প্রকল্প MOSLA: দ্বিতীয় ভাষা অর্জন গবেষণার জন্য একটি বহুমুখী, দীর্ঘমেয়াদী ডেটাসেট

1. ভূমিকা

দ্বিতীয় ভাষা অর্জন (এসএলএ) একটি জটিল, গতিশীল প্রক্রিয়া যা ঐতিহ্যগতভাবে খণ্ডিত, একমুখী বা স্বল্পমেয়াদী ডেটাসেটের মাধ্যমে অধ্যয়ন করা হয়েছে। প্রকল্প MOSLA (মোমেন্টস অফ সেকেন্ড ল্যাঙ্গুয়েজ অ্যাকুইজিশন) একটি অগ্রণী দীর্ঘমেয়াদী, বহুমুখী, বহুভাষিক ও নিয়ন্ত্রিত ডেটাসেট তৈরি করে এই সীমাবদ্ধতাগুলো মোকাবিলা করে। প্রকল্পটি শিক্ষার্থীদের দুই বছরেরও বেশি সময় ধরে একচেটিয়া অনলাইন নির্দেশনার মাধ্যমে আরবি, স্প্যানিশ বা চীনা ভাষা শূন্য থেকে অর্জনের প্রক্রিয়া নথিভুক্ত করে, প্রতিটি পাঠ রেকর্ড করে। এই ডেটাসেটটি, যাতে ২৫০ ঘন্টারও বেশি ভিডিও, অডিও ও স্ক্রিন রেকর্ডিং রয়েছে এবং যা আধা-স্বয়ংক্রিয় টীকাকরণের সাথে যুক্ত, ভাষা শিক্ষণের সূক্ষ্ম গতিপথ অধ্যয়নের জন্য একটি অভূতপূর্ব সম্পদ সরবরাহ করে।

2. তথ্য সংগ্রহ পদ্ধতি

MOSLA ডেটাসেটটি সামঞ্জস্য ও গবেষণার বৈধতা নিশ্চিত করতে একটি কঠোর, নিয়ন্ত্রিত প্রোটোকলের অধীনে তৈরি করা হয়েছিল।

2.1 অংশগ্রহণকারী নিয়োগ ও ভাষা নির্বাচন

অংশগ্রহণকারীদের তিনটি লক্ষ্য ভাষার যেকোনো একটি শেখার জন্য নিয়োগ করা হয়েছিল: আরবি, স্প্যানিশ বা ম্যান্ডারিন চীনা। নির্বাচনে অ-ল্যাটিন বর্ণমালার ভাষা (আরবি ও চীনা) অন্তর্ভুক্ত রয়েছে, যা সাধারণভাবে অধ্যয়নকৃত ইন্দো-ইউরোপীয় ভাষার বাইরে ডেটাসেটের আন্তঃভাষিক প্রয়োগযোগ্যতা প্রসারিত করে।

2.2 নিয়ন্ত্রিত শিক্ষণ পরিবেশ

একটি মূল নকশা বৈশিষ্ট্য হল নিয়ন্ত্রিত এক্সপোজার বাধ্যবাধকতা। অংশগ্রহণকারীরা দুই বছরের গবেষণার সময়কালে শুধুমাত্র প্রদত্ত অনলাইন পাঠের মাধ্যমেই লক্ষ্য ভাষা শিখতে সম্মত হন। এই নিয়ন্ত্রণ বাহ্যিক ভাষার এক্সপোজার থেকে বিভ্রান্তিকর চলকগুলোকে হ্রাস করে, যা নির্দেশনা পদ্ধতির সাথে দক্ষতা বৃদ্ধির সম্পর্ককে আরও স্পষ্টভাবে নির্ধারণ করতে দেয়।

2.3 বহুমুখী রেকর্ডিং সেটআপ

সমস্ত পাঠ Zoom-এর মাধ্যমে পরিচালিত ও রেকর্ড করা হয়েছিল, যা তিনটি সমন্বিত স্ট্রিম ধারণ করে:

• ভিডিও: অংশগ্রহণকারী ও নির্দেশকের ওয়েবক্যাম ফিড।
• অডিও: সম্পূর্ণ পাঠের অডিও।
• স্ক্রিন শেয়ার: নির্দেশকের শেয়ার করা স্ক্রিন যাতে শিক্ষণ উপকরণ, স্লাইড ও অ্যাপ্লিকেশন রয়েছে।

এই ত্রয়ী শিক্ষণ মিথস্ক্রিয়ার একটি সমৃদ্ধ, প্রাসঙ্গিক রেকর্ড তৈরি করে।

3. তথ্য টীকাকরণ পাইপলাইন

কাঁচা রেকর্ডিংগুলোকে একটি আধা-স্বয়ংক্রিয় পাইপলাইনের মাধ্যমে প্রক্রিয়াজাত করা হয়েছিল কাঠামোগত, অনুসন্ধানযোগ্য মেটাডেটা তৈরি করার জন্য।

3.1 আধা-স্বয়ংক্রিয় টীকাকরণ কাঠামো

টীকাগুলো একটি হাইব্রিড মানব-যন্ত্র পদ্ধতি ব্যবহার করে তৈরি করা হয়েছিল:

1. স্পিকার ডায়ারাইজেশন: অডিওকে স্পিকার-সমজাতীয় অঞ্চলে বিভক্ত করা (“কে কখন কথা বলেছে?”)।
2. স্পিকার শনাক্তকরণ: সেগমেন্টগুলোকে 'নির্দেশক' বা 'শিক্ষার্থী' হিসেবে লেবেল করা।
3. ভাষা শনাক্তকরণ: ভাষা অনুযায়ী সেগমেন্টগুলো ট্যাগ করা (যেমন, L1/ইংরেজি বনাম লক্ষ্য ভাষা)।
4. স্বয়ংক্রিয় বাক্য স্বীকৃতি (এএসআর): সমস্ত বাক্য সেগমেন্টের জন্য প্রতিলিপি তৈরি করা।

প্রাথমিক টীকাগুলো মানব টীকাকারীদের দ্বারা তৈরি করা হয়েছিল, যা সর্বাধুনিক মডেলগুলিকে ফাইন-টিউন করতে ব্যবহৃত একটি স্বর্ণমান উপসেট গঠন করে।

3.2 মডেল ফাইন-টিউনিং ও কার্যকারিতা

পূর্ব-প্রশিক্ষিত মডেলগুলো (যেমন, এএসআর, ডায়ারাইজেশনের জন্য) মানব-টীকাকৃত MOSLA ডেটাতে ফাইন-টিউন করা হয়েছিল। গবেষণাপত্রটি ফাইন-টিউন করার পর উল্লেখযোগ্য কার্যকারিতা উন্নতি রিপোর্ট করে, যা দেখায় যে বৃহৎ পূর্ব-প্রশিক্ষিত মডেলগুলির জন্যও ডোমেন-নির্দিষ্ট ডেটার মূল্য রয়েছে। এই ধাপটি সম্পূর্ণ ২৫০+ ঘন্টার কর্পাসে টীকাকরণ স্কেল করার জন্য অত্যন্ত গুরুত্বপূর্ণ ছিল।

4. ভাষাবৈজ্ঞানিক ও বহুমুখী বিশ্লেষণ

টীকাকৃত ডেটাসেটটি এসএলএ প্রক্রিয়ার নতুন নতুন বিশ্লেষণ সক্ষম করে।

4.1 দক্ষতা উন্নয়ন মেট্রিক্স

দীর্ঘমেয়াদী প্রবণতাগুলো নিম্নলিখিত মেট্রিক্স ব্যবহার করে বিশ্লেষণ করা হয়েছিল:

• লক্ষ্য ভাষার অনুপাত: সময়ের সাথে সাথে শিক্ষার্থীর উচ্চারণে লক্ষ্য ভাষা বনাম তাদের মাতৃভাষার শতাংশ।
• শব্দভাণ্ডার বৈচিত্র্য: শব্দভাণ্ডার বৃদ্ধি ও জটিলতা পরিমাপ করা (যেমন, টাইপ-টোকেন অনুপাতের মাধ্যমে)।
• উচ্চারণের দৈর্ঘ্য ও জটিলতা: বাক্য গঠনমূলক কাঠামোর উন্নয়ন ট্র্যাক করা।

এই মেট্রিক্সগুলো দুই বছরের যাত্রায় দক্ষতা উন্নয়নের একটি পরিমাণগত চিত্র আঁকে।

4.2 স্ক্রিন ফোকাস শনাক্তকরণ

একটি বিশেষভাবে উদ্ভাবনী বিশ্লেষণে বহুমুখী গভীর শিক্ষণ মডেল ব্যবহার করে শেয়ার করা স্ক্রিনে শিক্ষার্থীর ফোকাসের এলাকা শুধুমাত্র অটীকাকৃত ভিডিও ও অডিও সংকেত থেকে ভবিষ্যদ্বাণী করা জড়িত। অডিও সূত্র (যেমন, একটি নির্দিষ্ট শব্দ নিয়ে আলোচনা) স্ক্রিন বিষয়বস্তুর সাথে সম্পর্কিত করে, মডেলটি অনুমান করতে পারে যে শিক্ষার্থী কী দেখছে, যা মনোযোগ ও সম্পৃক্ততা সম্পর্কে অন্তর্দৃষ্টি প্রদান করে।

5. মূল অন্তর্দৃষ্টি ও বিশ্লেষক দৃষ্টিভঙ্গি

মূল অন্তর্দৃষ্টি: প্রকল্প MOSLA শুধু আরেকটি ডেটাসেট নয়; এটি একটি মৌলিক অবকাঠামোগত পদক্ষেপ যা বিচ্ছিন্ন, মুহূর্তের এসএলএ গবেষণা ও শিক্ষণের অগোছালো, অবিচ্ছিন্ন বাস্তবতার মধ্যে গুরুত্বপূর্ণ ফাঁকটি প্রকাশ করে। এর মূল্য প্রস্তাবনা নিহিত রয়েছে নিয়ন্ত্রিত দীর্ঘমেয়াদীত্বে—একটি বৈশিষ্ট্য যা যতটা প্রয়োজনীয় ততটাই বিরল। Mozilla Common Voice কর্পাসের মতো প্রকল্পগুলো বাক্য ডেটাকে গণতান্ত্রিক করে, কিন্তু তাদের MOSLA-এর প্রদত্ত কাঠামোগত শিক্ষণ গতিপথ ও বহুমুখী প্রসঙ্গের অভাব রয়েছে। একইভাবে, BEA-2019 শেয়ার্ড টাস্ক বিচ্ছিন্ন লেখার দক্ষতার উপর দৃষ্টি নিবদ্ধ করেছিল, এখানে ধারণ করা সমৃদ্ধ, ইন্টারেক্টিভ মাত্রা হারিয়েছিল।

যুক্তিগত প্রবাহ: প্রকল্পের যুক্তি সুন্দরভাবে রৈখিক: ১) একটি পদ্ধতিগত শূন্যতা চিহ্নিত করা (নিয়ন্ত্রিত, বহুমুখী, দীর্ঘমেয়াদী এসএলএ ডেটার অভাব), ২) একটি সমাধান প্রকৌশল করা (কঠোর অংশগ্রহণকারী প্রোটোকল + Zoom রেকর্ডিং), ৩) স্কেলিং সমস্যার সমাধান করা (হিউম্যান-ইন-দ্য-লুপ এমএল টীকাকরণ), এবং ৪) উপযোগিতা প্রদর্শন করা (ভাষাবৈজ্ঞানিক বিশ্লেষণ + নতুন বহুমুখী কাজ)। ডেটা সৃষ্টি থেকে প্রয়োগ পর্যন্ত এই এন্ড-টু-এন্ড পাইপলাইনটি অভিজ্ঞতামূলক শিক্ষণ বিজ্ঞানের জন্য একটি নকশা।

শক্তি ও ত্রুটি: শক্তি অত্যন্ত স্পষ্ট: স্কেল, নিয়ন্ত্রণ ও বহুমুখী সমৃদ্ধি। এটি সময়গত গতিবিদ্যা অধ্যয়নের জন্য একজন গবেষকের স্বপ্ন। তবে, ত্রুটিগুলো রয়েছে বিনিময়ের মধ্যে। "নিয়ন্ত্রিত" পরিবেশটিও এর সবচেয়ে বড় কৃত্রিমতা—বাস্তব-বিশ্বের ভাষা অর্জন গৌরবময়ভাবে অনিয়ন্ত্রিত। নমুনার আকার, যদিও একটি গভীর দীর্ঘমেয়াদী ডেটাসেট তৈরি করে, বিভিন্ন শিক্ষার্থী জনসংখ্যার মধ্যে সাধারণীকরণ সীমিত করতে পারে। তদুপরি, এত জটিল বহুমুখী ডেটাসেট ব্যবহার করার প্রযুক্তিগত বাধা এখনও উচ্চ রয়েছে, যা সম্ভাব্যভাবে এর তাৎক্ষণিক গ্রহণ সীমিত করতে পারে।

কার্যকরী অন্তর্দৃষ্টি: গবেষকদের জন্য, তাৎক্ষণিক পদক্ষেপ হল এই উন্মুক্ত ডেটাসেটটি অন্বেষণ করা। EdTech কোম্পানিগুলোর জন্য, অন্তর্দৃষ্টি হল MOSLA যেভাবে করে সেভাবে শেখার প্রক্রিয়া মডেল করতে সহজ সমাপ্তি মেট্রিক্সের বাইরে যাওয়া। শুধুমাত্র স্ক্রিন-ফোকাস শনাক্তকরণ পরীক্ষাটি এমন একটি ভবিষ্যতের ইঙ্গিত দেয় যেখানে শিক্ষণ প্ল্যাটফর্মগুলি বাস্তব সময়ে জ্ঞানীয় সম্পৃক্ততা অনুমান করে। বৃহত্তর অপরিহার্যতা হল ক্ষেত্রটিকে ক্রস-সেকশনাল "ছবি" থেকে শিক্ষণের দীর্ঘমেয়াদী "চলচ্চিত্র"-এ স্থানান্তরিত করা। MOSLA ক্যামেরা তৈরি করেছে; এখন সময় এসেছে সম্প্রদায়ের চলচ্চিত্র তৈরি শুরু করার।

6. প্রযুক্তিগত বাস্তবায়নের বিস্তারিত বিবরণ

টীকাকরণ পাইপলাইনটি বেশ কয়েকটি মেশিন লার্নিং মডেলের উপর নির্ভর করে। স্পিকার ডায়ারাইজেশন ও শনাক্তকরণ কাজের একটি সরলীকৃত দৃশ্য একটি অপ্টিমাইজেশন সমস্যা হিসেবে উপস্থাপন করা যেতে পারে। ধরা যাক $X = \{x_1, x_2, ..., x_T\}$ অডিও বৈশিষ্ট্যগুলোর ক্রমকে উপস্থাপন করে। লক্ষ্য হল স্পিকার লেবেলের ক্রম $S = \{s_1, s_2, ..., s_T\}$ এবং স্পিকার পরিচয় $Y = \{y_1, y_2, ..., y_K\}$ খুঁজে বের করা যা পোস্টেরিয়র সম্ভাব্যতাকে সর্বাধিক করে:

$P(S, Y | X) \propto P(X | S, Y) \cdot P(S) \cdot P(Y)$

যেখানে:

• $P(X | S, Y)$ হল স্পিকার সেগমেন্ট ও পরিচয় দেওয়া অডিও বৈশিষ্ট্যগুলোর সম্ভাবনা, যা প্রায়শই গাউসিয়ান মিশ্রণ মডেল (জিএমএম) বা x-ভেক্টরের মতো গভীর নিউরাল নেটওয়ার্ক এম্বেডিং ব্যবহার করে মডেল করা হয়।
• $P(S)$ হল স্পিকার টার্ন গতিবিদ্যার একটি পূর্বসম্ভাবনা, যা সময়গত ধারাবাহিকতাকে উৎসাহিত করে (যেমন, একটি লুকানো মার্কভ মডেল ব্যবহার করে)।
• $P(Y)$ স্পিকার পরিচয়ের পূর্ব জ্ঞান উপস্থাপন করে (নির্দেশক বনাম শিক্ষার্থী)।

MOSLA ডেটাতে ফাইন-টিউনিং প্রাথমিকভাবে অনলাইন শ্রেণিকক্ষের নির্দিষ্ট ধ্বনিগত অবস্থা ও স্পিকার বৈশিষ্ট্যগুলোর সাথে অ্যাকোস্টিক মডেলকে (যেমন, x-ভেক্টর এক্সট্র্যাক্টর) অভিযোজিত করে $P(X | S, Y)$-এর অনুমান উন্নত করে।

7. পরীক্ষামূলক ফলাফল ও অনুসন্ধান

গবেষণাপত্রটি MOSLA ডেটাসেট বিশ্লেষণ থেকে মূল অনুসন্ধান উপস্থাপন করে:

• দক্ষতা গতিপথ: গ্রাফগুলো সময়ের সাথে সাথে শিক্ষার্থীদের দ্বারা লক্ষ্য ভাষার ব্যবহারের শতাংশে একটি স্পষ্ট, অ-রৈখিক বৃদ্ধি দেখায়, যেখানে বিভিন্ন নির্দেশনা ইউনিটের সাথে সঙ্গতিপূর্ণ মঞ্চ ও লাফ রয়েছে। শব্দভাণ্ডার বৈচিত্র্য মেট্রিক্স একটি অবিচ্ছিন্ন ঊর্ধ্বমুখী প্রবণতা দেখায়, প্রথম ছয় মাসের পরে ত্বরান্বিত হয়।
• মডেল কার্যকারিতা লাভ: শুধুমাত্র ১০ ঘন্টার MOSLA মানব প্রতিলিপিতে একটি পূর্ব-প্রশিক্ষিত Wav2Vec2.0 মডেলকে এএসআরের জন্য ফাইন-টিউন করা হলে, বেস মডেলের তুলনায় হোল্ড-আউট MOSLA ডেটাতে ওয়ার্ড এরর রেট (WER) ৩৫% এরও বেশি হ্রাস পেয়েছে। স্পিকার ও ভাষা শনাক্তকরণ কাজের জন্য অনুরূপ উল্লেখযোগ্য উন্নতি রিপোর্ট করা হয়েছে।
• স্ক্রিন ফোকাস শনাক্তকরণ: স্ক্রিন ফোকাসের বিস্তৃত এলাকা (যেমন, "স্লাইড টেক্সট," "ভিডিও," "হোয়াইটবোর্ড") শ্রেণীবদ্ধ করার জন্য একটি বহুমুখী মডেল (যেমন, স্ক্রিন ফ্রেমের জন্য একটি ভিশন ট্রান্সফরমার অডিও এনকোডারের সাথে মিলিত) প্রশিক্ষিত করা হয়েছিল। মডেলটি সুযোগের তুলনায় উল্লেখযোগ্যভাবে উচ্চতর নির্ভুলতা অর্জন করেছে, যা দেখায় যে অডিও-ভিজ্যুয়াল পারস্পরিক সম্পর্কে শিক্ষার্থীর মনোযোগ সম্পর্কে অর্থপূর্ণ সংকেত রয়েছে, এমনকি আই-ট্র্যাকিং হার্ডওয়্যার ছাড়াই।

  চিত্র ১ (ধারণাগত): গবেষণাপত্রে MOSLA পাইপলাইন চিত্রিত করে একটি ধারণাগত চিত্র অন্তর্ভুক্ত রয়েছে: তথ্য সংগ্রহ (Zoom রেকর্ডিং) -> তথ্য টীকাকরণ (ডায়ারাইজেশন, আইডি, এএসআর) -> বহুমুখী বিশ্লেষণ (স্ক্রিন ফোকাস) এবং এসএলএ ভাষাবৈজ্ঞানিক বিশ্লেষণ (দক্ষতা মেট্রিক্স)। এই চিত্রটি প্রকল্পের ব্যাপক, পাইপলাইন-ভিত্তিক পদ্ধতির উপর জোর দেয়।

  8. বিশ্লেষণ কাঠামো: দক্ষতা গতিপথ মডেলিং

  কেস: "লক্ষ্য ভাষার ব্যবহার" গতিপথ মডেলিং

  গবেষকরা MOSLA ডেটাসেট ব্যবহার করে বৃদ্ধি বক্ররেখা মডেল তৈরি করতে পারেন। একটি সরলীকৃত উদাহরণ একজন শিক্ষার্থীর দ্বারা সাপ্তাহিক লক্ষ্য ভাষা (টিএল) উচ্চারণের অনুপাত বিশ্লেষণ করে। ধরা যাক $R_t$ সপ্তাহ $t$-এ টিএল অনুপাত।

  একটি মৌলিক রৈখিক মিশ্র-প্রভাব মডেল নিম্নরূপ নির্দিষ্ট করা যেতে পারে:

  R_t ~ 1 + Time_t + (1 + Time_t | Learner_ID)
          

  যেখানে:

  • 1 + Time_t সামগ্রিক ইন্টারসেপ্ট ও ঢালের (গড় বৃদ্ধি গতিপথ) স্থির প্রভাব মডেল করে।
  • (1 + Time_t | Learner_ID) শুরু বিন্দু (ইন্টারসেপ্ট) ও বৃদ্ধির হার (ঢাল) উভয়কে পৃথক শিক্ষার্থীদের মধ্যে এলোমেলোভাবে পরিবর্তিত হতে দেয়।

  MOSLA ডেটা ব্যবহার করে, কেউ এই মডেলটি ফিট করতে পারে (যেমন, R-এর lme4 বা Python-এর statsmodels ব্যবহার করে) টিএল ব্যবহারের গড় সাপ্তাহিক বৃদ্ধি ও পৃথক পরিবর্তনশীলতার মাত্রা অনুমান করার জন্য। আরও জটিল মডেলগুলিতে নির্দেশনা পর্যায়কে একটি ভবিষ্যদ্বাণীকারী হিসাবে অন্তর্ভুক্ত করা যেতে পারে বা সময়ের জন্য বহুপদী বা স্প্লাইন পদ ব্যবহার করে অ-রৈখিক বৃদ্ধি মডেল করা যেতে পারে। এই কাঠামোটি প্রি- ও পোস্ট-টেস্ট তুলনা করার বাইরে গিয়ে সম্পূর্ণ শিক্ষণ বক্ররেখা মডেলিং-এ চলে যায়।

  9. ভবিষ্যতের প্রয়োগ ও গবেষণার দিকনির্দেশনা

  MOSLA ডেটাসেট ভবিষ্যতের কাজের জন্য অসংখ্য পথ উন্মুক্ত করে:

  • ব্যক্তিগতকৃত শিক্ষণ পথ: অ্যালগরিদমগুলি MOSLA-তে একজন শিক্ষার্থীর প্রাথমিক গতিপথ বিশ্লেষণ করে ভবিষ্যতের বাধাগুলো ভবিষ্যদ্বাণী করতে এবং ব্যক্তিগতকৃত পর্যালোচনা বা অনুশীলনের উপকরণ সুপারিশ করতে পারে।
  • স্বয়ংক্রিয় দক্ষতা মূল্যায়ন: সূক্ষ্ম-দানাদার, অবিচ্ছিন্ন মূল্যায়ন মডেল তৈরি করা যা মানসম্মত পরীক্ষার বাইরে যায়, বহুমুখী সূত্র (সাবলীলতা, শব্দভাণ্ডার পছন্দ, উচ্চারণ, সম্পৃক্ততা) ব্যবহার করে যেমন ETS-এর স্বয়ংক্রিয় কথন মূল্যায়ন গবেষণায়।
  • শিক্ষক বিশ্লেষণ: নির্দেশক কৌশল ও তাদের শিক্ষার্থীর অগ্রগতির সাথে পারস্পরিক সম্পর্ক বিশ্লেষণ করা, শিক্ষক প্রশিক্ষণের জন্য ডেটা-চালিত প্রতিক্রিয়া প্রদান করা।
  • আন্তঃভাষিক স্থানান্তর গবেষণা: আরবি, স্প্যানিশ ও চীনা ভাষার মধ্যে অর্জনের ধরণ তুলনা করে বোঝা কীভাবে ভাষা-নির্দিষ্ট বৈশিষ্ট্য (যেমন, সুর ব্যবস্থা, লিপি) শিক্ষণ প্রক্রিয়াকে প্রভাবিত করে।
  • বহুমুখী ফাউন্ডেশন মডেল: MOSLA শিক্ষামূলক সংলাপ বোঝে এমন বহুমুখী এআই মডেল তৈরি করার জন্য একটি আদর্শ প্রশিক্ষণ ক্ষেত্র, যা সম্ভাব্যভাবে আরও পরিশীলিত এআই টিউটরের দিকে নিয়ে যেতে পারে।
  • প্রসারণ: ভবিষ্যতের সংস্করণে আরও ভাষা, বৃহত্তর ও আরও বৈচিত্র্যময় অংশগ্রহণকারী পুল, বায়োমেট্রিক ডেটা (যেমন চাপ/জ্ঞানীয় লোডের জন্য হৃদস্পন্দন) এবং শিক্ষণ ব্যবস্থাপনা সিস্টেম (এলএমএস) ডেটার সাথে একীকরণ অন্তর্ভুক্ত হতে পারে।

  10. তথ্যসূত্র

  1. Geertzen, J., Alexopoulou, T., & Korhonen, A. (2014). Automatic Linguistic Annotation of Large Scale L2 Databases: The EF-Cambridge Open Language Database (EFCAMDAT). In Proceedings of the 9th Workshop on Innovative Use of NLP for Building Educational Applications.
  2. Settles, B., T. LaFlair, G., & Hagiwara, M. (2018). Machine Learning-Driven Language Assessment. Transactions of the Association for Computational Linguistics.
  3. Stasaski, K., Devlin, J., & Hearst, M. A. (2020). Measuring and Improving Semantic Diversity of Dialogue Generation. In Findings of the Association for Computational Linguistics: EMNLP 2020.
  4. Hampel, R., & Stickler, U. (2012). The use of videoconferencing to support multimodal interaction in an online language classroom. ReCALL, 24(2), 116-137.
  5. Mozilla Common Voice. (n.d.). Retrieved from https://commonvoice.mozilla.org/
  6. Educational Testing Service (ETS). (2021). Automated Scoring of Speech. Research Report.
  7. Hagiwara, M., & Tanner, J. (2024). Project MOSLA: Recording Every Moment of Second Language Acquisition. arXiv preprint arXiv:2403.17314.