Czy możesz podzielić się trochę swoją karierą i tym, co zainspirowało Cię do stworzenia tej aplikacji?
Przez lata pracowałem jako inżynier danych w STORD i starszy konsultant ds. Analizy danych w Kaizen Analytix. Obecnie jestem inżynierem analitycznym w Workday. Moja podróż do rozwoju aplikacji została zainspirowana moim własnym doświadczeniem przygotowania GRE. Ten test mierzy wiele umiejętności. Wyróżniłem się w rozumowaniu ilościowym, ale jako nierodzony mówca angielski zmagał się z ustnym rozumowaniem. To trudne, ponieważ musisz opanować ponad 1000 słów. To osobiste wyzwanie zmotywowało mnie do tworzenia słów, aby pomóc innym, zwłaszcza nie rdzennym mówcom, ulepszyć ich słownictwo i osiągnąć lepsze wyniki.
Co ciekawe, moje pochodzenie akademickie odegrało również kluczową rolę. Podczas mojej pracy badałem użycie uczenia się wzmocnienia (RL) w symulowanym inteligentnym systemie korepetycji. Celem było ustalenie najbardziej wydajnych rodzajów wskazówek dla studentów anatomii ludzkiej. Badanie to położyły podwaliny pod adaptacyjnym systemem wskazówek ScafWording. Techniki, które następnie opracowałem, są teraz stosowane do nauki słownictwa GRE. Dowodzi to, jak życie przychodzi pełne koło: od pomocy uczniom anatomii w spersonalizowanych wskazówkach po pomoc mistrzowskiemu słownictwu aspirantów. Po tylu latach nadal koncentruję się na rozwijaniu technologii, aby pomóc ludziom ulepszyć ich doświadczenie w nauce.
Jak zidentyfikowałeś potrzebę nowego podejścia do nauki słownictwa GRE?
Potrzeba innowacyjnego podejścia do uczenia się słownictwa GRE stała się widoczna, gdy studiowałem dla GRE. Uświadomiłem sobie, że zwykłe zapamiętywanie słów było niewystarczające do sukcesu w sekcji rozumowania werbalnego. Poza tym tradycyjne metody często nie mają personalizacji indywidualnych wzorców uczenia się i skutecznych strategii zatrzymania. Studenci lub użytkownicy są zasadniczo uczą się tego samego, pokazując im te same karty i dając im powtarzające się wskazówki. Tradycyjne podejścia pomijają również kontekstowe zrozumienie słów, które są szczególnie ważne przy przygotowaniu się do testów. Chciałem zająć się tymi lukami i zaoferować wszystkim przygotowując się do GRE adaptacyjne doświadczenie uczenia się, które wykracza poza zapamiętywanie na pamięć.
Jakie są kluczowe funkcje, które odróżniają słowo od innych platform edukacyjnych?
Nazwałbym cztery innowacyjne funkcje, które wyróżniają rusztowanie:
- Adaptacyjne wskazówki. Aplikacja wykorzystuje uczenie się wzmocnienia, aby dostosować wskazówki w oparciu o wydajność użytkownika. W ten sposób oferuję spersonalizowane doświadczenia edukacyjne.
- Codzienne quizy do retencji. Quizes łączą wyuczone wcześniej słowa, trudne słowa i pominięte słowa, aby skutecznie wzmocnić retencję.
- Śledzenie postępów. Aby zachęcić do konsekwentnego uczenia się, wdrożyłem smugi i wyniki retencji, aby użytkownicy mogli monitorować ich poprawę.
- Spersonalizowane sesje uczenia się. Każda sesja zawiera mieszankę nowych słów i wcześniej oznaczonych trudnych słów. Ponieważ chodzi o równowagę!
Jakie technologie i języki programowania były używane do rozwijania słów?
Bardzo ważne jest, aby stworzyć wydajne i adaptacyjne doświadczenie w nauce słownictwa. Dlatego nawet w przypadku MVP używam różnorodnej kombinacji technologii i języków programowania. Na przykład frontend, przechowywanie danych i logika aplikacji to bańka-jest to platforma bez kodu, która obsługuje to wszystko. Używam Flask, Python Framework, do wdrożenia modelu uczenia się wzmocnienia i tworzenia punktów końcowych API. Używam również Pythonanywhere, aby organizować backend oparty na Python i uczenie maszynowe. Wbudowana baza danych Bubble jest tym, czego używam do przechowywania danych, postępów użytkowników i analizy uczenia się. W przypadku integracji API polegam na RESTful API, aby połączyć frontend bąbelkowy z Pythonanywhere. Zintegrowałem również uwierzytelnianie Google do funkcji logowania użytkowników.
Jakie konkretne algorytmy uczenia się wzmocnienia są wykorzystywane do personalizacji wskazówek i jak zostały one wdrożone?
ScafWording wykorzystuje algorytm-learning. Jest to najskuteczniejszy sposób szkolenia agenta, co robić w różnych sytuacjach, aby uzyskać najlepsze wyniki. Jest wolny od modelu, więc nie musi wiedzieć, jak działa świat wokół. Rozpada wszystko, próbując działań, widząc, co się dzieje, i ucząc się z wyników – nawet jeśli rzeczy nie zawsze zdarzają się w ten sam sposób. Dlatego używam tego rodzaju uczenia się wzmocnienia, aby personalizować doświadczenie.
Jak zintegrowałeś śledzenie danych, takie jak dokładność odpowiedzi, skuteczność wskazówek i retencja, do architektury aplikacji?
Scarfording było kluczowe, aby zintegrować bazę danych Bubble z niestandardowym modelem uczenia się wzmocnienia. Zapewnia to spersonalizowane doświadczenie edukacyjne, które ewoluuje wraz z wydajnością każdego użytkownika. System monitoruje dokładność, dostosowuje wskazówki na podstawie informacji zwrotnych w czasie rzeczywistym i dostosowuje sesje do dostosowania się do postępu użytkownika, koncentrując się na trudnych słowach.
Śledzę dokładność odpowiedzi w bazie danych Bubble. Odpowiedzi użytkowników są gromadzone za pomocą użytkownika, WordId, poprawne (boolean) i znacznik czasu. Następnie IMARK poprawia odpowiedzi jako „wyuczona”; Niepoprawne są oznaczone do przeglądu. Używam również bazy danych Bubble do obliczania i przechowywania śledzenia retencji. Zasadniczo śledzi słowa za pomocą schematu wydajności quizu. Obliczam wynik retencji – Total poprawna / całkowita próba × 100., A następnie oznaczam nieprawidłowe słowa do przeglądu.
Kolejnym ważnym wskaźnikiem słów Scafording jest wskazówka skuteczności. Ważne jest, aby wiedzieć, czy wybieramy się we właściwym kierunku. Jest to zarządzane za pośrednictwem połączeń API do modelu RL. Na przykład, gdy wybrano „nie wiem”, Bubble żąda trzech najważniejszych wskazówek z interfejsu API modelu RL. Użytkownik wybiera wskazówkę, odpowiada na pytanie i otrzymuje zaktualizowane rankingi wskazówek, które optymalizują przyszłe wybory.
Ostatnie, ale nie mniej więcej – postępowanie, które zarządzam również za pośrednictwem bazy danych Bubble. Śledzę status uczenia się za pomocą UserID, WordID, status (wyuczony/recenzowany) i znacznik czasu. Ponadto dane takie jak codzienne serię i czas trwania sesji pomagają nam w wskaźnikach zaangażowania.
Podczas gdy aplikacja jest skierowana do chęci GRE, jak łatwo można ją dostosować do innych testów lub nauki języka?
Bardzo ważne było dla nas, aby stworzyć słowo jako wysoce elastyczne. Aplikacja może zostać zmieniona na różne testy intensywnie słownictwa i zasadniczo w każdym celu uczenia się języka. Istnieje baza danych słów, którą można łatwo zastąpić słownictwem dla wszystkich głównych znormalizowanych testów, takich jak GRE, TOEFL, IELTS, SAT, GMAT, ACT, a także wyspecjalizowane słownictwo dla zawodów – środków prawnych, legalnych, biznesowych angielskich, nazywasz to. Można to również zapoznać się z różnymi dyscyplinami akademickimi i, oczywiście, ogólnym uczeniem się języka angielskiego.
Jednym z powodów, dla których słownictwo ma zastosowanie do różnych scenariuszy uczenia się języka, a różne poziomy biegłości jest nasz system wskazówek. Opiera się na kontekście, dialogu i historii, co sprawia, że aplikacja jest odpowiednia dla różnych poziomów biegłości i celów uczenia się. Ponadto algorytm Q-Learning jest dość elastyczny i może być dopracowany dla różnych formatów testowych lub celów uczenia się.
Biorąc to wszystko pod uwagę, przy minimalnych modyfikacjach, słowo słów może służyć jako wszechstronne narzędzie do pozyskiwania słownictwa w szerokim zakresie kontekstów edukacyjnych i profesjonalnych.
Jakie funkcje lub ulepszenia planujesz na przyszłe wersje?
Wierzę, że ScafWording ma ogromny potencjał wzrostu. W przyszłości widzę, że produkt można ulepszyć o cztery kluczowe ulepszenia: model zorientowany na użytkownika, rozszerzony system wskazówek, opracowywanie aplikacji mobilnych i rozszerzenie testów.
Obecnie aplikacja korzysta z modelu uniwersalnego zaktualizowanego na podstawie danych wszystkich użytkowników. Przejście na model zorientowany na użytkownika byłoby znaczącym ulepszeniem dla słów. Jeśli wdrożymy spersonalizowane tabele Q dla każdego użytkownika, uczenie się wzmocnienia dostosuje się do indywidualnych wzorców uczenia się. Aby szybko dostosować się do poszczególnych potrzeb, będziemy musieli użyć technik takich jak meta-uczenie się lub uczenie się transferu. Należy również uwzględnić bardziej szczegółowy profil użytkownika, biorąc pod uwagę kwestie, takie jak styl uczenia się i wcześniejsza wiedza. Jestem pewien, że wszystko to doprowadzi do bardziej dostosowanego doświadczenia edukacyjnego. Co oznacza, że może to zwiększyć zaangażowanie i utrzymanie wiedzy.
Nasz system wskazówek zyskuje wiele kredytów, jak już wspomniałem. Obecny zawiera kontekst, dialog i wskazówki historii, które są wskazówkami opartymi na tekstie. W przyszłości chcielibyśmy dołączyć wskazówki obrazowe i wideo. Jest to bardzo ważne, ponieważ wszyscy mamy różne podejścia do nauki i dobrze jest również łączyć style uczenia się – wizualne, słuchowe i czytanie/pisanie. Ponadto chcę zaoferować większy kontekst dla złożonych słów i bardziej angażujących materiałów edukacyjnych.
Aby ScafWording był bardziej dostępny i wygodny, planuję opracować dedykowaną aplikację mobilną na platformy iOS i Android. Kluczowe funkcje, które chcę, to: bezproblemowa synchronizacja między urządzeniami, dostęp offline, dzięki czemu użytkownicy mogą nadal uczyć się nawet bez połączenia internetowego; Powiadomienia o pchanie z przypomnieniami o codziennej nauce w celu utrzymania zaangażowania użytkowników; i oczywiście zoptymalizowany przez telefon komórkowy interfejs w celu bardziej intuicyjnej nawigacji.
A jak będzie wyglądać rozszerzenie testu?
Obecnie aplikacja internetowa została zaprojektowana specjalnie dla słów GRE. Przyszłe wersje można rozszerzyć na testy, w których sekcja czytania ocenia zdolność użytkownika do zrozumienia słów w kontekście. Dokładnie odpowiadanie na pytania wymaga szerokiego słownictwa. Mówię o bardzo popularnych testach: TOEFL, SAT, IELTS, ACT itp.
Uczenie się wzmocnienia jest wykorzystywane do uczynienia tego procesu bardziej spersonalizowanego, jak wspomniałem wcześniej. Opiera się na śledzeniu w czasie rzeczywistym, spersonalizowanym uczeniu się i koncentracji na mistrzostwach. Dzięki tym wszystkim funkcjom dostosowuje się dynamicznie uczenie się. Teraz, gdy App koncentruje się na treści, chciałbym również dodać śledzenie w czasie rzeczywistym i w przyszłości opanować.
Planowane ulepszenia zapewnią dla użytkowników dynamiczną, rozwijającą się platformę edukacyjną, która jest zgodna z najnowszymi trendami w uczeniu się adaptacyjnym.
