¿Podría compartir un poco sobre su carrera y lo que lo inspiró a crear esta aplicación?
Con los años, he trabajado como ingeniero de datos en Stord y consultor senior de análisis de datos en Kaizen Analytix. Actualmente, soy ingeniero de análisis en Workday. Mi viaje al desarrollo de la aplicación se inspiró en mi propia experiencia de preparación de GRE. Esta prueba mide múltiples habilidades. Me destacé en el razonamiento cuantitativo, pero como un hablante de inglés no nativo luchó con el razonamiento verbal. Es difícil porque tienes que dominar más de 1000 palabras. Este desafío personal me motivó a crear crafording para ayudar a otros, especialmente a los hablantes no nativos, mejorar su vocabulario y lograr mejores puntajes.
Curiosamente, mi formación académica también jugó un papel fundamental. Durante mi tesis, exploré el uso del aprendizaje de refuerzo (RL) en un sistema de tutoría inteligente simulado. El objetivo era determinar los tipos de sugerencias más eficientes para los estudiantes de anatomía humana. Esta investigación sentó las bases para el sistema de pista adaptativo de Scafwording. Las técnicas que desarrollé ahora se aplican al aprendizaje de vocabulario GRE. Esto demuestra cómo la vida llega al círculo: desde ayudar a los estudiantes de anatomía con pistas personalizadas hasta ayudar a los aspirantes de GRE a maestro al vocabulario. Después de todos estos años, sigo concentrándome en desarrollar tecnología para ayudar a las personas a mejorar su experiencia de aprendizaje.
¿Cómo identificó la necesidad de un nuevo enfoque para el aprendizaje del vocabulario GRE?
La necesidad de un enfoque innovador para el aprendizaje del vocabulario GRE se hizo evidente cuando estudiaba para GRE. Me di cuenta de que simplemente memorizar palabras era insuficiente para el éxito en la sección de razonamiento verbal. Además, los métodos tradicionales a menudo carecen de personalización a patrones de aprendizaje individuales y estrategias de retención efectivas. Los estudiantes o usuarios se enseñan esencialmente lo mismo una y otra vez al mostrarles las mismas cartas y darles sugerencias repetitivas. Los enfoques tradicionales también se pierden la comprensión contextual de las palabras que es particularmente crítica al prepararse para las pruebas. Quería abordar estas brechas y ofrecer a todos preparándose para GRE una experiencia de aprendizaje adaptativa que va más allá de la memorización de memoria.
¿Cuáles son las características clave que diferencian a Scafwording de otras plataformas educativas?
Nombraría cuatro características innovadoras que distinguen el andamio:
- Sugerencias adaptativas. La aplicación emplea el aprendizaje de refuerzo para adaptar sugerencias según el rendimiento del usuario. Así es como ofrezco experiencias de aprendizaje personalizadas.
- Tiratratos diarios por retención. Los cuestionarios combinan palabras previamente aprendidas, palabras difíciles y palabras perdidas para reforzar la retención de manera efectiva.
- Seguimiento de progreso. Para alentar el aprendizaje consistente, implementé rayas y puntajes de retención, para que los usuarios puedan monitorear su mejora.
- Sesiones de aprendizaje personalizadas. Cada sesión incluye una mezcla de nuevas palabras y palabras difíciles previamente marcadas. ¡Porque se trata de equilibrio!
¿Qué tecnologías y lenguajes de programación se utilizaron para desarrollar SCAFWording?
Es fundamental para nosotros crear una experiencia de aprendizaje de vocabulario eficiente y adaptativa. Es por eso que incluso para el MVP, utilizo una combinación diversa de tecnologías y lenguajes de programación. Por ejemplo, el frontend, el almacenamiento de datos y la lógica de la aplicación son la burbuja, es una plataforma sin código que maneja todo eso. Utilizo Flask, un marco de Python, para implementar el modelo de aprendizaje de refuerzo y crear puntos finales de API. También uso PythonanyWhere para albergar el backend y el aprendizaje automático con sede en Python. La base de datos incorporada de Bubble es lo que uso para el almacenamiento de datos, el progreso del usuario y el análisis de aprendizaje. Para la integración de la API, confío en API RESTful para vincular la frontend de la burbuja con Pythonanywhere. También integré la autenticación de Google para la funcionalidad de inicio de sesión del usuario.
¿Qué algoritmos específicos de aprendizaje de refuerzo se emplean para personalizar sugerencias y cómo se implementaron?
Scafwording emplea un algoritmo Q-Learning. Esta es la forma más efectiva de entrenar a un agente sobre qué hacer en diferentes situaciones para obtener los mejores resultados. No tiene modelos, por lo que no necesita saber cómo funciona el mundo a su alrededor. Cumple las cosas intentando acciones, ver lo que sucede y aprender de los resultados, incluso si las cosas no siempre suceden de la misma manera. Es por eso que uso este tipo de refuerzo de aprendizaje para personalizar la experiencia.
¿Cómo integró el seguimiento de datos, como la precisión de la respuesta, la efectividad de sugerencias y la retención, en la arquitectura de la aplicación?
Fue crucial para la palabra de bufanda integrar la base de datos de Bubble con un modelo de aprendizaje de refuerzo personalizado. Eso garantiza una experiencia de aprendizaje personalizada que evoluciona con el rendimiento de cada usuario. El sistema monitorea la precisión, ajusta las sugerencias basadas en la retroalimentación en tiempo real y adapta las sesiones para alinearse con el progreso del usuario, centrándose en palabras desafiantes que marcan.
Hace un seguimiento de la precisión de la respuesta en la base de datos de Bubble. Las respuestas de los usuarios se recopilan con su IDid, Wordid, correcto (booleano) y marca de tiempo. Entonces IMark corregir las respuestas como «aprendido»; Los incorrectos se marcan para su revisión. También uso la base de datos de Bubble para calcular y almacenar el seguimiento de retención. Básicamente, rastrea las palabras usando el esquema de rendimiento del cuestionario. Calculo el puntaje de retención: intento total correcto / total × 100. Y luego marcé palabras incorrectas para su revisión.
Otra métrica importante para la crafwording es un toque de efectividad. Es importante saber si vamos en la dirección correcta. Esto se gestiona a través de llamadas API al modelo RL. Por ejemplo, cuando se selecciona «No sé», Bubble solicita los tres primeros sugerencias de la API del modelo RL. El usuario elige una pista, responde una pregunta y recibe clasificaciones de pistas actualizadas, que optimizan las selecciones futuras.
Por último, pero no menos importante, el progreso del aprendizaje, que también administro a través de la base de datos de Bubble. Rastrojo el estado de aprendizaje con UserId, Wordid, estado (aprendido/revisado) y marca de tiempo. Además, los datos como las rayas diarias y la duración de la sesión nos ayudan con las métricas de compromiso.
Si bien la aplicación se dirige a Gre Takers, ¿con qué facilidad se puede adaptar para otras pruebas o aprendizaje de idiomas?
Era muy importante para nosotros crear SCAFWording como altamente adaptable. La aplicación puede reutilizarse para varias pruebas de vocabulario intensivo y básicamente para cualquier propósito de aprendizaje de idiomas. Hay una base de datos de Word que podría reemplazar fácilmente con el vocabulario para todas las pruebas estandarizadas principales como GRE, TOEFL, IELTS, SAT, GMAT, ACT, así como vocabulario especializado para profesiones: médico, legal, inglés comercial, lo que sea. También puede tener un propósito para diferentes disciplinas académicas y, por supuesto, el aprendizaje general del idioma inglés.
Una de las razones por las que SCAFWording es aplicable a varios escenarios de aprendizaje de idiomas y diferentes niveles de competencia es nuestro sistema de pista. Se basa en el contexto, el diálogo y la historia, lo que hace que la aplicación sea adecuada para diferentes niveles de competencia y objetivos de aprendizaje. Además, el algoritmo Q-Learning es bastante flexible y se puede ajustar para varios formatos de prueba o objetivos de aprendizaje.
Dicho todo esto, con modificaciones mínimas, Scafwording puede servir como una herramienta versátil para la adquisición de vocabulario en una amplia gama de contextos educativos y profesionales.
¿Qué características o mejoras está planeando para futuras versiones?
Creo que Scafwording tiene un gran potencial de crecimiento. En el futuro, veo que el producto se puede mejorar con cuatro mejoras clave: un modelo centrado en el usuario, un sistema de sugerencias ampliado, desarrollo de aplicaciones móviles y expansión de pruebas.
Actualmente, la aplicación utiliza un modelo universal actualizado basado en todos los datos de los usuarios. La transición a un modelo centrado en el usuario sería una mejora significativa para la scafwording. Si implementamos tablas Q personalizadas para cada usuario, el aprendizaje de refuerzo se adaptará a los patrones de aprendizaje individuales. Para adaptarse a las necesidades individuales rápidamente, tendremos que usar técnicas como meta-aprendizaje o aprendizaje de transferencia. Además, se debe incluir un perfil más detallado de un usuario, teniendo en cuenta asuntos como el estilo de aprendizaje y el conocimiento previo. Estoy seguro de que todo eso conducirá a una experiencia de aprendizaje más personalizada. Lo que significa que podría aumentar el compromiso y la retención de conocimiento.
Nuestro sistema de sugerencias recibe mucho crédito, como ya mencioné. El actual incluye sugerencias de contexto, diálogo y historias, que son todas sugerencias basadas en texto. En el futuro, nos encantaría incluir sugerencias basadas en imágenes y videos. Es muy importante porque todos tenemos diferentes enfoques para el aprendizaje y también es bueno para todos combinar estilos de aprendizaje: visuales, auditivos y de lectura/escritura. Además, quiero ofrecer más contexto para palabras complejas y materiales de aprendizaje más atractivos.
Para hacer que la SCAFWording sea más accesible y conveniente, planeo desarrollar una aplicación móvil dedicada para plataformas iOS y Android. Las características clave que quiero incluyen: sincronización perfecta entre dispositivos, acceso fuera de línea, para que los usuarios puedan continuar aprendiendo incluso sin conexión a Internet; Push Notificaciones con recordatorios para el aprendizaje diario para mantener la participación del usuario; y, por supuesto, una interfaz optimizada móvil para una navegación más intuitiva.
¿Y cómo será la expansión de la prueba?
Actualmente, la aplicación web está diseñada específicamente para palabras GRE. Las versiones futuras podrían ampliarse para cubrir las pruebas donde la sección de lectura evalúa la capacidad del usuario para comprender las palabras en contexto. Responder preguntas con precisión requiere un vocabulario amplio. Estoy hablando de pruebas muy populares: TOEFL, SAT, IELTS, ACT, etc.
El aprendizaje de refuerzo se usa para hacer que el proceso sea más personalizado, como mencioné anteriormente. Se basa en el seguimiento en tiempo real, el aprendizaje personalizado y el enfoque de dominio. Con todas estas características, se adapta dinámicamente el aprendizaje. Ahora que la aplicación se concentra en el contenido, también me gustaría agregar un seguimiento en tiempo real y un enfoque de dominio en el futuro.
Las mejoras planificadas garantizarán una plataforma de aprendizaje dinámica y en evolución para los usuarios, lo que se alinea con las últimas tendencias en el aprendizaje adaptativo.
