Você poderia compartilhar um pouco sobre sua carreira e o que o inspirou a criar este aplicativo?
Ao longo dos anos, trabalhei como engenheiro de dados na Stord e consultor sênior de análise de dados na Kaizen AnalyTix. Atualmente, sou engenheiro de análise no Workday. Minha jornada para o desenvolvimento de aplicativos foi inspirada por minha própria experiência de preparação para GRE. Este teste mede várias habilidades. Eu me destaquei em raciocínio quantitativo, mas como um falante não nativo de inglês lutou com o raciocínio verbal. É difícil porque você tem que dominar mais de 1000 palavras. Esse desafio pessoal me motivou a criar scafwording para ajudar os outros, especialmente os falantes não nativos, aprimorar seu vocabulário e obter melhores pontuações.
Curiosamente, minha formação acadêmica também desempenhou um papel fundamental. Durante minha tese, explorei o uso do Aprendizagem de Reforço (RL) em um sistema de tutoria inteligente simulado. O objetivo era determinar os tipos de dica mais eficientes para estudantes de anatomia humana. Esta pesquisa lançou as bases para o sistema de dica adaptável da Scafwording. As técnicas que desenvolvi agora são aplicadas ao aprendizado de vocabulário GRE. Isso prova como a vida se torna o círculo completo: de ajudar os alunos da anatomia com dicas personalizadas a ajudar os aspirantes a vestter vocabulário a que os aspirantes. Depois de todos esses anos, continuo me concentrando no desenvolvimento de tecnologia para ajudar as pessoas a melhorar sua experiência de aprendizado.
Como você identificou a necessidade de uma nova abordagem para o aprendizado de vocabulário GRE?
A necessidade de uma abordagem inovadora para o aprendizado de vocabulário GRE tornou -se aparente quando eu estava estudando para o GRE. Percebi que simplesmente memorizar palavras era insuficiente para o sucesso na seção de raciocínio verbal. Além disso, os métodos tradicionais geralmente não têm personalização para padrões individuais de aprendizado e estratégias de retenção eficazes. Estudantes ou usuários são essencialmente ensinados a mesma coisa repetidamente, mostrando os mesmos cartões e dando a eles dicas repetitivas. As abordagens tradicionais também perdem a compreensão contextual das palavras, o que é particularmente crítico ao se preparar para os testes. Eu queria abordar essas lacunas e oferecer a todos se preparando para o GRE uma experiência de aprendizado adaptável que vai além da memorização mecânica.
Quais são os principais recursos que diferenciam o Scafwording de outras plataformas educacionais?
Eu nomearia quatro recursos inovadores que diferenciam o andaime:
- Dicas adaptativas. O aplicativo emprega aprendizado de reforço para adaptar dicas com base no desempenho do usuário. É assim que ofereço experiências de aprendizado personalizadas.
- Quizzes diários para retenção. Os testes combinam palavras aprendidas anteriormente, palavras complicadas e palavras perdidas para reforçar a retenção de maneira eficaz.
- Rastreamento de progresso. Para incentivar o aprendizado consistente, implementei riscos e pontuações de retenção, para que os usuários possam monitorar sua melhoria.
- Sessões de aprendizado personalizadas. Cada sessão inclui uma mistura de novas palavras e palavras difíceis anteriormente sinalizadas. Porque é tudo sobre equilíbrio!
Quais tecnologias e linguagens de programação foram usadas para desenvolver scafwording?
É fundamental para nós criar uma experiência de aprendizado de vocabulário eficiente e adaptável. É por isso que mesmo para o MVP, utilizo uma combinação diversificada de tecnologias e linguagens de programação. Por exemplo, o front-end, o armazenamento de dados e a lógica do aplicativo é a bolha-é uma plataforma sem código que lida com tudo isso. Eu uso o Flask, uma estrutura Python, para implementar o modelo de aprendizado de reforço e criar pontos de extremidade da API. Também uso a Pythonanywhere para hospedar o back-end e o aprendizado de máquina baseado em Python. O banco de dados interno do Bubble é o que eu uso para armazenamento de dados, progresso do usuário e análise de aprendizado. Para integração da API, confio em APIs RESTful para vincular o front -end da bolha à Pythonanywhere. Também integrava a autenticação do Google para a funcionalidade de login do usuário.
Que algoritmos de aprendizado de reforço específicos são empregados para personalizar dicas e como foram implementadas?
A Scafwording emprega um algoritmo de q-learning. Esta é a maneira mais eficaz de treinar um agente sobre o que fazer em diferentes situações para obter os melhores resultados. É sem modelo, por isso não precisa saber como o mundo ao redor funciona. Ele descobre as coisas tentando ações, vendo o que acontece e aprendendo com os resultados – mesmo que as coisas nem sempre aconteçam da mesma maneira. É por isso que uso esse tipo de aprendizado de reforço para personalizar a experiência.
Como você integrou o rastreamento de dados, como precisão da resposta, eficácia da dica e retenção, na arquitetura do aplicativo?
Foi crucial para que as palavras de cachecol integrassem o banco de dados da Bubble com um modelo de aprendizado de reforço personalizado. Isso garante uma experiência de aprendizado personalizada que evolui com o desempenho de cada usuário. O sistema monitora a precisão, ajusta dicas com base no feedback em tempo real e adapta as sessões para se alinhar ao progresso do usuário, concentrando-se em palavras desafiadoras que sinalizam.
Eu rastreio a precisão da resposta no banco de dados da Bubble. As respostas dos usuários são coletadas com seu UserID, Wordid, correto (booleano) e registro de data e hora. Então imark as respostas corretas como “aprendidas”; Os incorretos são sinalizados para revisão. Eu também uso o banco de dados da Bubble para calcular e armazenar o rastreamento de retenção. Basicamente, ele rastreia palavras usando o esquema de desempenho do teste. Eu calcule a pontuação de retenção – Total / Total Total de Retenção × 100. E então sinalizo palavras incorretas para revisão.
Outra métrica importante para o Scafwording é uma pitada de eficácia. É importante saber se estamos indo na direção certa. Isso é gerenciado por meio de chamadas de API para o modelo RL. Por exemplo, quando “não sei” é selecionado, a bolha solicita as três principais dicas da API do modelo RL. O usuário escolhe uma dica, responde a uma pergunta e é atualizada ranking de dica, que otimizam as seleções futuras.
Por último, mas não menos importante – o progresso, que eu também administro através do banco de dados da Bubble. Eu rastreio o status de aprendizado com UserID, Wordid, Status (aprendido/revisado) e registro de data e hora. Além disso, dados como faixas diárias e duração da sessão nos ajudam nas métricas de engajamento.
Enquanto o aplicativo tem como alvo o GRE Takers, com que facilidade ele pode ser adaptado para outros testes ou aprendizado de idiomas?
Era muito importante para nós criarmos o Scafwording como altamente adaptável. O aplicativo pode ser reaproveitado para vários testes intensivos em vocabulário e basicamente para qualquer fins de aprendizado de idiomas. Há um banco de dados de palavras que você pode substituir facilmente pelo vocabulário para todos os principais testes padronizados como GRE, TOEFL, IELTS, SAT, GMAT, ACT, bem como vocabulário especializado para profissões – medicina, jurídica, inglês comercial, você escolhe. Também pode ser proposto para diferentes disciplinas acadêmicas e, é claro, aprendizado geral de inglês.
Uma das razões pelas quais a Scafwording é aplicável a vários cenários de aprendizado de idiomas e diferentes níveis de proficiência é o nosso sistema de dica. É baseado no contexto, diálogo e história, o que torna o aplicativo adequado para diferentes níveis de proficiência e objetivos de aprendizado. Além disso, o algoritmo Q-Learning é bastante flexível e pode ser ajustado para vários formatos de teste ou metas de aprendizado.
Tudo isso dito, com modificações mínimas, a Scafwording pode servir como uma ferramenta versátil para aquisição de vocabulário em uma ampla gama de contextos educacionais e profissionais.
Quais recursos ou aprimoramentos você está planejando para versões futuras?
Acredito que a Scafwording tem um enorme potencial de crescimento. No futuro, vejo que o produto pode ser aprimorado com quatro melhorias principais: um modelo centrado no usuário, sistema de dica expandido, desenvolvimento de aplicativos móveis e expansão de teste.
Atualmente, o aplicativo usa um modelo universal atualizado com base nos dados de todos os usuários. A transição para um modelo centrado no usuário seria um aprimoramento significativo para o Scafwording. Se implementarmos table Q personalizado para cada usuário, o aprendizado de reforço se adaptará aos padrões de aprendizagem individuais. Para se ajustar às necessidades individuais rapidamente, teremos que usar técnicas como meta-aprendizagem ou aprendizado de transferência. Além disso, um perfil mais detalhado de um usuário deve ser incluído, levando em consideração assuntos como estilo de aprendizagem e conhecimento prévio. Tenho certeza de que tudo isso levará a uma experiência de aprendizado mais personalizada. O que significa que pode aumentar o engajamento e a retenção de conhecimento.
Nosso sistema de dica recebe muito crédito, como eu já mencionei. O atual inclui dicas de contexto, diálogo e história, que são todas dicas baseadas em texto. No futuro, gostaríamos de incluir dicas baseadas em imagens e vídeos. É muito importante porque todos temos abordagens diferentes para aprender e também é bom para todos combinar estilos de aprendizado – visuais, auditivos e de leitura/escrita. Além disso, quero oferecer mais contexto para palavras complexas e materiais de aprendizagem mais envolventes.
Para tornar o Scafwording mais acessível e conveniente, pretendo desenvolver um aplicativo móvel dedicado para plataformas iOS e Android. Os principais recursos que eu quero incluem: sincronização perfeita entre dispositivos, acesso offline, para que os usuários possam continuar aprendendo mesmo sem uma conexão com a Internet; Notificações push com lembretes para o aprendizado diário para manter o envolvimento do usuário; E, claro, uma interface otimizada para dispositivos móveis para uma navegação mais intuitiva.
E como será a expansão do teste?
Atualmente, o aplicativo da Web foi projetado especificamente para palavras GRE. Versões futuras podem ser expandidas para cobrir testes em que a seção de leitura avalia a capacidade do usuário de entender as palavras no contexto. Responder a perguntas requer com precisão um amplo vocabulário. Estou falando de testes muito populares: TOEFL, SAT, IELTS, ACT, etc.
O aprendizado de reforço é usado para tornar o processo mais personalizado, como mencionei anteriormente. É baseado em rastreamento em tempo real, aprendizado personalizado e foco de domínio. Com todos esses recursos, ele adapta o aprendizado dinamicamente. Agora que o aplicativo se concentra no conteúdo, eu também gostaria de adicionar rastreamento em tempo real e um foco de domínio no futuro.
Os aprimoramentos planejados garantirão uma plataforma de aprendizado dinâmica e em evolução para os usuários, que se alinham com as últimas tendências no aprendizado adaptativo.
