ICAP কাঠামো

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

ICAP কাঠামো (ইন্টার‍্যাকটিভ–কনস্ট্রাকটিভ–অ্যাকটিভ–প্যাসিভ) — Michelene Chi কর্তৃক উন্নীত জ্ঞানীয় সম্পৃক্ততার একটি শ্রেণিবিন্যাস, যা শিক্ষার্থীর আচরণকে জ্ঞান-পরিবর্তনের চারটি মোডে ভাগ করে এবং ন্যূনতম থেকে সর্বোচ্চ জ্ঞানীয় সম্পৃক্ততার ক্রমে সাজায়: প্যাসিভ, অ্যাকটিভ, কনস্ট্রাকটিভ এবং ইন্টার‍্যাকটিভ। শিক্ষায় এআই-তে ICAP একইসঙ্গে একটি নকশা-লক্ষ্য (এমন সরঞ্জাম তৈরি করা যা নিষ্ক্রিয় ভোগের বদলে কনস্ট্রাকটিভ ও ইন্টার‍্যাকটিভ সম্পৃক্ততা উদ্রেক করে) এবং একটি মূল্যায়ন-দৃষ্টি (শিক্ষার্থী ও এআই ব্যবস্থা সত্যিই উচ্চতর মোডে সম্পৃক্ত কি না তা মাপা) প্রদান করে।(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)

বিবেচনার প্রশ্ন

• শেষবার কখন ভিডিও দেখে বা পড়ে আপনি কিছু 'শিখেছিলেন', তা ভাবুন। ICAP কাঠামো সেটিকে প্যাসিভ বলবে। নিষ্ক্রিয় প্রদর্শন থেকে আপনি আসলে যা ধরে রাখেন, আর অন্য কাউকে ব্যাখ্যা করে দেওয়া থেকে যা ধরে রাখেন — এর পার্থক্য কতটা?
• ICAP সম্পৃক্ততাকে প্যাসিভ থেকে অ্যাকটিভ, কনস্ট্রাকটিভ ও ইন্টার‍্যাকটিভে সাজায়। আপনি যে এআই সরঞ্জাম ব্যবহার করেছেন সেগুলো শিক্ষার্থীদের সাধারণত কোথায় রাখে — আর অ্যাডাপ্টিভ অনুশীলনে ক্লিক করে এগোনো কি সত্যিকারের সম্পৃক্ততা, নাকি কেবল কার্যকলাপ?
• পাতাটি যুক্তি দেয় যে সবচেয়ে তাৎপর্যপূর্ণ পরিবর্তনটি অ্যাকটিভ থেকে কনস্ট্রাকটিভে যাত্রা — কেবল জ্ঞান প্রয়োগ নয়, ব্যাখ্যা বা নতুন কিছু তৈরি। নতুন কিছু উৎপাদনই কেন সেই ধাপ যা আসলে বোঝাপড়া বদলে দেয়?
• একটি গবেষণায় দেখা গেছে, সম্পৃক্ততার মাত্রা চিহ্নিত করার কাজে মানব বিশেষজ্ঞরা এআই মডেলের চেয়ে বহু গুণ ভালো। স্বয়ংক্রিয় ব্যবস্থা যদি পদ্ধতিগতভাবে সম্পৃক্ততাকে কম অনুমান করে, তবে এআই-উৎপন্ন 'সম্পৃক্ততা' মাপকাঠিকে আমরা কীভাবে দেখব?
• ICAP দেখায়, যে সরঞ্জাম আপনার হয়ে উত্তর দেয় তা আপনাকে প্যাসিভ রাখে, আর যে সরঞ্জাম প্রম্পট দেয় ও প্রশ্ন করে তা আপনাকে কনস্ট্রাকটিভ ও ইন্টার‍্যাকটিভ সম্পৃক্ততার দিকে ঠেলে দেয়। আপনার শিক্ষার্থীদের জন্য আপনি কোন নকশা-পছন্দ করবেন?
• কাঠামোটি একইসঙ্গে নকশা-লক্ষ্য ও মূল্যায়ন-দৃষ্টি হিসেবে ব্যবহৃত হয়। নিজের শিক্ষাদান বা নকশায় ICAP ব্যবহার করে আপনি কীভাবে বুঝবেন শিক্ষার্থীরা সত্যিই সম্পৃক্ত, নাকি কেবল সক্রিয়?

ভূমিকা

ICAP এই ধারণার ওপর দাঁড়িয়ে যে শিক্ষার্থীরা যা করে তা-ই নির্ধারণ করে তারা কতটা এবং কী শেখে। Chi-র কাঠামো প্রস্তাব করে, সম্পৃক্ততা প্যাসিভ থেকে অ্যাকটিভ, কনস্ট্রাকটিভ ও ইন্টার‍্যাকটিভে এগোলে জ্ঞান-পরিবর্তনের প্রকৃতিও গভীর হয় — সঞ্চয় থেকে মনোযোগ, নতুন জ্ঞানকে পূর্বজ্ঞানের সঙ্গে সংযুক্ত করা, এবং সংলাপের মাধ্যমে জ্ঞান সহ-সৃষ্টি পর্যন্ত। এ কারণেই ICAP শিক্ষায় এআই-এর জন্য একটি শক্তিশালী বিশ্লেষণী হাতিয়ার, যেখানে কেন্দ্রীয় নকশা-প্রশ্ন হলো এআই সহায়তা শিক্ষার্থীর জ্ঞানীয় সম্পৃক্ততাকে সমর্থন করে, নাকি প্রতিস্থাপন করে।

চারটি মোড

শিক্ষায় এআই-তে ICAP

এআই সরঞ্জামের জন্য একটি নকশা-লক্ষ্য

ICAP শিক্ষায় এআই-এর কেন্দ্রীয় নকশা-প্রশ্নটিকে নতুন করে সাজায়: যে এআই সরঞ্জাম শিক্ষার্থীর হয়ে উত্তর দেয় তা তাদের প্যাসিভ/অ্যাকটিভ মোডে রাখে, আর যে সরঞ্জাম প্রম্পট দেয়, প্রশ্ন করে এবং স্ক্যাফোল্ড যোগায় তা শিক্ষার্থীকে কনস্ট্রাকটিভ ও ইন্টার‍্যাকটিভ সম্পৃক্ততার দিকে ঠেলে দিতে পারে। এটি ICAP-কে গঠনবাদ শিক্ষাতত্ত্ব এবং সক্রিয় শিখন গবেষণার সঙ্গে সামঞ্জস্যপূর্ণ করে।(Multimodal Learning with Generative AI)(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

এআই এজেন্টের জন্য একটি মূল্যায়ন-দৃষ্টি

ICAP একটি পরিমাপ-কাঠামো হিসেবেও কাজ করে। একটি গবেষণায় গবেষকেরা ICAP-কে ৭-দফা স্কেলে সম্প্রসারিত করে সহযোগিতামূলক সংলাপে জ্ঞানীয় সম্পৃক্ততা চিহ্নিত করেন, তারপর প্রশিক্ষিত মানব কোডারদের সঙ্গে LLM-ভিত্তিক লেবেলিং (ইন-কনটেক্সট লার্নিং, জিরো-শট প্রম্পটিং এবং রিফ্লেক্টিভ এজেন্ট) তুলনা করেন। মানব আন্তঃকোডার নির্ভরযোগ্যতা (kappa = 0.906-0.998) LLM টীকাকরণের (kappa = 0.541-0.609) চেয়ে বহু বেশি ছিল, যা লার্নিং অ্যানালিটিক্স পাইপলাইনে স্বয়ংক্রিয় সম্পৃক্ততা-পরিমাপে ICAP-এর ভূমিকা — এবং বর্তমান সীমা — তুলে ধরে।(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)

সহযোগিতামূলক সংলাপ-পরিচালনায় দিশা

যেহেতু ইন্টার‍্যাকটিভ সম্পৃক্ততা ICAP-এর সর্বোচ্চ মোড, কাঠামোটি অনলাইন সহযোগিতামূলক আলোচনায় এআই-পরিচালনার মূল্য নির্ণয় করতে সাহায্য করে। LLM পরিচালনার সময়বিষয়ক গবেষণা দেখায়, আলোচনায় এআই কখন হস্তক্ষেপ করে তা নির্ধারণ করে এটি ইন্টার‍্যাকটিভ জ্ঞান সহ-নির্মাণকে সমর্থন করে, নাকি ব্যাহত করে — ICAP-অনুপ্রাণিত এই সতর্কতা বলে, স্বায়ংক্রিয় মডারেশন এজেন্টকে অতিউৎসাহী পরিচালনার বদলে মানবসুলভ সংযমের দিকে ক্রমাঙ্কিত করা দরকার।

ICAP এবং শিখন-বিশ্লেষণের নকশা

ICAP ভাসা-ভাসা "সম্পৃক্ততা" মাপকাঠির সমালোচনার ভিত্তি: ফিল্টারে ক্লিক করে ড্যাশবোর্ডের সঙ্গে মিথস্ক্রিয়া অ্যাকটিভ সম্পৃক্ততা, ইন্টার‍্যাকটিভ নয়। কার্যকর শিখন-বিশ্লেষণ নকশা কেবল তথ্য দেখানোর বদলে স্ব-মূল্যায়ন ও দুইমুখী সংলাপ উদ্রেক করে — Chi-র কাঠামো থেকে সরাসরি পাওয়া এই উপলব্ধি।(Interactive learning dashboards: rethinking learning visualisations as engagement tools)

অ্যাকটিভ→কনস্ট্রাকটিভ রূপান্তরই নির্ণায়ক ধাপ

ICAP একটি ক্রমবিন্যাস বর্ণনা করলেও, শিখনের জন্য সবচেয়ে তাৎপর্যপূর্ণ পরিবর্তনটি হলো অ্যাকটিভ থেকে কনস্ট্রাকটিভ মোডে উত্তরণ (Chi & Boucher, 2023)। অ্যাকটিভ সম্পৃক্ততা (জ্ঞানকে অনুরূপ-কিন্তু-অভিন্ন-নয় এমন পরিস্থিতিতে প্রয়োগ) শিক্ষার্থীকে প্রস্তুত করে, কিন্তু কনস্ট্রাকটিভ সম্পৃক্ততাই — ব্যাখ্যা, সারাংশ বা নতুন সৃষ্টিকর্ম উৎপাদন — তাদের নতুন জ্ঞান তৈরির সামর্থ্য দেয়। শিক্ষায় এআই-এর মূল চাবিকাঠি এখানেই: যে সরঞ্জাম শিক্ষার্থীকে অ্যাকটিভ মোডে রাখে (যেমন অ্যাডাপ্টিভ অনুশীলনে ক্লিক করে এগোনো) তা ফলপ্রসূ দেখাতে পারে, কিন্তু কখনও টেকসই বোঝাপড়া-দায়ী কনস্ট্রাকটিভ উৎপাদনের দিকে ঠেলে দেয় না। যে সহযোগিতামূলক ও সাক্ষরতা-কেন্দ্রিক হস্তক্ষেপগুলো সচেতনভাবে অ্যাকটিভ→কনস্ট্রাকটিভ লাফের স্ক্যাফোল্ড যোগায়, তারাই সাধারণত সবচেয়ে বড় অর্জন দেখায়।(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

"সবচেয়ে বড় অর্জন" অংশটি কাঠামো থেকে করা একটি অনুমান, পর্যালোচনাটি চালানো কোনো তুলনা নয়। এর পেছনের নয়-গবেষণার পর্যালোচনা (২০১৫–২০২৩) গণনা করে কতটি হস্তক্ষেপ প্রতিটি মোড অন্তর্ভুক্ত করেছে (৯ প্যাসিভ, ৫ অ্যাকটিভ, ৭ কনস্ট্রাকটিভ, ৮ ইন্টার‍্যাকটিভ), মোড অনুযায়ী কোনো ইফেক্ট সাইজ প্রতিবেদন করে না, এবং উল্লেখ করে যে অন্তর্ভুক্ত কোনো গবেষণাই একক মোডের ওপর নির্ভর করেনি — ফলে এর ভেতরে অ্যাকটিভ→কনস্ট্রাকটিভ লাফকে বিচ্ছিন্ন করার মতো কিছু নেই (Hingle et al., 2025)। ক্রমবিন্যাসটি Chi-র; পর্যালোচনা যা যোগ করে তা হলো, অনুশীলনকারীরা একটি বেছে নেওয়ার বদলে মোডগুলো মিলিয়ে ব্যবহার করেন।

ITS-এ অ্যাডাপ্টিভ-স্ক্যাফোল্ডিং সংকেত হিসেবে ICAP

ICAP-এর মোডগুলোকে লক্ষ্য-অবস্থা হিসেবে কার্যকর করা যায়, যা একটি অ্যাডাপ্টিভ টিউটর ক্রমবর্ধমান শিক্ষার্থী-মডেলের ভিত্তিতে জ্ঞানীয় সম্পৃক্ততার স্ক্যাফোল্ডিংয়ের জন্য বেছে নেয়। একটি লজিক ITS-এ Dey Tithi et al. গতিশীলভাবে অ্যাকটিভ "Guided" ওয়ার্কড-একজাম্পল মোড এবং কনস্ট্রাকটিভ "Buggy" একজাম্পল মোডের মধ্যে বেছে নেন। ১১৩ জন শিক্ষার্থীর ওপর Bayesian Knowledge Tracing (BKT)-কে Deep Reinforcement Learning (DRL) এবং একটি অ-অ্যাডাপ্টিভ বেসলাইনের সঙ্গে তুলনা করে দেখা যায়, দুটি অ্যাডাপ্টিভ নীতিই পরীক্ষা-পরবর্তী ফলাফল উন্নত করেছে — তবে ভিন্নভাবে: BKT কম-পূর্বজ্ঞানসম্পন্ন শিক্ষার্থীদের সবচেয়ে বড় লাভ দিয়েছে (তাদের সমকক্ষ হয়ে উঠতে সাহায্য করেছে), আর DRL উচ্চ-পূর্বজ্ঞানসম্পন্ন শিক্ষার্থীদের মধ্যে সর্বোচ্চ পরীক্ষা-পরবর্তী স্কোর তৈরি করেছে। এটি এক বাস্তব প্রদর্শন যে একটি বুদ্ধিমান টিউটরের ICAP মোড কার্যকরভাবে ব্যক্তিগতকরণ করা নির্ভর করে শিক্ষার্থীর বর্তমান জ্ঞানের মডেলিংয়ের ওপর — এবং কোনো একক মোড বা অ্যাডাপ্টিভ পদ্ধতি সব শিক্ষার্থীর জন্য উপযুক্ত নয়। এটি ICAP ক্রমবিন্যাসকে সরাসরি অভিযোজনশীল শিখন ও জ্ঞান ট্রেসিং নকশার সঙ্গে যুক্ত করে।

মানবসদৃশ এজেন্ট তৈরিতে জ্ঞানীয় অবস্থার মডেল হিসেবে ICAP

কাজের মোড নির্বাচনের বাইরেও, ICAP সরাসরি একটি জেনারেটিভ শিক্ষা-এজেন্টের জ্ঞানীয় মডেলে গেঁথে দেওয়া হয়েছে। CogEvolution একটি ICAP-ভিত্তিক "cognitive depth perceptron" তৈরি করে, যা ইনপুটকে চারটি ICAP স্তরের ওপর সম্ভাব্যতা-বণ্টনে মাপে, এবং এটিকে বিবর্তন-অনুপ্রাণিত অবস্থা-হালনাগাদ ও item-response-theory স্মৃতি-পুনরুদ্ধারের সঙ্গে মিলিয়ে শিক্ষার্থীর জ্ঞানীয় বিবর্তন অনুকরণ করে (যেমন বিভ্রান্তি → অন্তর্দৃষ্টির মতো উত্তরণ)। অ্যাবলেশন দেখায়, ICAP উপলব্ধি-মডিউল সরিয়ে দিলে এজেন্টের অগভীর ও গভীর শিখনের পার্থক্য করার ক্ষমতা ভেঙে পড়ে — প্রমাণ যে ICAP শ্রেণিবিন্যাস শিক্ষার্থী-অনুকরণের জন্য সূক্ষ্ম, অন্তর্নিহিত জ্ঞানীয়-সম্পৃক্ততা মাপকাঠি হিসেবে কাজ করতে পারে, কেবল বাহ্যিক মূল্যায়ন-দৃষ্টি হিসেবে নয়।

প্রতিফলনমূলক GenAI মিথস্ক্রিয়ার মূল্যায়নে ICAP-এর ভিত্তি

উৎপাদনশীল, প্রক্রিয়া-স্তরের সম্পৃক্ততার ওপর ICAP-এর জোর এমন মূল্যায়ন-কাঠামো গ্রহণ করেছে যা মূল্যায়ন করে শিক্ষার্থীরা জেনারেটিভ এআই-এর সঙ্গে কীভাবে শেখে। DRIVE কাঠামো স্পষ্টভাবে তার মূল ধারণা — GenAI আউটপুটের সঙ্গে গভীর প্রতিফলনমূলক মিথস্ক্রিয়া — কে ICAP যে ধরনের উৎপাদনশীল সম্পৃক্ততাকে গভীর শিখনে নিয়ে যায় বলে চিহ্নিত করে, তার সঙ্গে সামঞ্জস্যপূর্ণ করে, এবং এটি ব্যবহার করে ভাসা-ভাসা ভোগকে এআই-উৎপন্ন বিষয়বস্তুর শ্রমসাধ্য, প্রতিফলনমূলক পুনর্কর্ম থেকে আলাদা করে। এটি ICAP-কে কেবল ব্যবহার-পর্যবেক্ষণের বদলে অর্থবহ GenAI শিখন-মিথস্ক্রিয়া নকশা ও পরিমাপের তাত্ত্বিক ভিত্তি হিসেবে প্রতিষ্ঠিত করে।

নকশা ও গবেষণার জন্য তাৎপর্য

1. উচ্চতর মোডের জন্য নকশা করুন। এআই সরঞ্জামের উচিত শিক্ষার্থীকে উৎপাদন, ব্যাখ্যা ও সংলাপে প্ররোচিত করা — কনস্ট্রাকটিভ ও ইন্টার‍্যাকটিভ কার্যকলাপ — প্যাসিভ বিষয়বস্তু পরিবেশন বা উত্তর-যন্ত্র হিসেবে কাজ করার বদলে।(Multimodal Learning with Generative AI)
2. বিভিন্ন মোডে শিক্ষার্থীকে সম্পৃক্ত করুন। কার্যকর এআই সাক্ষরতা শিক্ষা শিক্ষার্থীকে একাধিক ICAP স্তরে সম্পৃক্ত করে — প্যাসিভ প্রকাশ, অ্যাকটিভ নাড়াচাড়া, কনস্ট্রাকটিভ উৎপাদন এবং ইন্টার‍্যাকটিভ সংলাপ — শিখন-লক্ষ্যের সঙ্গে মানানসই মোড বেছে নিয়ে।(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)
3. সততার সঙ্গে সম্পৃক্ততা মাপুন। ICAP গবেষক ও নকশাকারীদের একটি সাধারণ শব্দভাণ্ডার দেয় প্রকৃত জ্ঞানীয় সম্পৃক্ততাকে নিছক কার্যকলাপ থেকে আলাদা করার — ভাসা-ভাসা শিক্ষার্থীর সম্পৃক্ততা-এর একটি সংশোধন।(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)
4. মানব–LLM টীকাকরণের ফাঁক খেয়াল করুন। সম্পৃক্ততা কোড করতে স্বয়ংক্রিয় ব্যবস্থা ব্যবহার করা হলে, প্রশিক্ষিত মানুষের তুলনায় তাদের পদ্ধতিগত ঘাটতিকে হিসাবে নিতে হবে।(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)

সাধারণ ভুল ধারণা

"ICAP কার্যকলাপ লেবেল করার একটি শ্রেণিবিন্যাস।" এটি একটি নকশা ও মূল্যায়ন-দৃষ্টি, যার সঙ্গে আছে একটি ক্রমবিন্যাস-দাবি: প্যাসিভ, অ্যাকটিভ, কনস্ট্রাকটিভ ও ইন্টার‍্যাকটিভ সম্পৃক্ততা যে শিখনে উৎপন্ন করে তাতে ভিন্ন, তাই "নিষ্ক্রিয় ভোগের বদলে কনস্ট্রাকটিভ ও ইন্টার‍্যাকটিভ সম্পৃক্ততা উদ্রেক করে এমন সরঞ্জাম তৈরি করুন" হলো একটি নকশা-লক্ষ্য, শ্রেণিবিন্যাস-অনুশীলন নয়। শিক্ষার্থীরা যা করে তা না বদলে কেবল পাঠে একটি মোডের লেবেল সেঁটে দেওয়া কাঠামোটি প্রয়োগ করেনি।

"কাজে ব্যয়িত সময় বা মিথস্ক্রিয়ার পরিমাণ সম্পৃক্ততার মাত্রা নির্দেশ করে।" পরিমাণ কার্যকলাপ গোনে, মোড নয়। স্ক্রলিং একইসঙ্গে ভিন্ন অর্থে অ্যাকটিভ ও প্যাসিভ, আর অনেক ক্লিক উৎপন্ন করা শিক্ষার্থীও কনস্ট্রাকটিভ হওয়ার বদলে গ্রহণ করছে। কাঠামোর মূল্য ঠিক এখানেই যে এটি সম্পৃক্ততার সেই ধরনগুলো আলাদা করে, যেগুলো কার্যকলাপ-মাপকাঠি একসঙ্গে জড়ো করে ফেলে।

"এআই টিউটর সংলাপ করে বলে স্বয়ংক্রিয়ভাবে ইন্টার‍্যাকটিভ সম্পৃক্ততা তৈরি করে।" সংলাপ মাধ্যম, মোড নয়। যে সংলাপে ব্যবস্থাটি প্রতিটি মূলগত অবদান জোগায়, তা ইন্টার‍্যাকটিভ ইন্টারফেস পরা শিক্ষার্থীর জন্য প্যাসিভ — আচরণগত কার্যকলাপ ও জ্ঞানীয় বিনিয়োগের মধ্যে সম্পৃক্ততা-সাহিত্য যে বিভ্রান্তি নথিভুক্ত করে, এটিও তাই।

"উচ্চতর ICAP মোড সর্বদা ভালো।" এগুলোর খরচ বেশি, আর ক্রমবিন্যাসটি প্রাসঙ্গিক প্রক্রিয়াকরণের প্রতি একক শিখন নিয়ে, কোন পাঠের সর্বদা কোনটি লক্ষ্য হওয়া উচিত তা নিয়ে নয়। মৌলিক সাবলীলতার জন্য কনস্ট্রাকটিভ কাজ সম্ভব হওয়ার আগে অ্যাকটিভ পুনরাবৃত্তি দরকার হতে পারে; ভুল হলো সেখানেই থেমে যাওয়া, সেখান দিয়ে যাওয়া নয়।

সংযুক্ত ধারণা

• সক্রিয় শিখন
• সহযোগিতামূলক শিখন
• শিক্ষার্থীর সম্পৃক্ততা
• লার্নিং অ্যানালিটিক্স
• গঠনবাদ
• লার্নিং ডিজাইন
• মেটাকগনিশন
• এআই সাক্ষরতা
• মানুষ-চক্রে
• AIEd গবেষণার সীমাবদ্ধতা

সংযুক্ত নিবন্ধ

• Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents — মানব বনাম LLM টীকাকরণে সম্পৃক্ততা মাপার জন্য সম্প্রসারিত ICAP কাঠামো
• Systematic Review of Collaborative Learning Activities for Promoting AI Literacy — চারটি ICAP মোড জুড়ে সহযোগিতামূলক এআই সাক্ষরতা
• Interactive learning dashboards: rethinking learning visualisations as engagement tools — ভাসা-ভাসা শিখন-বিশ্লেষণ সম্পৃক্ততার সমালোচনা হিসেবে ICAP
• Multimodal Learning with Generative AI — মাল্টিমোডাল শিখন-নকশায় ICAP ও জ্ঞানীয় সম্পৃক্ততা
• To Facilitate or not to Facilitate: Human and LLM Facilitator Tendencies in Online Discussions — অনলাইন সহযোগিতামূলক আলোচনায় LLM পরিচালনার সময়
• Adaptive Scaffolding for Cognitive Engagement in an Intelligent Tutoring System — একটি ITS-এ অ্যাডাপ্টিভ ICAP স্ক্যাফোল্ডিং (BKT বনাম DRL)
• CogEvolution: A Human-like Generative Educational Agent to Simulate Student's Cognitive Evolution — জেনারেটিভ শিক্ষার্থী-অনুকরণ এজেন্টে ICAP জ্ঞানীয়-গভীরতা মডেল
• Assessing students' DRIVE: A framework to evaluate learning through interactions with generative AI — প্রতিফলনমূলক GenAI মিথস্ক্রিয়ার ICAP-ভিত্তিক মূল্যায়ন