Könnten Sie etwas über Ihre Karriere erzählen und was hat Sie dazu inspiriert, diese App zu erstellen?
Im Laufe der Jahre habe ich als Dateningenieur bei Stord und als Senior Data Analytics Consultant bei Kaizen Analytix gearbeitet. Derzeit bin ich bei Workday ein Analyseingenieur. Meine Reise in die App -Entwicklung wurde von meiner eigenen Erfahrung in der GRE -Vorbereitung inspiriert. Dieser Test misst mehrere Fähigkeiten. Ich habe in quantitativem Denken ausgezeichnet, aber als nicht einheimischer Englischsprecher hatte ich mit verbalem Denken zu kämpfen. Es ist schwer, weil man über 1000 Wörter meistern muss. Diese persönliche Herausforderung motivierte mich, Scafwording zu erstellen, um anderen, insbesondere nicht einheimischen Sprechern, zu helfen, ihr Wortschatz zu verbessern und bessere Punktzahlen zu erzielen.
Interessanterweise spielte mein akademischer Hintergrund auch eine entscheidende Rolle. Während meiner These untersuchte ich die Verwendung von Verstärkungslernen (RL) in einem simulierten intelligenten Nachhilfesystem. Ziel war es, die effizientesten Hinweise für Studenten menschlicher Anatomie zu bestimmen. Diese Forschung legte den Grundstein für das adaptive Hinweissystem von Scafwording. Die Techniken, die ich damals entwickelt habe, werden jetzt auf das Lernen von GRE -Vokabeln angewendet. Dies beweist, wie sich das Leben schließt: Von der Unterstützung der Anatomie -Studenten mit personalisierten Hinweisen bis hin zur Unterstützung von Green -Aspiranten, die das Vokabular des Meisters von Meister haben. Nach all den Jahren konzentriere ich mich weiterhin auf die Entwicklung von Technologien, um Menschen zu helfen, ihre Lernerfahrung zu verbessern.
Wie haben Sie die Notwendigkeit eines neuen Ansatzes zum Lernen von GRE Vokabular ermittelt?
Die Notwendigkeit eines innovativen Ansatzes zum GRE -Vokabular -Lernen zeigte sich, als ich für GRE studierte. Ich erkannte, dass das einfache Auswendiglernen von Worten für den Erfolg im Abschnitt über verbale Argumentation nicht ausreichte. Außerdem haben traditionelle Methoden häufig die Personalisierung für individuelle Lernmuster und effektive Aufbewahrungsstrategien. Schülern oder Benutzern wird im Wesentlichen immer wieder dasselbe beigebracht, indem sie ihnen dieselben Karten zeigen und ihnen wiederholte Hinweise geben. Die traditionellen Ansätze verpassen auch das kontextbezogene Verständnis von Wörtern, was bei der Vorbereitung auf Tests besonders kritisch ist. Ich wollte diese Lücken ansprechen und allen bieten, die sich auf Gre vorbereiten, eine adaptive Lernerfahrung, die über das Auswendiglernen hinausgeht.
Was sind die wichtigsten Funktionen, die Scafwording von anderen Bildungsplattformen unterscheiden?
Ich würde vier innovative Funktionen nennen, die das Gerüst auseinander setzen:
- Adaptive Hinweise. Die App verwendet Verstärkungslernen, um Hinweise basierend auf der Benutzerleistung anzupassen. So biete ich personalisierte Lernerfahrungen an.
- Tägliche Quiz für die Aufbewahrung. Quizs kombinieren zuvor erlernte Wörter, knifflige Wörter und verpasste Wörter, um die Retention effektiv zu verstärken.
- Fortschrittsverfolgung. Um ein konsequentes Lernen zu fördern, habe ich Streifen und Aufbewahrungsbewertungen implementiert, damit Benutzer ihre Verbesserung überwachen können.
- Personalisierte Lernsitzungen. Jede Sitzung enthält eine Mischung aus neuen Wörtern und zuvor schwierigen Wörtern. Weil es nur um Balance geht!
Welche Technologien und Programmiersprachen wurden zur Entwicklung von Scafwording verwendet?
Für uns ist es wichtig, eine effiziente und adaptive Vokabular -Lernerfahrung zu schaffen. Deshalb verwende ich selbst für das MVP eine vielfältige Kombination von Technologien und Programmiersprachen. Beispielsweise ist die Frontend, die Datenspeicherung und die App-Logik Blase-es ist eine No-Code-Plattform, die all das umgeht. Ich verwende Flask, ein Python -Framework, um das Verstärkungslernmodell zu implementieren und API -Endpunkte zu erstellen. Ich benutze auch Pythonanywhere, um das Python-basierte Backend und das maschinelle Lernen zu hosten. Die integrierte Datenbank von Bubble verwende ich für Datenspeicher, Benutzerfortschritt und Lernanalyse. Für die API -Integration verlasse ich mich auf RESTful -APIs, um das Bubble -Frontend mit Pythonanywhere zu verknüpfen. Ich habe auch die Google -Authentifizierung für die Benutzeranmeldungsfunktionalität integriert.
Welche spezifischen Verstärkungslernalgorithmen werden verwendet, um Hinweise zu personalisieren, und wie wurden sie implementiert?
Scafwording verwendet einen Q-Learning-Algorithmus. Dies ist der effektivste Weg, um einen Agenten darüber auszubilden, was in verschiedenen Situationen zu tun ist, um die besten Ergebnisse zu erzielen. Es ist modellfrei, daher muss es nicht wissen, wie die Welt um sie herum funktioniert. Es ermittelt Dinge, indem es Handlungen ausprobiert, sehen, was passiert, und aus den Ergebnissen zu lernen – auch wenn die Dinge nicht immer so passieren. Deshalb verwende ich diese Art von Verstärkungslernen, um die Erfahrung zu personalisieren.
Wie haben Sie die Datenverfolgung wie Antwortgenauigkeit, Hinweise zur Effektivität und Aufbewahrung in die Architektur der App integriert?
Es war entscheidend für das Schalworting, die Datenbank von Bubble in ein benutzerdefiniertes Verstärkungslernmodell zu integrieren. Dies gewährleistet eine personalisierte Lernerfahrung, die sich mit der Leistung jedes Benutzers entwickelt. Das System überwacht die Genauigkeit, passt Hinweise auf der Grundlage von Echtzeit-Feedback an und passt die Sitzungen an, um sich auf den Benutzer des Benutzers auszurichten. Sie konzentrieren sich auf herausfordernde Wörter, die sie kennzeichnen.
Ich verfolge die Antwortgenauigkeit in der Datenbank von Bubble. Die Antworten der Benutzer werden mit ihrer BenutzerID, WordID, korrekt (boolean) und dem Zeitstempel gesammelt. Dann iMark korrekte Antworten als „gelernt“; Falsche werden zur Überprüfung gekennzeichnet. Ich benutze auch die Datenbank von Bubble, um die Retention -Tracking zu berechnen und zu speichern. Grundsätzlich verfolgt es Wörter mit dem Quiz -Performance -Schema. Ich berechnet den Retentionswert – toTal korrekt / total versuchte × 100. Und dann füge ich falsche Wörter zur Überprüfung ab.
Eine weitere wichtige Metrik für Scafwording ist ein Hinweis auf die Effektivität. Es ist wichtig zu wissen, ob wir in die richtige Richtung gehen. Dies wird über API -Aufrufe zum RL -Modell verwaltet. Wenn beispielsweise „nicht wissen“ ausgewählt wird, fordert Bubble die drei besten Hinweise aus der RL -Modell -API an. Der Benutzer wählt einen Hinweis aus, beantwortet eine Frage und erhält aktualisierte Hint -Rankings, die zukünftige Auswahlen optimieren.
Last but not least – Lernen von Fortschritten, die ich auch in der Datenbank von Bubble verwalte. Ich verfolge den Lernstatus mit BenutzerID, WordID, Status (gelernt/bewertet) und Zeitstempel. Darüber hinaus helfen uns Daten wie tägliche Streifen und Sitzungsdauer bei Verlobungsmetriken.
Wie einfach kann die App auf die GRE -Taker abzielen, wie einfach es für andere Tests oder Sprachlernen angepasst werden kann?
Für uns war es sehr wichtig, Scafwording als sehr anpassungsfähig zu erstellen. Die Anwendung kann für verschiedene vokabularintensive Tests und im Grunde für jeden Sprachlernzweck umgesetzt werden. Es gibt eine Word -Datenbank, die Sie leicht durch Vokabular für alle wichtigsten standardisierten Tests wie Gre, TOEFL, IELTS, SAT, GMAT, ACT sowie spezialisiertes Wortschatz für Berufe ersetzen können – medizinisch, legal, legal, business Englisch, Sie nennen es. Es kann auch für verschiedene akademische Disziplinen und natürlich das allgemeine englische Sprachlernen abgewickelt werden.
Einer der Gründe, warum Scafwording für verschiedene Sprachlernszenarien und unterschiedliche Kompetenzniveaus anwendbar ist, ist unser Hinweissystem. Es basiert auf Kontext, Dialog und Geschichte, wodurch die Anwendung für unterschiedliche Fähigkeiten und Lernziele geeignet ist. Außerdem ist der Q-Learning-Algorithmus ziemlich flexibel und kann für verschiedene Testformate oder Lernziele fein abgestimmt werden.
All dies kann mit minimalen Änderungen gesagt, dass Scafwording als vielseitiges Werkzeug für den Vokabular in einer Vielzahl von Bildungs- und beruflichen Kontexten dienen kann.
Welche Funktionen oder Verbesserungen planen Sie für zukünftige Versionen?
Ich glaube, Scafwording hat ein großes Wachstumspotenzial. In Zukunft sehe ich, dass das Produkt mit vier wichtigen Verbesserungen verbessert werden kann: ein benutzerzentriertes Modell, ein erweitertes Hinweissystem, die Entwicklung mobiler Apps und die Testausdehnung.
Derzeit verwendet die App ein universelles Modell, das basierend auf den Daten aller Benutzer aktualisiert wurde. Der Übergang zu einem benutzerzentrierten Modell wäre eine signifikante Verbesserung für Scafwording. Wenn wir personalisierte Q-Tabellen für jeden Benutzer implementieren, passt das Verstärkungslernen an individuelle Lernmuster an. Um sich schnell an individuelle Bedürfnisse anzupassen, müssen wir Techniken wie Meta-Learning oder Transfer Learning verwenden. Außerdem sollte ein detaillierteres Profil eines Benutzers berücksichtigt werden, unter Berücksichtigung von Angelegenheiten wie Lernstil und Vorkenntnissen. Ich bin mir sicher, dass all das zu einer maßgeschneiderten Lernerfahrung führen wird. Dies bedeutet, dass es das Engagement und die Wissensbindung erhöhen könnte.
Unser Hinweissystem erhält viel Anerkennung, wie ich bereits erwähnt habe. Der aktuelle umfasst Kontext-, Dialog- und Geschichten-Hinweise, die alle textbasierten Hinweise sind. In Zukunft würden wir gerne Bild- und Video-basierte Hinweise einbeziehen. Es ist sehr wichtig, weil wir alle unterschiedliche Lernansätze haben und es auch für alle gut ist, Lernstile zu kombinieren – visuell, auditorisch und Lesen/Schreiben. Darüber hinaus möchte ich mehr Kontext für komplexe Wörter und ansprechendere Lernmaterialien anbieten.
Um Scafwording zugänglicher und bequemer zu gestalten, plane ich, eine dedizierte mobile Anwendung für iOS- und Android -Plattformen zu entwickeln. Zu den wichtigsten Funktionen, die ich möchte, gehören: nahtlose Synchronisierung über Geräte, Offline -Zugriff, damit Benutzer auch ohne Internetverbindung weiter lernen können; Drücken Sie Benachrichtigungen mit Erinnerungen für das tägliche Lernen, um das Engagement der Benutzer aufrechtzuerhalten. und natürlich eine mobile optimierte Schnittstelle für intuitivere Navigation.
Und wie sieht die Testausdehnung aus?
Derzeit wurde die Webanwendung speziell für GRE -Wörter entwickelt. Zukünftige Versionen könnten erweitert werden, um Tests abzudecken, bei denen der Leseabschnitt die Fähigkeit des Benutzers bewertet, Wörter im Kontext zu verstehen. Die genaue Beantwortung von Fragen erfordert ein breites Wortschatz. Ich spreche von sehr beliebten Tests: TOEFL, SAT, IELTS, ACT usw.
Das Verstärkungslernen wird verwendet, um den Prozess, wie ich bereits erwähnt habe, personalisierter zu gestalten. Es basiert auf Echtzeitverfolgung, personalisiertem Lernen und Meisterfokus. Mit all diesen Merkmalen passt es das Lernen dynamisch an. Nachdem sich die App auf Inhalte konzentriert, möchte ich auch in Zukunft Echtzeit-Tracking und einen Meisterfokus hinzufügen.
Die geplanten Verbesserungen gewährleisten eine dynamische, sich entwickelnde Lernplattform für Benutzer, die mit den neuesten Trends im adaptiven Lernen übereinstimmt.
