মেটা-বিশ্লেষণ ও পদ্ধতিগত পর্যালোচনা

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

মেটা-বিশ্লেষণ ও পদ্ধতিগত পর্যালোচনা — প্রমাণ-সংশ্লেষণের সেই পদ্ধতি-পরিবার, যা গবেষকরা একটি নতুন পরীক্ষা চালানোর বদলে একগুচ্ছ গবেষণা একত্রিত ও মূল্যায়ন করতে ব্যবহার করেন। একটি পদ্ধতিগত পর্যালোচনা একটি নির্দিষ্ট প্রশ্নে সাহিত্য অনুসন্ধান, বাছাই, মূল্যায়ন ও সংশ্লেষণের জন্য একটি স্বচ্ছ, পুনরুৎপাদনযোগ্য প্রোটোকল প্রয়োগ করে; একটি মেটা-বিশ্লেষণ আরও এগিয়ে গিয়ে যোগ্য গবেষণাগুলির ইফেক্ট সাইজ পরিসংখ্যানগতভাবে পুল করে একটি ভারিত সারসংক্ষেপ অনুমান তৈরি করে এবং মডারেটর পরীক্ষা করে। শিক্ষায় এআই ক্ষেত্রে এই পদ্ধতিগুলি কেন্দ্রীয় ভূমিকা রাখে — এআই সরঞ্জাম কাজ করে কি না, কোন শর্তে করে এবং কার জন্য করে, সেই প্রমাণভিত্তি প্রতিষ্ঠা করতে, এবং ফাঁক, পক্ষপাত ও ক্ষেত্রটির পদ্ধতিগত মান উন্মোচন করতে।(A meta-analysis of the effect of generative AI on productivity and learning in programming)(Comprehensive Review of Intelligent Tutoring Systems)

বিবেচনার প্রশ্ন

• ধরুন আপনি এআই টিউটরিং কাজ করে কি না নিয়ে দশটি গবেষণা পড়লেন — দুটি বড় উন্নতি দেখায়, তিনটি কিছুই দেখায় না, পাঁচটি ছোট ইতিবাচক প্রভাব দেখায়। কী সিদ্ধান্ত নেবেন তা আপনি কীভাবে ঠিক করবেন? ঠিক এই টানাপোড়েনই মেটা-বিশ্লেষণ ও পদ্ধতিগত পর্যালোচনা মোচনের জন্য তৈরি।
• পদ্ধতিগত পর্যালোচনা ও মেটা-বিশ্লেষণকে প্রায়ই একই জিনিস ভাবা হয়, কিন্তু এই পাতা দুটিকে আলাদা করে: একটি পর্যালোচনা নথিভুক্ত প্রোটোকল অনুযায়ী সংশ্লেষণ করে, আর একটি মেটা-বিশ্লেষণ পরিসংখ্যানগতভাবে ইফেক্ট সাইজ পুল করে। কখন পুলিং অনুপযুক্ত বা অসম্ভব হবে, যদিও একটি যত্নশীল পর্যালোচনা বিদ্যমান?
• পদ্ধতিগত পর্যালোচনা প্রমাণ-ক্রমানুক্রমের শীর্ষে থাকে আংশিকভাবে কারণ তারা ছোট নমুনা, ভিন্নধর্মী নকশা ও গবেষণার মধ্যে পরস্পরবিরোধী ফলাফলের ক্ষতিপূরণ দেয়। কোথায় আপনি দেখেছেন একটি একক নাটকীয় গবেষণা মতামত গড়ে তুলেছে, যদিও পুল করা প্রমাণ অনেক বেশি মিশ্র ছিল?
• মেটা-বিশ্লেষণ একটি ভারিত সারসংক্ষেপ অনুমান তৈরি করে — 'গড়ে 0.125 স্ট্যান্ডার্ড বিচ্যুতির প্রভাব'-এর মতো একটি একক সংখ্যা। একটি পুল করা গড় কোন শর্ত, শিক্ষার্থী বা প্রসঙ্গ সম্পর্কে কী লুকায় যেখানে প্রভাব ভিন্ন — এবং আপনি তা নিয়ে কাজ করবেন কি না, তার জন্য তা কেন গুরুত্বপূর্ণ?
• উভয় পদ্ধতিই একটি স্বচ্ছ, পুনরুৎপাদনযোগ্য প্রোটোকলে (প্রায়ই PRISMA) প্রতিশ্রুতিবদ্ধ, কারণ কী অনুসন্ধান করবেন ও কী অন্তর্ভুক্ত করবেন সেই সিদ্ধান্ত ফলাফলে পক্ষপাত আনতে পারে। যে পর্যালোচনা তার অনুসন্ধান ও বাছাইয়ের সিদ্ধান্ত প্রকাশ করে না, তাকে আপনি কতটা বিশ্বাস করবেন?

ভূমিকা

পদ্ধতিগত পর্যালোচনা ও মেটা-বিশ্লেষণ প্রথাগত প্রমাণ-ক্রমানুক্রমের শীর্ষে থাকে, কারণ তারা অনেকগুলি পৃথক গবেষণা সংশ্লেষণ করে — যে ছোট নমুনা, ভিন্নধর্মী নকশা ও পরস্পরবিরোধী ফলাফল যেকোনো দ্রুতগতির প্রায়োগিক ক্ষেত্রের বৈশিষ্ট্য, তার ক্ষতিপূরণ দেয়। শিক্ষায় এআই-এর ক্ষেত্রে, যেখানে নতুন সরঞ্জাম ও গবেষণা অবিরাম আসে, পর্যালোচনাগুলি হিসাব নেওয়ার জরুরি ভূমিকা পালন করে: কী অধ্যয়ন হয়েছে তার মানচিত্র তৈরি, যা জানা আছে তার সংকলন এবং যেখানে প্রমাণ পাতলা বা পদ্ধতিগতভাবে দুর্বল তা চিহ্নিত করা। তারা বর্ণনামূলক বা সমন্বয়মূলক সাহিত্য-পর্যালোচনা থেকে আলাদা, যা গুণগত সংশ্লেষণ দেয়, কারণ তারা একটি নথিভুক্ত প্রোটোকলে এবং (মেটা-বিশ্লেষণের ক্ষেত্রে) পরিসংখ্যানগত পুলিংয়ে প্রতিশ্রুতিবদ্ধ।(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

পদ্ধতিগত পর্যালোচনা বনাম মেটা-বিশ্লেষণ

উভয়ই প্রতিবেদনের মান হিসেবে PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) অনুসরণ করে, যা অনুসন্ধান, বাছাই ও অন্তর্ভুক্তির প্রক্রিয়া নথিভুক্ত করে স্বচ্ছতা ও পুনরুৎপাদনযোগ্যতার জন্য। একটি সমন্বয়মূলক পর্যালোচনা স্বচ্ছতার জন্য PRISMA নীতি অনুসরণ করতে পারে, তবে পরিসংখ্যানগত পুলিং পর্যন্ত এগোয় না।(A systematic review of AI-powered collaborative learning in higher education: Trends and outcomes from the last decade)(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

শিক্ষায় এআই-এ প্রমাণ-সংশ্লেষণ

পর্যালোচনাগুলি কী অর্জন করে

শিক্ষায় এআই-এর ক্ষেত্রে পদ্ধতিগত পর্যালোচনা ও মেটা-বিশ্লেষণ কয়েকটি পৃথক উদ্দেশ্য পূরণ করে:

• প্রমাণভিত্তি প্রতিষ্ঠা — এআই সরঞ্জাম (টিউটরিং, ফিডব্যাক, মূল্যায়ন, চ্যাটবট) শিখন-অর্জন ঘটায় কি না এবং সেই অর্জন কত বড়, তা নির্ধারণ।
• ক্ষেত্র ও এর ফাঁক চিহ্নিত করা — একটি স্কোপিং পর্যালোচনা নথিভুক্ত করে কী অধ্যয়ন হয়েছে, প্রমাণ কোথায় কেন্দ্রীভূত এবং কোথায় অনুপস্থিত (যেমন কর্মক্ষেত্রের প্রসঙ্গ, অ-ইংরেজি কাজ, ব্যর্থতার দৃষ্টান্ত)।(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness) গবেষণা নয়, রেকর্ড গণনা করুন যখন একটি পর্যালোচনা কম্পাঙ্ক প্রতিবেদন করে। একটি স্কোপিং পর্যালোচনায় 21,720টি রেকর্ড থেকে 31টি গবেষণায় পৌঁছানো হয়, যেখানে পাঁচটি গবেষণা 192টি অনুশীলন-রেকর্ডের 62টি সরবরাহ করেছিল, তাই শতাংশগুলি স্বাধীন পর্যবেক্ষণ বা প্রাদুর্ভাব নয়, বরং নিষ্কাশিত উপাদানকে বর্ণনা করে (Tie, Gil Ortega ও Zhao (2026))।
• মডারেটর ও শর্ত শনাক্ত করা — মেটা-বিশ্লেষণ পরীক্ষা করে প্রভাব শিক্ষার্থী-জনসংখ্যা, ডোমেইন, এআই সিস্টেমের ধরন বা গবেষণা-নকশা অনুযায়ী ভিন্ন হয় কি না, যা প্রকাশ করে কোন সরঞ্জাম কার জন্য ও কোন শর্তে কাজ করে। কিন্তু একটি মডারেটর ততটাই বিশ্বাসযোগ্য যতটা তার পেছনের গবেষণা: GenAI-সমর্থিত L2 লেখার একটি 2026 মেটা-বিশ্লেষণে, পদ্ধতিগত নিয়ন্ত্রণে টিকে থাকা একমাত্র মডারেটর ছিল গবেষণাগুলির ঝুঁকি-পক্ষপাত শ্রেণিবিন্যাস, অথচ উপগোষ্ঠী বিশ্লেষণে তাৎপর্যপূর্ণ দেখানো একটি শিক্ষণ-মডেল পার্থক্য গবেষণার মান ও নমুনার আকার যোগ করলে ধসে পড়ে। প্রভাব বহন করেছিল পদ্ধতিগত মান, শিক্ষাবিজ্ঞান নয় — তাই আপাতদৃষ্টিতে শিক্ষাগত মডারেটরগুলিও পুল করা অনুমানের মতো একই যাচাই দাবি করে। শূন্য মডারেটর একই শিক্ষা উল্টো দিক থেকে দেয়। বৈদেশিক ভাষা-দক্ষতার জন্য ডিজিটাল ও এআই প্রযুক্তি নিয়ে চেন ও ওয়েইয়ের মেটা-বিশ্লেষণে (40টি গবেষণা, 3,367 জন অংশগ্রহণকারী, পুল করা g = 0.962), টিকে থাকা মডারেটর ছিল গবেষণা-নকশা (আধা-পরীক্ষায় g = 1.019 বনাম প্রকৃত পরীক্ষায় g = 0.474), হস্তক্ষেপের সময়কাল এবং সরঞ্জামের সংখ্যা, অথচ ভাষা-দক্ষতার ধরন, প্রযুক্তির ধরন, শিক্ষার স্তর, প্রসঙ্গ ও নমুনার আকারে কোনো তাৎপর্যপূর্ণ আন্তঃগোষ্ঠী পার্থক্য দেখা যায়নি, যার ফলে লেখকেরা সিদ্ধান্তে আসেন যে কার্যকারিতা কোনো প্রযুক্তির লেবেল বা দক্ষতার শ্রেণিতে আরোপ করা যায় না। K-12 এআই শিক্ষা নিয়ে ইয়ু ও সহকর্মীদের মেটা-বিশ্লেষণ (16টি গবেষণা, 57টি ইফেক্ট সাইজ, g = 0.892) তার পরীক্ষিত তিনটি মডারেটরই (প্রকাশনার উৎস, প্রকাশনার বছর, বিদ্যালয়ের স্তর) শূন্য পেয়েছে এবং অবশিষ্ট ভিন্নতা (I2 = 94.68%) কে এই প্রমাণ হিসেবে পড়েছে যে ক্ষেত্রটি এআই সাক্ষরতা কীভাবে মাপবে তা নিয়েই একমত হয়নি। যখন একটি মডারেটর শূন্য ফিরে আসে আর ভিন্নতা উঁচু থাকে, সংশ্লেষণের সিদ্ধান্ত প্রায়ই হস্তক্ষেপের মতোই ফলাফল-গঠন বা প্রাথমিক-গবেষণার নকশা সম্পর্কে হয়।
• পদ্ধতিগত মান উন্মোচন — পর্যালোচনাগুলি নিয়মিত দেখে যে ক্ষেত্রটি কম-ক্ষমতাসম্পন্ন, প্রাক-পরীক্ষামূলক বা আধা-পরীক্ষামূলক নকশা এবং তাৎক্ষণিক উত্তর-পরীক্ষার উপর নির্ভর করে, যা সিদ্ধান্ত নরম করে।(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness)(Comprehensive Review of Intelligent Tutoring Systems) প্রকৃতপক্ষে কী করা হয়েছিল তার পাতলা প্রতিবেদন সেই চিত্রের অংশ, এবং তা পরবর্তী যেকোনো সংশ্লেষণ কী বলতে পারবে তার সীমা নির্ধারণ করে: প্রোগ্রামিং শিক্ষায় GenAI নিয়ে ইয়ালসিন ও সহকর্মীদের পদ্ধতিগত পর্যালোচনা তার 46টি গবেষণার 26টিতে কোনো শিক্ষণ পদ্ধতি শনাক্ত করতে পারেনি, এবং 46টির 32টি সম্মেলন-প্রক্রিয়ায় প্রকাশিত হয়েছিল, তাই পর্যালোচনাটি তার কর্পাসের অর্ধেকেরও কমের জন্য শিক্ষাবিজ্ঞান কোড করতে পারে এবং মিশ্র প্রভাব-প্রমাণে শেষ হয় (কিছু গবেষণা পরীক্ষা ও কোডিং কর্মক্ষমতায় উন্নতি দেখিয়েছে, আবার অন্যগুলি প্রশিক্ষকের ফিডব্যাকের বিপরীতে কোনো তাৎপর্যপূর্ণ পার্থক্য পায়নি)। একটি সংশ্লেষণ তার ক্ষেত্রের প্রতিবেদন-অভ্যাস উত্তরাধিকারসূত্রে পায়।

বাছাইয়ের নির্ভরযোগ্যতা গঠন-নির্ভর হতে পারে: GenAI-এর 123টি গবেষণার একটি PRISMA-ScR স্কোপিং পর্যালোচনায় অফলোডিং ও শিক্ষার্থী-এজেন্সি নিয়ে শিরোনাম/সারাংশের সম্মতি (Fleiss' κ = 0.7103) পূর্ণ পাঠ্যে নেমে κ = 0.4884 হয়, যা লেখকেরা ব্যাখ্যামূলক সীমানায় আরোপ করেন — বিস্তৃত GenAI প্রাসঙ্গিকতা ও প্রক্রিয়ার প্রতি সারবস্তুগত প্রাসঙ্গিকতার মধ্যে পার্থক্য (Wang প্রমুখ (2026))।

জ্ঞানভান্ডার থেকে উদাহরণ

• GenAI ও প্রোগ্রামিংয়ের মেটা-বিশ্লেষণ — উৎপাদনশীলতা-শিখন বিনিময় নিয়ে প্রমাণ পুল করে, উল্লেখযোগ্য উৎপাদনশীলতা অর্জন পায় কিন্তু কোনো তাৎপর্যপূর্ণ শিখন-অর্জন পায় না (g ≈ 0), যা স্বল্পমেয়াদি দক্ষতা ও টেকসই শিখনকে আলাদা করার মেটা-বিশ্লেষণের ক্ষমতা দেখায়।(A meta-analysis of the effect of generative AI on productivity and learning in programming)

• TPACK দৃষ্টিকোণ থেকে শিক্ষার্থী-শিখনে GenAI-এর মেটা-বিশ্লেষণ — 71টি গবেষণা (74টি ইফেক্ট সাইজ) পুল করে মাঝারি-থেকে-বড় প্রভাব (g = 0.752) পায়, যা অসমভাবে বিভাজিত হয়: শক্তিশালী জ্ঞানভিত্তিক (g = 0.831) ও আবেগভিত্তিক (g = 0.729) অর্জন, কিন্তু ছোট, অ-তাৎপর্যপূর্ণ আচরণগত-নিয়োজিত প্রভাব (SMD = 0.057, p = 0.828) (Liu & Zhong, 2025)।

• VET-এ এআই-এর পদ্ধতিগত পর্যালোচনা — 26টি গবেষণার প্রথম পদ্ধতিগত পর্যালোচনা, যা নামে-গঠনবাদী-কিন্তু-অনুশীলনে-আচরণবাদী ফাঁক এবং কর্মক্ষেত্র-গবেষণার অনুপস্থিতি নথিভুক্ত করে।(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness)

• উচ্চশিক্ষায় GenAI-এর পদ্ধতিগত পর্যালোচনা — পাঁচ বছরের একটি সময়কালজুড়ে সুযোগ, চ্যালেঞ্জ ও শিক্ষাগত উদ্ভাবনের মানচিত্র তৈরি করে।

• ITS-এর ব্যাপক পর্যালোচনা — বুদ্ধিমান টিউটরিং সিস্টেমের পদ্ধতিগত পর্যালোচনা, পদ্ধতিগত কঠোরতার উপর জোর দিয়ে।

• ChatGPT ও সমালোচনামূলক/সৃজনশীল চিন্তার পদ্ধতিগত পর্যালোচনা — বৃহৎ ভাষা মডেল (এলএলএম) ব্যবহার উচ্চক্রম চিন্তাকে সমর্থন করে না ক্ষয় করে, সেই প্রমাণ সংশ্লেষণ করে।

• K-12-এ এআই-এর প্রমাণভিত্তি — বিদ্যালয়ে এআই টিউটরিংয়ের প্রমাণের শক্তি পর্যালোচনা করে।

• এআই-সাক্ষরতা হস্তক্ষেপের মেটা-বিশ্লেষণ — 59টি গবেষণার (172টি প্রভাব, 7,211 জন অংশগ্রহণকারী) তিন-স্তরের মেটা-বিশ্লেষণ, যা বড় সামগ্রিক প্রভাব (g = 0.837) অনুমান করে এবং দেখায় যে কার্যকারিতা অঞ্চল ও শিখন-ফলাফলের ফোকাস অনুযায়ী ভিন্ন হয় (জ্ঞানকেন্দ্রিক হস্তক্ষেপ দক্ষতা, মনোভাব বা নীতিকেন্দ্রিক হস্তক্ষেপের চেয়ে ভালো করেছে)।

• AI Literacy Heptagon — PRISMA নীতি অনুসরণকারী একটি সমন্বয়মূলক সাহিত্য-পর্যালোচনা, যা মেটা-বিশ্লেষণ পর্যন্ত না গিয়ে গুণগত সংশ্লেষণ দেখায়।(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

• বৈদেশিক ভাষা-দক্ষতার জন্য ডিজিটাল ও এআই প্রযুক্তির মেটা-বিশ্লেষণ — চেন ও ওয়েই (2026) 40টি পরীক্ষামূলক ও আধা-পরীক্ষামূলক গবেষণা (3,367 জন অংশগ্রহণকারী) পুল করে বড় প্রভাব (g = 0.962, 95% CI 0.765 থেকে 1.159), উচ্চ ভিন্নতা (I2 = 85.178) এবং প্রকাশনা-পক্ষপাত যাচাই যা অনুমানকে সমর্থন করে (Orwin's fail-safe N = 5853; Egger's test p = 0.84465)। শিক্ষণীয় অংশটি নকশা-মডারেটর: আধা-পরীক্ষায় g = 1.019, প্রকৃত পরীক্ষায় g = 0.474, আর অ-রৈখিক সময়কাল ও সরঞ্জাম-সংখ্যার নমুনাগুলি এক-দুইটি গবেষণার উপগোষ্ঠীর উপর দাঁড়িয়ে।

• উচ্চশিক্ষায় GenAI ও শিখন-ফলাফলের মেটা-বিশ্লেষণ — জিং ও সহকর্মীরা (2026) 35টি গবেষণা ও 175টি ইফেক্ট সাইজ পুল করে g = 0.53 (95% CI [0.48, 0.64]) পান, যা পেশাগত দক্ষতায় সবচেয়ে বড় (g = 0.72), তারপর একাডেমিক কর্মক্ষমতা (g = 0.46) ও আবেগীয় মনোভাব (g = 0.44)। সময়কাল প্রতিটি মাত্রাকে মডারেট করে, এবং পতনটাই মূল কথা: একাডেমিক-কর্মক্ষমতার প্রভাব 0 থেকে 4 সপ্তাহের হস্তক্ষেপে g = 5.07 থেকে 4 থেকে 12 সপ্তাহে g = 0.64 এবং 12 সপ্তাহের পরে g = 0.01-এ নেমে আসে (Q = 35.19, p < 0.001)। শাস্ত্রের ধরন ও শিখন-পদ্ধতি তাৎপর্যপূর্ণ মডারেটর ছিল না।

• K-12 এআই শিক্ষা ও এআই-সাক্ষরতার মেটা-বিশ্লেষণ — ইয়ু ও সহকর্মীরা (2026) 16টি গবেষণা (57টি ইফেক্ট সাইজ, 3,837 জন শিক্ষার্থী, সব প্রভাব ইতিবাচক) পুল করে g = 0.892 (95% CI [0.548, 1.236]) পান, trim-and-fill সমন্বয়ের পরেও তা g = 0.952 থাকে। পরীক্ষিত তিনটি মডারেটরই (প্রকাশনার উৎস, বছর, বিদ্যালয়ের স্তর) শূন্য এসেছে, এবং লেখকেরা 94.68% ভিন্নতাকে পরিমাপে আরোপ করেন: গবেষণাগুলি এআই সাক্ষরতা-কে এআই জ্ঞান ও নীতি থেকে মনোভাব, আত্ম-কার্যকারিতা ও কর্মজীবন-আগ্রহ পর্যন্ত সবকিছু হিসেবে কার্যকর করেছে।

• প্রোগ্রামিং শিক্ষায় GenAI-এর পদ্ধতিগত পর্যালোচনা — ইয়ালসিন ও সহকর্মীরা (2026) PRISMA-বাছাইয়ে 151টি রেকর্ড থেকে 46টি গবেষণায় নামেন, যার 26টিতে শিক্ষণ পদ্ধতি-এর কোনো ব্যবহারযোগ্য বর্ণনা নেই এবং 38টি একটি একক সরঞ্জাম পরীক্ষা করে (46টির 35টিতেই একা ChatGPT)। পর্যালোচনাটি সরঞ্জাম, ভাষা ও প্রকাশস্থল নির্ভরযোগ্যভাবে মানচিত্রিত করে কিন্তু তার কর্পাসের অর্ধেকেরও কমের জন্য শিক্ষাবিজ্ঞান কোড করতে পারে — একটি পরিষ্কার প্রদর্শন যে পাতলা প্রাথমিক-গবেষণা প্রতিবেদন সংশ্লেষণ কী সিদ্ধান্তে পৌঁছাতে পারবে তার সীমা টেনে দেয়।

• শিক্ষক-মূল্যায়নে NLP-এর স্কোপিং পর্যালোচনা ও প্রমাণ-মানচিত্র — এইচার ও দা সিলভা (2026) 421টি গবেষণাকে একটি কারিগরি অক্ষ ও চারটি মূল্য-মাত্রায় স্কোর করেন, কার্যকারিতা ছয়-স্তরের স্কেলে কোড করেন — দাবিকৃত উপযোগিতা থেকে সিদ্ধান্তে মাপা প্রভাব পর্যন্ত — এবং 421টি গবেষণাের 258টিতে (61.3%) ব্যবহারযোগ্য ফলাফলে পৌঁছান, অথচ অভীষ্ট-ব্যবহারকারীর মূল্যায়ন কেবল 49টিতে (11.6%)। একটি ফাঁককে কোডেড মাত্রায় পরিণত করা পর্যালোচনাটিকে "মডেলটি কাজ করে" ও "ফিডব্যাক শিক্ষাদান বদলায়" এর মধ্যে 49.7-পয়েন্টের সীমানাকে কেন্দ্রীয় আবিষ্কার হিসেবে নাম দিতে দেয়, কেবল একটি সতর্কতা হিসেবে নয়।

• স্বাস্থ্যসেবা দৃশ্যপট-শিখনে GenAI-এর PRISMA 2020 পর্যালোচনা — নেটো ও সহকর্মীরা (2026) পাঁচটি ডেটাবেসে (9 Nov 2025) পদ্ধতিগতভাবে অনুসন্ধান করেন দৃশ্যপট-, কেস-, সমস্যা- ও সিমুলেশন-ভিত্তিক স্বাস্থ্যসেবা শিক্ষাজুড়ে পিয়ার-পর্যালোচিত GenAI গবেষণার জন্য, 1,151টি রেকর্ড বাছাই করে 23টি অন্তর্ভুক্ত গবেষণায় নামেন যা Mixed Methods Appraisal Tool (MMAT) দিয়ে মূল্যায়িত। তাদের বিষয়ভিত্তিক সংশ্লেষণ প্রম্পট ডিজাইনকে শিক্ষণ-নির্দিষ্টকরণ হিসেবে কেন্দ্র করে ছয়টি আড়াআড়ি থিম সামনে আনে, এবং বৈধতা-প্রমিতকরণ, দীর্ঘমেয়াদি/তুলনামূলক নকশা ও দক্ষতা-পরিমাপে ফাঁক নথিভুক্ত করে — কঠোর ডোমেইন-নির্দিষ্ট GenAI পদ্ধতিগত পর্যালোচনার একটি টেমপ্লেট।

• ভাষা-শিক্ষক ও GenAI-এর পদ্ধতিগত পর্যালোচনা — 23টি SSCI-সূচিত অভিজ্ঞতামূলক গবেষণার (ডিসেম্বর 2022–সেপ্টেম্বর 2024) PRISMA-সমন্বিত পর্যালোচনা, যা ভাষা-শিক্ষকেরা GenAI কীভাবে দেখেন, গ্রহণ করেন ও একীভূত করতে শেখেন তা নিয়ে, এবং অ্যারিস্টটলীয় জ্ঞান-শ্রেণিবিন্যাস episteme (তাত্ত্বিক উপলব্ধি), techne (ব্যবহারিক দক্ষতা) ও phronesis (ব্যবহারিক প্রজ্ঞা) দিয়ে সংশ্লেষিত। এটি সতর্ক, নির্বাচনী গ্রহণ নথিভুক্ত করে যা পর্দার আড়ালের প্রস্তুতির দিকে ঝোঁকে, তিন ধরনের জ্ঞানেই স্থায়ী দক্ষতা-ফাঁক, এবং কেবল তিনটি কাঠামোবদ্ধ PD হস্তক্ষেপ — যা দেখায় কীভাবে একটি পর্যালোচনা প্রমাণভিত্তি ও ক্ষেত্রের পদ্ধতিগত ফাঁক দুটোই উন্মোচন করতে পারে (এখানে, কাঠামোবদ্ধ পেশাগত-উন্নয়ন গবেষণার অভাব)।

• বৈশ্বিক উচ্চশিক্ষায় এআই ও সেবা-প্রদানের পদ্ধতিগত পর্যালোচনা — নিয়াম্বোগা (2026) পাঁচটি ডোমেইনজুড়ে 155টি গবেষণা সংশ্লেষণ করেন এবং অভিযোজিত CASP ও JBI-অনুপ্রাণিত মানদণ্ডে প্রতিটির নিশ্চয়তা গ্রেড করেন — এআই একীকরণ ও অবকাঠামো-প্রস্তুতি উচ্চ, নেতৃত্ব মাঝারি, এবং নৈতিক শাসন ও টেকসইতা নিম্ন রেটিং দিয়ে। পর্যালোচনাটি নিজের কর্পাসের উপরও মান-দৃষ্টি ফেলে: 117টি গবেষণা (75.5%) সফল বাস্তবায়ন প্রতিবেদন করে, 124টি (80.0%) কেবল স্বল্পমেয়াদি প্রভাব কভার করে, আর মাত্র 23টি (14.8%) নীতি, সমতা বা শাসন-ব্যর্থতা প্রতিবেদন করে। একটি সংশ্লেষণ কেবল প্রমাণ কোন দিকে ইঙ্গিত করে তা নয়, ডোমেইন ধরে ধরে তা কতটা নিশ্চিত তাও প্রতিবেদন করতে পারে।

• শিক্ষায় RL-এর পদ্ধতিগত পর্যালোচনা — রিডম্যান, শ্যাপার ও লুগরিন (2025) 89টি রিইনফোর্সমেন্ট লার্নিং গবেষণা (2000–2024) সংশ্লেষণে PRISMA-মানের প্রোটোকল প্রয়োগ করেন। পর্যালোচনাটি সংশ্লেষণ-পদ্ধতি ও তাদের সীমার একটি শিক্ষণীয় কেস: এটি দ্রুত বর্ধমান কিন্তু পদ্ধতিগতভাবে অসম একটি ক্ষেত্রের মানচিত্র তৈরি করে — অর্ধেকেরও বেশি গবেষণা (n = 54) কোনো পরিসংখ্যানগত পরীক্ষা প্রতিবেদন করেনি — এবং কেবল 15টি পত্রে ইফেক্ট-সাইজ বিশ্লেষণ চালায় যা পুলিংয়ের উপযোগী, সরাসরি মূল্যায়ন থেকে মধ্যবর্তী-থেকে-বড় প্রভাব (Cohen's d) প্রতিবেদন করে। এটি প্রকাশনা-পক্ষপাত যাচাইও করে (funnel plot, Egger's test, PET-PEESE) যা উল্লেখযোগ্য পক্ষপাত পায়নি কিন্তু সীমিত ক্ষমতাসম্পন্ন ছিল (n = 6), এবং এটি পূর্ণ মেটা-বিশ্লেষণের বদলে বিষয়ভিত্তিক-প্লাস-সীমিত-পরিমাণগত সংশ্লেষণে থামে কারণ ভিন্নধর্মী মূল্যায়ন-প্রোটোকল বিস্তৃত পুলিং প্রতিরোধ করেছিল — নিচে বর্ণিত ভিন্নতা ও garbage-in/garbage-out সীমার একটি সুনির্দিষ্ট উদাহরণ।

• এআই নিয়ে HCI গবেষণায় সমালোচনামূলক চিন্তার স্কোপিং পর্যালোচনা — ইনিয়ে ও সহকর্মীরা (2026) 80টি অভিজ্ঞতামূলক পত্রের মানচিত্র তৈরি করেন এবং ইচ্ছাকৃতভাবে কোনো মান-মূল্যায়ন করেন না, তাই "দাবিকৃত" প্রভাব মানে প্রতিটি পত্র যে সিদ্ধান্ত বলে তা। কেবল 23টি পত্র (29%) সমালোচনামূলক চিন্তাকে সংজ্ঞায়িত করে, 46টি (57%) কোনো তাত্ত্বিক অবস্থানে রাখা যায় না, এবং 49টি (61%) আত্ম-প্রতিবেদনের মাধ্যমে গঠনটি মাপে, যার ফলে 50টি পত্র (62%) ইতিবাচক প্রভাব প্রতিবেদন করতে পারে। যখন একটি গঠন এত অনির্ধারিত আর তার পরিমাপ পরস্পর-অসমতুল্য, ক্ষেত্রের মানচিত্র তৈরি করা তা পুল করার চেয়ে বেশি তথ্যবহুল, এবং মূল্যায়ন আটকে রাখা দাবিটিকে প্রভাব থেকে গবেষণাগুলি কী দাবি করেছিল তার বর্ণনায় সরিয়ে দেয়।

• উচ্চশিক্ষায় এআই একীকরণের ম্যাপিং পর্যালোচনা (FACETS + SAMR) — একটি PRISMA 2020 পর্যালোচনা যা 959টি রেকর্ড বাছাই করে 22টি হস্তক্ষেপ-গবেষণায় নামে, দেখায় কীভাবে একটি কোডিং ফ্রেমওয়ার্ক (FACETS: Form, AI use case, Context, Education focus, Technology, SAMR) প্লাস একটি মূল্যায়নমূলক দৃষ্টি (SAMR) খণ্ডিত সাহিত্যের মানচিত্র তৈরি করে ও রূপান্তরের গভীরতা গ্রেড করে। অন্তর্ভুক্ত বেশিরভাগ গবেষণা SAMR Substitution/Augmentation-এ বসে, দেখায় ম্যাপিং পর্যালোচনা একটি বিস্তৃত কিন্তু অগভীর একীকরণ-ক্ষেত্র প্রকাশ করতে পারে — প্রভাব পুলিংয়ের একটি বিকল্প যখন লক্ষ্য ভূদৃশ্য বর্ণনা করা, প্রভাব অনুমান নয়।

• K-12 এআই-ভিত্তিক শিক্ষাদানে শিক্ষক-হস্তক্ষেপের পদ্ধতিগত পর্যালোচনা — লি (2026) 1,565টি রেকর্ড বাছাই করে 29টি গবেষণায় নামেন, প্রতিটি স্তরে দুই স্বাধীন রেটার (κ = 0.655 বাছাই, κ = 0.647 যোগ্যতা) এবং একটি MMAT মান-মূল্যায়ন যা একটি গবেষণা সরিয়ে দেয়। এটি এমন সংশ্লেষণের একটি শিক্ষণীয় উদাহরণ যা ইচ্ছাকৃতভাবে পুলিং পর্যন্ত যায় না: কারণ বেশিরভাগ অন্তর্ভুক্ত গবেষণায় শিক্ষক-হস্তক্ষেপের স্বাধীন প্রভাব এআই সিস্টেম-নকশা, শিক্ষণ-কাঠামো ও শ্রেণিকক্ষ-প্রসঙ্গ থেকে আলাদা করা যায়নি, পর্যালোচনাটি শর্তসাপেক্ষ ফলাফল এবং প্রক্রিয়া, কৌশল ও প্রভাবের একটি ব্যাখ্যামূলক ফ্রেমওয়ার্ক প্রতিবেদন করে, ইফেক্ট সাইজ নয় — যে একই সীমা একটি পর্যালোচনাকে মেটা-বিশ্লেষণ থেকে আলাদা করে।

• AIED-এ নৈতিক মূল্য ও নিয়মের পদ্ধতিগত পর্যালোচনা — আগারওয়াল ও সহকর্মীরা (2026) Web of Science, ERIC, IEEE CSDL ও ACM DL জুড়ে (সাথে পশ্চাৎ snowballing) 736টি রেকর্ড বাছাই করে 25টি অন্তর্ভুক্ত নিবন্ধে নামেন, খণ্ডিত AIED নীতির সাহিত্যকে ছয়টি প্রধান নৈতিক মূল্যে সংহত করেন (অ-বৈষম্য, তথ্য-তত্ত্বাবধান, মানবিক তদারকি, শুভেচ্ছা, ব্যাখ্যাযোগ্যতা, শিক্ষাগত উপযুক্ততা) এবং নৈতিক নিয়মগুলিকে স্টেকহোল্ডার-বনাম-মূল্য ম্যাট্রিক্সে মানচিত্রিত করেন। পর্যালোচনাটি দেখায় কীভাবে একটি পদ্ধতিগত প্রোটোকল ধারণাগতভাবে খণ্ডিত, মূলত অ-অভিজ্ঞতামূলক সাহিত্য (25টির মধ্যে কেবল তিনটি নিবন্ধ পদ্ধতি-পত্র বা মৌলিক গবেষণা) সংশ্লেষণ করে একটি কার্যকর ফ্রেমওয়ার্কে পরিণত করতে পারে — এখানে শাসন ও নীতির ভিত্তি।

• PBL/PjBL-এ GenAI-এর তিন-স্তরের মেটা-বিশ্লেষণ — চেন ও সহকর্মীরা (2026) 22টি নিয়ন্ত্রিত গবেষণা ও 66টি ইফেক্ট সাইজ পুল করে শিক্ষার্থী-অভ্যন্তরীণ ফলাফলে বড় প্রভাব (g = 0.819, 95% CI [0.655, 0.983]) পান, তারপর প্রতিবেদন করেন যে PET-PEESE ছোট-গবেষণা সংশোধন অনুমানকে g = 0.378-এ নামায়, অথচ পণ্য-কর্মক্ষমতা মডেল (g = 1.958, ছয়টি গবেষণা) এমন একটি পূর্বানুমান-ব্যবধান বহন করে যা শূন্য অতিক্রম করে। আরও দুটি গবেষণা What Works Clearinghouse-এর 0.25 SD বেসলাইন-সমতুল্যতা থ্রেশহোল্ডে ব্যর্থ হয়ে বাদ পড়ে। প্রতিবেদিত প্রভাব একটি সংশ্লেষণ যে পক্ষপাত-সংশোধন ও নকশা-বাছাই প্রয়োগ করে তার উপর নির্ভরশীল, এবং দুটোই ব্যাখ্যায় থাকা উচিত, পাদটীকায় নয়।

ডিসলেক্সিয়ার জন্য এআই-এর আন্তঃবিষয়ক পর্যালোচনা

দাবাগি, দি'উর্সো ও শিয়ারোনে (2026) শিক্ষায় ডিসলেক্সিয়াযুক্ত শিক্ষার্থীদের সহায়তায় এআই ও জেনারেটিভ এআই-এর একটি PRISMA-পরিচালিত, আন্তঃবিষয়ক পদ্ধতিগত পর্যালোচনা (2018–2024, n=72) উপস্থাপন করেন। পর্যালোচনাটি শনাক্তকরণ, সহায়ক সমর্থন ও ব্যক্তিগতকৃত শিখন জুড়ে এআই-এর মানচিত্র তৈরি করে এবং দেখে এই ধারাগুলি একীকরণের বদলে সমান্তরালে বিকশিত হচ্ছে, যা সংহত শিক্ষাতত্ত্বের চেয়ে প্রযুক্তিগত সুযোগ দ্বারা বেশি চালিত। এটি নথিভুক্ত করে যে এই ডোমেইনে জেনারেটিভ এআই কম ব্যবহৃত (GAI গবেষণা, সবই 2024 সালের, চ্যাটবট, শিক্ষক-প্রশিক্ষণ সমর্থন ও অন্বেষণমূলক গবেষণায় গুচ্ছবদ্ধ) এবং ML-ভিত্তিক সহায়তা-শিক্ষা সরঞ্জাম পাঁচটি ক্ষেত্রে পড়ে (নির্দিষ্ট প্রয়োগ, নিয়োজিতি, ব্যক্তিগতকরণ, সুপারিশ, সাধারণ সমর্থন), অথচ বাস্তুতান্ত্রিক বৈধতার চেয়ে কারিগরি কর্মক্ষমতায় জোর দেয়। উন্মুক্ত চ্যালেঞ্জের মধ্যে রয়েছে সীমিত পরীক্ষামূলক বৈধতা, ডায়াগনস্টিক সরঞ্জামের স্কেলযোগ্যতা ও অভিগম্যতা, সংবেদনশীল শিক্ষার্থী-তথ্য নিয়ে নীতি/গোপনীয়তা উদ্বেগ, সীমিত শিক্ষক-সমর্থন এবং ভাষা/সাংস্কৃতিক বাধা। পর্যালোচনার নিজস্ব পদ্ধতিগত সীমা — ব্যাখ্যামূলক শ্রেণিবিন্যাস-পক্ষপাত, অ-ইংরেজি গবেষণা বাদ, ভিন্নধর্মী মূল্যায়ন-প্রোটোকল যা পরিমাণগত সংশ্লেষণ প্রতিরোধ করে, এবং দ্রুত বিকশিত GAI প্রমাণভিত্তি — পদ্ধতিগত-পর্যালোচনা পরিবারের মূল টানাপোড়েন দেখায়: একটি স্বচ্ছ প্রোটোকল খণ্ডিত ক্ষেত্রের মানচিত্র তৈরি করতে পারে, কিন্তু ভিন্নধর্মী মূল্যায়ন পরিসংখ্যানগত পুলিং প্রতিরোধ করে, তাই পর্যালোচনাটি মেটা-বিশ্লেষণের বদলে বিষয়ভিত্তিক সংশ্লেষণে থামে।

এআই-যুগের সংশ্লেষণ-চ্যালেঞ্জ: উৎপাদনশীলতা বনাম শিখন

জেনারেটিভ-এআই হস্তক্ষেপের পর্যালোচনাগুলি একটি স্বতন্ত্র চ্যালেঞ্জের মুখোমুখি হয় যা জ্ঞানভান্ডারের সংশ্লেষণ-গবেষণা তুলে ধরে: উৎপাদনশীলতা-অর্জনকে টেকসই শিখন-অর্জন থেকে আলাদা করা। কারণ জেনারেটিভ এআই শিখন ঘটানো ছাড়াই তাৎক্ষণিক কাজের কর্মক্ষমতা (হোমওয়ার্ক, সহায়তাপ্রাপ্ত অনুশীলন) ফুলিয়ে তুলতে পারে, মেটা-বিশ্লেষণগুলিকে সতর্ক থাকতে হবে কোন ফলাফল তারা পুল করছে তা নিয়ে। GenAI-ও-প্রোগ্রামিং মেটা-বিশ্লেষণ বড় উৎপাদনশীলতা-অর্জন পেয়েছে কিন্তু কোনো তাৎপর্যপূর্ণ শিখন-অর্জন পায়নি (g ≈ 0) — একটি পরিষ্কার দৃষ্টান্ত। বৃহৎ-মাপের ক্ষেত্র-গবেষণা ও অসহায়-পরিমাপ গবেষণা দেখায় যে মাপা প্রভাব নির্ভর করে ফলাফল এআই-সহায়তাপ্রাপ্ত কি না না proctored/অসহায়। তাই পর্যালোচনাগুলি সহায়তাপ্রাপ্ত ও অসহায় ফলাফল আলাদাভাবে প্রতিবেদন করবে, কর্মক্ষমতা ও শিখনকে আলাদা করবে, এবং যে গবেষণাগুলি কেবল তাৎক্ষণিক এআই-সমর্থিত কর্মক্ষমতা মাপে তা চিহ্নিত করবে। একটি পরিপূরক সতর্কতা আসে এআই-সাক্ষরতা মেটা-বিশ্লেষণ থেকে: কোন ফলাফল পুল করা হয় তাও উত্তর গড়ে তোলে — জ্ঞানকেন্দ্রিক এআই সাক্ষরতা হস্তক্ষেপ দক্ষতা, মনোভাব বা নীতিকেন্দ্রিক হস্তক্ষেপের চেয়ে বড় প্রভাব দেখিয়েছে, তাই যে পর্যালোচনা কেবল জ্ঞান-ফলাফল পুল করে তা সামগ্রিকভাবে এআই-সাক্ষরতা শিক্ষাদান কী অর্জন করে তা বাড়িয়ে দেখাতে পারে। এটি এআই শিক্ষা মূল্যায়ন ও সমষ্টিগত মূল্যায়ন-এর সাথে যুক্ত।

একই কৃত্রিমতা সময়ের মাত্রায় দেখা যায়। উচ্চশিক্ষায় GenAI নিয়ে জিং ও সহকর্মীদের 2026 মেটা-বিশ্লেষণ (35টি গবেষণা, 175টি ইফেক্ট সাইজ, পুল করা g = 0.53) একাডেমিক-কর্মক্ষমতার প্রভাব প্রতিবেদন করে যা 0 থেকে 4 সপ্তাহের হস্তক্ষেপে g = 5.07 থেকে 4 থেকে 12 সপ্তাহে g = 0.64 এবং 12 সপ্তাহের পরে g = 0.01-এ নামে (Q = 35.19, p < 0.001), একই সময়কালে আবেগীয়-মনোভাবের প্রভাব g = 2.05 শীর্ষ থেকে g = 0.18-এ নেমে আসে। এত বড়, এত আগের প্রভাবগুলি মূলত কাজ-স্তরের সহায়তা নিবন্ধ করে, টেকসই শিখন নয়, তাই স্বল্প গবেষণা-প্রধান একটি পুল করা অনুমানকে বাস্তব বাস্তবায়ন যা ধরে রাখবে তার ঊর্ধ্বসীমা হিসেবে পড়া উচিত। যে পর্যালোচনাগুলি ফলাফল পুল করে তাদের তাই ইফেক্ট সাইজের পাশাপাশি হস্তক্ষেপের সময়কাল নথিভুক্ত করা উচিত, কারণ সময়কাল এই সংশ্লেষণগুলির মধ্যে টিকে থাকা অল্প কয়েকটি মডারেটরের একটি।

শক্তি ও সীমাবদ্ধতা

শক্তি:

• একটি বৃহৎ, খণ্ডিত সাহিত্যের দক্ষ সংশ্লেষণ
• মেটা-বিশ্লেষণ পুল করা প্রভাব-অনুমান দেয়, পরিসংখ্যানগত ক্ষমতা বাড়ায়, এবং মডারেটর ও ভিন্নতা শনাক্ত করে
• পদ্ধতিগত প্রোটোকল বর্ণনামূলক পর্যালোচনার চেয়ে স্বচ্ছতা ও পুনরুৎপাদনযোগ্যতা বাড়ায়
• প্রমাণ-ভিত্তিক অনুশীলন এবং গবেষণা-ফাঁক শনাক্তকরণের জন্য অপরিহার্য

সীমাবদ্ধতা:

• Garbage-in/garbage-out — সংশ্লেষণ ততটাই ভালো যতটা অন্তর্ভুক্ত গবেষণার মান; দুর্বল প্রাথমিক নকশা দুর্বল পুল করা সিদ্ধান্ত দেয়
• প্রকাশনা-পক্ষপাত — শূন্য বা নেতিবাচক ফলাফল কম প্রকাশিত হয়, যা পুল করা প্রভাব ফুলিয়ে তোলে
• ভিন্নতা — ভিন্ন নকশা, ফলাফল-পরিমাপ ও এআই সিস্টেম সরাসরি পুলিং কঠিন করে তোলে এবং একটি একক ইফেক্ট সাইজের অর্থ ক্ষুণ্ণ করতে পারে। GenAI-লেখন মেটা-বিশ্লেষণ তা সুনির্দিষ্ট করে: একটি বড়, পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ পুল করা সুবিধার সাথে এত চরম আন্তঃগবেষণা ভিন্নতা ছিল যে একটি নতুন বাস্তবায়নের পূর্বানুমান-ব্যবধানও শূন্য অতিক্রম করেছিল, অর্থাৎ একটি নতুন মোতায়েন সম্ভবত কোনো সুবিধা নাও দিতে পারে। গড়ের দিক ছিল দৃঢ়; তার পরিমাণ ছিল না — এ কারণেই গ্রহণের সিদ্ধান্তে কেবল পুল করা অনুমান নয়, পূর্বানুমান-ব্যবধানও বিবেচনা করা উচিত। অমীমাংসিত ভিন্নতা নকশার দিক থেকে নয়, ফলাফলের দিক থেকেও আসতে পারে: K-12 এআই-সাক্ষরতা মেটা-বিশ্লেষণ I2 = 94.68% পেয়েছে যা কোনো মডারেটর ব্যাখ্যা করেনি, এবং তা এআই সাক্ষরতা-এর একটি সম্মত পরিমাপের অনুপস্থিতিতে আরোপ করেছে, যেখানে 16টি গবেষণা জ্ঞানভিত্তিক ও আবেগভিত্তিক ফলাফল একই লেবেলের নিচে মিশিয়েছে। কী মাপা হয়েছে তা দিয়ে যতটা চালিত ভিন্নতা, কী করা হয়েছে তা দিয়ে চালিত ভিন্নতার মতোই, পুলিং দিয়ে মেটানো যায় না।
• দ্রুত অপ্রচলন — এআই সরঞ্জামের ভূদৃশ্য দ্রুত বদলায়, তাই পর্যালোচনা দ্রুত পুরোনো হতে পারে
• পরিধির সীমাবদ্ধতা — একক-ডেটাবেস বা কেবল-ইংরেজি অনুসন্ধান প্রাসঙ্গিক কাজ মিস করতে পারে।(A systematic review of AI-powered collaborative learning in higher education: Trends and outcomes from the last decade)(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness)

মেটা-গবেষণা সতর্ক করে যে AIED সংশ্লেষণ-ভিত্তি বর্তমানে দুর্বল। ক্রমবর্ধমান সমালোচনা নথিভুক্ত করে যে ক্ষেত্রটির শিরোনাম-এআই-প্রভাবের আকার — বিশেষত প্রাথমিক মেটা-বিশ্লেষণ থেকে — প্রকাশনা-পক্ষপাত, গঠন-অসংগতি ও পদ্ধতিগত শর্টকাটে ফুলে উঠেছে। Bartoš প্রমুখ (2026), 67টি মেটা-বিশ্লেষণ থেকে 1,840টি ইফেক্ট সাইজ মেটা-বিশ্লেষণ করে, প্রকাশনা-পক্ষপাত-সংশোধিত এআই প্রভাব প্রতিবেদিত আকারের প্রায় এক-তৃতীয়াংশ (SMD ≈ 0.196) অনুমান করেন, সাথে চরম ভিন্নতা। O'Neill (2026) 14টি উচ্চ-প্রভাব AIED মেটা-বিশ্লেষণ নিরীক্ষা করে পান যে কোনোটিতেই সুসংগত গঠন, বৈধ প্রকাশনা-পক্ষপাত মূল্যায়ন বা মীমাংসিত ভিন্নতা ছিল না; বারোটি নির্ভরশীল ইফেক্ট সাইজকে স্বাধীন হিসেবে গণ্য করেছে। Weidlich প্রমুখ (2025) দেখান বেশিরভাগ প্রাথমিক তুলনায় সুসংজ্ঞায়িত চিকিৎসা, নিয়ন্ত্রণ ও শিখন-পরিমাপ নেই। এর অর্থ পাঠকদের পুল করা AIED ইফেক্ট সাইজকে ঊর্ধ্বসীমা হিসেবে গণ্য করা উচিত যতক্ষণ সংশ্লেষণের মান উন্নত না হয় — পূর্ণ বিশ্লেষণ দেখুন AIEd গবেষণার সীমাবদ্ধতা-এ।

• প্রতিবেদন-মান স্বয়ংক্রিয়করণের সাথে তাল মেলাতে পারেনি। PRISMA-LLM SciLitBench বিশ্লেষণ করে, 888টি পর্যালোচনা-স্বয়ংক্রিয়করণ পত্রের একটি কর্পাস যাতে 14,726টি টীকা আছে, এবং মাসে প্রায় 4.7% বৃদ্ধির হার নথিভুক্ত করে সাথে একটি জবাবদিহিতা-ফাঁক: 2023 সাল থেকে 38.0% সফটওয়্যার ও পণ্য-পত্র কোনো মূল্যায়নই প্রতিবেদন করেনি, বিপরীতে LLM পত্রে 9.3%, এবং কেবল-ইতিবাচক LLM মূল্যায়নের 52% একটি অপরিহার্য উঁচু-মানের উদ্বেগ অমীমাংসিত রেখেছে। কারণ LLM ও সফটওয়্যার পাইপলাইন এখন এমন স্তরে অংশ নেয় যা প্রমাণভিত্তি বদলাতে পারে, ফ্রেমওয়ার্কটি দাবি করে যে পর্যালোচনা-কার্যপ্রবাহের কোন অংশে স্বয়ংক্রিয়করণ কাজ করেছে, কী মূল্যায়িত হয়েছে এবং কোন সীমাবদ্ধতা যাচাই হয়েছে তা প্রকাশ করা হোক — যা AIED পর্যালোচনা-সমালোচনা শিখন-প্রভাবের মেটা-বিশ্লেষণে যে স্বচ্ছতা-সমস্যা নথিভুক্ত করেছে তার সরাসরি সম্প্রসারণ। (PRISMA-LLM: An Empirical Reporting Framework for AI-Assisted Systematic Reviews)
• এমন একটি পর্যালোচনার কার্যপ্রণালী-উদাহরণ যা ইচ্ছাকৃতভাবে পুল করতে অস্বীকার করেছে। Spyropoulou ও Kameas (2026) এআই-সমর্থিত শিক্ষণ-নকশা-এর 78টি গবেষণা (2022-2026) সংশ্লেষণ করেন এবং পরিমাণগত সংশ্লেষণকে অনুপযুক্ত মনে করেন কারণ কর্পাসে অনুশীলনকারী-প্রতিবেদন, ছোট-নমুনার কেস-গবেষণা ও মিশ্র-পদ্ধতি নকশা মিশে ছিল। পুল করা প্রভাব জোর করে চাপানোর বদলে তারা একটি গুণগত বিষয়ভিত্তিক সংশ্লেষণ চালান এবং স্পষ্ট করেন যে প্রমাণের শক্তি সর্বত্র ভারিত, ধরে নেওয়া নয়। সাহিত্য যতটা প্রতিফলিত করে তার চেয়ে অনেক বেশি ক্ষেত্রে এটাই সঠিক সিদ্ধান্ত: যেখানে একটি কর্পাস পুলিং সমর্থন করতে পারে না, সেখানে পুল করতে অস্বীকার করা পর্যালোচনার পদ্ধতিগত ঘাটতি নয়, ক্ষেত্র সম্পর্কে একটি আবিষ্কার।
• মান-মূল্যায়ন ভার দেওয়ার জন্য ব্যবহৃত, বাদ দেওয়ার জন্য নয়। পর্যালোচনাটি প্রতিটি গবেষণা MMAT 2018 দিয়ে মূল্যায়ন করে এবং সেই মূল্যায়নকে প্রতিটি সংশ্লেষিত আবিষ্কারে প্রদত্ত আস্থা নির্ধারণ করতে দেয়, দুর্বল নকশা বাছাই করে বাদ দেওয়ার বদলে। তাই নিম্ন-মানের গবেষণা সেই অনুপাতে কম ভার দেয়, যা প্রমাণভিত্তির আকৃতি — তার দুর্বলতাসহ — সংরক্ষণ করে, তার একটি পরিশোধিত সংস্করণ উপস্থাপনের বদলে। এই পছন্দ গুরুত্বপূর্ণ কারণ বর্জন-মানদণ্ড ও ভার-নিয়ম প্রোটোকল-সম্মতি না বদলেই একটি পর্যালোচনার সিদ্ধান্ত বদলাতে পারে।
• মান-মূল্যায়ন বাদ দিয়ে পুনর্গণনাও করতে পারে। Kim ও Han (2026) তাদের 23টি অন্তর্ভুক্ত গবেষণা নিয়ে উল্টো পথে হাঁটেন: ভার দেওয়ার বদলে তারা তিনটি Low-রেটেড ও চারটি মূল্যায়ন-অযোগ্য পত্র বাদ দিয়ে প্রতিটি কম্পাঙ্ক পুনর্গণনা করেন, 16টি রেখে, এবং কোনটি কাটা টিকেছে তা প্রতিবেদন করেন। ডিপ লার্নিং প্রথমেই থাকে (22টি ট্যাগের 45.5%), মাল্টিমোডাল ব্যবহার প্রায় অটল (পত্রের 31.3%) এবং ফলাফলের ক্রম 2.4 শতাংশ পয়েন্টের মধ্যে টিকে থাকে, অথচ ইন্টারঅ্যাকশন 12.5% থেকে 6.7%-এ, কনটেন্ট তৈরি 7.5% থেকে 3.3%-এ নামে, এবং মোশন ডেটা সবচেয়ে কম্পাঙ্কশীল মোডালিটি হওয়ায় ইমেজ ডেটা প্রথম থেকে চতুর্থে নেমে যায়। দুটি ভিন্ন প্রশ্নের উত্তর দেয়: ভার দেওয়া কর্পাসের আকৃতি রাখে, পুনর্গণনা দেখায় তার কোন নমুনাগুলি তার দুর্বলতম সদস্যদের উপর দাঁড়িয়ে।
• আত্ম-প্রতিবেদনের আধিপত্যের জন্য আলাদা সতর্কতা-পঙ্ক্তি প্রাপ্য। লেখকেরা তাদের গবেষণা-স্তরের মূল্যায়নের উপরে কর্পাস-স্তরের সীমাবদ্ধতা হিসেবে আত্ম-প্রতিবেদনের নাম দেন, এবং এখানে সতর্কতাটি দুবার কাটে: পর্যালোচনার নিজস্ব সারবস্তুগত আবিষ্কার শিক্ষকদের নিজেদের মূল্যায়ন-দক্ষতা অতিরিক্ত অনুমান সম্পর্কে, তাই পদ্ধতিগত সীমাবদ্ধতা ও বিষয়বস্তু একই সমস্যা। যে সংশ্লেষণের অন্তর্ভুক্ত গবেষণাগুলি আত্ম-প্রতিবেদনে দক্ষতা মাপে, এমন একটি বিষয়ে যেখানে আত্ম-মূল্যায়ন প্রদর্শনসিদ্ধভাবে অবিশ্বস্ত, তাকে তা সীমাবদ্ধতায় বলতে হবে, পাশ কাটিয়ে নয়।
• একক-কোডার কোডিং সীমাবদ্ধতা হিসেবে প্রতিবেদিত, বাদ দেওয়া নয়। বাছাই ও কোডিং প্রথম লেখক করেছেন, সীমান্তবর্তী কেস দ্বিতীয় লেখকের সাথে ঐকমত্যে মীমাংসা করে, এবং নির্ভরযোগ্যতা স্বাধীন দ্বৈত-কোডিংয়ের মাধ্যমে পরিমাপিত হয়নি — তাই ব্যাখ্যামূলক শ্রেণিগুলি, বিশেষত এআই-ভূমিকা ও তদারকি-স্তর, একক-কোডার পক্ষপাতের ঝুঁকি বহন করে যা লেখকেরা সরাসরি স্বীকার করেন। এই ক্ষেত্রের অনেক পর্যালোচনা ওই বাক্যটি বাদ দেয়; তা অন্তর্ভুক্ত করা পাঠককে বিচার করতে দেয় ব্যাখ্যামূলক শ্রেণিগুলি কতটা ভার বহন করতে পারে।

অন্যান্য পদ্ধতির সাথে সম্পর্ক

জ্ঞানভান্ডারের পদ্ধতিগত ভূদৃশ্যে মেটা-বিশ্লেষণ ও পদ্ধতিগত পর্যালোচনা সংশ্লেষণ পরিবার, যা প্রাথমিক নকশার পরিপূরক:

• প্রাথমিক গবেষণা (পরীক্ষা, জরিপ, গুণগত কাজ, নকশা-ভিত্তিক গবেষণা) পৃথক আবিষ্কার তৈরি করে; পর্যালোচনা সেগুলি সংকলন করে। দেখুন শিক্ষায় এআই-এর গবেষণা পদ্ধতি।
• প্রাথমিক গবেষণায় ইফেক্ট-সাইজ প্রতিবেদন (যেমন RCT) পরবর্তী মেটা-বিশ্লেষণ সম্ভব করে — পর্যালোচনা নির্ভর করে গবেষণার তুলনীয়, নিষ্কাশনযোগ্য ইফেক্ট সাইজ প্রতিবেদনের উপর।
• মূল্যায়ন (এআই শিক্ষা মূল্যায়ন, বেঞ্চমার্ক) পৃথক সিস্টেম মূল্যায়ন করে; পর্যালোচনা সিস্টেম ও হস্তক্ষেপ নিয়ে সাহিত্য মূল্যায়ন করে।
• শিক্ষাগত পরিমাপ (শিক্ষামূলক পরিমাপ, মূল্যায়নের বৈধতা) সেই ফলাফল-পরিমাপের মান নিয়ে, যা পর্যালোচনাগুলি পুল করে।

গবেষকদের জন্য তাৎপর্য

1. নিষ্কাশনযোগ্য ইফেক্ট সাইজ প্রতিবেদন করুন। একটি সাহিত্য মেটা-বিশ্লেষণযোগ্য হতে প্রাথমিক গবেষণাগুলিকে তুলনীয় ইফেক্ট সাইজ ও যথেষ্ট পদ্ধতি-বিবরণ প্রতিবেদন করতে হবে — এটি প্রতিটি AIED গবেষণার দায়িত্ব।(শিক্ষায় এআই-এর গবেষণা পদ্ধতি) যথেষ্ট বিবরণের মধ্যে শিক্ষণ পদ্ধতি অন্তর্ভুক্ত: প্রোগ্রামিং শিক্ষায় GenAI-এর একটি পদ্ধতিগত পর্যালোচনা তার 46টি গবেষণার অর্ধেকেরও কমের জন্য শিক্ষাবিজ্ঞান কোড করতে পেরেছে কারণ 26টি কখনও বর্ণনা করেনি তারা কী করেছে, এবং প্রাথমিক লেখকেরা যে বিবরণ বাদ দেন তা পরবর্তী সংশ্লেষণ পুনরুদ্ধার করতে পারে না।
2. একটি স্বচ্ছ প্রোটোকল অনুসরণ করুন। PRISMA-পরিচালিত অনুসন্ধান, বাছাই ও মূল্যায়ন পর্যালোচনাকে পুনরুৎপাদনযোগ্য ও সমর্থনযোগ্য করে।
3. পুল করা প্রভাব সতর্কভাবে ব্যাখ্যা করুন। দৃঢ় সিদ্ধান্তে পৌঁছানোর আগে ভিন্নতা, প্রকাশনা-পক্ষপাত ও অন্তর্ভুক্ত গবেষণার মানে মনোযোগ দিন।
4. এজেন্ডা নির্ধারণে পর্যালোচনা ব্যবহার করুন। পর্যালোচনার নথিভুক্ত ফাঁক (ব্যর্থতার দৃষ্টান্ত, কর্মক্ষেত্রের প্রসঙ্গ, অ-ইংরেজি ও অ-সূচিত কাজ, দীর্ঘমেয়াদি ফলাফল) নির্দেশ করা উচিত কোথায় নতুন প্রাথমিক গবেষণা দরকার।(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness)
5. শূন্য মডারেটরকে আবিষ্কার হিসেবে গণ্য করুন। যখন মডারেটর শূন্য ফিরে আসে আর ভিন্নতা উঁচু থাকে, তা হস্তক্ষেপের মতোই ক্ষেত্রের অবস্থা (গঠন-অসংগতি, পাতলা নকশা-প্রতিবেদন) সম্পর্কে প্রমাণ, এবং তা বাদ দেওয়ার বদলে সংশ্লেষণ-বিবরণে থাকা উচিত।(The Effects of K-12 Artificial Intelligence Education in Enhancing AI Literacy: A Meta-Analysis)(The Impact of Digital and Artificial Intelligence Technologies on the Improvement of Foreign Language Listening, Speaking, Reading and Writing Skills: A Meta-Analysis)
6. অ-সংশোধিত মডারেটর p-মান একটি আবিষ্কার নয়। খোদজায়েভ প্রমুখ (2026) সাতটি মডারেটরের তিনটি p < .05 অ-সংশোধিত প্রতিবেদন করেন, Holm সংশোধনে কোনোটিই টেকে না, তবু তাদের আলোচনা তাদের শিক্ষা-স্তরের অনুমানকে padj = .233-এ সমর্থিত বলে (খোদজায়েভ প্রমুখ (2026))। সংশোধিত মান প্রতিবেদন করুন, নয়তো মডারেটরকে শূন্য হিসেবে প্রতিবেদন করুন।

স্বাস্থ্যসেবা দৃশ্যপট-শিখনে GenAI

• স্বাস্থ্যসেবা দৃশ্যপট-শিখনে GenAI-এর PRISMA 2020 পর্যালোচনা। নেটো ও সহকর্মীরা (2026) পাঁচটি ডেটাবেসে (9 Nov 2025) পদ্ধতিগতভাবে অনুসন্ধান করেন দৃশ্যপট-, কেস-, সমস্যা- ও সিমুলেশন-ভিত্তিক স্বাস্থ্যসেবা শিক্ষাজুড়ে পিয়ার-পর্যালোচিত GenAI গবেষণার জন্য, 1,151টি রেকর্ড বাছাই করে 23টি অন্তর্ভুক্ত গবেষণায় নামেন যা Mixed Methods Appraisal Tool (MMAT) দিয়ে মূল্যায়িত। তাদের বিষয়ভিত্তিক সংশ্লেষণ প্রম্পট ডিজাইনকে শিক্ষণ-নির্দিষ্টকরণ হিসেবে কেন্দ্র করে ছয়টি আড়াআড়ি থিম সামনে আনে, এবং বৈধতা-প্রমিতকরণ, দীর্ঘমেয়াদি/তুলনামূলক নকশা ও দক্ষতা-পরিমাপে ফাঁক নথিভুক্ত করে — কঠোর ডোমেইন-নির্দিষ্ট GenAI পদ্ধতিগত পর্যালোচনার একটি টেমপ্লেট।

সাধারণ ভ্রান্ত ধারণা

• "একটি তাৎপর্যপূর্ণ পুল করা প্রভাব মানে হস্তক্ষেপটি কাজ করে।" K-12 এআই শিক্ষা নিয়ে ইয়ু ও সহকর্মীদের মেটা-বিশ্লেষণ (16টি গবেষণা, 57টি ইফেক্ট সাইজ, g = 0.892) বড় প্রভাব পেয়েছে, যদিও লেখকেরা তা সীমিত করেন। ষোলটি গবেষণা একটি সংকীর্ণ ভিত্তি, এবং সেই ভিত্তির উপরে বড় প্রভাব একটি প্রশ্ন, বিস্তৃত ব্যবধানসহ।
• "পর্যালোচকরা ডিফল্টভাবে ক্ষেত্রের মান নির্ভুলভাবে প্রতিবেদন করেন।" একটি পর্যালোচনার কাজের মধ্যে পদ্ধতিগত মান উন্মোচন অন্তর্ভুক্ত, এবং পর্যালোচনাগুলি নিয়মিত দেখে যে ক্ষেত্রটি কম-ক্ষমতাসম্পন্ন, প্রাক-পরীক্ষামূলক বা আধা-পরীক্ষামূলক নকশা ও তাৎক্ষণিক উত্তর-পরীক্ষার উপর নির্ভর করে। পুল করা সংখ্যা সেই দুর্বলতাগুলি উত্তরাধিকারসূত্রে পায়।
• "পুলিং সবসময় প্রমাণের ভার বাড়ায়।" বৈদেশিক ভাষা-দক্ষতার জন্য 40টি গবেষণা নিয়ে চেন ও ওয়েইয়ের মেটা-বিশ্লেষণ খুব ভিন্ন প্রযুক্তিজুড়ে পুল করে, এবং গড়টি তার অন্তর্ভুক্ত কোনো নির্দিষ্ট হস্তক্ষেপকেই বর্ণনা করে না।

সংযুক্ত ধারণা

• AIEd গবেষণা ব্যাখ্যা ও প্রয়োগ
• শিক্ষায় এআই-এর গবেষণা পদ্ধতি
• র্যান্ডমাইজড নিয়ন্ত্রিত পরীক্ষা (RCT)
• এআই শিক্ষা মূল্যায়ন
• এআই-সহায়িত শিক্ষা-গবেষণা — এআই-সহায়তাপ্রাপ্ত শিক্ষাগত গবেষণা
• বেঞ্চমার্ক
• শিক্ষামূলক পরিমাপ
• মূল্যায়নের বৈধতা
• শিখন-লাভ
• সমষ্টিগত মূল্যায়ন
• শিক্ষায় কৃত্রিম বুদ্ধিমত্তা
• উচ্চশিক্ষা
• সিমুলেশন

সংযুক্ত নিবন্ধ

• Integrating Generative Artificial Intelligence into Student Learning: A Systematic Review from a TPACK Perspective — TPACK দৃষ্টিকোণ থেকে শিক্ষার্থী-শিখনে GenAI-এর পদ্ধতিগত পর্যালোচনা

• A meta-analysis of the effect of generative AI on productivity and learning in programming — প্রোগ্রামিংয়ে GenAI-এর উৎপাদনশীলতা ও শিখনে প্রভাবের মেটা-বিশ্লেষণ

• Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness — বৃত্তিমূলক শিক্ষা ও প্রশিক্ষণে এআই-এর প্রথম পদ্ধতিগত পর্যালোচনা

• A systematic review of AI-powered collaborative learning in higher education: Trends and outcomes from the last decade — এআই-চালিত সহযোগী শিখনের PRISMA পদ্ধতিগত পর্যালোচনা

• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025) — উচ্চশিক্ষায় GenAI-এর পদ্ধতিগত পর্যালোচনা

• Comprehensive Review of Intelligent Tutoring Systems — বুদ্ধিমান টিউটরিং সিস্টেমের ব্যাপক পদ্ধতিগত পর্যালোচনা

• The cognitive impact of ChatGPT in higher education: A systematic review of critical and creative thinking outcomes — ChatGPT ও সমালোচনামূলক/সৃজনশীল চিন্তার পদ্ধতিগত পর্যালোচনা

• The Evidence Base on AI in K-12: A 2026 Review — K-12-এ এআই-এর প্রমাণভিত্তি

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

• Effectiveness of GenAI in Enhancing Writing Performance: A Meta-Analysis — GenAI-সমর্থিত L2 লেখার মেটা-বিশ্লেষণ: চরম ভিন্নতা ও মান-চালিত মডারেটরে ক্ষুণ্ণ একটি বড় পুল করা প্রভাব

• The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education — এআই-সাক্ষরতার মাত্রার সমন্বয়মূলক সাহিত্য-পর্যালোচনা (PRISMA-পরিচালিত)

• Generative AI in Scenario-Based Healthcare Education: A Systematic Review of Applications, Validation Practices, and Pedagogical Integration — দৃশ্যপট-ভিত্তিক স্বাস্থ্যসেবা শিক্ষায় GenAI-এর পদ্ধতিগত পর্যালোচনা (Neto প্রমুখ 2026)

• Mapping artificial intelligence integration in higher education: A systematic review using the FACETS and SAMR frameworks — FACETS + SAMR দিয়ে 22টি এআই-একীকরণ গবেষণা শ্রেণিবদ্ধকারী ম্যাপিং পর্যালোচনা; বেশিরভাগই Substitution/Augmentation-এ

• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — শিক্ষায় এআই-এর নৈতিক মূল্য ও নিয়ম

• A Systematic Review of Language Educators' Practices and Development with GenAI — GenAI নিয়ে ভাষা-শিক্ষকদের অনুশীলন ও উন্নয়ন

• Artificial intelligence to help people with dyslexia in education: An interdisciplinary literature review — শিক্ষায় ডিসলেক্সিয়াযুক্ত মানুষকে সাহায্যে এআই

• Reinforcement Learning in Education: A Systematic Literature Review

• ChatGPT in Education: An Effect in Search of a Cause — শিক্ষায় ChatGPT: কারণের অন্বেষণে একটি প্রভাব (মিডিয়া-তুলনা সমালোচনা)

• Effect of Artificial Intelligence on Learning: A Meta-Meta-Analysis — মেটা-মেটা-বিশ্লেষণ: পক্ষপাত-সংশোধিত এআই প্রভাব প্রতিবেদিত আকারের ~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

• Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects — K-12 এআই-ভিত্তিক শিক্ষাদানে শিক্ষক-হস্তক্ষেপ: একটি পদ্ধতিগত পর্যালোচনা

• The Impact of Digital and Artificial Intelligence Technologies on the Improvement of Foreign Language Listening, Speaking, Reading and Writing Skills: A Meta-Analysis — বৈদেশিক ভাষা-দক্ষতার জন্য ডিজিটাল ও এআই সরঞ্জামের মেটা-বিশ্লেষণ: নকশা-মডারেটর আধা-পরীক্ষামূলক প্রভাব-অনুমান দ্বিগুণেরও বেশি করে

• The Impact of Generative Artificial Intelligence on Learning Outcomes in Higher Education: A Meta-Analysis — উচ্চশিক্ষায় GenAI-এর মেটা-বিশ্লেষণ: সময়কাল বাড়ার সাথে স্বল্প-হস্তক্ষেপের প্রভাব ধসে পড়ে

• The Effects of K-12 Artificial Intelligence Education in Enhancing AI Literacy: A Meta-Analysis — K-12 এআই শিক্ষার মেটা-বিশ্লেষণ: শূন্য মডারেটর ও পরিমাপে আরোপিত ভিন্নতাসহ বড় প্রভাব

• Mapping Research on Generative Artificial Intelligence for Programming Education: A Systematic Review — প্রোগ্রামিং শিক্ষায় GenAI-এর পদ্ধতিগত পর্যালোচনা: 46টি গবেষণার 26টিতে পাতলা শিক্ষণ-প্রতিবেদন

• Generative AI, Cognitive Offloading, and Learner Agency in Higher Education: A Scoping Review — 123-গবেষণার স্কোপিং পর্যালোচনা, উচ্চশিক্ষায় GenAI, জ্ঞানভিত্তিক অফলোডিং ও শিক্ষার্থী-এজেন্সির মানচিত্র তৈরি

• A meta-analysis of the effects of generative artificial intelligence on learning, cognitive, and linguistic outcomes — শিখন, জ্ঞানভিত্তিক ও ভাষাগত ফলাফলে জেনারেটিভ কৃত্রিম বুদ্ধিমত্তার প্রভাবের মেটা-বিশ্লেষণ

• Responsible student use of generative AI in academic writing: a scoping review of boundaries, educational approaches, and evidence gaps — একাডেমিক লেখায় জেনারেটিভ এআই-এর দায়িত্বশীল শিক্ষার্থী-ব্যবহার: সীমানা, শিক্ষাগত পদ্ধতি ও প্রমাণ-ফাঁকের স্কোপিং পর্যালোচনা

• Artificial Intelligence in Embodied Learning: A Systematic Literature Review — নিহিত শিখনে এআই মূলত পর্যবেক্ষণ করে: কোডেড ভূমিকা-ট্যাগের 62.5% সংবেদন-ভূমিকা, এবং কোনো পর্যালোচিত সিস্টেম শিক্ষার্থীদের ব্যবহারকালে মাল্টিমোডাল ধারা একীভূত করেনি (Kim & Han 2026)