണ്.

പഠന രൂപകൽപ്പന

Google Search, YouTube തുടങ്ങിയ പരമ്പരാഗത ഓൺലൈൻ സ്രോതസ്സുകൾ ഉപയോഗിച്ച് പഠിക്കുന്ന ഒരു ഒരു നിയന്ത്രണ ഗ്രൂപ്പ് -ഇവരിൽ AI ഓവർവ്യൂ ഫീച്ചറുകൾ പ്രവർത്തനരഹിതമാക്കിയിരുന്നു- അതേസമയം, മറ്റ് രണ്ട് ഗ്രൂപ്പുകൾക്ക് പഠനപ്രക്രിയയിലൂടെ വിദ്യാർത്ഥികളെ അല്പം വ്യത്യസ്തമായ രീതികളിൽ നയിക്കാൻ രൂപകൽപ്പന ചെയ്ത രണ്ട് സ്റ്റഡി മോഡ് വേരിയന്റുകളിൽ ഒന്ന് ഉപയോഗിക്കാനുള്ള അവസരം നൽകി മുൻകാല കോഴ്‌സ്‌വർക്ക് പരിചയത്തിലെ വ്യത്യാസങ്ങൾ, പഠനശീലങ്ങൾ, അക്കാദമിക് ആത്മവിശ്വാസം, AI ഉപകരണങ്ങളോടുള്ള പരിചയം എന്നിവയിലെ വ്യത്യാസങ്ങൾ പരിഗണിച്ച് ക്രമീകരിക്കുന്നതിനായി അടിസ്ഥാന ക്വിസുകളും ഓൺബോർഡിംഗ് സർവേകളും മുൻകൂട്ടി ശേഖരിച്ചു. ഓരോ പരീക്ഷയ്ക്കും മുമ്പ് വിദ്യാർത്ഥികൾ സമയപരിധിയുള്ള സ്റ്റഡി മോഡ് സെഷനുകൾ പൂർത്തിയാക്കി, കൂടാതെ രണ്ട് സ്റ്റഡി മോഡ് വകഭേദങ്ങൾ വിഷയങ്ങളിലുടനീളം കൗണ്ടർബാലൻസ് ചെയ്തു.

ഈ സജ്ജീകരണം കർശനമായി നിയന്ത്രിച്ച ലാബ് അന്തരീക്ഷത്തേക്കാൾ യഥാർത്ഥ ലോക പഠന സാഹചര്യങ്ങളെ പ്രതിഫലിപ്പിക്കുന്നതിനായി രൂപകൽപ്പന ചെയ്തതാണ്. പങ്കാളിത്തം പരീക്ഷാ പ്രകടനവുമായി ബന്ധിപ്പിച്ചിരുന്നില്ല, കൂടാതെ നാമമാത്രമായ 40 മിനിറ്റ് സെഷനുകളിൽ എല്ലാ വിദ്യാർത്ഥികളും ഒരേ തോതിൽ സ്റ്റഡി മോഡ് ഉപയോഗിച്ചിരുന്നില്ല. യാഥാർത്ഥ്യപരമായ റോളൗട്ട് സാഹചര്യങ്ങളിൽ ഉപകരണത്തിലേക്കുള്ള ആക്‌സസ് നൽകപ്പെടുന്നതിന്റെ സ്വാധീനം—മറ്റൊരു വാക്കിൽ, പ്രായോഗികമായി ഇടപഴകൽ വ്യത്യാസപ്പെടാം എന്ന് അംഗീകരിച്ചുകൊണ്ട്, സ്റ്റഡി മോഡ് ഓഫർ ചെയ്യപ്പെടുന്നതിന്റെ കാരണാത്മക സ്വാധീനം—അളക്കാനും റിപ്പോർട്ട് ചെയ്യാനും ഉദ്ദേശ്യം-പ്രകാരം-ചികിത്സ (ITT) ഫലങ്ങൾ ഞങ്ങൾക്ക് സാധ്യമാക്കി.

കണ്ടെത്തലുകൾ

ഞങ്ങൾ ഓരോ പരീക്ഷയിലും പ്രകടനം വേർതിരിച്ച് അളന്നു. ഞങ്ങളുടെ റാൻഡമൈസ്ഡ് പഠനത്തിൽ, മെച്ചപ്പെടുത്തലുകൾ വിഷയങ്ങളിലുടനീളം ഏകീകൃതമായിരുന്നില്ല, കൂടാതെ സ്റ്റഡി മോഡുമായുള്ള ഏർപ്പെടലിന്റെ നിലകൾ പങ്കാളികളിൽ വ്യത്യാസപ്പെട്ടു. 

• ന്യൂറോസയൻസ് (പ്രാഥമിക ITT): നിയന്ത്രണത്തോട് താരതമ്യപ്പെടുത്തുമ്പോൾ സ്റ്റഡി മോഡിനായി ദിശാപരമായി അനുകൂലമായ വ്യത്യാസങ്ങൾ ഞങ്ങൾ നിരീക്ഷിച്ചു. എന്നാൽ, പരമ്പരാഗത ഓൺലൈൻ വിഭവങ്ങൾ ഉപയോഗിച്ച് പഠിക്കുന്ന വിദ്യാർത്ഥികളിൽ നിന്നുള്ള ഫലങ്ങളിൽ നിന്ന് ഇവയെ വേർതിരിച്ച് തിരിച്ചറിയാനായില്ല. സ്റ്റഡി മോഡ് ഉപയോഗിക്കുന്ന വിദ്യാർത്ഥികളിൽ പഠനത്തിനായി ചെലവഴിച്ച സമയത്തെ ചില ഓൺബോർഡിംഗ്, സാങ്കേതിക പ്രശ്നങ്ങൾ ബാധിച്ചു. 
• മൈക്രോഇക്കണോമിക്സ് (പ്രാഥമിക ITT): AI ഇല്ലാത്ത നിയന്ത്രണ ഗ്രൂപ്പിനെ അപേക്ഷിച്ച് സ്റ്റഡി മോഡിൽ ആക്‌സസ് നൽകിയ വിദ്യാർത്ഥികളിൽ പരീക്ഷാ പ്രകടനത്തിൽ അർത്ഥവത്തായ നേട്ടങ്ങൾ ഞങ്ങൾ നിരീക്ഷിച്ചു—ആപേക്ഷികമായി ഏകദേശം 15% ഉയർന്ന സ്കോർ.

ഇത് യഥാർത്ഥ ലോക വ്യത്യാസങ്ങളെ പ്രതിഫലിപ്പിക്കുന്നുവെങ്കിലും, പഠന ഫലങ്ങൾ സാധാരണയായി എങ്ങനെ അളക്കപ്പെടുന്നു എന്നതിലെ ഒരു ആഴത്തിലുള്ള പരിമിതിയെ ഇത് എടുത്തുകാട്ടുന്നു.

നിലവിലുള്ള മിക്ക മൂല്യനിർണ്ണയ സമീപനങ്ങളും ചെറുകാല സമയ ജാലകങ്ങളിൽ വിലയിരുത്തുന്ന സ്ഥിരമായ ഇടപെടലുകളിൽ ആശ്രയിക്കുന്നു; ടെസ്റ്റ് സ്കോറുകൾ അല്ലെങ്കിൽ അന്തിമ ലേഖനങ്ങൾ പോലുള്ള ഫലങ്ങളെ പ്രാഥമിക സിഗ്നലുകളായി ഉപയോഗിക്കുന്നു. പഠനത്തെ AI പ്രായോഗികമായി സ്വാധീനിക്കുന്ന പ്രധാന രീതികളെ ഉൾക്കൊള്ളാൻ ഈ മാർഗ്ഗങ്ങൾ രൂപകൽപ്പന ചെയ്തിട്ടുള്ളതല്ല: അതായത്, പഠിതാവിന്റെ സ്വന്തം തന്ത്രങ്ങൾ, മുൻഗണനകൾ, പഠനശീലങ്ങൾ എന്നിവയ്‌ക്കൊപ്പം വികസിച്ചുകൊണ്ടിരിക്കുന്ന തുടർച്ചയായ, വ്യക്തിഗതമാക്കിയ ഇടപെടലുകൾ മനസ്സിലാക്കാൻ ഇവയ്ക്ക് കഴിയില്ല. ഒരു പ്രത്യേക കഴിവിലുണ്ടാകുന്ന പുരോഗതി (ഉദാഹരണത്തിന്, കുറഞ്ഞ സമയത്തേക്കുള്ള ഓർമ്മശക്തി, മറ്റ് കഴിവുകളായ സ്ഥിരോത്സാഹം, സ്വയംപ്രേരിത പ്രചോദനം, അല്ലെങ്കിൽ സൃഷ്ടിപരമായ പ്രശ്നപരിഹാര ശേഷി എന്നിവയിൽ വിട്ടുവീഴ്ചകൾക്ക് കാരണമാകുന്നുണ്ടോ എന്ന് കണ്ടെത്താനും ഈ രീതികൾക്ക് കഴിയില്ല. ഫലമായി, AI പഠനത്തെ അർത്ഥവത്തായി മെച്ചപ്പെടുത്തുന്നുണ്ടോ എന്ന് ഒടുവിൽ നിർണയിക്കുന്ന ദീർഘകാല കോഗ്നിറ്റീവ് ഫലങ്ങൾ അവർ കാണാതെ പോകുന്നു. 

രാജ്യങ്ങൾ, പാഠ്യപദ്ധതികൾ, സ്ഥാപന ലക്ഷ്യങ്ങൾ എന്നിവയിലുടനീളം പഠനപരിസ്ഥിതികൾ വ്യാപകമായി വ്യത്യാസപ്പെടുന്നതിനാൽ, ഒറ്റത്തവണ നടത്തുന്ന പഠനങ്ങളിൽ നിന്നുള്ള ഫലങ്ങൾ സിസ്റ്റങ്ങളിലുടനീളം അപൂർവമായാണ് പൊതുവായി ബാധകമാകുന്നത്. അതിനാൽ, വ്യത്യസ്ത വിദ്യാഭ്യാസ സംവിധാനങ്ങൾക്ക് അവരുടെ സന്ദർഭത്തിൽ വിജയം എങ്ങനെയിരിക്കുമെന്ന് നിർവചിക്കാനും, അവരുടെ സ്വന്തം മാനദണ്ഡങ്ങൾക്കെതിരെ AI-യെ വിലയിരുത്താനും, അതനുസരിച്ച് ആവർത്തിച്ച് മെച്ചപ്പെടുത്താനും കഴിയുന്നത്ര വഴക്കമുള്ളതായിരിക്കണം അളവെടുപ്പ് സമീപനങ്ങൾ.

മികച്ച അളവെടുപ്പ് സിസ്റ്റം നിർമ്മിക്കൽ 

OpenAIയുടെ സ്റ്റഡി മോഡ് ഗവേഷണത്തിൽ നിന്നുള്ള പഠനങ്ങളെ അടിസ്ഥാനമാക്കി, വലിയ തോതിൽ പഠിതാക്കളിൽ AI-യുടെ സ്വാധീനം അളക്കുന്നതിനായി ഒരു ഘടനാപരമായ അളവെടുപ്പ് സംവിധാനം ഞങ്ങൾ നിർമ്മിച്ചുവരികയാണ്, കൂടാതെ ആ ഫലങ്ങളെ അടിസ്ഥാനമാക്കി മോഡലുകൾ മെച്ചപ്പെടുത്തുന്നതിനുള്ള ഒരു സംവിധാനവും സൃഷ്ടിക്കുന്നു. ഇത് മൂന്ന് സിഗ്നലുകളിൽ ആധാരിതമാണ്—മോഡൽ എങ്ങനെ പെരുമാറുന്നു, പഠിതാക്കൾ എങ്ങനെ പ്രതികരിക്കുന്നു, കൂടാതെ കാലക്രമേണ അളക്കാവുന്ന ബൗദ്ധിക ഫലങ്ങൾ എന്താണ് ഉണ്ടാകുന്നത്. ഇവ ഉൾപ്പെടുന്നു: 

• മോഡലിന്റെ പെരുമാറ്റം മെച്ചപ്പെടുത്തുന്നതിനുള്ള സിസ്റ്റം നിർദ്ദേശങ്ങൾ: പ്രത്യേക പാഠ്യശാസ്ത്ര സമീപനങ്ങളോട് കൂടുതൽ പൊരുത്തപ്പെടുന്നതിനായി മോഡലിന്റെ ഡീഫോൾട്ട് പെരുമാറ്റം മാറ്റാൻ സ്വാഭാവിക ഭാഷയുടെ ഉപയോഗം.
• പഠന ഇടപെടൽ ക്ലാസിഫയറുകൾ: ഇവ യഥാർത്ഥ, തിരിച്ചറിയൽ നീക്കിയ, പഠിതാവ്–മോഡൽ ഇടപെടലുകളിലെ “പഠന നിമിഷങ്ങൾ” സ്വയമേവ കണ്ടെത്തുകയും ഏർപ്പെടൽ, പിശക് തിരുത്തൽ എന്നിവ പോലുള്ള ശ്രദ്ധേയമായ സവിശേഷതകൾ ലേബൽ ചെയ്യുകയും ചെയ്യുന്നു.
• പഠന ഗുണനിലവാര ഗ്രേഡറുകൾ: പഠിതാവ് അവരുടെ ലക്ഷ്യം കൈവരിച്ചോയെന്നും ഇടപെടൽ ശക്തമായ പാഠ്യശാസ്ത്ര തത്വങ്ങൾ എത്രമാത്രം പിന്തുടർന്നുവെന്നും (പരാജയ മോഡുകൾ തിരിച്ചറിയൽ ഉൾപ്പെടെ) അടിസ്ഥാനമാക്കി, ഇവ ഓരോ പഠന നിമിഷവും വിലയിരുത്തി സ്കോർ ചെയ്യുന്നു.
• ദീർഘകാല പഠന ഗ്രേഡറുകൾ: ഇവ കാലക്രമേണ അതേ പഠിതാവിന്റെ മോഡലുമായുള്ള ഇടപെടലുകളിൽ സംഭവിക്കുന്ന മാറ്റങ്ങൾ ട്രാക്ക് ചെയ്യുന്നു—ഏർപ്പെടൽ, സ്ഥിരത, മെറ്റാകോഗ്നിറ്റീവ് തന്ത്രങ്ങൾ എന്നിവ ഉൾപ്പെടെ—വ്യക്തിഗതവും കൂട്ടായ്മതലങ്ങളിലും.
• മാനദണ്ഡമാക്കിയ കോഗ്നിറ്റീവ്, മെറ്റാകോഗ്നിറ്റീവ് അളവുകോലുകൾ: ഇവ ക്രിട്ടിക്കൽ തിങ്കിംഗ്, സൃഷ്ടിപരത, ഓർമ്മശക്തി തുടങ്ങിയ അടിസ്ഥാന കഴിവുകളിലെ മാറ്റങ്ങൾ അളക്കാനും അവയുടെ പ്രാരംഭ നില നിശ്ചയിക്കാനും ChatGPT ഉപയോഗിക്കുന്നതിന് മുൻപും, ഉപയോഗിക്കുന്ന സമയത്തും, ഉപയോഗിച്ച ശേഷവും നൽകപ്പെടുന്ന, അംഗീകരിക്കപ്പെട്ട മൂന്നാം കക്ഷി ഉപകരണങ്ങളാണിവ.

ഒന്നിച്ച് ചേർത്താൽ, ഈ അളക്കൽ സംവിധാനത്തെ ഞങ്ങൾ ലേണിംഗ് ഔട്ട്‌കംസ് മെഷർമെന്റ് സ്യൂട്ട്എന്ന് വിളിക്കുന്നു

വിദ്യാഭ്യാസ ഇക്കോസിസ്റ്റം ഉപയോഗിക്കാനാകുന്ന പ്രധാനപ്പെട്ട സിഗ്നലുകൾ ഇത് സൃഷ്ടിക്കുന്നു: പഠന നിമിഷങ്ങളുടെ ഘടനാപരമായ കാഴ്ചകൾ, വിവിധ ഗ്രൂപ്പുകളിലെ പഠനഫലങ്ങൾ കാലക്രമേണ എങ്ങനെ മാറുന്നു എന്ന് കാണിക്കുന്ന ഡാഷ്‌ബോർഡുകൾ, അധ്യാപന, ട്യൂട്ടറിംഗ് മാനദണ്ഡങ്ങൾക്കെതിരെയുള്ള മോഡൽ പ്രകടനത്തിന്റെ സൂചകങ്ങളും, മാനദണ്ഡമാക്കിയ മൂല്യനിർണ്ണയങ്ങൾക്കും പഠിതാക്കൾക്കുള്ള ലഘു ചോദ്യാവലികൾക്കും അനുസൃതമായ പഠനഫല അളവുകോലുകളും. ലഭ്യമായിടത്ത്, പരീക്ഷാ സ്കോറുകൾ, ക്ലാസ്‌റൂം നിരീക്ഷണങ്ങൾ, അല്ലെങ്കിൽ ഹാജർ എന്നിവ പോലെ പങ്കാളികൾ നൽകുന്ന യഥാർത്ഥ വിവരങ്ങളും ഇതിൽ ഉൾപ്പെടുത്താൻ കഴിയും.

കാലക്രമേണ പഠനത്തിനായി AI ഉപയോഗിക്കുന്നതിന്റെ കൂടുതൽ ആഴത്തിലുള്ള ബൗദ്ധിക പ്രത്യാഘാതങ്ങൾ മനസ്സിലാക്കാനും ഇത് ഞങ്ങളുടെ പങ്കാളികളെ സഹായിക്കുന്നു, കാരണം ഈ സിസ്റ്റം വഴി ഞങ്ങൾക്ക് താഴെപ്പറയുന്നവ പോലുള്ള കഴിവുകളിലെ സ്വാധീനം കൂടി ട്രാക്ക് ചെയ്യാൻ കഴിയും:

• സ്വയംപ്രേരിത പ്രചോദനം: പഠിതാക്കൾ സ്വന്തമായി പഠിക്കുന്നുണ്ടോ അതോ നിർദ്ദേശങ്ങൾ മാത്രം പിന്തുടരുന്നുണ്ടോ എന്ന നില 
• ഉഉൽപ്പാദനക്ഷമമായ ഇടപെടൽ: പാഠ്യപദ്ധതിപരമായ ഇടപെടലുകളുടെ ആവർത്തനം, വൈവിധ്യം, ഗുണമേന്മ എന്നിവയുടെ നിലവാരം
• ടാസ്ക് സ്ഥിരത: ഒരു പഠിതാവ് ബൗദ്ധിക വെല്ലുവിളികളെ എത്രത്തോളം നേരിടുകയും അതിജീവിക്കുകയും ചെയ്യുന്നു എന്ന നില
• മെറ്റാകോഗ്നിഷൻ: പഠനരീതികൾ ആസൂത്രണം ചെയ്യാനും, വിലയിരുത്താനും, നിരീക്ഷിക്കാനും പഠിതാവ് നടത്തുന്ന പരിശ്രമങ്ങളുടെ ആവർത്തനവും ഗുണനിലവാരവും
• ഓർമ്മശക്തി: മുൻ ഇടപെടലുകളിൽ നിന്നുള്ള ഉള്ളടക്കം ഒരു പഠിതാവിന് എത്ര കൃത്യമായി ഓർമ്മിക്കാനാകുന്നു എന്നത്

ഇത് പഠന ഫലങ്ങളുടെ (പരീക്ഷാ സ്കോറുകൾ ഉയരുന്നത്) ഇടുങ്ങിയ നിർവചനങ്ങളിൽ മാത്രം ശ്രദ്ധ കേന്ദ്രീകരിക്കാതെ, പഠനത്തെ അടിത്തറയാക്കുന്ന സമഗ്രമായ കഴിവുകളിലേക്കുള്ള ഞങ്ങളുടെ ആകെ ശ്രമങ്ങളെ പ്രതിഫലിപ്പിക്കുന്നു. ഇത് കൂടാതെ, എന്താണ് ഒപ്റ്റിമൈസ് ചെയ്യേണ്ടത് എന്ന കാര്യത്തിൽ ഒരു “സിൽവർ ബുള്ളറ്റ്” പരിഹാരം ഉണ്ടാകില്ലെന്ന ഞങ്ങളുടെ വിശ്വാസത്തെയും പ്രതിഫലിപ്പിക്കുന്നു: പാഠ്യപദ്ധതി സംബന്ധമായ മികച്ച രീതികളോടും സമീപനങ്ങളോടും പൊരുത്തപ്പെടുന്ന വിധത്തിൽ ട്രേഡ്-ഓഫുകൾക്ക് മാർഗനിർദ്ദേശം നൽകാൻ സംവിധാനങ്ങളെയും അധ്യാപകരെയും ശാക്തീകരിക്കേണ്ടതുണ്ട്.

ഇവിടെ നിന്ന് നമ്മൾ എങ്ങോട്ട് പോകുന്നു

ലേണിംഗ് ഔട്ട്‌കംസ് മെഷർമെന്റ് സ്യൂട്ട് കൂടുതൽ ആളുകളിലേക്ക് ലഭ്യമാക്കുന്നതിന് മുൻപായി, വലിയ തോതിലുള്ള പഠനങ്ങളിലൂടെ ഞങ്ങൾ അത് പരിശോധിച്ച് ഉറപ്പുവരുത്തുകയാണ്. ടാർട്ടു സർവകലാശാലയുമായും സ്റ്റാൻഫോർഡിന്റെ സ്കെയിൽ ഇനീഷ്യേറ്റീവുമായും ചേർന്ന്, എസ്തോണിയ പോലുള്ള രാജ്യതലത്തിലുള്ള പങ്കാളികളിലുടനീളം ഈ പ്രവർത്തനം പുരോഗമിക്കുകയാണ്; അവിടെ 16-18 വയസ്സ് പ്രായമുള്ള ഏകദേശം 20,000 വിദ്യാർത്ഥികളിൽ മാസങ്ങളോളം ഈ മെഷർമെന്റ് സ്യൂട്ടിനെക്കുറിച്ച് പഠനം നടത്തുന്നു. സുരക്ഷയും പ്രാദേശിക പാഠ്യപദ്ധതികളുമായി പൊരുത്തപ്പെടലും ഉറപ്പാക്കുന്നതിനായി പ്രാദേശിക നേതാക്കളുടെ അടുത്ത സഹകരണത്തോടെയായിരിക്കും വിദ്യാർത്ഥികൾ ഇത് ഉപയോഗിക്കുന്നത്.

ഈ പ്രവർത്തനം നിലവിൽ പുരോഗമിച്ചുകൊണ്ടിരിക്കുന്ന സഹകരണ ഗവേഷണത്തിന്റെ ഒരു വിശാലമായ സമാഹാരത്തെ അടിസ്ഥാനമാക്കിയാണ്. ലേണിംഗ് ലാബിലെ സ്ഥാപക പങ്കാളികൾ വഴി നടത്തുന്ന പഠനഫല ഗവേഷണത്തിന് പുറമെ, പഠനവും തൊഴിലും തമ്മിലുള്ള സംഗമസ്ഥാനത്ത് OpenAI പഠനങ്ങളെ പിന്തുണയ്ക്കുന്നു—AI എങ്ങനെയാണ് വിദ്യാർത്ഥികളുടെ പഠനവഴികളെയും കരിയർ തീരുമാനങ്ങളെയും സ്വാധീനിക്കുന്നത് എന്നും, ഈ മാറ്റങ്ങളെ ഉത്തരവാദിത്തത്തോടെ സ്വീകരിക്കാൻ സ്ഥാപനങ്ങൾ എങ്ങനെയൊക്കെ സഹായിക്കാം എന്നതിനെക്കുറിച്ചും ഇതിലൂടെ പരിശോധിക്കുന്നു. ഈ ഗവേഷണം ബൊക്കോണി യൂണിവേഴ്സിറ്റി, ഇന്നോവ സ്കൂളുകൾ, ഡാർട്മൗത്തിലെ ടക്ക് സ്കൂൾ ഓഫ് ബിസിനസ്, സാൻ ഡിയേഗോ സ്റ്റേറ്റ് യൂണിവേഴ്സിറ്റി, സ്റ്റോണി ബ്രൂക്ക് യൂണിവേഴ്സിറ്റി എന്നിവിടങ്ങളിലുടനീളം, കൂടാതെ മറ്റ് സ്ഥാപനങ്ങളിലുമാണ് നടക്കുന്നത്.

AI ഉപയോഗിച്ച് വിദ്യാർത്ഥികൾ എങ്ങനെ മികച്ച രീതിയിൽ പഠിക്കുന്നു എന്നതിനെക്കുറിച്ച് ദീർഘകാല പഠനങ്ങൾ നടത്തുന്നതിനിടെ, കണ്ടെത്തലുകൾ പങ്കിടാനും വിശാലമായ വിദ്യാഭ്യാസ പരിസ്ഥിതിയുമായി സഹകരിച്ച് പ്രവർത്തിക്കാനും, എല്ലായിടത്തുമുള്ള പഠിതാക്കൾക്ക് AI പ്രയോജനപ്പെടുന്നുവെന്ന് ഉറപ്പാക്കാനും ഞങ്ങൾ ഉദ്ദേശിക്കുന്നു.

ഈ പ്രവർത്തനത്തെക്കുറിച്ചുള്ള അപ്‌ഡേറ്റുകൾ ലഭിക്കാൻ താൽപ്പര്യമുള്ളവർക്ക് ഇവിടെ⁠ സൈൻ അപ്പ് ചെയ്യാം.