মানুষ-চক্রে

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

মানুষ-চক্রে — সেই নকশা-ধরন যেখানে শিক্ষামূলক এআই সিস্টেম কৌশলগতভাবে স্বয়ংক্রিয় উৎপাদনের সঙ্গে মানব-বিশেষজ্ঞের বিচার মিশিয়ে দেয়, উৎপাদন স্কেল করবার সময়ে শিক্ষাদানগত গুণমান ও নিরাপত্তা রক্ষা করে। মূল্যায়ন, ফিডব্যাক বা নির্দেশনা সম্পূর্ণ স্বয়ংক্রিয় করার বদলে HITL একজন মানুষকে (শিক্ষক, বিষয়-বিশেষজ্ঞ বা শিক্ষার্থী) সিদ্ধান্ত-চক্রে রাখে সেখানে যেখানে তার বিচারের প্রান্তিক মূল্য সর্বোচ্চ — গুণমান মূল্যায়নে, প্রান্তিক কেস নিষ্পত্তিতে, এবং শিক্ষার্থী-এজেন্সি ও নিরাপত্তা রক্ষায়। কেন্দ্রীয় নকশা-প্রশ্ন হলো মানুষ অন্তর্ভুক্ত করব কি না তা নয়, বরং পাইপলাইনে কোথায় তাদের তদারকি সবচেয়ে মূল্যবান ও সবচেয়ে অপ্রতিস্থাপনীয়।

বিবেচনার প্রশ্ন

• HITL-এর কেন্দ্রীয় নকশা-প্রশ্ন মানুষ অন্তর্ভুক্ত করব কি না তা নয়, বরং পাইপলাইনে কোথায় তাদের বিচার সবচেয়ে মূল্যবান। একটি এআই মূল্যায়ন বা ফিডব্যাক সিস্টেমে কোন বিন্দুতে আপনি জোর দিয়ে বলবেন একজন মানুষ চক্রে থাকুক?
• এআই প্রশ্ন-উৎপাদনের গবেষণায় দেখা গেছে কম্পিউটার স্পষ্টতা ও বৈধতা ভালো সামলায়, কিন্তু অর্থবহ ডিস্ট্র্যাক্টর ও ভালো ফিডব্যাকের জন্য মানুষ এখনও দরকার। শিক্ষাদানগত বিচারের কিছু অংশ কেন স্বয়ংক্রিয়করণ প্রতিরোধ করতে পারে?
• একটি মূল্যায়নে দেখা গেছে তিনটি LLM অসামঞ্জস্যপূর্ণ, সংবেদনহীন শিক্ষার্থী-সহায়তা সুপারিশ দিয়েছে — এই সিদ্ধান্তে পৌঁছে যে শিক্ষার্থীদের নিয়ে এআই পরামর্শ দেওয়ার আগে মানব-বিচার এখনও দরকার। যখন একটি এআই সংগ্রামরত শিক্ষার্থীর জন্য সহায়তা "সুপারিশ" করে, তখন কোনো মানুষ পর্যালোচনা না করলে কী কী ভুল হতে পারে?
• পাতা প্রস্তাব করে মানুষ ও অ্যালগরিদম ভিন্ন ধরনের সমস্যা ধরে — যা সুনির্দিষ্টভাবে যাচাইযোগ্য তা স্বয়ংক্রিয় করুন, যেখানে সূক্ষ্মতা অপ্রতিস্থাপনীয় সেখানে বিচার সংরক্ষণ করুন। আপনার নিজের অনুশীলনে দুটোর মধ্যে সীমারেখা কোথায়?
• মানুষকে চক্রে রাখাকে গুণমানের বাইরেও শিক্ষার্থী-এজেন্সি ও নিরাপত্তা রক্ষা হিসেবে বর্ণনা করা হয়েছে। সম্পূর্ণ স্বয়ংক্রিয়করণ কীভাবে সূক্ষ্মভাবে শিক্ষার্থীদের এই বোধ বদলে দিতে পারে যে তাদের শিখনের দায়িত্ব কার?
• এআই আরও স্বায়ত্তশাসিত হলে HITL তদারকিকে একটি মূল নিরাপত্তা-প্রতিবন্ধক বলা হয়েছে। এআই-এর কোন স্তরের স্বায়ত্তশাসনে আপনি অস্বস্তি বোধ করবেন — এবং সেই অস্বস্তি তদারকির জায়গা সম্পর্কে আপনাকে কী বলে?

ভূমিকা

HITL হলো সম্পূর্ণ স্বায়ত্তশাসিত শিক্ষায় এআই-এর সীমা ও ঝুঁকির প্রতি একটি সাড়া: স্বয়ংক্রিয় সিস্টেম স্কেলে উৎপাদন করতে পারে কিন্তু শিক্ষক ও বিশেষজ্ঞরা যে প্রাসঙ্গিক, নৈতিক ও শিক্ষাদানগত বিচার আনেন তা তাদের নেই। সম্প্রতি দুটি বাস্তবায়ন স্বতন্ত্র স্থাপত্য দেখায়:

• মানুষ শুধু অনুমোদন করলে মানুষ-চক্রে যথেষ্ট নয়। Rienties, Divjak ও Law (2026) যুক্তি দেন অর্থবহ এজেন্সির জন্য বুঝতে, প্রতিদ্বন্দ্বিতা করতে, পুনরায় নকশা করতে এবং কখনও কখনও প্রত্যাখ্যান করার সক্ষমতা দরকার — শুধু অন্যত্র গড়া সিদ্ধান্ত অনুমোদন করা নয়।

নির্দেশনামূলক সহায়তা এমন একটি ক্ষেত্র যেখানে মানব-তদারকি ক্রমশ অ-ঐচ্ছিক হিসেবে যুক্তি পাচ্ছে। López-Pernas প্রমুখ (2026) পরীক্ষা করেন তিনটি LLM শিখন-বিশ্লেষণ সূচক থেকে শিক্ষার্থী-সহায়তা পরিকল্পনা সুপারিশ করতে পারে কি না, এবং পান প্রয়োজনের প্রতি সীমিত সংবেদনশীলতা ও তীক্ষ্ণ আন্তঃ-মডেল অসামঞ্জস্য — এই সিদ্ধান্তে পৌঁছে যে LLM নির্দেশনামূলক পরামর্শ নিরাপদে ও নৈতিকভাবে মোতায়েন করার আগে মানুষ-চক্রে বিচার এখনও প্রয়োজনীয়।

একটি সিস্টেমের পছন্দের উত্তর গোপন রাখা সংশোধনমূলক নয়, সুরক্ষামূলক: এমন একটি বহু-এজেন্ট বিতর্কে যা কখনও সুপারিশকৃত অবস্থান প্রকাশ করেনি, ভুল এআই উত্তরে ক্ষতিকর পরিবর্তন 42.0–60.5% থেকে 5.7–8.2%-এ নেমে আসে, একই সঙ্গে সঠিক পরামর্শ গ্রহণও কমে (Tuo প্রমুখ, 2026)।

তৃতীয় স্থাপত্য মানব-বিচারকে মডেলের আগে রাখে, তার আউটপুটে নয়। Lee, Atif ও Kang-এর (2026) শিক্ষার্থী-প্রশ্ন শ্রেণিবিন্যাস অধ্যয়নে তিনজন ডক্টরাল-স্তরের বিশেষজ্ঞ পুরো পাইপলাইন পরিচালনা করেন: তারা প্রতিটি গঠনবাদী ভূমিকার কার্যকরী সংজ্ঞা পরিমার্জন করেন, স্বতন্ত্রভাবে লেবেল করেন যতক্ষণ না অসঙ্গতি সমাধানের পর Fleiss' kappa 0.60 থেকে 0.83-এ ওঠে, এবং প্রশিক্ষণ-সেট ভারসাম্যে ব্যবহৃত পশ্চাদ্-অনূদিত ও প্যারাফ্রেজ করা আইটেম যাচাই করেন।

CODE-GEN: মানুষ-চক্রে MCQ উৎপাদন

Duan প্রমুখ (2026) একটি RAG-ভিত্তিক এজেন্টিক সিস্টেম গড়েন দুই এজেন্ট নিয়ে:

• জেনারেটর এজেন্ট — কোর্সের শিখন-উদ্দেশ্যের সঙ্গে সামঞ্জস্যপূর্ণ বহু-নির্বাচনী কোডিং প্রশ্ন তৈরি করে
• ভ্যালিডেটর এজেন্ট — সাতটি শিক্ষাদানগত মাত্রায় গুণমান মূল্যায়ন করে

মূল্যায়ন: 6 জন SME 288টি এআই-উৎপাদিত প্রশ্ন বিচার করেন। মানব-যাচাইকৃত সাফল্যের হার: মাত্রা জুড়ে 79.9%–98.6%।

এআই-শক্তিশালী মাত্রা (কম মানব-ভার):

• প্রশ্নের স্পষ্টতা, কোডের বৈধতা, ধারণা-সামঞ্জস্য, সঠিক উত্তরের বৈধতা

মানব-প্রয়োজনীয় মাত্রা (উচ্চ মানব-ভার):

• শিক্ষাদানগতভাবে অর্থবহ ডিস্ট্র্যাক্টর নকশা
• উচ্চ-মানের ব্যাখ্যামূলক ফিডব্যাক

কৌশলগত অন্তর্দৃষ্টি: মানব-শ্রম সেখানে কেন্দ্রীভূত করা উচিত যেখানে শিক্ষাদানগত বিচার অপ্রতিস্থাপনীয়; গণনামূলক যাচাই সম্পূর্ণ স্বয়ংক্রিয় করা যায়।

MAIC: মানুষ-চক্রে স্ক্রিপ্ট উৎপাদন

Yu প্রমুখ (2024) সিংহুয়া বিশ্ববিদ্যালয়ে 500-এর বেশি শিক্ষার্থী ও 100,000-এর বেশি শিখন-রেকর্ড নিয়ে একটি বহু-এজেন্ট শ্রেণিকক্ষ (শিক্ষক এজেন্ট, TA এজেন্ট, সহপাঠী আর্কিটাইপ) স্থাপন করেন। মানব শিক্ষকেরা স্ক্রিপ্ট উৎপাদন ও তদারকিতে অংশ নেন, নিশ্চিত করে যে গণ-স্কেলের এআই-সংবর্ধনা শিক্ষাদানগত বিশেষজ্ঞতাকে স্থানচ্যুত না করে।

PedaCo: এআই ভিডিও উৎপাদনে দ্বৈত দ্বাররক্ষা

Kim, Baek ও Kwak (2026) HITL-কে এআই-উৎপাদিত শিক্ষামূলক ভিডিওতে সম্প্রসারিত করেন PedaCo (শিক্ষাদানগত সহ-সৃষ্টি) দিয়ে, একটি পাইপলাইন যেখানে দুটি পরিপূরক দ্বাররক্ষা স্তর Mayer-এর মাল্টিমিডিয়া শিখনের সংজ্ঞানাত্মক তত্ত্ব (CTML)-ভিত্তিক নীতিসম্মত প্রতিরোধ বাস্তবায়ন করে। প্রথম স্তর মানুষকে স্ক্রিপ্ট পর্যায়ে রাখে: একটি LLM স্ক্রিপ্টের খসড়া করে, একটি এআই পর্যালোচক সম্ভাব্য CTML লঙ্ঘন চিহ্নিত করে (যেমন, "দৃশ্য 3 পূর্ব-ব্যাখ্যা ছাড়াই কারিগরি পরিভাষা উপস্থাপন করে"), এবং শিক্ষাবিদ গ্রহণ, সংশোধন বা পুনরুৎপাদনের সিদ্ধান্ত নেন। দ্বিতীয় স্তর সংশ্লেষণের পরে স্বয়ংক্রিয় মেট্রিক চালায় — সংগতি, পুনরাবৃত্তি, কালিক সংলগ্নতা, মাধ্যম ও চিত্র-গুণমান — যা শিক্ষাবিদ পর্যালোচনা করেন। একটি অন্তঃ-বিষয়ক অধ্যয়নে (23 জন শিক্ষাবিদ) পর্যালোচনা-ভিত্তিক পদ্ধতি প্রতিটি CTML নীতিকে উন্নত করে (গড় রেটিং 3.07→3.86, p<.01), শিক্ষাবিদেরা উৎপাদন-দক্ষতাকে 4.26/5 রেট করেন — ঘর্ষণ উৎপাদনশীল অনুভূত, বোঝা নয়। নকশা-নীতিটি জ্ঞানভান্ডারের HITL সংশ্লেষকে প্রতিধ্বনিত করে: মানুষ ও অ্যালগরিদম ভিন্ন ধরনের সমস্যা ধরে, তাই সবচেয়ে কার্যকর সিস্টেম সেখানে স্বয়ংক্রিয় করে যেখানে গণনামূলক যাচাই সুনির্দিষ্ট (কালিক সমন্বয়) এবং মানব-বিচার সংরক্ষণ করে যেখানে শিক্ষাদানগত সূক্ষ্মতা অপ্রতিস্থাপনীয় (স্বর, দর্শক-উপযোগিতা)।

স্থাপন উপস্থিতির চেয়ে বেশি গুরুত্বপূর্ণ হতে পারে: অনুশীলনকারীরা একটি Social Story লেখার সরঞ্জামকে অত্যন্ত ব্যবহারযোগ্য রেট করেন (SUS 86.8), তবু রিপোর্ট করেন পর্যালোচনা অনেক দেরিতে এসেছে, কারণ উৎপাদনের আগে নির্ধারিত সাংস্কৃতিক ও ক্লিনিক্যাল সীমাবদ্ধতা — পশ্চিমা স্ট্রিটওয়্যারের বদলে একটি আবায়া — আউটপুট পরে সম্পাদনা করে ফিরিয়ে আনা কঠিন (Enkhjargal প্রমুখ (2026))।

এআই যুগে HITL কেন গুরুত্বপূর্ণ

মানুষ-চক্রে নকশা জ্ঞানভান্ডারের এজেন্টিক এআই ও দায়িত্বশীল এআই ব্যবহার আলোচনার কেন্দ্রে এসেছে কয়েকটি মিলিত কারণে:

• শিক্ষাদানগত নিরাপত্তা। শিক্ষাদানগত নিরাপত্তা দাবি করে প্রকৃত নির্দেশনামূলক কর্তৃত্বসম্পন্ন এআই মানব-তদারকি ধরে রাখুক, যাতে ত্রুটি, পক্ষপাত বা ক্ষতিকর আউটপুট শিক্ষার্থীর কাছে পৌঁছানোর আগে ধরা পড়ে। এটি বিশেষভাবে গুরুত্বপূর্ণ সেই স্বায়ত্তশাসিত এজেন্টদের জন্য যারা সক্রিয়ভাবে লক্ষ্য অনুসরণ করে।

• তদারকি অনুশীলনে বিরল, কেবল তত্ত্বে নয়। Wang প্রমুখ (2026) দেখেন 474টি শিক্ষামূলক এজেন্টিক-এআই সিস্টেম জুড়ে দৃঢ় অন্তর্নির্মিত শাসন ও মানুষ-চক্রে তদারকি বিরলভাবে প্রদর্শিত হয়েছে, যদিও একক-কাজের স্বায়ত্তশাসন ও বহু-এজেন্ট সহযোগিতা বেড়েছে — নকশা-নীতি ও মোতায়েনকৃত অনুশীলনের মধ্যে ফাঁক।

• সমালোচনামূলক প্রশ্ন চক্রকে কীভাবে কার্যকর করা যায়, মানুষ কতটা অংশ নেয় তা নয়। একটি শিখন-বিজ্ঞান দৃষ্টিভঙ্গি যুক্তি দেয় যে ডেটা-গ্রহণ, গণনামূলক ব্যাখ্যা ও সম্ভাব্য সাড়াকে ঘিরে শিখন সংগঠিত করলে শিক্ষাদানগত কাজ নির্ভর করে সিস্টেম কী শনাক্ত ও সম্পাদন করতে পারে তার উপর, এবং সতর্কতা ও সম্পৃক্ততা-শ্রেণিবিন্যাস শিক্ষার্থীকে ব্যাখ্যা করে দেয় কোনো শিক্ষক বা শিক্ষার্থী কাজ করার আগেই (Pande (2026))।

• বৈধতা ও গুণমান-নিয়ন্ত্রণ। HITL স্বয়ংক্রিয় মূল্যায়ন ও উৎপাদনের জন্য একটি গুণমান-দ্বার — মানুষ সেখানে নিষ্পত্তি করে যেখানে স্বয়ংক্রিয় স্কোরিং অবিশ্বস্ত (দেখুন LLM প্রবন্ধ-গ্রেডিং গবেষণা) এবং উৎপাদিত আইটেম যাচাই করে। 42টি গ্রেডিং ও ফিডব্যাক গবেষণার (2023–2025) PRISMA-নির্দেশিত পদ্ধতিগত পর্যালোচনা স্পষ্টভাবে একই সিদ্ধান্তে পৌঁছায়: LLM সংক্ষিপ্ত, সুগঠিত কাজে মানব-রেটারের সঙ্গে মেলে কিন্তু জটিল, উন্মুক্ত বা বিষয়ভিত্তিক কাজে মানব-বিচার সম্পূর্ণ প্রতিস্থাপন করতে পারে না, এবং সর্বোচ্চ গ্রেডিং-কার্যকারিতা অর্জিত হয় হাইব্রিড সিস্টেমে যা এআই-চালিত গ্রেডিংয়ের সঙ্গে শিক্ষক-তদারকি ও যাচাই মেলায় (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback)। Falahat প্রমুখ (2026) নির্দিষ্টভাবে দেখান সেই সীমা কোথায় পড়ে: ChatGPT-5 বস্তুনিষ্ঠ ফার্মেসি-পরীক্ষার আইটেমে অনুষদের সঙ্গে মেলে (CCC 0.935–1.000) কিন্তু রুব্রিক দেওয়া সত্ত্বেও সংক্ষিপ্ত-উত্তর ও প্রবন্ধ আইটেমে অবিশ্বস্ত ছিল, যা লেখকদের জটিল, বিষয়ভিত্তিক বা উচ্চ-ঝুঁকির মূল্যায়নে মানব-পর্যালোচনাসহ হাইব্রিড গ্রেডিং সুপারিশ করতে পরিচালিত করে।

• পুনরাবৃত্তি সেই তদারকির বিকল্প নয়: একই জমা পাঁচটি ভিন্ন দিনে পুনরায় গ্রেড করে একই মডেল নিজের ফলাফল পুনরুৎপাদন করেছে মাত্র Krippendorff's alpha 0.625-এ, বিচ্যুতি মধ্যম গ্রেডে কেন্দ্রীভূত এবং পাঁচ-সেশন গণনায় A ও F অনুপস্থিত (Brevik প্রমুখ (2026))।

• শিক্ষার্থী-এজেন্সি। মানুষকে চক্রে রাখা এজেন্সি রক্ষা করে এবং স্ব-নিয়ন্ত্রিত শিখনকে সমর্থন করে, সম্পূর্ণ স্বায়ত্তশাসিত সহায়তা যে অতিরিক্ত নির্ভরতা ঘটাতে পারে তার বিরুদ্ধে কাজ করে।

• শিক্ষার্থীরা নিজেরাই মানুষকে উচ্চ-ঝুঁকির প্রান্তে রাখে। 93 জন স্নাতকের মধ্যে 81.7% গ্রেডের 40% মূল্যের চূড়ান্ত প্রবন্ধে মানব-স্কোরিং পছন্দ করেন, 93 জনের 75 জন চান এআই গ্রেডারের সহায়ক হোক, প্রতিস্থাপক নয়, এবং 69 জন চান এআই স্কোরিং সর্বদা মানব-পর্যালোচিত হোক (Yildirim-Erbasli প্রমুখ (2026))।

• আস্থা ও ক্যালিব্রেশন। স্বচ্ছ মানব-তদারকি আস্থা-ক্যালিব্রেশনকে সমর্থন করে — শিক্ষার্থী ও শিক্ষক জানেন একজন যোগ্য মানুষ সিস্টেমের পিছনে আছেন।

• পর্যালোচনার আগে দৃশ্যমান মানদণ্ড ঐকমত্য বাড়ায়। Coscia প্রমুখ (2026) দেখেন পর্যালোচকদের সামনে বিশ্বাসযোগ্যতা-মেট্রিক তুলে দিলে, যখন তারা LLM উত্তর তুলনা করেন, আন্তঃ-রেটার ঐকমত্য Krippendorff's alpha 0.3987 থেকে 0.4931-এ ওঠে, যেখানে আরও মাপ যোগ করলে প্রতিদান ছাড়াই সংজ্ঞানাত্মক বোঝা বাড়ে।

• সীমাবদ্ধ এজেন্সি স্থাপত্য হিসেবে, দাবিত্যাগ হিসেবে নয়। Ilieva প্রমুখের (2026) AGAI-HE কাঠামো এজেন্টিক শিখন-সহায়তার জন্য তদারকিকে মডেলের ভেতরেই গড়ে, শিক্ষাদানগত-কার্যপ্রবাহ ও এজেন্টিক-সহায়তা স্তরের পাশাপাশি তৃতীয় স্তর হিসেবে: এটি গ্রহণযোগ্য এআই-ব্যবহার, শিক্ষাদানগত সীমানা, গোপনীয়তা নিয়ম, প্রকাশের বাধ্যবাধকতা, উৎস-যাচাই, শিক্ষক-চেকপয়েন্ট, অখণ্ডতা প্রক্রিয়া এবং চূড়ান্ত মানব-জবাবদিহি নির্ধারণ করে, এবং দাবি করে প্রতিটি এজেন্টিক কার্য একটি শিখন-প্রয়োজন, মূল্যায়ন-উদ্দেশ্য বা শাসন-নিয়ন্ত্রণে ফিরে যাক। এটি সেই নীতির একটি সুনির্দিষ্ট বাস্তবায়ন যে HITL নীতিবাক্য নয়, সিস্টেম-নকশার বৈশিষ্ট্য — এবং লেখকদের 130-শিক্ষার্থী উপলব্ধি-অধ্যয়ন মনে করিয়ে দেয় যে সেই তদারকির অধীনে এজেন্টিক অর্কেস্ট্রেশন যোগ করা নিজে থেকে চ্যাটবটের চেয়ে ভালো শিখন-সহায়তা হিসেবে নিবন্ধিত হয়নি।

• মানুষ কতবার তাকায় সেটাই একটি নকশা-সিদ্ধান্ত। Venetsanos (2026) তদারকির কম্পাঙ্ককে তার স্থাপন থেকে আলাদা করেন: উচ্চ-কম্পাঙ্ক HITL, প্রতিটি এআই আউটপুট শিক্ষার্থীর কাছে পৌঁছানোর আগে পর্যালোচনা, গুণমান-নিয়ন্ত্রণ, দ্রুত ত্রুটি-শনাক্তকরণ, জবাবদিহি ও চলমান ক্যালিব্রেশন কিনে দেয় কিন্তু স্বয়ংক্রিয়করণকে যে দক্ষতা অনুপ্রাণিত করেছে তা বাতিল করতে পারে এবং সর্বোচ্চ মার্কিং সময়ে যানজট তৈরি করতে পারে; নিম্ন-কম্পাঙ্ক HITL, নমুনা স্পট-চেক ও কেবল চিহ্নিত কেস পর্যালোচনা, স্কেল করে ও টার্নঅ্যারাউন্ড কমায় কিন্তু ত্রুটি অশনাক্তভাবে জমার ঝুঁকি নেয়, জবাবদিহি দুর্বল করে, এবং একটি ন্যায্যতা সমস্যা তৈরি করে যদি কিছু শিক্ষার্থী অন্যদের চেয়ে বেশি পুঙ্খানুপুঙ্খ মানব-পর্যালোচনা পান। সর্বজনীন উত্তর নির্ধারণের বদলে কাঠামোটি দাবি করে বিনিময়টি স্পষ্টভাবে করতে হবে শাখাভিত্তিক ত্রুটি-সহনশীলতা, মূল্যায়ন গঠনমূলক না সমষ্টিগত, দল-আকার ও প্রাতিষ্ঠানিক সম্পদের বিপরীতে — এবং সাধারণ দক্ষতা-যুক্তির উল্টো দিকে একটি ডিফল্ট স্থাপন করে: উচ্চ-কম্পাঙ্ক তদারকি দিয়ে শুরু করুন এবং কেবল তখনই কমিয়ে আনুন যখন যথেষ্ট প্রমাণ গ্রহণযোগ্য নির্ভরযোগ্যতা, নিরাপত্তা ও ন্যায্যতা দেখায়, যাতে প্রমাণের বোঝা পড়ে কম তদারকি নিরাপদ তা দেখানোর উপর। পত্রটি আরও সতর্ক করে যে এমন তদারকির পেছনের নীতিগুলো কর্মীর শ্রম কমানোর বদলে সরিয়ে নিতে পারে, ফলে নেট দক্ষতা-লাভ খোলা অভিজ্ঞতাভিত্তিক প্রশ্ন।

• স্থাপিত মানব-তদারকি গুণমান-বিচারের বদলে অনুমোদন-রাউটিংও হতে পারে: একটি হাইব্রিড কোয়েরি সিস্টেমে গ্রহণযোগ্যতা-ক্ষেত্রটি কেবল এনকোড করত সমাধানকারী জিজ্ঞাসকারীর থেকে ভিন্ন কি না, এবং কোনো মাপ উত্তর-গুণমান মূল্যায়ন করেনি Gupta প্রমুখ (2026)।

জ্ঞানভান্ডারের গবেষণায় HITL কোথায় হাজির

• স্বয়ংক্রিয় মূল্যায়ন ও গ্রেডিং: HITL সিস্টেম এআই উৎপাদন/স্কোরিংয়ের সঙ্গে মানব-যাচাই মেলায় সংক্ষিপ্ত-উত্তর গ্রেডিং (Confidence Estimation in Automatic Short Answer Grading with LLMs), স্ব-ব্যাখ্যা মূল্যায়ন (Exploring the Effectiveness of Using LLMs for Automated Assessment of Student Self Explanations in Programming Education) এবং প্রবন্ধ স্কোরিং-এ (PsyScore: A Psychometrically-Aware Framework for Trait-Adaptive Essay Scoring and ZPD-Scaffolded Feedback)। Cvengros ও Kortemeyer এটি বাস্তবায়ন করেন উচ্চ-ঝুঁকির, হাতে-লেখা সাধারণ-রসায়ন গ্রেডিংয়ে: কারণ একটি মাল্টিমোডাল LLM-এর নির্ভরযোগ্যতা উত্তর-ফরম্যাট অনুসারে বদলায় (পাঠ্য ও রাসায়নিক-বিক্রিয়া উত্তর নির্ভরযোগ্য, যেখানে অঙ্কন ও গ্রাফ আঁকা দৈবের চেয়ে খারাপ স্কোর করে) এবং মিথ্যা ধনাত্মক শিক্ষার্থীদের কাছে অশনাক্ত থাকে, তারা কাঁচা এআই স্কোরকে আত্মবিশ্বাস-ফিল্টার ব্যবহার করে একটি নির্বাচক গ্রহণ/স্থগিত নীতিতে রূপান্তর করেন — আংশিক-ক্রেডিট থ্রেশহোল্ড, একটি IRT-ভিত্তিক ঝুঁকি-থ্রেশহোল্ড, এবং সমস্যা-ধরন বর্জন — অনিশ্চিত ও গ্রাফিকাল আইটেম মানুষকে স্থগিত করে, একটি পদ্ধতি যা লেখকেরা সেই নিয়ন্ত্রক কাঠামোগুলোর সঙ্গে যুক্ত করেন যা শিক্ষামূলক মূল্যায়নে এআই-কে উচ্চ-ঝুঁকি হিসেবে নির্ধারণ করে এবং নথিভুক্ত মানব-তদারকি বাধ্যতামূলক করে।

• ফিডব্যাক সিস্টেম: নথিভুক্ত মানব-তদারকি বাধ্যতামূলক করে।

• জাতীয় মূল্যায়নে কার্যকরী HITL স্কোরিং (2026): Curi প্রমুখ (2026) উরুগুয়ের Acredita EB পরীক্ষায় প্রাতিষ্ঠানিক স্কেলে HITL বাস্তবায়ন করেন। কারণ LLM স্কোরারের ত্রুটি পদ্ধতিগতভাবে রক্ষণশীল (কম-গ্রেডিং), কর্মপ্রবাহটি একটি সিদ্ধান্ত-বিন্দু যুক্তি ব্যবহার করে যা মানব-পর্যালোচনা ঠিক সেই প্রার্থীদের কাছে পাঠায় যাদের পাস/ফেল ফলাফল Writing অংশের উপর নির্ভর করে — এআই-চিহ্নিত পাসিং উত্তর আত্মবিশ্বাসের সঙ্গে গৃহীত হয়, যেখানে এআই-চিহ্নিত ব্যর্থতা (কেসের 15.3–16.5%) বিশেষজ্ঞ রেটাররা যাচাই করেন, পূর্ণ-স্কোরিংয়ের কাজ ≥50% কমিয়ে, অবশিষ্ট এআই-ত্রুটি পাসের ঝুঁকি মাত্র 0.2–0.6% রেখে। এটি সম্পদ-বণ্টন কৌশল হিসেবে HITL: মানুষ ঠিক সেখানে নিষ্পত্তি করে যেখানে এআই-এর রক্ষণশীল পক্ষপাত অন্যথায় উচ্চ-ঝুঁকির ফলাফল বদলে দিত।

• রুব্রিকের নিজের রেজোলিউশন থেকে স্থগিত-থ্রেশহোল্ড নির্ণয় (2026)। Cruz প্রমুখ (2026) এআই–শিক্ষক সহনশীলতা নির্ধারণ করেন 0.5 পয়েন্টে — সবচেয়ে বড় বিচ্যুতি যা একটি জমাকে অ্যাঙ্কর-ব্যান্ডের ওপারে নিতে পারে না — এবং 0.8 পয়েন্টে আউটলায়ার উচ্চতর পর্যালোচনায় পাঠান, ফিডব্যাক প্রকাশের আগে 362টি জমার 11টি (3.0%) মানব-পর্যালোচনায় পাঠিয়ে।

• অ্যানোটেটরদের মধ্যে ঐকমত্য মানব-ভূমসত্য নয়। Bernado প্রমুখ (2026) মডেল-অ্যানোটেশনকে নিরীক্ষা-স্তরে ঠেলে দেন, কখনও মানব-স্বর্ণ-লেবেলের বিপরীতে যাচাই না করে, আন্তঃ-মডেল ঐকমত্যকে (মধ্যক 0.401) দাবির গুণমানের প্রক্সি রেখে যা ভাগ করা মডেল-ত্রুটি পার হতে পারে। তাদের নকশা তদারকিকে আলংকারিক নয়, রোগনির্ণয়মূলক রাখে: কারণ মধ্যবর্তী বিচারগুলো স্পষ্ট, একজন পর্যালোচক দেখতে পারেন কোন আচরণগুলো সক্রিয় হয়েছে এবং একটি ভুল-পঠিত আচরণকে এমন নিয়ম থেকে আলাদা করতে পারেন যা গঠনটিকে খারাপভাবে এনকোড করে।

• ফিডব্যাক সিস্টেম: মানুষ-চক্রে ফিডব্যাক নকশা হাজির হয় সহযোগিতামূলক ফিডব্যাক সিস্টেমে এবং আত্মবিশ্বাস-সচেতন সংক্ষিপ্ত-উত্তর গ্রেডিংয়ে।

• শ্রেণিকক্ষ-সহযোগিতা সহায়তা। CoBi শিক্ষককে পর্যালোচক-মানুষ হিসেবে রাখে এমন একটি এআই সিস্টেমে যা উৎপাদনশীল ছোট-দলীয় আলাপ শনাক্ত করে: শিক্ষকেরা স্পষ্টভাবে কাজ-পূর্ব/পূর্ব-পরবর্তী পর্যালোচনাকে সরাসরি রিয়েল-টাইম প্রদর্শনের চেয়ে পছন্দ করেছেন যা তাদের সরাসরি নজরে ফেলে দিত, এবং সিস্টেমের শ্রেণিকক্ষ-স্তরের (ব্যক্তিগত নয়) সমষ্টিগত ফিডব্যাকই তাকে গোপনীয়তা, নজরদারি ও শিক্ষার্থী এজেন্সির মধ্যে টানাপোড়েন সামলাতে দেয়।

• প্রশ্ন ও বিষয়বস্তু উৎপাদন: CODE-GEN-এর বাইরে HITL মূল্যায়ন ও স্ক্যাফোল্ডিংয়ের জন্য প্রশ্ন-উৎপাদন পরিচালনা করে (CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation, From Evaluated Models to Evaluation Aids: A Multi-Evidence Study of LLM-Based Difficulty Calibration for Programming Examinations)।

• এজেন্টিক ও বহু-এজেন্ট সিস্টেম: এআই আরও স্বায়ত্তশাসিত হওয়ার সঙ্গে HITL তদারকি একটি মূল নকশা-প্রতিবন্ধক (Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning, Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics)।

• মডেল-অনিশ্চয়তা নয়, সিদ্ধান্ত-পরিণতি দিয়ে রাউটিং (2026)। একটি 2026 কার্যকরী অধ্যয়ন উরুগুয়ের Acredita EB জাতীয় স্বীকৃতি পরীক্ষার (দুই সংস্করণ, প্রতিটিতে প্রায় 5,000-6,000 প্রার্থী) দেখায় মানুষ-চক্রে নকশা কেমন দেখায় যখন তা মডেল-অনিশ্চয়তার বদলে সিদ্ধান্ত-পরিণতি দ্বারা চালিত হয়। একটি GPT-5 স্কোরার 15টি রুব্রিক আইটেমের 60-80%-এ বিশেষজ্ঞ রেটারদের সঙ্গে মিলেছে কিন্তু পদ্ধতিগতভাবে রক্ষণশীল ছিল, পাস/ফেল তুলনায় 15.3% (2024) ও 16.5% (2025)-এ মানব-পাস/এআই-ফেল অসঙ্গতি তৈরি করে এবং প্রায় কখনও উল্টোটা নয়। তাই কাঠামোটি এআই-পাসিং ফলাফল মুখের কথায় গ্রহণ করে এবং প্রতিটি এআই-ফেলিং ফলাফল যা প্রার্থীর পরিণতি বদলাতে পারে বিশেষজ্ঞ-পর্যালোচনায় পাঠায় — প্রথমে সেই প্রার্থীদের বাদ দিয়ে যাদের পাস/ফেল writing অংশের উপর নির্ভর করতে পারে না — পূর্ণ মানব-স্কোরিং প্রয়োজন এমন উত্তর অন্তত 50% কমিয়ে। একটি দ্বিতীয় 2026 নকশা সীমারেখা আঁকে অন্য দিক থেকে: একটি বহু-এজেন্ট এআই প্রমিত-রোগী প্ল্যাটফর্মে (Yang প্রমুখ), মানব-তদারকি সংরক্ষিত থাকে তার জন্য যা এআই বিচার করতে অযোগ্য বলে গণ্য হয়, অনুষদ ও মানব প্রমিত রোগীরা প্রাসঙ্গিক ব্যাখ্যা, প্রতিকার ও প্রস্তুতি-বিচার সরবরাহ করেন, এবং সিস্টেমকে স্পষ্টভাবে ক্লিনিক্যাল সক্ষমতা স্বায়ত্তশাসিতভাবে নির্ধারণের অনুমতি দেওয়া হয় না।

• গবেষণা-যন্ত্রপাতি: মানুষ স্কোরের বদলে লেবেল যাচাই করে। শিখন-বিজ্ঞান ও কম্পিউটার-বিজ্ঞানের কোডাররা একটি সমন্বিত টাইমলাইনে LLM-উৎপাদিত আচরণ-খণ্ড বিচার করেন κ = 0.703-এ, এবং তাদের অমতই অধ্যয়নের নিজস্ব ত্রুটি-বিশ্লেষণে পরিণত হয় (Fonteles প্রমুখ, 2026)।

• মডেল সারাংশ করে, গবেষক লেবেল করেন। একটি সহযোগিতামূলক-মডেলিং অধ্যয়ন GPT-3.5-Turbo দিয়ে 394টি আলাপ-খণ্ডের প্রতিটির একটি কাজ-প্রসঙ্গ-সচেতন সারাংশ লেখায়, গবেষকরা প্রতিটি সারাংশ যাচাই করে κ ≥ 0.7-এ কোড করেন, এবং সেই লেবেলেই ডিটেক্টর প্রশিক্ষণ দেন, ফলে মডেল কখনও নিজে বিচার করেনি। তদারকি পরে বাইরের দিকে সরে যায়: চারজন অভিজ্ঞ শিক্ষক একটি লেবেলযুক্ত খণ্ড পর্যালোচনা করেন, তিনজন আচরণগুলো চিনতে পারেন, এবং একজন যুক্তি দেন যে একটি খণ্ডে দুটি লেবেল শিক্ষার্থীরা কী করছে তা অস্পষ্ট করে, একটি ব্যবহারযোগ্যতা-আপত্তি যা লেখকেরা সমাধান না করে নথিভুক্ত করেন (Zhang প্রমুখ, 2026)।

• HITL একটি সম্পূর্ণ শাখার স্থাপত্য, একটি কর্মপ্রবাহের নয়। Zhai প্রমুখ (2026) চারটি পরস্পর-সংযুক্ত স্তর নির্দিষ্ট করেন — ডেটা পরিকাঠামো, মডেল বিকাশ, শিক্ষাদানগত ইন্টারফেস ও মানব-শাসন — যা তিনটি নীতি একসঙ্গে ধরে রাখে: মানব-তদারকি ও এজেন্সি, সহ-অভিযোজনশীল বুদ্ধিমত্তা, এবং প্রাসঙ্গিক সাড়াদান।

সংশ্লেষ

মানুষ-চক্রে নকশা কেবল নিরাপত্তা-ব্যবস্থা নয় — এটি একটি সম্পদ-বণ্টন কৌশল। সীমান্তের প্রশ্ন মানুষ অন্তর্ভুক্ত করব কি না তা নয়, বরং পাইপলাইনে কোথায় তাদের বিচারের প্রান্তিক মূল্য সর্বোচ্চ। সবচেয়ে কার্যকর HITL সিস্টেম দুর্লভ মানব-বিশেষজ্ঞতা সেখানে কেন্দ্রীভূত করে যেখানে স্বয়ংক্রিয় সিস্টেম সবচেয়ে দুর্বল (ডিস্ট্র্যাক্টর নকশা, ব্যাখ্যামূলক ফিডব্যাক, প্রান্তিক-কেস নিষ্পত্তি, নৈতিক বিচার) এবং বাকিটা স্বয়ংক্রিয় করে — উৎপাদন স্কেল করার সময়ে গুণমান, নিরাপত্তা ও আস্থা রক্ষা করে।

• এআই-সহায়তাপ্রাপ্ত কাজে মানব-তদারকি টিকে থাকে। পদ্ধতিগত-পর্যালোচনা গবেষণা দেখে এআই স্বয়ংক্রিয়করণ সরঞ্জাম পদ্ধতিগত বোঝা কমিয়েছে (যেমন স্ক্রিনিং) কিন্তু ব্যাখ্যামূলক সিদ্ধান্তে এখনও উল্লেখযোগ্য মানব-তদারকি প্রয়োজন ছিল; অ্যান্ড্রাগজি গবেষণা মানুষ-চক্রে (ভাগ করা মানসিক মডেল, সহ-সৃষ্টি) একটি মূল এআই নকশা-নীতি করে।
• প্রাতিষ্ঠানিক স্কেলে মানুষ-চক্রে। Qin (2026) বর্ণনা করেন কীভাবে Lingnan বিশ্ববিদ্যালয় একটি মানুষ-চক্রে শিক্ষামূলক মডেল গড়ে যা নৈতিক যুক্তি, সমালোচনামূলক বিচার ও সামাজিক দায়িত্বকে সামনে রাখে এবং একই সঙ্গে GenAI অভিগম্যতা গণতান্ত্রিক করে। মডেলটি মানুষকে বিচার ও মূল্যবোধের কেন্দ্র হিসেবে স্থাপন করে যদিও এআই পাঠক্রম জুড়ে অন্তর্নিহিত — মানুষ-চক্রে নীতির একটি সুনির্দিষ্ট প্রাতিষ্ঠানিক বাস্তবায়ন উচ্চশিক্ষায়।
• শিক্ষার্থীরা তাদের নিজের টিউটরিংয়ের মানুষ-চক্রে। কমিউনিটি কলেজ শিক্ষার্থীদের সঙ্গে মূল্য-সংবেদনশীল নকশা একটি ITS-এর জন্য শিক্ষার্থী-মুখী HITL বৈশিষ্ট্যের একটি পূর্ণ পরিবার তৈরি করে (পুনঃমূল্যায়ন ও পর্যালোচনার নিয়ন্ত্রণ, ব্যক্তিকেন্দ্রিক লক্ষ্য/গতি, পর্যালোচনার জন্য বুকমার্কিং, দক্ষতার ওপরে আত্মবিশ্বাস নিশ্চিত করা, এবং এআই-সহায়তার সম্পৃক্ততা-স্তরের নিয়ন্ত্রণ), শিক্ষার্থীকে অভিযোজিত সিদ্ধান্তের নিষ্ক্রিয় ভোক্তার বদলে টিউটরিং-চক্রের সক্রিয় নিয়ন্ত্রক হিসেবে স্থাপন করে। অধ্যয়নটি আরও দেখে শিক্ষকেরা বিভক্ত এমন শিক্ষার্থী-নিয়ন্ত্রণ সিস্টেম-নির্দেশিত শিখন-পথের অখণ্ডতা নষ্ট করতে পারে কি না — মানব (শিক্ষার্থী বনাম শিক্ষক) বিচার কোথায় সবচেয়ে বেশি মূল্য যোগ করে সেই বৃহত্তর সম্পদ-বণ্টন প্রশ্নের একটি দৃষ্টান্ত।
• এআই থেকে বিশেষজ্ঞে escalate করা একটি মানুষ-চক্রে পদক্ষেপ। SCAN কাঠামো শিখন-দূরত্ব অনুসারে কাজগুলোকে চারটি জেনারেটিভ-এআই মোডে বণ্টন করে, এবং সঠিকভাবে বণ্টিত এআই-কাজের ভেতরে নিষ্ক্রিয় সম্পৃক্ততাকে ভুল-দক্ষতা-সংকেত হিসেবে পড়ে শিক্ষার্থীকে এআই থেকে বিশেষজ্ঞ-সহায়তায় সরাতে, একজন মানুষকে জ্ঞানতাত্ত্বিক নিরীক্ষক রেখে (Tsim প্রমুখ (2026))।
• এআই-গ্রহণ পরামর্শের তদারকি। কারণ সন্দেহপ্রবণ ব্যবহারকারীদের সঙ্গে পরামর্শ করা সংলাপমূলক এআই সিস্টেম গ্রহণে উৎসাহ দিতে পূর্বপ্রবণ হতে পারে, মানব-তদারকি ও স্বাধীন মূল্যায়ন অপরিহার্য। একটি নিরীক্ষা দেখায় বেশিরভাগ সীমান্ত-মডেল সন্দেহপ্রবণ গ্রামীণ K-12 কর্মীদের সম্পৃক্ততার দিকে ঘুরিয়ে দেয়, যা নির্বিচার নির্ভরতার বদলে স্বচ্ছ, নিরীক্ষাযোগ্য এআই-পরামর্শের প্রয়োজনকে রেখাঙ্কিত করে।

সাধারণ ভ্রান্ত ধারণা

• "সিস্টেমের সুপারিশ দেখানো মানুষকে তা তদারকি করতে সাহায্য করে।" একটি সিস্টেমের পছন্দের উত্তর গোপন রাখা সংশোধনমূলক নয়, সুরক্ষামূলক: এমন একটি বহু-এজেন্ট বিতর্কে যা কখনও সুপারিশকৃত অবস্থান প্রকাশ করেনি, এআই-এর উত্তরে ক্ষতিকর পরিবর্তন নেমে গেছে। প্রকাশ বিচারকে আমন্ত্রণ জানায়; গোপন রাখা বিচারকে সমর্থন করে।
• "মানুষ-চক্রে মানে অবশ্যই একজন মানুষ, একটি সিদ্ধান্ত।" শিক্ষক এজেন্ট, TA এজেন্ট ও সহপাঠী আর্কিটাইপের একটি বহু-এজেন্ট শ্রেণিকক্ষ সিংহুয়া বিশ্ববিদ্যালয়ে মোতায়েন ছিল 500-এর বেশি শিক্ষার্থী ও 100,000-এর বেশি শিখন-রেকর্ড নিয়ে। তদারকি ব্যবস্থার মাধ্যমে স্কেল করে, তত্ত্বাবধায়ক গুণ করে নয়।
• "এআই আউটপুট পর্যালোচনা স্বতঃসিদ্ধ।" 23 জন শিক্ষাবিদের একটি অন্তঃ-বিষয়ক অধ্যয়নে পর্যালোচনা-ভিত্তিক পদ্ধতি প্রতিটি CTML নীতিকে উন্নত করেছে (গড় রেটিং 3.07 থেকে 3.86, p < .01), শিক্ষাবিদেরা উৎপাদন-দক্ষতাকে অনুকূলভাবে রেট করেছেন। পর্যালোচনা একটি দক্ষতা যা একটি কাঠামোবদ্ধ পদ্ধতির অধীনে উন্নত হয়েছে।

সংযুক্ত ধারণা

• পেডাগগিক্যাল প্যাটার্ন — পরীক্ষিত ক্রমে মানব-পর্যালোচনা কোথায় বসে, এবং কী কখনও আলাদাভাবে পরীক্ষিত হয়নি
• গার্ডরেল
• গঠনমূলক মূল্যায়ন
• স্বয়ংক্রিয় মূল্যায়ন
• স্ক্যাফোল্ডিং
• শিক্ষাদান
• এআই সাক্ষরতা
• বুদ্ধিদীপ্ত টিউটরিং
• প্রতিক্রিয়া
• শিক্ষার্থী-অভিজ্ঞতা
• স্ব-নিয়ন্ত্রিত শিখন
• মেটাকগনিশন
• শিক্ষামূলক উন্নয়ন
• উৎপাদক এআই
• শিক্ষার্থীর এজেন্সি
• শিক্ষাতাত্ত্বিক নিরাপত্তা
• বিশ্বাস ক্রমাঙ্কন
• এজেন্টিক AI
• সংজ্ঞানাত্মক অফলোডিং
• সংজ্ঞানাত্মক আত্মসমর্পণ
• শিক্ষার্থী সহায়তা ও সাফল্য — স্বয়ংক্রিয় সহায়তা-প্রবাহের ভেতরে মানব-বিচার

সংযুক্ত নিবন্ধ

• Science Literacy: Generative AI as Enabler of Coherence in the Teaching, Learning, and Assessment of Scientific Knowledge and Reasoning — বিজ্ঞান শিক্ষায় জেনারেটিভ এআই-এর জন্য চার-স্তরের HITL স্থাপত্য (Zhai প্রমুখ 2026)

• Analyzing embodied learning in classroom settings: A human-in-the-loop AI approach for multimodal learning analytics — গবেষণা-যন্ত্রপাতি হিসেবে LLM আচরণ-খণ্ড যাচাইকারী কোডার (Fonteles প্রমুখ 2026)

• Analysing AI utilisation in education through learner question types: A constructivist approach — বিশেষজ্ঞ-লেবেলযুক্ত প্রশ্ন শ্রেণিবিন্যাস: মানুষ লেবেলিং, সমৃদ্ধকরণ ও ত্রুটি-বিশ্লেষণ পরিচালনা করে (Lee, Atif ও Kang 2026)

• Agentic Generative AI in Higher Education: Perceived Benefits, Risks, and Implications for Learning — এজেন্টিক GAI কোর্স-নকশার তৃতীয় স্তর হিসেবে মানব-তদারকি ও শাসন (Ilieva প্রমুখ 2026)

• Value-Sensitive Design in Action: Designing Student-Centered Intelligent Tutoring Systems with Community College Students and Instructors — শিক্ষার্থী-কেন্দ্রিক ITS-এর মূল্য-সংবেদনশীল নকশা (টিউটরিং-চক্রে শিক্ষার্থীরা)

• A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment — বৃহৎ-স্কেল জাতীয় লেখন মূল্যায়নে HITL এআই-সহায়িত স্কোরিং (Curi প্রমুখ 2026)

• AI as Teammate: Rethinking Task Distribution in Medical Training — SCAN কাঠামো: চিকিৎসা প্রশিক্ষণে এআই কাজ-বণ্টন নতুন করে ভাবা (Tsim প্রমুখ 2026)

• A scoping review of generative AI-powered agentic AI in education: Research landscape, agentic capabilities, and insights from the frontier agent paradigm, exemplified by OpenClaw

• AICoFe: Implementation and Deployment of an AI-Based Collaborative Feedback System for Higher Education

• Calibrating Trustworthiness: Co-Designing Metrics and Visualizations for Evaluating LLMs in Education

• CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation

• Confidence Estimation in Automatic Short Answer Grading with LLMs

• TeachArena: Are Language Agents Ready for Realistic Teaching Work?

• From Evaluated Models to Evaluation Aids: A Multi-Evidence Study of LLM-Based Difficulty Calibration for Programming Examinations

• LLMs Do Not Grade Essays Like Humans — LLM মানুষদের মতো প্রবন্ধ গ্রেড করে না (Mathew প্রমুখ 2026)

• Adult Learners' Perspectives of AI Applications in Supporting Andragogy — অ্যান্ড্রাগজি সমর্থনে এআই প্রয়োগ (Kim প্রমুখ 2026)

• Scaffolding Systematic Reviews in Learning Design and Technology Through Mentoring and AI Integration — পরামর্শ ও এআই দিয়ে পদ্ধতিগত পর্যালোচনা স্ক্যাফোল্ড করা (Wang 2026)

• AI-assisted, instructor-supervised grading and feedback in higher education: Design and evaluation of an end-to-end pipeline — এআই-সহায়িত শিক্ষক-তত্ত্বাবধানে গ্রেডিং ও ফিডব্যাক

• Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation — এআই কি বৈচিত্র্যময় শিক্ষার্থী-প্রোফাইলের জন্য উপযুক্ত সহায়তা দিতে পারে? একটি বৃহৎ-স্কেল মূল্যায়ন

• A Feasibility and Implementation Integrity Study of the Community Builder (CoBi): An AI-based Collaboration Support System in K-12 Classrooms

• Assisting the grading of a handwritten general chemistry exam with artificial intelligence

• Bridging technology and education: The use of ChatGPT in grading pharmacy student exams

• Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback

• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — ক্লিনিক্যাল সাক্ষাৎকার প্রশিক্ষণের জন্য স্ক্যাফোল্ডিং-ভিত্তিক বহু-এজেন্ট বৃহৎ ভাষা মডেল সিস্টেম মূল্যায়ন

• A Tripartite Feedback Framework for AI-Assisted Assessment of Complex Reports in Higher Education — ত্রিপাক্ষিক কাঠামো: জ্ঞানতাত্ত্বিক অবস্থান অনুসারে ফিডব্যাক সাজানো এবং এআই-সম্পৃক্তির পাঁচটি সীমানা-নীতি (Venetsanos 2026)

• AI-Assisted Social Story Intervention for Special Education: The Design of AdaptED Stories — বিশেষ শিক্ষার জন্য এআই-সহায়িত Social Story হস্তক্ষেপ: AdaptED Stories-এর নকশা

• EduBehaviors: Assertion-based Schemas for Auditable Coding of Educational Dialogues — EduBehaviors: শিক্ষামূলক সংলাপের নিরীক্ষাযোগ্য কোডিংয়ের জন্য দাবি-ভিত্তিক স্কিমা

• From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026 — অনুভূতি শ্রেণিবিন্যাস থেকে কার্যকর ও দায়িত্বশীল ফিডব্যাকে: শিক্ষাদান মূল্যায়নে শিক্ষার্থীর NLP, 2015–2026 — একটি স্কোপিং পর্যালোচনা ও প্রমাণ-মানচিত্র

• Large language models as grading assistants in public health education: a method-comparison study of essay-style exam assessment — একই LLM গ্রেডিং রিরান ভিন্ন দিনে পুনরুৎপাদিত হয় মাত্র Krippendorff's alpha 0.625-এ

• When Do Undergraduate Students Prefer AI? Insights into AI Scoring and Feedback — স্নাতকেরা উচ্চ-ঝুঁকির কাজে মানব-স্কোরিং এবং সহায়ক হিসেবে এআই পছন্দ করেন, প্রতিস্থাপক হিসেবে নয়

• What Students Actually Ask: Demand Structure and Automation Potential in a Hybrid Support System — শিক্ষার্থীরা আসলে কী জিজ্ঞাসা করে: একটি হাইব্রিড সহায়তা সিস্টেমে চাহিদা-গঠন ও স্বয়ংক্রিয়করণ-সম্ভাবনা

• Rethinking "In-The-Loop" Approaches in Educational AI: A Learning Sciences Perspective — শিক্ষামূলক এআই-তে "ইন-দ্য-লুপ" পদ্ধতি নতুন করে ভাবা: একটি শিখন-বিজ্ঞান দৃষ্টিভঙ্গি

• Countering the Risks of AI Overreliance: Leveraging Multi-Agent Debate for Complementary Human–AI Decision-Making in Legal Contexts — সিস্টেমের পছন্দের উত্তর গোপন রাখা ভুল এআই-পরামর্শে স্থগিতকরণ কমিয়েছে, সংশোধনমূলকভাবে নয় বরং সুরক্ষামূলকভাবে