Kun je een beetje delen over je carrière en wat inspireerde je om deze app te maken?
In de loop der jaren heb ik gewerkt als data -ingenieur bij Stord en als adviseur voor senior data -analyse bij Kaizen Analytix. Momenteel ben ik analyse -ingenieur op Workday. Mijn reis naar app -ontwikkeling was geïnspireerd door mijn eigen GRE -voorbereidingservaring. Deze test meet meerdere vaardigheden. Ik blonk uit in kwantitatief redeneren, maar als een niet-inheemse Engelse spreker worstelde met verbale redenering. Het is moeilijk omdat je meer dan 1000 woorden moet beheersen. Deze persoonlijke uitdaging motiveerde me om Scafwording te creëren om anderen, vooral niet-inheemse sprekers, te helpen hun vocabulaire te verbeteren en betere scores te behalen.
Interessant is dat mijn academische achtergrond ook een cruciale rol speelde. Tijdens mijn scriptie onderzocht ik het gebruik van versterking leren (RL) in een gesimuleerd intelligent tutorsysteem. Het doel was om de meest efficiënte hinttypen voor studenten van menselijke anatomie te bepalen. Dit onderzoek legde de basis voor het adaptieve hintsysteem van Scafwording. De technieken die ik vervolgens heb ontwikkeld, worden nu toegepast op GRE -vocabulaire leren. Dit bewijst hoe het leven komt om de cirkel rond te komen: van het helpen van anatomie -studenten met gepersonaliseerde hints tot het helpen van de vocabulaire van de gre -aspiranten. Na al die jaren blijf ik me concentreren op het ontwikkelen van technologie om mensen te helpen hun leerervaring te verbeteren.
Hoe heb je de behoefte aan een nieuwe benadering van GRE -vocabulaire leren vastgesteld?
De behoefte aan een innovatieve benadering van het leren van GRE -woordenschat werd duidelijk toen ik studeerde voor GRE. Ik realiseerde me dat het eenvoudigweg onthouden van woorden onvoldoende was voor succes in de sectie Verbale redenering. Bovendien missen traditionele methoden vaak personalisatie voor individuele leerpatronen en effectieve retentiestrategieën. Studenten of gebruikers worden in wezen steeds hetzelfde onderwezen door ze dezelfde kaarten te laten zien en hen repetitieve hints te geven. De traditionele benaderingen missen ook contextueel begrip van woorden, wat bijzonder van cruciaal belang is bij het voorbereiden op tests. Ik wilde deze hiaten aanpakken en iedereen aanbieden die zich klaarmaakt voor GRE een adaptieve leerervaring die verder gaat dan de memorisatie van de rote.
Wat zijn de belangrijkste functies die Scafwording onderscheiden van andere educatieve platforms?
Ik zou vier innovatieve functies noemen die steiger van elkaar onderscheiden:
- Adaptieve hints. De app maakt gebruik van versterking leren om hints aan te passen op basis van gebruikersprestaties. Dat is hoe ik gepersonaliseerde leerervaringen bied.
- Dagelijkse quizzen voor retentie. Quizzen combineren eerder geleerde woorden, lastige woorden en gemiste woorden om het retentie effectief te versterken.
- Voortgang volgen. Om consistent leren aan te moedigen, heb ik strepen en retentiescores geïmplementeerd, zodat gebruikers hun verbetering kunnen volgen.
- Gepersonaliseerde leersessies. Elke sessie bevat een mix van nieuwe woorden en eerder gemarkeerde moeilijke woorden. Omdat het allemaal om balans draait!
Welke technologieën en programmeertalen werden gebruikt om Scafwording te ontwikkelen?
Het is van cruciaal belang voor ons om een efficiënte en adaptieve vocabulaire leerervaring te creëren. Dat is de reden waarom ik zelfs voor de MVP een diverse combinatie van technologieën en programmeertalen gebruik. De frontend, gegevensopslag en app-logica is bijvoorbeeld bubble-het is een no-code platform dat dat allemaal afhandelt. Ik gebruik Fles, een Python -framework, om het versterkingsmodel te implementeren en API -eindpunten te maken. Ik gebruik ook Pythonanywhere om de op Python gebaseerde backend en machine learning te hosten. De ingebouwde database van Bubble is wat ik gebruik voor gegevensopslag, gebruikersvoortgang en leeranalyses. Voor API -integratie vertrouw ik op RESTful API’s om de Bubble -frontend te koppelen aan Pythonanywhere. Ik heb ook de Google -authenticatie geïntegreerd voor de functionaliteit van de gebruikerslogin.
Welke specifieke leeralgoritmen voor het leren van versterkingen worden gebruikt om hints te personaliseren, en hoe zijn ze geïmplementeerd?
Scafwording maakt gebruik van een Q-learning-algoritme. Dit is de meest effectieve manier om een agent te trainen over wat te doen in verschillende situaties om de beste resultaten te krijgen. Het is modelvrij, dus het hoeft niet te weten hoe de wereld eromheen werkt. Het bedenkt dingen door acties uit te proberen, te zien wat er gebeurt en te leren van de resultaten – zelfs als dingen niet altijd op dezelfde manier gebeuren. Daarom gebruik ik dit soort versterking om de ervaring te personaliseren.
Hoe heb je gegevens bij het volgen, zoals de nauwkeurigheid van de antwoord, de effectiviteit en het retentie van de app geïntegreerd in de architectuur van de app?
Het was cruciaal voor Scarfwording om de database van Bubble te integreren met een aangepaste leermodel voor versterking. Dat zorgt voor een gepersonaliseerde leerervaring die evolueert bij de prestaties van elke gebruiker. Het systeem bewaakt de nauwkeurigheid, past hints aan op basis van realtime feedback en past sessies aan om af te stemmen op de vooruitgang van de gebruikers, gericht op uitdagende woorden die ze markeren.
Ik volg de antwoordnauwkeurigheid in de database van Bubble. De antwoorden van de gebruikers worden verzameld met hun UserID, WordId, Correct (Boolean) en Timestamp. Dan imark correcte antwoorden als “geleerd”; Onjuiste worden gemarkeerd voor beoordeling. Ik gebruik ook de database van Bubble om het tracking van het bewaren te berekenen en op te slaan. In principe volgt het woorden met behulp van het quiz -prestatieschema. Ik bereken de retentiescore – Total Correct / Total Poging tot × 100. En vervolgens markeer ik onjuiste woorden voor beoordeling.
Een andere belangrijke statistiek voor Scafwording is een vleugje effectiviteit. Het is belangrijk om te weten of we in de goede richting gaan. Dit wordt beheerd via API -oproepen naar het RL -model. Wanneer bijvoorbeeld “niet weet” is geselecteerd, vraagt Bubble de top drie hints van de RL -model API. De gebruiker kiest een hint, beantwoordt een vraag en krijgt bijgewerkte hintranglijst, die toekomstige selecties optimaliseren.
Last but not least – Loning Progress, die ik ook beheert via de database van Bubble. Ik volg de leerstatus bij UserID, WordID, status (geleerd/beoordeeld) en tijdstempel. Bovendien helpen gegevens zoals dagelijkse strepen en sessieduur ons met engagementstatistieken.
Terwijl de app zich richt op GRE -afnemers, hoe kan deze gemakkelijk worden aangepast voor andere tests of taalonderwijs?
Het was heel belangrijk voor ons om Scafwording als zeer aanpasbaar te maken. De applicatie kan worden hergebruikt voor verschillende vocabulaire-intensieve tests en in feite voor elk taalleerdoel. Er is een woorddatabase die u gemakkelijk zou kunnen vervangen door woordenschat voor alle belangrijkste gestandaardiseerde tests zoals GRE, TOEFL, IELTS, SAT, GMAT, ACT, EN GESPECIALISEERDE VOCABIUL VOOR BEFALIONS – Medisch, juridisch, zakelijk Engels, noem maar op. Het kan ook worden verwerkt voor verschillende academische disciplines en, natuurlijk, algemeen Engels taalonderwijs.
Een van de redenen waarom Scafwording van toepassing is op verschillende scenario’s voor het leren van talen en verschillende vaardigheidsniveaus is ons hintsysteem. Het is gebaseerd op context, dialoog en verhaal, waardoor de applicatie geschikt is voor verschillende vaardigheidsniveaus en leerdoelen. Ook is het Q-learning-algoritme behoorlijk flexibel en kan het worden verfijnd voor verschillende testformaten of leerdoelen.
Dat gezegd hebbende, met minimale aanpassingen, kan Scafwording dienen als een veelzijdig hulpmiddel voor het verwerven van vocabulaire in een breed scala van educatieve en professionele contexten.
Welke functies of verbeteringen plant u voor toekomstige versies?
Ik geloof dat Scafwording een enorm groeipotentieel heeft. In de toekomst zie ik dat het product kan worden verbeterd met vier belangrijke verbeteringen: een gebruikersgericht model, uitgebreid hintsysteem, ontwikkeling van mobiele apps en testuitbreiding.
Momenteel gebruikt de app een universeel model dat is bijgewerkt op basis van de gegevens van alle gebruikers. Overgang naar een gebruikersgericht model zou een belangrijke verbetering zijn voor Scafwording. Als we voor elke gebruiker gepersonaliseerde q-tabellen implementeren, zal het leren van versterkingen zich aanpassen aan individuele leerpatronen. Om zich snel aan te passen aan individuele behoeften, moeten we technieken zoals meta-learning of overdracht leren gebruiken. Ook moet een meer gedetailleerd profiel van een gebruiker worden opgenomen, rekening houdend met zaken zoals leerstijl en voorkennis. Ik weet zeker dat dat allemaal zal leiden tot een meer op maat gemaakte leerervaring. Wat betekent dat het de betrokkenheid en kennisbehoud kan vergroten.
Ons hintsysteem krijgt veel krediet, zoals ik al zei. De huidige omvat context-, dialoog- en verhaalhints, die allemaal op tekst gebaseerde hints zijn. In de toekomst zouden we graag beeld- en video-gebaseerde hints opnemen. Het is heel belangrijk omdat we allemaal verschillende benaderingen hebben om te leren en het is ook goed voor iedereen om leerstijlen te combineren – visueel, auditief en lezen/schrijven. Bovendien wil ik meer context bieden voor complexe woorden en meer boeiende leermaterialen.
Om Scafwording toegankelijker en gemakkelijker te maken, ben ik van plan om een speciale mobiele applicatie voor iOS- en Android -platforms te ontwikkelen. De belangrijkste functies die ik wil bevatten: naadloze synchronisatie tussen apparaten, offline toegang, zodat gebruikers kunnen blijven leren, zelfs zonder een internetverbinding; Push meldingen met herinneringen voor dagelijks leren om gebruikersbetrokkenheid te behouden; En natuurlijk een mobiel geoptimaliseerde interface voor meer intuïtieve navigatie.
En hoe ziet de testuitbreiding eruit?
Momenteel is de webtoepassing specifiek ontworpen voor GRE -woorden. Toekomstige versies kunnen worden uitgebreid om tests te behandelen waarbij de leessectie het vermogen van de gebruiker beoordeelt om woorden in context te begrijpen. Het nauwkeurig beantwoorden van vragen vereist een breed vocabulaire. Ik heb het over zeer populaire tests: TOEFL, SAT, IELTS, ACT, ETC.
Versterkingsonderwijs wordt gebruikt om het proces meer gepersonaliseerd te maken, zoals ik eerder zei. Het is gebaseerd op realtime tracking, gepersonaliseerd leren en meesterschapsfocus. Met al deze functies past het het leren dynamisch aan. Nu de app zich concentreert op inhoud, wil ik ook in de toekomst realtime tracking toevoegen en een masterfocus.
De geplande verbeteringen zullen zorgen voor een dynamisch, evoluerend leerplatform voor gebruikers, dat aansluit bij de nieuwste trends in adaptief leren.
