সহায়তা-সন্ধান

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

সহায়তা-সন্ধান — সহায়তার প্রয়োজন চিনে নেওয়া এবং কৌশলগতভাবে তা চাওয়ার শিক্ষার্থীর প্রক্রিয়া, এবং এআই-সমর্থিত শেখার পরিবেশে সেই প্রক্রিয়া কীভাবে প্রকাশ পায়। শিক্ষায় এআই-তে সহায়তা-সন্ধান কেন্দ্রীয়, কারণ এআই সরঞ্জাম শেখাকে সমর্থন করে নাকি ক্ষয় করে তা নির্ভর করে সহায়তা-সন্ধানের গুণমানের উপর (কখন, কীভাবে ও কী চাওয়া হয়) এবং এআই টিউটর, সংকেত ও শিক্ষাগত এজেন্টগুলো নকশা করা হয় ঠিক যেন উত্তর-সন্ধানের বদলে ফলপ্রসূ সহায়তা-সন্ধান উৎপন্ন হয়।(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)(Warning About AI Fallibility Increases Help-Seeking in an Intelligent Tutoring System)

সক্রিয় উদ্যোগ শেখার উপকরণে কোনো পরিবর্তন ছাড়াই সহায়তা-সন্ধান বাড়াতে পারে। বড়-ভর্তির স্নাতক কোর্সে একটি পূর্ব-নিবন্ধিত পরীক্ষায় শিক্ষার্থীদের একাডেমিক চ্যাটবটের মাধ্যমে বার্তা পাঠানো হয়েছিল এবং টিউটরিং ও সম্পূরক শিক্ষার গ্রহণ বেশি পাওয়া গেছে; মধ্যস্থতা-বিশ্লেষণ গ্রেড-প্রভাবের 17.8% সেই বর্ধিত সহায়তা-সন্ধানের জন্য আরোপ করেছে (p = 0.041) (Let's Chat: Leveraging Chatbot Outreach for Improved Course Performance)।

বিবেচনার প্রশ্ন

• আপনি যখন আটকে যান, তখন কি সরাসরি উত্তর চাওয়ার দিকে ঝোঁকেন, নাকি নিজে বের করার পথ দেখিয়ে দেওয়া দিশা চান? প্রতিটি পছন্দ আপনি আসলে যা মনে রাখেন তার কী করে বলে আপনি মনে করেন?
• গবেষণা দেখায় শিক্ষার্থীরা প্রায়ই এআই দিয়ে শিখতে চায়, কিন্তু শেষ পর্যন্ত উত্তর চেয়ে বসে — একটি 'উদ্দেশ্য-আচরণ ব্যবধান' যা দুর্বল কর্মক্ষমতার সঙ্গে যুক্ত। ভালো উদ্দেশ্য কেন এত সহজে উত্তর-সন্ধানে ভেঙে পড়ে?
• একটি স্থায়ী 'হিন্ট বোতাম' শেখার কাজকে নকল করার ব্যায়ামে পরিণত করতে পারে, কারণ এটি সংকেত দেয় সহায়তা সব সময়ই সেখানে আছে। কোনো সময়ের কথা মনে করতে পারেন যখন সহায়তা খুব সহজে হাতের কাছে থাকায় আপনি দরকারি ভাবনাটি বাদ দিয়েছিলেন?
• একটি গবেষণায় পাওয়া গেছে, কেবল এআই ভুল করতে পারে বলে সতর্ক করলেই শিক্ষার্থীদের সহায়তা-সন্ধান আসলে বেড়েছে। সুস্থ সংশয় কীভাবে বদলে দিতে পারে শিক্ষার্থীরা টিউটরের সঙ্গে কীভাবে যুক্ত হয় — অন্ধ বিশ্বাসের তুলনায়?
• সংগ্রামরত শিক্ষার্থীরাই প্রায়ই অনুরোধ ছাড়া সহায়তা চাওয়ার সম্ভাবনায় সবচেয়ে কম। যদি যাদের সবচেয়ে বেশি সমর্থন দরকার তারাই এগিয়ে না আসে, তবে এআই সরঞ্জাম ও শিক্ষকদের কীভাবে সাড়া দেওয়া উচিত?
• পাতা প্রস্তাব করে সংকেত বিলম্বিত করা এবং নকশার প্রশ্নকে 'কি দেবে' থেকে 'কীভাবে দেবে'-তে সরানো। আপনার শিক্ষার্থীদের জন্য একটি ভালো-নকশা করা সহায়তা-অভিজ্ঞতা কেমন দেখাবে — আর কী তাদের সত্যিই তা গ্রহণ করাবে?

ভূমিকা

সহায়তা-সন্ধান শেখার গবেষণায় একটি সুপ্রতিষ্ঠিত গঠন, নিবিড়ভাবে জড়িত স্ব-নিয়ন্ত্রিত শেখা ও অতিজ্ঞান-এর সঙ্গে: এর জন্য শিক্ষার্থীকে নিজের বোঝাপড়া পর্যবেক্ষণ করতে হয়, একটি ফাঁক চিনতে হয়, সিদ্ধান্ত নিতে হয় সহায়তা দরকার, এবং একটি কার্যকর অনুরোধ গড়তে হয়। জেনারেটিভ এআই টিউটরের উত্থানের সঙ্গে সহায়তা-সন্ধান নতুন গুরুত্ব পেয়েছে — এবং নতুন ব্যর্থতার ধরনও। শিক্ষার্থীরা প্রায়ই এআই দিয়ে শেখার উদ্দেশ্য করে, কিন্তু শেষ পর্যন্ত সরাসরি উত্তর চেয়ে বসে; এই জ্ঞানভাণ্ডারের গবেষণা এই ব্যবধানকে বিভিন্ন ক্ষেত্র ও বয়স-গোষ্ঠী জুড়ে নথিভুক্ত করে। ধ্রুপদী মডেলটি ধরে নেয় কোনো অনুরোধ জিজ্ঞাসকের অজানা জ্ঞানের জন্য। পরিচালনামূলক সমর্থন-চাহিদা এই ধারণাকে জটিল করে: 4,093 কোয়েরি জুড়ে অন্তত 20.4% জ্ঞান চাওয়ার বদলে একটি অমীমাংসিত জমার অবস্থা সম্পর্কে জিজ্ঞাসা করেছে — এমন একটি শ্রেণি যা একটি আহরণ-সীমিত সহায়ক কেবল 1.3% ক্ষেত্রেই পরিবেশন করেছে Gupta প্রমুখ (2026)।(Regulating the AI Tutor: Intentions, Help-Seeking, and Self-Regulated Learning in Adolescent GenAI Use)(Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics)

ফলপ্রসূ বনাম অফলপ্রসূ সহায়তা-সন্ধান

সাহিত্যের কেন্দ্রীয় পার্থক্য হলো শেখাকে সমর্থনকারী আর শেখাকে এড়িয়ে যাওয়া সহায়তা-সন্ধানের মধ্যে।

অফলপ্রসূ সহায়তা-সন্ধান আচরণ

এই জ্ঞানভাণ্ডারের গবেষণা অফলপ্রসূ সহায়তা-সন্ধানের সুনির্দিষ্ট, পর্যবেক্ষণযোগ্য ধরন চিহ্নিত করে, বিশেষত বুদ্ধিদীপ্ত টিউটরিং ব্যবস্থা-য়:

• অকালীন সংকেত-অনুরোধ — কোনো সমাধান-প্রচেষ্টার আগেই সহায়তা চাওয়া। অনিশ্চিত শিক্ষার্থীরাও আগে চেষ্টা করলে বেশি শেখে।(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)
• পৃষ্ঠতল সংকেত-পাঠ — সংকেতগুলো পড়ার জন্য যথেষ্ট ধীরে না এগিয়ে খুব দ্রুত এগিয়ে যাওয়া (প্রায় 4 শব্দ/সেকেন্ড মানদণ্ডে চিহ্নিত), প্রায়ই সোজা নিচের-শেষ সংকেতে লাফিয়ে যাওয়া যা উত্তর প্রকাশ করে।(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)
• শেখা-সন্ধানের বদলে উত্তর-সন্ধান — এআই-কে ব্যাখ্যা বা দিশা দেওয়ার বদলে উত্তর তৈরি করতে বলা। একটি জেনএআই টিউটর ব্যবহার করা 98 জন নবম-শ্রেণির শিক্ষার্থীর গবেষণায় মিথস্ক্রিয়া প্রাধান্যপূর্ণ ছিল উপকরণভিত্তিক অনুরোধে, নিজের শেখার প্রায় কোনো পর্যবেক্ষণ বা মূল্যায়ন ছাড়াই — যদিও শিক্ষার্থীরা আগেই স্ক্যাফোল্ডেড সমর্থন বেছে নিয়েছিল। এই উদ্দেশ্য-আচরণ ব্যবধান নিম্ন পরবর্তী-পরীক্ষার কর্মক্ষমতা ও বেশি অপ্রাসঙ্গিক জ্ঞানীয় ভার-এর সঙ্গে যুক্ত ছিল।(Regulating the AI Tutor: Intentions, Help-Seeking, and Self-Regulated Learning in Adolescent GenAI Use)
• যেকোনো স্বাধীন প্রচেষ্টা বা মানব-উৎসের আগে এআই-এর পরামর্শ নেওয়া। Manikonda প্রমুখ (2026) এই ক্রমটি সরাসরি আগাম নির্ভরতা হিসেবে মাপেন — স্বাধীন চিন্তা, প্রথাগত অনুসন্ধান বা কোনো প্রশিক্ষকের কাছে পৌঁছানোর আগে জেনএআই-এর পরামর্শ নেওয়া — এবং এআই-সম্পর্কিত কোর্সের 118 শিক্ষার্থীর মধ্যে এটি বেশি নেতিবাচক প্রভাবের (β = .402, p = .004) পাশাপাশি একাডেমিক সুবিধার (β = .301, p < .001) সঙ্গে যুক্ত পেয়েছেন। ক্ষতির সঙ্গে সম্পর্ক নিম্ন মূল্যায়ন-সাক্ষরতায় অনুপস্থিত ছিল এবং উচ্চ মূল্যায়ন-সাক্ষরতায় সবচেয়ে শক্তিশালী (b = .688, +1 SD-তে, p < .001), তাই এআই আউটপুট বিচার করতে সবচেয়ে সক্ষম শিক্ষার্থীরাই প্রথমে তার পরামর্শ নেওয়ার সর্বোচ্চ খরচ জানিয়েছে: প্রথমে কাকে জিজ্ঞাসা করবেন — এই পছন্দের একটি নেতিবাচক দিক আছে যা উত্তর মূল্যায়নের দক্ষতা পূরণ করে না। এটি আরও দেখায়, সমস্যা সংগঠিত, মূল্যায়ন ও ভাঙতে এআই ব্যবহার — জ্ঞানীয় নির্ভরতা, আগাম নির্ভরতা নয় — ইতিবাচক প্রভাবের সঙ্গে যুক্ত ধরন, তাই সহায়তা-সন্ধানের ব্যর্থতার ধরনটি ক্রমবিন্যাসের, আদৌ জিজ্ঞাসা করার নয়।
• পুনরুদ্ধার ছাড়া দীর্ঘস্থায়ী জিজ্ঞাসা — জিজ্ঞাসা শুরুতে ফলপ্রসূ, কিন্তু অনির্দিষ্টকাল নয়: সহায়তা-অনুরোধ শুরুর দিকে সবচেয়ে পুনরুদ্ধারযোগ্য অচলাবস্থার ধরন (47.0%), অথচ সহায়তা ব্যর্থ হলে সবচেয়ে বেশি পড়ে যায় (ছয় বা তার বেশি গভীরতায় 12.5%), তাই অনুরোধটি নয়, অধ্যবসায়ই লক্ষণীয় সংকেত Ahtisham প্রমুখ (2026)।
• সংগ্রামরত শিক্ষার্থীরাই অনুরোধ ছাড়া সহায়তা চাওয়ার সম্ভাবনায় সবচেয়ে কম — সহায়তা-সন্ধানের সম্পৃক্ততার দিকটি। দুই বছরের Khanmigo আরসিটি (Oreopoulos ও Low 2026)-তে, বিনামূল্যে প্রবেশাধিকার ও বাধ্যতামূলক অনুশীলন-সময় থাকা সত্ত্বেও মধ্যম সংগ্রামরত শিক্ষার্থী কেবল প্রায় 17% ভুল-অধিবেশনে এআই টিউটরকে বার্তা পাঠিয়েছে, বেশিরভাগই খালি উত্তর বা ক্লিকে — যা শিক্ষা-অর্থনীতির সেই ফলাফলের সঙ্গে সঙ্গতিপূর্ণ যে উদ্যোগ-নির্ভর হস্তক্ষেপ সবচেয়ে কম সেই শিক্ষার্থীদের কাছে পৌঁছায় যাদের সবচেয়ে বেশি উপকার হতো। TWiK (Oreopoulos প্রমুখ 2026) দেখায় গ্রহণ ঘর্ষণ কমানোর প্রতি অত্যন্ত সংবেদনশীল (নথিভুক্তি সরল করার পর প্রথম-অধিবেশের গ্রহণ 45%→83% বেড়েছে), কিন্তু প্রবেশ ≠ চলমান অংশগ্রহণ (উপস্থিতি বিক্ষিপ্তই থেকেছে)।

কেন অফলপ্রসূ সহায়তা-সন্ধান শেখার ক্ষতি করে

অ্যাফোর্ডেন্স দৃষ্টিভঙ্গি একটি মূল প্রক্রিয়া ব্যাখ্যা করে: যখন একটি ইন্টারফেস সহায়তাকে অবিরত ও স্পষ্টভাবে হাতের কাছে রাখে (যেমন, একটি স্থায়ী "হিন্ট বোতাম"), তখন তা শিক্ষার্থীদের জানায় সহায়তা সব সময়ই আছে, যা একটি অনিচ্ছাকৃত অ্যাফোর্ডেন্স তৈরি করে এবং কাজটিকে নকল করার ব্যায়ামে নামিয়ে আনতে পারে। নিচের-শেষ সংকেতে দ্রুত পৌঁছানো শেখার যে সক্রিয় স্কিমা-নির্মাণ দরকার তা এড়িয়ে যায়।(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)

সহায়তা-সন্ধানের গুণমান পরিমাপযোগ্য

দুটি সরল, ব্যাখ্যাযোগ্য সূচক — অকালীন সংকেত-অনুরোধ ও পৃষ্ঠতল সংকেত-পাঠ — প্রথাগত টিউটরিং লগ থেকে গণনযোগ্য এবং সেমিস্টার জুড়ে ধারাবাহিকভাবে শিখন-লাভ কমার সঙ্গে যুক্ত, পূর্বজ্ঞান নিয়ন্ত্রণ করার পরেও। ফলে জটিল মেশিন-লার্নড "সিস্টেম গেমিং" শনাক্তকারীর বিপরীতে এরা লার্নিং অ্যানালিটিক্স ড্যাশবোর্ড ও তাৎক্ষণিক হস্তক্ষেপের জন্য ব্যবহারযোগ্য।(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)

ফলপ্রসূ সহায়তা-সন্ধান এগিয়ে নিতে এআই ব্যবস্থার নকশা

শিক্ষার্থীরা কীভাবে জিজ্ঞাসা করে তার স্ক্যাফোল্ডিং

যুক্তি-কেন্দ্রিক সহায়তা-সন্ধান-এ স্পষ্ট প্রশিক্ষণ — চূড়ান্ত উত্তরের বদলে ধাপে ধাপে সংকেত ও যাচাই চাওয়া — অসমালোচনামূলক নির্ভরতার চেয়ে ভালো ফলাফল দেয়। স্নাতক পরিসংখ্যানের একটি আধা-পরীক্ষামূলক গবেষণায়, দিশাযুক্ত এলএলএম প্রবেশাধিকার (যুক্তি-কেন্দ্রিক সহায়তা-সন্ধানে প্রশিক্ষণসহ) সীমাহীন এলএলএম প্রবেশাধিকারের চেয়ে বেশি স্বাধীন কর্মক্ষমতা ও ভালো স্ব-মূল্যায়ন ক্রমাঙ্কন এনেছে। শিক্ষণীয়: কেবল এলএলএম প্রবেশাধিকার একটি অসম্পূর্ণ হস্তক্ষেপ; নকশার চ্যালেঞ্জ হলো শিক্ষার্থীরা কীভাবে এআই ব্যবহার করবে তার স্ক্যাফোল্ডিং করা, যাতে তা উত্তর-আদায়কারী সরঞ্জামের বদলে যুক্তিসঙ্গী সহযোগী হিসেবে কাজ করে।(Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics)

মিথস্ক্রিয়া-খরচ একই প্রশ্নের অংশ। Rhee প্রমুখ (2026) একটি সন্দর্শন-বাধা ও একটি প্রকাশ-বাধা চিহ্নিত করেন, যা কলম-ভিত্তিক শিক্ষার্থীদের এলএলএম-কে আদৌ কিছু জিজ্ঞাসা করতে দেয় না: কোনো চিত্রের অংশ বা সমীকরণের পদে আঙুল তোলা টাইপ করা গদ্যে প্রকাশ করা যায় না, আর প্রণয়নের পরিশ্রম এসে পড়ে ঠিক যখন প্রশ্নটি সবচেয়ে ভঙ্গুর। তাদের Penquiry ব্যবস্থা কালির দাগকে নথির উপাদানে স্ন্যাপ করে সন্দর্শন মেটায় এবং স্বয়ংসম্পূর্ণতার মাধ্যমেবিক্ষিপ্ত কালি-কীওয়ার্ডকে পূর্ণ কোয়েরিতে প্রসারিত করে; 16 অংশগ্রহণকারীর দুটি পুনরাবৃত্ত গবেষণায় জিজ্ঞাসার জ্ঞানীয় ও শারীরিক ব্যয় উল্লেখযোগ্যভাবে কমেছে। জিজ্ঞাসার কম খরচ ভালো সহায়তা-সন্ধান আনে নাকি কেবল বেশি আনে, তা খোলা রাখা হয়েছে, এবং লেখকেরা সময়-অভিযোজনশীল স্বয়ংসম্পূর্ণতার প্রস্তাব করেন — অধিবেশনের শুরুতে মৌলিক যাচাই, পরে উচ্চতর প্রম্পট — যা কম ঘর্ষণ থেকে ক্রমহ্রাসমান সমর্থন-এর দিকে পথ, স্থায়ী ক্রাচ নয়।

স্ক্যাফোল্ডিং কাজের আগে নয়, কাজের ভেতরেও দেওয়া যায়। Jin প্রমুখ (2026) তৈরি করেছেন HelpCoach, চ্যাট ইন্টারফেসের একটি সংযোজন যা মূল্যায়ন করে শিক্ষার্থী কতটা নির্দিষ্টভাবে সহায়তা চাইছে এবং প্রশ্ন অতটা অস্পষ্ট হলে সংশোধন প্ররোচিত করে, জ্ঞান-উপাদান ও স্ক্যাফোল্ডের ধরন স্পষ্ট করে। ওয়েব প্রোগ্রামিং শেখা 40 কলেজ শিক্ষার্থীর একটি আন্তঃ-দলীয় গবেষণায় HelpCoach অংশগ্রহণকারীরা তাদের প্রথম খসড়ায় উল্লেখযোগ্যভাবে বেশি অনুপাতে নির্দিষ্ট প্রশ্ন লিখেছেন পূর্ব-কাজ-প্রশিক্ষণের ভিত্তির তুলনায় (57.3% বনাম 40.5%) এবং এক সপ্তাহ পরে উল্লেখযোগ্যভাবে বেশি জ্ঞান ধরে রেখেছেন (d = 1.100), অথচ তৃতীয় কাজে নির্দিষ্টতার পার্থক্য আর তাৎপর্যপূর্ণ ছিল না (43.7% বনাম 32.1%)। লেখকেরা সতর্ক করেন, ধারণ-লাভটি এখনও বেশি লক্ষ্যভিত্তিক চ্যাটবট উত্তরের জন্য আরোপ করা যায় না।

জিজ্ঞাসার খরচের তৃতীয় লিভার হলো সহায়তা কোথা থেকে আসে। Gray ও Hobbs (2026) তৈরি করেছেন Beacon, একটি কোর্স-নির্দিষ্ট আহরণ-বর্ধিত সহায়ক যা একটি প্রোগ্রামিং মডিউলের অনুমোদিত উপকরণে ভিত্তি করে, এবং 15 কম্পিউটিং শিক্ষার্থী ও চার শিক্ষাবিদের সঙ্গে তা মূল্যায়ন করেছেন। 89% অংশগ্রহণকারী এর উত্তরকে কোর্স-উপকরণের সঙ্গে অত্যন্ত সংগতিপূর্ণ রেট করেছেন এবং 66.7% বলেছেন এটি তাদের শেখাকে প্রতিস্থাপনের বদলে সমর্থন করেছে, যদিও কেবল প্রায় অর্ধেক থেকে 60% বোঝাপড়া বা আত্মবিশ্বাসে লাভ জানিয়েছেন। প্রেরণা হলো সেই বাধা যা এই অংশ নথিভুক্ত করে: ওই শিক্ষার্থীদের 62.5% বলেছেন তারা মাঝে মাঝে প্রয়োজন হলেও সহায়তা চাওয়া এড়িয়ে গেছেন এবং 75% জানিয়েছেন কোনো বিষয় বুঝতে না এলে উদ্বেগ হয়, তাই একটি ব্যক্তিগত, মডিউল-ভিত্তিক চ্যানেল শিক্ষকের কাছে যাওয়ার আগের প্রথম ধাপ হিসেবে দেওয়া হয়। সাক্ষাৎকার নেওয়া শিক্ষাবিদেরা পাল্টা-যুক্তিটি জীবিত রেখেছেন — তারা মূল্য দিয়েছেন যে Beacon পূর্ণ সমাধান আটকে রাখে এবং উদ্বিগ্ন ছিলেন যে সীমাহীন সরঞ্জাম শিক্ষার্থীদের একটি বিকাশ-পর্যায় বাদ দিতে দেয় — এ কারণেই নকশাটি কাজটি সম্পূর্ণ করতে অস্বীকার করে নিজের স্থান অর্জন করে।

স্বচ্ছতার মাধ্যমে বিশ্বাস ক্রমাঙ্কন

252 শিক্ষার্থীর একটি শ্রেণিকক্ষ-পরীক্ষায় পাওয়া গেছে, এআই-এর ভুলপ্রবণতা নিয়ে শিক্ষার্থীদের সতর্ক করা একটি গণিত টিউটরিং ব্যবস্থায় সহায়তা-সন্ধান বাড়িয়েছে। সম্ভাব্য ব্যবস্থা-ত্রুটি নিয়ে স্বচ্ছতা শিক্ষার্থীদের ব্যবস্থার সঙ্গে সম্পৃক্ততা উন্নত করেছে — যা সহায়তা-সন্ধানকে বিশ্বাস ক্রমাঙ্কন ও হ্যালুসিনেশন ঝুঁকি-এর সঙ্গে যুক্ত করে।(Warning About AI Fallibility Increases Help-Seeking in an Intelligent Tutoring System)

সংকেত ও স্ক্যাফোল্ড প্রদান নতুন করে ভাবা

সহায়তা সরিয়ে ফেলার বদলে গবেষণা সুপারিশ করে তা কীভাবে দেওয়া হয় তা নতুন করে প্রকৌশল করা:

• বিলম্বিত সংকেত-প্রাপ্যতা — সংকেত (বিশেষত নিচের-শেষ সংকেত) পাওয়ার আগে ন্যূনতম সম্পৃক্ততা-সময় বা সমাধান-প্রচেষ্টা বাধ্যতামূলক করা।(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)
• ক্রমহ্রাসমান মই যত উঁচুতে ওঠে তত কম চড়া হয়। CoMeT-এ, একটি টিউটর যা প্রতিটি উত্তরহীন সিদ্ধান্তে এক ধাপ উপরে উঠত এবং শিক্ষার্থী তা গ্রহণ করলে এক ধাপ নিচে নামত, 515 কোডেড ক্রমহ্রাসন-অধিবেশনের মধ্যে কেবল 282টি উত্তরের পর এসেছে: প্রথম জিজ্ঞাসার পর গ্রহণ 37.0% আর তৃতীয় জিজ্ঞাসার পর 21.8% (Hou প্রমুখ (2026))। তাই সহায়তা বিলম্বিত করা নির্ভর করে এমন শিক্ষার্থীর উপর যে প্রম্পটের উত্তর দিতে থাকে, আর মাপা ক্ষয় মানে স্ক্যাফোল্ডের পরের ধাপগুলো আটকে থাকা অল্প কিছু শিক্ষার্থীর কাছেই পৌঁছায়।
• 'কি দেবে' থেকে 'কীভাবে দেবে'-তে যাওয়া — মূল নকশা-প্রশ্ন হলো ফলপ্রসূ-সংগ্রামের নীতির সঙ্গে সংগতিপূর্ণভাবে সংকেত প্রদান কীভাবে গঠন করা যায়, সংকেত আদৌ দেবেন কি না তা নয়।(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)
• বার্তার দৈর্ঘ্যই সেই লিভার যা প্রদান-গবেষণা সত্যিই মেপেছে। একটি চলমান প্রোগ্রামিং কোর্সে, দীর্ঘতর এলএলএম সংকেত পরবর্তী-জমার সঠিকতার দুর্বলতা, বেশি অবশিষ্ট প্রচেষ্টা ও ধীর পুনরায়-জমা পূর্বাভাস দিয়েছে, প্রতি মান-বিচ্যুতিতে 204.9 অক্ষর, 14,809 শিক্ষার্থী-ব্যায়াম জোড়া জুড়ে (Mihaylova প্রমুখ, 2026)। পাঠযোগ্যতা প্রায় কোনো ফলাফল নড়ায়নি, তাই কঠিনতার চেয়ে আয়তনই বেশি গুরুত্বপূর্ণ ছিল।
• একই কোর্স-অংশে পূর্ববর্তী সংকেত একীভূত ধাপে নিম্ন সাফল্যের সঙ্গে সম্পর্কিত ছিল। একটি প্রকল্পের আগের ধাপে প্রতিক্রিয়া পাওয়া শিক্ষার্থীরা তাদের চূড়ান্ত ধাপ 95.6% ক্ষেত্রে সমাধান করেছে, যেখানে না-পাওয়া শিক্ষার্থীদের ক্ষেত্রে তা 98.1%, লগ-অডস সহগ −1.096 (Mihaylova প্রমুখ, 2026)। লেখকেরা এটিকে ক্ষতি হিসেবে পড়েন না, কারণ সংকেত-অন্বেষী শিক্ষার্থীরা সম্ভবত সেখানেই সংগ্রাম করত, যা এই পাতার তোলা পর্যবেক্ষণ-প্রশ্ন।

এলএলএম টিউটরে গ্রহণের সমস্যা

বাস্তব-জগতের শিক্ষার্থীরা প্রায়ই একটি চ্যাটবট-এর স্ক্যাফোল্ডিং এড়িয়ে যান — ক্ষতিকরভাবে নয়, বরং প্রায়ই চ্যাটবটের শিক্ষাগত কাঠামো ও শিক্ষার্থীর নিজের শেখার লক্ষ্যের মধ্যে অসঙ্গতির কারণে। তাই মূল্যায়ন-পাইপলাইনকে কেবল এটা মাপা যায় না যে টিউটর স্ক্যাফোল্ড করে কি না, বরং শিক্ষার্থীরা সেই স্ক্যাফোল্ডিং গ্রহণ করে কি না — ধরে নেওয়া যায় না যে করবে।(Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments)

• ঐচ্ছিক সহায়তা-বোতামে কেউ ক্লিক করে না। তিনটি পঞ্চম-শ্রেণির শ্রেণিকক্ষে শিক্ষার্থীরা প্রায় কখনও সেই সহায়ক-এজেন্টকে ডাকেনি যা নকশা এজেন্সি রক্ষার জন্য ইচ্ছাকৃতভাবে ঐচ্ছিক রেখেছিল; বরং শিক্ষককেই ডেকেছে, আর যে বিভ্রান্তির জন্য এটি তৈরি তারই স্থায়িত্ব থেকেছে (Humburg প্রমুখ, 2025)।

সহায়তা-সন্ধান ও স্ব-নিয়ন্ত্রিত শেখা

সহায়তা-সন্ধান স্ব-নিয়ন্ত্রিত শেখা-র অবিচ্ছেদ্য অংশ: ফলপ্রসূ সহায়তা-সন্ধানের জন্য শিক্ষার্থীকে বোঝাপড়া পর্যবেক্ষণ করতে হয়, কখন সহায়তা দরকার তা বিচার করতে হয়, এবং উপযুক্ত উৎস বাছতে হয়। জেনএআই প্রেক্ষাপটে এটি আরও দাবিদার হয়ে ওঠে, কারণ শিক্ষার্থীকে এআই-এর উপর এজেন্সি প্রয়োগ করতে হয় এবং তার কাছে নতিস্বীকারের বদলে জ্ঞানতাত্ত্বিক সতর্কতা ধরে রাখতে হয়। এই জ্ঞানভাণ্ডারের গবেষণা এমন স্ক্যাফোল্ড-এর প্রয়োজন সমর্থন করে যা আরও এজেন্টিক ও জ্ঞানতাত্ত্বিকভাবে সক্রিয় এআই-ব্যবহার উৎসাহিত করে, এবং অতিনির্ভরতা ও জ্ঞানীয় বোঝাই-এর ঝুঁকি তুলে ধরে যখন সহায়তা-সন্ধান নিঃশর্ত উত্তর-সন্ধানে ক্ষয়ে নেমে আসে।(Regulating the AI Tutor: Intentions, Help-Seeking, and Self-Regulated Learning in Adolescent GenAI Use)(Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics)

চার-পর্যায়ের প্রক্রিয়া হিসেবে এলএলএম-মধ্যস্থ সহায়তা-সন্ধান

Viberg প্রমুখ (2026) দেখান, দৈনন্দিন STEM পড়াশোনায় এলএলএম সহায়তা-সন্ধান একক কাজ নয়, বরং চারটি পর্যায়ের একটি স্তরিত, প্রেক্ষাপট-নির্ভর প্রক্রিয়া: (1) সহায়তা দরকার কি না তা ঠিক করা — শিক্ষার্থীরা শেখার মূল্য রক্ষার জন্য প্রথমে স্বাধীনভাবে কাজ করার চেষ্টা করে; (2) কাকে জিজ্ঞাসা করবে বাছা — ChatGPT কম-বাধার প্রথম ধাপ, তারপর ধারণাগত আলোচনার জন্য সহপাঠী, তারপর জটিল বা উচ্চ-ঝুঁকির বিষয়ে প্রশিক্ষক; (3) সহায়তার ধরন নির্ধারণ — সংকেত ও ব্যাখ্যা থেকে শুরু করে সমস্যা-সমাধান-এর স্ক্যাফোল্ডিং, রুটিন কাজ সরলীকরণ ও শেখার সম্প্রসারণ পর্যন্ত; এবং (4) প্রাপ্ত সহায়তার বিচার — নির্বাচনী বিশ্বাস প্রয়োগ করা ও এআই আউটপুট কোর্সকাজের বিপরীতে বা মানুষের সঙ্গে যাচাই করা। মূলত, শিক্ষার্থীরা উপকরণভিত্তিক সহায়তা-সন্ধান (বোঝাপড়া বাড়ানো) নির্বাহী সহায়তা-সন্ধান-এর (সমাধান আদায়) চেয়ে পছন্দ করেছে — এমন একটি পার্থক্য যা লেখকেরা এলএলএম-এর জন্য নতুন এসআরএল পরিমাপ-আইটেমে রূপান্তরের প্রস্তাব করেন।

সম্পূর্ণ অনলাইন রচনা-য় সরঞ্জামের প্রাপ্যতা সীমাবদ্ধতা নয়। Reed (2026) পর্যবেক্ষণ করেন, সংগ্রামরত শিক্ষার্থীরা সমর্থনহীনরা নয়, বরং তারাই যারা চিনতে পারেনি কখন সহায়তা দরকার, কোন সম্পদ কাজটির সঙ্গে মানানসই, বা প্রতিক্রিয়া এলে তা কীভাবে বিচার করবে — আর সাবলীল উৎপাদক এআই আউটপুটকে সহজেই কর্তৃত্বপূর্ণ সমর্থন ভুল করা হয়। তাঁর প্রতিক্রিয়া ছিল সহায়তা-সন্ধানকে কেবল প্রাপ্য নয়, কাঠামোবদ্ধ করা: বাধ্যতামূলক স্পর্শবিন্দু যা কাজের দাবি বিশ্লেষণ করে, যুক্তিসহ সম্পদ মানচিত্রায়ন করে, প্রতিক্রিয়ার উৎস তুলনা করে, এবং প্রতিফলনের মাধ্যমে চক্রটি বন্ধ করে।

আচরণগত প্রেক্ষাপট দৃশ্যমান করা: TutorTrace

Barron প্রমুখ (2026) এআই-সহায়ক প্রোগ্রামিং শিক্ষা-য় সহায়তা-সন্ধানের আচরণগত পূর্বসূরিকে মোকাবিলা করেন: মানব টিউটররা শিক্ষার্থীর স্পষ্ট অনুরোধ নয়, পর্যবেক্ষণযোগ্য আচরণের সঙ্গে খাপ খায়, অথচ এআই টিউটরের সেই প্রেক্ষাপট নেই। TutorTrace একটি ডেটাসেট ও পাইপলাইন যা নিম্ন-স্তরের আইডিই টেলিমেট্রি থেকে শিক্ষার্থীর আচরণগত প্রেক্ষাপটকে তাৎক্ষণিকভাবে গণনযোগ্য করে তোলে (চারটি স্থাপনা, N=480; প্রায় 180K ঘটনা, 13,633 আচরণগত অংশ, 27 মেট্রিক), এবং প্রথম এআই কোয়েরির আগে, ধারাবাহিক কোয়েরির মধ্যে ও অধিবেশন জুড়ে শিক্ষার্থী-কার্যকলাপের একটি শ্রেণিবিন্যাস তৈরি করে। এটি ব্যবস্থাগুলোকে শ্রেণিবদ্ধ করতে দেয় কোনো কোয়েরি দিশাযুক্ত সহায়তা-সন্ধান (আগে স্বাধীন কাজ) নাকি নির্ভরশীল সহায়তা-সন্ধান (স্বাধীন কাজ নেই) প্রতিফলিত করে — ধরে রাখা-পূর্বাভাসে AUROC=.717 — এবং আসন্ন কোয়েরি পূর্বাভাস দিতে (AUROC=.726)। একটি প্রাথমিক শ্রেণিকক্ষ-মূল্যায়নে দেখা গেছে আচরণ-সচেতন প্রম্পট স্বাধীন কাজ ছাড়া কোয়েরির মধ্যবর্তী ব্যবধান 50.0% থেকে 20.7%-এ নামিয়েছে। এটি লার্নিং অ্যানালিটিক্স টেলিমেট্রিকে অভিযোজনশীল টিউটরিং-এর সঙ্গে যুক্ত করে, দেখিয়ে যে আচরণগত প্রেক্ষাপট বড় পরিসরে কার্যকর করা যায় শিক্ষার্থীরা কীভাবে সহায়তা চায় তার স্ক্যাফোল্ডিং করতে, কেবল তাদের স্পষ্ট প্রশ্নের উত্তর দিতে নয়।

সহায়তা-সন্ধানের গতিপথ কেবল তার মাত্রা নয়, স্থানান্তরও পূর্বাভাস দেয়। Abdelghani প্রমুখ (2026) এলএলএম দিয়ে গণিতের সমস্যা মডেল করা 112 মাধ্যমিক শিক্ষার্থীর 880 টার্ন কোড করেছেন এবং পেয়েছেন স্থির মিশ্রণ কোনো তথ্য দেয় না: 81.5% টার্ন ছিল অনুরোধ, কেবল 2.2% স্পষ্ট মূল্যায়ন, আর অনুরোধের 54% বোঝাপড়া-কেন্দ্রিক বনাম 46% উত্তর-সন্ধানী। এআই ছাড়া নেওয়া পরবর্তী-পরীক্ষার কর্মক্ষমতা পূর্বাভাস দিয়েছে অধিবেশন-মধ্যবর্তী ঢাল, তার মাত্রা নয়। বোঝাপড়া-কেন্দ্রিক সহায়তা-সন্ধান চ্যাট জুড়ে কমেছে (M = −0.20), এবং সেই গতিপথ পূর্ব-পরীক্ষার স্কোর-সহ একটি মডেলে ΔR2 = .110 যোগ করেছে (β = .34, p < .001)। স্থির মিথস্ক্রিয়া-বৈশিষ্ট্য যোগ করেছে কেবল ΔR2 = .023 (p = .684)। তাই সহায়তা-সন্ধানের গুণমান একটি বক্ররেখা হিসেবে পড়তে হয়: যে অধিবেশন ধারণাগত প্রশ্ন দিয়ে শুরু হয়ে উত্তর-অনুরোধে থিতিয়ে পড়ে তা দুর্বল সহায়তাহীন কর্মক্ষমতা চিহ্নিত করে, আর স্পষ্ট স্ব-নিয়ন্ত্রণে সামান্য বৃদ্ধি (M = +0.103) তা পূরণ করেনি।

একটি দ্বিতীয় পাইপলাইন অবকাঠামোর দিক থেকে একই প্রশ্ন তোলে। Taufer প্রমুখ (2026) যুক্তি দেন মানব-এআই বিনিময় নিজেই একটি স্বতন্ত্র ডেটা-শ্রেণি: তাদের উপস্থাপনা একই বস্তু হিসেবে লিপিবদ্ধ করে সেই গণনামূলক অবস্থা যা অনুরোধের জন্ম দিয়েছে, অনুরোধ, উত্তর, ব্যবহারকারীর তার মূল্যায়ন এবং পরবর্তী সম্পাদন। এরপর কোয়েরিগুলোকে সেই প্রেক্ষাপট থেকে ত্রুটি-পুনরুদ্ধার, আটকে-পরবর্তী-ধাপ, ধারণাগত সহায়তা বা যাচাই হিসেবে শ্রেণিবদ্ধ করা হয়। 35 শিক্ষার্থীর একটি JupyterLab স্থাপনায় 140 শিক্ষার্থী-অ্যাসাইনমেন্ট জোড়া জুড়ে, সাধারণ মিথস্ক্রিয়া-গণনা সফলভাবে সম্পাদিত সেলের সঙ্গে সম্পর্কিত ছিল কেবল r = 0.12, অথচ 37 জোড়ার প্রবেশাধিকার ছিল কিন্তু কখনও ব্যবহার করেনি, আর 26 জোড়া তাদের নির্ধারিত শর্তের বাইরে এটি ব্যবহার করেছে।

নকশা ও গবেষণার জন্য তাৎপর্য

1. সহায়তা-সন্ধানের অ্যাফোর্ডেন্স সচেতনভাবে নকশা করুন। স্থায়ী, স্পষ্ট সহায়তা-বোতাম এড়িয়ে যাওয়ার কৌশল সক্ষম করতে পারে; প্রবেশাধিকার বিলম্বিত করুন এবং প্রদান কাঠামোবদ্ধ করুন ফলপ্রসূ সংগ্রাম-কে সমর্থন করতে।(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)
2. সহায়তা-সন্ধানের নিজেরই স্ক্যাফোল্ডিং করুন। শিক্ষার্থীদের যুক্তি-কেন্দ্রিক অনুরোধে (ধাপে ধাপে সংকেত, যাচাই) প্রশিক্ষণ দিন, প্রবেশাধিকারকেই ভালো ব্যবহার ধরে নেবেন না।(Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics)
3. বিশ্বাস ক্রমাঙ্কনে স্বচ্ছতা ব্যবহার করুন। এআই-এর ভুলপ্রবণতা নিয়ে সতর্কবার্তা উপযুক্ত সহায়তা-সন্ধান ও সম্পৃক্ততা বাড়াতে পারে।(Warning About AI Fallibility Increases Help-Seeking in an Intelligent Tutoring System)
4. কেবল স্ক্যাফোল্ডিং নয়, গ্রহণও মাপুন। শিক্ষার্থীরা শিক্ষাগত কাঠামোর সঙ্গে সত্যিই যুক্ত হয় কি না তা মূল্যায়ন করুন, কেবল টিউটর তা দেয় কি না নয়।(Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments)
5. পর্যবেক্ষণ ও এজেন্সি সমর্থন করুন। সহায়তা-সন্ধানের স্ক্যাফোল্ড অতিজ্ঞান ও স্ব-নিয়ন্ত্রিত শেখা শক্তিশালী করুক, অতিনির্ভরতা-র বিরুদ্ধে সুরক্ষা দিয়ে।

প্রচলিত ভ্রান্ত ধারণা

• "যে শিক্ষার্থীদের সহায়তা দরকার, তারা তা চায় না।" বড়-ভর্তির স্নাতক কোর্সে একটি পূর্ব-নিবন্ধিত পরীক্ষা একাডেমিক চ্যাটবটের মাধ্যমে শিক্ষার্থীদের বার্তা পাঠিয়ে টিউটরিং ও সম্পূরক সমর্থনের বেশি গ্রহণ পেয়েছে। নাজ নড়িয়েছে আচরণ, তাই বাধা ছিল প্ররোচনা, ইচ্ছা নয়।
• "সহায়তা-সন্ধানের অনুরোধ শেখার বিষয়ে।" পরিচালনামূলক সমর্থন-চাহিদা এই ধারণাকে জটিল করে: 4,093 কোয়েরি জুড়ে অন্তত 20.4% জ্ঞান চাওয়ার বদলে একটি অমীমাংসিত জমার অবস্থা সম্পর্কে জিজ্ঞাসা করেছে। সহায়তার চাহিদার এক-পঞ্চমাংশ ছিল প্রশাসনিক।
• "এআই টিউটর ব্যবহার মানে নিজের শেখার পর্যবেক্ষণ।" একটি জেনএআই টিউটর ব্যবহার করা 98 জন নবম-শ্রেণির শিক্ষার্থীর গবেষণায় মিথস্ক্রিয়া ছিল উপকরণভিত্তিক অনুরোধে প্রাধান্যপূর্ণ, নিজের শেখার প্রায় কোনো পর্যবেক্ষণ বা মূল্যায়ন ছাড়াই। উত্তর চাওয়া সেই অর্থে সহায়তা-সন্ধান নয়, যে অর্থে গঠনটি বোঝায়।

সংযুক্ত ধারণা

• শিক্ষার্থী — শিক্ষার্থী: শিক্ষার্থী-পক্ষের ধারণাগুলোর ছাতা
• স্ব-নিয়ন্ত্রিত শিখন
• মেটাকগনিশন
• স্ক্যাফোল্ডিং
• বুদ্ধিদীপ্ত টিউটরিং
• শিক্ষার্থী-অভিজ্ঞতা
• সংজ্ঞানাত্মক অফলোডিং
• লার্নিং অ্যানালিটিক্স
• K-12
• উচ্চশিক্ষা
• সক্রেটিক পদ্ধতি
• শিক্ষণ-এজেন্ট
• এআই সাক্ষরতা
• বিশ্বাস ক্রমাঙ্কন
• আবেগীয় টিউটরিং
• প্রতিক্রিয়া
• সক্রিয় শিখন
• এজেন্টিক AI
• শিক্ষার্থী সহায়তা ও সাফল্য — প্রাতিষ্ঠানিক উদ্যোগ ও সমর্থন-বণ্টন, কোর্স-অভ্যন্তরীণ সহায়তা-সন্ধানের বাইরে

সংযুক্ত নিবন্ধ

• Human-AI Interactions as First-Class Data: A Formal Interaction Model and Runtime for Explainable AI Collaboration — প্রথম-শ্রেণির ডেটা হিসেবে মিথস্ক্রিয়া: চারপাশের সম্পাদন-অবস্থা দিয়ে কোয়েরি শ্রেণিবদ্ধ করা

• Student-LLM Interactions During Math Learning: Limited Epistemic Proactivity — সহায়তা-সন্ধানের গতিপথ, তার মাত্রা নয়, সহায়তাহীন গণিত-কর্মক্ষমতা পূর্বাভাস দেয়

• It's Complicated: Factors Influencing the Effectiveness of LLM-Generated Feedback in a Live Programming Course — চলমান প্রোগ্রামিং কোর্সে পরবর্তী-জমার সঠিকতা, প্রচেষ্টা ও সময়ের বিপরীতে মাপা সংকেতের দৈর্ঘ্য

• SciStory: Designing AI-Supported Inquiry in Science Learning Games — যে সহায়ক-এজেন্ট কেউ চায়নি (Humburg প্রমুখ 2025)

• Penquiry: A Pen-based Interactive In-situ Q&A System Leveraging LLMs — Penquiry: এলএলএম ব্যবহারকারী কলম-ভিত্তিক ইন্টারঅ্যাকটিভ ইন-সিটু প্রশ্নোত্তর ব্যবস্থা

• TutorTrace: A Dataset and Taxonomy for Classifying Learner Behavioral States during AI-Assisted Programming Education

• Efficiency vs. Effectiveness: Self-Regulated Learning with LLM-Mediated Help-Seeking — STEM-এ এলএলএম-মধ্যস্থ সহায়তা-সন্ধান: স্তরিত, উপকরণভিত্তিক ও যাচাইকৃত

• One Click Away: AI Tutoring with Khanmigo in a Two-Year School Experiment — এক ক্লিক দূরে: দুই বছরের স্কুল-পরীক্ষায় Khanmigo

• Virtual Tutoring with Computer-Assisted Learning: An Experiment in Take-Up and Learning — সিএএল-সহ ভার্চুয়াল টিউটরিং: গ্রহণ ও শেখার একটি পরীক্ষা

• The StudyChat Dataset: Analyzing Student Dialogues With ChatGPT in an Artificial Intelligence Course — এআই কোর্সে শিক্ষার্থী–এলএলএম সংলাপের StudyChat ডেটাসেট

• Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems — অকালীন সংকেত-অনুরোধ ও পৃষ্ঠতল সংকেত-পাঠ আইটিএস-এ কম শিখন-লাভের পূর্বাভাস দেয়

• Warning About AI Fallibility Increases Help-Seeking in an Intelligent Tutoring System — এআই-এর ভুলপ্রবণতা নিয়ে সতর্কবার্তা গণিত টিউটরিং ব্যবস্থায় সহায়তা-সন্ধান বাড়ায়

• Regulating the AI Tutor: Intentions, Help-Seeking, and Self-Regulated Learning in Adolescent GenAI Use — কিশোরদের জেনএআই সহায়তা-সন্ধান ও স্ব-নিয়ন্ত্রিত শেখায় উদ্দেশ্য-আচরণ ব্যবধান

• Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics — দিশাযুক্ত এলএলএম স্ক্যাফোল্ডিং যুক্তি-কেন্দ্রিক সহায়তা-সন্ধান ও স্বাধীন শেখা উন্নত করে

• Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments — বাস্তব-জগতের এলএলএম টিউটর স্থাপনায় স্ক্যাফোল্ডিং/শিক্ষার্থী-গ্রহণের অসঙ্গতি

• The Uneven Impact of Generative AI on Student Learning: Examining the Roles of Reliance, Evaluation Literacy, and Course Policy in AI-related Courses — আগাম নির্ভরতা: স্বাধীন চিন্তা, অনুসন্ধান বা প্রশিক্ষকের আগে জেনএআই-এর পরামর্শ নেওয়া সুবিধা ও ক্ষতি দুটোই পূর্বাভাস দেয় (Manikonda প্রমুখ 2026)

• Addressing Resource Literacy Through Structured AI Integration in Online English Composition — অনলাইন রচনায় সম্পদ-সাক্ষরতা: সীমাবদ্ধতা হলো কখন সহায়তা দরকার তা চিনে নেওয়া (Reed 2026)

• Reducing Barriers to Academic Support: Evaluating a Course-Specific RAG System for Addressing Help-Seeking Disparities in Higher Education — একাডেমিক সমর্থনের বাধা কমানো: উচ্চশিক্ষায় সহায়তা-সন্ধানের বৈষম্য মোকাবিলায় কোর্স-নির্দিষ্ট আরএজি ব্যবস্থার মূল্যায়ন

• Adaptive Scaffolding Needs Contingency: An AI Tutor That Escalates and Fades on What the Learner Does — অভিযোজনশীল স্ক্যাফোল্ডিংয়ের প্রয়োজন আকস্মিকতা: শিক্ষার্থী যা করে তার উপর ভিত্তি করে ওঠা-নামা করা এআই টিউটর

• HelpCoach: Scaffolding Targeted AI Help-Seeking During Problem-Solving — HelpCoach: সমস্যা-সমাধানের সময় লক্ষ্যভিত্তিক এআই সহায়তা-সন্ধানের স্ক্যাফোল্ডিং

• Examining Variation in How Guided AI Tutors Resolve Student Impasses — দিশাযুক্ত এআই টিউটররা শিক্ষার্থীর অচলাবস্থা কীভাবে মেটায় তার ভিন্নতা পরীক্ষা

• What Students Actually Ask: Demand Structure and Automation Potential in a Hybrid Support System — শিক্ষার্থীরা আসলে কী জিজ্ঞাসা করে: একটি সংকর সহায়তা ব্যবস্থায় চাহিদার কাঠামো ও স্বয়ংক্রিয়করণের সম্ভাবনা