কিভাবে Alphazed শেখার ফলাফল ট্র্যাক করে

কিভাবে Alphazed-এর Analytics Lake শেখার ফলাফল ট্র্যাক করে (শুধুমাত্র ক্লিক নয়)

অধিকাংশ এডটেক অ্যাপ কেবল ক্লিক এবং স্ক্রিনে সময় ট্র্যাক করলেও, Alphazed-এর analytics lake বাস্তব শেখার ফলাফল ট্র্যাক করে: উচ্চারণের সঠিকতার উন্নতি, ধারণার দক্ষতা ধাপ বদল (শুন্যতায় → মধ্যম → উন্নত), spaced repetition-এর কার্যকারিতা (পর্যালোচনা সেশনগুলি ভুলে যাওয়া কমাচ্ছে কি না), এবং ব্লুমস ট্যাক্সোনমির স্তর অগ্রগতি। এই তথ্য শিক্ষাক্রম উন্নয়নে কাজে লাগে এবং অভিভাবকদের প্রমাণ দেয় যে তাদের সন্তান শুধু খেলা করছে না, সত্যিই শিখছে।

তিন-স্তর বিশ্লেষণ স্থাপত্য

স্তর ১: মোবাইল ইভেন্টস (অ্যাপ থেকে রিয়েল-টাইম)
একটি упраж exercícios সমাপ্ত হলে, অ্যাপ একটি ইভেন্ট পাঠায়:

{
  "event_type": "attempt_complete",
  "concept_id": "letter_ba",
  "exercise_type": "select",
  "accuracy_score": 0.89,
  "attempt_number": 3,
  "session_id": "session_abc123",
  "timestamp": "2026-03-28T14:35:22Z",
  "is_correct": true,
  "response_time_ms": 2400
}

স্তর ২: ব্যাকএন্ড সমৃদ্ধি (সার্ভার সাইডে প্রসঙ্গ সংযোজন)
ব্যাকএন্ড ব্যবহারকারীর তথ্য যুক্ত করে:

{
  "...event...",
  "user_id": "user_456",
  "age_group": "5-7",
  "persona": "intermediate",
  "days_since_signup": 34,
  "total_practice_minutes": 487,
  "app_name": "amal",
  "device_type": "Android",
  "country": "US"
}

স্তর ৩: Analytics Lake (অ্যাসিঙ্ক্রোনাস, SQL-অনুসন্ধানযোগ্য)

ব্যাকএন্ড সমৃদ্ধ ইভেন্ট পাঠায় → SQS queue (আগুন-এবং-ভুলুন)
    ↓ (analytics এর জন্য অপেক্ষা করে না)
    ↓ (ব্যবহারকারীর অভিজ্ঞতা অবিকল থাকে)
Kinesis Firehose (প্রতি ৫ মিনিট বা ১০০MB ইভেন্ট ব্যাচ)
    ↓
S3 (পার্টিশন: s3://alphazed-analytics/amal/2026/03/28/events.parquet)
    ↓
AWS Glue (প্রতি ১ ঘন্টায় S3 স্ক্যান করে, স্কিমা অনুমান)
    ↓
Athena (Presto SQL ইঞ্জিন অনুসন্ধানের জন্য)
    ↓
ড্যাশবোর্ড (রিয়েল-টাইম প্যারেন্ট ড্যাশবোর্ড + অভ্যন্তরীণ বিশ্লেষণ)

আমরা যে শেখার ফলাফল মেট্রিক ট্র্যাক করি

ইভেন্ট টাইপ ১: Attempt Complete
যখন ব্যবহারকারী একটি অনুশীলন সম্পন্ন করে।

SELECT
  user_id,
  concept_id,
  ROUND(AVG(accuracy_score), 2) as avg_accuracy,
  COUNT(*) as total_attempts,
  SUM(CASE WHEN is_correct THEN 1 ELSE 0 END) as correct_count,
  DATE(FROM_UNIXTIME(timestamp / 1000)) as date
FROM analytics_lake.attempt_complete
WHERE app_name = 'amal'
  AND concept_id = 'letter_ba'
GROUP BY user_id, concept_id, date
ORDER BY date DESC

ফলাফল: "Letter ب: user_456 ৭২% থেকে ৯৪% পর্যন্ত উন্নতি করেছে (সপ্তাহ ১ থেকে ৩)"

ইভেন্ট টাইপ ২: Concept Mastery Transition
যখন একটি ধারণার দক্ষতা স্তর পরিবর্তিত হয় (শুন্যতায় থেকে মধ্যম)।

{
  "event_type": "mastery_transition",
  "concept_id": "word_kitab",
  "from_level": "beginner",
  "to_level": "intermediate",
  "hlr_half_life_before": 4.0,
  "hlr_half_life_after": 8.0,
  "timestamp": "2026-03-20T10:15:00Z"
}

দর্শন করে শিক্ষাক্রমের কার্যকারিতা:

• কতজন শিশু নির্দিষ্ট ধারণায় মধ্যম স্তরে পৌঁছায়?
• মধ্যম স্তরে পৌঁছাতে গড় সময় কত?
• কোন ধারণাগুলো কঠিন এবং বাধা সৃষ্টি করছে?

ইভেন্ট টাইপ ৩: HLR Half-Life বৃদ্ধির ট্র্যাকিং
মেমোরির শক্তি এবং spaced repetition এর প্রভাব:

SELECT
  user_id,
  concept_id,
  DATE(FROM_UNIXTIME(timestamp / 1000)) as date,
  MAX(hlr_half_life_hours) as max_half_life,
  COUNT(DISTINCT CASE WHEN is_correct THEN 1 END) as correct_reviews,
  COUNT(DISTINCT CASE WHEN NOT is_correct THEN 1 END) as incorrect_reviews
FROM analytics_lake.hlr_update
GROUP BY user_id, concept_id, date

ফলাফল: "Juz Amma Al-Ikhlas: user_789 ৭ সঠিক রিভিউ পরে ২৫৬ ঘণ্টার মেমোরি হাফ-লাইফ অর্জন করেছে"

ইভেন্ট টাইপ ৪: Speech Recognition সঠিকতার প্রবণতা
উচ্চারণের সময়ের সঙ্গে উন্নতি ট্র্যাক করে:

SELECT
  user_id,
  DATE_TRUNC('week', FROM_UNIXTIME(timestamp / 1000)) as week,
  AVG(similarity_score) as avg_pronunciation_accuracy,
  APPROX_PERCENTILE(similarity_score, 0.5) as median_accuracy
FROM analytics_lake.speech_recognition_result
WHERE concept_type = 'letter'
GROUP BY user_id, week
ORDER BY week DESC

ফলাফল: "ব্যবহারকারীর উচ্চারণ ৮ সপ্তাহের ধারাবাহিক চর্চায় ১৮% উন্নতি হয়েছে"

ইভেন্ট টাইপ ৫: ব্লুমস ট্যাক্সোনমি অগ্রগতি
কগনিটিভ স্তরে উন্নতি মনিটর করে:

{
  "event_type": "blooms_level_completion",
  "concept_id": "word_kitab",
  "blooms_level_achieved": 4,
  "user_age_group": "5-7",
  "time_to_level_days": 14,
  "attempt_count": 47,
  "timestamp": "2026-03-25T16:45:00Z"
}

ট্র্যাকিং: কতজন শিশু ব্লুমের স্তর ৪ (বিশ্লেষণ) এ পৌঁছেছে? গড়ে কত সময় লাগে?

কিভাবে এই ডেটা পণ্য সিদ্ধান্তকে প্রভাবিত করে

সিদ্ধান্ত ১: একটি বিষয়বস্তু পুনঃনকশা

• কোয়েরি: "কোন বিষয়বস্তুতে >৪০% ভুল চেষ্টা আছে?"
• ফলাফল: "ব্যঞ্জনবর্ণের ক্লাস্টার অনুশীলনে ৫২% ভুল হয়েছে"
• কার্যক্রম: বিষয়বস্তু দল অনুশীলন পুনর্নির্মাণ করে (অতিরিক্ত সহায়তা, ধীর উন্নতি)
• যাচাই: ২ সপ্তাহ পরে পুনঃকোয়েরি, ভুলের হার <২৫% হওয়া উচিত

সিদ্ধান্ত ২: অনুশীলন মিশ্রণ সমন্বয়

• কোয়েরি: "সবচেয়ে বেশি আকর্ষণ + শেখার ফলাফল কোন অনুশীলন ধরণে?"
• ফলাফল: পদার্থবিদ্যা গেমে ৩০% বেশি আকর্ষণ এবং ১৫% বেশি সঠিকতার উন্নতি
• কার্যক্রম: অভিযোজিত পাঠে পদার্থবিদ্যা গেমের ঘনত্ব বাড়ানো

সিদ্ধান্ত ৩: কঠিন ধারণা শনাক্ত

• কোয়েরি: "কোন ধারণায় >৩০% ব্যবহারকারী কখনও মধ্যম স্তরে যায় না?"
• ফলাফল: "স্বরবর্ণ ও উচ্চারণ (ص, ض, ط, ظ) সর্বদা চ্যালেঞ্জিং"
• কার্যক্রম: অতিরিক্ত উচ্চারণ অনুশীলন এবং ধীর গতিতে উন্নতি

প্রতিযোগীদের সঙ্গে তুলনা

মেট্রিক	Duolingo	Amal/Thurayya
ক্লিক ট্র্যাক করে	✓ XP, streak	✓ (কিন্তু দ্বিতীয়িক)
সঠিকতা ট্র্যাক করে	✗	✓ প্রতি ধারণা
মেমোরি পতন ট্র্যাক করে	✗	✓ HLR হাফ-লাইফ
শেখার ফলাফল ট্র্যাক করে	✗	✓ দক্ষতা পরিবর্তন
উচ্চারণ ট্র্যাক করে	✗	✓ উচ্চারণ সঠিকতা প্রবণতা
ডেটা-ভিত্তিক পণ্য সিদ্ধান্ত	আগ্রহণের উপর ফোকাস	শেখার উপর ফোকাস

সচনা

প্রশ্ন: আমার সন্তানের ডেটা কি analytics lake-এ আছে?
উত্তর: হ্যাঁ, তথ্য গোপনীয় ও অজ্ঞাতনামা। আমরা শিখন মেট্রিকস ট্র্যাক করি (ব্যক্তিগতভাবে সনাক্তযোগ্য নয়)। আপনি প্যারেন্ট ড্যাশবোর্ডে আপনার সন্তানের অগ্রগতি দেখতে পারেন; গবেষকরা ব্যক্তিগত নাম দেখতে পারবেন না।

প্রশ্ন: ডেটা কতদিন সংরক্ষণ করা হয়?
উত্তর: লাইভ ডেটা (গত ১২ মাস) Athena-তে অনুসন্ধানযোগ্য। ঐতিহাসিক ডেটা ৭ বছর S3-তে সংরক্ষিত থাকে (অনুমতি ভিত্তিক)। সংরক্ষণ সময় ডেটার প্রকারভেদে পরিবর্তিত হতে পারে।

প্রশ্ন: আমি কি আমার সন্তানের শেখার বিশ্লেষণ রপ্তানি করতে পারি?
উত্তর: হ্যাঁ। ড্যাশবোর্ডে "Export Report" বাটন আছে, যা গত ৩ মাসের ব্যক্তিগত শেখার ফলাফল সহ PDF তৈরি করে।