അധ്യാപകർക്കായി സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ് ഉപകരണങ്ങൾ രൂപകൽപ്പന ചെയ്യുന്നു
പാഠ പദ്ധതികൾ വേഗത്തിൽ സൃഷ്ടിക്കുക അല്ലെങ്കിൽ മാതാപിതാക്കൾക്ക് ഇമെയിലുകൾ എഴുതുക തുടങ്ങിയ ജോലികളിൽ അവരുടെ കാര്യക്ഷമത വർദ്ധിപ്പിക്കാൻ ഇന്നത്തെ ചാറ്റ്ബോട്ടുകൾ അധ്യാപകരെ സഹായിക്കുമ്പോൾ, രണ്ട് സ്റ്റാൻഫോർഡ് പണ്ഡിതർ പ്രവൃത്തി ദിവസത്തിൽ നിന്ന് കുറച്ച് മിനിറ്റ് ഷേവിംഗ് ചെയ്യുന്നതിനപ്പുറം പോകാവുന്ന ഓപ്ഷനുകൾ പഠിക്കുന്നു.
സ്റ്റാൻഫോർഡ് ഗ്രാജുവേറ്റ് സ്കൂൾ ഓഫ് എഡ്യൂക്കേഷൻ പ്രൊഫസർ ഡോറ ഡെംസ്കിയും കമ്പ്യൂട്ടർ സയൻസ് പിഎച്ച്ഡി വിദ്യാർത്ഥി റോസ് വാങും അധ്യാപകർക്ക് അപൂർവമായ ഫീഡ്ബാക്കും നിർദ്ദേശങ്ങളും നൽകുന്ന മോഡലുകൾ സൃഷ്ടിക്കുന്നു.
അവർ രൂപകൽപ്പന ചെയ്യുന്ന ഓരോ ഉപകരണവും അധ്യാപകരെ ലൂപ്പിൽ നിലനിർത്തുന്നുവെന്ന് ഡെംസ്കിയും വാങും ഊന്നിപ്പറയുന്നു – ഒരിക്കലും ഒരു ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മോഡൽ ഉപയോഗിച്ച് അവരെ മാറ്റിസ്ഥാപിക്കുന്നില്ല. കാരണം, എൻ എൽ പി സിസ്റ്റങ്ങളിലെ ദ്രുതഗതിയിലുള്ള മെച്ചപ്പെടുത്തലുകൾക്കിടയിലും, വിദ്യാഭ്യാസത്തിനുള്ളിലെ മാനുഷിക ബന്ധത്തിന്റെ പ്രാധാന്യം ഒരിക്കലും മാറില്ലെന്ന് അവർ വിശ്വസിക്കുന്നു.
“പഠനത്തിന്റെ അത്തരമൊരു അടിസ്ഥാന വശം വിദ്യാർത്ഥിയും അധ്യാപകനും തമ്മിലുള്ള മാനുഷിക ബന്ധമാണ്, പഠിക്കാനുള്ള പ്രചോദനം ആ ബന്ധത്തിലാണ്. ഒരു റോബോട്ട് ഉപയോഗിച്ച് ഇത് നിർമ്മിക്കാൻ ശരിക്കും സാധ്യമല്ല, “ഡെംസ്കി പറഞ്ഞു. “നമ്മൾ ഒരിക്കലും അധ്യാപകനെ മറികടക്കരുത്, പക്ഷേ അധ്യാപകന്റെ ജോലി വർദ്ധിപ്പിക്കുന്നതിനുള്ള വഴികളെക്കുറിച്ച് ചിന്തിക്കുക.”
ലൂപ്പിലെ വിദഗ്ധർ
ക്ലാസ്റൂം സാങ്കേതികവിദ്യ കെട്ടിപ്പടുക്കുന്നതിന് അധ്യാപനത്തെക്കുറിച്ചും പരിചയസമ്പന്നരായ അധ്യാപകർ മാത്രം നേടിയ വിദ്യാർത്ഥി പഠന രീതികളെക്കുറിച്ചും വിപുലമായ പശ്ചാത്തല അറിവ് ആവശ്യമാണ്.
തൽഫലമായി, ഡെംസ്കിയും വാങും അവരുടെ ഓരോ എൻഎൽപി വിദ്യാഭ്യാസ പദ്ധതികളും ഒരേ സമീപനത്തോടെ ആരംഭിക്കുന്നു. അവർ എല്ലായ്പ്പോഴും അധ്യാപകരിൽ നിന്ന് തന്നെ ആരംഭിക്കുന്നു, അവരെ സമ്പന്നമായ അങ്ങോട്ടും ഇങ്ങോട്ടും സഹകരണത്തിലേക്ക് കൊണ്ടുവരുന്നു. ഏതൊക്കെ ഉപകരണങ്ങളാണ് അവർക്ക് ഏറ്റവും സഹായകരമാകുന്നത് എന്നതിനെക്കുറിച്ച് അവർ അധ്യാപകരെ അഭിമുഖം നടത്തുന്നു, തുടർന്ന് അവരുടെ ആശയങ്ങൾ രൂപകൽപ്പന ചെയ്യുകയും പരീക്ഷിക്കുകയും ചെയ്യുമ്പോൾ ഫീഡ്ബാക്ക് ചോദിക്കുന്നതിന് അവരെ തുടർച്ചയായി പിന്തുടരുകയും ചെയ്യുന്നു. “അധ്യാപകരുമായും അവരുടെ വൈദഗ്ധ്യവുമായും കൂടിയാലോചിക്കാതെ ഞങ്ങൾക്ക് ഗവേഷണം നടത്താൻ കഴിയില്ല,” ഡെംസ്കി പറഞ്ഞു.
ചിലപ്പോൾ, അധ്യാപകരുടെ ഫീഡ്ബാക്ക് ഗവേഷണത്തെ ഒരു പുതിയ ദിശയിലേക്ക് കൊണ്ടുപോയി. ഓൺലൈൻ ചാറ്റ് അധിഷ്ഠിത ഫോർമാറ്റിൽ ഗണിത വിദ്യാർത്ഥികളെ ഘട്ടം ഘട്ടമായി പഠിപ്പിക്കുന്നതിനായി ഒരു വലിയ ഭാഷാ മോഡൽ (എൽഎൽഎം) വികസിപ്പിച്ചുകൊണ്ട് arXiv-ൽ പോസ്റ്റുചെയ്ത ഒരു പ്രീപ്രിന്റ് പ്രോജക്റ്റിനായി, വിദ്യാർത്ഥിയെ മനസിലാക്കാൻ സഹായിക്കുന്നതിന് ഗണിത അധ്യാപകർ ആദ്യം ഒരു തന്ത്രം തിരഞ്ഞെടുക്കുമെന്ന് പണ്ഡിതന്മാർ ആദ്യം അനുമാനിച്ചു.
എന്നാൽ ഗണിത അധ്യാപകരെ അഭിമുഖം നടത്തിയ ശേഷം, വിദ്യാർത്ഥിയുടെ തെറ്റിദ്ധാരണ എവിടെ നിന്നാണ് വരുന്നതെന്ന് കൃത്യമായി ചൂണ്ടിക്കാണിക്കാൻ ശ്രമിക്കുക എന്നതാണ് ഒരു അധ്യാപകന്റെ ആദ്യ പടിയെന്ന് അവർ മനസ്സിലാക്കി. “സ്വന്തം ഗണിത അധ്യാപന അനുഭവങ്ങൾ പങ്കിടാൻ കഴിയുന്ന അധ്യാപകരുമായി സംസാരിക്കാൻ ഞങ്ങൾക്ക് കഴിഞ്ഞില്ലെങ്കിൽ ഞങ്ങൾക്ക് ഒരിക്കലും ആ വിശദാംശങ്ങളിലേക്ക് എത്താൻ കഴിയുമായിരുന്നില്ല,” വാങ് പറഞ്ഞു. “പിശാച് ശരിക്കും വിശദാംശങ്ങളിൽ ഉണ്ട്.”
എൽഎൽഎമ്മുകളും അധ്യാപകരും സൃഷ്ടിച്ച ഫീഡ്ബാക്ക് റേറ്റുചെയ്യാൻ അവർ വിദ്യാർത്ഥികളോട് ആവശ്യപ്പെട്ടപ്പോൾ, ഗണിത അധ്യാപകർക്ക് എല്ലായ്പ്പോഴും ഉയർന്ന റേറ്റിംഗ് ലഭിച്ചു. എന്നിരുന്നാലും, വിദ്യാർത്ഥികളുടെ തെറ്റിന്റെ തരം ലേബൽ ചെയ്യുകയും ഉപയോഗിക്കാൻ ഒരു പ്രത്യേക തന്ത്രം വാഗ്ദാനം ചെയ്യുകയും ചെയ്ത അധ്യാപകരുടെ സഹായത്തോടെ അവർ എൽഎൽഎമ്മിനെ വീണ്ടും പ്രേരിപ്പിച്ചപ്പോൾ എൽഎൽഎം പ്രതികരണങ്ങൾ വളരെ ഉയർന്നതായി റേറ്റുചെയ്തു. ഒരു അധ്യാപകനെന്ന നിലയിൽ മൂല്യവത്തായി കണക്കാക്കപ്പെട്ടിട്ടില്ലെങ്കിലും, എൽഎൽഎമ്മുകൾ ഒരു സാധാരണ അധ്യാപകനേക്കാൾ ഉയർന്ന റേറ്റിംഗ് നേടി.
“ചില വിദഗ്ദ്ധ ഇൻപുട്ടുമായി സംയോജിപ്പിച്ച് ഈ മോഡലുകൾ ഉപയോഗിക്കുന്നതിൽ ധാരാളം വാഗ്ദാനങ്ങൾ ഉണ്ടെന്ന് ഇത് സൂചിപ്പിക്കുന്നു, കൂടാതെ സ്കെയിലബിൾ, ഉയർന്ന നിലവാരമുള്ള നിർദ്ദേശങ്ങൾ സൃഷ്ടിക്കാൻ കുറഞ്ഞ ഇൻപുട്ട് മാത്രമേ ആവശ്യമുള്ളൂ,” ഡെംസ്കി പറഞ്ഞു.
ജൂൺ 23 ന് പ്രസിദ്ധീകരിച്ച ഒരു അധിക പ്രീപ്രിന്റ് പേപ്പറിൽ, എംഐടി ഓപ്പൺകോഴ്സ്വെയർ യൂട്യൂബ് ചാനലിൽ നിന്നുള്ള ഓൺലൈൻ കോഴ്സുകൾ ഉപയോഗിച്ച് കോളേജ് തലത്തിൽ കണക്ക് പഠിച്ചു. ഈ പ്രോജക്റ്റുകളിൽ, ചർച്ചയ്ക്കിടെ ഓൺലൈൻ വിദ്യാർത്ഥി അഭിപ്രായങ്ങൾ വിശകലനം ചെയ്യുന്നതിനെ അടിസ്ഥാനമാക്കി, ഒരു പ്രഭാഷണത്തിനിടെ വിദ്യാർത്ഥികളെ നഷ്ടപ്പെടുമ്പോൾ ഓൺലൈൻ ഇൻസ്ട്രക്ടർമാർക്ക് ഫീഡ്ബാക്ക് നൽകാൻ എൽഎൽഎമ്മുകൾക്ക് കഴിയുമോ എന്ന് അവർ പരിശോധിച്ചു.
ഇവിടെ, ലിങ്കുചെയ് ത വിദ്യാർത്ഥി അഭിപ്രായങ്ങളുള്ള പ്രഭാഷണ ട്രാൻസ്ക്രിപ്റ്റുകളുടെ ഒരു വലിയ ഡാറ്റാസെറ്റായ സൈറ്റ് അവർ സൃഷ്ടിച്ചു, കൂടാതെ അഭിപ്രായങ്ങളെ ആശയക്കുഴപ്പം, വ്യക്തത, കൃതജ്ഞത തുടങ്ങിയ വിഭാഗങ്ങളായി തരംതിരിക്കാൻ ഒരു എൽഎൽഎമ്മിനെ പരിശീലിപ്പിച്ചു. കൂടാതെ, ബാക്ക്ട്രാക്കിംഗ് എന്ന ചട്ടക്കൂട് വികസിപ്പിക്കാനും പ്രസിദ്ധീകരിക്കാനും അവർ പ്രവർത്തിക്കുന്നു, ഇത് ഒരു വിദ്യാർത്ഥിയുടെ അഭിപ്രായത്തിൽ ഏറ്റവും ആശയക്കുഴപ്പത്തിന് കാരണമായ നിർദ്ദിഷ്ട വാചകം വീണ്ടെടുക്കാൻ എൽഎൽഎമ്മുകളെ പ്രേരിപ്പിക്കുന്ന ഒരു ജോലിയാണ്.
“ഈ ഓൺലൈൻ പ്രഭാഷണ സ്രഷ്ടാക്കളെ അവരുടെ ഉള്ളടക്കം കൂടുതൽ ടാർഗെറ്റുചെയ് ത രീതിയിൽ പരിഷ്കരിക്കാൻ പ്രോത്സാഹിപ്പിക്കാൻ ഞങ്ങൾ ശ്രമിക്കുന്നു,” വാങ് പറഞ്ഞു.
നിങ്ങളുടെ പുതിയ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് പരിശീലകനെ പരിചയപ്പെടുക
ഡെംസ്കിയും വാങ്ങും പ്രവർത്തിക്കുന്ന മറ്റൊരു നല്ല ദിശ ഒരു എൻഎൽപി സംവിധാനമാണ്, ഇത് ഒരു വ്യക്തിഗത പാഠം നിരീക്ഷിക്കുന്നതിനും മെച്ചപ്പെടുത്തുന്നതിനുള്ള നിർദ്ദേശങ്ങൾ നൽകുന്നതിനും ഒരു അധ്യാപകന്റെ സഹായിയായി പ്രവർത്തിക്കാൻ കഴിയും. ഡെംസ്കി ഈ ഓപ്ഷനെ മിക്കവാറും ഒരു “നോൺജഡ്ജ്മെന്റൽ കോച്ച്” പോലെ കാണുന്നു, ഇത് അധ്യാപകർ ഇപ്പോഴും തൊഴിലിൽ പുതിയവരായിരിക്കുമ്പോൾ അതിന്റെ നിർദ്ദേശങ്ങൾ രൂപപ്പെടുത്താനും ആ അധ്യാപകർ കൂടുതൽ പരിചയസമ്പന്നരാകുമ്പോഴും ആഴത്തിലുള്ള ഉപദേശം നൽകുന്നത് തുടരാനും കഴിയും.
ബിൽഡിംഗ് എഡ്യൂക്കേഷണൽ ആപ്ലിക്കേഷനുകൾക്കായി എൻഎൽപിയുടെ നൂതന ഉപയോഗത്തെക്കുറിച്ചുള്ള എസിഎല്ലിന്റെ വർക്ക്ഷോപ്പിൽ ഈ ജൂണിൽ പ്രസിദ്ധീകരിച്ച ഒരു പ്രബന്ധത്തിൽ, ടീം ചാറ്റ്ജിപിടിയെ ഒരു പരിശീലന ഉപകരണമായി പരീക്ഷിച്ചു. മോഡലിന്റെ നിർദ്ദേശങ്ങളിൽ 82 ശതമാനവും അധ്യാപകർ ഇതിനകം ചെയ്യുന്ന ആശയങ്ങളാണെന്ന് അവർ കണ്ടെത്തി, പക്ഷേ ഉപകരണം കൂടുതൽ അനുയോജ്യമായ പ്രോംപ്റ്റുകൾ ഉപയോഗിച്ച് മെച്ചപ്പെടുത്തി.
ഡിസംബറിൽ നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസിംഗിലെ പ്രായോഗിക രീതികളെക്കുറിച്ചുള്ള കോൺഫറൻസിൽ അവതരിപ്പിക്കാൻ പോകുന്ന arXiv-ൽ പോസ്റ്റ് ചെയ്ത ഒരു പുതിയ പ്രബന്ധത്തിൽ, “വളർച്ചാ മനോഭാവം” ഭാഷയെക്കുറിച്ചുള്ള ഒരു മാതൃക അവർ പരിശീലിപ്പിച്ചു. ഒരു വിദ്യാർത്ഥിയുടെ കഴിവുകൾ കാലക്രമേണ വളരാൻ കഴിയുമെന്നും അവ സ്ഥിരമല്ലെന്നുമുള്ള ആശയമാണ് വളർച്ചാ മനോഭാവം, ഈ ആശയം വിദ്യാർത്ഥികളുടെ ഫലങ്ങൾ മെച്ചപ്പെടുത്താൻ കഴിയുമെന്ന് ഗവേഷണം കാണിക്കുന്നു.
ഒരു അധ്യാപകന്റെ അഭിപ്രായങ്ങൾ വളർച്ചാ മാനസികാവസ്ഥ ഭാഷയിലേക്ക് പുനർനിർമ്മിക്കാൻ ജിപിടി -4 നെ പ്രേരിപ്പിച്ചപ്പോൾ, 174 വിദ്യാർത്ഥികളും 1,006 വിദ്യാർത്ഥികളും മോഡലിന്റെ റിഫ്രാമിംഗുകൾ വളർച്ചാ മാനസികാവസ്ഥയുടെ ഭാഷയുടെ ഉപയോഗത്തിൽ അധ്യാപകരേക്കാൾ 24% മുതൽ 85% വരെ മികച്ചതാണെന്ന് വിലയിരുത്തി.
ഉദാഹരണത്തിന് , ഫ്രാക്ഷനുകളെക്കുറിച്ചുള്ള ഒരു വിദ്യാർഥിയുടെ ചോദ്യത്തിന് ഒരു അധ്യാപകൻ ഇങ്ങനെ മറുപടി നൽകി: “നിങ്ങളുടെ കൈവശമുള്ളത് മായ്ച്ചുകളയുക. എല്ലാം. നിങ്ങൾ ഇത് വീണ്ടും പരിശോധിക്കണമെന്ന് ഞാൻ ആഗ്രഹിക്കുന്നു, ഓക്കേ? എല്ലാം. എല്ലാം. എല്ലാം.” പകരം എൽഎൽഎം ഈ ഭാഷ ശുപാർശ ചെയ്തു: “നിങ്ങളുടെ ചിന്തകൾ പങ്കിട്ടതിന് നന്ദി; നിങ്ങൾ സജീവമായി പങ്കെടുക്കുന്നത് വളരെ സന്തോഷകരമാണ്! നമുക്ക് ഫ്രാക്ഷൻ മായ്ച്ചുകളയുകയും നമ്പർ ലൈനിലെ ഫ്രാക്ഷനുകൾ എങ്ങനെ കണ്ടെത്താമെന്ന് മനസിലാക്കാൻ ഒരുമിച്ച് പ്രവർത്തിക്കുകയും ചെയ്യാം. ഒരു ടീമെന്ന നിലയിൽ ഞങ്ങൾ ഇത് കണ്ടെത്തുകയും മെച്ചപ്പെടുത്തുന്നത് തുടരുകയും ചെയ്യും.”
ഡെംസ്കിയും വാങും നിലവിൽ ഓസ്റ്റിനിലെ ടെക്സസ് സർവകലാശാലയിലെ ഡേവിഡ് യേഗറിനൊപ്പം പ്രവർത്തിക്കുന്നു, അദ്ദേഹം വളർച്ചാ മനോഭാവ തന്ത്രങ്ങളെക്കുറിച്ച് അധ്യാപകർക്ക് വാർഷിക പരിശീലനം നൽകുന്നു. ഈ വർക്ക് ഷോപ്പുകളുടെ ഭാഗമായി യെഗറിനും മറ്റുള്ളവർക്കും ഉടൻ വിന്യസിക്കാൻ കഴിയുന്ന ഒരു എൽഎൽഎം ടീച്ചർ കോച്ചിംഗ് ടൂൾ വികസിപ്പിക്കാൻ അവർ ലക്ഷ്യമിടുന്നു.
ഭാവിയിലേക്കുള്ള ഒരു കാഴ്ചപ്പാട്
ഇതുവരെ, ഡെംസ്കിയും വാങ്ങും ഒരു സമയം ഒരു അധ്യാപന വശത്തെ സഹായിക്കുന്നതിന് എൻഎൽപി സംവിധാനങ്ങൾ നിർമ്മിക്കുന്നതിലും വിലയിരുത്തുന്നതിലും ശ്രദ്ധ കേന്ദ്രീകരിച്ചു. എന്നാൽ നിരവധി എൻഎൽപി ഉപകരണങ്ങൾ ഒരു സംയോജിത പ്ലാറ്റ്ഫോമിൽ ഒരുമിച്ച് ഉപയോഗിക്കുന്ന ഒരു ഭാവിയാണ് ഇരുവരും വിഭാവനം ചെയ്യുന്നത്, ഒരേസമയം നിരവധി ഉപകരണങ്ങൾ ഉപയോഗിച്ച് “സാങ്കേതിക ക്ഷീണം” ഒഴിവാക്കുന്നു.
എന്നാൽ ഈ ഭാവി സ്കൂളുകളിലെ അസമത്വം വർദ്ധിപ്പിക്കുമെന്ന് ഡെംസ്കിയും വാങും ആശങ്കപ്പെടുന്നു. “ഇപ്പോള് ഞാന് കാണുന്നത് സമ്പന്നര് കൂടുതല് സമ്പന്നരാകുന്നു എന്നതാണ് ,” ഡെംസ്കി പറഞ്ഞു. കൂടുതൽ പ്രിവിലേജ്ഡ് ക്രമീകരണങ്ങളിലെ കുട്ടികൾക്ക് ഉയർന്ന നിലവാരമുള്ള അധ്യാപനവും ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് അധ്യാപന പിന്തുണയും ലഭിക്കുമെന്ന് അവർ ആശങ്കപ്പെടുന്നു, അതേസമയം അപര്യാപ്തമായ ക്രമീകരണങ്ങളിലെ കുട്ടികൾക്ക് ഉയർന്ന നിലവാരമുള്ള അധ്യാപനമില്ലാതെ എഐയിലേക്ക് പ്രവേശനം ലഭിച്ചേക്കാം.
അധ്യാപകരെയും വിദ്യാർത്ഥികളെയും പിന്തുണയ്ക്കുന്നതിന് മികച്ച അവസരമുള്ള ഉപകരണങ്ങൾക്ക് എല്ലായ്പ്പോഴും മുൻഗണന നൽകുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നുവെന്ന് എഐ ഗവേഷകർ ഉറപ്പാക്കേണ്ടത് പ്രധാനമാണെന്ന് വാങ് കൂട്ടിച്ചേർക്കുന്നു.
“ഇത് ചിന്തിക്കുകയല്ല, വിദ്യാഭ്യാസ സാങ്കേതികവിദ്യയുടെ പരിധി എങ്ങനെ ഉയർത്താം, പക്ഷേ ഈ ഉപകരണങ്ങൾ ഉപയോഗിച്ച് വിദ്യാഭ്യാസത്തിന്റെ അടിത്തറ എങ്ങനെ ഉയർത്താം?” വാങ് പറഞ്ഞു.
കൂടുതൽ വിവരങ്ങൾക്ക്: DOI: 10.48550/arxiv.2310.10648 Rose E. Wang et al, SIGHT: Higher Education Transcripts, arXiv (2023)
Experienced Researcher with a demonstrated history of working in the Deep Learning, Computer Vision
