Potresti condividere un po ‘della tua carriera e cosa ti ha ispirato a creare questa app?
Nel corso degli anni, ho lavorato come ingegnere di dati presso STORD e consulente senior di analisi dei dati presso Kaizen Analytix. Attualmente, sono un ingegnere di analisi a Workday. Il mio viaggio nello sviluppo delle app è stato ispirato dalla mia esperienza di preparazione GRE. Questo test misura molteplici competenze. Ho eccelso nel ragionamento quantitativo, ma poiché un oratore inglese non nativo ha lottato con il ragionamento verbale. È difficile perché devi padroneggiare oltre 1000 parole. Questa sfida personale mi ha motivato a creare una parolaccia per aiutare gli altri, in particolare i parlanti non nativi, a migliorare il loro vocabolario e ottenere punteggi migliori.
È interessante notare che anche il mio background accademico ha svolto un ruolo fondamentale. Durante la mia tesi, ho esplorato l’uso dell’apprendimento di rinforzo (RL) in un sistema di tutoraggio intelligente simulato. L’obiettivo era determinare i tipi di suggerimenti più efficienti per gli studenti di anatomia umana. Questa ricerca ha gettato le basi per il sistema di suggerimenti adattivo di Scafwording. Le tecniche che ho sviluppato quindi ora sono applicate all’apprendimento del vocabolario GRE. Ciò dimostra come la vita arriva al punto di partenza: dall’aiutare gli studenti di Anatomy con suggerimenti personalizzati per aiutare gli aspiranti GRE a padroneggiare il vocabolario. Dopo tutti questi anni continuo a concentrarmi sullo sviluppo della tecnologia per aiutare le persone a migliorare la loro esperienza di apprendimento.
Come hai identificato la necessità di un nuovo approccio all’apprendimento del vocabolario GRE?
La necessità di un approccio innovativo all’apprendimento del vocabolario GRE è diventata evidente quando studiavo per GRE. Mi sono reso conto che semplicemente memorizzare le parole non era sufficiente per il successo nella sezione di ragionamento verbale. Inoltre, i metodi tradizionali spesso mancano di personalizzazione ai modelli di apprendimento individuali e strategie di conservazione efficaci. Agli studenti o agli utenti viene essenzialmente insegnata la stessa cosa mostrando loro le stesse carte e dando loro suggerimenti ripetitivi. Gli approcci tradizionali mancano anche di una comprensione contestuale delle parole che è particolarmente critica quando si preparano per i test. Volevo affrontare queste lacune e offrire a tutti quelli che si preparavano a Gre un’esperienza di apprendimento adattivo che va oltre la memorizzazione del rote.
Quali sono le caratteristiche chiave che distinguono Scafwording dalle altre piattaforme educative?
Darei un nome a quattro funzionalità innovative che distinguono le impalcature:
- Suggerimenti adattivi. L’app impiega l’apprendimento del rinforzo per personalizzare i suggerimenti in base alle prestazioni dell’utente. È così che offro esperienze di apprendimento personalizzate.
- Quiz quotidiani per la conservazione. I quiz combinano parole apprese in precedenza, parole difficili e parole mancate per rafforzare la ritenzione efficace.
- Tracciamento dei progressi. Per incoraggiare l’apprendimento coerente ho implementato strisce e punteggi di fidelizzazione, in modo che gli utenti possano monitorare il loro miglioramento.
- Sessioni di apprendimento personalizzate. Ogni sessione include un mix di nuove parole e parole difficili precedentemente contrassegnate. Perché si tratta di equilibrio!
Quali tecnologie e linguaggi di programmazione sono stati usati per sviluppare Scafwording?
È fondamentale per noi creare un’esperienza di apprendimento del vocabolario efficiente e adattivo. Ecco perché anche per l’MVP, utilizzo una combinazione diversificata di tecnologie e linguaggi di programmazione. Ad esempio, il frontend, l’archiviazione dei dati e la logica delle app sono una bolla: è una piattaforma senza codice che gestisce tutto ciò. Uso Fask, un framework Python, per implementare il modello di apprendimento di rinforzo e creare endpoint API. Uso anche Pythonanywhere per ospitare il backend e l’apprendimento automatico a base di Python. Il database integrato di Bubble è ciò che utilizzo per l’archiviazione dei dati, i progressi dell’utente e l’analisi dell’apprendimento. Per l’integrazione dell’API, mi affido alle API RESTful per collegare il frontend Bubble con Pythonanywhere. Ho anche integrato l’autenticazione di Google per la funzionalità di accesso utente.
Quali specifici algoritmi di apprendimento di rinforzo sono impiegati per personalizzare i suggerimenti e come sono stati implementati?
Scafwording impiega un algoritmo Q-Learning. Questo è il modo più efficace per addestrare un agente su cosa fare in diverse situazioni per ottenere i migliori risultati. È senza modello, quindi non ha bisogno di sapere come funziona il mondo che lo circonda. Comprende le cose provando azioni, vedendo cosa succede e imparando dai risultati, anche se le cose non accadono sempre allo stesso modo. Ecco perché utilizzo questo tipo di apprendimento di rinforzo per personalizzare l’esperienza.
Come hai integrato il monitoraggio dei dati, come l’accuratezza della risposta, l’efficacia del suggerimento e la fidelizzazione, nell’architettura dell’app?
È stato fondamentale per la sciarpa integrare il database di Bubble con un modello di apprendimento di rinforzo personalizzato. Ciò garantisce un’esperienza di apprendimento personalizzata che si evolve con le prestazioni di ciascun utente. Il sistema monitora l’accuratezza, regola i suggerimenti in base al feedback in tempo reale e adatta le sessioni per allinearsi con i progressi dell’utente, concentrandosi su parole impegnative che segnalano.
Traccia la precisione di risposta nel database di Bubble. Le risposte degli utenti vengono raccolte con il proprio UserID, WordId, Correct (Boolean) e Timestamp. Quindi iMark corregge le risposte come “apprese”; quelli errati sono contrassegnati per la revisione. Uso anche il database di Bubble per calcolare e archiviare il monitoraggio della conservazione. Fondamentalmente tiene traccia delle parole usando lo schema di performance quiz. Calcolo il punteggio di ritenzione: Tentata corretta / totale totale × 100. E poi seguo le parole errate per la revisione.
Un’altra metrica importante per Scafwording è un pizzico di efficacia. È importante sapere se stiamo andando nella giusta direzione. Questo è gestito tramite chiamate API al modello RL. Ad esempio, quando è selezionato “non so”, Bubble richiede i primi tre suggerimenti dall’API del modello RL. L’utente sceglie un suggerimento, risponde a una domanda e viene aggiornato le classifiche dei suggerimenti, che ottimizzano le selezioni future.
Ultimo ma non meno importante: l’apprendimento del progresso, che gestisco anche attraverso il database di Bubble. Traccia lo stato di apprendimento con userid, wordid, stato (appreso/rivisto) e timestamp. Inoltre, dati come strisce quotidiane e durata della sessione ci aiutano con metriche di coinvolgimento.
Mentre l’app si rivolge a GRE ATTUERE, quanto facilmente può essere adattato per altri test o apprendimento delle lingue?
È stato molto importante per noi creare Scafwording come altamente adattabile. L’applicazione può essere riproposta per vari test ad alta intensità di vocabolario e fondamentalmente per qualsiasi scopo di apprendimento delle lingue. C’è un database di parole che potresti facilmente sostituire con il vocabolario per tutti i principali test standardizzati come GRE, TOEFL, IELTS, SAT, GMAT, ACT e Vocabolario specializzato per le professioni: medico, legale, inglese, lo chiami. Può anche essere previsto per diverse discipline accademiche e, naturalmente, apprendimento generale delle lingue inglesi.
Uno dei motivi per cui Scafwording è applicabile a vari scenari di apprendimento delle lingue e diversi livelli di competenza è il nostro sistema di suggerimenti. Si basa su contesto, dialogo e storia, il che rende l’applicazione adatta a diversi livelli di competenza e obiettivi di apprendimento. Inoltre, l’algoritmo Q-Learning è piuttosto flessibile e può essere messo a punto per vari formati di test o obiettivi di apprendimento.
Detto questo, con modifiche minime, Scafwording può servire come strumento versatile per l’acquisizione del vocabolario in una vasta gamma di contesti educativi e professionali.
Quali caratteristiche o miglioramenti stai pianificando per versioni future?
Credo che Scafwording abbia un enorme potenziale di crescita. In futuro vedo che il prodotto può essere migliorato con quattro miglioramenti chiave: un modello incentrato sull’utente, un sistema di suggerimenti ampliato, lo sviluppo di app mobili e l’espansione del test.
Attualmente, l’app utilizza un modello universale aggiornato in base ai dati di tutti gli utenti. Il passaggio a un modello incentrato sull’utente sarebbe un miglioramento significativo per Scafwording. Se implementiamo tavoli Q personalizzati per ciascun utente, l’apprendimento di rinforzo si adatterà ai singoli modelli di apprendimento. Per adattarsi rapidamente alle esigenze individuali, dovremo utilizzare tecniche come il meta-apprendimento o il trasferimento dell’apprendimento. Inoltre, dovrebbe essere incluso un profilo più dettagliato di un utente, tenendo conto di questioni come lo stile di apprendimento e le conoscenze precedenti. Sono sicuro che tutto ciò porterà a un’esperienza di apprendimento più su misura. Ciò significa che potrebbe aumentare il coinvolgimento e la conservazione della conoscenza.
Il nostro sistema di suggerimenti ottiene molto credito, come ho già detto. Quello attuale include suggerimenti di contesto, dialogo e storie, che sono tutti suggerimenti basati sul testo. In futuro, ci piacerebbe includere suggerimenti basati su immagini e video. È molto importante perché tutti abbiamo approcci diversi all’apprendimento ed è anche un bene per tutti combinare stili di apprendimento: visivi, uditivi e lettura/scrittura. Inoltre, voglio offrire più contesto per parole complesse e materiali di apprendimento più coinvolgenti.
Per rendere Scafwording più accessibile e conveniente, ho intenzione di sviluppare un’applicazione mobile dedicata per piattaforme iOS e Android. Le caratteristiche chiave che desidero includere: sincronizzazione senza soluzione di continuità tra dispositivi, accesso offline, in modo che gli utenti possano continuare ad apprendere anche senza una connessione Internet; Notifiche push con promemoria per l’apprendimento quotidiano per mantenere il coinvolgimento degli utenti; E ovviamente un’interfaccia ottimizzata per dispositivi mobili per una navigazione più intuitiva.
E come sarà l’espansione del test?
Attualmente, l’applicazione Web è progettata appositamente per le parole GRE. Le versioni future potrebbero essere ampliate per coprire i test in cui la sezione di lettura valuta la capacità dell’utente di comprendere le parole nel contesto. Rispondere alle domande richiede accuratamente un ampio vocabolario. Sto parlando di test molto popolari: TOEFL, SAT, IELTS, ACT, ecc.
L’apprendimento di rinforzo viene utilizzato per rendere il processo più personalizzato, come ho già detto in precedenza. Si basa sul monitoraggio in tempo reale, l’apprendimento personalizzato e la concentrazione di padronanza. Con tutte queste caratteristiche adatta all’apprendimento dinamicamente. Ora che l’app si concentra sui contenuti, vorrei anche aggiungere un monitoraggio in tempo reale e una padronanza dell’attenzione in futuro.
I miglioramenti pianificati garantiranno una piattaforma di apprendimento dinamica e in evoluzione per gli utenti, che si allinea alle ultime tendenze nell’apprendimento adattivo.
