Pourriez-vous partager un peu sur votre carrière et ce qui vous a inspiré pour créer cette application?
Au fil des ans, j’ai travaillé comme ingénieur de données chez STORD et un consultant en analyse de données senior chez Kaizen Analytix. Actuellement, je suis ingénieur en analyse à Workday. Mon voyage dans le développement d’applications a été inspiré par ma propre expérience de préparation GRE. Ce test mesure plusieurs compétences. J’ai excellé dans un raisonnement quantitatif, mais en tant qu’anglais non natif, je me débattais avec le raisonnement verbal. C’est difficile parce que vous devez maîtriser plus de 1000 mots. Ce défi personnel m’a motivé à créer des mots d’écart pour aider les autres, en particulier les orateurs non natifs, améliorer leur vocabulaire et réaliser de meilleurs scores.
Fait intéressant, mes antécédents académiques ont également joué un rôle central. Au cours de ma thèse, j’ai exploré l’utilisation de l’apprentissage par renforcement (RL) dans un système de tutorat intelligent simulé. L’objectif était de déterminer les types d’indices les plus efficaces pour les étudiants en anatomie humaine. Cette recherche a jeté les bases du système d’astuce adaptatif de SCAFWording. Les techniques que j’ai développées sont maintenant appliquées à l’apprentissage du vocabulaire GRE. Cela prouve comment la vie boucle la boucle: de l’aide aux étudiants de l’anatomie avec des conseils personnalisés pour aider les aspirants GRE à maîtriser le vocabulaire. Après toutes ces années, je continue de me concentrer sur le développement de la technologie pour aider les gens à améliorer leur expérience d’apprentissage.
Comment avez-vous identifié la nécessité d’une nouvelle approche pour l’apprentissage du vocabulaire GRE?
La nécessité d’une approche innovante de l’apprentissage du vocabulaire GRE est devenue évidente lorsque j’étudiais pour GRE. J’ai réalisé que la simple mémorisation de mots était insuffisante pour réussir dans la section du raisonnement verbal. En outre, les méthodes traditionnelles manquent souvent de personnalisation des modèles d’apprentissage individuels et de stratégies de rétention efficaces. Les étudiants ou les utilisateurs apprennent essentiellement la même chose encore et encore en leur montrant les mêmes cartes et en leur donnant des conseils répétitifs. Les approches traditionnelles manquent également la compréhension contextuelle des mots qui est particulièrement critique lors de la préparation des tests. Je voulais combler ces lacunes et offrir à tout le monde se préparer à GRE une expérience d’apprentissage adaptative qui va au-delà de la mémorisation par cœur.
Quelles sont les principales fonctionnalités qui distinguent SCAFWORDING des autres plateformes éducatives?
Je nommerais quatre fonctionnalités innovantes qui distinguent l’échafaudage:
- Conseils adaptatifs. L’application utilise un renforcement d’apprentissage pour adapter les indices en fonction des performances des utilisateurs. C’est ainsi que j’offre des expériences d’apprentissage personnalisées.
- Quzous quotidiens pour la rétention. Les quizs combinent des mots appris précédemment, des mots délicats et des mots manqués pour renforcer efficacement la rétention.
- Suivi des progrès. Pour encourager l’apprentissage cohérent, j’ai mis en œuvre des stries et des scores de rétention, afin que les utilisateurs puissent surveiller leur amélioration.
- Sessions d’apprentissage personnalisées. Chaque session comprend un mélange de nouveaux mots et des mots difficiles précédemment signalés. Parce que c’est une question d’équilibre!
Quelles technologies et langages de programmation ont été utilisés pour développer des mots-clés?
Il est essentiel pour nous de créer une expérience d’apprentissage de vocabulaire efficace et adaptative. C’est pourquoi même pour le MVP, j’utilise une combinaison diversifiée de technologies et de langages de programmation. Par exemple, le frontend, le stockage de données et la logique des applications sont des bulles – c’est une plate-forme sans code qui gère tout cela. J’utilise Flask, un cadre Python, pour implémenter le modèle d’apprentissage de renforcement et créer des points de terminaison API. J’utilise également Pythonanywhere pour héberger le backend et l’apprentissage automatique basés sur Python. La base de données intégrée de Bubble est ce que j’utilise pour le stockage de données, les progrès des utilisateurs et l’analyse d’apprentissage. Pour l’intégration des API, je compte sur des API RESTFULS pour relier le frontage de la bulle à Pythonanywhere. J’ai également intégré l’authentification Google pour la fonctionnalité de connexion des utilisateurs.
Quels algorithmes d’apprentissage de renforcement spécifiques sont utilisés pour personnaliser des conseils et comment ont-ils été mis en œuvre?
SCAFWORDING utilise un algorithme Q-Learning. C’est le moyen le plus efficace de former un agent sur ce qu’il faut faire dans différentes situations pour obtenir les meilleurs résultats. Il est sans modèle, il n’a donc pas besoin de savoir comment le monde qui l’entoure fonctionne. Il comprend les choses en essayant des actions, en voyant ce qui se passe et en apprenant des résultats – même si les choses ne se produisent pas toujours de la même manière. C’est pourquoi j’utilise ce type d’apprentissage du renforcement pour personnaliser l’expérience.
Comment avez-vous intégré le suivi des données, tel que la précision des réponses, l’efficacité de l’indice et la rétention, dans l’architecture de l’application?
Il était crucial que les mots écharpés d’intégrer la base de données de Bubble avec un modèle d’apprentissage en renforcement personnalisé. Cela garantit une expérience d’apprentissage personnalisée qui évolue avec les performances de chaque utilisateur. Le système surveille la précision, ajuste les conseils en fonction des commentaires en temps réel et adapte des sessions pour s’aligner sur la progression des utilisateurs, en se concentrant sur les mots difficiles qu’ils signalent.
Je suive la précision des réponses dans la base de données de Bubble. Les réponses des utilisateurs sont collectées avec leur utilisateur, wordId, correct (booléen) et horodatage. Ensuite, les réponses correctes comme «apprises»; Les incorrects sont signalés pour examen. J’utilise également la base de données de Bubble pour calculer et stocker le suivi de la rétention. Fondamentalement, il suit les mots en utilisant le schéma de performance du quiz. Je calcule le score de rétention – Total correct / TUTTÉ TENSÉ × 100., puis je signale des mots incorrects pour examen.
Une autre métrique importante pour la parole de SCAF est un soupçon d’efficacité. Il est important de savoir si nous allons dans la bonne direction. Ceci est géré via des appels API vers le modèle RL. Par exemple, lorsque «Don’t Know» est sélectionné, Bubble demande les trois meilleurs conseils de l’API du modèle RL. L’utilisateur choisit un indice, répond à une question et est mis à jour le classement des indices, qui optimiser les sélections futures.
Dernier point mais non le moindre – des progrès, que je gère également via la base de données de Bubble. Je suive le statut d’apprentissage avec l’utilisateur, le wordId, le statut (appris / examiné) et l’horodatage. De plus, des données telles que les séquences quotidiennes et la durée de la session nous aident avec des mesures d’engagement.
Alors que l’application cible les preneurs GRE, avec quelle facilité peut-il être adapté pour d’autres tests ou apprentissage des langues?
Il était très important pour nous de créer des mots-paroles SCAF comme très adaptables. L’application peut être réutilisée pour divers tests à forte intensité de vocabulaire et essentiellement à tout objectif d’apprentissage des langues. Il y a une base de données de mots que vous pourriez facilement remplacer par le vocabulaire pour tous les principaux tests standardisés comme GRE, TOEFL, IELTS, SAT, GMAT, ACT, ainsi que le vocabulaire spécialisé pour les professions – Médical, juridique, anglais, vous l’appelez. Il peut également être proposé pour différentes disciplines académiques et, bien sûr, l’apprentissage général de la langue anglaise.
L’une des raisons pour lesquelles SCAFWORDING s’applique à divers scénarios d’apprentissage des langues et aux différents niveaux de compétence est notre système d’indice. Il est basé sur le contexte, le dialogue et l’histoire, ce qui rend l’application adaptée à différents niveaux de compétence et aux objectifs d’apprentissage. En outre, l’algorithme de télévision Q est assez flexible et peut être affiné pour divers formats de test ou objectifs d’apprentissage.
Cela étant dit, avec un minimum de modifications, SCAFWording peut servir d’outil polyvalent pour l’acquisition de vocabulaire dans un large éventail de contextes éducatifs et professionnels.
Quelles fonctionnalités ou améliorations prévoyez-vous pour les futures versions?
Je crois que SCAFWORDING a un énorme potentiel de croissance. À l’avenir, je vois que le produit peut être amélioré avec quatre améliorations clés: un modèle centré sur l’utilisateur, un système de péage étendu, un développement d’applications mobiles et une expansion de test.
Actuellement, l’application utilise un modèle universel mis à jour en fonction des données de toutes les utilisateurs. La transition vers un modèle centré sur l’utilisateur serait une amélioration significative de la parole SCAF. Si nous implémentons des tables Q personnalisées pour chaque utilisateur, l’apprentissage du renforcement s’adaptera aux modèles d’apprentissage individuels. Pour s’adapter rapidement aux besoins individuels, nous devrons utiliser des techniques comme le méta-apprentissage ou le transfert d’apprentissage. De plus, un profil plus détaillé d’un utilisateur doit être inclus, en tenant compte des questions telles que le style d’apprentissage et les connaissances antérieures. Je suis sûr que tout cela mènera à une expérience d’apprentissage plus personnalisée. Ce qui signifie qu’il pourrait augmenter l’engagement et la rétention des connaissances.
Notre système d’indice obtient beaucoup de crédit, comme je l’ai déjà mentionné. L’actuel comprend le contexte, le dialogue et les conseils d’histoire, qui sont tous des indices basés sur le texte. À l’avenir, nous serions ravis d’inclure des conseils d’image et de vidéo. C’est très important car nous avons tous des approches différentes de l’apprentissage et il est également bon pour tout le monde de combiner les styles d’apprentissage – visuels, auditifs et lecture / écriture. De plus, je veux offrir plus de contexte pour des mots complexes et des matériaux d’apprentissage plus engageants.
Pour rendre SCAFwording plus accessible et pratique, je prévois de développer une application mobile dédiée pour les plateformes iOS et Android. Les fonctionnalités clés que je veux inclure: la synchronisation transparente sur les appareils, l’accès hors ligne, afin que les utilisateurs puissent continuer à apprendre même sans connexion Internet; Pousser les notifications avec des rappels pour l’apprentissage quotidien pour maintenir l’engagement des utilisateurs; et bien sûr une interface optimisée par mobile pour une navigation plus intuitive.
Et à quoi ressemblera l’expansion du test?
Actuellement, l’application Web est conçue spécifiquement pour les mots GRE. Les versions futures pourraient être élargies pour couvrir les tests où la section de lecture évalue la capacité de l’utilisateur à comprendre les mots en contexte. Répondre à des questions avec précision nécessite un large vocabulaire. Je parle de tests très populaires: TOEFL, SAT, IELTS, ACT, etc.
L’apprentissage du renforcement est utilisé pour rendre le processus plus personnalisé, comme je l’ai mentionné plus tôt. Il est basé sur le suivi en temps réel, l’apprentissage personnalisé et la concentration de maîtrise. Avec toutes ces fonctionnalités, il adapte l’apprentissage dynamiquement. Maintenant que l’application se concentre sur le contenu, j’aimerais également ajouter un suivi en temps réel et un objectif de maîtrise à l’avenir.
Les améliorations prévues garantiront une plate-forme d’apprentissage dynamique et évolutive pour les utilisateurs, ce qui s’aligne sur les dernières tendances de l’apprentissage adaptatif.
