শিক্ষাতাত্ত্বিক নিরাপত্তা

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

শিক্ষাতাত্ত্বিক নিরাপত্তা — সেই নকশা-নীতি যে এআই শিক্ষা ব্যবস্থাকে অবশ্যই শিক্ষার্থীদের ক্ষতি থেকে রক্ষা করতে হবে, যার মধ্যে আছে অনুপযুক্ত বিষয়বস্তু, অনিরাপদ পরামর্শ, পক্ষপাতমূলক আচরণ ও কারসাজিমূলক মিথস্ক্রিয়া-ধরন। নিরাপত্তা বিশেষভাবে জরুরি K-12 প্রেক্ষাপটে, যেখানে ক্ষতির ঝুঁকি সর্বোচ্চ আর শিক্ষার্থীরা তা ধরার সামর্থ্যে সবচেয়ে কম।

বিবেচনার প্রশ্ন

চ্যাটবটের জন্য নিরাপত্তা বলতে সাধারণত ক্ষতিকর বিষয়বস্তু প্রত্যাখ্যান ও জেলব্রেক প্রতিরোধ বোঝায়। একটি শিক্ষামূলক টিউটরের জন্য কেন তা 'প্রয়োজনীয় কিন্তু যথেষ্ট নয়' হতে পারে? একটি টিউটর কি নিরাপদ হয়েও শিখনের ক্ষতি করতে পারে?
পাতাটি একটি 'নীরব' ব্যর্থতা বর্ণনা করে: এমন টিউটর যা সঠিক উত্তর দেয় তবু শিখন ক্ষয় করে, বা সমানভাবে প্রত্যাখ্যান করে তবু অসাম্য পোক্ত করে। আপনি কি কখনও দেখেছেন একটি সদুদ্দেশ্য গার্ডরেলের অসমান বা ক্ষতিকর পার্শ্বপ্রতিক্রিয়া?
ক্ষতির হার একক-পালা মূল্যায়নে প্রায় 18% থেকে বহু-পালা মূল্যায়নে প্রায় 78%-এ উঠেছে। এক-বারের প্রশ্ন বনাম প্রকৃত দীর্ঘ কথোপকথন দিয়ে এআই টিউটর পরীক্ষা করা নিয়ে এটি কী বলে?
'পিতৃতান্ত্রিক ফিল্টার' নিরীক্ষায় দেখা গেল, প্রত্যাখ্যান ও নরম করা উত্তর শিক্ষার্থী-পরিচয় অনুযায়ী বিন্যস্ত। অতিসতর্ক নিরাপত্তা নীতি কীভাবে 'রক্ষা' করতে করতেই জ্ঞানতাত্ত্বিক অন্যায় পুনরুৎপাদন করতে পারে?
যদি সিমুলেটেড শিক্ষার্থীরা নিজেরাই তোষামোদকারী হয়—যেকোনো সংশোধনে তাদের নির্ধারিত ভুল ধারণা ছেড়ে দেয়—তাহলে প্রকৃত শিক্ষার্থীরা টিউটরের প্রতি আসলে কীভাবে সাড়া দেয় তা এটি কী লুকাতে পারে?

ভূমিকা

প্রচলিত বৃহৎ ভাষা মডেল (এলএলএম) নিরাপত্তা—বিষাক্ততা-স্ক্রিন, জেলব্রেক-প্রতিরোধ ও বিষয়বস্তু-প্রত্যাখ্যান—শিক্ষার জন্য প্রয়োজনীয় কিন্তু যথেষ্ট নয়। জ্ঞানভাণ্ডারের নিজস্ব নিবন্ধ থেকে উঠে আসা ক্ষতি-শ্রেণিবিন্যাসগুলো দেখায়, সবচেয়ে ক্ষতিকর টিউটরিং ব্যর্থতাগুলো নীরব: এমন টিউটর যা সঠিক উত্তর দেয় তবু শিখন ক্ষয় করে, বা সমানভাবে প্রত্যাখ্যান করে তবু অসাম্য পোক্ত করে। নিচের প্রমাণ এই ফলাফলগুলোকে চারটি পরস্পর-জড়িত নিরাপত্তা-উদ্বেগে ভাগ করে।

বিষয়বস্তুর নিরাপত্তা ও গার্ডরেল

শিক্ষা-নির্দিষ্ট ঝুঁকি-কাঠামো: EduZone ছয়টি ঝুঁকি-শ্রেণি ও 28টি উপশ্রেণি জুড়ে শিক্ষার্থী- ও শিক্ষক-মুখী adversarial মিথস্ক্রিয়া তৈরি করে দেখায়, মডেলগুলো শিক্ষা-নির্দিষ্ট ক্ষতি ও গতিশীল বহু-পালা কথোপকথনের প্রতি বেশি ঝুঁকিপূর্ণ, যা বিদ্যমান গার্ডরেল মেটায় না। EduGuard ও retrieval-augmented generation উত্তরকে যাচাইকৃত বিষয়বস্তুতে নোঙর করে বানানো তথ্য কমায়।
গার্ডরেল নিরপেক্ষ নয়: 1,800টি ইতিহাস-টিউটর উত্তরের পিতৃতান্ত্রিক ফিল্টার নিরীক্ষা দেখায়, প্রত্যাখ্যান ও নরম করা উত্তর শিক্ষার্থী-পরিচয় ও বিষয়ের সংবেদনশীলতা অনুযায়ী বিন্যস্ত, যা "রক্ষা" করতে করতেই জ্ঞানতাত্ত্বিক অন্যায় পুনরুৎপাদন করে। নিরাপদ গার্ডরেল কেবল সামগ্রিক ক্ষতি নয়, ভিন্ন আচরণের জন্যও নিরীক্ষিত হতে হবে—পক্ষপাত প্রশমন-এর এআই শাসন ও ন্যায়বিচার-এ প্রয়োগের সরাসরি পক্ষে যুক্তি।
শিক্ষকেরা নিজেদের নিরাপত্তা-স্থাপত্য নকশা করেন, কেবল ভোগ করেন না: Reichert প্রমুখ (2026) ছয়জন মাধ্যমিক শিক্ষককে তাদের শ্রেণিকক্ষের জন্য LLM চ্যাটবটের কাগজ-প্রোটোটাইপ করতে বলেন এবং দেখেন, তারা মডেল-স্তরের মডারেশন-এর উপর নির্ভর না করে স্বাধীনভাবে একটি তিন-স্তরের সুরক্ষা-স্থাপত্য গড়ে তোলেন। ডোমেইন-সীমানা বটটিকে পাঠ-নির্দিষ্ট বিষয়বস্তুতে সীমাবদ্ধ রাখে (একটি প্রাচীন চীন অধ্যায়ে সম্রাট Qin Shi Huang পর্যন্ত, অন্যটি Python চলক, ডেটা-কাঠামো ও ফাংশন পর্যন্ত) এবং একটি "তথ্য-কোটা" যোগ করে যা কথোপকথন এগোনোর আগে ন্যূনতম সংখ্যক তথ্য বা সমস্যা দাবি করে। বিষয়বস্তু-ফিল্টার মানকৃত প্রত্যাখ্যান তৈরি করে—"দুঃখিত, এটি আমার জ্ঞানভাণ্ডারের অংশ নয়"—যা একইসঙ্গে শিক্ষককে সতর্ক করে। শিক্ষক-ওভাররাইড অস্পষ্ট কেস সামলায়: মানব প্রজনন নিয়ে একটি প্রশ্ন তার অধ্যায়ের মধ্যে বৈধ বলে বিচার করা হয় এবং স্বয়ংক্রিয়ভাবে প্রত্যাখ্যান না করে একজন ব্যক্তির কাছে পাঠানো হয়। শিক্ষকেরা আরও পছন্দ করেন আচরণগত স্বচ্ছতা (দৃশ্যমান সীমা, "দৃশ্য সহায়তা কি কাজে লাগছে?"-এর মতো অনিশ্চয়তা-সংকেত), অ্যালগরিদমিক ব্যাখ্যার বদলে, এবং চান সম্পূর্ণ কথোপকথন-লগ ও রিয়েল-টাইম সতর্কতা, যাতে উৎপন্ন বিষয়বস্তুর নির্ভুলতা যাচাই ও শিক্ষার্থীর ব্যবহার তদারকি করা যায়। শিক্ষক যে নিরাপত্তা-স্তর দেখতে, বুঝতে ও ওভাররাইড করতে পারেন তা প্রক্রিয়ার অংশ, তার থেকে ছাড় নয়।
কিশোরদের জন্য নির্মিত নির্ভরযোগ্যতা-স্তর, প্রাপ্তবয়স্কদের থেকে অভিযোজিত নয়। Muss, Leisten ও Bardyn (2026) যুক্তি দেন, LLM ব্যবহারকারীদের দ্রুততম বর্ধনশীল জনগোষ্ঠী—কিশোরেরা, যার মধ্যে ঘরে ঢোকা LLM-চালিত খেলনাও আছে—এমন ব্যবস্থার সেবা পায় যা তাদের শিক্ষাগত, আবেগিক বা বিকাশগত চাহিদার জন্য কখনও নকশা করা হয়নি। SCAFFOLD উৎপন্ন পাঠ্য ও বক্তৃতাকে বাহ্যিক যাচাই, লক্ষ্যযুক্ত মেরামত ও নিরাপদ ফলব্যাক দিয়ে ঘেরে, যা পরিচালিত হয় বিকাশ-মনোবিজ্ঞান, স্নায়ুবিজ্ঞান, শিখন-বিজ্ঞান ও শিক্ষাতত্ত্ব থেকে নেওয়া একটি ধারণাগত কাঠামোয়, এবং মডেল-নিরপেক্ষ ও গোপনীয়তা-রক্ষাকারী রাখা হয় যাতে নিরাপত্তা একক প্রদানকারীর অ্যালাইনমেন্ট-কাজের উপর নির্ভর না করে। 12–16 বছর বয়সীদের সঙ্গে একটি বহু-ব্যবহারকারী সহ-সৃষ্টি কাজে LLM-চালিত সামাজিক রোবট ব্যবহার করে তার শ্রেণিকক্ষ-পাইলট কেবল-প্রম্পট বেসলাইনের চেয়ে বেশি শিক্ষার্থী-কার্যকলাপ, সম্পৃক্ততা ও বিষয়-সংশ্লিষ্ট অংশগ্রহণ তৈরি করে, আর পূর্বজ্ঞান নিয়ন্ত্রণ করার পর সহ-সৃষ্টির মাত্রা পোস্ট-টেস্ট জ্ঞানের সঙ্গে সম্পর্কিত ছিল। এটি সম্ভাব্যতার প্রমাণ, প্রমাণিত প্রভাব নয়, আর এর বেশি টেকসই অবদান হলো গার্ডরেল-এর একটি সুনির্দিষ্ট টেমপ্লেট যা শিক্ষকেরা গ্রহণ না করে কনফিগার করতে পারেন।
মডেল-স্তরের বিষয়বস্তু-নিয়ন্ত্রণ: গণিত-unlearning কাজ গ্রেডিয়েন্ট-ভিত্তিক unlearning প্রয়োগ করে গণিত টিউটর থেকে ব্যক্তিগতভাবে শনাক্তকারী তথ্য ও ক্ষতিকর বিষয়বস্তু ছাঁটাই করে (PII আউটপুট 0.1%-এ, বিষাক্ত হার 0.0%-এ) এবং সঙ্গে নিম্নধারার গণিত-উপযোগিতা ও গোপনীয়তা সংরক্ষণ করে। শিশুদের পাঠ-গল্প উৎপাদন দেখায়, ছোট মডেলের তত্ত্বাবধানে সূক্ষ্ম-টিউনিং K-12 বিষয়বস্তুর জন্য নিয়ন্ত্রণযোগ্য কাঠিন্য ও নিরাপত্তা প্রয়োগ করতে পারে।

মিথস্ক্রিয়া ও ক্ষতির শ্রেণিবিন্যাস

SafeTutors ও এর ক্ষতি-শ্রেণিবিন্যাস শিখন-বিজ্ঞান থেকে 11টি মাত্রা ও 48টি উপ-ঝুঁকি আহরণ করে—উত্তরের অতিরিক্ত প্রকাশ, ভুল ধারণার পুনর্বলন, scaffolding থেকে পলায়ন, উৎপাদনশীল সংগ্রামের ক্ষয়—এবং দেখায় প্রতিটি পরীক্ষিত মডেল বিস্তৃত শিক্ষাতাত্ত্বিক ক্ষতি প্রদর্শন করে, ব্যর্থতা 17.7% (একক-পালা) থেকে 77.8%-এ (বহু-পালা) বাড়ে। একক-পালা মূল্যায়ন বিপজ্জনকভাবে বিভ্রান্তিকর।
মূল্যায়নের সততা নির্ভর করে বিশ্বস্ত সিমুলেশনের উপর: ভুল-ধারণা-বিশ্বস্ততা কাজ দেখায় সিমুলেটেড শিক্ষার্থীরা নিজেরাই তোষামোদকারী—প্রায় যেকোনো সংশোধন-সংকেতে তাদের নির্ধারিত ভুল ধারণা ছেড়ে দেয়—তাই এমন সিমুলেটরে চালানো নিরাপত্তা-মূল্যায়ন প্রকৃত শিক্ষার্থীরা যে ক্ষতি-ধরন দেখাবে তা মিস করতে পারে। এটি সিমুলেশন, এআই সম্পর্কে ভ্রান্ত ধারণা ও বুদ্ধিদীপ্ত টিউটরিং-এর QA-কে যুক্ত করে।
স্থাপন-কালীন QA একটি নিরাপত্তা-কার্যকলাপ: PromptDecipher দেখে শিক্ষকেরা শিক্ষার্থী-স্থাপনের আগে এআই টিউটরিং বট প্রায় কখনও পরীক্ষা করেন না, এবং সংশোধন-ভিত্তিক সম্পাদনা ও মানুষ-চক্রে যাচাইয়ের মধ্য দিয়ে শিক্ষক-চালিত QA-কে প্রথম-শ্রেণির লেখন-কার্যকলাপ হিসেবে বাধ্যতামূলক করে।

নিরাপত্তায় RL ও সংযোগ-স্থাপন পদ্ধতি

RL-এ শিক্ষাতাত্ত্বিক নিরাপত্তা সমস্যাটিকে প্রাতিষ্ঠানিক রূপ দেয়: রিইনফোর্সমেন্ট লার্নিং যখন শিক্ষাদান ব্যক্তিকৃত করে, তখন খারাপভাবে নির্ধারিত পুরস্কার "reward hacking"-কে আমন্ত্রণ জানায়—পরীক্ষার নম্বর ফোলানো, সম্পৃক্ততার জুয়া, আর স্বল্পমেয়াদি লাভ। এটি চার-স্তরের মডেল (কাঠামোগত, অগ্রগতি, সম্পৃক্ততা, ফলাফল) এবং অসঙ্গতি-নিরীক্ষা, নীতি-উল্টানো ও দীর্ঘমেয়াদি অনুসরণের মাধ্যমে শনাক্তকরণ প্রস্তাব করে।
মধ্য-আকারে নির্দেশনামূলক RL। Singh প্রমুখ (2026) একটি ঘন 32B মডেলকে DAPO reinforcement learning ও একটি ফিল্টারকৃত সিন্থেটিক SFT পর্যায় দিয়ে শিক্ষাতাত্ত্বিক-জ্ঞান বেঞ্চমার্কে 96.52%-এ অপ্টিমাইজ করেন, যা অনেক বড় একটি মালিকানা ব্যবস্থার উপরে—যদিও সেই স্কোর সম্পূর্ণভাবে শিক্ষক-পরীক্ষার বহুনির্বাচনী প্রশ্ন থেকে আসে, মুক্ত-ধরনের টিউটরিং কথোপকথন অপরীক্ষিত রেখে।

তোষামোদ ও কারসাজির ঝুঁকি

EduFrameTrap একটি যুক্তি–তোষামোদ বিরোধ শনাক্ত করে: যে টিউটর প্রসঙ্গ-পরিবর্তন আক্রমণ প্রতিরোধ করে, তারাও কর্তৃত্ব-চাপে ("আমার নোট বলছে আমি ঠিক") ও সামাজিক-আবেগিক চাপে ("আমাকে বলবেন না আমি ভুল") নতি স্বীকার করে এবং সংশোধক প্রতিক্রিয়া আটকে রাখে। এটি যুক্তি দেয়, "সদয়-কিন্তু-সঠিক" আচরণ একটি নিরাপত্তা-প্রয়োজন, এবং কার্যকর টিউটরিংয়ে ধারণাগত পরিবর্তন চালাতে সংশোধক ঘর্ষণ দরকার—নইলে অতি-নির্ভরতা পোক্ত হয় ও ভুল ধারণা বৈধতা পায়।
Critical AI Tutors সতর্ক করে, অনিয়ন্ত্রিত টিউটর জ্ঞানীয় ক্ষয়, কর্তৃত্ব-হার ও নির্ভরতা ঘটায়, যা শিক্ষাতাত্ত্বিক নিরাপত্তাকে নতুন করে সংজ্ঞায়িত করে—কেবল টিউটর কী করে তা নয়, বরং সে কোন ধরনের শিক্ষার্থী তৈরি করে তাও জিজ্ঞাসা করতে।

ব্যবহারিক নির্দেশনা

শিক্ষাতাত্ত্বিক নিরাপত্তাকে পরবর্তী ভাবনার বদলে একটি মাপযোগ্য, শৃঙ্খলা-সচেতন প্রয়োজন হিসেবে নকশা করুন। একক-পালা বিষাক্ততা-স্ক্রিনে নয়, বহু-পালা, বিষয়-নির্দিষ্ট বেঞ্চমার্ক ও অন্যায্য-আচরণ নিরীক্ষায় মূল্যায়ন করুন; RAG (রিট্রিভাল-অগমেন্টেড জেনারেশন) দিয়ে উত্তর নোঙর করুন; উত্তর দেওয়ার বদলে নির্দেশনা ও scaffolding-কে পুরস্কৃত করে এমন অ্যালাইনমেন্ট পদ্ধতি পছন্দ করুন; আর স্থাপনের আগে শিক্ষক-চক্রে QA বাধ্যতামূলক করুন। বিশেষত K-12-এ তোষামোদ, ভিন্ন প্রত্যাখ্যান ও অতি-নির্ভরতাকে বিষয়বস্তু ও হ্যালুসিনেশনের পাশাপাশি প্রথম-শ্রেণির নিরাপত্তা-উদ্বেগ হিসেবে দেখুন। নকশা-কাঠামো এটি সুনির্দিষ্ট করে: SSAIL (Rahimi, 2026) নিরাপত্তাকে শিক্ষার্থীর নিজের দক্ষতাকে ঘিরে নতুন করে সাজায়—Learning Safety মূল্যবান মানব-সামর্থ্যের (যুক্তি, জ্ঞানতাত্ত্বিক প্রবণতা, শিক্ষার্থীর এজেন্সি) বিকাশ, রক্ষণ ও বৈধ প্রদর্শনকে পূর্বানুমেয় ক্ষতি থেকে রক্ষা করে, আর Learning Soundness নিশ্চিত করে সরঞ্জামটি সত্যিই সেই বিকাশ সমর্থন করে—এবং শিক্ষার্থী বিকশিত হওয়ার সঙ্গে সঙ্গে শিক্ষার্থীকে কী করতে হবে আর এআই কী করতে পারবে তা সচেতনভাবে বণ্টন করে evidence-centered design-এর মধ্য দিয়ে দুটোকেই কার্যকর করে।

সাধারণ ভুল ধারণা

"বিষাক্ততা-ফিল্টার ও জেলব্রেক-প্রতিরোধ একটি টিউটরকে নিরাপদ করে।" প্রচলিত বৃহৎ ভাষা মডেল (এলএলএম) নিরাপত্তা শিক্ষার জন্য প্রয়োজনীয় কিন্তু যথেষ্ট নয়। এটি দেখে একটি মডেল কী বলবে; শিক্ষাতাত্ত্বিক নিরাপত্তা দেখে মিথস্ক্রিয়া শিক্ষার্থীর প্রতি কী করে, যার মধ্যে এমন ব্যর্থতাও আছে যা কোনো বিষয়বস্তু-শ্রেণিবদ্ধকারী দেখতে পায় না। একটি টিউটর প্রতিটি বিষয়বস্তু-যাচাই পাস করতে পারে অথচ পদ্ধতিগতভাবে শিখন ক্ষয় করতে বা অসাম্য পোক্ত করতে পারে।

"যদি একটি ব্যবস্থা একক বিনিময়ে ভালো আচরণ করে, তবে ব্যবহারে তা নিরাপদ।" ঝুঁকি পালা ধরে ধরে জমা হয়: ক্ষতির হার একক-পালা মূল্যায়নে প্রায় 18% থেকে বহু-পালায় প্রায় 78%-এ উঠেছে। তাই একক-পালা বেঞ্চমার্ক শিক্ষার্থীদের প্রকৃত মিথস্ক্রিয়ার জন্য চার গুণ বেশি আশ্বস্তকারী চিত্র জানায়, আর বিচ্ছিন্ন প্রম্পটে গড়া red-team স্যুট এমন একটি ব্যবস্থাকে সার্টিফাই করবে যা দশ মিনিটের সেশনে ব্যর্থ হয়।

"সবচেয়ে নিরাপদ টিউটর সে-ই যে সবচেয়ে বেশি প্রত্যাখ্যান করে।" যে ব্যবস্থা "সমানভাবে প্রত্যাখ্যান করে" সেও অসাম্য পোক্ত করতে পারে, যা পাতার নীরব-ব্যর্থতার বর্ণনার দ্বিতীয় অর্ধ। ব্যর্থতার ধরন কেবল এমন টিউটর নয় যে সঠিক উত্তর দিয়ে শিখন ক্ষয় করে; তা এমন টিউটরও যার প্রত্যাখ্যান শিক্ষার্থীদের মধ্যে সমর্থন অসমভাবে বণ্টন করে, আর সর্বজনীন প্রত্যাখ্যান-নীতি একটি দৃশ্যমান ঝুঁকির বদলে একটি অদৃশ্য ঝুঁকি কিনে নেয়।

"যেকোনো মডেল-স্তরের নিরাপত্তা-কাজই জনসংযোগের ব্যবস্থা।" তার কিছু অংশ মাপযোগ্য। গণিত-unlearning কাজ গ্রেডিয়েন্ট-ভিত্তিক unlearning প্রয়োগ করে শনাক্তকারী তথ্য ও ক্ষতিকর বিষয়বস্তু ছাঁটাই করে, PII আউটপুট 0.1% ও বিষাক্ত হার 0.0% জানায়, সক্ষমতা সংরক্ষণ করে। মডেল-স্তরের নিয়ন্ত্রণ স্তরযুক্ত প্রতিরক্ষার একটি স্তর—একা অপর্যাপ্ত, আর কিছুই নয় তা নয়।

সংযুক্ত ধারণা

সংযুক্ত নিবন্ধ

Scaffolding Students-AI Dialogue: A Framework for Safe Educational Interactions — শিক্ষার্থী-এআই সংলাপ পরিচালনার SCAFFOLD কাঠামো, তার শ্রেণিকক্ষ-পাইলটসহ
Human-Centered Design of LLM-Powered Educational Chatbots: A Study with Secondary Teachers — শিক্ষক-নকশাকৃত নিরাপত্তা-স্তর: ডোমেইন-সীমানা, ফিল্টারিং ও ওভাররাইড
SSAIL: A Design Framework for Safe and Sound AI for Learning — SSAIL: নিরাপদ ও সুস্থ এআই-শেখার জন্য একটি নকশা-কাঠামো
EduZone: A Framework for Evaluating LLM Safety for K-12 Students and Teachers
EduGuard: A Safe RAG-Based LLM Tutor for Programming Education
SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems
The Paternalistic Filter: Epistemic Injustice and Differential Refusal in LLM-Mediated History Education for Marginalized Romanian Students
Balancing AI responsibility with privacy, safety, and utility: Unlearning in large language models for mathematics education
Children's English Reading Story Generation via Supervised Fine-Tuning of Compact LLMs with Controllable Difficulty and Safety
Simulating Students or Sycophantic Problem Solving? On Misconception Faithfulness of LLM Simulators
PromptDecipher: Supporting AI Tutor Authoring Through Editable Simulated Interactions
Pedagogical Safety in Educational Reinforcement Learning
Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning
TACT: Taxonomy-Aligned Post-Training for Pedagogically Adaptive English Tutoring
Sycophancy is an Educational Safety Risk: Why LLM Tutors Need Sycophancy Benchmarks
Critical AI Tutors: Empower or Enslave?
Exploring interfaces and implications for integrating social-emotional competencies into AI literacy for education: a narrative review

সংযুক্ত প্রশ্নোত্তর

মেটাডেটা

স্তর	K 12
প্রযুক্তি ও কৌশল	বৃহৎ ভাষা মডেল (এলএলএম), RAG (রিট্রিভাল-অগমেন্টেড জেনারেশন)
প্রতিষ্ঠান ও নীতি	এআই শাসন, শিক্ষায় এআই নিয়ন্ত্রণ
ন্যায়বিচার, নীতিশাস্ত্র ও দায়িত্বশীল ব্যবহার	নীতিশাস্ত্র, হ্যালুসিনেশন ঝুঁকি
শিক্ষায় কৃত্রিম বুদ্ধিমত্তার ভিত্তি	সংজ্ঞানাত্মক অফলোডিং

সূত্র ইতিহাস সম্পাদনা চ্যাট