AIEd গবেষণার সীমাবদ্ধতা

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

AIEd গবেষণার সীমাবদ্ধতা — বারবার ফিরে আসা সেই দুর্বলতা ও সীমাবদ্ধতা যা ঠিক করে এআই-শিক্ষার ফলাফলে আমরা কতটা আস্থা রাখতে পারি, এবং পাঠকেরা সেগুলো কীভাবে পড়বেন। এগুলো একক গবেষণা ছাড়িয়ে যায়: পদ্ধতিগত সীমাবদ্ধতা (সাধারণীকরণযোগ্যতা, নমুনা-আকার, বৈধতা, স্ব-প্রতিবেদন), গতির সমস্যা (এআই ও ফলাফল দ্রুত পুরনো হয়, অথচ প্রকাশনা পিছিয়ে থাকে), গবেষণা-অনুশীলন সীমাবদ্ধতা (পুনরুৎপাদনযোগ্যতা, FAIR অনুশীলন, মালিকানাধীন সরঞ্জাম) এবং দুর্বল তত্ত্ব-ব্যবহার। পদ্ধতিগত সীমা অনুমাননির্ভর নয়, পরিমাপযোগ্য: এআই দিয়ে সমালোচনামূলক চিন্তনের 80টি HCI গবেষণার একটি সমালোচনামূলক পর্যালোচনায় 42টি (52%) কোনো নিয়ন্ত্রণ-দল চালায়নি এবং বাকিগুলোর বেশিরভাগ স্ব-প্রতিবেদনে নির্ভর করেছে, তাই ক্ষেত্রটির ইতিবাচক ফলাফল এমন নকশার উপর দাঁড়িয়ে যা এআই-এর প্রভাবকে সাধারণ চিন্তন-প্রতিফলন থেকে আলাদা করতে পারে না (A Critical Review of Critical Thinking in HCI Research About AI) ফলাফল-কোডিংও একইভাবে অসম: উচ্চশিক্ষার 103টি গবেষণার একটি পদ্ধতিগত পর্যালোচনা তার কর্পাসকে চার-স্তরের ফলাফল-শ্রেণিবিন্যাসে সাজিয়ে 56% একটি একক শর্তসাপেক্ষ প্যাটার্নে ফেলেছে, যেখানে আত্মবিশ্বাস ও প্রেরণা বেড়েছে, অথচ টেকসই দক্ষতায় সমান লাভ হয়নি (Generative AI in higher education: A systematic review of empirical uses, outcomes, and risks).. এই সীমাগুলো চিনে রাখা সাহিত্য সমালোচনামূলকভাবে পড়ার এবং শক্তিশালী গবেষণা নকশার জন্য অপরিহার্য।

বিবেচনার প্রশ্ন

• 'এআই টিউটরিং শিখন 30% বাড়ায়' — এমন শিরোনাম যদি জানতেন এটি এক প্রতিষ্ঠানের এক কোর্সের 30 শিক্ষার্থী থেকে এসেছে, তবে কতটা বিশ্বাস করতেন? পাতাটি সাধারণীকরণযোগ্যতা ও ছোট নমুনাকে বারবার ফিরে আসা সীমা হিসেবে চিহ্নিত করে — কোনো একক ফলাফলের উপর কাজ করার আগে আপনি কী জানতে চাইতেন?
• একটি চমকপ্রদ সীমাবদ্ধতা হলো 'গতির সমস্যা': এআই ফলাফল প্রকাশের চেয়ে দ্রুত এগোয়, তাই এক মডেল-প্রজন্মের গবেষণা ইতিমধ্যে একটি বিলুপ্ত ব্যবস্থা বর্ণনা করতে পারে। এআই-শিক্ষা গবেষণায় আপনার আস্থা এটি কীভাবে বদলানো উচিত?
• অনেক গবেষণা স্ব-প্রতিবেদিত মনোভাব ও ব্যবহারে নির্ভর করে, যা পক্ষপাতদুষ্ট — মানুষ নিজের দক্ষতা বাড়িয়ে দেখায় ও অপব্যবহার কমিয়ে জানায়। নিজের দক্ষতা বা আচরণ নিয়ে কোনো সমীক্ষায় কখনো কি বাস্তবতার সঙ্গে না-মেলা উত্তর দিয়েছেন? উপলব্ধি-ভিত্তিক পরিমাপ কেন এত প্রায়ই বস্তুনিষ্ঠ পারফরম্যান্স থেকে সরে যায়?
• পাতাটি লক্ষ করে Bloom-এর শ্রেণিবিন্যাসের মতো পরিচিত কাঠামোগুলোকে প্রায়ই কঠোর সিঁড়ি হিসেবে ভুল পড়া হয়, এবং জ্ঞানগত চাপের তত্ত্বের মতো বহুল-ব্যবহৃত তত্ত্বও চ্যালেঞ্জের মুখে পড়েছে। কোথায় দেখেছেন একটি তত্ত্বকে নিষ্পত্তিপ্রাপ্ত সত্য হিসেবে ব্যবহার হতে, যেখানে তার নিজস্ব প্রমাণই বিতর্কিত ছিল?
• বেশিরভাগ এআই গবেষণা মালিকানাধীন, অস্বচ্ছ মডেলের উপর নির্ভর করে যাদের তথ্য ও হালনাগাদ আপনি পরীক্ষা করতে পারেন না। কোন মডেল ঠিক কী ফল দিয়েছে তা যাচাই করতে না পারলে তার উপর গড়া দাবিতে কতটা আস্থা রাখা যায় — আর ফলাফলকে বেশি পুনরুৎপাদনযোগ্য কী করবে?
• আপনি যদি এমন প্রশিক্ষক বা নকশাকারী হন যাঁর মূল গবেষণা পড়ার সময় নেই, তবে কীভাবে ঠিক করবেন কোন এআই-দাবি আপনার অনুশীলন বদলানোর মতো যথেষ্ট বিশ্বস্ত — যখন সাহিত্যটি খণ্ডিত, সাময়িক এবং গবেষকদের জন্য লেখা?

ভূমিকা

এআই-শিক্ষা একটি দ্রুতগামী, ভিন্নধর্মী ক্ষেত্র, আর এর প্রমাণভাণ্ডার এক অনন্য সীমাবদ্ধতা-সেট বহন করে যা গবেষক, অনুশীলনকারী ও নীতিনির্ধারকদের যেকোনো ফলাফল ব্যবহারের সময় বিচার করা উচিত। এর কিছু শিখন-বিজ্ঞান ও মনোবিজ্ঞানের বৃহত্তর সাহিত্যের সঙ্গে ভাগ করা; অন্যগুলো এআই-এর প্রকৃতির কারণে বাড়িয়ে তোলা বা অনন্য। এই পাতা সেগুলোকে চারটি আড়াআড়ি ক্ষেত্রে সাজায়।

পদ্ধতিগত সীমাবদ্ধতা

জ্ঞানভাণ্ডারের গবেষণা-পদ্ধতি পাতায় প্রতিটি নকশার শক্তি ও সীমাবদ্ধতা বিস্তারিত আছে। কয়েকটি সীমা নকশা জুড়ে বারবার আসে এবং বিশেষ মনোযোগ দাবি করে:

• সাধারণীকরণযোগ্যতা। একক কোর্স, প্রতিষ্ঠান, শাখা বা জাতীয় প্রসঙ্গ থেকে পাওয়া ফলাফল সবসময় স্থানান্তরিত নাও হতে পারে। ছোট, সুবিধাজনক বা একক-প্রতিষ্ঠান নমুনা বাহ্যিক বৈধতাকে সীমিত করে; একটি এআই সরঞ্জামের ফলাফল খুব কমই ভিন্ন সরঞ্জাম বা প্রসঙ্গে প্রসারিত হয়।

• ক্রস-জাতীয় বিশ্বাস-তুলনা একটি পরিমাপ-ঝুঁকি বহন করে। 1,405 জন কে-১২ শিক্ষকের পাঁচ-দেশ সমীক্ষা back-translation বা measurement-invariance পরীক্ষা ছাড়াই স্বয়ংক্রিয় মেশিন-অনুবাদ ব্যবহার করেছে এবং চুরি ও সৃজনশীলতা-উদ্বেগ একক আইটেম দিয়ে মাপা হয়েছে, তাই এর দেশভিত্তিক পার্থক্যগুলোকে সমতুল্য গঠন হিসেবে পড়া যায় না (Xiu প্রমুখ (2026))।

• সংশ্লেষণ-স্তরের কঠোরতা প্রাথমিক-গবেষণার কঠোরতা থেকে আলাদা অক্ষ। একটি মেটা-বিশ্লেষণ নিজের অন্তর্ভুক্তি-মানদণ্ড পূরণ করে হয়েও নকশা, বাস্তবায়ন-নিষ্ঠা ও ফলাফল-পরিমাপে ভিন্ন গবেষণা একসঙ্গে পুল করতে পারে, কোনো একটিরও ভার না দিয়ে: Doğan ও সহকর্মীরা (2026) স্পষ্টভাবে বলেন তারা কোনো আনুষ্ঠানিক মান-মূল্যায়ন সরঞ্জাম ব্যবহার করেননি এবং অন্তর্ভুক্তি-মানদণ্ডকেই কঠোরতার সীমা ধরে নিয়েছেন, তাই একটি quasi-experimental গবেষণা ও একটি র‍্যান্ডমাইজড গবেষণা পুলকৃত STEM অনুমানে সমান অবদান রেখেছে। একই পর্যালোচনা একটি সম্পর্কিত রিপোর্টিং-বিপদও দেখায়: এর ভিন্নতাটি fixed-effect মডেলে I² = 82.98% এবং random-effects মডেলে I² = 15.75% হিসেবে উদ্ধৃত, অর্থাৎ যে পাঠক মডেল ছাড়া একটি ভিন্নতা-সংখ্যা তুলে নেন তিনি বলতে পারেন না কর্পাসটি আসলে কতটা অসামঞ্জস্যপূর্ণ। একটি সংশ্লেষণ মূল্যায়ন করুন এটি নির্ভরশীল effect size, মান ও ভিন্নতা কীভাবে সামলেছে তা দিয়ে, কেবল অনুসন্ধান-প্রোটোকল মেনেছে কি না তা দিয়ে নয়।

• পুনরুদ্ধার-নকশা সংশ্লেষণের শিরোনাম-সংখ্যা ঠিক করে। শিক্ষক-শিক্ষার 195 গবেষণার একটি scoping পর্যালোচনায় ডিজিটাল দক্ষতা ও TPACK স্পষ্ট অনুসন্ধান-বর্ণক ছিল, অথচ instructional design ও assessment-এর সমতুল্য কিছু ছিল না, তাই রিপোর্টকৃত 46.5% ও 1.9% ক্ষেত্রটির বদলে পুনরুদ্ধারকৃত কর্পাস বর্ণনা করে (Patiño Hernández প্রমুখ (2026))।

• ছোট নমুনা-আকার। অনেক AIEd গবেষণা underpowered — অর্থবহ প্রভাব নির্ভরযোগ্যভাবে শনাক্ত করতে বা কখনো তাদের থেকে তোলা জোরালো দাবি সমর্থন করতে অংশগ্রহণকারী খুব কম।

• ডেটা augmentation শিরোনাম-মেট্রিক তৈরি করতে পারে। একটি স্বয়ংক্রিয় রচনা-স্কোরারের প্রশিক্ষণ-বিভাগে যেখানে 83 শিক্ষার্থীর কাজ ছিল, উৎপাদিত স্তর-1 প্রতিক্রিয়া — টেমপ্লেট, ছাঁটাই, কীওয়ার্ড অপসারণ — 0.028 বেসলাইন থেকে Focus সম্মতি +0.346 quadratic weighted kappa বাড়িয়েছে, তাই সবচেয়ে শক্তিশালী ordinal সংকেত দাঁড়িয়েছে এমন পাঠ্যের উপর যা কোনো শিক্ষার্থী লেখেনি (Firdausi প্রমুখ (2026))।

• প্রান্তবিন্দু-স্কোর যা অধ্যয়ন করা হচ্ছে তা ঢেকে দিতে পারে। 103টি উচ্চশিক্ষা গবেষণার একটি PRISMA পর্যালোচনায় 56% এমন লাভ রিপোর্ট করেছে যা scaffolding বা যাচাইয়ের উপর শর্তসাপেক্ষ, আর শূন্য গ্রেড-পার্থক্য প্রায়ই প্রক্রিয়ার বাস্তব পরিবর্তনের সঙ্গে এসেছে — বেশি ডিবাগিং, বেশি যাচাই-চক্র — তাই কেবল গ্রেড বলে না GenAI অনুশীলনকে শক্তিশালী করেছে নাকি ফাঁপা করেছে (Hawi ও Samaha (2026))।

• যাচাই-নকশা শিরোনাম-সংখ্যা তৈরি করতে পারে। Nanayakkara ও Halloluwa (2026) EEG-ভিত্তিক পরিচিতিতে পনেরোটি মডেল বেঞ্চমার্ক করেন এবং দেখান সাধারণ stratified cross-validation সময়গত লিকেজের সুযোগ দেয় ও 0.9853 F1 পর্যন্ত রিপোর্ট করে, অথচ trial-independent Group K-Fold যাচাই শীর্ষটি 0.6038 F1-এ নামায় — এখনও সুযোগের উপরে, তবে উদ্ধৃত ফলাফল থেকে অনেক দূরে।

• বেঞ্চমার্ক নিজেরা যে ব্যর্থতা রিপোর্ট করে তা সরবরাহ করতে পারে। 250টি প্রত্যাখ্যাত পদার্থবিজ্ঞান-আইটেমের বিশেষজ্ঞ পুনঃগ্রেডিং 238টি (95.20%) বেঞ্চমার্ক বা গ্রেডার-ত্রুটিতে এবং কেবল 12টি (4.80%) প্রকৃত মডেল-ত্রুটিতে আরোপ করে, তাই একটি মডেলের মাপা ত্রুটি-হার সরঞ্জামের ত্রুটি-হারের নিচে নামতে পারে না।(Ansari প্রমুখ (2026))

• বৈধতা ও পরিমাপ। গঠন-বৈধতা প্রায়ই পাতলা: "শিখন", "সম্পৃক্ততা" বা "সাক্ষরতা"-র প্রক্সি ব্যাপকভাবে ভিন্ন, আর সরঞ্জামগুলো সবসময় অধ্যয়নাধীন জনসংখ্যা বা গঠনের জন্য বৈধায়িত নয়। বেঞ্চমার্ক নির্ভুলতা শিক্ষামূলক কার্যকারিতার সমান নয়।

• স্ব-প্রতিবেদন ও সমীক্ষা-তথ্য। কর্পাসের বড় অংশ স্ব-প্রতিবেদিত মনোভাব, প্রেরণা ও ব্যবহারে নির্ভর করে। স্ব-প্রতিবেদন পক্ষপাতের শিকার — উত্তরদাতারা দক্ষতা বাড়িয়ে দেখায়, অপব্যবহার কমিয়ে জানায়, এবং নিজের আচরণ ভুল বিচার করে — তাই উপলব্ধি-ভিত্তিক পরিমাপ প্রায়ই বস্তুনিষ্ঠ পারফরম্যান্স থেকে সরে যায় (দেখুন How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures ও শিক্ষামূলক পরিমাপ)।

• প্রসঙ্গ ও যাচাই-রিপোর্টিং একটি সাহিত্য জুড়ে পরিমাপযোগ্য। শিক্ষণ-মূল্যায়ন-মন্তব্যে NLP-এর 421 গবেষণার একটি PRISMA-ScR পর্যালোচনায় 221 গবেষণায় দেশ অনির্ধারিত, 284 সমাধানকৃত ক্ষেত্রে 232টিতে একক-প্রতিষ্ঠান পরিধি (81.7%), 33টিতে বাহ্যিক যাচাই (7.8%) এবং 54টিতে inter-annotator সম্মতি (12.8%) পেয়েছে (Eicher ও da Silva (2026))।

• রিপোর্টিং-সমৃদ্ধি পরিমাপযোগ্য, আর পদ্ধতির ধরন তা পূর্বানুমান করে। 888 পর্যালোচনা-স্বয়ংক্রিয়করণ নিবন্ধে 2023-পরবর্তী সফটওয়্যার/পণ্য-নিবন্ধের 38.0% কোনো মূল্যায়ন রিপোর্ট করেনি, অথচ LLM-নিবন্ধের 9.3%, এবং 118টি কেবল-ইতিবাচক LLM নিবন্ধের 52% তবু একটি অপূরণীয় নির্ভরযোগ্যতা-মান উল্লেখ করেছে — এই প্যাটার্নই PRISMA-LLM-এর পাঁচটি প্রকাশ-স্তরের পেছনে (Zabaleta ও Lin (2026))।

• প্রতিটি ডেটাসেটের ভেতর standardization বিস্তারের একটি ভুল-বিবৃতি ঢেকে দিতে পারে। যখন সিন্থেটিক শিক্ষামূলক কোহোর্টকে তাদের নিজস্ব বিচ্ছুরণে প্রমিত করা হয়, তখন তাদের সাপ্তাহিক কাঠামো প্রকৃত কোহোর্টের চেয়ে 2.6 থেকে 4.9 গুণ কম বৈচিত্র্যময় ছিল — এই সত্যটি রিপোর্টকৃত পরিসংখ্যানের কাছে অদৃশ্য হয়ে যায়; লেখকদের ভাষায় এটি নিয়মিত preprocessing, অনুমানমূলক উদ্বেগ নয় (Inoue ও Yasutake, 2026)।

• মডেল-উৎপাদিত লেবেল ground truth নয়। যেখানে একটি ব্যবস্থা প্রশিক্ষণ বা মূল্যায়নের জন্য যে লেবেল ব্যবহার করে তা নিজেরাই ভাষা-মডেল তৈরি করে, সেখানে annotator-দের মধ্যে সম্মতি বৈধতা প্রতিষ্ঠা করতে পারে না: Bernado প্রমুখ (2026) তাদের assertion-অ্যানোটেশন মানব gold লেবেলের সঙ্গে কখনো যাচাই করেননি, আর তারা যে 49টি encoder classifier প্রকাশ করেন তা সেই উৎসগত বৈশিষ্ট্য উত্তরাধিকার সূত্রে পায় এবং যেখানে প্রয়োগ উল্লেখযোগ্য মাত্রায় ভিন্ন সেখানে বৈধ নাও হতে পারে। তাদের স্কিমাও বিশেষজ্ঞ-অ্যানোটেটেড তথ্যে প্রশিক্ষিত fine-tuned classifier-এর কাছে স্পষ্টভাবে পিছিয়ে ছিল (macro-F1 0.673 বনাম 0.76), যা দেখায় উচ্চ আত্মবিশ্বাস দরকার হলে বিশেষজ্ঞ-লেবেলকৃত কর্পাস মূল্যবান।

• প্রমাণভাণ্ডার নিজেই অসমভাবে বিতরণকৃত। 407 প্রযুক্তি-সমর্থিত গঠনমূলক মূল্যায়ন গবেষণার একটি scoping পর্যালোচনা কেবল Web of Science ও Scopus ব্যবহার করেছে। এটি ভাষা-মানদণ্ডে 61টি রেকর্ডও বাদ দিয়েছে, তাই ক্ষেত্রটি যে ভৌগোলিক অসাম্য রিপোর্ট করে তা আংশিকভাবে প্রতিফলিত করতে পারে কোন ভেন্যুগুলো সূচিকৃত (Bulut, 2026)।

গতির সমস্যা: এআই ফলাফলের চেয়ে দ্রুত বদলায়

এআই ধারাবাহিকভাবে বদলাচ্ছে, এবং যেকোনো মডেল বা ব্যবস্থা থেকে তোলা সিদ্ধান্ত দ্রুত পুরনো হয়ে যেতে পারে। একটি LLM প্রজন্মের গবেষণা পরেরটিকে বর্ণনা করতে নাও পারে; মডেল উন্নত হওয়ার সঙ্গে বেঞ্চমার্ক-স্কোর, টিউটরিং-মান এবং এমনকি একটি ফলাফলের ব্যবহারিক উপযোগিতাও বদলায়। এর সঙ্গে যোগ হয় প্রকাশনা-প্রক্রিয়ার মন্থরতা — গবেষণা-নকশা থেকে পিয়ার-রিভিউড প্রকাশনা পর্যন্ত এক বছর বা তার বেশি লাগতে পারে — তাই প্রকাশিত ফলাফল ইতিমধ্যে একটি বিলুপ্ত ব্যবস্থা বর্ণনা করতে পারে। তাই পর্যালোচক ও পাঠকদের AIEd ফলাফলকে স্থির সত্য নয়, সাময়িক ও তারিখ-সংবেদনশীল দাবি হিসেবে দেখা উচিত, এবং সাম্প্রতিক, replication-কেন্দ্রিক ও সংস্করণ-স্পষ্ট কাজকে প্রাধান্য দেওয়া উচিত।

Thoeni ও Fryer (2026) একটি সাহিত্যের জন্য পরিণতিটা মূর্ত করেন: যেহেতু RAG-ভিত্তিক ব্যবস্থা কেবল নভেম্বর 2023-এ প্রকাশ্যে এসেছে, তারা যুক্তি দেন 2023-পূর্ববর্তী বুদ্ধিমান টিউটরিং ফলাফল — যা নিয়মভিত্তিক, কীওয়ার্ড-মেলানো বা heuristic NLP ব্যবস্থার উপর দাঁড়িয়ে, যাদের সঙ্গে বর্তমান বড় ভাষা-মডেলের কার্যকরী মিল খুব কম — ঐতিহাসিক প্রসঙ্গ হিসেবে দেখা উচিত, সরাসরি তুলনাযোগ্য প্রমাণ হিসেবে নয়; এবং রিপোর্ট করেন তাদের পর্যালোচনা স্নাতক শিক্ষায় পূর্ণ একাডেমিক টার্ম জুড়ে RAG-ভিত্তিক এআই চ্যাটবট পরীক্ষা করা কোনো প্রকাশিত RCT পায়নি। অন্তর্নিহিত কথা হলো, genAI কীভাবে শিখনকে প্রভাবিত করে — এই মৌলিক প্রশ্নগুলো প্রতিটি নতুন মডেল-প্রজন্মের সাপেক্ষে আবার জিজ্ঞাসা করা লাগতে পারে, পুরনো ফলাফল পুল করে নিষ্পত্তি করা যায় না।

গবেষণা-অনুশীলন সীমাবদ্ধতা

কয়েকটি সীমাবদ্ধতা গবেষণার পরিচালনা ও পরিকাঠামো নিয়েই:

• পুনরুৎপাদনযোগ্যতার অভাব। গবেষণাগুলো প্রায়ই যথেষ্ট বিস্তারিত রিপোর্ট করে না (প্রম্পট, মডেল-সংস্করণ, hyperparameter, তথ্য, বিশ্লেষণ-কোড) যাতে অন্যরা ফলাফল পুনরুৎপাদন বা যাচাই করতে পারে — যা বিশেষ সমস্যা, কারণ LLM-এর ফল প্রম্পট ও সেটিংসের প্রতি খুব সংবেদনশীল।
• FAIR গবেষণা-অনুশীলন। উন্মুক্ত ও পুনরুৎপাদনযোগ্য অনুশীলন — Findable, Accessible, Interoperable, Reusable তথ্য ও কোড, pre-registration এবং ভাগ করা বেঞ্চমার্ক — AIEd-তে অসমভাবে গৃহীত। FAIR নীতির দুর্বল পালন গবেষণা পুনর্ব্যবহার, তুলনা ও তার উপর গড়ে তোলা কঠিন করে।
• মালিকানাধীন সরঞ্জাম ও মডেল। অনেক গবেষণা বদ্ধ, মালিকানাধীন এআই ব্যবস্থার উপর নির্ভর করে যাদের অভ্যন্তরীণ আচরণ, প্রশিক্ষণ-তথ্য ও মডেল-হালনাগাদ অস্বচ্ছ এবং নোটিশ ছাড়াই বদলাতে পারে। এটি পুনরুৎপাদনযোগ্যতা সীমিত করে, সঠিক replication অসম্ভব করে, এবং ফলাফলকে একটি বিক্রেতার রোডম্যাপের সঙ্গে বেঁধে দিতে পারে। এটি মূল্যায়ন-স্বাধীনতা নিয়েও প্রশ্ন তোলে (দেখুন এআই শিক্ষা মূল্যায়ন)।

দুর্বল বা সীমিত তত্ত্ব-ব্যবহার

বারবার আসা একটি সমালোচনা হলো, অনেক অভিজ্ঞতাভিত্তিক নিবন্ধে সীমিত বা পুরনো তাত্ত্বিক কাঠামো থাকে। গবেষকেরা হয়তো:

• তত্ত্ব অ-সমালোচনামূলকভাবে গ্রহণ করেন। কাঠামো ধার করা হয় পরিচিত বলে, তাদের অনুমান, পরিধি বা প্রমাণভাণ্ডার পুরোপুরি না নিয়েই।
• কাঠামোকে নির্দিষ্ট ক্রম হিসেবে ভুল ব্যাখ্যা করেন। অনেক বহুল-ব্যবহৃত কাঠামোকে সাজানো সিঁড়ি ধরা হয় যা শিক্ষার্থীকে "নিম্ন" থেকে "উচ্চ" স্তরে উঠতে হয় — কিন্তু প্রমাণ সর্বদা নিচ থেকে শুরু করাকে সমর্থন করে না। উদাহরণ:
  • Bloom-এর শ্রেণিবিন্যাস প্রায়ই কঠোর ক্রমতত্ত্ব হিসেবে পড়া হয় (স্মরণ → প্রয়োগ → মূল্যায়ন), অথচ উচ্চতর লক্ষ্যের জন্য আগে নিম্নতর অনুশীলন লাগে না; কার্যক্রম এমনভাবে নকশা করা যায় যা শুরু থেকেই মূল্যায়ন বা সৃজনকে যুক্ত করে (দেখুন Cross-Dataset Bloom Question Classification: Supervised Models and Prompted LLMs)।
  • ADDIE ও অন্যান্য instructional-design মডেলকে কখনো কঠোর রৈখিক পর্যায় ধরা হয়, যদিও সেগুলো পুনরাবৃত্তিশীল, নমনীয় পরিকল্পনা-heuristic হিসেবে বোঝানো (দেখুন লার্নিং ডিজাইন)।
• বিতর্কিত তত্ত্ব উপেক্ষা করেন। AIEd-তে বহুল ব্যবহৃত কিছু তত্ত্ব নিজেই চ্যালেঞ্জের মুখে। জ্ঞানগত চাপ তত্ত্ব, উদাহরণস্বরূপ, সমালোচিত হয়েছে এবং এর অভিজ্ঞতাভিত্তিক দাবি পূর্ববর্তী গবেষণায় খণ্ডন বা বিতর্কিত হয়েছে, তবু নতুন AIEd কাজে এটি নিষ্পত্তিপ্রাপ্ত ভিত্তি হিসেবে উদ্ধৃত হতে থাকে।

এর অন্তর্নিহিত কথা এই নয় যে তত্ত্ব ও কাঠামো অকেজো, বরং সেগুলোকে তাদের প্রকৃত প্রমাণভাণ্ডার, অভীষ্ট পরিধি ও পরিচিত সমালোচনার প্রতি মনোযোগ দিয়ে ব্যবহার করা উচিত — স্বতঃসিদ্ধ scaffold বা কঠোর পদ্ধতিগত ক্রম হিসেবে নয়।

মেটা-বিশ্লেষণমূলক প্রমাণ-সংকট

ক্রমবর্ধমান মেটা-গবেষণা — যে পর্যালোচনা পর্যালোচনাগুলোকে খুঁটিয়ে দেখে — যুক্তি দেয়, এআই-চালিত শিখন-লাভের ক্ষেত্রের শিরোনাম-দাবিগুলো এমন প্রমাণভাণ্ডারের উপর দাঁড়িয়ে যা দেখতে যত শক্ত, তার চেয়ে অনেক দুর্বল। তিনটি পরিপূরক সমালোচনা অসাধারণ জোরের সঙ্গে এই যুক্তি তোলে:

• ইতিবাচক-সংশ্লেষণ পক্ষপাত তীব্র ও পরিমাপযোগ্য। Bartoš প্রমুখ (2026), 67টি মেটা-বিশ্লেষণের 1,840টি effect size-এর একটি গবেষণা-স্তরের মেটা-মেটা-বিশ্লেষণে প্রকাশনা-পক্ষপাতের জোরালো প্রমাণ পান (সব Egger পরীক্ষায় p < .0001) এবং চরম আন্তঃ-গবেষণা ভিন্নতা (τ = 0.869)। প্রকাশনা-পক্ষপাত-সমন্বিত প্রভাব সাধারণভাবে রিপোর্টকৃত মাত্রার প্রায় এক-তৃতীয়াংশ (SMD = 0.196 বনাম প্রকাশিত সাহিত্যের মধ্যমা 0.67), যেখানে পূর্বানুমান-ব্যবধান −1.521 থেকে +1.908 পর্যন্ত বিস্তৃত — বড় ক্ষতি থেকে বড় লাভ। কোনো ফলাফল, ক্ষেত্র, স্তর বা এআই-ভূমিকা উপগোষ্ঠী ধারাবাহিক লাভ দেখায়নি, এবং 2023-পূর্ব ও পরবর্তী গবেষণার মধ্যে কোনো পার্থক্য ছিল না। তাদের রায়: সাধারণীকৃত শিখন-লাভের ব্যাপক দাবি অকালপক্ব।
• মেটা-বিশ্লেষণমূলক পদ্ধতি নিয়মতান্ত্রিকভাবে ভুলভাবে প্রয়োগ হচ্ছে। O'Neill (2026)-এর 14টি উচ্চ-প্রভাব AIEd মেটা-বিশ্লেষণের ফরেনসিক নিরীক্ষা দেখে কোনোটিই তাদের দাবির বৈধ ভিত্তি দেয়নি: কারও সুসংগত গঠন ছিল না ("ChatGPT" সরঞ্জামকে একটি একক হস্তক্ষেপ ধরার মতো, আর পরীক্ষা-স্কোর, প্রেরণা, স্ব-কার্যকারিতা ও মনোভাব এক "একাডেমিক অর্জন" সংখ্যায় পুল করা); রিপোর্টকৃত ভিন্নতা তীব্র ছিল, যে 13টি মেটা-বিশ্লেষণ তা রিপোর্ট করেছে তাদের মধ্যে I² 77.2% থেকে 94.4%, এবং সেই 13টির 12টিই 80%-এর উপরে, আর তা কখনো সমাধান হয়নি (কোনোটিই দশ-গবেষণার ন্যূনতম উপগোষ্ঠী-আকার পূরণ করেনি, পাঁচটি একক-গবেষণা উপগোষ্ঠীতে এবং অন্য তিনটি দুই-গবেষণা উপগোষ্ঠীতে নির্ভর করেছে); বারোটি একই গবেষণার নির্ভরশীল effect size-কে স্বাধীন ধরেছে, আপাত প্রমাণ ফুলিয়ে তুলেছে; এবং কোনোটিই বৈধভাবে প্রকাশনা-পক্ষপাত মূল্যায়ন করেনি (অপ্রমাণিত fail-safe N মেট্রিক ও ভুল প্রয়োগ করা Egger পরীক্ষা সাধারণ ছিল)। যেহেতু I² নির্ভুলতা-নির্ভর, তা নিজে থেকে প্রতিষ্ঠা করতে পারে না প্রকৃত প্রভাবগুলো কত দূরে, আর তা দেখাতে যে রিপোর্টিং লাগত তা বেশিরভাগ অনুপস্থিত: কেবল চারটি মেটা-বিশ্লেষণ আন্তঃ-গবেষণা ভিন্নতা (τ²) রিপোর্ট করেছে এবং কেবল দুটি পূর্বানুমান-ব্যবধান, দুটোই শূন্য ধারণকারী। এলোমেলোভাবে যাচাই করা প্রাথমিক গবেষণার সংখ্যাগরিষ্ঠ (61%) সমস্যাযুক্ত ছিল, এবং বানোয়াট রেফারেন্সসহ একটি গবেষণা 14টি মেটা-বিশ্লেষণের ছয়টি অন্তর্ভুক্ত করেছিল।
• "হস্তক্ষেপ" একটি কালো বাক্স। Weidlich প্রমুখ (2025) media/methods বিতর্ককে পুনরুজ্জীবিত করে যুক্তি দেন, "ChatGPT" একটি সরঞ্জাম, পদ্ধতি নয় — এটি "শিখন উন্নত করে কি না" জিজ্ঞাসা করা একটি non sequitur। Deng প্রমুখের (2025) মেটা-বিশ্লেষণের পেছনের গবেষণার একটি উপসেট নিরীক্ষা করে তারা দেখেন কেবল 21% তুলনার সুস্পষ্ট হস্তক্ষেপ, নিয়ন্ত্রণ-দল এবং বৈধ শিখন-পরিমাপ ছিল; রিপোর্টকৃত effect size (g = 0.7) এমনকি উদ্দেশ্যে-তৈরি বুদ্ধিমান টিউটরিং সিস্টেমের (0.66) চেয়েও বেশি ছিল, যা একটি বিপদ-সংকেত যে "হস্তক্ষেপ" ছিল একটি ভিন্নধর্মী "গোপন মসলা"।

এই তিনটি স্বাধীন সমালোচনার অভিসার নিজেই প্রমাণ: ভিন্ন পদ্ধতি, কর্পাস ও কাঠামো জুড়ে তারা একই সিদ্ধান্তে পৌঁছায় — ইতিবাচক AIEd effect size, বিশেষত প্রাথমিক মেটা-বিশ্লেষণের, সম্ভবত প্রকৃত শিখন-লাভের সমান (বা বেশি) মাত্রায় প্রকাশনা-পক্ষপাত, গঠন-অসংগতি ও পদ্ধতিগত শর্টকাট প্রতিফলিত করে। এর অর্থ এই নয় যে এআই সরঞ্জামের শিক্ষামূলক মূল্য নেই; বরং এর মানে, তাদের মূল্যের ক্ষেত্র-স্তরের প্রমাণ বর্তমানে ফুলিয়ে তোলা এবং সেই অনুযায়ী পড়তে হবে। এটি দায়িত্ব সংশ্লেষণের মানের দিকেও সরায়: একটি মেটা-বিশ্লেষণ ততটাই বিশ্বস্ত যতটা তার গঠনের সংগতি, effect size-এর স্বাধীনতা, moderator ও ভিন্নতা-বিশ্লেষণের পর্যাপ্ততা এবং প্রকাশনা-পক্ষপাত মূল্যায়নের বৈধতা — যার প্রতিটি সমালোচনাগুলো দেখায় নিয়মতান্ত্রিকভাবে লঙ্ঘিত।

AIEd সাহিত্য সমালোচনামূলকভাবে পড়া

সব মিলিয়ে এই সীমাবদ্ধতাগুলো AIEd গবেষণার একটি সমালোচনামূলক, বহু-সংকেত পাঠের পক্ষে যুক্তি দেয়: যাচাই করুন একটি ফলাফল সাধারণীকৃত হয় কি না এবং যথেষ্ট শক্তিসম্পন্ন কি না; যাচাই করুন গঠনগুলো কীভাবে মাপা হয়েছে (এবং দাবি স্ব-প্রতিবেদনে দাঁড়িয়ে কি না); সাম্প্রতিক, সংস্করণ-স্পষ্ট, পুনরুৎপাদনযোগ্য কাজকে প্রাধান্য দিন; এবং তাত্ত্বিক কাঠামোকে জেরা করুন, পরিচিত কাঠামোকে দেওয়া ধরে নেবেন না। এটি কঠোর পদ্ধতি-নির্বাচন ও মূল্যায়নের পরিপূরক: ভালো পদ্ধতি ও ভালো মূল্যায়ন অপরিহার্য, কিন্তু সীমাবদ্ধতার প্রতি মনোযোগ দিয়ে পড়াই প্রমাণকে রক্ষণীয় সিদ্ধান্তে রূপান্তরিত করে।

গবেষণা থেকে অনুশীলনে

আরও একটি ব্যবহারিক সীমাবদ্ধতা হলো গবেষণাকে শিক্ষাদান ও instructional design-এ প্রয়োগ করার চ্যালেঞ্জ। অনুশীলনকারীরা — প্রশিক্ষক, instructional designer ও শিক্ষক-উন্নয়নকারীরা — প্রায়ই মূল গবেষণা পড়তে, মূল্যায়ন করতে ও সুনির্দিষ্ট শ্রেণিকক্ষ-সিদ্ধান্তে অনুবাদ করতে সময় বা বিশেষায়িত দক্ষতা রাখেন না। সাহিত্য বড়, খণ্ডিত এবং গবেষকদের জন্য লেখা; ফলাফল পরিসংখ্যানগত ও পদ্ধতিগত বিস্তারিতসহ রিপোর্ট করা হয় যা তাৎক্ষণিকভাবে কার্যযোগ্য নয়; এবং যেহেতু দাবিগুলো সাময়িক (উপরের গতির সমস্যা দেখুন), একজন অনুশীলনকারী কেবল একটি গবেষণাকে মুখস্থভাবে নিতে পারেন না। এটি প্রমাণ যা সমর্থন করে এবং যা সত্যিই শিক্ষাদান-অনুশীলনে পৌঁছায় তার মধ্যে একটি ফাঁক তৈরি করে।

এই জ্ঞানভাণ্ডারের উদ্দেশ্য সেই ফাঁক কমাতে সাহায্য করা — এআই-শিক্ষা গবেষণা অনুসরণ, ব্যাখ্যা ও অনুশীলনে প্রয়োগ করা সহজ করা — উন্মুক্ত-প্রবেশাধিকারের ফলাফল কাঠামোবদ্ধ, সহজলভ্য সারাংশে কিউরেট করে, ধারণা-পাতার মাধ্যমে সম্পর্কিত কাজ সংযুক্ত করে, এবং পাঠকদের যে সীমাবদ্ধতা বিচার করা উচিত তা চিহ্নিত করে। এটি শিক্ষাদান ও instructional design-এ প্রমাণ-অবহিত অনুশীলন সমর্থন করতে চায়, এবং তা করতে গিয়ে এমন ফাঁক ও প্রশ্নও তুলে আনতে চায় যা নতুন গবেষণা ও উন্নয়নকে দিশা দিতে পারে। তাই গবেষণার সীমা বোঝা নিজে উদ্দেশ্য নয়: এটিই অনুশীলনকারীদের ফলাফল যথাযথভাবে প্রয়োগ করতে এবং গবেষকদের আরও শক্তিশালী গবেষণা নকশা করতে দেয় যা অনুশীলনকে আরও ভালো সেবা দেয়।

জানার মতো দুটি নিরীক্ষা-ফাঁদ

দুটি নির্দিষ্ট রিপোর্টিং-অনুশীলন একটি সংশ্লেষণকে ফুলিয়ে তোলে বা বিকৃত করে, আর দুটোই অনুমানমূলক নয়, প্রকাশিত রেকর্ডে দৃশ্যমান।

ভিন্নতা-সংখ্যা মডেলের উপর নির্ভর করে, আর মডেল খুব কমই উদ্ধৃত হয়। একটি পর্যালোচনার ভিন্নতা উদ্ধৃত হয় fixed-effect মডেলে I² = 82.98% এবং random-effects মডেলে I² = 15.75% হিসেবে। দুটোই একই তথ্য বর্ণনা করে। যে পাঠক মডেল ছাড়া একটি ভিন্নতা-সংখ্যা তুলে নেন তাকে একটি কারিগরি দাবি দেওয়া হয় কোনো ব্যাখ্যা ছাড়াই, আর "বেশিরভাগ ভিন্নতা অস্পষ্ট" এবং "খুব কম ভিন্নতা অস্পষ্ট"-এর মধ্যে পার্থক্য হলো ক্ষেত্রটি বর্জন ও বিশ্বাস করার পার্থক্য।

শিরোনাম-শতাংশ অনুসন্ধান-পদের ফলাফল হতে পারে। শিক্ষক-শিক্ষার 195 গবেষণার একটি scoping পর্যালোচনায় ডিজিটাল দক্ষতা ও TPACK স্পষ্ট অনুসন্ধান-বর্ণক ছিল, অথচ instructional design ও assessment-এর সমতুল্য কিছু ছিল না, তাই রিপোর্টকৃত 46.5% ও 1.9% ক্ষেত্রটির আগে পুনরুদ্ধার-কৌশল বর্ণনা করে। প্রাদুর্ভাব-দাবি ততটাই অর্থবহ যতটা অর্থবহ সেই কোয়েরি যা কর্পাসটি তৈরি করেছে।

আর বেস-রেট হলো সেই সংখ্যা যা কেউ বলে না। এখানে পদ্ধতিগত সীমা অনুমাননির্ভর নয়, পরিমাপযোগ্য: এআই দিয়ে সমালোচনামূলক চিন্তনের 80টি HCI গবেষণার একটি সমালোচনামূলক পর্যালোচনায় 42টি (52%) কোনো নিয়ন্ত্রণ-দল চালায়নি এবং বাকিগুলোর বেশিরভাগ স্ব-প্রতিবেদনে নির্ভর করেছে। যখন একটি ক্ষেত্রের ইতিবাচক ফলাফলের অর্ধেকেরও বেশি এমন নকশা থেকে আসে যা এআই-এর প্রভাবকে সাধারণ কার্যকলাপ থেকে আলাদা করতে পারে না, তখন যেকোনো একক ফলাফলের উপর যথাযথ পূর্বধারণা সংশয়, সাময়িক গ্রহণ নয়।

সাধারণ ভুল ধারণা

• "সীমাবদ্ধতা-অংশগুলো নিছক ছাঁচি লেখা।" পদ্ধতিগত সীমা অনুমাননির্ভর নয়, পরিমাপযোগ্য: এআই দিয়ে সমালোচনামূলক চিন্তনের 80টি HCI গবেষণার সমালোচনামূলক পর্যালোচনায় 42টি (52%) কোনো নিয়ন্ত্রণ-দল চালায়নি। সুনির্দিষ্ট গণনাই সীমাটিকে কার্যযোগ্য করে।
• "ভিন্নতা একটি একক সংখ্যা যা আপনি উদ্ধৃত করতে পারেন।" একই পর্যালোচনা একটি রিপোর্টিং-বিপদ দেখায়: ভিন্নতা উদ্ধৃত হয় fixed-effect মডেলে I² = 82.98% এবং random-effects মডেলে I² = 15.75% হিসেবে। নির্বাচিত মডেল অনুসারে একই তথ্য নয়-পয়েন্টের গল্প বা দুই-পয়েন্টের গল্প দেয়, তাই মডেল ছাড়া উদ্ধৃত I² ব্যাখ্যাতীত।
• "বড় রিপোর্টকৃত প্রভাবই বিশ্বাস করার সংখ্যা।" এক স্থানের এক কোর্সের 30 শিক্ষার্থী থেকে পাওয়া প্রভাবের মতো শিরোনাম ভঙ্গুর দাবির সাধারণ রূপ, আর নিয়ন্ত্রণহীন গবেষণার গণনা দেখায় এই ভঙ্গুরতা কতবার অরিপোর্টকৃত থাকে।

সংযুক্ত ধারণা

• AIEd গবেষণা ব্যাখ্যা ও প্রয়োগ
• শিক্ষায় এআই-এর গবেষণা পদ্ধতি
• এআই শিক্ষা মূল্যায়ন
• শিক্ষামূলক পরিমাপ
• মূল্যায়নের বৈধতা
• বেঞ্চমার্ক
• র্যান্ডমাইজড নিয়ন্ত্রিত পরীক্ষা (RCT)
• মেটা-বিশ্লেষণ ও পদ্ধতিগত পর্যালোচনা
• শিক্ষায় কৃত্রিম বুদ্ধিমত্তা
• ICAP কাঠামো
• লার্নিং ডিজাইন
• বৃহৎ ভাষা মডেল (এলএলএম)
• উৎপাদক এআই
• সংজ্ঞানাত্মক অফলোডিং
• শিক্ষায় এআইয়ে তত্ত্ব-উন্নয়ন — এআই-শিক্ষায় তত্ত্ব-উন্নয়ন

সংযুক্ত নিবন্ধ

• AI chatbots in higher education: Comparing expectations to evidence — উচ্চশিক্ষায় এআই চ্যাটবট: প্রত্যাশার সঙ্গে প্রমাণের তুলনা (Thoeni ও Fryer 2026)

• Modernizing Ground Truth: Four Shifts Toward Improving Reliability and Validity in AI in Education — মূল্যায়নে ground truth-এর নির্ভরযোগ্যতা ও বৈধতা

• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — স্ব-প্রতিবেদিত বনাম পারফরম্যান্স-ভিত্তিক এআই সাক্ষরতা

• Why Machines Misread Pedagogical Quality: Human-Machine Alignment in LLM-Based Pretest Question Evaluation — যন্ত্র কেন শিক্ষাতাত্ত্বিক মান ভুল পড়ে

• Critical AI Tutors: Empower or Enslave? — এআই টিউটরের সমালোচনামূলক সীমা ও তত্ত্ব-ব্যবহার

• Cross-Dataset Bloom Question Classification: Supervised Models and Prompted LLMs — Bloom-এর শ্রেণিবিন্যাস ও প্রশ্ন-শ্রেণিবিন্যাস

• Automating Learner Assessment: Benchmarking Machine Learning and Deep Learning Models for EEG-Based Familiarity Prediction — শিক্ষার্থী-মূল্যায়ন স্বয়ংক্রিয় করা: EEG-ভিত্তিক পরিচিতি-পূর্বানুমান

• ChatGPT in Education: An Effect in Search of a Cause — শিক্ষায় ChatGPT: কারণ খোঁজা একটি প্রভাব (media-তুলনার সমালোচনা)

• Effect of Artificial Intelligence on Learning: A Meta-Meta-Analysis — মেটা-মেটা-বিশ্লেষণ: প্রকাশনা-পক্ষপাত-সমন্বিত এআই-প্রভাব রিপোর্টকৃত মাত্রার প্রায় 1/3

• Presumed Effective: The Manufacturing of an Evidence Base for AI-in-Education Through Flawed Meta-Analysis — Presumed Effective: 14টি AIEd মেটা-বিশ্লেষণের ফরেনসিক নিরীক্ষা

• PRISMA-LLM: An Empirical Reporting Framework for AI-Assisted Systematic Reviews — PRISMA-LLM: এআই-সহায়িত পদ্ধতিগত পর্যালোচনার একটি অভিজ্ঞতাভিত্তিক রিপোর্টিং কাঠামো

• How Good Are Frontier Models at Physics? Expert Re-Grading Reveals Broken Evaluations and Near-Saturation of Leading Benchmarks — পদার্থবিজ্ঞানে frontier মডেল কতটা ভালো? বিশেষজ্ঞ পুনঃগ্রেডিং ভাঙা মূল্যায়ন ও শীর্ষ বেঞ্চমার্কের প্রায়-সম্পৃক্ততা প্রকাশ করে

• The Impact of Artificial Intelligence-Supported Instruction on Student Learning in STEM: A Systematic Review and Meta-Analysis — কঠোরতার সীমা হিসেবে ব্যবহৃত অন্তর্ভুক্তি-মানদণ্ড, এবং মডেলের সঙ্গে বদলানো একটি ভিন্নতা-সংখ্যা (Doğan প্রমুখ 2026)

• Enhancing enthusiasm for STEM education with AI: Domain-specific chatbot as personalized learning assistant — একটি cluster-randomized শ্রেণিকক্ষ-পরীক্ষা যার পারফরম্যান্স-ফল তাৎপর্যপূর্ণ হয়নি (Rücker ও Becker-Genschow 2025)

• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench: এআই ও মানব টিউটরিং সমতুল্য GRE শিখন-লাভ দেয়

• Evaluating Feedback Focus and Pedagogical Adaptivity in LLM-Generated Feedback on Student Writing — শিক্ষার্থী-লেখায় LLM-উৎপাদিত প্রতিক্রিয়ার ফোকাস ও শিক্ষাতাত্ত্বিক অভিযোজনশীলতার মূল্যায়ন

• EduBehaviors: Assertion-based Schemas for Auditable Coding of Educational Dialogues — EduBehaviors: শিক্ষামূলক সংলাপের নিরীক্ষাযোগ্য কোডিংয়ের জন্য assertion-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 — ভাব-শ্রেণিবিন্যাস থেকে কার্যযোগ্য ও দায়বদ্ধ প্রতিক্রিয়ায়: শিক্ষণ-মূল্যায়নে শিক্ষার্থী-প্রতিক্রিয়ায় NLP-এর scoping পর্যালোচনা ও প্রমাণ-মানচিত্র, 2015–2026

• What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data — বিশ্বস্ততা-মেট্রিক যা মিস করে: সিন্থেটিক শিক্ষামূলক তথ্যের একটি কাঠামোগত যাচাই

• From digital competence to AI-responsive pedagogy: a scoping review of technology-supported teacher education — 195 শিক্ষক-শিক্ষা গবেষণার scoping পর্যালোচনা, যেখানে অনুসন্ধান-স্ট্রিং নকশা রিপোর্টকৃত ফ্রিকোয়েন্সি আকার দেয়

• K-12 in-service teachers' beliefs about generative AI in classrooms: insights from the United States, India, Qatar, Colombia, and the Philippines — ক্রস-জাতীয় কে-১২ শিক্ষক-সমীক্ষা: মেশিন-অনূদিত আইটেম, একক-আইটেম উদ্বেগ-পরিমাপ, কোনো invariance পরীক্ষা নেই

• Generative AI in higher education: A systematic review of empirical uses, outcomes, and risks — 103 GenAI উচ্চশিক্ষা গবেষণার পদ্ধতিগত পর্যালোচনা: 56% শর্তসাপেক্ষ লাভ, গ্রেড প্রক্রিয়া-পরিবর্তন ঢেকে দেয় (Hawi ও Samaha 2026)

• Educational Innovation through Automated Essay Scoring: A Multidimensional Framework for Evaluating Critical Thinking in High School Physics Essays — ডেটা augmentation শিরোনাম-মেট্রিক তৈরি করতে পারে