ধারণা
জ্ঞান-গ্রাফ
ইংরেজি পাতার এই স্বয়ংক্রিয় অনুবাদ, এখনও মাতৃভাষিক বক্তার দ্বারা পর্যালোচনা করা হয়নি।
জ্ঞান-গ্রাফ — ধারণা ও তাদের মধ্যকার সম্পর্কের একটি কাঠামোবদ্ধ উপস্থাপনা, যা শিক্ষায় এআই ব্যবস্থায় বিষয়-জ্ঞান, শিক্ষার্থীর বোঝাপড়া ও শিখনের নির্ভরতা মডেল করতে ব্যবহৃত হয়। জ্ঞান-গ্রাফ এআই ব্যবস্থাকে এই যুক্তি করার সুযোগ দেয় যে শিক্ষার্থীরা কী জানে, এরপর তাদের কী শিখতে হবে, এবং ধারণাগুলো পরস্পরের সঙ্গে কীভাবে সম্পর্কিত।
বিবেচনার প্রশ্ন
- একটি জ্ঞান-গ্রাফ কেবল ধারণাই ধরে না, তাদের সম্পর্কও ধরে — পূর্বশর্ত, সাদৃশ্য, ক্রমবিন্যাস। একটি সমতল দক্ষতা-তালিকার চেয়ে ধারণাগুলো কীভাবে সম্পর্কিত তা জানা একটি অভিযোজনশীল ব্যবস্থার জন্য কেন বেশি উপযোগী হতে পারে?
- আপনার নিজের বিষয়ের মতো একটি ক্ষেত্রে পূর্বশর্তের সম্পর্কগুলো কেমন? এমন কোনো বিষয় ভাবতে পারেন কি, যেখানে শিক্ষার্থীরা নিয়মিত সংগ্রাম করে কারণ তাদের একটি ভিত্তিমূল ধারণা অনুপস্থিত, যা গ্রাফটি প্রকাশ করত?
- পাতাটি জ্ঞান-গ্রাফ ব্যবহার করে জ্ঞানের ফাঁক শনাক্ত করার কথা বলে — যেখানে শিক্ষার্থীদের ভিত্তিমূল ধারণাগুলো নেই। সেই ফাঁক সামনে আনলে একটি এআই টিউটর এরপর কী পড়াবে তার সিদ্ধান্ত কীভাবে বদলে যেতে পারে?
- জ্ঞান-গ্রাফ হাতে তৈরি করা যায় বা শিক্ষামূলক পাঠ্য থেকে এলএলএম দিয়ে স্বয়ংক্রিয়ভাবে তৈরি করা যায়। যে ধারণা-কাঠামোর ওপর একটি টিউটর পরে যুক্তি করবে, তা একটি এআই-কে নির্মাণ করতে দেওয়ার ঝুঁকি কী?
- যদি জ্ঞান-গ্রাফ সেই বিষয়-কাঠামো দেয় যার ওপর এআই এজেন্টরা যুক্তি করে, তবে গ্রাফটিতেই যদি কোনো ত্রুটি বা পক্ষপাতমূলক সম্পর্ক থাকে, তাহলে আস্থা ও নির্ভুলতার কী হয়?
- জ্ঞান-গ্রাফকে সূক্ষ্ম নির্ণয় ও ব্যক্তিগতকৃত পথ সক্রিয় করার কাঠামোগত মেরুদণ্ড বলা হয়েছে। আপনার নিজের শিক্ষাদান বা নকশায়, আপনার বিষয়ের একটি জ্ঞান-গ্রাফকে কী ধরে রাখতে হতো — আর কী বাদ পড়ত?
ভূমিকা
জ্ঞান-গ্রাফ বহু বুদ্ধিদীপ্ত শিক্ষা-ব্যবস্থার কাঠামোগত মেরুদণ্ড যোগায়। দক্ষতা বা ধারণার সমতল তালিকার বিপরীতে, জ্ঞান-গ্রাফ পূর্বশর্তের সম্পর্ক, সাদৃশ্য ও ক্রমবিন্যস্ত সংগঠন ধরে রাখে — যা অভিযোজনশীল শিখন, জ্ঞান ট্রেসিং ও শিক্ষার্থী-মডেলিং ও অভিযোজিত শিক্ষণ-এর জন্য অপরিহার্য।
শিক্ষায় এআই-এ জ্ঞান-গ্রাফ কীভাবে ব্যবহৃত হয়
জ্ঞান-গ্রাফ এই জ্ঞানভান্ডারের শিক্ষায়-এআই গবেষণায় একটি পুনরাবৃত্ত কাঠামোগত ব্যবস্থা, যা কয়েকটি স্বতন্ত্র ভূমিকা পালন করে:
- জ্ঞান ট্রেসিং মডেল ধারণা-গ্রাফ ব্যবহার করে শিক্ষার্থীর দক্ষতার অনুমানকে সম্পর্কিত দক্ষতাগুলোর মধ্যে ছড়িয়ে দেয়, ফলে উপাত্ত বিরল হলে পূর্বানুমানের নির্ভুলতা বাড়ে।
- শিক্ষার্থী-মডেলিং ও অভিযোজিত শিক্ষণ ব্যবস্থা জ্ঞান-গ্রাফ কাজে লাগিয়ে শিক্ষার্থীরা কী জানে তা অর্থবহভাবে উপস্থাপন করে, যা সূক্ষ্ম নির্ণয় সক্রিয় করে।
- অভিযোজনশীল শিখন প্ল্যাটফর্ম পূর্বশর্ত-গ্রাফ ব্যবহার করে বিষয়বস্তু সাজায় ও ব্যক্তিগতকৃত শিখন পথ সুপারিশ করে।
- গ্রাফের ওপর অ্যালগরিদমের পছন্দ ফলাফল বদলে দেয়। G4L-এ, একটি Evolving Knowledge Space Graph-এর ওপর বায়েসিয়ান জ্ঞান-প্রচার ব্যবহার করে দক্ষতা ছড়িয়ে দেওয়া +24% পরিমাপকৃত জ্ঞান উৎপাদন করেছে (0.717 → 0.887), যেখানে Knowledge Space Theory-তে +5% এবং Weighted Distance Dependent Induction-এ +1% (Csépányi-Fürjes ও Kovács, 2026)।
- জ্ঞানীয় নির্ণয় কাঠামো যেমন HiLLM-CD এলএলএম ব্যবহার করে শিক্ষামূলক পাঠ্য থেকে ধারণা-বৃক্ষ নির্মাণ করে, ফলে হাতে অ্যানোটেশনের প্রয়োজন কমে।
- জ্ঞান-গ্রাফ-সমৃদ্ধ টিউটরিং: ITAS কোয়ান্টাম ধারণার একটি জ্ঞান-গ্রাফ (স্পষ্ট পূর্বশর্ত সম্পর্কসহ) ব্যবহার করে একটি বহু-এজেন্ট টিউটরিং ব্যবস্থা চালায়, এবং অস্বাভাবিক বিষয়বস্তুর জন্য পরবর্তী বিষয় বাছতে গ্রাফটি পরিভ্রমণ করে।
- পাঠ্যক্রম ও কোর্স মডেলিং: CourseGraph গ্রাফ-উপস্থাপনা ব্যবহার করে বিভিন্ন প্রতিষ্ঠানের সিএস কোর্স-কাঠামো তুলনা করে; Learnity গ্রাফ আজীবন শিখনের পথ মডেল করে।
- পূর্বশর্ত-সম্পর্ক শিখন: ProPrL ধারণাগুলোর মধ্যকার পূর্বশর্ত সম্পর্ক শেখে, এবং জ্ঞান-গ্রাফ যে সংযোগগুলো এনকোড করে তা আনুষ্ঠানিক রূপ দেয়।
- জ্ঞানের ফাঁক শনাক্তকরণ: জ্ঞানের ফাঁক শনাক্তকরণ এআই শিক্ষণ-সহায়কদের মধ্যে গ্রাফ-ভিত্তিক যুক্তি ব্যবহার করে খুঁজে বের করে শিক্ষার্থীদের কোথায় ভিত্তিমূল ধারণা অনুপস্থিত।
- মাল্টিমোডাল এআই ও ব্যাখ্যাযোগ্য যুক্তি: বহুমাধ্যমিক জ্ঞান-গ্রাফ গ্রাফ-কাঠামোকে বিষয়বস্তুর নানা মাধ্যমে বিস্তৃত করে; ন্যায্য ও ব্যাখ্যাযোগ্য সুপারিশ জ্ঞান-গ্রাফ এমবেডিংয়ের সঙ্গে ক্রমিক মডেলিং যুক্ত করে (একটি সংকর HKG-GRU কাঠামো)।
- সম্পদ-সুপারিশের জন্য নির্দেশনামূলকভাবে গঠিত গ্রাফ: Liu, Sun ও Song (2026) প্রতিটি শিক্ষণ-সম্পদ সত্তাকে চারটি নির্দেশনামূলক মাত্রায় ভাগ করেন (শিক্ষণ-প্রসঙ্গ, কগনিটিভ স্তর, প্রযুক্তিগত বৈশিষ্ট্য, সাংস্কৃতিক অভিযোজনযোগ্যতা), সেই মাত্রাগুলোর ওপর ব্যবহারকারী-নির্ভর আর্থিক সাদৃশ্য গণনা করেন, এবং একটি সক্ষমতা- ও অগ্রগতি-সচেতন কোএফিশিয়েন্টের মাধ্যমে তা সমবায় ফিল্টারিংয়ের সঙ্গে মেলান — অর্থাৎ সম্পদকে ভোগ্যপণ্য না ধরে শিক্ষাবিজ্ঞানগত গঠন সরাসরি সুপারিশ-সংকেতে এনকোড করেন।
- অন্টোলজি-ভিত্তিক জ্ঞানভান্ডার: Ivanova (2026) বর্ণনা-যুক্তির ওপর প্রতিষ্ঠিত একটি স্তরভিত্তিক, সংকর জ্ঞানভান্ডার-স্থাপত্য প্রস্তাব করেন, যা ধ্রুপদী ITS-এর একক-অন্টোলজি মডেলের বদলে ম্যাপকৃত অন্টোলজির ব্যবস্থা রাখে — সাথে প্রক্রিয়াগত (নিয়ম-ভিত্তিক), সম্ভাব্যতাভিত্তিক/অস্পষ্ট এবং এমএল-নিষ্কাশিত অন্তর্নিহিত জ্ঞান যোগ করে — এবং শিক্ষামূলক অন্টোলজি বর্ণনা, আবিষ্কার ও পুনর্ব্যবহারের জন্য একটি মেটাডেটা কাঠামো দেয়।
- স্ক্যাফোল্ডিং ও লেখালেখি: Veriforge ও ভিজ্যুয়াল কোয়েরি ট্রেসিং বর্ণনামূলক খসড়া লেখা ও ঘোষণামূলক-যুক্তি শিখনে গ্রাফ-ভিত্তিক কাঠামো প্রয়োগ করে।
- মানুষ-সংকলিত সাহিত্যিক গ্রাফ, এবং একটি অডিট যা প্রকাশ করে: Incipit সাহিত্যিক প্রস্তাবনাগুলোকে গ্রাফ করে — 1,455 স্বতঃসিদ্ধ রেকর্ড, 149টি কর্মে 1,464 ম্যাপিং, ও 472 প্রকারভেদযুক্ত সম্পর্ক — যেখানে ভাষা-মডেল প্রার্থী সূত্র প্রস্তাব করে এবং মানব কিউরেটররা তা বেছে নিয়ে ভিত্তি দেন। এর পুনর্গণিত অডিট তার কাঠামোর মতোই শিক্ষণীয়: প্রতিটি প্রান্তবিন্দু নিষ্পত্তি হয় এবং কোনো নকল বা স্ব-সংযোগ থাকে না, তবুও 1,455 স্বতঃসিদ্ধের মধ্যে 1,448টি ঠিক একটি কর্মে ম্যাপ করে (তাই কর্ম-ব্যাপী পুনর্ব্যবহার বিরল), প্রসঙ্গ-শ্রেণিবিন্যাস তার দুই প্রসঙ্গ-প্রকার আলাদা করতে পারে না, এবং কোনো উৎস-রেকর্ড টিকে থাকে না, ফলে স্ন্যাপশট নিজের পাইপলাইন পুনর্গঠন করতে অক্ষম। কাঠামোগত বৈধতা ব্যাখ্যামূলক গুণ নয়, এবং উৎস-রেকর্ডহীন কিউরেটেড গ্রাফ অডিটও করা যায় না, রিফ্রেশও করা যায় না।
এলএলএম-চালিত জ্ঞান-গ্রাফ নির্মাণ
সাম্প্রতিক গবেষণা শিক্ষামূলক বিষয়বস্তু থেকে স্বয়ংক্রিয়ভাবে জ্ঞান-গ্রাফ নির্মাণে এলএলএম ব্যবহারের সম্ভাবনা খতিয়ে দেখে। HiLLM-CD কাঠামো বহু-এজেন্ট এলএলএম পাইপলাইন ব্যবহার করে অনুশীলন-ধারণা সংযোগ ও স্তরভিত্তিক ধারণা-বৃক্ষ তৈরি করে, ফলে বিশেষজ্ঞ-অ্যানোটেশনের ওপর নির্ভরতা কমে। এটি পাঠ্যক্রম-নকশা ও স্বয়ংক্রিয় বিষয়বস্তু-সংগঠনে উৎপাদক এআই-এর বিস্তৃত প্রয়োগের সঙ্গে যুক্ত, এবং RAG (রিট্রিভাল-অগমেন্টেড জেনারেশন) (পুনরুদ্ধার-সমৃদ্ধ উৎপাদন)-এর সঙ্গেও, যেখানে গ্রাফ-কাঠামোবদ্ধ জ্ঞান সমতল সাদৃশ্য-অনুসন্ধানের চেয়ে পুনরুদ্ধারের গুণ উন্নত করতে পারে।
অন্যান্য ধারণার সঙ্গে সম্পর্ক
জ্ঞান-গ্রাফ লার্নিং ডিজাইন (কী পড়াতে হবে তা নির্ধারণ), পাঠ্যক্রম নকশা (তা কীভাবে সাজাতে হবে) ও লার্নিং অ্যানালিটিক্স (শিক্ষার্থীর মিথস্ক্রিয়া-উপাত্ত থেকে অন্তর্দৃষ্টি নিষ্কাশন)-এর সঙ্গে যুক্ত। শিক্ষা-ক্ষেত্রের কাঠামোবদ্ধ উপস্থাপনা প্রয়োজন হয় এমন বুদ্ধিদীপ্ত টিউটরিং ব্যবস্থার ভিত্তি এগুলোই। শিক্ষায় এআই এজেন্ট সাধারণ হয়ে উঠলে জ্ঞান-গ্রাফ সেই বিষয়-কাঠামো দেয় যার ওপর এজেন্টিক ব্যবস্থা যুক্তি করে — এমন একটি ধারা ITAS ও জ্ঞান-ফাঁক-শনাক্তকরণ শিক্ষণ-সহায়কদের মধ্যে দেখা যায়।
সাধারণ ভুল ধারণা
"জ্ঞান-গ্রাফ হলো উন্নত সরঞ্জামযুক্ত একটি ধারণা-মানচিত্র।" স্বতন্ত্র দাবিটি সম্পর্কগত ও গণনামূলক: একটি গ্রাফ উপযোগী কারণ পূর্বশর্ত, সাদৃশ্য ও ক্রমবিন্যাস এতটা স্পষ্ট যে একটি অ্যালগরিদম তা পরিভ্রমণ করতে পারে — সংযুক্ত নোড আঁকার কারণে নয়। এর থেকে যা আসে তা হলো সেই পরিচালনামূলক প্রশ্ন, যেখানে পাতাটি বারবার ফিরে আসে — গ্রাফের ওপর কোন পরিভ্রমণ বা প্রচার অ্যালগরিদম চলে — কারণ শিক্ষণগত প্রভাব আসলে সেই পছন্দেই বাস করে।
"গ্রাফটি থাকাই ফলাফল উন্নত করে।" গ্রাফের ওপর অ্যালগরিদম ফলাফল বদলায়। G4L-এ, একটি Evolving Knowledge Space Graph-এর ওপর বায়েসিয়ান জ্ঞান-প্রচার ব্যবহার করে দক্ষতা ছড়িয়ে দেওয়া +24% পরিমাপকৃত জ্ঞান উৎপাদন করেছে (0.717 → 0.887), যেখানে Knowledge Space-ভিত্তিক তুলনায় তা +5%। কাঠামোবদ্ধ জ্ঞান-স্থানের একই সাধারণ ধারণা, কিন্তু প্রচার-পদ্ধতির ওপর নির্ভর করে ফলাফল বস্তুত ভিন্ন। গ্রাফ কেনা বা বানানো নকশা-সমস্যার শুরু, তার সমাধান নয়।
"কাঠামোগত অডিটে উত্তীর্ণ এলএলএম-নির্মিত গ্রাফ একটি বৈধতাপ্রাপ্ত গ্রাফ।" কাঠামোগত বৈধতা ও শিক্ষণগত বৈধতা ঠিক এভাবেই আলাদা হয়ে যায়। এমন একটি গ্রাফের পুনর্গণিত অডিটে দেখা গেছে প্রতিটি প্রান্তবিন্দু নিষ্পত্তি হয় এবং কোনো নকল বা স্ব-সংযোগ থাকে না — পরিচ্ছন্ন কাঠামো — তবুও এর 1,455 স্বতঃসিদ্ধের মধ্যে 1,448টি ঠিক একটি কর্মে ম্যাপ করে, তাই কর্ম-ব্যাপী পুনর্ব্যবহার বিরল, এর প্রসঙ্গ-শ্রেণিবিন্যাস তার দুই প্রসঙ্গ-প্রকার আলাদা করতে পারে না, এবং কেন্দ্রীয় দাবিগুলো অপ্রমাণিত থাকে। মৃত সংযোগ ও নকল হলো সেই ব্যর্থতা যা স্বয়ংক্রিয় অডিট ধরে; পাতলা পুনর্ব্যবহার ও অবিভেদযোগ্য শ্রেণি হলো যা তা পার করে দেয়।
অনুশীলনের জন্য তাৎপর্য
প্রশিক্ষকদের জন্য
- গ্রাফটি নির্ভুল কি না জিজ্ঞাসা করার আগে জিজ্ঞাসা করুন এটি কী কাজে ব্যবহৃত হয়: সুপারিশ, পূর্বশর্ত-ক্রমবিন্যাস, নাকি নির্ণয়। প্রমাণ ব্যবহারভেদে তীব্রভাবে ভিন্ন, এবং পূর্বশর্ত-ক্রমবিন্যাসে সবচেয়ে শক্তিশালী ফলাফল রয়েছে।
- কোনো সরঞ্জাম অভিযোজনশীল ক্রমবিন্যাসের দাবি করলে জ্ঞান-কাঠামোর বর্ণনার বদলে একটি অ-অভিযোজনশীল ভিত্তিরেখার বিরুদ্ধে পরিমাপকৃত তুলনা চান।
- কর্ম-ব্যাপী পুনর্ব্যবহারে বিরলতা আশা করুন, এবং যে গ্রাফের সত্তাগুলো এক-এর-সঙ্গে-একভাবে একক উৎসে ম্যাপ করে, তাকে সংহত মানচিত্র নয়, বরং প্রান্তযুক্ত একটি তালিকা হিসেবে দেখুন।
উন্নয়নকারীদের জন্য
- প্রচার-অ্যালগরিদমকে প্রথম শ্রেণির নকশা-সিদ্ধান্ত হিসেবে দেখুন এবং হস্তক্ষেপের অংশ হিসেবে অ্যালগরিদমটি প্রতিবেদন করুন; +24% বনাম +5% ব্যবধানের কারণ এটি।
- নিষ্পত্তিযোগ্যতার বাইরেও অডিট করুন। শ্রেণিগুলো আলাদা করা যায় কি না এবং সত্তাগুলো কর্ম-ব্যাপী পুনর্ব্যবহৃত হয় কি না পরীক্ষা করুন, কারণ কাঠামোগত পরিচ্ছন্নতা ধারাবাহিকভাবে শিক্ষণগত পাতলার সঙ্গে সহাবস্থান করে।
- গ্রাফ-পরিসংখ্যানের বিরুদ্ধে নয়, শিখন-ফলাফলের বিরুদ্ধে গ্রাফ যাচাই করুন।
গবেষকদের জন্য
- অ্যালগরিদমের স্তরে গ্রাফ-বনাম-ভিত্তিরেখার তুলনা প্রতিবেদন করুন। "জ্ঞান-গ্রাফ-ভিত্তিক" কোনো চিকিৎসা নয়; পরিভ্রমণ-কৌশলই চিকিৎসা।
- নির্ভুলতা ও রিকল-এর পাশাপাশি স্বতঃসিদ্ধ-থেকে-উৎস ম্যাপিং এবং শ্রেণিবিন্যাসের বিভেদযোগ্যতা প্রতিবেদন করুন, কারণ এখানকার অডিট-ব্যর্থতাগুলো প্রচলিত গ্রাফ-মেট্রিকের কাছে অদৃশ্য ছিল।
সংযুক্ত ধারণা
- অভিযোজনশীল শিখন
- জ্ঞান ট্রেসিং
- বুদ্ধিদীপ্ত টিউটরিং
- জ্ঞানীয় নির্ণয়
- শিক্ষার্থী-মডেলিং ও অভিযোজিত শিক্ষণ
- লার্নিং অ্যানালিটিক্স
- পাঠ্যক্রম নকশা
- লার্নিং ডিজাইন
- উৎপাদক এআই
- বৃহৎ ভাষা মডেল (এলএলএম)
- RAG (রিট্রিভাল-অগমেন্টেড জেনারেশন)
- এজেন্টিক AI
- প্রযুক্তি — ছাতা: এআই প্রযুক্তি ও কৌশল (মডেল, এলএলএম প্রশিক্ষণ, রোবোটিক্স, RAG, এজেন্টিক)
- সুপারিশকারী ব্যবস্থা ও শিখন-পথ
সংযুক্ত নিবন্ধ
- Literary Axioms: A Conceptual Framework for Literary Creation, Interpretation, and Evaluation — 1,455 সাহিত্যিক স্বতঃসিদ্ধের কিউরেটর-নির্মিত গ্রাফ, কাঠামোগত অডিটসহ এবং উৎস-রেকর্ডবিহীন (Liu ও Zhao 2026)
- Ontology-Based Layered Hybrid AI-Driven Knowledge Model for Personalized E-Learning — ব্যক্তিগতকৃত ই-লার্নিংয়ের জন্য অন্টোলজি-ভিত্তিক স্তরভিত্তিক সংকর জ্ঞান-মডেল
- Rethinking Higher Education: From Fixed Curricula to Learnity Graphs — আজীবন শিখনের জন্য Learnity গ্রাফ
- VeriForge: Mitigating Latent Knowledge Gaps in Narrative Drafting via Mixed-Initiative Scaffolding — Veriforge: বর্ণনামূলক খসড়া লেখার স্ক্যাফোল্ড
- From Prototype to Classroom: An Intelligent Tutoring System for Quantum Education — কোয়ান্টাম শিক্ষার বুদ্ধিদীপ্ত টিউটরিং (ITAS)
- Evidence-Grounded Multimodal Knowledge Graph Construction for Multi-Lecture Educational Reasoning — শিক্ষামূলক যুক্তির জন্য বহুমাধ্যমিক জ্ঞান-গ্রাফ
- CourseGraph: Finding overlaps and differences in Computer Science courses across universities — CourseGraph: সিএস কোর্স তুলনা
- ProPRL: Property-Aware Prerequisite Relation Learning in Educational Knowledge Graphs — ProPrL: পূর্বশর্ত-সম্পর্ক শিখন
- Detecting Knowledge Gaps from Conversational AI Interactions Using Curriculum Prerequisite Graphs — এআই শিক্ষণ-সহায়কে জ্ঞানের ফাঁক শনাক্তকরণ
- Evaluating a Visual Query Tracer and Builder for Learning Declarative Logic Programming — ঘোষণামূলক যুক্তি শিখনের জন্য ভিজ্যুয়াল কোয়েরি ট্রেসার
- Fair and explainable educational recommendations with a hybrid Graph-GRU framework — ন্যায্য ও ব্যাখ্যাযোগ্য শিক্ষামূলক সুপারিশ
- A Hybrid Collaborative Filtering and Knowledge Graph-Based Cross-Domain Recommendation Method for Multimodal Teaching Resources — বহুমাধ্যমিক শিক্ষণ-সম্পদের জন্য সংকর CF–KG ক্রস-ডোমেইন সুপারিশ
- HiLLM-CD: LLM-Enhanced Hierarchical Cognitive Diagnosis — HiLLM-CD: এলএলএম-চালিত কগনিটিভ নির্ণয়
- Intelligent tutoring in dynamic domains: a graph-based system for comparative analysis of adaptive algorithms — গতিশীল ক্ষেত্রের জন্য গ্রাফ-ভিত্তিক বুদ্ধিদীপ্ত টিউটরিং (2026)
- CogEvol: Towards Efficient and Reliable Learning Environment Generation — CogEvol: শিখন-পরিবেশ উৎপাদন