শিক্ষার্থীদের উত্তর দেওয়ার বদলে পথ দেখাতে এআই টিউটরকে কীভাবে প্রশিক্ষণ দেব?

ইংরেজি পাতার এই স্বয়ংক্রিয় অনুবাদ, এখনও মাতৃভাষিক বক্তার দ্বারা পর্যালোচনা করা হয়নি।

আপনার টিউটর উত্তরটি মুখেই বলে দেয়। ডেমোতে তা ধরা পড়েনি, কারণ প্রশ্নটি সহজ ছিল আর শিক্ষার্থী সহযোগী ছিল। পাইলট লগে ধরা পড়ে: শিক্ষার্থী দুইবার জিজ্ঞেস করে, মডেল পদ্ধতিটি আবার বলে, তারপর সমাধান করে দেয়। একজন শিক্ষক একটি সেশন দেখে বলেন এটি বন্ধুসুলভ কণ্ঠের একটি চ্যাটবট। এখন আপনি ঠিক করছেন এক চতুর্থাংশ ইঞ্জিনিয়ারিং সময় পোস্ট-প্রশিক্ষণে দেবেন, নাকি ভালো একটি সিস্টেম প্রম্পট দিয়ে ছাড়বেন।

সংক্ষিপ্ত উত্তর: প্রম্পটিং উত্তর দেওয়ার টান সরায় না, কারণ উপকারিতা হলো সেই জিনিস যা তৈরি করতে বেস মডেলকে প্রশিক্ষণ দেওয়া হয়েছে। যদি পথ দেখানোর আচরণই পণ্য হয়, তবে তা প্রশিক্ষণ দিতে হবে, আর ফলাফল যা ঠিক করে সেই চলকটি হলো রিওয়ার্ড। রিওয়ার্ডটি একটি বেঞ্চমার্কের বিপরীতে লিখুন, প্রশিক্ষণ-তথ্যে ধাপ-স্তরের যুক্তি রাখুন, এবং প্রশিক্ষণের বিচার করুন মডেল পরের কোন শিক্ষণসংক্রান্ত পদক্ষেপ বেছে নেয় তা দিয়ে।

সংক্ষেপে

1. প্রম্পটিংই যথেষ্ট এই সিদ্ধান্তে পৌঁছানোর আগে পরীক্ষা করুন প্রম্পটটি চাপ সামলায় কি না। ভুল শিক্ষার্থীর সঙ্গে একমত হওয়াই সেই ব্যর্থতা-ধরন যা খুঁজতে হবে।

2. রিওয়ার্ডটি আপনি যে আচরণ চান তার একটি স্পেসিফিকেশন হিসেবে লিখুন, কঠিন নেগেটিভ বাদ দিয়ে, তারপর দেখুন এটি আসলে কী অনুকূলিত করেছে।

3. ধাপ-স্তরের ট্রেসে প্রশিক্ষণ দিন। প্রশ্ন ও সঠিক-উত্তর জোড়ার একটি সংগ্রহ মডেলকে শেখাতে পারে না শিক্ষার্থী কোথায় ভুল করেছে তা দেখা।

4. বিচার যখন গুরুত্বপূর্ণ তখন অনুকরণের বদলে রিইনফোর্সমেন্ট লার্নিং বেছে নিন, এবং মধ্যবর্তী পর্যায়ের স্কোরগুলো রেখে দিন।

5. রিওয়ার্ডকে যথেষ্ট ঘন করুন যাতে বেশিরভাগ প্রতিক্রিয়ায় তা সক্রিয় হয়, এবং মূল্যায়ন চালান গোটা কথোপকথনে।

প্রম্পট চাপ সামলায় কি না তা বের করুন

প্রম্পটিং ও সাধারণ অ্যালাইনমেন্ট প্রশিক্ষণ একমত হওয়ার একটি টান রেখে যায়। প্রাসঙ্গিক সাইকোফ্যান্সি দুটির পরেও টেকে, শিক্ষার্থীদের ভুল তখনও এআই-এর পরামর্শে প্রবাহিত হয়।

EduFrameTrap পণ্য-সিদ্ধান্তের জন্য গুরুত্বপূর্ণ সেই খুঁটিনাটি যোগ করে। যে মডেলগুলো কনটেক্সট-সুইচ আক্রমণ প্রতিরোধ করে, তারাও কর্তৃত্ব বা সামাজিক-আবেগিক চাপে নতিস্বীকার করে এবং সংশোধনমূলক ফিডব্যাক আটকে রাখে, এজন্যই এর লেখকেরা যুক্তি দেন যে "সদয় কিন্তু সঠিক" আচরণ একটি স্পষ্ট প্রশিক্ষণ-শর্ত হওয়া উচিত, নিছক পছন্দ নয় (Sycophancy is an Educational Safety Risk: Why LLM Tutors Need Sycophancy Benchmarks)।

যদি আপনার টিউটরের ব্যর্থতা ভুল উত্তরের সঙ্গে একমত হওয়া হয়, তবে তাকে একমত না হতে প্রম্পট করা একটি প্রশমন। আগে চাপ-পরীক্ষাটি চালান, কোথায় ভাঙে তা লিপিবদ্ধ করুন, এবং সেই প্রতিলিপিকে প্রশিক্ষণ-বাজেটের যুক্তি হিসেবে ব্যবহার করুন।

ডেটা সংগ্রহের আগেই রিওয়ার্ড লিখুন

রিওয়ার্ড হলো আপনি কী চান তার সংকুচিত স্পেসিফিকেশন, আর মডেল ঠিক যা আপনি লিখেছেন তাকেই অনুকূলিত করে। এতে রিওয়ার্ড-নকশাই সেই সিদ্ধান্ত হয়ে দাঁড়ায় যা পরবর্তী সব কিছুর সীমা ঠিক করে।

EduQwen-এর রিওয়ার্ড মডেল সরাসরি উত্তরের চেয়ে পথ দেখানো প্রতিক্রিয়াকে প্রাধান্য দিয়েছে, কঠিন-নেগেটিভ মাইনিং দিয়ে সেই প্রশ্নগুলো বাদ দিয়েছে যা বেস মডেল ইতিমধ্যেই সমাধান করেছে, এবং রোলআউট 5 থেকে 8 ধাপে বাড়ানো হয়েছে যাতে বহু-ধাপের শিক্ষণসংক্রান্ত সিদ্ধান্ত ধরা পড়ে। এর তিন-পর্যায়ের পাইপলাইন, প্রথমে RL তারপর কৃত্রিম SFT তারপর শেষ একটি RL রাউন্ড, CDPK বেঞ্চমার্কে 96.52% পেয়েছে, Gemini-3 Pro-এর 90.55%-এর বিপরীতে (Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning)।

এরপর দুটি কথা আসে। রিওয়ার্ড যে গেম করা হবে তা আশা করুন, কারণ এটি আপনার উদ্দেশ্যের চেয়ে কম নির্দিষ্ট, তাই এটি অনুমানের বদলে একটি বেঞ্চমার্কের বিপরীতে লিখুন। আর মধ্যবর্তী সংখ্যাগুলো রেখে দিন: কেবল প্রথম RL পর্যায়েই 94.13%-এ পৌঁছেছিল, 40,000টি স্ব-উৎপন্ন প্রতিক্রিয়ায় SFT তা 96.20%-এ নিয়েছিল, আর শেষ রাউন্ড যোগ করেছে শেষ ভগ্নাংশটুকু। লাভের বেশিরভাগই আগে এসেছে, যা কাজে লাগে যখন কেউ জিজ্ঞেস করে শেষ পর্যায়টি তার খরচের যোগ্য ছিল কি না।

রিওয়ার্ড যেন শেখানোর মতো ঘন ঘন সক্রিয় হয়

যখন আপনার কাছে গুরুত্বপূর্ণ জিনিসটির কয়েকটি মাত্রা থাকে, তখন নিখুঁত-মিল রিওয়ার্ড অত্যন্ত বিরল। SWIM-এর লেখা-সিমুলেটর এই ক্রমটি পরিষ্কারভাবে দেখায়: রুব্রিক-ভিত্তিক প্রম্পটিং Claude Sonnet-এর সঙ্গে 0.577 এবং GPT-5.4-এর সঙ্গে 0.422 সেরা গড় বৈশিষ্ট্য QWK-এ পৌঁছেছে, একটি খোলা 7B মডেলের জন্য প্রায় শূন্য; সুপারভাইজড ফাইন-টিউনিং সেই 7B মডেলের জন্য 0.474 ± 0.023 পেয়েছে; ঘন, বৈশিষ্ট্য-স্বাভাবিকীকৃত নির্ভুলতা-রিওয়ার্ডসহ GRPO প্রতিটি বৈশিষ্ট্য ও প্রম্পট জুড়ে 0.618 ± 0.005 পেয়েছে (SWIM: Student Writing Simulation via Proficiency-Conditioned Generation)।

এই ফারাক তৈরি করেছে রিওয়ার্ড-নকশা। ঘন বৈশিষ্ট্য-স্বাভাবিকীকৃত সংকেত বহু-বৈশিষ্ট্যের পরিবেশে নিখুঁত-মিলকে হারায়, আর আপনার রিওয়ার্ড যদি কেবল নিখুঁত প্রতিক্রিয়ায় সক্রিয় হয়, তবে আপনার প্রশিক্ষণ-সংকেতের বেশিরভাগই নীরবতা।

যুক্তিটা উদাহরণের ভেতরে রাখুন

এই ক্ষেত্রের সবচেয়ে কাজে লাগা ফলটি হলো প্রশিক্ষণ-তথ্যে কী থাকতে হবে তা নিয়ে। নির্দেশনা-টিউন করা মডেল বীজগাণিতিক ভুলধারণা শিখেছে কেবল ধাপ-স্তরের সমাধান-ট্রেসে প্রশিক্ষণ পেলে। কেবল চূড়ান্ত উত্তরে প্রশিক্ষণ দিলে নির্ভুলতা প্রতিটি ডেটা-আকারে 30%-এর নিচে থাকে (Misconception Acquisition Dynamics in Large Language Models)।

সেই গবেষণার দুটি খুঁটিনাটি টিউটরের দুই পক্ষেই যে কেউ বানাচ্ছে তার জন্য গুরুত্বপূর্ণ। শিক্ষার্থী-ভূমিকা শেখা ভুলটিকে অতিসাধারণ করে তুলেছে যতক্ষণ না সঠিক উদাহরণ চারটির মধ্যে একটির মতো কম অনুপাতে মেশানো হয়। টিউটর-ভূমিকা এমন কোনো খরচ দেখায়নি, দশটি যৌথভাবে প্রশিক্ষিত ভুলধারণা জুড়ে সঠিক নির্ভুলতা 93% থেকে 98% ধরে রেখেছে।

প্রশ্ন ও সঠিক-উত্তর জোড়ার একটি ডেটাসেট মডেলকে শেখাতে পারে না শিক্ষার্থী কোথায় ভুল করেছে তা লক্ষ্য করা। আপনি যদি নির্ণয় করতে শেখাতে চান একটি টিউটরকে, উদাহরণে যুক্তিটা থাকতে হবে।

যে প্রশিক্ষণ-সংকেত বিচারের সঙ্গে মেলে তা বাছুন

সুপারভাইজড ফাইন-টিউনিং মডেলকে আপনার প্রদর্শনী অনুকরণ করতে শেখায়। তা আকার-বিন্যাসের জন্য যথেষ্ট, বিচারের জন্য নয়। LearnLM ফলটি স্পষ্টভাবে বলে: দীর্ঘ কথোপকথনে সূক্ষ্ম শিক্ষণসংক্রান্ত নির্দেশনা অনুসরণে SFT-এর একার চেয়ে RL অনেক বেশি কার্যকর (LearnLM: Improving Gemini for Learning)।

এর নির্দেশনা-শর্তযুক্ত কাঠামো ডেভেলপার ও শিক্ষকদের শিক্ষাবিজ্ঞানের একটি সংজ্ঞায় আবদ্ধ না হয়েই টিউটর-আচরণ নির্দিষ্ট করতে দেয়, আর সহ-প্রশিক্ষণ তা Gemini-এর পোস্ট-প্রশিক্ষণ পর্যায়ে মেশায়। বিশেষজ্ঞরা এটি GPT-4o-এর (+31%), Claude 3.5 Sonnet-এর (+11%) এবং বেস Gemini 1.5 Pro-এর (+13%) চেয়ে বেশি পছন্দ করেছেন।

ব্যবহারিক পাঠ: আপনার ব্যর্থতা যদি ভুল সুর বা অনুপস্থিত আকার-বিন্যাস হয়, তবে SFT সস্তা পথ। আপনার ব্যর্থতা যদি দ্বাদশ টার্নে ভুল শিক্ষণসংক্রান্ত পদক্ষেপ বাছাই হয়, তবে সংকেতকে সেই বাছাইকেই পুরস্কৃত করতে হবে।

প্রতিটি উদাহরণকে যে আচরণ শেখায় তা দিয়ে লেবেল করুন

যদি তত্ত্বাবধানে যুক্তি থাকতেই হয়, তবে লেবেলিং-স্কিম একটি পাঠ্যক্রম-সিদ্ধান্ত। সুপারভিশন-লেবেল নিয়ে একটি গবেষণা দেখে যে প্রতিটি প্রশিক্ষণ-উদাহরণকে বিষয়-সামর্থ্য, পাঠ্যক্রম-ভিত্তি, নির্ণয়মূলক যুক্তি ও স্ক্যাফোল্ডিংয়ের মধ্যে একটি লক্ষ্য-আচরণ দেওয়া পরীক্ষিত প্রতিটি মডেল-আকারে স্কোর বাড়িয়েছে, সবচেয়ে বড় লাভ স্ক্যাফোল্ডিংয়ে এবং শিক্ষার্থীর ইতিহাস ব্যবহারে। জ্ঞান-অবস্থার নির্ণয় 54.04%-এ সবচেয়ে দুর্বল আচরণ হিসেবেই থাকে (OmniEdu: Open Foundation Models for Learning and Teaching)। নির্ণয় সেই তালিকার সবচেয়ে কঠিন আইটেম, তাই তার জন্য বরাদ্দ রাখুন।

ডেটা-নির্বাচন নিজেই একটি প্রশিক্ষণ-সমস্যা। Edu-QuRating পছন্দ-পাতনকে শিক্ষামূলক ডেটা-কিউরেশনে অভিযোজিত করে, একক "এটি কি শিক্ষামূলক?" স্কোরের বদলে 20টি রুব্রিক-মাত্রা রাখে যা তথ্যগত নির্ভুলতা, শিক্ষণসংক্রান্ত গঠন ও স্তর-উপযোগিতা কভার করে (Edu-QuRating: Multi-Dimensional Educational Data Curation with Distilled Pairwise Judgements)। আপনি যদি ওয়েব-পাঠ্য থেকে একটি সংগ্রহ গড়েন, সেই ফিল্টারই ঠিক করে আপনার মডেল কীসের মতো শোনা শিখবে।

যে ডেটা-বাজি আপনি সামলাতে পারেন তা বেছে নিন

দুটি বিপরীত বাজি এই ক্ষেত্রটিকে সংজ্ঞায়িত করে, আর কোনটি নেবেন তা নির্ভর করে আপনার কাছে ইতিমধ্যে কী আছে তার ওপর।

যখন আপনার ডেটা দুষ্প্রাপ্য, তখন নির্দেশনা-শর্তযুক্ত পোস্ট-প্রশিক্ষণই আচরণটি বহন করে। LearnLM সিস্টেম-স্তরের নির্দেশনা ব্যবহার করে যা শিক্ষক ও ডেভেলপারদের টিউটর-আচরণ নির্দিষ্ট করতে দেয় এবং টিউটরিং প্রতিলিপির বড় সংগ্রহের বদলে সহ-প্রশিক্ষণের ওপর নির্ভর করে।

যখন আপনার কাছে প্রকৃত মিথস্ক্রিয়া-ডেটা আছে, তখন তার ওপর ফাইন-টিউনিংই জেতে। TeachLM বাজি ধরে যে প্রম্পট ইঞ্জিনিয়ারিং একটি অস্থায়ী ব্যবস্থা আর দুষ্প্রাপ্য উপাদানটি হলো প্রকৃত শিক্ষার্থী-টিউটর মিথস্ক্রিয়া। কঠোর নাম-গোপনকরণের অধীনে এক-এক করে অনুষ্ঠিত সেশনের 100,000 ঘণ্টায় প্রশিক্ষিত হয়ে এটি শিক্ষার্থীর কথা বলার সময় দ্বিগুণ করে, প্রশ্ন করার ধরন উন্নত করে, এবং সংলাপ-টার্ন 50% বাড়ায় (TeachLM: Post-Training LLMs for Education Using Authentic Learning Data)।

সস্তা পথ হলো ডিস্টিলেশন। Pedagogy-R1, 1.5B ও 7B মাপে, একটি QwQ-32B শিক্ষকের কাছ থেকে ডিস্টিল করা শিক্ষণসংক্রান্তভাবে ফিল্টার করা আউটপুটে নির্দেশনা-টিউন করা হয়েছে, সঙ্গে Chain-of-Pedagogy প্রম্পটিং (Pedagogy-R1: Pedagogical Large Reasoning Model and Well-balanced Educational Benchmark)।

শিক্ষার্থীর পরের সিদ্ধান্তটাই প্রশিক্ষণ দিন

পোস্ট-প্রশিক্ষণকে কেবল মডেল কী বলে তা গড়তে হয় না। TACT একটি টিউটরকে 13-কৌশল ট্যাক্সোনমি এবং দুই-অক্ষের শিক্ষার্থী-পদক্ষেপ ট্যাক্সোনমিতে পোস্ট-প্রশিক্ষণ দিয়ে তার Qwen3.5-4B ভিত্তির ওপর 20.30 পয়েন্ট লাভ করেছে, সঙ্গে একটি নির্ণয়-বেঞ্চমার্ক যা প্রশিক্ষণের সময় উপলব্ধ শিক্ষার্থী-অবস্থার লেবেল আটকে রাখে যাতে মডেলকে সংলাপ থেকে অবস্থা অনুমান করতে হয় (TACT: Taxonomy-Aligned Post-Training for Pedagogically Adaptive English Tutoring)।

একই যুক্তি বিশেষ শিক্ষার অ্যালাইনমেন্টেও চলে (Special-R1: Reinforcement Learning for Special Education — Aligning LLM Tutors to Diverse Learners through Disability-Adaptive Training) এবং হিউরিস্টিক-RL কাজেও, যা মডেলগুলোকে উত্তরদাতার বদলে সক্রেটিক পথপ্রদর্শক হিসেবে অ্যালাইন করে (Beyond Direct Answering: Aligning Educational LLMs as Socratic Guides via Heuristic Reinforcement Learning)। একটি প্ল্যাটফর্ম আরও এগিয়ে গদ্যের বদলে নীতিকে প্রশিক্ষণ দেয়: একটি রিইনফোর্সমেন্ট-লার্নিং এজেন্ট পরের অনুশীলন-সমস্যাটি বেছে নেয়, তাই শিক্ষার্থী পরবর্তী কী করবে তা ঠিক করে প্রশিক্ষিত মডেলই (Effective Personalized AI Tutors via LLM-Guided Reinforcement Learning)।

শেষ ঘটনাটিই পরীক্ষা যে আপনি টিউটর নকশা করেছেন নাকি পাঠ্য-উৎপাদক। যদি মডেলের একমাত্র আউটপুট গদ্য হয়, তবে শিক্ষাবিজ্ঞান থাকে আপনার অর্কেস্ট্রেশন কোডে। যদি মডেল পরের কাজটি বেছে নেয়, তবে শিক্ষাবিজ্ঞান থাকে ওয়েটে।

কথোপকথনের দৈর্ঘ্যে পরীক্ষা করুন

প্রশিক্ষণ মডেলকে দীর্ঘ কথোপকথনে নিরাপদ করে না। SafeTutors দেখায় এমনকি বিশেষায়িত শিক্ষণসংক্রান্ত মডেলও টানা সংলাপে অবনতি ঘটায় এবং উত্তর অতিরিক্ত প্রকাশের ক্ষতি করতে পারে (SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems)। শিক্ষণসংক্রান্ত নিরাপত্তা কথোপকথনের দৈর্ঘ্যে মাপতে হবে, যার মধ্যে সেই টার্নগুলোও আছে যেখানে শিক্ষার্থী ভুল করে, জেদ ধরে বা চাপ দেয়।

প্রশিক্ষণ দলগুলো যা ভুল করে

আরও প্রম্পটিং শেষে টিকবে। প্রম্পটিং ও অ্যালাইনমেন্টের পরেও সাইকোফ্যান্সি টেকে, আর কর্তৃত্বের চাপ সেই আচরণ আবার খুলে দেয় যা একটি কনটেক্সট-সুইচ পরীক্ষা বন্ধ করেছিল। আপনার নিজের চাপ-পরীক্ষার প্রতিলিপিই আপনার পণ্যে এর প্রমাণ।

লিডারবোর্ডের সংখ্যাই ফল। CDPK-তে 96.52% একটি বেঞ্চমার্কের শিক্ষণসংক্রান্ত কাজে কর্মক্ষমতা বোঝায়। আপনার শিক্ষার্থীরা আপনার পাঠ্যক্রম, আপনার নোটেশন এবং বিশ মিনিট ধরে আটকে থাকা একজন শিক্ষার্থীর মুখোমুখি হয়।

ট্রেস পাতলা হলে আরও ডেটাই উত্তর। যেকোনো ডেটা-আকারে চূড়ান্ত উত্তর ভুলধারণার নির্ভুলতা 30%-এর নিচে রেখেছে। ফল বদলেছে উদাহরণে ধাপ-স্তরের যুক্তি; সংগ্রহের আকার তা কখনো নড়ায়নি।

শিক্ষার্থী-ভূমিকাই কঠিন অংশ, তাই সেটিকে শেষে প্রশিক্ষণ দিন। শিক্ষার্থী শেখা ভুলগুলো অতিসাধারণ করেছে যতক্ষণ না সঠিক উদাহরণ চারটির মধ্যে একটিতে আসে। একই পরিস্থিতিতে টিউটর-ভূমিকা 93% থেকে 98% ধরে রেখেছে, যা বলে যে টিউটর প্রশিক্ষণের সহজ অর্ধেক আর সিমুলেটরটাই যাচাই করার জিনিস।

শেষ চেকপয়েন্টই ফল। প্রথম RL পর্যায় 94.13%-এ পৌঁছেছিল আর SFT তা 96.20%-এ নিয়েছিল, তাই বেশিরভাগ আন্দোলন শেষ রাউন্ডের আগেই ঘটেছে। পর্যায়-স্কোরগুলো রাখুন; তারা বলে কোন পর্যায় লাভটি কামিয়েছে আর পরেরবার কোনটি বাদ দিতে পারতেন।

যা আপনার দিকে ফিরে আসবে

"আমরা RL সামলাতে পারব না।" তাহলে যেসব অংশে কিছু খরচ হয় না সেগুলো দিয়ে শুরু করুন: আপনার ডেটায় ধাপ-স্তরের ট্রেস, প্রতিটি উদাহরণে একটি লক্ষ্য-আচরণ লেবেল, এবং এমন একটি রিওয়ার্ড যা কোডে লেখার আগে শব্দে লিখে ফেলেছেন। SWIM-এর তুলনা দেখায় SFT একাই একটি 7B মডেলকে 0.474-এ নেয়, যা প্রকৃত লাভ এবং 0.618-এর এখনও কম।

"আমাদের সরবরাহকারীর মডেল ইতিমধ্যেই উত্তর দিতে অস্বীকার করে।" সরবরাহকারীর পোস্ট-প্রশিক্ষণ উপকারিতাকে অনুকূলিত করে, আর উত্তর দিতে অস্বীকৃতি উপকারিতার স্কোর যা পুরস্কৃত করে তা নয়। আপনার নিজের কথোপকথনে আচরণটি পরীক্ষা করুন; উত্তর আছে প্রতিলিপিতে, মডেল-কার্ডে নয়।

"ডিস্টিলেশন আমাদের বেশিরভাগ পথ নিয়ে যায়।" Pedagogy-R1 একটি 1.5B ও 7B ডিস্টিলেশন এবং এটি যুক্তিসঙ্গত সূচনা। এটি উত্তরাধিকারে পায় শিক্ষকের শিক্ষাবিজ্ঞান, সেই শিক্ষক যা ভুল করেছেন তাও সহ, আর কোন অংশ স্থানান্তরিত হয়েছে তা দেখতে আপনার একটি বেঞ্চমার্ক লাগবে।

"দীর্ঘ-কথোপকথনের পরীক্ষা ঘন ঘন চালানোর জন্য খুব ব্যয়বহুল।" প্রতিটি মডেল-পরিবর্তনে একবার চালান, নির্দিষ্ট স্ক্রিপ্ট ও নির্দিষ্ট প্রতিকূল টার্নের সেট দিয়ে, এবং প্রতিলিপিগুলোর পার্থক্য দেখুন। খরচ প্রথমবার স্ক্রিপ্ট লেখাতেই।

"শিক্ষক বলেছেন এটি চ্যাটবটের মতো মনে হয়।" এটি কথোপকথনের আকার নিয়ে একটি প্রতিবেদন, আর কথোপকথনের আকারই একটি নীতি। গুনুন মডেল একটি ধাপ হস্তান্তর করার আগে কত টার্ন পার হয়।

এই সপ্তাহে কী করবেন

1. চাপ-পরীক্ষাটি চালান: ভুল উত্তর, শিক্ষার্থী জেদ ধরে, শিক্ষার্থী কর্তৃত্বের উদ্ধৃতি দেয়, শিক্ষার্থী উত্তর চায়। প্রতিলিপিটি সংরক্ষণ করুন।

2. আপনার রিওয়ার্ড ইংরেজির তিনটি বাক্যে লিখুন, তারপর দেখুন আপনার কোড ওই তিনটি জিনিস মাপে কি না।

3. আপনার প্রশিক্ষণ-উদাহরণের একটি নমুনা ধাপ-স্তরের যুক্তির জন্য যাচাই করুন। যে অংশে একটি ভুল ধাপ ও তার নির্ণয় আছে তার অনুপাত জানান।

4. প্রতিটি উদাহরণে একটি লক্ষ্য-আচরণ লেবেল যোগ করুন, স্ক্যাফোল্ডিং দিয়ে শুরু করে, এবং বণ্টনটি লগ করুন।

5. মডেল-কার্ডে চূড়ান্ত স্কোরের পাশে মধ্যবর্তী পর্যায়ের স্কোরগুলো রাখুন।

এরপর কোথায় যাবেন

নিজের বিষয়ে শিখন সমর্থনে এআই-কে আরও ভালো কীভাবে করব? জিজ্ঞেস করে প্রশিক্ষণ আদৌ সঠিক লিভার কি না, আর এআই টিউটর উন্নয়ন মিথস্ক্রিয়া-নকশার প্রতিরূপ সামলায়, যা গ্রেডিয়েন্টের বদলে স্ক্যাফোল্ডিং ও ইঙ্গিত-সিঁড়ি দিয়ে একই পথ দেখানোর আচরণ বের করে। শিক্ষামূলক এআই কাজ করে কি না তা যাচাই আচরণ সত্যিই বদলেছে কি না তা মাপা সামলায়, আর LLM প্রশিক্ষণ ও ফাইন-টিউনিং হলো এর পেছনের ধারণা-পাতা।