AI দিয়ে IELTS Speaking স্কোর করা কি আসলেই কাজ করে? কোথায় সঠিক, কোথায় ভুল

হ্যাঁ, তবে শুধু Speaking-এর সেই অংশগুলোর জন্য, যা বস্তুনিষ্ঠভাবে মাপা যায়। ইতস্তত করা, কথার গতি, শব্দভান্ডারের পরিসর আর বারবার হওয়া ব্যাকরণের ধরন ধরার ক্ষেত্রে AI IELTS (আইইএলটিএস) Speaking স্কোরার সাধারণত নির্ভরযোগ্য; কিন্তু যুক্তির সুসংগতি, সাংস্কৃতিক সূক্ষ্মতা, কিংবা সীমারেখার কাছাকাছি উত্তরে একজন প্রশিক্ষিত মানুষ পরীক্ষক যে প্রসঙ্গনির্ভর সহনশীলতা দেখান, তা বিচারে সে উল্লেখযোগ্যভাবে দুর্বল। একে ব্যবহার করার সৎ উপায় হলো এমন একটি ধরন-খোঁজার টুল হিসেবে, যা অনেক উত্তর জুড়ে কী ঘটছে তা চিহ্নিত করে; কোনো একটি উত্তরের ওপর রায় হিসেবে নয়।

স্বয়ংক্রিয় কথার স্কোরিং কী ভালো মাপে

আধুনিক কথা-বিশ্লেষণের মডেলগুলো এমন প্রযুক্তির ওপর দাঁড়িয়ে, যা কিছু নির্দিষ্ট মাপযোগ্য সংকেতে সত্যিই ভালো, আর IELTS Speaking স্কোরিংয়ের টুলগুলো সেই শক্তি সরাসরি পায়।

সাবলীলতার সময় ও ইতস্তত করা স্বয়ংক্রিয় বিশ্লেষণের প্রায় আদর্শ ক্ষেত্র। একটি মডেল বিরতির দৈর্ঘ্য ও ঘনত্ব, নিজেকে শোধরানোর হার, আর কতবার একটি উত্তর ধীর হয়ে যায় বা বাক্যের মাঝপথে নতুন করে শুরু হয়, তা মাপতে পারে, এবং রিয়েল টাইমে কান দিয়ে শুনে একজন মানুষ যতটা ধারাবাহিকভাবে ধরতে পারেন, তার চেয়ে অনেক বেশি ধারাবাহিকভাবে। বাক্যের স্তরে Fluency and Coherence (সাবলীলতা ও সুসংগতি) মানদণ্ড আসলে যা শুনতে চায়, এর সঙ্গে এটি ঘনিষ্ঠভাবে মেলে।

শব্দভান্ডারের পরিসর আরেকটি ক্ষেত্র, যেখানে স্বয়ংক্রিয় টুল ভালো করে। একই সাধারণ শব্দ কতবার ফিরে আসে, বাক্যের শুরু কতটা বৈচিত্র্যময়, আর কোনো উত্তর নিরাপদ কিছু শব্দগুচ্ছের সংকীর্ণ ভান্ডারের ওপর ঝুঁকে আছে কি না, এটি ধরন মেলানোর কাজ, আর ডজন ডজন উত্তর জুড়ে ধরন মেলানোর জন্যই এই ব্যবস্থাগুলো বানানো। মানুষ পরীক্ষকও এটি শোনেন, কিন্তু কেবল তাঁর সামনের একটি উত্তরের মধ্যে; স্বয়ংক্রিয় টুল সেটিকে আপনার আগের সব সেশনে বলা কথার সঙ্গেও তুলনা করতে পারে।

বারবার হওয়া ব্যাকরণের ধরন একটি বিশেষ শক্তির জায়গা। এক বাক্যে একটি ব্যাকরণের ভুল যে কেউ সহজেই এড়িয়ে যেতে বা ক্ষমা করতে পারেন, কিন্তু যে মডেল আপনার বেশ কয়েকটি উত্তর স্কোর করেছে, সে নির্ভরযোগ্যভাবে তুলে ধরতে পারে যে আপনি, ধরুন, দশটি উত্তরের নয়টিতে তৃতীয় পুরুষের “-s” বাদ দিয়েছেন, অথবা প্রতিবার conditional ব্যবহার করতে গিয়ে রূপ গুলিয়ে ফেলেছেন। একবারের এলোমেলো গোলমালের বদলে এই ধরনের বারবার হওয়া, কাঠামোগত ধরন ধরতে পারাই সেই জায়গা, যেখানে স্বয়ংক্রিয় স্কোরিং সাধারণ নিজে দেখে নেওয়ার চেয়ে সত্যিই এগিয়ে, কারণ কোনো মানদণ্ডকে আসলে নিচে আটকে রাখে বারবার হওয়া ভুল, বিচ্ছিন্ন একটি অসাবধানতার ভুল নয়।

শব্দ-পর্যায়ে উচ্চারণের স্পষ্টতা, অর্থাৎ আলাদা আলাদা ধ্বনি আর সিলেবল চেনার মতো যথেষ্ট স্পষ্টভাবে উচ্চারিত হচ্ছে কি না, এটিও একটি শক্তিশালী ক্ষেত্র, কারণ এটি প্রায় আদর্শ বাক-শনাক্তকরণের এলাকা: ধ্বনিসংকেত কি প্রত্যাশিত শব্দের সঙ্গে এতটা মেলে যে বোঝা যায়।

যেখানে স্বয়ংক্রিয় স্কোরিং এখনো মানুষ পরীক্ষকের চেয়ে দুর্বল

এর কোনোটিরই অর্থ এই নয় যে Speaking টেস্ট আসলে যা মাপে, স্বয়ংক্রিয় স্কোরিং তার সবটুকু ধরে। শক্তির তালিকা করার চেয়ে ফাঁকগুলো সম্পর্কে সৎ থাকা বেশি জরুরি।

একটি যুক্তির সুসংগতি বিচার করা একটি মডেলের জন্য একটি বাক্যের সুসংগতি বিচার করার চেয়ে কঠিন। একটি উত্তরে সাবলীল, ব্যাকরণগতভাবে সঠিক ভাষা থাকতে পারে, অথচ সেটি কোনো ভাবনাকে যুক্তিসংগতভাবে এগিয়ে নিতে ব্যর্থ হতে পারে, নিজের কথার বিরোধিতা করতে পারে, কিংবা জিজ্ঞাসা করা প্রশ্ন থেকে সামান্য আলাদা প্রশ্নের উত্তর দিতে পারে। বাক্যের স্তরের অসাবলীলতা থেকে আলাদা করে এই ধরনের উচ্চস্তরের অসংগতি চেনা অনেক কঠিন সমস্যা, আর মানুষ পরীক্ষককে ঠিক এটি শোনার জন্যই বিশেষভাবে প্রশিক্ষণ দেওয়া হয়।

সাংস্কৃতিক সূক্ষ্মতা ও ভাষার রীতি বোঝাও সত্যিই কঠিন। যে শব্দগুচ্ছ এক প্রসঙ্গে স্বাভাবিক ও যথোপযুক্ত অনানুষ্ঠানিক শোনায়, অন্য প্রসঙ্গে তা অদ্ভুতভাবে আনুষ্ঠানিক বা অদ্ভুতভাবে রূঢ় শোনাতে পারে, এবং এই বিচারের অনেকটা নির্ভর করে এমন সাংস্কৃতিক প্রসঙ্গের ওপর, যা নির্ভরযোগ্যভাবে কোড করা কঠিন। একজন মানুষ পরীক্ষক, বিশেষ করে যিনি নানা পটভূমির পরীক্ষার্থীর কথা শুনতে অভ্যস্ত, এ বিষয়ে একটি সহজাত বোধ নিয়ে আসেন, যাকে স্বয়ংক্রিয় স্কোরিং হুবহু নকল করার বদলে আন্দাজ করে।

ব্যান্ডের সীমারেখার কাছে মানুষ পরীক্ষকের সহনশীলতা মডেল করা সবচেয়ে কঠিন। ভুলের সংখ্যা এক হওয়া দুটি উত্তর মানুষ শ্রোতার কাছে আলাদা জায়গায় পড়তে পারে, নির্ভর করে বাকি উত্তরটি কতটা স্বাভাবিকভাবে এগিয়েছে, পরীক্ষার্থী ভুল থেকে কীভাবে সামলে উঠেছেন, কিংবা মুখস্থ নয় এমন ফলো-আপ প্রশ্ন কতটা ভালোভাবে সামলেছেন, তার ওপর। এই ধরনের সামগ্রিক ওজন করা, যেখানে পুরো উত্তরকে তার আলাদা আলাদা ভুলের যোগফলের চেয়ে বেশি কিছু হিসেবে বিচার করা হয়, পরীক্ষা নেওয়ার ঠিক সেই অংশ, যা সূত্রে নামিয়ে আনা যায় না।

একটি সংখ্যার চেয়ে ব্যান্ডের পরিসর কেন বেশি সৎ

নির্ভরযোগ্যতার এই দুটি একেবারে আলাদা স্তর দেখে, অর্থাৎ মাপযোগ্য বৈশিষ্ট্যে শক্তিশালী, সামগ্রিক বিচারে দুর্বল, যে টুল আপনার Speaking ব্যান্ডের জন্য একটি নিখুঁত সংখ্যা দেয়, সে অন্তর্নিহিত বিশ্লেষণ যতটা নিশ্চয়তা দিতে পারে, তার চেয়ে বেশি নিশ্চয়তা দাবি করছে। দুটি ব্যান্ডের সীমারেখার কাছে থাকা একটি উত্তর দুজন প্রশিক্ষিত পরীক্ষকের হাতে সত্যিই দুভাবেই স্কোর হতে পারে, এবং ব্যান্ড বর্ণনা (band descriptors) যেভাবে কাজ করে, তার একটি পরিচিত বৈশিষ্ট্য এটি, স্কোরিং প্রক্রিয়ার কোনো ত্রুটি নয়। যে স্বয়ংক্রিয় টুল সেই সত্যিকারের অনিশ্চয়তাকে একটি আত্মবিশ্বাসী অঙ্কে গুটিয়ে ফেলে, সে আপনাকে বেশি তথ্য দেওয়ার বদলে তথ্য লুকিয়ে রাখছে।

পরিসরভিত্তিক পদ্ধতি বেশি সৎ, কারণ এটি অনিশ্চয়তাকে নেই বলে ভান করার বদলে দৃশ্যমান করে। যেমন IELTS Mentor AI মক টেস্টের উত্তর স্কোর করে একটি সমতল সংখ্যার বদলে কড়া থেকে উদার পাঠ পর্যন্ত একটি পরিসর ফিরিয়ে দিয়ে, যাতে সীমারেখার কাছের উত্তরকে মিথ্যে নিখুঁততায় মুড়ে না দিয়ে সীমারেখার কাছের উত্তর হিসেবেই দেখানো যায়। আপনি যে টুলই ব্যবহার করুন, একই উত্তরের কড়া ও উদার পাঠের মধ্যে বড় ফাঁক নিজেই কাজের তথ্য: এটি জানায় যে আপনার পারফরম্যান্স এখনো স্থিতিশীল নয়, যা একটি সংখ্যা শুধু লুকিয়ে ফেলত।

AI Speaking স্কোরার ভালোভাবে ব্যবহারের উপায়

স্বয়ংক্রিয় স্কোরিং থেকে সত্যিকারের লাভ পাওয়া কোনো একটি ফলাফলে ভরসা করার চেয়ে বেশি নির্ভর করে সময়ের সঙ্গে ফলাফলগুলো আপনি কীভাবে পড়েন তার ওপর।

একটি স্কোর নয়, সময়ের সঙ্গে ধারাবাহিকতা দেখুন। একটি সেশনের ফল প্রভাবিত হতে পারে কোন বিষয় এসেছিল, সেদিন আপনার মেজাজ কেমন ছিল, কিংবা মাইক্রোফোন পটভূমির আওয়াজ ধরেছে কি না, তার দ্বারা। বেশি গুরুত্বপূর্ণ হলো একই সমস্যা, একই ব্যাকরণের ভুল, একই শব্দভান্ডারের ঘাটতি, একই ইতস্তত করার ধরন, অনেকগুলো সেশন জুড়ে বারবার আসছে কি না। এই পুনরাবৃত্তিই সেই সংকেত, যার ওপর কাজ করা উচিত।

স্কোর নয়, ধরন খুঁজুন। সংখ্যাটি নিজে তত গুরুত্বপূর্ণ নয়, যতটা গুরুত্বপূর্ণ তার পেছনে কী কাজ করছে। যে টুল বলে আপনার Lexical Resource (শব্দভান্ডার) “6”, তার চেয়ে বেশি কাজের সেই টুল, যা বলে ঠিক কোন নির্দিষ্ট অভ্যাস, যেমন আরও সুনির্দিষ্ট, স্বাভাবিক বিকল্পের বদলে বারবার “very good” বলা, সেই স্কোরকে নিচে আটকে রাখছে। সংখ্যা একটি সারসংক্ষেপ; ধরনটাই সেই জিনিস, যা আপনি সত্যিই অনুশীলন করতে পারেন।

ফিডব্যাক প্রকাশিত বর্ণনার সঙ্গে নিজে মিলিয়ে দেখুন। সবার জন্য প্রকাশিত ব্যান্ড বর্ণনা সহজ ভাষায় বলে, চারটি মানদণ্ড জুড়ে প্রতিটি ব্যান্ড আসলে কেমন শোনায়। কোনো টুলের ফিডব্যাক সেই বর্ণনার সঙ্গে মিলিয়ে পড়া একটি কাজের যুক্তিগত যাচাই: কোনো স্কোরের পেছনের যুক্তি যদি সেই ব্যান্ডের বর্ণনা আসলে যা বলে তার সঙ্গে না মেলে, তা লক্ষ করার মতো।

স্কোরিং টুলে যে বিপদের লক্ষণ দেখবেন

কিছু ধরনকে আশ্বাস না ভেবে সতর্কসংকেত ভাবা ভালো।

যে টুল অনিশ্চয়তার কোনো স্বীকৃতি ছাড়া একটিমাত্র সংখ্যার প্রতিশ্রুতি দেয়, সে যতটা নির্ভরযোগ্যভাবে মাপতে পারে, তার চেয়ে বাড়িয়ে বলছে। যে টুলে মানদণ্ড ধরে ভাগ নেই, অর্থাৎ Fluency and Coherence, Lexical Resource, Grammatical Range and Accuracy (ব্যাকরণের বৈচিত্র্য ও নির্ভুলতা) আর Pronunciation (উচ্চারণ) আলাদা করে দেখার ব্যবস্থা নেই, সে ঠিক সেই তথ্যই লুকিয়ে রাখছে, যা জানা দরকার পরের অনুশীলনে কী করবেন তা বুঝতে, কারণ Speaking স্কোর কেবল ওই চারটির গড়। আর যে টুল স্কোরের কোনো ব্যাখ্যা দেয় না, শুধু একটি কাঁচা অঙ্ক, যার পক্ষে কিছুই বলা নেই, সে আপনাকে কাজে লাগানোর মতো কিছুই দেয় না; যুক্তিহীন একটি সংখ্যা বলতে পারে না, একই সমস্যা বারবার ফিরে আসছে, নাকি এটি একবারের ঘটনা।

এর কোনোটির অর্থ এই নয় যে স্বয়ংক্রিয় স্কোরিং কাজের নয়। ওপরে বর্ণিত মাপযোগ্য বৈশিষ্ট্যগুলোর জন্য এটি স্পষ্টতই কাজের। এর অর্থ হলো, একে দেখার সৎ উপায় এমন একটি ধারাবাহিক, ক্লান্তিহীন ধরন-খোঁজার টুল হিসেবে, যা কিছু বিষয়ে খুব ভালো আর অন্যগুলোতে খোলাখুলিভাবে সীমিত; একজন প্রত্যয়িত মানুষ পরীক্ষক পারফরম্যান্সের যে অংশগুলো সূত্রে নামিয়ে আনা যায় না, সেখানে যে বিচার নিয়ে আসেন, তার বিকল্প হিসেবে নয়।