AI နှင့် သင်ယူမှုရလဒ်များကို နားလည်ရန် ကိရိယာအသစ်များ

ပညာရေးသည် AI ၏ အလားအလာအကောင်းဆုံး စွမ်းဆောင်ရည်အမြင့်ဆုံး နယ်ပယ်များထဲမှ တစ်ခုဖြစ်သည်။ ChatGPT ကဲ့သို့သော ကိရိယာများဖြင့် ပုဂ္ဂိုလ်တစ်ဦးချင်းစီအလိုက် သင်ယူမှုအထောက်အပံ့ကို မည်သည့်ကျောင်းသားမဆို၊ မည်သည့်နေရာမဆို၊ မည်သည့်အချိန်မဆို ရရှိနိုင်ပါသည်။ 

သို့သော် ပညာရေးကဏ္ဍသည် သင်ယူမှုရလဒ်များအပေါ် AI ၏ သက်ရောက်မှုကို နားလည်ရာတွင် အစောပိုင်းအဆင့်မှာပင် ရှိနေသေးသည်။ မနှစ်က ကျွန်ုပ်တို့အဖွဲ့သည် Study Mode⁠ ကဲ့သို့သော ကိရိယာများ၏ အသုံးပြုမှုကို လေ့လာခဲ့ပြီး ကျောင်းသားစွမ်းဆောင်ရည်တွင် အလားအလာကောင်းသော တိုးတက်မှုများကို တွေ့ရှိခဲ့သည်။ သို့သော် ကျွန်ုပ်တို့၏ သုတေသနက အရေးကြီးသော မေးခွန်းတစ်ခုကိုလည်း ပေါ်လွင်စေခဲ့သည်။ AI သည် သင်ယူသူတစ်ဦး၏ တိုးတက်မှုအပေါ် အချိန်နှင့်အမျှ မည်သို့ သက်ရောက်သလဲဆိုတာကို နောက်ဆုံးစာမေးပွဲတစ်ခုတည်းအပေါ် မဟုတ်ဘဲ ဘယ်လို အကဲဖြတ်နိုင်မလဲ?

ဤသည်မှာ ပိုမိုကျယ်ပြန့်သော ecosystem ဆိုင်ရာ စိန်ခေါ်မှုတစ်ခုဖြစ်သည်။ ယနေ့အထိ သုတေသနနည်းလမ်းအများစုသည် စာမေးပွဲရမှတ်ကဲ့သို့သော ကန့်သတ်ထားသော စွမ်းဆောင်ရည်အချက်ပြများပေါ်တွင်သာ အာရုံစိုက်ထားပြီး လက်တွေ့ကမ္ဘာဆိုင်ရာ ပတ်ဝန်းကျင်များတွင် ကျောင်းသားများသည် AI နှင့် မည်သို့ တကယ်သင်ယူကြသည်၊ ထိုအသုံးပြုမှုက အချိန်နှင့်အမျှ ရလဒ်များကို မည်သို့ ပုံဖော်သည်ကို အကဲဖြတ်နိုင်စွမ်း မရှိကြပါ။ 

ဤကွာဟချက်ကို ဖြည့်ဆည်းရန် ကျွန်ုပ်တို့သည် Learning Outcomes Measurement Suite ကို တီထွင်ခဲ့သည်။ ၎င်းမှာ အက်စ်တိုနီးယား၏ University of Tartu နှင့် Stanford Accelerator for Learning ရှိ SCALE Initiative တို့နှင့်အတူ ဖန်တီးထားသော framework တစ်ခုဖြစ်ပြီး ပညာရေးအခြေအနေအမျိုးမျိုးတစ်လျှောက် သင်ယူမှုရလဒ်များကို ရေရှည်တိုင်းတာရန် အထောက်အပံ့ပေးသည်။ 

အကျယ်ပြန့်စွာ အတည်ပြုခြင်းလုပ်ငန်းကို randomized controlled trial မှတစ်ဆင့် ဆောင်ရွက်နေပြီး နောက်ထပ်သုတေသနများကို OpenAI ၏ သင်ယူမှုသုတေသန ecosystem ဖြစ်သော Learning Lab ရှိ တည်ထောင်ဖက်အဖွဲ့အစည်းများနှင့်လည်း စီစဉ်ထားသည်။ ၎င်းတွင် Arizona State University, UCL Knowledge Lab နှင့် MIT Media Lab မှ သုတေသီများပါဝင်ပြီး (ယခင်ပူးပေါင်းသုတေသနများ⁠ ကို အခြေခံ၍) ဆောင်ရွက်သွားမည်ဖြစ်သည်။

ယနေ့ ကျွန်ုပ်တို့သည် ဤ measurement suite ၏ လုပ်ဆောင်ပုံနှင့် ၎င်းအရေးပါပုံအပေါ် အကျဉ်းချုပ်ကို မျှဝေနေပါသည်။ အချိန်ကြာလာသည်နှင့်အမျှ ကျွန်ုပ်တို့သည် သုတေသနများ ပိုမိုထုတ်ဝေပြီး measurement suite ကို ကမ္ဘာတစ်ဝန်းရှိ ကျောင်းများ၊ တက္ကသိုလ်များနှင့် ပညာရေးစနစ်များအတွက် အများပြည်သူသုံး အရင်းအမြစ်တစ်ခုအဖြစ် ဖြန့်ချိသွားရန် ရည်ရွယ်ထားသည်။

• ယနေ့ AI ၏ သင်ယူမှုအပေါ် သက်ရောက်မှုကို လေ့လာသော သုတေသနနည်းလမ်းများသည် စွမ်းဆောင်ရည်ဆိုင်ရာ အလားအလာကောင်းသော အချက်ပြများကို ပြသနေသော်လည်း AI သည် သင်ယူမှုရလဒ်များအပေါ် အချိန်နှင့်အမျှ မည်သို့ သက်ရောက်သည်ဆိုသည့် ပုံတစ်ပုံလုံးကို မဖော်ပြနိုင်သေးပါ။
• Learning Outcomes Measurement Suite သည် ပထမဆုံးအကြိမ်အဖြစ် ဆရာများ၊ သုတေသီများနှင့် အဖွဲ့အစည်းများအား မတူညီသော အခြေအနေများတစ်လျှောက် AI က သင်ယူမှုနှင့် ရလဒ်များကို မည်သို့ ပုံဖော်သည်ကို နားလည်စေမည့် ရေရှည်လေ့လာမှုများအတွက် စံ framework တစ်ခုကို ပံ့ပိုးပေးမည်ဖြစ်သည်။
• OpenAI ၏ Learning Lab သည် ဤလုပ်ငန်းကို ရှေ့ဆက်တိုးတက်စေရန် အာရုံစိုက်ထားသော သုတေသန ecosystem အသစ်တစ်ခုဖြစ်သည်။ OpenAI သည် နယ်ပယ် ဆက်လက်ဖွံ့ဖြိုးလာသည်နှင့်အမျှ မိတ်ဖက်အဖွဲ့အစည်းများနှင့်အတူ တွေ့ရှိချက်များကို ထုတ်ဝေသွားမည်ဖြစ်သည်။

ကျောင်းသားများက လေ့လာရန်နှင့် သင်ယူရန် AI ကိရိယာများကို အသုံးပြုသည့်အခါ အဓိပ္ပာယ်အမျိုးမျိုး ရှိနိုင်သည်—AI ကို အမြန်အဖြေများအတွက် သွားမေးခြင်းမှစ၍ tutor တစ်ဦးကဲ့သို့ လမ်းညွှန်မှုဖြင့် ပြဿနာများကို အဆင့်လိုက် ဖြေရှင်းနိုင်အောင် အသုံးပြုခြင်းအထိဖြစ်သည်။ အသုံးပြုသူများအား ChatGPT ကို ပိုမိုနက်ရှိုင်းသော နားလည်မှုနှင့် ကျွမ်းကျင်မှုတည်ဆောက်ခြင်းကို ပံ့ပိုးသည့် နည်းလမ်းများဖြင့် အသုံးပြုစေရန် OpenAI သည် မနှစ်က Study Mode⁠ ကို မိတ်ဆက်ခဲ့သည်။  အတွင်းပိုင်းတွင် Study Mode ကို ဆရာများ၊ သိပ္ပံပညာရှင်များနှင့် သင်ကြားရေးနည်းပညာကျွမ်းကျင်သူများနှင့် ပူးပေါင်းရေးသားထားသော custom system instructions များက စွမ်းဆောင်ပေးထားပြီး အဖြေများသာမက အမှန်တကယ် သင်ယူမှုကို ပံ့ပိုးပေးသော အဓိကအပြုအမူများ—scaffolding, checks for understanding နှင့် guided practice တို့ကို ထင်ဟပ်စေရန် ရည်ရွယ်ထားသည်။

ဤသင်ကြားရေးအခြေခံနှင့် ကိုက်ညီသော AI အပြန်အလှန်လုပ်ဆောင်မှု ပုံစံသည် ပိုမိုကောင်းမွန်သော သင်ယူမှုရလဒ်များအဖြစ် ပြောင်းလဲသွားမလားဆိုတာကို စမ်းသပ်ရန် ကျွန်ုပ်တို့သည် neuroscience နှင့် microeconomics စာမေးပွဲများအတွက် ပြင်ဆင်နေသော ကောလိပ်ကျောင်းသား 300 ကျော်နှင့် randomized study တစ်ခုကို ဆောင်ရွက်ခဲ့သည်။ ခွဲခြမ်းစိတ်ဖြာမှုကို ဆက်လက်လုပ်ဆောင်နေဆဲဖြစ်သော်လည်း အစောပိုင်းရလဒ်များက Study Mode ကဲ့သို့သော feature များမှတစ်ဆင့် အားပေးထားသော သင်ကြားရေးနှင့် ကိုက်ညီသည့် AI အပြန်အလှန်လုပ်ဆောင်မှု ပုံစံသည် သင်ယူမှုရလဒ်များကို တိုးတက်ကောင်းမွန်စေနိုင်ကြောင်း ကျွန်ုပ်တို့ကို ယုံကြည်မှု ပေးထားသည်။ သို့သော် ဤသုတေသနက အရေးကြီးသော အမှန်တရားတစ်ခုကိုလည်း ဖော်ထုတ်ပြခဲ့သည်။ တကယ်အရေးကြီးသောအရာမှာ အဆိုပါ တိုးတက်မှုများနှင့် ဆက်စပ်သော ထိရောက်သော အပြုအမူများသည် အချိန်နှင့်အမျှ တည်တံ့နေမနေ ဆိုတာပင်ဖြစ်သည်။

လေ့လာမှုဒီဇိုင်း

ပါဝင်သူများကို အုပ်စုသုံးခုအနက် တစ်ခုသို့ ခွဲဝေပေးခဲ့သည်။ ထိန်းချုပ်အုပ်စုသည် Google Search နှင့် YouTube ကဲ့သို့သော ရိုးရာအွန်လိုင်းအရင်းအမြစ်များကို အသုံးပြု၍ လေ့လာခဲ့ပြီး AI generated overview feature များကို ပိတ်ထားခဲ့သည်။ ထို့အပြင် နောက်ထပ်အုပ်စုနှစ်ခုကို ကျောင်းသားများအား သင်ယူမှုလုပ်ငန်းစဉ်တစ်လျှောက် အနည်းငယ်ကွဲပြားသော နည်းလမ်းများဖြင့် လမ်းညွှန်ရန် ဒီဇိုင်းထုတ်ထားသော Study Mode ဗားရှင်းနှစ်မျိုးထဲမှ တစ်မျိုးသို့ ဝင်ရောက်အသုံးပြုခွင့် ပေးခဲ့သည်။ ယခင်သင်ရိုးအတွေ့အကြုံ၊ လေ့လာမှုပုံစံများ၊ ပညာရေးဆိုင်ရာ ယုံကြည်မှုနှင့် AI ကိရိယာများနှင့် ရင်းနှီးမှုဆိုင်ရာ ကွာခြားချက်များကို ညှိနှိုင်းရန် baseline quiz များနှင့် onboarding survey များကို ကြိုတင်ကောက်ယူခဲ့သည်။ ကျောင်းသားများသည် ဘာသာရပ်အလိုက် Study Mode ဗားရှင်းနှစ်ခုကို အလှည့်ကျချိန်ညှိထားသဖြင့် စာမေးပွဲတစ်ခုစီမတိုင်မီ အချိန်ကန့်သတ်ထားသော Study Mode session များကို ပြီးမြောက်စေခဲ့သည်။

ဤဖွဲ့စည်းပုံကို တင်းကျပ်စွာ ထိန်းချုပ်ထားသော ဓာတ်ခွဲခန်းပတ်ဝန်းကျင်ထက် လက်တွေ့ကမ္ဘာရှိ လေ့လာမှုပတ်ဝန်းကျင်များကို ပိုမိုထင်ဟပ်စေရန် ဒီဇိုင်းထုတ်ထားသည်။ ပါဝင်မှုကို စာမေးပွဲစွမ်းဆောင်ရည်နှင့် မချိတ်ဆက်ထားသလို ကျောင်းသားအားလုံးသည် အမည်ခံ 40 မိနစ် session များအတွင်း Study Mode ကို တူညီစွာ အသုံးမပြုကြပါ။ ထို့ကြောင့် ကျွန်ုပ်တို့သည် intention-to-treat (ITT) effects များကို တိုင်းတာ၍ တင်ပြနိုင်ခဲ့သည်။ ဆိုလိုသည်မှာ လက်တွေ့အသုံးချမှုအခြေအနေများအောက်တွင် ကိရိယာသို့ ဝင်ရောက်ခွင့်ပေးခံရခြင်း၏ သက်ရောက်မှု—တစ်နည်းအားဖြင့် လက်တွေ့တွင် ပါဝင်အသုံးပြုမှု ကွဲပြားနိုင်သည်ကို လက်ခံထားလျက် Study Mode ကို ကမ်းလှမ်းခံရခြင်း၏ အကြောင်းရင်းဆိုင်ရာ သက်ရောက်မှုဖြစ်သည်။

တွေ့ရှိချက်များ

ကျွန်ုပ်တို့သည် စာမေးပွဲတစ်ခုချင်းစီအပေါ် စွမ်းဆောင်ရည်ကို သီးခြားတိုင်းတာခဲ့သည်။ ကျွန်ုပ်တို့၏ randomized study တွင် တိုးတက်မှုများသည် ဘာသာရပ်အားလုံးတွင် တူညီမနေခဲ့သလို Study Mode နှင့် ပါဝင်ဆက်သွယ်မှု အဆင့်များလည်း ပါဝင်သူများအကြား ကွဲပြားခဲ့သည်။ 

• Neuroscience (primary ITT): Study Mode သည် ထိန်းချုပ်အုပ်စုနှင့် နှိုင်းယှဉ်လျှင် အပြုသဘောဆောင်သော ကွာခြားချက်များကို တွေ့မြင်ခဲ့သော်လည်း ရိုးရာအွန်လိုင်းအရင်းအမြစ်များဖြင့် လေ့လာသော ကျောင်းသားများနှင့် ရလဒ်အားဖြင့် ကွဲပြားကြောင်း ခွဲခြားပြသနိုင်ခြင်း မရှိခဲ့ပါ။ onboarding နှင့် နည်းပညာဆိုင်ရာ ပြဿနာအချို့က Study Mode အသုံးပြုသော ကျောင်းသားများ၏ လေ့လာချိန်အပေါ် သက်ရောက်ခဲ့သည်။ 
• Microeconomics (primary ITT): Study Mode အသုံးပြုခွင့်ရရှိထားသော ကျောင်းသားများတွင် AI မပါသော ထိန်းချုပ်အုပ်စုနှင့် နှိုင်းယှဉ်လျှင် စာမေးပွဲစွမ်းဆောင်ရည်၌ အဓိပ္ပာယ်ရှိသော တိုးတက်မှုများကို တွေ့ရှိခဲ့သည်—ဆွေမျိုးနှိုင်းယှဉ်လျှင် ရမှတ် 15% ခန့် ပိုမြင့်ခဲ့သည်။

ဤသည်မှာ လက်တွေ့ကမ္ဘာဆိုင်ရာ ကွဲပြားမှုကို ထင်ဟပ်စေသော်လည်း သင်ယူမှုရလဒ်များကို ပုံမှန်အားဖြင့် တိုင်းတာပုံတွင် ပိုမိုနက်ရှိုင်းသော ကန့်သတ်ချက်တစ်ခုကိုလည်း မီးမောင်းထိုးပြခဲ့သည်။

လက်ရှိရှိနေသော အကဲဖြတ်နည်းလမ်းအများစုသည် အချိန်တိုအတွင်း အကဲဖြတ်ထားသော တိကျသတ်မှတ် intervention များကို အခြေခံထားပြီး စာမေးပွဲရမှတ်များ သို့မဟုတ် နောက်ဆုံး essay များကဲ့သို့သော ရလဒ်များကို အဓိက signal များအဖြစ် အသုံးပြုကြသည်။ ဤနည်းလမ်းများသည် လက်တွေ့တွင် AI က သင်ယူမှုကို သက်ရောက်စေသော အဓိက mechanism ကို ဖမ်းဆီးရန် ဒီဇိုင်းထုတ်ထားခြင်း မဟုတ်ပါ။ ၎င်းမှာ သင်ယူသူတစ်ဦး၏ ကိုယ်ပိုင် နည်းဗျူဟာများ၊ အကြိုက်များနှင့် လေ့လာမှုပုံစံများနှင့်အတူ ပြောင်းလဲတိုးတက်လာသော ဆက်လက်ဖြစ်ပွားနေသည့် ပုဂ္ဂိုလ်ရေးသီးသန့် အပြန်အလှန်လုပ်ဆောင်မှုများ ဖြစ်သည်။ ထို့ပြင် ရေတိုမှတ်မိခြင်းကဲ့သို့သော စွမ်းရည်တစ်ခုတွင် တိုးတက်မှုများသည် ဇွဲရှိမှု၊ ကိုယ်ပိုင်လှုံ့ဆော်မှု သို့မဟုတ် ဖန်တီးမှုဆိုင်ရာ ပြဿနာဖြေရှင်းနိုင်စွမ်းကဲ့သို့ အခြားအရာများတွင် လျှော့ချမှုများနှင့် အတူဖြစ်ပေါ်လာမလားဆိုတာကိုလည်း ၎င်းတို့က မဖော်ထုတ်ပေးနိုင်ပါ။ ထို့ကြောင့် AI က သင်ယူမှုကို အမှန်တကယ် အကျိုးရှိစွာ တိုးတက်စေမစေကို နောက်ဆုံးတွင် ဆုံးဖြတ်ပေးသော ရေရှည်သဘောဆိုင်ရာ သိမြင်မှုအကျိုးသက်ရောက်မှုများကို လွတ်ချော်နေကြသည်။ 

နိုင်ငံများ၊ သင်ရိုးညွှန်းတမ်းများနှင့် အဖွဲ့အစည်းရည်မှန်းချက်များအလိုက် သင်ယူမှုပတ်ဝန်းကျင်များမှာ အလွန်ကွာခြားသောကြောင့် တစ်ကြိမ်တည်းသော လေ့လာမှုများမှ ရလဒ်များကို စနစ်အားလုံးအပေါ် သာမန်ပြုသတ်မှတ်ရန် ခက်ခဲသည်။ ထို့ကြောင့် တိုင်းတာမှုနည်းလမ်းများသည် မတူညီသော ပညာရေးစနစ်များက မိမိတို့၏ အခြေအနေတွင် အောင်မြင်မှုဟု သတ်မှတ်သောအရာကို သတ်မှတ်နိုင်ရန်၊ AI ကို မိမိတို့၏ စံနှုန်းများအလိုက် အကဲဖြတ်နိုင်ရန်နှင့် ထိုအပေါ် မူတည်၍ ဆက်လက်ပြုပြင်နိုင်ရန် လုံလောက်စွာ ပြောင်းလွယ်ပြင်လွယ် ရှိရမည်ဖြစ်သည်။

ပိုမိုကောင်းမွန်သော တိုင်းတာမှုစနစ်တစ်ခု တည်ဆောက်ခြင်း 

OpenAI ၏ Study Mode သုတေသနမှ ရရှိသော သင်ခန်းစာများအပေါ် အခြေခံ၍ ကျွန်ုပ်တို့သည် သင်ယူသူများအပေါ် AI ၏ သက်ရောက်မှုကို အကြီးစားအဆင့်ဖြင့် တိုင်းတာနိုင်ရန်နှင့် ထိုရလဒ်များအပေါ် မူတည်၍ မော်ဒယ်များကို တိုးတက်စေရန် mechanism တစ်ခုဖန်တီးနိုင်ရန် ဖွဲ့စည်းတကျရှိသော တိုင်းတာမှုစနစ်တစ်ခုကို တည်ဆောက်နေပါသည်။ ၎င်းကို signal သုံးမျိုးအပေါ် အခြေခံထားသည်—မော်ဒယ်၏ အပြုအမူ၊ သင်ယူသူများ၏ တုံ့ပြန်ပုံနှင့် အချိန်နှင့်အမျှ ဖြစ်ပေါ်လာသော တိုင်းတာနိုင်သော သိမြင်မှုဆိုင်ရာ ရလဒ်များ။ ၎င်းတွင် အောက်ပါတို့ ပါဝင်သည်။ 

• မော်ဒယ်အပြုအမူကို ပြုပြင်ရန် system instructions များ: မော်ဒယ်၏ default အပြုအမူကို သတ်သတ်မှတ်မှတ် သင်ကြားရေးနည်းလမ်းများနှင့် ပိုမိုကိုက်ညီစေရန် သဘာဝဘာသာစကားကို အသုံးပြုခြင်း။
• သင်ယူမှုအပြန်အလှန် classifier များ: ဤအရာများသည် ကိုယ်ရေးအချက်အလက်ဖယ်ရှားထားသော သင်ယူသူ-မော်ဒယ် အပြန်အလှန်လုပ်ဆောင်မှုများအတွင်း “learning moments” များကို အလိုအလျောက် ရှာဖွေသတ်မှတ်ပြီး engagement နှင့် error correction ကဲ့သို့သော ထင်ရှားသော လက္ခဏာများကို အမှတ်အသားတပ်ပေးသည်။
• သင်ယူမှုအရည်အသွေး grader များ: ဤအရာများသည် ထို learning moment တစ်ခုချင်းစီကို သင်ယူသူက မိမိရည်မှန်းချက်ကို ပြည့်မီခဲ့မပြီလား၊ အပြန်အလှန်လုပ်ဆောင်မှုသည် failure mode များကို သတ်မှတ်ခြင်းအပါအဝင် ခိုင်မာသော သင်ကြားရေးအခြေခံမူများကို မည်မျှ လိုက်နာခဲ့သလဲဆိုတာအပေါ် မူတည်၍ အကဲဖြတ်ပြီး အမှတ်ပေးသည်။
• ရေရှည်သင်ယူမှု grader များ: ဤအရာများသည် သင်ယူသူတစ်ဦးတည်း၏ မော်ဒယ်နှင့် အပြန်အလှန်လုပ်ဆောင်မှုများတွင် အချိန်နှင့်အမျှ ဖြစ်ပေါ်လာသော အပြောင်းအလဲများ—engagement, persistence နှင့် metacognitive strategies တို့ကို တစ်ဦးချင်းနှင့် cohort အဆင့်များတွင် လိုက်လံစောင့်ကြည့်သည်။
• စံနှုန်းသတ်မှတ်ထားသော သိမြင်မှုနှင့် metacognitive တိုင်းတာချက်များ: ဤအရာများမှာ baseline များ တည်ဆောက်ရန်နှင့် critical thinking, creativity နှင့် memory ကဲ့သို့သော အခြေခံစွမ်းရည်များတွင် အပြောင်းအလဲများကို တိုင်းတာရန် ChatGPT မှတစ်ဆင့် အသုံးပြုခွင့်မတိုင်မီ/အသုံးပြုနေစဉ်/အသုံးပြုပြီးနောက် ပေးပို့သော third-party validated instrument များဖြစ်သည်။

ဤအရာများကို ပေါင်းစပ်ထားသည့်အခါ ကျွန်ုပ်တို့သည် ဤတိုင်းတာမှုစနစ်ကို Learning Outcomes Measurement Suite ဟု ခေါ်ဆိုသည်။ 

၎င်းသည် ပညာရေး ecosystem က အသုံးချနိုင်သော အရေးကြီးသော signal များကို ထုတ်ပေးသည်။ သင်ယူမှုအခိုက်အတန့်များ၏ ဖွဲ့စည်းတကျ အမြင်များ၊ cohort များတစ်လျှောက် အချိန်နှင့်အမျှ ရလဒ်များ ပြောင်းလဲပုံကို ပြသသော dashboard များ၊ သင်ကြားရေးနှင့် tutoring rubric များအပေါ် မော်ဒယ်စွမ်းဆောင်ရည်ကို ညွှန်ပြသော အညွှန်းများနှင့် စံပြုသတ်မှတ်ထားသော အကဲဖြတ်မှုများ၊ သင်ယူသူ မေးခွန်းလွှာတိုများနှင့် ကိုက်ညီသော ရလဒ်တိုင်းတာချက်များဖြစ်သည်။ ရရှိနိုင်သည့်နေရာများတွင် exam scores, classroom observations သို့မဟုတ် attendance ကဲ့သို့သော မိတ်ဖက်များပေးသော ground truth ကိုလည်း ထည့်သွင်းနိုင်သည်။

ဤစနစ်မှတစ်ဆင့် ကျွန်ုပ်တို့သည် AI ကို သင်ယူမှုအတွက် အသုံးပြုခြင်း၏ ပိုမိုနက်ရှိုင်းသော သိမြင်မှုဆိုင်ရာ သက်ရောက်မှုများကို အချိန်နှင့်အမျှ လိုက်လံစောင့်ကြည့်နိုင်သောကြောင့် မိတ်ဖက်များကလည်း ထိုသက်ရောက်မှုများကို နားလည်နိုင်စေသည်။ ၎င်းတွင် အောက်ပါစွမ်းရည်များအပေါ် သက်ရောက်မှုများ ပါဝင်သည်။

• Autonomous Motivation: သင်ယူသူများသည် မော်ဒယ်၏ လမ်းညွှန်မှုအောက်တွင် ရှိနေခြင်းထက် မိမိတို့၏ လေ့လာမှုကို မည်မျှ ကိုယ်တိုင်ပုံဖော်နေကြသည်ဆိုသော အတိုင်းအတာ 
• Productive Engagement: သင်ကြားရေးဆိုင်ရာ အပြန်အလှန်လုပ်ဆောင်မှုများ၏ ကြိမ်နှုန်း၊ မတူကွဲပြားမှုနှင့် အရည်အသွေး
• Task Persistence: သင်ယူသူတစ်ဦးက သိမြင်မှုဆိုင်ရာ စိန်ခေါ်မှုများကို မည်မျှ ကြံ့ကြံ့ခံ ရင်ဆိုင်၍ ဆက်လက်လုပ်ဆောင်နိုင်သည်ဆိုသော အတိုင်းအတာ
• Metacognition: သင်ယူသူ၏ လေ့လာမှုပုံစံများကို စီစဉ်ခြင်း၊ ပြန်လည်သုံးသပ်ခြင်းနှင့် စောင့်ကြည့်ခြင်းအတွက် ကြိုးပမ်းမှုများ၏ ကြိမ်နှုန်းနှင့် အရည်အသွေး
• Recall: သင်ယူသူတစ်ဦးက ယခင်အပြန်အလှန်လုပ်ဆောင်မှုများမှ အကြောင်းအရာများကို မည်မျှ တိကျစွာ မှတ်မိနိုင်သည်ဆိုခြင်း

ဤသည်မှာ သင်ယူမှုရလဒ်များကို ကျဉ်းမြောင်းစွာ သတ်မှတ်ထားသော အဓိပ္ပာယ်များ (စာမေးပွဲရမှတ် တက်လာခြင်း) အပေါ်သာ မဟုတ်ဘဲ သင်ယူမှုကို အခြေခံပံ့ပိုးပေးသော စုစုပေါင်းစွမ်းရည်များအပေါ်လည်း အာရုံစိုက်ရန် ကျွန်ုပ်တို့၏ အလုံးစုံကြိုးပမ်းမှုများကို ထင်ဟပ်စေသည်။ ထို့ပြင် ဘာကို optimize လုပ်ရမည်ဆိုသည့်အပေါ် တစ်ခုတည်းသော အဖြေမရှိနိုင်ကြောင်း ကျွန်ုပ်တို့၏ ယုံကြည်ချက်ကိုလည်း ထင်ဟပ်စေသည်။ စနစ်များနှင့် ဆရာများသည် သင်ကြားရေးဆိုင်ရာ အကောင်းဆုံးလုပ်ထုံးလုပ်နည်းများနှင့် နည်းလမ်းများနှင့် ကိုက်ညီစွာ trade-off များကို လမ်းညွှန်နိုင်အောင် အားပေးစွမ်းဆောင်ပေးထားရမည်ဖြစ်သည်။

ရှေ့ဆက်သွားမည့်လမ်း

ကျွန်ုပ်တို့သည် Learning Outcomes Measurement Suite ကို အများပြည်သူသို့ ကျယ်ကျယ်ပြန့်ပြန့် မရရှိစေမီ အကြီးစားလေ့လာမှုများမှတစ်ဆင့် အတည်ပြုနေပါသည်။ ဤလုပ်ငန်းကို အက်စ်တိုနီးယားကဲ့သို့သော နိုင်ငံအဆင့်မိတ်ဖက်များတစ်လျှောက် University of Tartu နှင့် Stanford ၏ SCALE Initiative တို့နှင့်အတူ ဆောင်ရွက်နေပြီး measurement suite ကို လပေါင်းများစွာကြာ အသက် 16-18 နှစ်ရှိ ကျောင်းသား 20,000 နီးပါးနှင့် လေ့လာနေပါသည်။ ကျောင်းသားအသုံးပြုမှုကို ဘေးကင်းမှုနှင့် ဒေသခံသင်ရိုးညွှန်းတမ်းများနှင့် ကိုက်ညီမှု ရှိစေရန် ဒေသခံခေါင်းဆောင်များနှင့် နီးကပ်စွာ ပူးပေါင်းဆောင်ရွက်သွားမည်ဖြစ်သည်။

ဤလုပ်ငန်းသည် လက်ရှိဆောင်ရွက်နေသော ပိုမိုကျယ်ပြန့်သည့် ပူးပေါင်းသုတေသနများအပေါ် အခြေခံတည်ဆောက်ထားခြင်းဖြစ်သည်။ Learning Lab ရှိ တည်ထောင်ဖက်မိတ်ဖက်များမှတစ်ဆင့် ဆောင်ရွက်နေသော ရလဒ်ဆိုင်ရာ သုတေသနများအပြင် OpenAI သည် သင်ယူမှုနှင့် အလုပ်အကိုင်ဆိုင်ရာ ဆုံချက်၌လည်း လေ့လာမှုများကို ပံ့ပိုးနေသည်—AI က ကျောင်းသားများ၏ ပညာရေးလမ်းကြောင်းများ၊ အလုပ်အကိုင်ဆိုင်ရာ ဆုံးဖြတ်ချက်များနှင့် အဖွဲ့အစည်းများက တာဝန်ယူမှုရှိသော အသုံးချမှုကို မည်သို့ ပံ့ပိုးနိုင်သည်ကို စူးစမ်းသုံးသပ်နေသည်။ ဤသုတေသနကို Bocconi University, Innova Schools, Dartmouth ရှိ Tuck School of Business, San Diego State University, Stony Brook University နှင့် အခြားအဖွဲ့အစည်းများတစ်လျှောက် ဆောင်ရွက်နေပါသည်။

ကျွန်ုပ်တို့သည် ကျောင်းသားများက AI နှင့်အတူ အကောင်းဆုံး မည်သို့ သင်ယူကြသည်ကို ရေရှည်လေ့လာမှုများ ဆက်လက်ဆောင်ရွက်နေချိန်တွင် တွေ့ရှိချက်များကို မျှဝေပြီး AI သည် နေရာတိုင်းရှိ သင်ယူသူများအတွက် အကျိုးဖြစ်စေရန် ပိုမိုကျယ်ပြန့်သော ပညာရေး ecosystem နှင့် အတူ လက်တွဲဆောင်ရွက်သွားရန် ရည်ရွယ်ထားသည်။

ဤလုပ်ငန်းအပေါ် နောက်ဆုံးရသတင်းများကို လက်ခံရရှိရန် စိတ်ဝင်စားသူများသည် ဤနေရာတွင်⁠ စာရင်းသွင်းနိုင်ပါသည်။