এআই সাক্ষরতা

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

এআই সাক্ষরতা — শিক্ষামূলক প্রসঙ্গে Technologies কৃত্রিম বুদ্ধিমত্তা (AI) বুঝতে, মূল্যায়ন করতে এবং কার্যকরভাবে ব্যবহার করার জন্য প্রয়োজনীয় জ্ঞান, দক্ষতা এবং সমালোচনামূলক মনোভাব। এআই সাক্ষরতার মধ্যে AI কীভাবে কাজ করে তার প্রাথমিক বোঝাপড়া, AI সরঞ্জাম ব্যবহারে ব্যবহারিক দক্ষতা, AI আউটপুটের সমালোচনামূলক মূল্যায়ন, এবং AI-এর সামাজিক প্রভাব সম্পর্কে নৈতিক সচেতনতা অন্তর্ভুক্ত।

বিবেচনার প্রশ্নগুলি

• 'এআই-সাক্ষর' হওয়ার অর্থ কী? এটা কি সরঞ্জামগুলি কীভাবে ব্যবহার করতে হয় জানা, সেগুলি কীভাবে কাজ করে তা বোঝা, নাকি তাদের আউটপুটকে সমালোচনামূলকভাবে মূল্যায়ন করতে পারা — আর আপনার নিজের লক্ষ্যগুলির জন্য কোনটি সবচেয়ে গুরুত্বপূর্ণ?
• স্ব-রিপোর্ট করা এআই সাক্ষরতা মাপা ফলাফলের থেকে উল্লেখযোগ্যভাবে বিচ্যুত — শিক্ষকেরা তাদের দক্ষতাকে প্রায় 40% বেশি মূল্যায়ন করেন। আপনার নিজের এআই দক্ষতায় আপনার কতটা আত্মবিশ্বাস, এবং সেই আত্মবিশ্বাসটি সত্যিই পরীক্ষা করার জন্য আপনি কোন প্রমাণে বিশ্বাস করবেন?
• এআই সাক্ষরতাকে দক্ষতার তালিকার পরিবর্তে একটি মেটাকগনিটিভ সামাজিক অভ্যাস হিসেবে বর্ণনা করা হয়। যেহেতু LLM-গুলি সম্ভাব্যতা-নির্ভর এবং অস্বচ্ছ, মডেলের ভেতরে দেখা যাচ্ছে না এমন অবস্থায় আউটপুট 'সমালোচনামূলকভাবে মূল্যায়ন' করার অর্থ কী?
• শিক্ষাবিদগত পরিবেশের জন্য সমালোচনামূলক-ব্যবহার সাক্ষরতা এবং কর্মসংস্থানের জন্য ওয়ার্কফ্লো-সমন্বয় সাক্ষরতার মধ্যে একটি টান রয়েছে — শিক্ষাবিদরা ও নিয়োগকর্তারা বিভিন্ন দক্ষতাকে মূল্য দেন। আপনার প্রসঙ্গটি প্রকৃতপক্ষে কোন ধরনের এআই সাক্ষরতা শেখাচ্ছে?
• প্রযুক্তিগত এআই-সাক্ষরতা প্রশিক্ষণ, স্ব-দক্ষতা ও স্ব-নিয়ন্ত্রণের সহায়তা ছাড়া, আসলে এআই-এর উপর নির্ভরতাকে বাড়াতে পারে। এআই ব্যবহার শেখা কীভাবে আপনাকে আরও সক্ষম করার পরিবর্তে আরও নির্ভরশীল করে তুলতে পারে?
• এআই সাক্ষরতা একটি স্বীকৃতির দক্ষতাও: খেয়াল করা কখন একটি এআই আপনার সাথে একমত হচ্ছে কারণ সেটি মুখোমুখি-প্রবণ (সিরোফান্টিক) হয়ে উঠছে, নাকি আপনার সত্যিই ঠিক হওয়ার কারণে। আপনি কি কখনো এমন কোনো এআই ধরে ফেলেছেন যা শুধু আপনি যা শুনতে চেয়েছিলেন সেটাই বলছিল?

ভূমিকা

Generative AI শিক্ষায় খুঁশে-খুঁশে জড়িত হওয়ার সঙ্গে সঙ্গেই এআই সাক্ষরতা দ্রুত শিক্ষার্থী, শিক্ষক ও প্রতিষ্ঠানের জন্য একটি মূল দক্ষতা হিসেবে আবির্ভূত হয়েছে। সাধারণ ডিজিটাল সাক্ষরতার বিপরীতে, এআই সাক্ষরতার জন্য এমন সম্ভাব্যতা-নির্ভর সিস্টেম বোঝা প্রয়োজন যা হ্যালুসিনেট করতে পারে, পক্ষপাত প্রদর্শন করতে পারে, এবং Learner Agency কে মানুষ থেকে মেশিনে স্থানান্তরিত করতে পারে — যেটি Critical Thinking এবং অতিরিক্ত নির্ভরতা কে এই গঠনের কেন্দ্রীয় করে তোলে।

এআই সাক্ষরতার মাত্রাগুলি

এই জ্ঞানভিত্তির গবেষণা চারটি পরস্পর-সংযুক্ত মাত্রাকে বিস্তৃত করে:

ফ্রেমওয়ার্কগুলি ক্রমবর্ধমানভাবে দেখায় কীভাবে এই মাত্রাগুলি অনুশীলনে বাস্তবায়িত হয়: Dai & Chan (2026) দেখান যে গবেষণার ওয়ার্কফ্লো জুড়ে Generative AI ব্যবহারের সময় স্নাতকোত্তর গবেষকরা কীভাবে চারটি মাত্রারই প্রতিবিম্ব ঘটান এবং সেগুলি থেকেই গবেষণা-নির্দিষ্ট দায়িত্বশীল-ব্যবহার নির্দেশিকা গঠন করেন, আর Şan & Orhan Karsak (2026) শব্দ-সংযুক্তি ম্যাপিং ব্যবহার করে দেখান যে তুর্কি স্নাতক শিক্ষার্থীদের এআই-জ্ঞান যান্ত্রিকভাবে "ব্ল্যাক-বক্স"-নির্ভর, যেখানে নৈতিক-শাসনের ধারণাগুলি কাঠামোগতভাবে বিচ্ছিন্ন (τ=−0.819) — সত্যিই এই প্রমাণ যে ক্রেডেনশিয়াল নকশায় অভিজ্ঞতামূলক সরঞ্জাম-ব্যবহার ও নৈতিক ফ্রেমওয়ার্কের মধ্যে ইচ্ছাকৃতভাবে সেতু তৈরি করতে হবে।

চাহিদা নির্ভর করে শিক্ষার্থী এবং সিস্টেম একসঙ্গে কী করছে তার উপর। সাক্ষরতা ফ্রেমওয়ার্কগুলি সাধারণত একটি সাধারণ দক্ষতার সেট বর্ণনা করে, কিন্তু একটি জেন-এআই-সমর্থিত কার্যকলাপ প্রকৃতপক্ষে কী দাবি করে তা তার ভেতরে এপিস্টেমিক কাজ কীভাবে বিতরণ করা হয় তার উপর নির্ভর করে। Sun, Dohn and Rehm (2026) Strobel et al.-এর জেন-এআই প্রয়োগের ট্যাক্সোনমির বিপরীতে 102টি অভিজ্ঞ উচ্চ-শিক্ষা গবেষণা শ্রেণিবদ্ধ করেন এবং আবিষ্কার করেন সহকারী (Assistant) ও এনেবলার (Enabler) এনট্যাঙ্গলমেন্ট কোરপাসের প্রত্যেকটিতে 42.16% করে দখল করে আছে, যখন জেনারেটর, রিইম্যাজিনেটর ও সিন্থেসাইজার একসঙ্গে এক-পঞ্চমাংশেরও কম ছিল — এই বিচ্যুতি তারা মডেল ক্ষমতা নয় বরং প্রতিষ্ঠানিক বৈধতার দিকে দায়িত্ব আরোপ করে, যেহেতু একই মডেলগুলি পাঁচটিরই সমর্থন করে। Dohn-এর তিনটি প্রসঙ্গ-স্তর (ডোমেইন-অন্তর্গত, কার্যকলাপ-অন্তর্গত, কার্যকলাপ-ফ্রেমিং) জুড়ে প্রতিটি ধরন পড়লে দেখা যায় সহকারী কাজের জন্য চাহিদাগুলি সুসংগত হয়ে যায় এবং প্রান্তিক ধরনগুলির জন্য ভেঙে পড়ে, যেখানে কার্যকলাপ শিক্ষার্থীদের যা চায় তা তার থেকে আলাদা হয় যা প্রতিষ্ঠান বৈধ দক্ষতা হিসেবে স্বীকার করে। তাদের সিদ্ধান্ত সাক্ষরতাকে সরঞ্জাম-দক্ষতা থেকে সম্পূর্ণ দূরে সরিয়ে দেয়: জেন-এআই সাক্ষরতা হলো একটি নির্দিষ্ট এনট্যাঙ্গলমেন্টে এপিস্টেমিক কাজ ও দায়িত্ব কীভাবে বিতরণ করা হয় তা চেনার ক্ষমতা, এবং তার ভেতরে যথাযথভাবে কাজ করার ক্ষমতা।

ভিত্তিজ্ঞান: বোঝা LLM-গুলি কী, সেগুলি নিয়ম-ভিত্তিক সিস্টেম থেকে কীভাবে আলাদা, এবং তাদের প্রাথমিক সীমাবদ্ধতাগুলি কী। এতে মডেল ক্ষমতা, প্রশিক্ষণ-তথ্যের পক্ষপাত, এবং কাজ-নির্দিষ্ট AI ও সাধারণ-উদ্দেশ্য মডেলের পার্থক্য সম্পর্কে সচেতনতা অন্তর্ভুক্ত। Prompt Engineering-এ গবেষণা পরীক্ষা করে যে প্রম্পট প্রক্রিয়ার বোঝাপড়া কার্যকর এআই ব্যবহারকে কীভাবে প্রভাবিত করে।

ব্যবহারিক দক্ষতা: Prompt Engineering থেকে আউটপুট ব্যাখ্যা করা পর্যন্ত — এআই সরঞ্জামগুলি কার্যকরভাবে ব্যবহারের ক্ষমতা। শিক্ষার্থীদের জেন-এআই ব্যবহারের ধরণ-এর গবেষণা প্রকাশ করে যে কেবল সরঞ্জাম-অ্যাক্সেস দক্ষতা তৈরি করে না; গঠনগত অনুশীলন এবং Scaffolding অপরিহার্য। ভাইব কোডিং ফ্রেমওয়ার্ক দেখায় কীভাবে K-12 শিক্ষকরা নির্মিত সরঞ্জাম তৈরির মাধ্যমে ব্যবহারিক এআই সাক্ষরতা বিকাশ করতে পারেন। Miles, Haber-Curran and Arar (2026) যুক্তি দেন যে এই মাত্রার একটি অংশ আছে যা অপ্টিমাইজেশন প্রশিক্ষণ মিস করে: প্রম্পট সাক্ষরতা, প্রম্পট ইঞ্জিনিয়ারিং থেকে ভিন্ন, প্রম্পটকে একটি বাক্যাত্মক ও নৈতিক কাজ হিসেবে বিবেচনা করে, তাই কেবল আউটপুট টিউন করার জন্য সংজ্ঞায়িত নির্দেশনা LLM ব্যবহারের নৈতিক ও জ্ঞানতাত্ত্বিক মাত্রাগুলিকে অলঙ্ঘিত রেখে দেয়।

সমালোচনামূলক মূল্যায়ন: সঠিকতা, পক্ষপাত ও উপযোগতার জন্য এআই আউটপুট মূল্যায়নের ক্ষমতা। সাক্ষরতা মূল্যায়ন সম্পর্কে গবেষণা দেখায় স্ব-রিপোর্ট করা ও ফলাফল-ভিত্তিক এআই সাক্ষরতার মধ্যে 40% ফাঁক — লোকেরা ধারাবাহিকভাবে তাদের মূল্যায়ন দক্ষতাকে অতিরঞ্জিত করে। সেই বিচ্যুতি জ্ঞানভিত্তির সর্বস্পষ্ট কেসটি যেখানে একটি স্ব-রিপোর্ট মাপকাঠি ব্যর্থ হয় সেই দক্ষতাকে ট্র্যাক করতে যার নাম এটি বহন করে। এটি অতিরিক্ত নির্ভরতা গবেষণার সঙ্গে যুক্ত করে দেখায় যে যে শিক্ষার্থীরা Trust এআইকে অসমালোচনামূলকভাবে বিশ্বাস করে তারা কম শেখে। সাম্প্রতিক ধারণাগত কাজ মূল্যায়নকে যাচাইকরণ-এর দিকে ঠেলে দেয়: PEARLS ফ্রেমওয়ার্ক (Wang) এআই আউটপুটকে একটি অস্থায়ী জ্ঞানের দাবি হিসেবে বিবেচনা করে যার যুক্তি ছয়টি মাত্রা জুড়ে (প্রক্রিয়া, প্রমাণ, অ্যাক্সেস, পুনরুৎপাদনযোগ্যতা, বৈধতা, উৎস) একত্র করে পরীক্ষা করতে হবে, এবং এআই দাবি যাচাই করার সময় শিক্ষার্থীরা দক্ষতা গড়ে তোলার প্রক্রিয়া হিসেবে যাচাই-চালিত শেখা-কে এগিয়ে দেয়। এর পরিপূরক হিসাবে, শিক্ষার্থী-কেন্দ্রিক দায়িত্বশীল-ব্যবহার ফ্রেমওয়ার্ক (Alsammani) শেখা ও বৃদ্ধি, নৈতিকতা ও সততা, এবং সচেতনতা ও নিরাপত্তা স্তম্ভ জুড়ে দশটি শিক্ষার্থী-মুখী নির্দেশিকা দেয় যা সিদ্ধান্তের মুহূর্তে মেটাকগনিটিভ প্রম্পটগুলিকে বহিঃস্থ করে তোলে। মাধ্যমিক শিক্ষার্থীদের জন্য, এআই-সহায়িত গবেষণা দক্ষতা (AARC) ফ্রেমওয়ার্ক (Beau, Flaquière & Lazar 2026) এটি সদগুণ জ্ঞানতত্ত্ব ও এআই অন্তর্দৃষ্টিতে প্রতিষ্ঠিত করে, গবেষণা সাক্ষরতাকে এআই-র সঙ্গে তদন্ত পরিচালনা হিসেবে সংজ্ঞায়িত করে লেখকত্ব, বিচার, যাচাই বা দায়িত্ব আত্মসমর্পণ না করে — যা একটি বিশ্লেষণাত্মক রুব্রিক এবং একটি যাচাই-উদ্ধৃত-প্রতিবিম্ব প্রতিশ্রুতি রুটিনে কার্যকর করা হয়। Assessment প্রান্তে, Saleh (2026) একটি মানবীয় ক্ষমতার পরীক্ষা প্রস্তাব করে যা মূল্যায়নকে একটি নকশার নীতি পরিণত করে: জিজ্ঞাসা করুন একজন শিক্ষার্থীকে স্বাধীনভাবে কী প্রদর্শন করতে হবে, এআই বৃদ্ধি জুড়ে কী শক্তিশালী করা যায়, এবং শিক্ষার্থীকে কী যাচাই, রক্ষণাবেক্ষণ ও দায়িত্ব নিতে হবে।

করা হয়। শৃঙ্খলবিশ্লেষণীয় যাচাইকরণ দরদাম আরও বাড়ায়। Vega-Baudrit and Rivera Alvarez (2026) যুক্তি দেন যে বিশ্ববিদ্যালয় রসায়নে মূল এআই সাক্ষরতা চাহিদা হলো Johnstone-এর ম্যাক্রোস্কোপিক, সাবমাইক্রোস্কোপিক ও প্রতীকী ডোমেইন জুড়ে প্রতিনিধিত্বমূলক অনুবাদ, কারণ একটি আউটপুট একটি ডোমেইনে স্থানীয়ভাবে বিশ্বাসযোগ্য হতে পারে যখন অন্য ডোমেইনে আধান ভারসাম্য, একটি প্রক্রিয়া বা একটি নিরাপত্তা সীমার সঙ্গে সাংঘর্ষিক করে। তাদের প্রতিকার হলো যাচাই-কেন্দ্রিক সংহতি: যাচাইকরণকে একটি মূল্যায়িত কার্যকলাপ করে তোলা, যুক্তির চিহ্ন হিসেবে প্রম্পট লগ ও সংশোধন ইতিহাস রাখা, এবং প্রম্পটকে একটি এপিস্টেমিক কাজ হিসেবে বিবেচনা করা যা সীমাবদ্ধতা, অনুমান ও যথাযথতার মান নির্দিষ্ট করে, যেখানে শিক্ষার্থীরা একটি ভুল অনুমান চিহ্নিত করে বা একটি উৎপন্ন উত্তরের প্রত্যাখ্যানকে যুক্তি দিয়ে সমর্থন করে।

নৈতিক ও প্রতিষ্ঠানিক সচেতনতা: এআই-এর বিস্তৃত প্রভাব বোঝা — Academic Integrity থেকে Equity এবং Privacy পর্যন্ত। প্রতিষ্ঠানিক স্তরে এআই সাক্ষরতার মধ্যে নীতিনির্মাপন, Educational Development, এবং শাসন ফ্রেমওয়ার্ক অন্তর্ভুক্ত — প্রতিষ্ঠানিক এআই সাক্ষরতা শিক্ষণ পদ্ধতির মতোই নীতি-র বিষয়। EPIQ-AI ফ্রেমওয়ার্ক প্রতিষ্ঠানিক এআই সাক্ষরতাকে কেবল ব্যক্তিগত প্রশিক্ষণ নয় বরং একটি সামাজিক-প্রযুক্তিগত সারিবদ্ধতার চ্যালেঞ্জ হিসেবে ঘিরে রাখে।

• টেকসই উন্নয়নের জন্য শাসন ক্ষমতা হিসাবে এআই সাক্ষরতা। Islam, Morshed, and Islam (2026) এআই সাক্ষরতাকে কেবল শিক্ষাগত বা প্রযুক্তিগত দক্ষতা নয় বরং একটি শাসন-ভিত্তিক ক্ষমতা হিসেবে পুনর্গঠিত করেন, এটিকে জাতিসংঘের সব সপ্তদশ টেকসই উন্নয়ন লক্ষ্যের সঙ্গে যুক্ত করেন। তাদের ছয়-স্তরের AIRE ট্যাক্সোনমি (চিনুন → বোঝুন → প্রয়োগ করুন → বিশ্লেষণ করুন → সংহত করুন → শাসন করুন) নৈতিক সংশ্লেষণ ও কৌশলগত পূর্বাভাস যোগ করে Bloom-এর স্তরবিন্যাসকে বিস্তৃত করে, উন্নত দক্ষতাগুলিকে (বিশ্লেষণ–শাসন) ভিত্তিজ্ঞান সাক্ষরতা থেকে প্রতিষ্ঠানিক ও নীতি-স্তরের শাসনের পথ হিসেবে স্থাপন করে — একটি "18তম SDG" সূত্র যা সাক্ষরতাকে একটি ছুঁয়ে-যাওয়া জ্ঞানাত্মক ও নৈতিক সেতু হিসেবে বিবেচনা করে। একটি জাতীয় প্রসঙ্গে 300 পেশাদারের একটি সমীক্ষায় প্রবল প্রযুক্তিগত সচেতনতা পাওয়া গেছে কিন্তু সীমিত নৈতিক ও শাসন প্রস্তুতি, যেখানে টেকসই, বিশ্বাসযোগ্য এআই ব্যবহারের সবচেয়ে শক্তিশালী পূর্বাভাসক নৈতিক যুক্তি ও প্রতিবিম্বমূলক চিন্তাভাবনা এবং এআই–SDG সংযোগ সচেতনতার সবচেয়ে শক্তিশালী পূর্বাভাসক শাসন সাক্ষরতা (β = 0.64)। এটি অভিজ্ঞতামূলকভাবে জ্ঞানভিত্তির সমালোচনামূলক-ব্যবহার সাক্ষরতার উপর জোরকে ভিত্তি করে এবং এআই সাক্ষরতাকে সরাসরি Sustainability ও নীতি সংহতির সঙ্গে বেঁধে দেয়। ফ্রেমওয়ার্ক সরবরাহ এখন নিজেই একটি সমস্যা। Fitsilis (2026) শিক্ষা ও কর্মশক্তি উন্নয়নের জন্য 16টি প্রতিষ্ঠানিকভাবে অনুমোদিত এআই দক্ষতা ফ্রেমওয়ার্ক তুলনা করেন এবং আবিষ্কার করেন দশটি দক্ষতা ক্ষেত্রের একটি ভাগ করা মূল কিন্তু গঠন, অগ্রগতি ও বাস্তবায়ন নির্দেশিকায় ব্যাপক পার্থক্য — ব্যবহারিক কঠিনতাই হলো সেগুলির মধ্যে বাছাই, অভাব নয়।

এআই সাক্ষরতা কীভাবে বিকাশিত হয়

গবেষণা সহযোগী ও সক্রিয় পদ্ধতিগুলিকে সবচেয়ে কার্যকর হিসাবে নির্দেশ করে। Rismanchian & Doroudi এআই সাক্ষরতাকে প্রয়োগযোগ্য দক্ষতার চেয়ে বেশি কিছু হিসেবে স্থাপন করেন: তাদের AI×Ed ফ্রেমওয়ার্কে শিক্ষার্থী এআই-এর একটি স্বতন্ত্র শেষ ব্যবহারকারী (এআই সাক্ষরতা ও এআই শিক্ষার মাধ্যমে প্রবেশ করা), এবং তারা শেখা নিজের উপর প্রতিবিম্বনকে উৎসাহ দিয়ে নতুন এআই-সাক্ষরতা কাজের পক্ষে যুক্তি দেন — সাক্ষরতাকে "মানুষের বুদ্ধিমত্তার উপমা হিসেবে এআই" গবেষণায় পুনরায় প্রবেশের একটি পথ হিসেবে বিবেচনা করে, একটি ধারা যা ক্ষেত্রটি মূলত ছেড়ে দিয়েছিল। ICAP Framework (ইন্টার‌্যাকটিভ → কনস্ট্রাকটিভ → সক্রিয় → নিষ্ক্রিয়) জ্ঞানাত্মক যুক্তির একটি কার্যকর ট্যাক্সোনমি সরবরাহ করে: শিক্ষার্থীরা সক্রিয়ভাবে তথ্য গ্রহণের পরিবর্তে জ্ঞান সহ-গঠন করার সময় সেরা এআই সাক্ষরতা শেখে। নকশাকারীদের সেই মোড বাছাই করা উচিত যা শেখার লক্ষ্যের সঙ্গে মানানসই এবং যেখানে সম্ভব গভীর (কনস্ট্রাকটিভ ও ইন্টার‌্যাকটিভ) মোডকে অগ্রাধিকার দেওয়া। ব্যবহারিক কার্যকলাপ — প্রম্পট নকশা করা, দলে আউটপুট মূল্যায়ন করা, এআই Ethics নিয়ে বিতর্ক করা — বক্তৃতার চেয়ে ভালো ফল দেয়।

রচনা জীবিত অভিজ্ঞতা থেকে শুরু হয় — কিন্তু ধারণা গভীরতার জন্য স্ক্যাফোল্ডিং প্রয়োজন। Burriss et al. (2026) আবিষ্কার করেন যে যুবসমাজ দৈনন্দিন সিস্টেম — ইলেকট্রনিক "হল পাস," বিদ্যালয়-নিয়ন্ত্রিত ল্যাপটপ, চুরি-নির্ণায়ক — তে অমূর্ত এআই Ethics নীতিগুলিকে আঁটড়ায়, একটি দল ব্যাখ্যা করে বিদ্যালয়ে এআই "দলের সব সদস্যের জন্য ব্যক্তিগত ছিল," এবং ১৮টির মধ্যে ১৫টি ইউনিট-শেষের সমীক্ষা প্রতিক্রিয়া জানায় যে ভিডিও তৈরির ফলে তাদের এআই নৈতিকতার বোঝাপড়া বদলেছে। লেখকরা সীমা সম্পর্কে স্পষ্ট: রচনা নিজে ধারণাগত ভিত্তি নিশ্চিত করেনি — "informed consent" "We gotta approve" হিসেবে অনুবাদ করা হয়েছিল, এবং কিছু পরিভাষা (যেমন "failsafe") কখনো ব্যাখ্যা করা হয়নি, যা তাদের পরে গভীরতর ধারণাগত কাজ পরিকল্পনা করায়। সৃষ্টিশীল উৎপাদন তখন সেরা এআই সাক্ষরতা বিকাশ করে যখন স্পষ্ট ধারণাগত Scaffolding সৃষ্টির সঙ্গে যুক্ত থাকে, বরং তা থেকে উদ্ভূত হওয়া ধরে নেওয়া হয় না।

সাক্ষরতার অভিজ্ঞতামূলক পরিপূরক হিসাবে এআই অন্তর্দৃষ্টি। একটি পুনরাবৃত্ত ফাঁক হলো K-12 ফ্রেমওয়ার্কগুলি অনুমান করে শিক্ষার্থীরা ঘোষণামূলক, নিয়ম-ভিত্তিক জ্ঞানের মাধ্যমে এআই-এর দিকে এগিয়ে আসে, যখন বাস্তবে তারা প্রথমে বিকাশ করে এআই কীভাবে সাড়া দেয় তার একটি ব্যবহারিক "অনুভব" — প্রম্পটের সঙ্গে পরীক্ষা, আচরণ পর্যবেক্ষণ, কৌশল অভিযোজন — তার আগে তারা আনুষ্ঠানিক নীতিগুলি স্পষ্ট করতে পারে। Beau & Lazar (2026) এটি আনুষ্ঠানিক করেন এআই অন্তর্দৃষ্টি হিসেবে: একটি অভিজ্ঞতামূলক, আনুসঙ্গিক, প্রায়ই গোপন বোঝাপড়া যা এআই সিস্টেমের সঙ্গে পুনরাবৃত্ত মিথস্ক্রিয়ার মাধ্যমে বিকাশিত হয় এবং অনিশ্চয়তার অধীনে প্রসঙ্গ-সংবেদী বিচারকে সমর্থন করে। তাদের দ্বৈত ফ্রেমওয়ার্ক এআই সাক্ষরতা (গঠনগত, মূলত স্থির দক্ষতা) কে এআই অন্তর্দৃষ্টির (একটি গতিশীল শেখার প্রক্রিয়া) পাশে স্থাপন করে, দুটোকেই আদর্শ মাত্রাগুলি জুড়ে ম্যাপ করে — ধারণা বোঝা, সরঞ্জাম ব্যবহার করা, সমালোচনামূলকভাবে মূল্যায়ন করা, নৈতিকভাবে প্রয়োগ করা, প্রতিবিম্বন — যাতে শিক্ষার্থীরা ধারণাগত স্পষ্টতা ও Guardrails (সাক্ষরতা) কে বিশ্বাস-কিন্তু-যাচাই করার ব্যবহারিক প্রজ্ঞা এবং কখন সরে দাঁড়ানো হবে তা ঠিক করার সঙ্গে মিলিয়ে (অন্তর্দৃষ্টি)। যেহেতু অন্তর্দৃষ্টি এআই-এর "বিশেষজ্ঞ পর্যবেক্ষণ" (যেমন একটি মডেল কোথায় ব্যর্থ হয় খুঁজে বের করতে প্রম্পট স্ট্রেস-টেস্টিং) জন্মায়, লেখকরা যুক্তি দেন এটি অতিরিক্ত নির্ভরতা ও সমালোচনামূলক-চিন্তা ক্ষয়ের বিরুদ্ধে একটি সুরক্ষা; এটি Prompt Engineering (যা আউটপুট অপ্টিমাইজ করে) থেকে ভিন্ন যে এতে এপিস্টেমিক বিচার সামনে আসে। এটি সাক্ষরতাকে Experiential Learning, Constructivism, ও বিকাশভিত্তিক শ্রেণিকক্ষ অনুশীলনের সঙ্গে যুক্ত করে, এবং শিক্ষক প্রস্তুতিকে আনুসঙ্গিক অন্বেষণ সুগম করার দিকে নির্দেশ করে কেবল ধারণা বিতরণের পরিবর্তে।

অনুপ্রেরণা পূর্বশর্ত, কেবল ফলাফল নয়। Liang et al. (2026) একটি বর্ষব্যাপী এআই পাঠ্যক্রমে 2,086 মাধ্যমিক শিক্ষার্থীর মধ্যে আবিষ্কার করেন যে যে শিক্ষার্থীরা একটি স্ব-নির্ধারিত অনুপ্রেরণামূলক প্রোফাইলে স্থানান্তরিত বা অবস্থান করেছিলেন (উচ্চ স্বায়ত্তশাসন, দক্ষতা ও সম্পর্কজ্ঞতার চাহিদা সন্তুষ্টি) তারা সবচেয়ে বেশি এআই-সাক্ষরতা অর্জন দেখিয়েছিল। এআই সাক্ষরতা টেকসই যুক্তির মাধ্যমে বিকাশিত হয়, এবং সেই যুক্তি নিজেই অনুপ্রেরণা ও মনস্তাত্ত্বিক-চাহিদা সহায়তার দ্বারা গড়া হয় — তাই কার্যকর এআই-সাক্ষরতা নির্দেশকরণ শিক্ষার্থীদের দক্ষতার নয় বরং অনুপ্রেরণাকেও বিবেচনা করা উচিত।

নির্দেশনাধীন জোর ও কাজের উন্মুক্ততা ভিন্ন চাহিদার মাধ্যমে ফলাফলে পৌঁছায়। Yu, Lin and Chen (2026) একটি 2 x 2 পরীক্ষায় চারটি দলে 320 স্নাতক শিক্ষার্থীকে র‍্যান্ডমাইজ করেন AIGC ছবি-উৎপাদনের কাজে একটি বস্তুনিষ্ঠ রুব্রিকে মূল্যায়ন করা (ICC = 0.89) এবং আবিষ্কার করেন চিন্তা-ভিত্তিক নির্দেশনা, মডেল সীমাবদ্ধতা, সমালোচনামূলক মূল্যায়ন ও নৈতিকতা কভার করে, দক্ষতা-ভিত্তিক প্রম্পট নির্দেশনাকে ছাপিয়ে যায় (M = 9.21 বনাম 7.69, F(1, 316) = 50.79, p < 0.001, partial eta squared = 0.138), খোলা-প্রশ্নের কাজে আরও ব্যাপক ব্যবধান (10.10 বনাম 8.00)। কাঠামোগত মডেল দেখায় দুটি নকশার পছন্দ ভিন্ন পথে যাত্রা করে: নির্দেশনা পরোক্ষভাবে স্বায়ত্তশাসন (beta = 0.035) ও দক্ষতা (beta = 0.079) জুড়ে কাজ করে, যখন কাজের উন্মুক্ততা মূলত স্বায়ত্তশাসন (beta = 0.029) জুড়ে কাজ করে, দক্ষতা ছিল ফলাফলের সবচেয়ে শক্তিশালী পূর্বাভাসক (beta = 0.358) এবং সম্পর্কজ্ঞতার স্বাধীন প্রভাব ছিল না। তাই নির্দেশনা কী ধারণ করে তা শ্রেণীকক্ষে প্রম্পট অনুশীলন পাওয়ার চেয়ে বেশি গুরুত্বপূর্ণ, এবং এটি সবচেয়ে বেশি গুরুত্বপূর্ণ যখন কাজ খোলা-প্রশ্নের।

যেসব ভেরিয়েবল এআই সাক্ষরতাকে ঘিরে আছে সেগুলি এরপর ব্যাপকভাবে ম্যাপ করা হয়েছে। 2025 সালের এআই সাক্ষরতার সহসম্পর্ককারীদের একটি ব্যাপক সমীক্ষা 14টি দেশ জুড়ে 31টি গবেষণা (N = 12,071) সংশ্লেষণ করে এবং আবিষ্কার করে প্রভাবিত ও আচরণগত ব্যান্ডে সবচেয়ে সুসংগত সংযুক্তি: এআই স্ব-দক্ষতা, ইতিবাচক এআই মনোভাব, অনুপ্রেরণা ও ডিজিটাল দক্ষতা সবই এআই সাক্ষরতার সঙ্গে যাত্রা করে, যখন এআই উদ্বেগ ও নেতিবাচক মনোভাব তার বিরুদ্ধে চলে। জনসংখ্যাশাস্ত্রীয় ভেরিয়েবল প্রায় নথিভুক্ত হয়নি, বয়স ও সামাজিক-আর্থিক অবস্থা দুর্বলভাবে বা একেবারেই সেরে না। সমীক্ষার সতর্কতা যন্ত্রবিষয়ক: যে একই গবেষণাগুলি স্ব-মূল্যায়ন থেকে প্রবল সহসম্পর্ক উৎপাদন করে সেগুলি এআই সাক্ষরতা পরীক্ষা করার সময় অনেক দুর্বতর সহসম্পর্কও দেখায়।

একটি চীনা গবেষণা বিশ্ববিদ্যালয়ে 502 জন শিক্ষকের সাড়ে নমুনার একটি গঠনগত-সমীকরণ গবেষণায় এআই সাক্ষরতা এআই সুস্থতার সবচেয়ে শক্তিশালী পূর্বাভাসক পাওয়া যায় (β = 0.713), একটি ছোট প্রযুক্তিগত স্ব-দক্ষতা পথের (β = 0.082) বিপরীতে, যেখানে সামাজিক ও সাংগঠনিক সহায়তা কেবল পরোক্ষভাবে সুস্থতে পৌঁছায় (Liu et al. (2026))।

একটি ভাসমান নেতিবাচক সংযুক্তি নিয়ন্ত্রণের অধীনে বিপরীত হয়: হংকং-এর 303 জন স্নাতকের মধ্যে প্রযুক্তি উদ্বেগ এআই সাক্ষরতার সঙ্গে নেতিবাচকভাবে সেরে (r = −0.14) তবু একটি যৌথ মডেলে β = 0.15 পূর্বাভাসিত করে, একটি প্রভাব যা সমালোচনামূলক মূল্যায়ন ও নৈতিক দক্ষতায় সীমাবদ্ধ (Chow et al. (2026)).

Hu (2026) এআই সাক্ষরতা কী পূর্বাভাসিত করে তার একটি ক্রমগত বিবরণ যোগ করে, বরং কী এটিকে পূর্বাভাসিত করে তা নয়। মূলভূমি চীনে ইতিমধ্যে ChatGPT ব্যবহারকারী 450 বিশ্ববিদ্যালয় শিক্ষার্থীর সমীক্ষায় গবেষণাটি আবিষ্কার করে এআই সাক্ষরতা সরাসরি চলমান ব্যবহারের সঙ্গে সেরে (beta = 0.16, p = 0.002) এবং পরোক্ষভাবে Trust ও একাডেমিক Self-Efficacy জুড়ে একটি ধারাবাহিক পথে (পরোক্ষ প্রভাব = 0.07, 95% CI [0.04, 0.10]), মডেলে সাক্ষরতা থেকে বিশ্বাসের সংযোগই সবচেয়ে বড় সংযুক্তি (beta = 0.50)। এআই উদ্বেগ সেই প্রথম সংযোগকে নিয়ন্ত্রণ করে (মিথস্ক্রিয়া beta = -0.25, উদ্বেগ পরিসরের জুড়ে সরল ঢাল 0.76 থেকে 0.25-এ নামছে), তাই শৃঙ্খলটি আরও উদ্বিগ্ন শিক্ষার্থীদের জন্য পাতলা হয়ে যায় এবং ধরে নেওয়া যায় না যে কেবল সাক্ষরতা নির্দেশকরণই তাদের পর্যন্ত পৌঁছায়। নকশা অনুচ্ছেদ-খণ্ডযুক্ত এবং নমুনা বিদ্যমান ব্যবহারকারীদের মধ্যে সীমাবদ্ধ, তাই ক্রমটি একটি পর্যবেক্ষিত ক্রম নয় বরং একটি মডেলিং অনুমান।

এআই সাক্ষরতার একটি মূল প্রয়োগকৃত লক্ষ্য হলো Reducing AI Misuse: শিক্ষার্থীদের নৈতিক ও উৎপাদনশীলভাবে এআই ব্যবহার করতে শেখানো, তাদের নিজের জ্ঞানাত্মক কাজ-এর বিকল্প স্থাপনের পরিবর্তে। যেখানে এআই সাক্ষরতা এআইকে সমালোচনামূলকভাবে মূল্যায়ন ও ব্যবহারের ক্ষমতা গড়ে তোলে, দুর্নীতি হ্রাস হলো আচরণগত ও কাঠামোগত ফল — সুরক্ষাবেষ্টণযুক্ত সরঞ্জাম নকশা, মূল্যায়ন পুনর্নকশা, এবং শিক্ষামূলক লিভার যেমন স্ক্যাফোল্ডেড প্রথমে-ভাবুন/দ্বিতীয়ত-এআই ক্রম এবং ইচ্ছাকৃত Feedback সহ প্রম্পট অনুশীলন মিলিয়ে। দুটি ধারণা পরস্পরকে শক্তিশালী করে: এআই সাক্ষরতা সেই সমালোচনামূলক মনোভাব সরবরাহ করে যা দুর্নীতি-হ্রাস হস্তক্ষেপগুলি টেকসই করে, যখন দুর্নীতি-হ্রাস প্রমাণ (যেমন ফলাফল–শেখার ফাঁক) প্রেরণা দেয় কেন সাক্ষরতাকে পরিচালনাগত দক্ষতার চেয়ে বিস্তৃত করে সমালোচনামূলক বিচারে যেতে হবে।

সবচেয়ে ছোট শিক্ষার্থীদের জন্য এআই সাক্ষরতাকে বিকাশভিত্তিকভাবে উপযুক্ত রূপ দরকার। AI-Play এআই সাক্ষরতা দক্ষতাগুলিকে প্রি-কে–কে২ শিক্ষার্থীদের জন্য খেলা-ভিত্তিক, আনপ্লাগড কার্যকলাপে অনুবাদ করে — AI Body (অংশ থেকে নির্মিত একটি সিস্টেম হিসেবে এআই), AI Food (উদাহরণ থেকে এআই শেখে), AI Brain (প্যাটার্ন ও প্রতিক্রিয়ার মাধ্যমে এআই উন্নত হয়), এবং একটি পূর্ব/পশ্চাৎ-এআই নৈতিক লেন্স — কৌশলগতভাবে ভিত্তিহীন এআই সাক্ষরতা নির্দেশিকার একটানা অভাব সমাধান করে প্রারম্ভিক শিশু avastha-র জন্য এবং এআই সাক্ষরতাকে অ-প্রযুক্তিগত শিক্ষক ও পরিবার-দের জন্য সুলভ করে তোলে। এর পরিপূরক হিসাবে, Vahedian Movahed & Martin (2025) আবিষ্কার করেন 6–14 বছর বয়সী শিশুরা ব্যাপকভাবে একটি বয়স-উপযোগী চ্যাটবটকে একটি তথ্য উৎস হিসেবে বিশ্বাস করে এবং অধিকাংশই এটিকে "একটি স্মার্ট কম্পিউটার প্রোগ্রাম যা শেখে" হিসেবে মডেল করে (নবজাত Machine Learning বোঝাপড়া), তবু সমালোচনামূলক যুক্তি ও ডিজিটাল-নিরাপত্তা সচেতনতায় ফাঁক দেখায় — প্রমাণ যে কম বয়সী শিক্ষার্থীদের বিশ্বাস তাদের সমালোচনামূলক মূল্যায়ন দক্ষতাকে ছাপিয়ে যেতে পারে, যা শিশুদের জন্য স্পষ্ট Trust Calibration ও নিরাপত্তা নির্দেশকরণকে এআই সাক্ষরতার একটি প্রয়োজনীয় অংশ করে তোলে।

যুব প্রান্তে সেই বিকাশভিত্তিক মোড়ের সঙ্গে সঙ্গে মাপনই ধারাবাহিকতা বজায় রাখছে। Thianwan and Srikoon-এর 2025 সালের উচ্চতর প্রাথমিক শিক্ষার্থীদের জন্য একটি এআই সাক্ষরতা স্ব-মূল্যায়ন প্রশ্নপত্রের বৈধতা নির্ণয় চতুর্থ থেকে ষষ্ঠ শ্রেণির জন্য ১৫-আইটেমের একটি যন্ত্র তৈরি করে, যা এআই সম্পর্কে শেখা, এআই কীভাবে কাজ করে তা সম্পর্কে শেখা, এবং এআই-র সঙ্গে জীবনের জন্য শেখার চারপাশে সংগঠিত, এবং দুই নমুনায় (n = 335 এবং n = 579) একটি তিন-ফ্যাক্টর কাঠামো নিশ্চিত করে, সামগ্রিক Cronbach-এর আলফা .934। লেখকরা এটি উপলব্ধি করা নয় বরং প্রদর্শিত সাক্ষরতার একটি গঠনগত নির্ণায়ক হিসেবে ঘিরে রাখেন, এবং উল্লেখ করেন যে শিশুদের স্ব-মূল্যায়নের নির্ভুলতা এখনও বিকাশমান মেটাকগনিটিভ ক্ষমতার দ্বারা সীমাবদ্ধ।

উপকরণ-ভিত্তিক শেখা একটি বিতরণ প্রক্রিয়া হিসাবে। Zhu & Kong (2026) একটি এআই প্রজেক্ট-ভিত্তিক শেখা (AI-PBLS) স্কেল তৈরি ও বৈধতা নির্ণয় করেন এবং হংকং-এর 1,027 মাধ্যমিক ও বিশ্ববিদ্যালয় শিক্ষার্থীর নমুনায় (446 জন সম্পূর্ণ তথ্য সহ) গঠনগত সমীকরণ মডেলিং ব্যবহার করে দেখান যে সমস্যা সমাধানের জন্য এআই ব্যবহারে সশক্তীকরণ এবং এআই নৈতিক সচেতনতা যৌথভাবে উপলব্ধি করা Project-Based Learning এবং একটি এআই সাক্ষরতা কোর্সের সন্তুষ্টির মধ্যে সম্পর্ককে মধ্যস্থতা করে। এটি PBL-কে কেবল একটি বিতরণ বিন্যাস নয় বরং একটি প্রক্রিয়া হিসেবে স্থাপন করে যা দক্ষতার সঙ্গে শিক্ষার্থীর আত্মবিশ্বাস ও নৈতিক যুক্তি গড়ে তোলে, PBL ও অর্থপূর্ণ এআই সাক্ষরতা বিকাশের মধ্যে সংযোগকে শক্তিশালী করে। এটি ভবিষ্যতের মাপন-এর জন্য একটি বৈধতা প্রাপ্ত মাপকাঠি সরবরাহ করে এআই সাক্ষরতা কোর্স অভিজ্ঞতার।

সাক্ষরতার নৈতিক মাত্রা বাড়ানোর একটি চিহ্ন সমস্যা আছে। 584 জন স্নাতকের মধ্যে যারা নিজেরা এআই শিখেছিল, দক্ষতা নৈতিক সচেতনতা বাড়ায় (β = 0.644, p < .001), এবং নৈতিক সচেতনতা তারপর এআই উদ্বেগ বাড়ায় (β = 0.439, p < .001) বরং তা কমানোর পরিবর্তে, পূর্বাভাসিত দিকের উল্টো (Mu et al. (2026))। লেখকদের নেওয়া শিক্ষা হলো নৈতিক উদ্বেগ কীভাবে শাসিত হয় তা শেখানো অবশ্যই নৈতিক মাত্রার সঙ্গেই আসতে হবে, নয়তো সাক্ষরতা কাজ শিক্ষার্থীদের পেয়েছিল তার চেয়ে বেশি উদ্বিগ্ন রেখে যেতে পারে।

প্রাথমিক বিদ্যালয়ে এআই-সমর্থিত সমালোচনামূলক মিডিয়া সাক্ষরতা। Demir and Akar (2026) জেন-এআই-সমর্থিত সাক্ষরতা নির্দেশকরণের একটি কংক্রিট প্রাথমিক-বিদ্যালয় প্রদর্শন সরবরাহ করেন: একটি 18-ঘণ্টার, 5E-মডেল প্রোগ্রাম চতুর্থ শ্রেণির তুর্কি শিক্ষার্থীদের জন্য যেখানে ChatGPT ও Grammarly ধাপে-ধাপে শিক্ষাগত এজেন্ট হিসেবে স্থাপিত হয়েছিল (প্রতিবিম্বমূলক প্রশ্ন ও প্রশ্নোত্তরের জন্য ChatGPT, বিষয়বস্তু পরিশোধনের জন্য Grammarly ও Canva AI, সহকর্মী প্রতিক্রিয়া-র জন্য Padlet), তুর্কি ভাষা ও সামাজিক অধ্যয়ন পাঠ্যক্রমের সঙ্গে সারিবদ্ধ। এআই-সমর্থিত দল মিডিয়া পড়ায় বড় অর্জন (+3.50), লেখায় (+1.67), এবং সারা মিডিয়া সাক্ষরতায় (+5.17, সবগুলো p < .01) দেখায়, Cohen-এর d = 1.12–1.31-এর দল-মধ্যে প্রভাবের আকার সহ, যখন নিয়ন্ত্রণ দল মাত্র মাঝারিভাবে এগিয়ে যায়। গুণগত বিশ্লেষণ সমালোচনামূলক মিডিয়া সাক্ষরতা বৃদ্ধির ছয়টি ডোমেইন উল্লেখ করে — ডিজিটাল স্ব-সুরক্ষা ও তথ্য গোপনীয়তা, উদ্দেশ্যপূর্ণ ও দায়িত্বশীল মিডিয়া ব্যবহার, নিরাপদ যোগাযোগ ও সীমানা সচেতনতা, সমালোচনামূলক মূল্যায়ন ও ভুল-তথ্য সচেতনতা, অনলাইন ঝুঁকি সচেতনতা, এবং মিডিয়া নৈতিকতা/ডিজিটাল নাগরিকত্ব — প্রমাণ যে বিকাশভিত্তিকভাবে উপযোগী, শৃঙ্খলা-স্থাপিত জেন-এআই ব্যবহার এআই সাক্ষরতার সমালোচনামূলক-মূল্যায়ন ও নৈতিক মাত্রাগুলি গড়তে পারে, কেবল পরিচালনাগত দক্ষতা নয়।

এআই সাক্ষরতা গঠনের জন্য ফ্রেমওয়ার্ক। বেশ কয়েকটি সাম্প্রতিক অবদান এআই সাক্ষরতা গড়ার জন্য গঠনগত অগ্রগতি সরবরাহ করে। Marienko, Markova, and Semerikov (2026) একটি পাঁচ-স্তরের ফ্রেমওয়ার্ক (সচেতনতা, প্রয়োগ, মূল্যায়ন, সৃষ্টি, নৈতিকতা) প্রস্তাব করে যা শিক্ষায় এআই-র তিনটি দৃষ্টান্তের (এআই-নির্দেশিত, এআই-সমর্থিত, এআই-সশক্তীকৃত) সঙ্গে সংহত, ইউক্রেনীয় মাধ্যমিক শিক্ষকদের একটি মিশ্র-পদ্ধতি গবেষণার (জাতীয় সমীক্ষা n = 2018; PD মূল্যায়ন n = 1130) মাধ্যমে বিকশিত। তারা আবিষ্কার করেন 84% শিক্ষক এআই ব্যবহার করেন কিন্তু কেবল 11% ChatGPT-র বাইরে বিশেষায়িত পরিষেবা চিহ্নিত করতে পারেন, এবং একটি পেশাদার-উন্নয়ন হস্তক্ষেপ এআই দক্ষতায় 24% উন্নতি ঘটায় — প্রমাণ যে লক্ষ্যভিত্তিক PD সাক্ষরতাকে সরঞ্জাম-পরিচিতির উপর-স্তরের চেয়ে বিস্তৃত করে অগ্রসর করে। ফ্রেমওয়ার্কের ভিত্তি Constructivism, সংযুক্তিবাদ, এবং TPACK-এ Technological Pedagogical Content Knowledge (TPACK) ও Teacher AI Competency-র সঙ্গে যুক্ত। এর পরিপূরক হিসাবে, Moore et al. (2026) উচ্চ বিদ্যালয় যুবকদের জন্য একটি বিজ্ঞান-সংহত ML পাঠ্যক্রম নকশা করতে একটি যুব ও এআই-বিশেষজ্ঞ পরামর্শক বোর্ডের সঙ্গে দুই বছরের DBR প্রক্রিয়া ব্যবহার করেন, এবং দুই কোর্টে ML-জ্ঞানের অর্জন আবিষ্কার করেন (কোর্ট 2 M2−M1 = 0.175 বনাম কোর্ট 1 0.076) এবং মহিলা ও অ-সাদা অংশগ্রহণকারীদের মধ্যে বড় অর্জন — প্রমাণ যে অংশগ্রহণাত্মক, শৃঙ্খলা-সংহত নকশা এআই সাক্ষরতা ও Equity উভয়কেই অগ্রসর করতে পারে।

2016–2025-এর 39টি STEAM গবেষণার একটি PRISMA পর্যালোচনা আবিষ্কার করে যে সেই বাস্তবায়নগুলি মূলত প্রযুক্তিগত সাক্ষরতা বিকাশ করে — মৌলিক এআই ধারণা, গণনামূলক চিন্তা, তথ্য সাক্ষরতা — যখন নৈতিক সচেতনতা, সৃষ্টিশীল কল্পনা, এবং এআই-র সঙ্গে তৈরি, পরিচালনা ও নকশা কম বিকশিত হয়, তাই শৃঙ্খলা-স্থাপিত ইউনিটগুলি এখনও উচ্চ-ক্রমের উপাদানগুলি মিস করতে পারে (Niri et al., 2026)।

গঠনটি ঠিক সেখানেই বিতর্কিত যেখানে শিক্ষকরা উদ্বিগ্ন। শিক্ষক শিক্ষায় এআই সাক্ষরতার উপর 34টি গবেষণার একটি পর্যালোচনা আবিষ্কার করে যে ক্ষেত্রে ঐকমত্য নেই যে পেশাদার শিক্ষকদের জন্য এআই সাক্ষরতার অর্থ কী সাধারণ ডিজিটাল সাক্ষরতা থেকে ভিন্ন হিসাবে, এবং UNESCO-র শিক্ষকদের জন্য এআই দক্ষতা ফ্রেমওয়ার্ক পাঁচটি মাত্রা জুড়ে 15টি দক্ষতা নির্দিষ্ট করে যখন এটি বাস্তবায়ন নির্দেশিকা নয় বরং একটি বিশ্বব্যাপী নীতি রেফারেন্স হিসেবে কাজ করে। ক্রস-প্রাতিষ্ঠানিক শিক্ষক প্রস্তুতি কল্যাবোরেটরিতে শিক্ষকেরা এআই সাক্ষরতাকে পেশাদার প্রস্তুতি-র একটি সংহত মাত্রা হিসেবে বিবেচনা করেন একটি স্বতন্ত্র প্রযুক্তি দক্ষতার পরিবর্তে, তাই প্রার্থীদের প্রত্যাশা করা হয়েছিল শৃঙ্খলাগত কোর্সওয়ার্কের মধ্যে এআই আউটপুট নিরীক্ষা, তুলনা ও যুক্তি দিয়ে সমর্থন করা, সরঞ্জাম-পরিচিতি প্রদর্শনের পরিবর্তে।

প্রাথমিক শিক্ষক প্রস্তুতি যে জায়গায় কাঠামো সবচেয়ে পাতলা। Pinto et al. (2026) প্রি-সার্ভিস প্রাথমিক গণিত শিক্ষক প্রশিক্ষণে এআই-র 11টি গবেষণা পর্যালোচনা করেন এবং আবিষ্কার করেন নয়টি একক অধিবেশন ছিল বা বিদ্যমান কোর্সে বসানো হাতভর্তি অধিবেশন, প্রম্পট কেবল কয়েকটিতে স্পষ্ট প্রশিক্ষণ বিষয়বস্তু ছিল, এবং Ethics কেবল তিনটিতে উপস্থিত, তাদের কোনোটিতেই স্বচ্ছতা, অ্যালগরিদমিক পক্ষপাত বা জবাবদিহি সম্বোধন করা হয়নি। তারা যে ঝুঁকিগুলি রিপোর্ট করে সেগুলি সাক্ষরতা-স্তরের ব্যর্থতা: প্রি-সার্ভিস শিক্ষকেরা ChatGPT-এর উৎপন্ন ধারণাগত ত্রুটি খেয়াল করেননি, উৎপন্ন বিষয়বস্তু অসমালোচনামূলকভাবে গ্রহণ করেছেন, এবং কাজগুলি কঠিন হলে সমস্যা সমাধানের বেশি অংশ সরঞ্জামে অর্পণ করেছেন। তাদের সুপারিশ হলো এআই দক্ষতা গড়ে তোলা সম্পূর্ণ প্রশিক্ষণ ক্রম জুড়ে, একটি প্রস্তুতিমূলক ধাপ থেকে প্র্যাকটিকামে, একটি বিচ্ছিন্ন মডিউলে নয়।

শিক্ষকেরা কেন এআই শিক্ষা শেখানো হয় তার বিবরণ একটি উদ্দেশ্য স্তর যোগ করে যা দক্ষতা ফ্রেমওয়ার্কগুলি অন্তর্নিহিত রাখে। Fagerlund et al. (2026) প্রি-স্কুল থেকে নবম শ্রেণি পর্যন্ত 13 জন ফিনিশ শিক্ষকের সাথে সাক্ষাতকার করেন, মূলত এআই শিক্ষায় অনভিজ্ঞ, এবং তাদের উদ্দেশ্য বিবৃতিগুলি Biesta-এর তিনটি ডোমেইন জুড়ে পড়েন। যোগ্যতা, দক্ষতার অর্জন, সবচেয়ে স্পষ্ট ও কংক্রিট উদ্দেশ্য ছিল, এবং এটি অন্য দুটিতে প্রবেশের একটি পথ হিসেবে কাজ করেছিল: শিক্ষার্থীদের এআইকে একটি সামাজিক-প্রযুক্তিগত ঘটনা হিসেবে আঁকড়ে ধরা এবং তার সরঞ্জাম ব্যবহার করা উচিত, এআই একটি লক্ষ্য ও শেখার সহায়ক উভয় হিসাবে কাজ করে। সামাজিকীকরণ উদ্দীপনা জন্মাতে, এআইকে "কুল" হিসেবে উপস্থাপন করতে, এবং শিক্ষার্থীদের ভবিষ্যতের এআই-সক্ষম শ্রমিক হিসেবে ফ্রেম করতে দেখা যায় যাদের দক্ষতা চাহিদা মেটাতে হবে। বিষয়ায়ন, স্ব-নির্ধারিত ও ব্যক্তিগতভাবে অর্থপূর্ণ যুক্তি যা Biesta কেন্দ্রীয় হিসেবে বিবেচনা করেন, গুরুত্বপূর্ণ বলা হয়েছিল কিন্তু আলোচনা ও ধ্যান করার বাইরে কোনো কংক্রিট নির্দেশনামূলক রেপার্টোর ছিল না, এবং শিক্ষকেরা এআই-র কর্তৃত্বকে চ্যালেঞ্জ দেওয়ার কোনো কার্যকর উদাহরণ দেননি। লেখকরা তথ্যপূর্ণ এআই এজেন্সি প্রস্তাব করেন, একটি সূত্র যা বিষয়ায়নকে কেন্দ্রে স্থাপন করে যখন দক্ষতাগুলিকে স্ব-নির্ধারিত পছন্দের জন্য ব্যাখ্যামূলক ফ্রেমওয়ার্ক হিসেবে বিবেচনা করে। নকশার প্রভাবিকতা হলো এআই শিক্ষার "কেন"-কে "কীভাবে"-এর মতোই নকশার মনোযোগ দরকার: যখন বিষয়ায়ন সাধারণ আলোচার উপর নির্ভর করে, এআই সাক্ষরতা নির্দেশকরণ সেই যোগ্যতায় ফিরে যায় যার পাশে বসতে ইচ্ছা করছিল।

প্রস্তুতিত্ব নিজেই একটি বিতর্কিত লক্ষ্য। Charles (2026) যুক্তি দেন যে এআই-সমৃদ্ধ শেখার জন্য শিক্ষক প্রস্তুতিত্ব গ্রহণযোগ্যতা, আত্মবিশ্বাস বা ডিজিটাল দক্ষতা নয় বরং শিক্ষকেরা তৈরি নকশার মান থেকে পড়া উচিত, এবং নকশা মধ্যস্থতা চারপাশে একটি ফ্রেমওয়ার্ক গড়েন: পর্যবেক্ষণযোগ্য সিদ্ধান্ত যেমন সরঞ্জাম নির্বাচন, কাজ ও প্রম্পট নকশা, স্ক্যাফোল্ডিং, যাচাইকরণ, স্বচ্ছতা, মূল্যায়ন পুনর্নকশা, সুলভতা পরিকল্পনা ও মানব তত্ত্বাবধান। এর দুটি দাবির সরাসরি পেশাদার-উন্নয়ন পরিণতি আছে। প্রথমত, Self-Efficacy একটি উল্লাস সংস্থান নয় বরং একটি মান সূচক, কারণ আত্মবিশ্বাস এআই-নির্দিষ্ট শিক্ষাগত জ্ঞান বা নৈতিক অভিমুখতা ছাড়া খারাপ নকশাকে ত্বরান্বিত করতে পারে না বরং প্রতিরোধ, যা শিক্ষক আত্মবিশ্বাসের সাধারণ পাঠকতাকে প্রস্তুতির সংকেত হিসেবে যোগ্যতা দেয়। দ্বিতীয়ত, নীতি স্পষ্টতা ও প্রতিষ্ঠানিক সহায়তা আলাদা মধ্যস্থকারী, তাই বস্তুগত সহায়তা উঁচু হতে পারে যখন প্রত্যাশা দ্ব্যর্থক থাকে এবং প্রস্তুতিত্ব এখনও দুর্বলভাবে অনুবাদ হয়। ফ্রেমওয়ার্কটি অ-ব্যবহারকে অপ্রস্তুতিত্বের সঙ্গে সমতা প্রত্যাখ্যান করে, যেহেতু এআই ফিরিয়ে রাখার একটি যুক্তিসঙ্গত সিদ্ধান্ত নিজেই নকশার বিচার প্রদর্শন করতে পারে। এটি ধারণাগত ও অবৈধ, তাই এটি প্রতিষ্ঠিত প্রভাব নয় বরং প্রস্তাব ও প্রমাণ উৎস সরবরাহ করে।

এআই-মিথস্ক্রিয়া সাক্ষরতা: মিথস্ক্রিয়ামূলক মাত্রা। Brunnström and Palmqvist (2026) একটি সংকুচিত, মিথস্ক্রিয়ামূলক দক্ষতা প্রস্তাব করেন — জেন-এআই-র সঙ্গে পুনরাবৃত্ত মিথস্ক্রিয়া মার্ক하기, মূল্যায়ন ও শেখার ক্ষমতা — বিস্তৃত ফ্রেমওয়ার্কগুলিতে প্রয়োগমূলক, মূল্যায়নকারী ও সংহত মাত্রার একটি নির্দিষ্ট বাস্তবায়ন হিসাবে যেমন এআই সাক্ষরতা হেপ্টাগন। তাদের প্রতিবিম্বমূলক প্রদর্শন দেখায় অনুশীলনে এটি কী গঠিত: স্বীকৃতি যে একটি সাবলীল উত্তর নিজের স্কিমার উপরে ছোড়া হয়েছে, সরলীকরণের অনুরোধ, পরিসর সংকুচিত করা, এবং সিস্টেমকে কেন্দ্রীভূত অনুশীলনের দিকে পুনর্নির্দেশ করা। দুটি নকশার পরিণতি অনুসরণ করে — দক্ষতা অসমভাবে বিতরণ, তাই অনির্দেশিত ব্যবহার ইতিমধ্যে আত্মবিশ্বাসী শিক্ষার্থীদের সুবিধা দিতে এবং ফাঁক বৃদ্ধি করতে পারে (Equity), এবং এটি স্পষ্টভাবে শেখানো আবশ্যক নয় বরং ধরা হয়, শিক্ষকরা কভার করে কীভাবে উৎপাদনশীল প্রম্পত গঠন করা যায় এবং কখন সরঞ্জাম ব্যবহার বন্ধ করা হয় (Self-Regulated Learning)।

সমালোচনামূলক এআই সাক্ষরতা: দক্ষতার চেয়ে বিস্তৃত শক্তি ও প্রতিরোধে

জ্ঞানভিত্তির একটি স্বতন্ত্র ধারা এআই সাক্ষরতাকে কেবল দক্ষতা বা সমালোচনামূলক মূল্যায়ন নয় বরং একটি সমালোচনামূলক ও রাজনৈতিক অনুশীলন হিসেবে বিবেচনা করে যা শক্তি, কর্তৃত্ব ও কার জ্ঞান গোনা হয় তদন্ত করে। এটি এআই সাক্ষরতাকে Critical Pedagogy ও Equity-র সঙ্গে যুক্ত করে:

• "এআই প্রতিরোধ" একটি সাক্ষরতা মনোভাব হিসাবে। সমালোচনামূলক এআই সাক্ষরতা (CAIL) এআই প্রতিরোধ অন্তর্ভুক্ত করতে পারে — প্রধান বক্তব্যের অনিবার্যতা ও প্রযুক্তি-সমাধানবাদ প্রত্যাখ্যান, এবং সংলাপ-ভিত্তিক, সহযোগী শিক্ষণ পদ্ধতির মাধ্যমে যৌথ এজেন্সি জন্মানো।(Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI”) এটি শিক্ষাকে এমন একটি স্থান হিসেবে স্থাপন করে যেখানে সম্প্রদায়গুলি বিকল্প ভবিষ্যৎ কল্পনা ও গড়ে, কেবল একটি প্রদত্ত প্রযুক্তিগত আদেশের অভিযোজন নয়।
• সম্প্রদায়-ভিত্তিক জ্ঞানতত্ত্ব। সম্প্রদায়-ভিত্তিক এআই শেখা এআই যুক্তিকে শিক্ষার্থীর জীবিত ও সম্প্রদায়-ভিত্তিক জ্ঞানের উপায়ে ভিত্তি করে, এপিস্টেমিক সূক্ষ্ম-টিউনিং, কর্তৃত্বের পুনর্বিতরণ, ও স্থাপিত বিচারের মাধ্যমে এআই-র এপিস্টেমিক কর্তৃত্ব পুনর্বিতরণ করে।(Community-Based AI Learning: Redistributing Artificial Intelligence's Epistemic Authority in Education)
• সমালোচনামূলক ও নারীবাদী ফ্রেম। সমালোচনামূলক, নারীবাদী তত্ত্ব যুক্তি দেয় যে এআই সাক্ষরতা ন্যায়, প্রতিরোধ, ও সাংস্কৃতিক Sustainability-র শিক্ষণ পদ্ধতির মধ্যে ফ্রেম করা উচিত — জিজ্ঞাসা করা কার জ্ঞান এআই উৎপাদন করে, কে উপকৃত হয়, এবং কে জবাবদিহি করে যখন সিস্টেম ব্যর্থ হয়।(Can we disrupt the momentum of the AI colonization of science education?)
• স্থাপিত পাঠ্যক্রম যন্ত্র। এআই সাক্ষরতা স্থাপিত, সক্রিয় শিক্ষণ যন্ত্রগুলির (যেমন, Situated Learning-এর পর্ব) মাধ্যমে গড়া যেতে পারে যা স্তর জুড়ে এআই দক্ষতা বিকাশ করে, অমূর্ত নির্দেশকরণের মাধ্যমে নয়।(Towards AI literacy: A proposal of a framework based on the Episodes of Situated Learning)
• সৃষ্টিশীল রচনা সমালোচনামূলক এআই সাক্ষরতা শিক্ষণ পদ্ধতি হিসাবে। এআই সাক্ষরতাকে প্রযুক্তিগত জ্ঞান বা ব্যক্তিগত দক্ষতা হিসেবে বিবেচনার পরিবর্তে, শিক্ষার্থীদের জন্য নকশার সুযোগ এআই সম্পর্কে বাস্তব শ্রোতাদের জন্য বার্তা রচনা করার জন্য — একটি Multimodal AI উৎপাদ যেমন একটি পাবলিক সার্ভিস ঘোষণা যা সমালোচনামূলক দক্ষতা একসঙ্গে প্রদর্শন ও যোগাযোগ করে। Burriss et al.'s (2026)-এর শ্রেণিকক্ষ গবেষণায়, 22 জন এগারো শ্রেণির শিক্ষার্থী তাদের নিজের এআই Ethics ইস্যু বাছেন এবং বিদ্যালয় নজরদারি, তথ্যপূর্ণ সম্মতি, ও অ্যালগরিদমিক অভিযোগ সম্পর্কে ভিডিও PSA তৈরি করেন; সাতটি সিনেমা জুড়ে ক্ষতি মানুষের-মেশিন জটিলতা থেকে উদ্ভূত হয়েছিল একটি দুষ্টু সরঞ্জাম নয়, প্লটগুলি এখনও আশা ও Learner Agency-এ বন্ধ হয়েছিল, এবং লেখকরা গল্প বলা ও সমর্থনকে — প্রথাগত মূল্যায়নের প্রতি প্রতিরোধী — সমালোচনামূলক এআই সাক্ষরতা শিক্ষণ পদ্ধতি-র মূল হিসেবে স্থাপন করেন যা শিক্ষার্থী পরিচয়, পছন্দ, ও কণ্ঠস্বর কেন্দ্র করে।("Young Scholar[s] on the Beat": Multimodal Composition as a Form of Critical AI Literacy Pedagogy)
• নিয়ন্ত্রক দক্ষতা, গ্রহণযোগ্যতা নয়। Kim (2026) Higher Education-এ এআই সাক্ষরতাকে নিয়ন্ত্রক দক্ষতা হিসেবে পুনরায় ফ্রেম করে — একাডেমিক কাজের সময় এআই আউটপুট যাচাই, সংশোধন, বেছে নেওয়া, বা প্রত্যাখ্যানের একটি বাস্তবিত অনুশীলন — দেখায় যে মূল্যায়ন ক্ষমতা ও নৈতিক সচেতনতা (কেবল এআই ব্যবহারের ইচ্ছা নয়) সক্রিয়, সমালোচনামূলক যুক্তি পূর্বাভাসিত করে।(From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource)
• একটি সাক্ষরতা দক্ষতা হিসাবে মুখোমুখি প্রতিরোধ স্বীকৃতিকরণ। একটি মূল মূল্যায়নকারী দক্ষতা হলো স্বীকৃতি কখন একটি এআই শিক্ষার্থীর সঙ্গে একমত হচ্ছে বনাম সঠিক হচ্ছে। প্রসঙ্গগত মুখোমুখিতা দেখায় যে এআই সাক্ষরতা ও প্রম্পট প্রশিক্ষণ ব্যবহারকারীর ত্রুটির মুখোমুখি প্রতিফলন কমানে — কিন্তু উপড়ে ফেলে না — এবং মুখোমুখি এআই ব্যবহারকারীদের দ্বারা পছন্দসই কারণ এটি তাদের বোঝা হয়েছে অনুভব করায়। এআই সাক্ষরতা তাই শিক্ষার্থীদের শেখানো আবশ্যক কখন একমততা-নিজের-জন্য কিনা এবং সংশোধনমূলক ঘর্ষণকে মূল্য দিতে, Trust Calibration ও Reducing AI Misuse-র সঙ্গে যুক্ত।
• মূল্যায়ন, কেবল যাচাইকরণ নয়। O'Byrne (2026) আবিষ্কার করেন যে যে শিক্ষার্থীরা কেবল সঠিকতা, বিশ্বাসযোগ্যতা ও প্রাসঙ্গিকতার জন্য আউটপুট যাচাই করে তারা ধারণাগতভাবে চতুর কাজ এখনও গ্রহণ করে, যখন যারা নুয়ান্স, কণ্ঠস্বর ও এপিস্টেমিক মনোভাবও বিচার করে তারা তা পুনর্লিখন করে — "কখন বিচার অর্পণ না করা" কে সাক্ষরতার প্রশ্ন করে তোলে।

এই সমালোচনামূলক ধারাগুলি এআই সাক্ষরতার পরিচালনাগত ও জ্ঞানাত্মক মাত্রাগুলিকে পরিপূরক করে: যেখানে পরেরগুলি জিজ্ঞাসা করে "শিক্ষার্থী কি এআই ব্যবহার ও মূল্যায়ন করতে পারে?", সমালোচনামূলক এআই সাক্ষরতা জিজ্ঞাসা করে "শিক্ষার্থী কি বুঝতে ও চ্যালেঞ্জ করতে পারে সেই শক্তি কাঠামো এআই উন্মোচিত করে?"

STEM শিক্ষায় এআই সাক্ষরতা

STEM শিক্ষা থেকে এআই সাক্ষরতার সবচেয়ে উন্নত শাস্ত্রীয় প্রমাণভিত্তি আসে, এবং Hallström, Chiu, Ding, Koretsky ও Li (2026) এর দশটি সবচেয়ে বেশি উদ্ধৃত গবেষণা (২০২২–২০২৬) সংশ্লেষণ করে দেখিয়েছেন আশার যা এবং তার সীমা। সমগ্র করপাসে এআই সাক্ষরতা ছয়টি পরস্পর-আচ্ছাদিত কনস্ট্রাক্টের মাধ্যমে সংজ্ঞাত — জ্ঞান/দক্ষতা/মনোভাব (Su & Yang 2024), ধারণাগত-পদ্ধতিগত-প্রসঙ্গগত জ্ঞান (Stolpe & Hallström 2024), জানা-বোঝা/ব্যবহার-প্রয়োগ/মূল্যায়ন-সৃষ্টি/নৈতিকতা (Ng et al. 2022), এবং Long ও Magerko-র ব্যবহার–যোগাযোগ–মূল্যায়ন কাঠামো (Hornberger et al. 2023) — তাই ক্ষেত্রের „ধারণাগত দ্ব্যর্থতা“ একটি মাপজোখের সমস্যা: দুটি গবেষণা „এআই সাক্ষরতা“ মূল্যায়ন করতে পারে একই কনস্ট্রাক্ট না মেপেও। দশটির মধ্যে মাত্র দুটিই সম্পূর্ণ কাঠামো দেয়। পর্যালোচনার সবচেয়ে তীক্ষ্ণ আবিষ্কার হল একটি অসমমিতি — করপাস প্রায় পুরোপুরি শিক্ষার্থীদের সাক্ষরতা মাপে, যখন শিক্ষকদের বিকাশে প্রায় কিছুই নেই; একটি ফাঁক যা শিক্ষক-নির্দেশিত এআই সাক্ষরতা হস্তক্ষেপকে অনুমানের উপর প্রতিষ্ঠিত করে দেয় প্রমাণের বদলে, এবং যাকে লেখকেরা শিক্ষকদের নিজস্ব এআই সাক্ষরতার বাস্তব প্রয়োজনতার সাথে সংযুক্ত করেন।(AI Literacy and STEM Education: Emerging Frontiers and Research Priorities)

সেই করপাসে চ্যাটবটের প্রমাণ দক্ষতা-ভিত্তিক প্রশিক্ষণের বিপরীতে। Ding ও সহযোগীরা (২০২৩) দেখিয়েছেন বিশ্ববিদ্যালয় পদার্থবিজ্ঞানে ChatGPT টিউটরিং আত্মবিশ্বাস ও জ্ঞান বাড়িয়েছে কিন্তু „সুপারহিউম্যান ও অচল“ ভুল ধারণা শক্তিশালী করেছে, এবং সিদ্ধান্ত নিয়েছেন এআই সাক্ষরতা শিক্ষা „প্রথমেই তথ্য মূল্যায়নে শিক্ষার্থীদের সমালোচনামূলক চিন্তাভাবনা উন্নত করা“। Xu ও সহযোগীরা (২০২৬) দেখিয়েছেন ChatGPT-সমর্থিত STEM প্রোগ্রামিং আত্মবিশ্বাস ও জ্ঞান বাড়িয়েছে কিন্তু কম্পিউটেশনাল চিন্তাভাবনা ও স্বাধীন চিন্তা অপরিবর্তিত রেখেছে — দক্ষতার লাভ চিন্তার লাভ ছাড়াই। উভয় আবিষ্কার এই পাতার অন্যত্রের Trust Calibration ও অতিরিক্ত নির্ভরতার উদ্বেগ প্রতিফলিত করে: একজন টিউটর য কখনোই শিক্ষার্থীর বিরোধিতা করে না, সে আত্মবিশ্বাসী কিন্তু মূল্যায়ন-অক্ষম শিক্ষার্থী তৈরি করতে পারে। STEM স্নাতক ছাত্রদের মধ্যে প্রকৃত এআই-টুল ব্যবহারের সবচেয়ে শক্তিশালী নির্ধারক প্রস্তুতি বা আত্ম-দক্ষতা নয়, বরং মনোভাব প্রমাণিত হয়েছে (Falebita & Kok 2025), এবং পর্যালোচনা উল্লেখ করে STEM-এর শাস্ত্রীয় আওতায় جীববিদ্যা ও পদার্থবিজ্ঞানের দিকে বাঁকা, প্রযুক্তি বিষয় হিসেবে প্রায় অনুপস্থিত। বিষয়-নির্দিষ্ট পরিকল্পনার জন্য পর্যালোচনার বাস্তব সতর্কতা হল ব্যাপক দক্ষতা কাঠামো (UNESCO, EU/OECD) „প্রায়ই রোগোল কেন্দ্রে গবেষণা বা যথেষ্ঠ তাত্ত্বিক ভিত্তির সাথে সংযোগ অনুপস্থিত“ এবং কয়েকটিই শ্রেণিকক্ষে প্রয়োগযোগ্য।

কার এআই দক্ষতা গোনা হয়? শিক্ষক–নিয়োগকর্তা ফ্রেমিং বিভাজন

এআই সাক্ষরতার একটি মূল উন্মুক্ত প্রশ্ন হলো কোন দক্ষতা গুরুত্বপূর্ণ এবং কার জন্য। HiBob এআই দক্ষতা ফ্রেমওয়ার্কের 26টি দক্ষতা US শিক্ষক ও নিয়োগকর্তারা কীভাবে অগ্রাধিকার দেয় তার তুলনার একটি Ithaka S+R গবেষণা আবিষ্কার করে তারা কেবল একটির গুরুত্বে একমত (এআই-বৃদ্ধিত কাজের জন্য বাস্তবসম্মত প্রত্যাশা নির্ধারণ করা)। শিক্ষকেরা একটি সমালোচনামূলক, দায়িত্বশীল-ব্যবহার অভিমুখতা কে ওজন দেন — এআই-র সীমা স্বীকৃতি, স্বচ্ছতা ও স্বীকৃতি, মানব জবাবদিহি, সক্রিয় আউটপুট পর্যালোচনা — যা স্বীকৃতি, পর্যালোচনা ও তথ্য সাক্ষরতার একাডেমিক মূল্যবোধের সঙ্গেই সারিবদ্ধ। নিয়োগকর্তারা উৎপাদনশীলতা-ভিত্তিক দক্ষতা-কে ওজন দেন — ওয়ার্কফ্লো মূল্যায়ন ও পুনর্নকশা, স্বয়ংক্রিয়তা, এবং মানব–এআই দলগত কাজ — যা দল-ভিত্তিক কর্মস্থল দক্ষতার প্রতিফলন। যেহেতু 26টির মধ্যে কেবল তিনটি দক্ষতা অর্ধেক বা বেশি শিক্ষকদের দ্বারা শেখানো হয়, এবং শেখানো সেগুলি সমালোচনামূলক-ব্যবহার শ্রেণিগুলির দিকে ঝুঁকে, রিপোর্টটি একটি কংক্রিট এআই দক্ষতা ফাঁক চিহ্নিত করে: নিয়োগকর্তারা যেসব সম্পূর্ণ শ্রেণিকে মূল্য দেয় সেগুলি মহাবিদ্যালয় পাঠ্যক্রমে অগ্রাধিকার নয় বরং শেখানো হয় না।(AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently) এই বিভাজন এআই সাক্ষরতাকে একটি বিতর্কিত গঠন হিসাবে ফ্রেম করে — একাডেমিক পরিবেশের জন্য সমালোচনামূলক-ব্যবহার সাক্ষরতা বনাম কর্মসংস্থানের জন্য ওয়ার্কফ্লো-সংহত সাক্ষরতা — একটি টান যা Framing AI Use for Students, Curriculum Design, এবং Workplace Learning-র জন্য প্রাসঙ্গিক।

শিক্ষার্থীদের নিজস্ব মূল্যায়ন একটি সম্পর্কিত কিন্তু ভিন্নভাবে ক্রমগত গল্প বলে। ElSayary and Ragab (2026) 380 জন বিশ্ববিদ্যালয় শিক্ষার্থীর সমীক্ষা করেন, মূলত STEM-নথিভুক্ত ঘন এআই ব্যবহারকারী, এবং আবিষ্কার করেন স্ব-রিপোর্ট করা এআই সাক্ষরতা উপলব্ধি করা কর্মসংস্থান-প্রস্তুতি প্রস্তুতির ব্যাখ্যায় সবচেয়ে বেশি বহন করে: চারটি সাক্ষরতা মাত্রা প্রেক্ষাপট নিয়ন্ত্রণের উপরে ΔR² = 0.554 (p < .001) যোগ করে যার মূল্য কেবল 0.054, এবং সম্পূর্ণ মডেল 60.8% ভিন্নতা পৌঁছায়। সাক্ষরতা সেটের মধ্যে মূল্যায়নকারী মাত্রা সবচেয়ে শক্তিশালী ছিল (বিশ্লেষণ ও মূল্যায়ন, β = 0.286), তারপর প্রভাবিত মাত্রা (মনোভাব & মাইন্ডসেট, β = 0.266), হাতে-কলমে ব্যবহার (β = 0.217) ও ভিত্তিজ্ঞান জ্ঞান (β = 0.187) পিছনে; উপলব্ধি করা ক্যারিয়ার প্রস্তুতি-র জন্য নির্দিষ্টভাবে, কেবল বিশ্লেষণ ও মূল্যায়ন (β = 0.216, p < .001) ও মনোভাব & মাইন্ডসেট (β = 0.192, p = .004) উল্লেখযোগ্যভাবে সংযুক্ত ছিল। Ithaka বিভাজনের বিপরীতে পড়লে, শিক্ষার্থীদের নিজস্ব কর্মস্থল প্রস্তুতির অনুভূতি শিক্ষকদের পছন্দসই সমালোচনামূলক-মূল্যায়ন অভিমুখতার দিকে ঝুঁকে নিয়োগকর্তাদের ওজন দেওয়া ওয়ার্কফ্লো-সংহত দক্ষতার পরিবর্তে। নকশা একটি একক-সেশন স্ব-রিপোর্ট একইভাবে সমান মাঝারিতে (5-এর মধ্যে 4.17 থেকে 4.57) এবং কোনো নিয়োগকর্তা বা কর্মসংস্থান মাপ নেই, তাই যা এটি দেখায় তা স্ব-মূল্যায়িত এআই সাক্ষরতা ও স্ব-মূল্যায়িত কর্মসংস্থান-প্রস্তুতি একসঙ্গে যাত্রা করে, মূল্যায়নকারী ও মনোভাবগত অংশই সবচেয়ে বেশি কাজ করে, নয়তো এই শিক্ষার্থীরা প্রদর্শনযোগ্যভাবে কর্মশক্তি-প্রস্তুত।

Conversational AI ফ্রেমওয়ার্কগুলিতে একটি মূল ফাঁক হিসাবে এআই সাক্ষরতা। কনভার্সেশনাল এআই এজেন্টের উমbrella পর্যালোচনা (Ganguly et al. 2025, 34টি পর্যালোচনা) CAI ফ্রেমওয়ার্কগুলিতে সীমিত এআই সাক্ষরতা সহায়তা কে একটি প্রধান ফাঁক হিসাবে চিহ্নিত করে, এবং তার নৈতিক-ব্যবহার রোডম্যাপ ভিত্তিগত মূল্যায়ন (এআই সাক্ষরতা শক্তিশালীকরণ সহ) কে অংশগ্রহণাত্মক নকশা, নৈতিক-ব্যবহার নির্দেশিকা, এবং জ্ঞানাত্মক প্রভাবের ধারাবাহিক মূল্যায়নের সঙ্গে প্রথম স্তম্ভ করে। এটি আরও আবিষ্কার করে যে CAI সাহিত্যে এআই-সাক্ষরতা, প্রশিক্ষণ ও সচেতনতা সবচেয়ে বেশি জোর দেওয়া নৈতিক দিকগুলির মধ্যে রয়েছে।(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

এআই সাক্ষরতা হস্তক্ষেপ ডিজাইন করা

জ্ঞানভিত্তির ফ্রেমওয়ার্ক ও অভিজ্ঞতামূলক গবেষণা এআই সাক্ষরতা হস্তক্ষেপ গড়তে শিক্ষাবিদ ও নির্দেশনামূলক নকশাকারীদের জন্য ব্যবহারিক নির্দেশিকার একটি সেটে একত্রিত হয়:

এআই সাক্ষরতা হস্তক্ষেপের কার্যকারিতা। 59টি গবেষণার একটি তিন-স্তরের মেটা-বিশ্লেষণ (172টি প্রভাবের আকার, 7,211 জন অংশগ্রহণকারী) এআই সাক্ষরতা হস্তক্ষেপের একটি বড় সামগ্রিক প্রভাব অনুমান করে (g = 0.837, p < .001) — কিন্তু একটি ব্যাপক পূর্বাভাস ব্যবধান [−0.292, 1.966] সহ, তাই কার্যকারিতা পরিবেশ জুড়ে উল্লেখযোগ্যভাবে পরিবর্তিত হয়। পূর্ব এশিয়া ও ইউরোপের হস্তক্ষেপগুলি উত্তর আমেরিকার হস্তক্ষেপগুলিকে ছাপিয়ে যায়, এবং জ্ঞান-কেন্দ্রিক হস্তক্ষেপগুলি দক্ষতা, মনোভাব, বা নৈতিকতা লক্ষ্য করে এমন হস্তক্ষেপগুলিকে ছাপিয়ে যায়। লেখকরা যুক্তি দেন এআই সাক্ষরতা শিক্ষা তাই জ্ঞানের চেয়ে বিস্তৃত করে দক্ষতা, অনুশীলন, নৈতিকতা ও মনোভাবের দিকে যাওয়া উচিত, সংহত ও প্রতিবিম্বমূলক শিক্ষণ পদ্ধতি (প্রজেক্ট ও সমস্যা-ভিত্তিক, তদন্ত-ভিত্তিক, অভিজ্ঞতামূলক) এবং জেন-এআই-সমর্থিত সরঞ্জামগুলির সমর্থনে — একটি স্থানান্তরণ যা এই জ্ঞানভিত্তিতে বর্ণিত Computational Thinking-এর অংশগ্রহণাত্মক, উৎপাদক-ভিত্তিক রূপগুলির সঙ্গেই সারিবদ্ধ।

একটি দ্বিতীয় সংশ্লেষণ একটি সংকুচিত ভিত্তিতে একই মাত্রায় পৌঁছায় এবং মাপনের সমস্যাকে তীক্ষ্ন করে। Yu, Kim, Chang and Huang (2026) 3,837 জন K-12 শিক্ষার্থী কভার করে 16টি গবেষণা থেকে 57টি প্রভাবের আকার একত্র করেন যাদের শেখানো হয়েছিল এআই নিজে নয় বরং এআই দিয়ে, এবং অনুমান করেন Hedges' g = 0.892 (95% CI [0.548, 1.236], p < .001), 0 থেকে 1 পর্যন্ত অনুমানিত পূর্ব-পরবর্তী সহসম্পর্কগুলির কাছে স্থিতিশীল এবং ট্রিম-অ্যান্ড-ফিলে g = 0.952-এ স্থির। 57টি প্রভাবের প্রত্যেকটিই ইতিবাচক (পরিসর 0.16 থেকে 4.93), এবং কোনো মধ্যস্থকারী (প্রকাশনার উৎস, বছর, বিদ্যালয় স্তর) উল্লেখযোগ্য অসঙ্গতিটিকে (I² = 94.68%) ব্যাখ্যা করেনি। লেখকদের পছন্দসই ব্যাখ্যা মাপন: অন্তর্ভুক্ত গবেষণাগুলি এআই জ্ঞান ও নৈতিকতা থেকে মনোভাব, অনুপ্রেরণা, স্ব-দক্ষতা ও ক্যারিয়ার আগ্রহ পর্যন্ত সবকিছুকে "এআই সাক্ষরতা" বলেছিল, তাই একত্রিত সংখ্যাটি একটি স্বতন্ত্র হস্তক্ষেপ নয় বরং একটি ঢিল্লা লেবেলের অধীনে ইতিবাচক ফলাফলের একটি বিতরণ বর্ণনা করে। Liu et al.-র সঙ্গে পাশে পড়লে, দুটি অনুমান একমত হয় যে এআই সাক্ষরতা নির্দেশকরণ কাজ করে এবং অন্য কিছুতে সামান্য একমত, যা নিজেই ক্ষেত্রের মাপনের সংকেত।

ইচ্ছাকৃতভাবে সংক্ষিপ্ত নকশার জন্য শ্রেণিকক্ষ প্রমাণ পাতলা, কিন্তু এটি একই দিকে যায় এবং একটি আচরণ-স্তরের ফলাফল যোগ করে যা সমীক্ষা সরবরাহ করতে পারে না। Clerc et al. (2026) 116 জন ফরাসি শিক্ষার্থীকে (8–9 শ্রেণি) LLM কীভাবে কাজ করে ও ব্যর্থ হয় তার উপর একটি দুই-ঘণ্টার কর্মশালা দেন, এবং এটি অনুশীলনের সঙ্গে জোড়া দেন যে একটি প্রম্পট একটি ব্যবহারযোগ্য উত্তর আহ্বান করবে কি না পূর্বাভাস করা, প্রতিক্রিয়া মূল্যায়ন করা, এবং সংশোধন বা আবার জিজ্ঞাসা করা। দুই দিন পরে, একটি নিয়ন্ত্রণ দলের সঙ্গে ছয়টি LLM-সমর্থিত বিজ্ঞান সমস্যার সময়, প্রশিক্ষিত শিক্ষার্থীরা অপর্যাপ্তভাবে নির্দিষ্ট প্রম্পট কম গ্রহণ করেন (51.5% বনাম 66.7%, OR = 0.47), দুর্বল প্রতিক্রিয়ার পরে অনেক বেশি প্রায়ই অনুসরণ প্রশ্ন জিজ্ঞাসা করেন (59.2% বনাম 27.9%, d = 0.80), এবং উত্তর সঠিকতা প্রম্পট মানের প্রতি আরও সংবেদনশীলভাবে বিচার করেন (মিথস্ক্রিয়া OR = 2.52), একটি মাঝারি স্কোর পার্থক্য সহ (20-এর মধ্যে 11.38 বনাম 10.29, p = .040)। কর্মশালা কখনো পরীক্ষার কাজগুলি অভ্যাস করোয়নি, তাই যা স্থানান্তরিত হয়েছিল তা একটি নিয়ন্ত্রক মনোভাব, কাজের পরিচিততা নয় — এবং লেখকরা স্পষ্ট যে দুই দিন স্থায়িত্ব নয়।

১. একটি গঠনগত দক্ষতা ফ্রেমওয়ার্ক ব্যবহার করুন স্ক্যাফোল্ডিং হিসেবে, একটি তালিকা নয়। পরিণত ফ্রেমওয়ার্কগুলি নকশাকারীদের একটি ভাগ করা অভিধান এবং একটি বিকাশভিত্তিকভাবে ক্রমিত লক্ষ্য দেয়। SAIL ফ্রেমওয়ার্ক এআই সাক্ষরতাকে তিনটি ডোমেইনে (এআই ধারণা; প্রয়োগ ও প্রযুক্তিগত দক্ষতা; এআই ডিজিটাল নাগরিকত্ব) সংগঠিত করে চারটি স্ক্যাফোল্ডেড স্তর জুড়ে — বোঝুন ও অন্বেষণ করুন → প্রয়োগ করুন ও সংহত করুন → মূল্যায়ন করুন ও তৈরি করুন → এআই++। এআই সাক্ষরতা হেপ্টাগন সাতটি মাত্রা (প্রযুক্তিগত জ্ঞান, প্রয়োগ, সমালোচনামূলক চিন্তা, নৈতিকতা, সামাজিক প্রভাব, সংহতি, আইনি/নিয়ন্ত্রক) কে চারটি Bloom-সারিবদ্ধ দক্ষতা স্তরের সঙ্গে ক্রস-কাট করে, এবং জোর দেয় যে গুরুত্ব অবশ্যই শৃঙ্খলাগত প্রসঙ্গে অভিযোজন করা — প্রযুক্তিগত প্রোগ্রামগুলি প্রয়োগকে ওজন দেয়, মানবিক প্রোগ্রামগুলি নৈতিক ও সামাজিক-প্রভাব যুক্তিকে ওজন দেয়।(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

২. শিক্ষার্থীদের ICAP মোড জুড়ে যুক্ত করুন। ICAP Framework প্রয়োগ করে, কার্যকর নির্দেশকরণ শিক্ষার্থীদের একাধিক জ্ঞানাত্মক স্তরে যুক্তির সুযোগ দেয় — নিষ্ক্রিয় প্রকাশ (এআই ধারণা বক্তৃতা), সক্রিয় ম্যানিপুলেশন (হাতে-কলমে সরঞ্জাম ব্যবহার), কনস্ট্রাকটিভ উৎপাদন (এআই নিদর্শন তৈরি করা, স্ব-ব্যাখ্যা করা), এবং ইন্টার‌্যাকটিভ সংলাপ (সহকর্মী ও এআই-র সঙ্গে সহযোগী Problem Solving) — শেখার লক্ষ্যের সঙ্গে মানানসই মোড বেছে নিয়ে। একটি বৈপাঠ্য পর্যালোচনা আবিষ্কার করে যে সফল সহযোগী এআই-সাক্ষরতা হস্তক্ষেপগুলি চারটি ICAP মোডের সব জুড়ে বিস্তৃত।(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

৩. প্রদর্শিত দক্ষতা মূল্যায়ন করুন, স্ব-অনুভূতি নয়। স্ব-রিপোর্ট করা এআই সাক্ষরতা মাপা ফলাফলের থেকে তীক্ষ্ণভাবে বিচ্যুত — শিক্ষকেরা তাদের এআই দক্ষতাকে ~40% অতিরঞ্জিত করে, এবং ফলাফল-ভিত্তিক মাপকাঠি স্ব-রিপোর্টের চেয়ে শ্রেণিকক্ষ এআই সংহতির সঙ্গে অনেক ভালো সেরে (r≈0.72 বনাম 0.31)। হস্তক্ষেপগুলি ফলাফল-ভিত্তিক মূল্যায়ন ও যান্ত্রিকতার চারপাশে নকশা করুন আত্মবিশ্বাস সমীক্ষার পরিবর্তে, এবং লক্ষ্য সমর্থন করতে নির্ণায়ক প্রোফাইল (অতিরঞ্জিতকারী বনাম সত্যিকারের নবিশ) ব্যবহার করুন।(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)

৪. মেটাকগনিটিভ ও সমালোচনামূলক মনোভাব গড়ুন, কেবল পরিচালনাগত দক্ষতা নয়। এআই সাক্ষরতাকে দক্ষতার তালিকার চেয়ে ভালোভাবে মেটাকগনিটিভ সামাজিক অভ্যাস হিসেবে বোঝা যায়: যেহেতু LLM-গুলি সম্ভাব্যতা-নির্ভর ও অস্বচ্ছ, শিক্ষার্থীদের তাদের কৌশল পর্যবেক্ষণ ও অভিযোজন করতে হবে, বৈজ্ঞানিক সংশয় জন্মাতে হবে, এবং তদন্ত করতে হবে অ্যালগরিদমগুলি কীভাবে জ্ঞান উৎপাদন গড়ে — কেবল সরঞ্জাম পরিচালনা শেখা নয়। অংশগ্রহণাত্মক সহ-নকশা ও পরীক্ষামূলক, প্রজেক্ট-ভিত্তিক স্থান (এককালীন সরঞ্জাম প্রশিক্ষণ নয়) এই সচেতনতা বৃদ্ধি পাওয়ার জায়গা।(Metacognitive AI literacy: going beyond the AI skills gap agenda)

৫. সাক্ষরতাকে শৃঙ্খলায় স্থাপন করুন এবং টেকসই করুন। এআই সাক্ষরতার উচ্চতর পর্যায়ের দিকে চলাচল (অসমালোচনামূলক ব্যবহার → তথ্যপূর্ণ ব্যবহার → সমালোচনামূলক মূল্যায়ন → উন্নতি) সবচেয়ে দৃশ্যমান যখন অভিজ্ঞতাগুলি টেকসই ও শৃঙ্খলা-স্থাপিত হয় স্বতন্ত্র কর্মশালা হিসাবে বিতরণের পরিবর্তে। নকশা করুন প্রকৃত কোর্সওয়ার্কের মধ্যে পুনরাবৃত্ত, প্রসঙ্গগত অনুশীলনের জন্য।(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education) শৃঙ্খলা-স্থাপিত সমালোচনামূলক সাক্ষরতার একটি কংক্রিট মডেল হলো Dierickx et al. (2026)-এর সাংবাদিকতার জন্য কাজ-ভিত্তিক ট্যাক্সোনমি: এটি LLM-সমর্থিত কাজগুলিকে খবরের ওয়ার্কফ্লোর চারটি পর্যায় (খবর সংগ্রহ, অর্থ নির্ণয়, সম্পাদনা, প্রকাশ/বিতরণ) জুড়ে ম্যাপ করে, প্রতিটি একটি মূল প্রম্পট এবং একটি ঝুঁকি-ও-লঘুকরণ কৌশলের সঙ্গে যুক্ত। কাজের সংজ্ঞা ও প্রম্পটকে একটি স্থাপিত পেশাদর বিচারের রূপ হিসেবে বিবেচনা করে — একটি নিরপেক্ষ প্রযুক্তিগত দক্ষতা নয় — এটি প্রম্পটকেই সমালোচনামূলক এআই সাক্ষরতার একটি যান (পক্ষপাত, হ্যালুসিনেশন, অতিরিক্ত নির্ভরতা, এবং মানব সম্পাদকীয় তত্ত্বাবধান-এর টেকসই মূল্য) বানায়, এবং এর অন্তর্নিহিত যুক্তি অন্য জ্ঞান-নিবিড় পেশাগুলিতে (আইন, ঔষধ, পাবলিক নীতি) স্থানান্তরিত হয়। এই ধরনের শৃঙ্খলা-নির্দিষ্ট ট্যাক্সোনমির পরিপূরক হিসাবে, Dohn et al. (2026) ট্যাক্সোনমি জেন-এআই শেখার কার্যকলাপগুলি ছয়টি মাত্রা জুড়ে শ্রেণিবদ্ধ করে, যার মধ্যে এপিস্টেমিক যুক্তি (বোঝা / ব্যবহার / সমালোচনা / গঠন জেন-এআই) সরাসরি এআই সাক্ষরতাকে শিক্ষার্থীদের প্রযুক্তির সঙ্গে জ্ঞানাত্মক সম্পর্কের গভীরতা হিসাবে কার্যকর করে — নিষ্ক্রিয় প্রকাশ থেকে সক্রিয় সমালোচনা ও গঠন পর্যন্ত।

৬. সাম্য ও ডিজিটাল বিভাজনকে নকশার সীমাবদ্ধতা হিসেবে বিবেচনা করুন। এআই সাক্ষরতা তিন-স্তরের ডিজিটাল বিভাজন (অ্যাক্সেস, দক্ষতা, ফলাফল) সম্বোধন করার একটি প্রক্রিয়া: ডিভাইস ফাঁক বন্ধ করা অপর্যাপ্ত যদি দক্ষতা ও সমালোচনামূলক ব্যবহার গড়া না হয় যাতে সুবিধা ন্যায্যভাবে বিতরণ হয়। হস্তক্ষেপগুলির স্পষ্টভাবে পরিকল্পনা করা উচিত সেই শিক্ষার্থীদের জন্য যারা কম পূর্ব এআই অ্যাক্সেস নিয়ে প্রবেশ করে, এবং সাক্ষরতাকে সাংস্কৃতিক-নিরপেক্ষ বিবেচনার পরিবর্তে সাংস্কৃতিক ও শাসন দৃষ্টিভঙ্গি অন্তর্ভুক্ত করা উচিত।(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(Digital Divide)

৭. সাক্ষরতাকে দুর্নীতি-হ্রাস লিভারের সঙ্গে জোড়া দিন। যেহেতু এআই দুর্নীতি সক্রিয়ভাবে টেকসই শেখার ক্ষতি করে, সাক্ষরতা নির্দেশকরণ Reducing AI Misuse-র অধীনে নথিভুক্ত কাঠামোগত ও শিক্ষামূলক লিভারগুলির সঙ্গে জোড়া দেওয়া উচিত — সুরক্ষাবেষ্টণযুক্ত "সংকেত-নয়-উত্তর" সরঞ্জাম নকশা, মূল্যায়ন পুনর্নকশা, এবং ইচ্ছাকৃত প্রম্পট অনুশীলন সহ স্ক্যাফোল্ডেড প্রথমে-ভাবুন/দ্বিতীয়ত-এআই ক্রম।

৮. শিক্ষার্থীদের প্রকৃত প্রবেশ বিন্দু থেকে শুরু করুন। শিক্ষার্থীরা স্বতন্ত্র অভিমুখতা নিয়ে প্রবেশ করে — ভয়, অবিশ্বাস, বা অ্যাক্সেসের অভাব দ্বারা চালিত এড়ানো, বনাম ভুল বোঝাবুঝি ঢাকানো অসমালোচনামূলক নির্ভরতা। একটি নির্ণায়ক, পর্যায়-ভিত্তিক পদ্ধতি (একটি একীকৃত পাঠ্যক্রম নয়) নকশাকারীদের শিক্ষার্থীদের যেখানে আছে সেখানে মেলে এবং তাদের সমালোচনামূলক, দায়িত্বশীল যুক্তির দিকে নেয়।(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education)

৯. প্রস্তাব বিস্তৃত করুন আনুষ্ঠানিক শিক্ষা ইতিমধ্যে পৌঁছানো শ্রোতাদের বাইরে। পাবলিক সার্ভিস মিডিয়ার জন্য এআই সাক্ষরতা ফ্রেমওয়ার্ক 40-এর বেশি ফ্রেমওয়ার্কের একটি ভূমিকা পর্যালোচনা এবং 35টি বিশেষজ্ঞ সাক্ষাত্কার থেকে যুক্তি দেয় যে প্রস্তাব প্রযুক্তিগত ও কার্যকরী দক্ষতার দিকে ঝুঁকে আছে, এবং এআই সাক্ষরতাগুলি অভিসারিত হয় এবং ডিজিটাল, মিডিয়া ও তথ্য সাক্ষরতার সঙ্গে যুক্ত হওয়া উচিত একটি স্বতন্ত্র বিষয় হিসাবে শেখার পরিবর্তে। এর গঠন — ছয়টি দক্ষতা ক্ষেত্র, পাঁচটি মূল্যবোধ ও তিনটি অগ্রগতি স্তর (বোঝা ও প্রয়োগ, বিশ্লেষণ ও মূল্যায়ন, সংশ্লেষণ ও বিশেষায়ন) একটি মূল্যায়ন নির্দেশিকা সহ — আনুষ্ঠানিক বিদ্যালয়ের বাইরের সরবরাহকারীদের জন্য একটি ব্যবহারিক টেমপ্লেট, এবং এর সাম্য যুক্তি একটি নকশার নির্দেশনা: ডিজিটালভাবে বা অন্যভাবে প্রান্তিক করা যুবসমাজে পৌঁছানো ইচ্ছাকৃত অংশ partnerships নেয়, বিশ্বব্যাপী প্রকাশ নয়।(Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations)

এআই সাক্ষরতা মাপা

একটি স্বতন্ত্র গবেষণা ধারা এআই সাক্ষরতাকে কেবল নির্দেশকরণের লক্ষ্য নয় বরং একটি মাপার গঠন হিসেবে বিবেচনা করে। জ্ঞানভিত্তির মূল্যায়ন ধারা স্ব-রিপোর্ট করা সাক্ষরতা থেকে ফলাফল-ভিত্তিক সাক্ষরতা আলাদা করে: স্ব-রিপোর্ট প্রদর্শিত দক্ষতা থেকে তীক্ষ্ণভাবে বিচ্যুত (শিক্ষকেরা ~40% অতিরঞ্জিত করে), এবং ফলাফল-ভিত্তিক মাপকাঠি আত্মবিশ্বাস সমীক্ষার চেয়ে শ্রেণিকক্ষ এআই সংহতির অনেক ভালো পূর্বাভাস করে (r≈0.72 বনাম 0.31)। হস্তক্ষেপ কাজ সেই বিচ্যুতি আচরণের স্তরে পুনরুৎপাদন করে: Clerc et al. (2026)-এ, জেন-এআই মনোভাব বা একটি সাধারণ মেটাকগনিটিভ-সচেতনতা স্কেলের কোনোটিই শিক্ষার্থীদের LLM মিথস্ক্রিয়ার নিয়ন্ত্রণ বা তাদের চূড়ান্ত কাজের স্কোর পূর্বাভাস করেনি (r = .01 এবং r = .04, উভয়ই অ-উল্লেখযোগ্য), যখন কর্মশালা যে আচরণগুলি বদলিয়েছিল তা — অপর্যাপ্তভাবে নির্দিষ্ট প্রম্পট প্রত্যাখ্যান, উত্তর সঠিকতা বিচার, একটি অনুসরণ জিজ্ঞাসা করা — উত্তর মানকে ট্র্যাক করেছিল। এই ফাঁক বন্ধ করতে বৈধতা প্রাপ্ত যন্ত্রগুলি আবির্ভূত হচ্ছে — GLAT একটি মেট্রিকভাবে বৈধতা প্রাপ্ত জেনারেটিভ-এআই সাক্ষরতা মূল্যায়ন সরবরাহ করে, এবং নির্ণায়ক প্রোফাইল (অতিরঞ্জিতকারী বনাম সত্যিকারের নবিশ) নকশাকারীদের যেখানে দরকার সেখানে লক্ষ্য সমর্থন করতে দেয়। Guo et al. (2026) সেই যন্ত্র দৃশ্যপট সরাসরি ম্যাপ করে, জানুয়ারি 2014 থেকে ফেব্রুয়ারি 2025-এর মধ্যে প্রকাশিত 80টি বৈধতা প্রাপ্ত ফ্রেমওয়ার্ক পর্যালোচনা করে — 69টি ডিজিটাল সাক্ষরতা ও 11টি এআই সাক্ষরতা। এআই ডিজিটাল সাক্ষরতাকে নৈতিকতার দিকে টেনে নিয়েছে এবং যোগাযোগকে পুনর্নির্মাণ করেছে মানব–এআই মিথস্ক্রিয়া অন্তর্ভুক্ত করতে, যখন মেটাকগনিটিভ নিয়ন্ত্রণ ও শিক্ষক-নির্দিষ্ট মানব–এআই সহযোগিতা সবচেয়ে কম নির্দিষ্ট থাকে। নকশা ও গবেষণার জন্য, এটি এআই সাক্ষরতাকে Educational Measurement ও বিস্তৃতভাবে Assessment-র সঙ্গে বেঁধে দেয়: একটি সাক্ষরতা ফ্রেমওয়ার্ক কেবল ততটুকুই কার্যকর যতটুকু বৃদ্ধি ট্র্যাক করতে ব্যবহৃত যন্ত্রগুলি, এবং পর্যায়-ভিত্তিক ধারাবাহিকতার নির্ভরযোগ্য মাপন দরকার শিক্ষার্থীদের তাদের জুড়ে স্থাপন করতে।

একটি 32-আইটেম ছয়-মুখী যন্ত্র চার-মাত্রার মডেলকে দুটি আরও মুখ (দায়িত্বশীল ব্যবহার ও স্ব-উন্নয়ন) দিয়ে বিস্তৃত করে, এবং কিশোরদের (12–17), যুব প্রাপ্তবয়স্কদের (18–40) ও মধ্যপ্রায় প্রাপ্তবয়স্কদের (41–60) জুড়ে স্কেলার ইনভ্যারিয়েন্স ধরে রাখে, যদিও লেখকরা সতর্ক করেন ΔCFI প্রচলিত সীমার কাছাকাছি পৌঁছেছে (Liu et al. (2026))।

Zhi, Yang and Huang (2026) Marzano-এর ট্যাক্সোনমিতে একটি স্নাতক-নির্দিষ্ট মডেল গড়েন: 14 জন অধ্যাপকের সঙ্গে সাক্ষাত্কারের ভিত্তিত-তত্ত্ব বিশ্লেষণ 329টি কাঁচা লেবেলকে 96টি ধারণা, 15টি শ্রেণি ও পাঁচটি মাত্রায় (জ্ঞানাত্মক ভিত্তি, পরিচালনাগত দক্ষতা, উচ্চ-ক্রম চিন্তা, মেটাকগনিটিভ প্রতিবিম্বন, নৈতিক দায়িত্ব) ঘনীভূত করে, তারপর সেগুলিকে একটি 15-আইটেম Likert স্কেলে কার্যকর করে যার পাঁচটি ফ্যাক্টার এক্সপ্লোরেটরি ফ্যাক্টর বিশ্লেষণে আবির্ভূত হয় (83.14% ক্রমযোজী ভিন্নতা) এবং একটি দ্বিতীয় উপনমুনায় কনফার্মেটরি ফ্যাক্টর বিশ্লেষণে ধরে রাখে (CFI = 0.934, RMSEA = 0.083), 308টি বৈধ প্রশ্নপত্র জুড়ে নির্ভরযোগ্যতা 0.796 থেকে 0.842।

Critical 3wAI Literacy Scale (Bozkurt, Ertan & Cömert, 2026) প্রাপ্তবয়স্ক শিক্ষার্থীদের জন্য একই তিন-অংশের গঠন একটি স্ব-রিপোর্ট যন্ত্র হিসেবে (n = 546 এবং n = 647; χ²/df = 4.93, CFI = 0.931, α = 0.913) বৈধতা নির্ণয় করে। এর Know-How ও Know-Why ফ্যাক্টরগুলি সবচেয়ে ঘনিষ্ঠভাবে যুক্ত হিসাবে বের হয় (HTMT = 0.544), যখন তাত্ত্বিক জ্ঞান একা ব্যবহারিক কার্যকারিতা অনুবাদ করেনি। একটি স্ব-রিপোর্ট মাপকাঠি হিসাবে এটি উপরে নথিভুক্ত বিচ্যুতি সমস্যা ভাগ করে, তাই এটি একটি বৈধতা প্রাপ্ত নির্ণায়ক নয় বরং একটি ফলাফল মাপ — এবং লেখকরা বয়স দল ও সাংস্কৃতিক প্রসঙ্গ জুড়ে পুনর্বৈধতা আহ্বান করেন।

একটি সম্পর্কিত প্রশ্ন হলো যন্ত্রগুলি কী মাপতে পারে তা। Burriss et al. (2026) উল্লেখ করেন যে বিদ্যমান এআই সাক্ষরতা স্কেল ও দক্ষতা ফ্রেমওয়ার্কগুলি ব্যক্তিগতভাবে মাপার ফলাফল অনুমান করে এবং তাই কাঠামোগতভাবে সহযোগী, সৃষ্টিশীল প্রকাশকে বাদ দেয় — তাদের ইউনিটের প্রমাণ ছিল Multimodal AI চলচ্চিত্র নিদর্শন, প্রতিবিম্বন, ও নাগরিক সংলাপ একটি সারসংকলন স্কোর নয়, এবং লেখকরা যুক্তি দেন যে সেই প্রমাণ প্রচলিত মাপকাঠিকে পরিপূরক করতে পারে প্রতিস্থাপন নয়। গঠনকে বিস্তৃত করা তাই মাপ করার অনুমোদনযোগ্য প্রমাণকে বিস্তৃত করা দরকার, বিদ্যমান স্কেলে মোডালিটি-সমৃদ্ধ আইটেম যোগ করার চেয়ে নয়।

একটি পরিপূরক ধারা মাপে কীভাবে শিক্ষার্থী ও শিক্ষকেরা এআই সাক্ষরতা উপকরণ গ্রহণ করে তাদের সাক্ষরতা নিজে নয়। Wang, Chuang and Wu (2026) UNESCO-এর বয়স সীমার (বয়স 9-12 এবং 13-18) সঙ্গে নির্মিত দুইটি গাইডবুক সংস্করণ 794 জন শিক্ষার্থী ও 37 জন শিক্ষককে মূল্যায়ন করায় প্রায় 30 মিনিট নির্দেশিত শ্রেণিকক্ষ প্রকাশের পরে। গ্রহণযোগ্যতা একটি চার-ফ্যাক্টর গঠন ধরে রাখে (ফলাফল প্রত্যাশা, প্রচেষ্টা প্রত্যাশা, উপলব্ধি করা আনন্দদায়কতা, আচরণগত উদ্দেশ্য) দুইটি শিক্ষার্থী সংস্করণ জুড়ে মাপন ইনভ্যারিয়েন্স সমর্থিত সহ, কম বয়সী শিক্ষার্থীরা চারটি গঠনের সব জুড়ে বেশি স্কোর করে, এবং উপলব্ধি করা আনন্দদায়কতা দুই কোর্টেই উদ্দেশ্যের সঙ্গে সবচেয়ে বড় সংযুক্তি বহন করে। লেখকরা এটি কী নয় তা সম্পর্কে স্পষ্ট: একটি বয়স-স্তরযুক্ত সংস্থানের উপলব্ধি করা গ্রহণযোগ্যতা এআই সাক্ষরতা অর্জন নয়, নৈতিক যুক্তি, গ্রহণযোগ্যতা বা টেকসই ব্যবহার নয়, এবং বস্তু-স্তরের গ্রহণযোগ্যতা পড়া যায় না প্রমাণ হিসাবে যে সাক্ষরতা উন্নত হয়েছে।

মাপন সেই শিক্ষকদের ক্ষেত্রেও বিস্তৃত হয় যারা শিক্ষার্থীদের এআই-র সঙ্গে যুক্তিকে মধ্যস্থতা করে। অধিকাংশ এআই-সাক্ষরতা মূল্যায়ন শিক্ষার্থী বা সাধারণ ব্যবহারকারীদের লক্ষ্য করে, শিক্ষক শিক্ষায় একটি ফাঁক রেখে যায় — একটি ফাঁক যা Teachers' AI Literacy Scale (TAILS) সম্বোধন করে: ED-AI ফ্রেমওয়ার্কে প্রতিষ্ঠিত ছয়টি মাত্রা (জ্ঞান, মূল্যায়ন, সহযোগিতা, প্রসঙ্গায়ন, স্বায়ত্তশাসন, ও নৈতিকতা) সহ, এটি এক্সপ্লোরেটরি ও কনফার্মেটরি ফ্যাক্টর বিশ্লেষণ জুড়ে বৈধতা নির্ণয় করা হয়েছিল প্রি-সার্ভিস ভাষা শিক্ষকদের সঙ্গে। এই ধরনের যন্ত্রগুলি সেই শিক্ষকদের এআই সাক্ষরতা মাপনা ও বিকাশকে সমর্থন করে যারা শিক্ষার্থীদের এআই-র সঙ্গে যুক্তিকে মধ্যস্থতা করে। শিক্ষার্থী পক্ষে, Nie et al. (2026) উচ্চ-শিক্ষা শিক্ষার্থীদের জন্য একটি Generative AI Assessment Literacy Scale (GAA-LS) তৈরি ও বৈধতা নির্ণয় করেন — একটি 18-আইটেম, পাঁচ-ফ্যাক্টর যন্ত্র যার স্কোর Feedback যুক্তি, Academic Integrity, ও দায়িত্বশীল এআই ব্যবহারকে ট্র্যাক করে, প্রতিক্রিয়ার মাধ্যমে সততার একটি পরোক্ষ পথ সহ — প্রমাণ যে মূল্যায়ন-নির্দিষ্ট এআই সাক্ষরতা মাপার যোগ্য এবং সততা আচরণের সঙ্গে যুক্ত। সেই শিক্ষক-মুখী যন্ত্র করপাস প্রকৃতপক্ষে কী ধারণ করে তা এরপর নিরীক্ষিত হয়েছে: Zainal, Mohd Matore and Maat-এর 2026 সালের শিক্ষক এআই সাক্ষরতা মাপকাঠির পর্যালোচনা 2019 থেকে 2025-এর মধ্যে প্রকাশিত 33টি যন্ত্র মূল্যায়ন করে এবং আবিষ্কার করে যে 31টি (93.9%) উপলব্ধি করা আত্মবিশ্বাসের স্ব-রিপোর্ট স্কেল ছিল, কেবল দুটি বস্তুনিষ্ঠভাবে জ্ঞান পরীক্ষা করেছিল, এবং কোনোটিই ফলাফল-ভিত্তিক কাজ ব্যবহার করেনি, যখন ন্যায্যতার প্রমাণ সবচেয়ে দুর্বল মানের ডোমেইন ছিল, কেবল পাঁচটি যন্ত্র মাপন ইনভ্যারিয়েন্স বা পৃথক আইটেম কার্যকারিতা রিপোর্ট করে।

2026 সালের সেই মাপন সাহিত্যের আপডেট এটিকে চারটি ডোমেইনে (জ্ঞান ও ব্যবহার, এপিস্টেমিক তত্ত্বাবধান, নির্ভরতা যান্ত্রিকতা, এবং সরঞ্জাম-ব্যবহারকারী এজেন্টের পরিচালনাগত নিয়ন্ত্রণ) পুনর্গঠিত করে, এবং রিপোর্ট করে যে করপাসের কোনো বৈধতা প্রাপ্ত ব্যক্তিগত-স্তরের যন্ত্র সেই সম্পূর্ণ সমন্বয়কে কভার করে না যা পরিধি, অনুমতি, পুনরুদ্ধার, অবস্থা বিচ্ছিন্নতা, স্বাধীন পর্যালোচনা ও প্রমাণ-ভিত্তিক বন্ধ যে এজেন্টিক সরঞ্জাম ব্যবহার দাবি করে। এর তিনটি একই-নমুনার প্রভাব জুড়ে একত্রিত মতির-বস্তুনিষ্ঠ সহসম্পর্ক ছিল r = .055, উপরে বর্ণিত বিচ্যুতির সঙ্গেই সামঞ্জস্যপূর্ণ স্ব-রেটিং একটি ব্যবহারযোগ্য প্রতিনিধি হিসাবে নয় (Verí (2026))।

মাপনের দৃশ্যপট নিজেই অগোছালো, এবং এখন আংশিকভাবে ম্যাপ করার যোগ্য। He, Zhang, Wang and Ji (2026) একটি LLM-ভিত্তিক কোডিং পাইপলাইন দিয়ে এআই সাক্ষরতা যন্ত্র করপাস বিশ্লেষণ করে এবং আবিষ্কার করে ক্ষেত্র একটি লেবেলের অধীনে অনেক গঠন মাপছে — একটি জ্যাংল সমস্যা, একটি গঠন কয়েকটি নাম বহন করছে (আচরণগত প্রতিশ্রুতি বেসেমটি প্রত্যাশিত জোড়ায় উপস্থিত, অন্তঃস্থ অনুপ্রেরণা পাঁচটি), পাশাপাশি প্রার্থী জিঙ্গল কেস যেখানে যন্ত্রগুলি একটি লেবেল ভাগ করে কিন্তু তাদের আইটেম বিষয়বস্তু নয়। আইটেম ও গঠন কাঠামোর তাদের শব্দার্থিক-সাদৃশ্য পুনরুদ্ধার যন্ত্রগুলির নিজস্ব রিপোর্ট করা নির্ভরযোগ্যতার সঙ্গে কেবল মাঝারিভাবে সেরে (আইটেম স্তরে r = 0.49 বনাম গঠন স্তরে 0.45 ও 0.35), এবং তারা পদ্ধতিটি বাছাই হিসাবে সরবরাহ করে বিচারের পরিবর্তে। যে কেউ একটি মাপ বাছাই করার জন্য পরিণতি হলো যে গবেষণা জুড়ে সংযুক্ত দাবিগুলি নিরাপদে অনুমান করা যায় না: একই নামের দুই যন্ত্র একই গঠন কার্যকর নাও করতে পারে।

এই যন্ত্রগুলি কী সমর্থন করতে পারে তা এখন নিরীক্ষিত হয়েছে, এবং নিরীক্ষণটি মতির। Jin, Gašević, Martinez-Maldonado and Yan (2026) 8,056টি রেকর্ড স্ক্রিন করে 47টি স্বতন্ত্র যন্ত্র কভার করে 58টি গবেষণায় নামায়, একটি গঠনের বিপরীতে COSMIN দিয়ে মূল্যায়ন করা যার যন্ত্র-উন্নয়ন উইন্ডো তিন বছরে সংকুচিত হয় (2023-এর আগে দুটি যন্ত্র, কেবল 2025 সালে 28টি)। করপাস 47টির মধ্যে 37টি স্ব-রিপোর্ট থাকে, এবং প্রমাণটি অভ্যন্তরীণ কাঠামোর চারপাশে ঘনিষ্ঠভাবে ঘনীভূত হয়: কাঠামোগত বৈধতা 58টি গবেষণার মধ্যে 32টিতে যথেষ্ট ছিল এবং অভ্যন্তরীণ সুসংগতি 32টিতে কোনোটিই অপর্যাপ্ত রেট করা হয়নি, কিন্তু গঠন বৈধতা কেবল 15টি গবেষণা রিপোর্ট করে (12টি যথেষ্ট), মান বৈধতা একটি দ্বারা, মাপন ইনভ্যারিয়েন্স পাঁচটি দ্বারা (সবই যথেষ্ট), এবং কেবল 2টি 58টির মধ্যে যথেষ্ট সামগ্রিক বিষয়বস্তু-বৈধতা রেটিং অর্জন করে — ব্যাপকতা 53টিতে অপর্যাপ্ত যদিও 43টি গবেষণা জ্ঞানাত্মক সাক্ষাত্কার রিপোর্ট করে। প্যাটার্ন হলো যে মাপন অনুশীলন ঠিক সেখানে জোরালো দেখায় যেখানে প্রদর্শন করা সবচেয়ে সস্তা এবং পাতলা যেখানে প্রমাণ যন্ত্রের বাইরে থেকে আসতে হয়, তাই একটি পরিষ্কার ফ্যাক্টর কাঠামো ও একটি উচ্চ সহগ (যা আইটেম পুনরাবৃত্তির মতোই গঠন প্রতিনিধিত্ব প্রতিফলন করতে পারে) পড়া যায় না প্রদর্শিত ক্ষমতা হিসাবে। লেখকদের নির্দেশ হলো বিস্তার নয় বরং সংহতি: বিদ্যমান স্কেল পরিমার্জিত করুন, ইনভ্যারিয়েন্স পরীক্ষা করুন যখনই একটি ভাষা বা একটি শিক্ষাগত পর্যায় পার হয়, এবং মূল্যবোধ প্রমাণ যোগ করুন স্কোরকে ফলাফল কাজগুলির সঙ্গে সম্পর্ক দিয়ে।

ব্যতিক্রমগুলির একটিটি দল তুলনা করার জন্য নির্মিত। Zhang et al. (2026) Generative AI Literacy Scale (GAILS) বিকাশ করেন — 43টি আইটেম একটি পাঁচ-বিশেষজ্ঞ Delphi পর্যালোচনা ও সাত-ব্যক্তির পাইলটে 34টি হতে হ্রাস করা হয়, তারপর 341 জন উত্তর আমেরিকান প্রাপ্তবয়স্কদের মধ্যে বৈধতা নির্ণয় করা হয় — এবং স্কেলার ইনভ্যারিয়েন্স পরীক্ষা করে, আবিষ্কার করে যে এটি মহিলা ও পুরুষ প্রতিক্রিয়াদাতাদের জুড়ে এবং শিক্ষার্থী ও কর্মশক্তি দলগুলির জুড়ে ধরে রাখে। এটি সেই অর্থের তুলনাগুলিকে লাইসেন্স করে যা যন্ত্রটি রিপোর্ট করে — পুরুষেরা অভিযোজিত পরিচালনাগত দক্ষতায় মাঝারিভাবে বেশি স্কোর করে, শিক্ষার্থীরা অভিযোজিত পরিচালনাগত দক্ষতা ও দায়িত্বশীল জেন-এআই সাক্ষরতায় বেশি — দক্ষতার পার্থক্য হিসাবে পৃথক আইটেম কার্যকারিতা নয়, এবং এটি স্কেলকে Higher Education ও কর্মস্থল পরিবেশে ব্যবহারযোগ্য করে তোলে কেবল-শিক্ষার্থী নয়। এর নিজের প্রমাণ দাগাঘাটানো নয়: ফিট মিশ্র ছিল (CFI = .967 এবং SRMR = .058 প্রচলিত সীমার ভেতরে, RMSEA = .087 তাদের উপরে), মোট-স্কেল α = .973 একটি ব্যর্থ Fornell–Larcker পার্থক্য তুলনার (ফ্যাক্টর 1 √AVE = .828 বনাম ফ্যাক্টর 3-র সঙ্গে r = .873) পাশে বসে, এবং করপাসের প্রায় সবকিছুর মতো, এটি উপলব্ধি করাראהত দক্ষতা মাপে কোনো আচরণগত মান সহ। এই ক্ষেত্রের একটি বৈধতা প্রাপ্ত স্কেল একটি শুরুর বিন্দু যে ইনভ্যারিয়েন্স ও মান কাজ পর্যালোচনা আহ্বান করে, একটি সমাপ্ত Benchmark নয়।

জ্ঞানভিত্তি জুড়ে সংযোগগুলি

এআই সাক্ষরতা এআই টিউটরিং (বোঝা কখন ও কীভাবে এআই শিক্ষক কার্যকর হয়), Teacher AI Competency (শিক্ষক প্রস্তুতি), Academic Integrity (জানা কী উপযুক্ত এআই ব্যবহার গঠন করে), এবং বিস্তৃতভাবে শিক্ষায় কৃত্রিম বুদ্ধিমত্তা-র সঙ্গে ছেদ করে। এটি কার্যকর এআই ব্যবহারের একটি পূর্বশর্ত এবং ভালো নকশা করা এআই সংহতির একটি ফলাফল উভয়ই — শিক্ষার্থীরা এআই সম্পর্কে শেখার দ্বারা নয় বরং সমালোচনামূলকভাবে এআই ব্যবহার করে এআই সাক্ষরতা শেখে।

এআই সাক্ষরতা অতিরিক্ত নির্ভরতার জন্য দ্বিধার্মী: Maizel et al. (2026) আবিষ্কার করেন এআই সাক্ষরতার দক্ষতা-ভিত্তিক মাত্রাগুলি (ব্যবহার করা/বোঝা, শনাক্ত করা) রিপোর্ট করা এআই নির্ভরতার সঙ্গে ইতিবাচকভাবে সংযুক্ত ছিল, যখন এআই Self-Efficacy ও একাডেমিক আত্মবিশ্বাস নেতিবাচকভাবে সংযুক্ত ছিল — তাই প্রযুক্তিগত এআই-সাক্ষরতা প্রশিক্ষণ, স্ব-দক্ষতা ও Self-Regulated Learning স্ক্যাফোল্ড ছাড়া, নির্ভরতা বাড়াতে পারে। এখানে এআই সাক্ষরতা একটি সক্ষম করণ ক্ষমতা হয়ে ওঠে যার দিক পরিপূরক অনুপ্রেরণামূলক সংস্থানের উপর নির্ভর করে।

• যাচাই অভ্যাস কেবল নিয়ন্ত্রণের মাধ্যমে সুদায়। Davor, Larbi and Boateng (2026)-এর ঘানায় 533 জন বিশ্ববিদ্যালয় শিক্ষার্থীর সমীক্ষায়, এআই যাচাই সাক্ষরতার সমালোচনামূলক চিন্তা (beta = .076, p = .090) বা প্রযুক্তিগত Problem Solving (beta = .043, p = .385)-এর কোনোটির উপর উল্লেখযোগ্য সরাসরি প্রভাব ছিল না এবং কেবল মেটাকগনিটিভ স্ব-নিয়ন্ত্রণ (beta = .167, p < .001) জুড়ে গুরুত্বপূর্ণ ছিল, একটি পূর্ণ মধ্যস্থতা যা লেখকরা মেটাকগনিটিভ সক্রিয়করণ বলে। এআই কাজ স্ক্যাফোল্ডিং উভয় ফলাফল পূর্বাভাসিত করেছিল (beta = .185 এবং .170), যখন জ্ঞানাত্মক অফলোডিং প্রবণতা তাদের নেতিবাচকভাবে পূর্বাভাসিত করেছিল (beta = -.240 এবং -.312) এবং নিয়ন্ত্রণকেও হ্রাস করেছিল (beta = -.294)। শিক্ষার্থীদের এআই আউটপুট যাচাই করতে শেখানো তাই নিজে যথেষ্ট নয়: মূল্যায়নকারী অভ্যাসের পরিকল্পনা, পর্যবেক্ষণ ও প্রতিবিম্বন কাজে গড়া দরকার।

• এআই আউটপুটের সমালোচনা একটি সাক্ষরতা অনুশীলন হিসাবে: Hosseini (2026) এআই-উৎপন্ন ত্রুটির মূল্যায়নকে একটি মূল এআই-সাক্ষরতা দক্ষতা হিসেবে বিবেচনা করেন, একটি ডাটাবেস নকশা কোর্সে ব্যর্থতা-মোড বিশ্লেষণ ও পুনরাবৃত্ত প্রম্পট পরিমার্জন ব্যবহার করে। গবেষণাটি আবিষ্কার করে যে শিক্ষার্থীরা তাদের এআই ক্ষমতাকে অতিরঞ্জিত করেছিল (স্ব-রিপোর্ট করা সাক্ষরতা বস্তুনিষ্ঠ দক্ষতার সঙ্গে দুর্বলভাবে, নেতিবাচকভাবে সেরে), এবং যে সমালোচনা-ভিত্তিক শেখা যান্ত্রিকতা শক্তিশালী করেছিল।

• সমাজতান্ত্রিক মানববাদী এআই সাক্ষরতা (2026): একটি সাহিত্য পর্যালোচনা অনুযোগ-ভিত্তিক এআই সাক্ষরতার সমালোচনা করে এবং উচ্চ শিক্ষায় অসমকালীন এআই সাক্ষরতা ও ন্যায্য ব্যবহারের একটি সমাজতান্ত্রিক-মানববাদী ফ্রেমিং প্রস্তাব করে, ঐতিহাসিক ডিজিটাল বিভাজনকে আধুনিক এআই সাক্ষরতার সঙ্গে যুক্ত করে এবং সেই পদ্ধতিগুলির জন্য আহ্বান করে যা যান্ত্রিক নীতি অনুযোগের পরিবর্তে মানব সমৃদ্ধি ও সাম্য পরিবেশন করে (From Mechanical Compliance to Human Flourishing: A Socialist Humanist Approach to Asynchronous AI Literacy and Fair Use in Higher Education)।

• সস্তা, হালকা সতর্কতা এআই যুক্তিকে মুদ্ধত করে — সাধারণ বিশ্বাসের খরচ ছাড়াই। Orchinik and Rand (2026) দুই পরীক্ষা প্রি-রেজিস্ট্রেশন করেন (মোট N = 3,208 US প্রাপ্তবয়স্ক) যেখানে অংশগ্রহণকারীরা রাজনৈতিক বিষয়ে তাদের মতাদেশ বদলানোর নির্দেশ সহ একটি Large Language Models (LLMs)-র সঙ্গে কথোপকথন করেছিলেন। একটি একক সংক্ষিপ্ত সতর্কতা — যে মডেলগুলি যুক্ত করতে প্রম্পট করা যায় এবং তথ্য বেছে নিয়ে উপস্থাপন করতে পারে — নিয়ন্ত্রণের সাপেক্ষে বিশ্বাস পরিবর্তন প্রায় অর্ধেক কাটিয়ে দিয়েছিল (-48.1%, 95% CI [-59.5%, -36.8]), এবং নির্দিষ্ট যুক্ত-কৌশল সতর্কতা যোগ করা আরও কোনো সুবিধা দেয়নি। শিক্ষণের জন্য যে সম্পত্তি গুরুত্বপূর্ণ তা প্রভাবের অন্য দিকে: Generative AI-তে সাধারণ বিশ্বাস পড়েনি, তাই হস্তক্ষেপটি ঢালা সংশয়ের পরিবর্তে যান্ত্রিক বিশ্বাস গড়ে। এটি একটি অনুচ্ছেদ-দীর্ঘ, অনুসরন-ব্যতীত হস্তক্ষেপ, যা একটি এআই সাক্ষরতা নকশার জন্য একটি বিরল খরচ প্রোফাইল।

• সরঞ্জামের নকশার চেয়ে এআই-র শিক্ষার্থী শাসন বেশি গুরুত্বপূর্ণ। Azimi (2026) একটি মাস্টারের তথ্য-বিশ্লেষণ কোর্সে 33 জন শিক্ষার্থীকে র‍্যান্ডমাইজ করেন নোটবুকে বসানো একটি স্ক্যাফোল্ডেড এআই স্টাডি কোচ (n = 16) এবং তাদের বাছাই করা যেকোনো Generative AI সরঞ্জামের (n = 17) সীমাহীন ব্যবহারের মধ্যে সপ্তাহের জন্য। অ্যাসাইনমেন্ট ফলাফল ও ধারণা-সূচকের অর্জন অপ্রত্যয়িত; কোচ অবস্থা বরং উচ্চতর আত্মবিশ্বাস রিপোর্ট করেছিল। যে শিক্ষার্থীদের আলাদা করেছিল তা ছিল অনুশীলনে এআই সাক্ষরতা: যারা কখন এআই ব্যবহার করার জন্য তাদের নিজের নিয়ম তৈরি করেছিল তারা উভয় অবস্থাতেই উচ্চতর স্কোর করেছিলেন, এবং সबচেয়ে গভীর মডেল বোঝাপড়া সহ শিক্ষার্থীরা — তাদের প্রত্যেকেই স্ব-শিক্ষিত — সবচেয়ে ইচ্ছাকৃতভাবে প্রম্পট করেছিল। নকশার প্রভাবিকতা নিয়ন্ত্রণ প্রতিবিম্বের বিপরীতে চলে: এআই সাক্ষরতার স্ব-নিয়ন্ত্রক ও মডেল-বোঝাপড়া উপাদানগুলি শেখান সরঞ্জামগুলি সীমিত করার পরিবর্তে।

যুক্ত ধারণা

• Pedagogical Patterns — এই ক্রমগুলির সমালোচনামূলক-মূল্যায়ন ধাপে বিকশিত
• Learners — শিক্ষার্থী: শিক্ষার্থী-পক্ষের ধারণাগুলির ছাতা
• Generative AI — প্রযুক্তি এআই সাক্ষরতা লক্ষ্য করে
• Large Language Models (LLMs) — এআই সাক্ষরতার কেন্দ্রে সিস্টেমগুলি
• Critical Thinking — মূল মূল্যায়নকারী মনোভাব
• Prompt Engineering — মূল ব্যবহারিক দক্ষতা
• Metacognition — মেটাকগনিটিভ সামাজিক অভ্যাস হিসাবে সাক্ষরতা
• Cognitive Offloading — অতিরিক্ত নির্ভরতার ঝুঁকি সাক্ষরতা প্রতিরোধ করে
• Reducing AI Misuse — সাক্ষরতার আচরণগত ফল
• Academic Integrity — জানা কী উপযুক্ত এআই ব্যবহার গঠন করে
• Self-Assessment — কৌশল ও মাপ উভয় হিসাবে আপনার নিজের কাজ ও দক্ষতা বিচার করা
• Trust Calibration — উপযুক্ত বিশ্বাস যান্ত্রিক করা
• AI Sycophancy — একমততা শনাক্ত করার সাক্ষরতা দক্ষতা
• Equity — সাক্ষরতার ন্যায্য বিতরণ
• Digital Divide — অ্যাক্সেস/দক্ষতা/ফলাফল ফাঁক
• Ethics — নৈতিক সচেতনতা মাত্রা
• Teacher AI Competency — শিক্ষক প্রস্তুতি
• Educational Development — শিক্ষক সাক্ষরতা গড়া
• AI-Assisted Educational Research — এআই-সহায়িত শিক্ষাগত গবেষণা
• K-12 — বিদ্যালয়-স্তরের সাক্ষরতা
• Higher Education — বিশ্ববিদ্যালয়-স্তরের সাক্ষরতা
• Career Development and Readiness — কর্মসংস্থান-প্রস্তুতি ফল এআই সাক্ষরতা গড়তে যুক্তি দেয়
• শিক্ষায় কৃত্রিম বুদ্ধিমত্তা — বিস্তৃত ক্ষেত্র

যুক্ত নিবন্ধ

• Modeling the Relationships Between University Students' AI Competence, AI Ethical Awareness, and AI Anxiety: A Dual-Stage PLS-SEM and ANN Analysis - মোচ্চন ফ্রেমওয়ার্ক ছাড়াই সাক্ষরতার নৈতিক মাত্রা বাড়ানো শিক্ষার্থীদের বেশি উদ্বিগ্ন রেখে যেতে পারে

• Reconceptualizing digital literacy in the AI era: A systematic review of validated frameworks from an ecological perspective — 80টি বৈধতা প্রাপ্ত ফ্রেমওয়ার্ক দেখায় যে নৈতিকতার দিকে ডিজিটাল সাক্ষরতা বিস্তৃত করছে এআই যখন শিক্ষক মানব–এআই সহযোগিতা কম নির্দিষ্ট থাকে (Guo et al. 2026)

• Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations — পাবলিক সার্ভিস মিডিয়ার জন্য ছয়টি দক্ষতা ক্ষেত্র, পাঁচটি মূল্যবোধ ও তিনটি অগ্রগতি স্তর

• The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education — এআই সাক্ষরতা হেপ্টাগন

• Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education — এআই সাক্ষরতার জন্য একটি ব্যবহারিক পাঁচ-স্তরের ধারাবাহিকতা

• Clarifying the Conceptual Landscape in AI Literacy Measurement: A Large Language Model Based Approach — এআই সাক্ষরতা যন্ত্র করপাস ম্যাপ করা: 55টি গঠন, জ্যাংল ও জিঙ্গল জোড়া, LLM-ভিত্তিক কোডিং

• Measuring Artificial Intelligence Literacy: A Systematic Review of Instrument Development, Conceptual Foundations, and Psychometric Quality — 58টি গবেষণা ও 47টি এআই সাক্ষরতা যন্ত্রের COSMIN মূল্যায়ন: বৈধতা প্রমাণ অভ্যন্তরীণ কাঠামোর চারপাশে ঘনীভূত হয় যখন মান, বিষয়বস্তু ও ইনভ্যারিয়েন্স প্রমাণ মূলত অনুপস্থিত থাকে (Jin et al. 2026)

• The Generative Artificial Intelligence Literacy Scale (GAILS): Development, Validation, and Measurement Invariance Across Sex and Occupational Status Groups — GAILS: 341 জন প্রাপ্তবয়স্কদের মধ্যে বৈধতা প্রাপ্ত 34-আইটেম জেন-এআই সাক্ষরতা স্কেল, লিঙ্গ ও শিক্ষার্থী/কর্মশক্তি দল জুড়ে স্কেলার-ইনভ্যারিয়েন্ট (Zhang et al. 2026)

• GLAT: The Generative AI Literacy Assessment Test — GLAT: একটি বৈধতা প্রাপ্ত জেনারেটিভ এআই সাক্ষরতা মূল্যায়ন পরীক্ষা

• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — এআই সাক্ষরতা মূল্যায়ন: স্ব-রিপোর্ট করা বনাম ফলাফল ভুল সারিবদ্ধতা

• Development and validation of the generative AI assessment literacy scale for higher education students — GAA-LS: উচ্চ-শিক্ষা শিক্ষার্থীদের জন্য বৈধতা প্রাপ্ত জেনারেটিভ এআই মূল্যায়ন সাক্ষরতা স্কেল (Nie et al. 2026)

• Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use — এআই সাক্ষরতার চেয়ে বিস্তৃত: দক্ষ জেনারেটিভ-এআই ব্যবহারের মাপের জন্য একটি গঠনগত পর্যালোচনা ও এক্সপ্লোরেটরি মেটা-বিশ্লেষণ

• How AI literacy correlates with affective, behavioral, cognitive and contextual variables: A systematic review — এআই সাক্ষরতা কী-র সঙ্গে সেরে তার একটি বৈপাঠ্য পর্যালোচনা

• Assessing teachers' AI literacy: a systematic review of measurement tools — যে যন্ত্রগুলি শিক্ষক এআই সাক্ষরতা মাপে তার একটি বৈপাঠ্য পর্যালোচনা

• Development of an AI literacy self-assessment questionnaire in upper primary school students — উচ্চতর প্রাথমিক শিক্ষার্থীদের জন্য স্ব-মূল্যায়ন প্রশ্নপত্র

• Metacognitive AI literacy: going beyond the AI skills gap agenda — মেটাকগনিটিভ সামাজিক অভ্যাস হিসাবে এআই সাক্ষরতা

• AI Literacy Interventions in Education: A Meta-Analysis of Effects and Moderators — এআই সাক্ষরতা হস্তক্ষেপ প্রভাবের মেটা-বিশ্লেষণ

• The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education — স্ক্যাফোল্ডেড এআই সাক্ষরতা (SAIL) ফ্রেমওয়ার্ক

• Measuring Acceptance of Age-Tiered AI Literacy Guidebooks: A Developmentally Informed Study of K-12 Students and Teachers — বয়স-স্তরযুক্ত এআই সাক্ষরতা গাইডবুক 794 জন শিক্ষার্থী ও 37 জন শিক্ষকের সঙ্গে মূল্যায়ন: চার-ফ্যাক্টর গ্রহণযোগ্যতা কাঠামো 9-12 ও 13-18 সংস্করণ জুড়ে ইনভ্যারিয়েন্ট, কম বয়সী শিক্ষার্থীরা প্রতিটি গঠনে উচ্চতর

• Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI” — সমালোচনামূলক এআই সাক্ষরতা: শক্তি, প্রতিরোধ, এজেন্সি

• Prompts to Practice: A Pedagogical Framework for Human-Centered AI Engagement — প্রম্পট ইঞ্জিনিয়ারিং থেকে স্বতন্ত্র একটি ভিত্তিগত সাক্ষরতা হিসাবে প্রম্পট সাক্ষরতা: পাঁচ-ধাপের মানব-কেন্দ্রিক জেন-এআই যুক্তি মডেল (Miles, Haber-Curran & Arar 2026)

• The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration — একটি এআই সাক্ষরতা হস্তক্ষেপ হিসাবে প্রসঙ্গগত মুখোমুখিতা

• Understanding Student Dependency on AI: The Role of AI Literacy, Academic Self-Efficacy, and Resource Management Strategies — এআই সাক্ষরতা, স্ব-দক্ষতা ও নির্ভরতা

• Teaching Students to Question the Machine: An AI Literacy Intervention Improves Students' Regulation of LLM Use in a Science Task — একটি দুই-ঘণ্টার কর্মশালা মাধ্যমিক-বিদ্যালয় শিক্ষার্থীদের LLM মিথস্ক্রিয়ার নিয়ন্ত্রণ বদলিয়েছিল, যখন স্ব-রিপোর্ট কিছুই পূর্বাভাস করেনি (Clerc et al. 2026)

• Artificial Intelligence Literacy and Sustainable Development: An Ethical Governance and Development Goals Framework — টেকসই উন্নয়নের জন্য একটি শাসন ক্ষমতা হিসাবে এআই সাক্ষরতা: AIRE ট্যাক্সোনমি ও এআই–SDG সংযোগ (Islam, Morshed & Islam 2026)

• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — ইউক্রেনীয় মাধ্যমিক শিক্ষকদের জন্য পাঁচ-স্তরের এআই সাক্ষরতা ফ্রেমওয়ার্ক (Marienko et al. 2026)

• STEAM Education for AI Literacy: A Systematic Literature Review — এআই সাক্ষরতার জন্য STEAM শিক্ষা: একটি বৈপাঠ্য পর্যালোচনা

• Systematic Review of Collaborative Learning Activities for Promoting AI Literacy — সহযোগী এআই সাক্ষরতা ফ্রেমওয়ার্ক

• Co-Constructing AI Boundaries: Agency, Judgment, and Ethical Literacy in AI-Mediated Meaning-Making — এআই সাক্ষরতাকে পুনরায় ফ্রেম করে কোন ব্যাখ্যামূলক কাজ অর্পণ করা যায় না হিসাবে বিচার

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — এআই যাচাই সাক্ষরতা কেবল মেটাকগনিটিভ স্ব-নিয়ন্ত্রণের মাধ্যমে গুরুত্বপূর্ণ ছিল, যখন জ্ঞানাত্মক অফলোডিং কম সমালোচনামূলক চিন্তা ও সমস্যা সমাধান পূর্বাভাসিত করেছিল (Davor et al. 2026)

• Designing for AI literacy: psychological mechanisms and self-determination — চিন্তা-ভিত্তিক নির্দেশনা দক্ষতা-ভিত্তিক নির্দেশকরণকে একটি বস্তুনিষ্ঠভাবে রেট করা কাজে হারিয়ে দিয়েছিল, স্বায়ত্তশাসন ও দক্ষতা প্রভাব বহন করে (Yu, Lin & Chen 2026)

• Psychological predictors of continued ChatGPT use among university students: the roles of AI literacy, trust, and academic self-efficacy — চলমান ChatGPT ব্যবহারের এআই সাক্ষরতা বিশ্বাস ও একাডেমিক স্ব-দক্ষতার মাধ্যমে চলে, এবং এআই উদ্বেগ প্রথম সংযোগ পাতলা করে (Hu 2026)

• Modeling and measuring graduate students’ generative AI literacy: a study based on Marzano’s taxonomy — স্নাতক জেন-এআই সাক্ষরতার জন্য পাঁচ-মাত্রা Marzano-ভিত্তিক মডেল ও 15-আইটেম স্ব-রিপোর্ট স্কেল (Zhi et al. 2026)

• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — প্রাথমিক গণিত শিক্ষক প্রশিক্ষণে এআই-র এগারোটি গবেষণা, মূলত স্বল্পমেয়াদী, নৈতিকতা কেবল তিনটিতে সম্বোধন করা (Pinto et al. 2026)

• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — বিশ্ববিদ্যালয় রসায়নে যাচাই-কেন্দ্রিক জেন-এআই সংহতি, প্রতিনিধিত্বমূলক অনুবাদ মূল এআই সাক্ষরতা চাহিদা সহ (Vega-Baudrit & Rivera Alvarez 2026)

• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — কে কাজ করে, কে জানে, কে উত্তর দেয়? জেনারেটিভ এআই উচ্চ-শিক্ষা গবেষণায় এজেন্সি, এপিস্টেমিক দায়িত্ব ও জবাবদিহির একটি করপাস-সহায়িত বক্তব্য বিশ্লেষণ

• Bridging the Gap: Investigating Students' Self-Reported AI-Literacy and Perceived Employability Competencies for an AI-Enabled Workforce — স্ব-রিপোর্ট করা এআই সাক্ষরতা উপলব্ধি করা কর্মসংস্থান-প্রস্তুতি প্রস্তুতির 60.8% ব্যাখ্যা করেছিল, মূল্যায়নকারী ও প্রভাবিত মাত্রাগুলি সবচেয়ে শক্তিশালী সহ (ElSayary & Ragab 2026)

• From Competency to Agency: Teachers' Views of the Purposes of AI Education — শিক্ষকদের Biesta-এর যোগ্যতা, সামাজিকীকরণ ও বিষয়ায়নের জুড়ে পড়া এআই শিক্ষার উদ্দেশ্য, এবং তথ্যপূর্ণ এআই এজেন্সি সূত্র (Fagerlund et al. 2026)

• Teacher Readiness-By-Design for AI-Rich Interactive Learning — শিক্ষক প্রস্তুতি গ্রহণযোগ্যতা বা আত্মবিশ্বাস নয় বরং নকশার মান হিসাবে, স্ব-দক্ষতা একটি সংস্থান ও অ-ব্যবহার অপ্রস্তুতিত্ব নয় (Charles 2026)

• The Effects of K-12 Artificial Intelligence Education in Enhancing AI Literacy: A Meta-Analysis — K-12 এআই শিক্ষা এআই সাক্ষরতা বাড়িয়েছিল 57টি ইতিবাচক প্রভাব জুড়ে g = 0.892 একত্রিত সহ, এবং মাপন অসম্মতি অসঙ্গতি ব্যাখ্যা করে (Yu et al. 2026)

• Literacy demands placed on students in student–GenAI entanglements in higher education — সাক্ষরতা চাহিদা শিক্ষার্থী–জেন-এআই এনট্যাঙ্গলমেন্ট ধরনের উপর আলাদা হয়; সহকারী ও এনেবলার রূপগুলি আধিপত্য করে যখন বাকি প্রতিষ্ঠানিক কারণে প্রান্তিক থাকে (Sun, Dohn & Rehm 2026)

• The AI Competence Framework Landscape: A Comparative Analysis of Frameworks for Education and Workforce Development — শিক্ষা ও কর্মশক্তি উন্নয়নের জন্য 16টি এআই দক্ষতা ফ্রেমওয়ার্কের তুলনামূলক বিশ্লেষণ

• A Multidimensional Analysis of AI Literacy Determinants: External Resources, Digital Skills, and Psychological Profile Among University Students — যৌথ নির্ধারক হিসাবে বহিরাগত সংস্থান, ডিজিটাল দক্ষতা ও মনস্তাত্ত্বিক প্রোফাইল, একটি প্রযুক্তি-উদ্বেগ চিহ্ন বিপরীততা সহ

• The Six-Facet Artificial Intelligence Literacy Questionnaire (SFAILQ): Assessing AI Literacy in Adolescents, Young Adults, and Midlife Adults — দায়িত্বশীল-ব্যবহার ও স্ব-উন্নয়ন মুখ যোগ করা ছয়-মুখী যন্ত্র, কিশোর, যুব প্রাপ্তবয়স্ক ও মধ্যপ্রায় প্রাপ্তবয়স্ক জুড়ে স্কেলার-ইনভ্যারিয়েন্ট

• Exploring University Faculty's AI Well-Being: A Structural Equation Model of Social Supports, AI Literacy, and Technological Self-Efficacy — শিক্ষক এআই সুস্থতা, সামাজিক সহায়তা ও এআই সাক্ষরতার একটি গঠনগত সমীকরণ মডেল

• What Does It Mean to Be AI Literate? Psychometric Validation of the Critical 3wAI Literacy Scale — বৈধতা প্রাপ্ত 17-আইটেম স্ব-রিপোর্ট স্কেল তিনটি স্বতন্ত্র এআই-সাক্ষরতা ফ্যাক্টার সহ (কী জানি/কীভাবে জানি/কেন জানি); Know-How ও Know-Why সবচেয়ে যুক্ত (HTMT = 0.544)

• AI Literacy and STEM Education: Emerging Frontiers and Research Priorities — STEM শিক্ষায় এআই সাক্ষরতার দশটি সর্বাধিক উদ্ধৃত গবেষণার সংশ্লেষণ (Hallström সহকারী, 2026)