পদার্থবিজ্ঞান শিক্ষা

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

পদার্থবিজ্ঞান শিক্ষা — শিক্ষার্থীরা কীভাবে পদার্থবিজ্ঞান শেখে এবং তা আরও কার্যকরভাবে কীভাবে শেখানো যায় সে-সংক্রান্ত অধ্যয়ন, যা সক্রেটিক এআই টিউটরিং, কম্পিউটেশনাল থিংকিংয়ের মূল্যায়ন, শিক্ষার্থীর বিশ্বাস ও এআই-গ্রহণের ধরন, স্বয়ংক্রিয় স্কোরিংয়ের বৈধতা এবং শিক্ষক-প্রস্তুতি জুড়ে বিস্তৃত। এই জ্ঞানভিত্তির পদার্থবিজ্ঞান শিক্ষার নিবন্ধগুলো তাদের বিষয়-নির্দিষ্টতার জন্য উল্লেখযোগ্য: সেগুলো অনুসন্ধান করে এআই সরঞ্জাম পদার্থবিজ্ঞানের যুক্তির অনন্য জ্ঞানীয় দাবিগুলোর সঙ্গে কীভাবে মিথস্ক্রিয়া করে — চাক্ষুষ-স্থানিক চিন্তন, গাণিতিক মডেলিং, বিমূর্ত ব্যবস্থা-চিন্তন এবং বহু-ধাপের সমস্যা সমাধান।

বিবেচনার প্রশ্ন

• পদার্থবিজ্ঞানের সমস্যায় প্রায়ই চাক্ষুষ-স্থানিক চিন্তন, গাণিতিক মডেলিং ও বহু-ধাপের যুক্তি লাগে। কেন ঠিক এই জ্ঞানীয় দাবিগুলোই হতে পারে যেগুলো নিয়ে বর্তমান এআই টিউটররা সবচেয়ে বেশি হিমশিম খায়?
• শিক্ষার্থীরা একটি বড় বিশ্বাস-উপযোগিতা ব্যবধানের কথা জানায় — 91% কোর্সকাজে এআই ব্যবহার করে, কিন্তু কেবল 41% তা বিশ্বাস করে। আপনি কি কখনও এমন সরঞ্জাম ব্যবহার করেছেন যা আপনি পুরোপুরি বিশ্বাস করতেন না? ব্যবধানটির কারণ কী ছিল?
• এআই স্কোরিং পদ্ধতিগতভাবে ভাষাগতভাবে দুর্বল শিক্ষার্থীদের পদার্থবিজ্ঞানের ব্যাখ্যাকে কম অনুমান করেছে। এটি এআই কীভাবে একটি ব্যাখ্যা গ্রেড করে বনাম একটি সঠিক সংখ্যাগত উত্তর কীভাবে গ্রেড করে সে-বিষয়ে কী ইঙ্গিত দেয়?
• একটি গবেষণায় দেখা গেছে, একটি সক্রেটিক এআই চ্যাটবট একটি চলমান পদার্থবিজ্ঞান কোর্সে প্রশ্নের নির্দিষ্টতা নাটকীয়ভাবে বাড়িয়েছে, কিন্তু শিক্ষার্থীরাও প্রায়ই টিউটরের কাছে 'কৌশলগত নিয়ন্ত্রণ ছেড়ে দিয়েছে'। কৌশলগত নিয়ন্ত্রণ হস্তান্তর কখন শিখনে সাহায্য করে, আর কখন ক্ষতি করে?
• কেন পদার্থবিজ্ঞান শিক্ষায় এআইয়ের জন্য একটি 'পরীক্ষাক্ষেত্র' হতে পারে — এর সমস্যাগুলোকে এআই কীভাবে যুক্তি ও মূল্যায়নকে প্রভাবিত করে তা অধ্যয়নের জন্য আদর্শ করে তোলে কী?
• আপনার পদার্থবিজ্ঞানের সমস্যা-সংকলন গ্রেড করতে বা আপনার সঙ্গে একটি বল-চিত্রের মধ্য দিয়ে যুক্তি চালাতে আপনি একটি এআই-কে বিশ্বাস করবেন? 'হ্যাঁ' বলতে হলে এআই সম্পর্কে — এবং আপনার কোর্স সম্পর্কে — কী সত্য হতে হবে?

ভূমিকা

পদার্থবিজ্ঞান শিক্ষার গবেষণা শিক্ষায় এআইয়ের একটি পরীক্ষাক্ষেত্রে পরিণত হয়েছে, কারণ পদার্থবিজ্ঞানের সমস্যাগুলো সুগঠিত অথচ জ্ঞানীয়ভাবে দাবিদার, ফলে এআই সরঞ্জাম শিখন, যুক্তি ও মূল্যায়নকে কীভাবে প্রভাবিত করে তা অধ্যয়নের জন্য সেগুলো আদর্শ। এই জ্ঞানভিত্তির 26টি নিবন্ধ মিলে এমন একটি ক্ষেত্রের চিত্র আঁকে যা এআইয়ের প্রতিশ্রুতি ও সীমা — উভয়ের সঙ্গেই লড়ছে: শিক্ষার্থীর প্রশ্নের গুণমান উন্নত করা সক্রেটিক চ্যাটবট থেকে শুরু করে পদ্ধতিগত স্কোরিং-পক্ষপাত পর্যন্ত, যা ভাষাগতভাবে বৈচিত্র্যময় শিক্ষার্থীদের শাস্তি দেয়।

মূল গবেষণা-বিষয়

পদার্থবিজ্ঞানে সক্রেটিক এআই টিউটরিং সবচেয়ে বিকশিত বিষয়, যেখানে তিনটি নিবন্ধ প্রকৃত পদার্থবিজ্ঞান কোর্সে বৃহৎ ভাষা মডেল (এলএলএম)-চালিত সক্রেটিক সংলাপ ব্যবহার করেছে। Hashmi প্রমুখ দেখিয়েছেন, একটি এআই চ্যাটবটের সঙ্গে দীর্ঘস্থায়ী সক্রেটিক মিথস্ক্রিয়া প্রাথমিক বলবিজ্ঞান-এ প্রশ্নের নির্দিষ্টতা নাটকীয়ভাবে বাড়ায় — একটি চলমান কোর্সে 150 জন STEM শিক্ষার্থীর সঙ্গে। Hashmi ও Rebello একই প্রয়োগ থেকে 357টি শিক্ষার্থী-বক্তৃতা শ্রেণির একটি নিম্নগামী শ্রেণিবিন্যাস গড়েছেন, যা প্রকাশ করে যে মেটা-প্রক্রিয়াগত মোড় — যেখানে শিক্ষার্থীরা টিউটরকে কৌশলগত নিয়ন্ত্রণ ছেড়ে দেয় — শিক্ষার্থী-মিথস্ক্রিয়ায় প্রাধান্য পায়। দুটোই বৃহত্তর সক্রেটিক পদ্ধতি গবেষণায় অবদান রাখে এবং এআই টিউটরিং ও বুদ্ধিদীপ্ত টিউটরিং কাঠামোর সঙ্গে যুক্ত হয়।

শিক্ষার্থীর এআই-গ্রহণ ও বিশ্বাস অনুসন্ধান করে পদার্থবিজ্ঞানের শিক্ষার্থীরা বাস্তবে এআই সরঞ্জাম কীভাবে ব্যবহার করে। Fouad ও Bentley একটি 50-পয়েন্টের বিশ্বাস-উপযোগিতা ব্যবধান খুঁজে পেয়েছেন: 91% কোর্সকাজে এআই ব্যবহার করে, কিন্তু কেবল 41% তা বিশ্বাস করে, এবং শিক্ষার্থীরা স্বতঃস্ফূর্তভাবে চাক্ষুষ-স্থানিক যুক্তি ও সার্কিটে এআইয়ের ব্যর্থতার ধরন চিহ্নিত করেছে। Becker প্রমুখ 1,189টি জরিপ-উত্তর থেকে একটি দুই-প্রোফাইল শ্রেণিবিন্যাস গড়েছেন — 70% "Pragmatic Users" ও 30% "Skeptical Non-Users" — যা দেখায় দুটি দলই হিসাবি ঝুঁকি-উপযোগিতা বিনিময় করে। এই গবেষণাগুলো এআই সাক্ষরতা ও বিশ্বাস ক্রমাঙ্কন গবেষণাকে এগিয়ে নেয়, এবং এক-মাপে-সব-ফিট এআই নীতিকে চ্যালেঞ্জ করে।

কাঠামোবদ্ধ ব্যবহার, কেবল গ্রহণ নয়। উপরের গ্রহণ-গবেষণাগুলো বর্ণনা করে কে এআই ব্যবহার করে এবং কতটা তা বিশ্বাস করে। আলাদা একটি ধারা জিজ্ঞাসা করে এই ব্যবহার নিয়ে শিক্ষণ-নকশার কী করা উচিত, আর সে-বিষয়ে বহু-প্রতিষ্ঠানভিত্তিক প্রমাণ বিরল ছিল। Paul প্রমুখ (2026) চারটি প্রতিষ্ঠানের 11টি বীজগণিত- ও কলন-ভিত্তিক শাখায় চার-ধাপের Physics AI-Replication প্রোটোকল চালিয়েছেন: একটি কঠিন সমস্যা চিহ্নিত করা, একটি এআই ব্যাখ্যা ও সমাধান নেওয়া, অনুরূপ অনুশীলন সমস্যা চাওয়া, তারপর যাচাইয়ের আগে সেগুলো স্বাধীনভাবে সমাধান করা।

উপলব্ধি ক্যাম্পাসজুড়ে সামঞ্জস্যপূর্ণ ছিল। 358 জন নিবন্ধিত শিক্ষার্থীর মধ্যে 235 জনের জরিপ করা হয় (65.6%); 90.9% উন্নত ধারণাগত বোঝাপড়ার কৃতিত্ব দিয়েছেন এবং 97.7% পুনরাবৃত্ত অনুশীলনটিকে সহায়ক মনে করেছেন; সম্পৃক্ততার পরের আত্মবিশ্বাস 1–10 স্কেলে গড়ে 7.18 ছিল, প্রতিষ্ঠানভিত্তিক গড় 6.86 থেকে 7.52; আর প্রধান গুণগত থিমটি প্রতিটি কেন্দ্রে 60.6% ও 67.6%-এর মধ্যে ছিল। আত্মবিশ্বাস প্রোটোকলের ওই দুটি সুবিধার সঙ্গে সম্পর্কিত ছিল (r_s = 0.37 ও 0.35), এআই ব্যবহারের কম্পাঙ্কের সঙ্গে নয় (r_s = 0.02) — যে চলকটি গ্রহণ-সাহিত্য সাধারণত মাপে।

জ্ঞানতাত্ত্বিক বিশ্বাস চ্যাটবট-আচরণের পছন্দের সঙ্গে সম্পর্কিত। একটি বড় ক্যালকুলাস-ভিত্তিক কোর্সে, 52% শিক্ষার্থী এমন চ্যাটবট পছন্দ করেছে যা পথনির্দেশমূলক অনুসন্ধান দিয়ে শুরু করে এবং কেবল জিজ্ঞাসা করলে উত্তর দেয়, আর তারা EBAPS মোটে বেশি স্কোর করেছে (p = 0.029) — এই পার্থক্যগুলো Bonferroni সংশোধনের পর টিকেনি, ফলে সম্পর্কটি ইঙ্গিতপূর্ণ, চূড়ান্ত নয় (Sirnoorkar ও Mamidpalliwar (2026))।

গ্রহণ এখন বর্ণনার বদলে মডেল করা হয়েছে: হাংঝৌয়ের Grade 10 পদার্থবিজ্ঞান শ্রেণির 340 শিক্ষার্থীর একটি কাঠামোগত সমীকরণ গবেষণা DeepSeek ব্যবহারের অভিপ্রায়ের 58% ভ্যারিয়েন্স ব্যাখ্যা করে। এর উল্লেখযোগ্য ফল হলো, পদার্থবিজ্ঞান সম্পর্কে বিশ্বাস — উপযোগিতা-মূল্য, প্রত্যাশা, ব্যয় — পূর্বানুমান করে সরঞ্জামটি কতটা উপযোগী ও কতটা সহজ মনে হয়, কেবল শিক্ষার্থীরা তা ব্যবহারের ইচ্ছা পোষণ করে কি না তা নয় (Xue, Xu, Qi ও Lu (2026))।

আচরণ-পরিবর্তন ছাড়া উপলব্ধির পরিবর্তন — এই চিত্রে O'Brien প্রমুখ (2026) যা যোগ করেন। পদার্থবিজ্ঞান মেজরের জন্য আবশ্যক প্রথম বর্ষের একটি কোর্সে LLM কীভাবে কাজ করে তা নিয়ে একটি প্রতিফলনমূলক পাঠ সংশয় তীব্রভাবে বাড়িয়েছে — এই সম্মতি যে LLM শিক্ষার্থীদের মধ্যে মিথ্যা আত্মবিশ্বাসের অনুভূতি রেখে যেতে পারে, 58% থেকে 88%-এ উঠেছে, এবং এই বিশ্বাস যে একটি LLM গড় পদার্থবিজ্ঞান শিক্ষার্থীর চেয়ে ভালো করে, 54% থেকে 32%-এ নেমেছে — অথচ সুবিধা (71% সম্মতি) ও সময়সীমার চাপ (65%) ব্যবহারের প্রধান কারণই থেকে গেছে। পাঠটির সীমা তার প্রভাবের মতোই তথ্যপূর্ণ: এআই সাক্ষরতা শিক্ষা শিক্ষার্থীরা এই সরঞ্জামগুলো সম্পর্কে যা বলে তা বদলেছে, কিন্তু যে চাপগুলো তাদের একটি সরঞ্জামের দিকে ঠেলে দেয় তা বদলায়নি, তাই এই ধরনের হস্তক্ষেপ সমস্যা ও নীতি-নকশার পাশে থাকে, তার বিকল্পে নয়।

সমস্যা-উত্থাপন শিক্ষার্থীকে সমস্যার রচয়িতা করে তোলে: 49 জন পদার্থবিজ্ঞান শিক্ষার্থীর 76% প্রম্পট-ইঞ্জিনিয়ারিং প্রশিক্ষণের পর তাদের GenAI-মিথস্ক্রিয়ায় ইতিবাচক পরিবর্তন অনুভব করেছে, নতুনরা সবচেয়ে বেশি লাভ করেছে, আর প্রায় 68% কৌশলটিকে স্ব-অধ্যয়ন হিসেবে ইতিবাচকভাবে দেখেছে (Dawson ও Rebello (2026))।

মূল্যায়ন ও কম্পিউটেশনাল থিংকিং পরীক্ষা করে এআই কীভাবে পদার্থবিজ্ঞানের শিখন মূল্যায়ন করতে পারে। Savage প্রমুখ প্রাথমিক পদার্থবিজ্ঞানে কম্পিউটেশনাল থিংকিংয়ের বৃদ্ধি মূল্যায়নে LLM ব্যবহার করেছেন এবং দেখেছেন, LLM CT-মূল্যায়ন স্কেল করতে পারে, কিন্তু Systems Thinking-এর মতো জটিল গঠনের ক্ষেত্রে হিমশিম খায়। Feser ও Tschisgale দেখিয়েছেন, এআই স্কোরিং পদ্ধতিগতভাবে ভাষাগতভাবে দুর্বল শিক্ষার্থীদের পদার্থবিজ্ঞানের ব্যাখ্যাকে কম অনুমান করে — এমন একটি ফল যা মূল্যায়নের বৈধতা, পক্ষপাত প্রশমন ও ন্যায়বিচার-এর সঙ্গে যুক্ত।

একটি এআই গ্রেডারের অমত যুক্তির ঘাটতি নয়, পুনরুদ্ধারের ব্যর্থতা হতে পারে। পরীক্ষামূলক পদার্থবিজ্ঞান ল্যাব-প্রতিবেদনে একটি পড়ে যাওয়া চিহ্ন বা ভুল পড়া অক্ষ মডেলের কাছে পৌঁছাতেই পারে না, তাই নথির অবস্থা — উচ্চ-রেজোলিউশন PDF, সম্পাদক-লিখিত সমীকরণ — যেকোনো স্কোরের সীমা ঠিক করে, আর প্রক্রিয়াকরণ শিক্ষক-যাচাইয়ের পেছনে থাকা উচিত (Abreu প্রমুখ (2026))।

নির্ণায়ক মূল্যায়নের জন্য সাইকোমেট্রিক পরিকাঠামো। Le প্রমুখ (2026) পদার্থবিজ্ঞানে এআই-সংক্রান্ত প্রচলিত প্রশ্নটি উল্টে দেন: একটি মডেল পদার্থবিজ্ঞান সমাধান বা গ্রেড করতে পারে কি না তা না জিজ্ঞাসা করে তাঁরা জিজ্ঞাসা করেন, ক্ষেত্রের নিজের গবেষণা-ভিত্তিক মূল্যায়নগুলোকে তা নির্ণয় করতে সক্ষম করা যায় কি না। FCI, FMCE ও EMCS আইটেমকে 14টি সূক্ষ্ম শিখন-উদ্দেশ্যের উপরিচিত্রিত করে এবং LASSO প্ল্যাটফর্মের মাধ্যমে 79টি প্রতিষ্ঠানের 807টি কোর্সের 24,394টি posttest উত্তরকে একটি DINA জ্ঞানীয়-নির্ণায়ক মডেলে ফিট করে তাঁরা Mechanics Cognitive Diagnostic গড়েছেন — যা পদার্থবিজ্ঞানে প্রথম জ্ঞানীয়-নির্ণায়ক কম্পিউটারাইজড অভিযোজিত পরীক্ষা হিসেবে প্রতিবেদিত। FCI ও EMCS ভালো ফিট করে (RMSEA² = 0.033 ও 0.022), অথচ FMCE কেবল প্রান্তিকভাবে (0.065), এবং লেখকেরা এই অসঙ্গতির কারণ মডেলিং নয়, সরঞ্জাম-নকশায় খুঁজে পান: স্কোরকৃত 43টি FMCE আইটেমের 42টি শৃঙ্খলিত সেটে পরিস্থিতি-কাণ্ড ভাগ করে, যা স্থানীয় আইটেম-নির্ভরতা তৈরি করে, যা DINA-র শর্তসাপেক্ষ-স্বাধীনতার অনুমান নিষিদ্ধ করে (FCI 30টির মধ্যে 13টি আইটেম ব্লক করে; EMCS কোনোটি নয়)। শ্রেণিবিন্যাসের নির্ভুলতা 22টি উদ্দেশ্য-মূল্যায়ন সমন্বয়ের 19টিতে নিম্ন-ঝুঁকির formative মানদণ্ড পূরণ করেছে; তিনটি ব্যর্থতা ছিল EMCS শক্তি-উদ্দেশ্য, যাদের আইটেম প্রায় 70 শতাংশ ওভারল্যাপ করে, তাই একটিতে দক্ষতা অন্যগুলো থেকে আলাদা করা যায় না। পদার্থবিজ্ঞান শিক্ষার জন্য এর তাৎপর্য হলো, কোর্স ইতিমধ্যে যে সরঞ্জামগুলো পরিচালনা করে সেগুলোকে শিক্ষাদানকালীন কার্যকর, উদ্দেশ্য-স্তরের প্রতিক্রিয়া দিতে পুনর্ব্যবহার করা যায়, পিছনের দিকে তাকানো posttest স্কোরের বদলে — শর্ত থাকে যে নির্ণায়ক দাবিগুলো এমন রেজোলিউশনে রাখা হয় যা আইটেম-ব্যাংক সত্যিই সমর্থন করতে পারে।

প্রামাণিক পদার্থবিজ্ঞানের সমস্যায় মাল্টিমোডাল এআই বেঞ্চমার্কিং। Chen প্রমুখ (2026) OmniPhys উপস্থাপন করেন, একটি বড় মাপের মাল্টিমোডাল এআই বেঞ্চমার্ক (15,246 প্রশ্ন, 19,850 ছবি) যা চীনা শিক্ষা-সংগ্রহ থেকে মাধ্যমিক থেকে বিশ্ববিদ্যালয়-স্তরের পদার্থবিজ্ঞান জুড়ে বিস্তৃত। অস্বাভাবিকভাবে, এটি কেবল মাল্টিমোডাল ইনপুট বোঝা নয়, মাল্টিমোডাল আউটপুট উৎপাদনও মূল্যায়ন করে — মডেল সুগঠিত পদার্থবিজ্ঞানের চিত্র সংশ্লেষ করতে পারে কি না, যা প্রামাণিক সমস্যা-সমাধানের একটি মূল উপাদান। বিস্তৃত মূল্যায়ন বর্তমান মাল্টিমোডাল LLM-এ গুরুতর ঘাটতি প্রকাশ করে, বিশেষত জটিল যুক্তি ও চাক্ষুষ উৎপাদনে।

এআই-সমৃদ্ধ শিক্ষাদানের জন্য শিক্ষাদান-নকশার কাঠামো। Kuhn প্রমুখ AIRIS কাঠামো প্রস্তাব করেন (Activate–Inquire–Reflect with Intelligent Support) — পদার্থবিজ্ঞানে জ্ঞানীয়ভাবে সক্রিয় এআই-ব্যবহারের একটি তিন-পর্যায়ের গঠন: শিক্ষার্থীরা এআইয়ের আগে প্রত্যাশিত ফলাফল পূর্বানুমান ও স্কেচ করে (Activate), গণনামূলক ও উপস্থাপনামূলক ধাপ এআই-কে অর্পণ করে অথচ আউটপুট তাদের নিজের পূর্বানুমানের সঙ্গে সমালোচনামূলকভাবে তুলনা করে (Inquire), এবং পরে ব্যাখ্যা করে, উপস্থাপনাগুলোর মধ্যে সামঞ্জস্য যাচাই করে ও এআই কী অবদান রেখেছে তা নিয়ে প্রতিফলন করে (Reflect)। স্ব-নিয়ন্ত্রিত শিখন, Cognitive Load Theory, একাধিক বাহ্য বহিঃপ্রকাশ এবং মানব-এআই সহযোগিতা-এ ভিত্তি করে এটি মূল চ্যালেঞ্জকে প্রতারণা বা সরঞ্জাম-পছন্দ নয়, শিক্ষাদান-নকশার সমস্যা হিসেবে ফ্রেম করে, এবং "প্রত্যাহার শর্ত" পরীক্ষার আহ্বান জানায় যা যাচাই করবে এআই-সমর্থন সরিয়ে নিলে শিখন টিকে থাকে কি না।

• রুব্রিক দিয়ে এআই সমাধানের সমালোচনা শেখান। MAPS-পথনির্দেশিত প্রতিফলন দিয়ে একটি এআই সমাধানের সমালোচনা করা চব্বিশটি প্রাথমিক পদার্থবিজ্ঞান ল্যাব-দল বাদ পড়া সংখ্যাগত ইন্টিগ্রেশন, অনির্ধারিত নোটেশন এবং গুণগত-বদলে-পরিমাণগত প্লটিং চিহ্নিত করেছে, অথচ যে দলগুলো কেবল একটি সংশ্লিষ্ট সমস্যা সমাধান করেছে তারা পালিশ করা আউটপুট মেনে নিয়েছে বা নিজেদের ভুল ধারণা থেকে তা প্রত্যাখ্যান করেছে (Borse প্রমুখ (2026))।
• শক্তি-পূর্বধারণাই ঠিক করে এআই ধারণা-আলাপ হবে না খোঁজ। Wang প্রমুখ (2026) Go-Lab-এ একটি অন-ডিমান্ড মেটাকগনিটিভ চ্যাটবট দিয়ে চৌদ্দটি প্রাক-সেবা শিক্ষক-দলকে শক্তির রূপ ও সংরক্ষণ দিয়ে চালিয়েছেন। যে দলগুলোর সদস্যরা শক্তি-পূর্বপরীক্ষায় ভিন্নভাবে উত্তর দিয়েছে তারা মিলিত দলগুলোর মতোই ধরনের প্রশ্ন করেছে, কিন্তু এআই-কোয়েরি আলোচনাকে তাদের মিথস্ক্রিয়া-নেটওয়ার্কের কেন্দ্রে রেখেছে এবং তার উত্তরের ইতিবাচক বা নিরপেক্ষ মূল্যায়ন ধরে রেখেছে, অথচ মিলিত দলগুলো একটি রৈখিক কোয়েরি-তারপর-পড়া পথ চালিয়েছে। ধারণা-দ্বন্দ্ব ছিল f = 87 বনাম 36, কেস-কভারেজে 88.9% বনাম 57.1%।

সংশ্লেষিত পরীক্ষামূলক ডেটা হিসেবে জেনারেটিভ ভিডিও। Alvarado-Cruz প্রমুখ (2026) PixVerse, Grok Imagine ও Pippit দিয়ে তিনটি রোধক-বল ব্যবস্থার জন্য ভিডিও দৃশ্য তৈরি করেন — স্থির ঘর্ষণ, রৈখিক ড্র্যাগ ও দ্বিঘাত ড্র্যাগ — মুক্ত সোর্স Tracker সরঞ্জাম দিয়ে গতিবিদ্যা বের করেন, এবং অরৈখিক ন্যূনতম বর্গ দিয়ে বিশ্লেষণী মডেল ফিট করেন। সংশ্লেষিত ডেটা গতির ধ্রুপদী সমীকরণের সঙ্গে মিলেছে এবং ভৌতভাবে অর্থবহ পরামিতি পুনরুদ্ধার করেছে, আর বারবার আসা ব্যবহারিক ফল হলো প্রম্পটের নির্দিষ্টতাই ভৌত সুসংগতি নিয়ন্ত্রণ করে: আরও বিস্তারিত বর্ণনা আরও সুসংগত গতিশীলতা তৈরি করেছে। কর্মপ্রবাহটি মডেল-নির্মাণ থেকে পরিমাণগত বৈধতা পর্যন্ত পরীক্ষামূলক অনুশীলনের প্রতিচ্ছবি, এবং প্রম্পট প্রণয়নকে সুবিধার বদলে পরীক্ষামূলক নকশার একটি পর্যায় হিসেবে পুনর্ব্যাখ্যা করে। তবে এটি এখনও শিখন প্রদর্শন করে না: এখানে বৈধতা মানে উৎপাদিত গতি ও লেখকদের মডেলের মধ্যে মিল, শিক্ষার্থীদের পরিমাপ-বিচার নয়, তাই পন্থাটি সেই বৈধতার প্রশ্ন উত্তরাধিকার সূত্রে পায় যা প্রমাণ হিসেবে ব্যবহৃত যেকোনো উৎপাদিত ডেটাকে উত্তর দিতে হয়।

যেসব বিষয়ে PhET কভার করে না সেগুলোর জন্য কাস্টম-নির্মিত সিমুলেশন। LLM-উৎপন্ন HTML/JavaScript মডেল প্রশিক্ষকদের কোর্সের প্রয়োজনীয় সিমুলেশন বানাতে দেয়, নিকটতম প্রকাশিতটির বদলে, প্রযুক্তিগত ও ভৌত বৈধতার শর্তে; একটি পাইলটে 26 জোড়ায় 53 জন শিক্ষার্থী কোনো প্রোগ্রামিং পটভূমি ছাড়াই তাদের মুক্ত-পতন মডেল তৈরি ও পরিমার্জন করেছে (Ben-Zion প্রমুখ, 2025)।

একটি পুনর্ব্যবহারযোগ্য চার-উপাদান প্রম্পট — সরঞ্জাম, প্রদর্শন, হাত-নিয়ন্ত্রণ, অপ্টিমাইজেশন — একজন নো-কোড শিক্ষককে ব্রাউজার-ভিত্তিক একটি AR সিমুলেশন তৈরি করতে দেয় যার পিঞ্চ-অ্যান্ড-স্প্রেড অঙ্গভঙ্গি পদার্থবিজ্ঞান চালায়; 29-শিক্ষার্থীর একটি পাইলটে অঙ্গভঙ্গিটি 29 জনকেই তরঙ্গদৈর্ঘ্য "অনুভব" করতে সাহায্য করেছে (গড় 4.52) এবং 86% বেশি সম্পৃক্ততার কথা জানিয়েছে (Levy প্রমুখ (2026))। প্রম্পট থেকে এআই-উৎপন্ন যন্ত্রপাতি। একটি এআই সহায়কের সঙ্গে প্রাকৃতিক ভাষায় প্রম্পটিং করে তৈরি একটি ঘূর্ণন-ল্যাব, কোনো হাতে-কোডিং ছাড়াই, সুষম ও ত্বরিত বৃত্তীয় গতি স্বতন্ত্র Tracker ভিডিও-বিশ্লেষণের 1% মধ্যে মেপেছে, ফলে প্রশিক্ষকেরা পূর্ব-সংকলিত সেন্সর অ্যাপের সঙ্গে খাপ খাওয়ানোর বদলে তাদের শিক্ষাদান-চলকগুলোর চারপাশে ইন্টারফেস বানাতে পারেন (Suñer প্রমুখ (2026))।

পুনর্নকশাকৃত কোর্সে সহায়িত কর্মদক্ষতা বনাম অসহায় জ্ঞান। রুহর বিশ্ববিদ্যালয় বোখুমে introductory নিউক্লিয়ার ও কণা পদার্থবিজ্ঞান কোর্সের 2026 পুনর্নকশা (Mikhasenko প্রমুখ) দশটি ইচ্ছাকৃতভাবে এআই-প্রতিরোধী, গবেষণা-আকৃতির হোমওয়ার্ক শিটে জেনারেটিভ এআই অনুমোদন করেছে, যা এমনভাবে নকশা করা যাতে নিষ্পাপ প্রম্পটিং যথেষ্ট না হয়। সম্পৃক্ততা ও উচ্চাকাঙ্ক্ষা উঁচু ছিল — 42 জনের মধ্যে 24 জন দশটি শিটেই ক্রেডিট পেয়েছে, এবং একটি উপপাদ্য-অবরোহণ দুই মিটারের বেশি ব্ল্যাকবোর্ড ভরেছে — কিন্তু 90 মিনিটের একটি অসহায় লিখিত পরীক্ষা ছিল "গুরুতর সতর্কবার্তা": গড় 20.6/80, 27 জন পরীক্ষার্থীর মধ্যে কেবল দুজন 40-এ পৌঁছেছে। লেখকেরা সিদ্ধান্তে আসেন, সহায়িত কর্মদক্ষতা ও স্বাধীনভাবে পুনরুদ্ধারযোগ্য জ্ঞান আলাদা অর্জন, যাদের একে অন্যকে প্রশিক্ষিত করা বা প্রদর্শন করা ধরে নেওয়া যায় না, এবং পদার্থবিজ্ঞান কোর্সকে কিছু অনুশীলন অসহায় কাজের জন্য সংরক্ষিত রাখতে হবে — যা জ্ঞানভিত্তির বৃহত্তর স্থানান্তর প্রমাণকে আরও জোর দেয়।

ছয় দেশের 11টি অভিজ্ঞতামূলক গবেষণার একটি 2026 PRISMA পর্যালোচনা ক্ষেত্র-স্তরে একই সিদ্ধান্তে পৌঁছায়: এআই প্রতিক্রিয়া ও সিমুলেশন থেকে স্বল্পমেয়াদি লাভ পরবর্তী পরীক্ষায় টেকেনি বা স্বাধীন কর্মদক্ষতায় স্থানান্তরিত হয়নি (বিশ্ববিদ্যালয় পদার্থবিজ্ঞান শিক্ষায় এআই পর্যালোচনা)।

শিক্ষাদান-চলক হিসেবে এজেন্ট-ভূমিকার নকশা। Wang প্রমুখ (2026) মডেল (DeepSeek R1), প্ল্যাটফর্ম ও তাপমাত্রা স্থির রেখে কেবল প্রম্পট-নির্দিষ্ট ভূমিকা বদলান: একটি শিক্ষক-কেন্দ্রিক এজেন্ট যা সীমিত পাঠ্যবই-জ্ঞানের উৎস থেকে কর্তৃত্বপূর্ণভাবে উত্তর দেয়, বনাম একটি শিক্ষার্থী-কেন্দ্রিক এজেন্ট যা সহানুভূতিশীল শিক্ষক হিসেবে সাজানো, শিক্ষার্থীদের বোঝাপড়া সম্পর্কে জানে, এআই সম্পর্কে ভ্রান্ত ধারণা-এর কারণ নির্ণয় করে, প্রাসঙ্গিক ধারণার নাম নেয় এবং একটি সদৃশ ঘটনায় স্থানান্তর করে। দুই ধারণাগত আইটেমে কাজ করা 59 জন উচ্চমাধ্যমিক স্নাতকের মধ্যে শিক্ষার্থী-কেন্দ্রিক এজেন্ট বেশি post-test স্কোর দিয়েছে (9.67 বনাম 7.93; r = 0.38), কম বাহ্যিক ও বেশি সারগর্ভ জ্ঞানীয় ভার, তীব্রতর flow-অভিজ্ঞতা (d = 0.92), এবং উচ্চতর সহানুভূতি-উপলব্ধি (r = 0.53) — প্রমাণ যে ভূমিকা-ফ্রেমিং, কেবল উত্তরের নির্ভুলতা নয়, একটি পদার্থবিজ্ঞান এজেন্টকে শিক্ষাদানগতভাবে কার্যকর করে (শিক্ষণ-এজেন্ট, প্রম্পট প্রকৌশল)।

• বেঞ্চমার্ক স্কোর মডেলগুলো পদার্থবিজ্ঞানে ইতিমধ্যে যা করতে পারে তা কম দেখায়। ছয়টি বহুল ব্যবহৃত পদার্থবিজ্ঞান বেঞ্চমার্ক বিষয়-বিশেষজ্ঞদের দিয়ে পুনঃগ্রেড করলে দেখা যায়, প্রতিবেদিত বেশিরভাগ ঘাটতি ছিল ত্রুটিপূর্ণ আইটেম ও সংকীর্ণ স্বয়ংক্রিয় গ্রেডারের কৃত্রিম ফল: 250টি নিরীক্ষিত প্রত্যাখ্যানের মধ্যে 143টি (57.20%) বেঞ্চমার্ক-ত্রুটি এবং 95টি (38.00%) গ্রেডার-ভুল, কেবল 12টি (4.80%) প্রকৃত মডেল-ভুল। সংশোধনের পর HLE-Physics mean@4 47.28% থেকে 78.66%-এ এবং CritPt 32.29% থেকে 87.50%-এ উঠেছে। পদার্থবিজ্ঞান শিক্ষার জন্য এটি দুই দিকেই কাটে: এর মানে শিক্ষার্থীরা ইতিমধ্যে অনেক ধ্রুপদী সমস্যার বিশেষজ্ঞ-স্তরের পাঠ্য সমাধান পেতে পারে, তাই পদার্থবিজ্ঞানের যুক্তির মূল্যায়নকে বেঞ্চমার্ক-দূষণ প্রতিরোধী আইটেম এবং চূড়ান্ত উত্তরের বদলে প্রক্রিয়া-প্রমাণের দিকে সরাতে হবে। (How Good Are Frontier Models at Physics? Expert Re-Grading Reveals Broken Evaluations and Near-Saturation of Leading Benchmarks)

• এআই গ্রেডিং প্রতিটি অংশ মিলিয়ে না দিয়েও একটি উচ্চ-ঝুঁকির পদার্থবিজ্ঞান ফলাফল পুনরুৎপাদন করতে পারে। 10,364টি হাতে-লেখা অলিম্পিয়াড ও বিশ্ববিদ্যালয় পৃষ্ঠা গ্রেড করে একটি মাল্টিমোডাল LLM পরীক্ষকদের মতো একই পাঁচ-শিক্ষার্থীর অলিম্পিয়াড দল পেয়েছে এবং মোটের সঙ্গে r = 0.93–0.96-এ সম্পর্কিত হয়েছে, কিন্তু প্রশ্ন-অংশের হুবহু মিল 70%-এ পৌঁছেছে — ফলাফল পরীক্ষক-নিয়ন্ত্রিত দ্বিতীয় পাঠ, প্রতিস্থাপন নয় (Pathak প্রমুখ (2026))।

• পদার্থবিজ্ঞান বেঞ্চমার্ক পাঠ্যক্রম-ভিত্তিক ও অ-ইংরেজি হতে পারে। Jahin প্রমুখ (2026) জাতীয় Grade 9-10 পদার্থবিজ্ঞান পাঠ্যবই ও একটি 1,760-নোডের জ্ঞান-গ্রাফ থেকে 1,834টি বাংলা প্রশ্ন তৈরি করেছেন; একটি স্থির ফাইন-টিউনিং রেসিপি 0.6B, 1.7B ও 4B প্যারামিটারে যথাক্রমে 5.5, 15.0 ও 23.3 পয়েন্ট অর্জন করেছে।

সংশ্লিষ্ট ধারণার সঙ্গে সংযোগ

পদার্থবিজ্ঞান শিক্ষা বৃহত্তর STEM শিক্ষা ক্ষেত্রের ভেতরে অবস্থান করে, তবে এর স্বতন্ত্র সংযোগ রয়েছে: সক্রেটিক পদ্ধতি-এর সঙ্গে পদার্থবিজ্ঞান সমস্যা-সমাধানে সক্রেটিক সংলাপের শক্তিশালী ঐতিহ্যের মাধ্যমে; কম্পিউটেশনাল থিংকিং-এর সঙ্গে পদার্থবিজ্ঞানে গণনার ক্রমবর্ধমান ভূমিকার মাধ্যমে; মূল্যায়নের বৈধতা-এর সঙ্গে পদার্থবিজ্ঞানের ব্যাখ্যা স্কোর করার চ্যালেঞ্জের মাধ্যমে; এবং কর্মক্ষেত্র শিখন-এর সঙ্গে সিমুলেশন-ভিত্তিক প্রস্তুতির মাধ্যমে। শিক্ষার্থী-অভিজ্ঞতা ও এআই সাক্ষরতা ধারণা পদার্থবিজ্ঞান শিক্ষার্থীরা এআই সরঞ্জাম কীভাবে ব্যবহার করে তা বোঝার জন্য অপরিহার্য, অথচ শিক্ষামূলক পরিমাপ ও Automated Grading মূল্যায়ন-মাত্রার সঙ্গে যুক্ত।

পদার্থবিজ্ঞান প্রশিক্ষকদের জন্য তাৎপর্য

• শিক্ষার্থীর বিশ্বাসের জন্য নকশা করুন, কেবল গ্রহণের জন্য নয়। Fouad ও Bentley একটি 50-পয়েন্টের বিশ্বাস-উপযোগিতা ব্যবধান নথিভুক্ত করেন (91% ব্যবহার, 41% বিশ্বাস), যেখানে শিক্ষার্থীরা চাক্ষুষ-স্থানিক যুক্তি ও সার্কিটে এআইয়ের ব্যর্থতা চিহ্নিত করে — গ্রহণ ধরে না নিয়ে এই সীমাগুলো প্রকাশ ও আলোচনার সুযোগ তৈরি করুন।

• প্রশ্নের গুণমান গভীর করতে সক্রেটিক এআই ব্যবহার করুন, তবে কৌশলগত হস্তান্তরে সতর্ক থাকুন। সক্রেটিক চ্যাটবট প্রশ্নের নির্দিষ্টতা বাড়ায়, তবু শ্রেণিবিন্যাস গবেষণা দেখে মেটা-প্রক্রিয়াগত মোড় প্রাধান্য পায় — শিক্ষার্থীরা টিউটরকে কৌশলগত নিয়ন্ত্রণ দিয়ে দেয়। শিক্ষার্থীদের সিদ্ধান্ত-গ্রহণকারী রাখতে হস্তক্ষেপ করুন।

• একটি ভালোভাবে প্রকৌশলকৃত টিউটর শ্রেণিকক্ষের সক্রিয় শিখনকে হারিয়েছে। Kestin প্রমুখ (2025) দেখেছেন, হার্ভার্ডের 194 জন জীবনবিজ্ঞান শিক্ষার্থী একই বিষয়বস্তু জুড়ে গবেষণা-ভিত্তিক সক্রিয়-শিখন পাঠের চেয়ে কোর্সের নিজের এআই টিউটর থেকে বেশি শিখেছে (মধ্যক post-test 4.5 বনাম 3.5), বেশি সম্পৃক্ততা ও প্রেরণা জানিয়েছে, এবং কৃতিত্ব বিশেষজ্ঞ-নির্মিত প্রম্পট ও প্ল্যাটফর্ম-ক্রমবদ্ধ সমস্যাকে দিয়েছে, কেবল প্রযুক্তিকে নয়।

• এআই-ব্যবহারকে জ্ঞানীয়ভাবে গঠন দিন, কেবল অনুমতিদানের মাধ্যমে নয়। AIRIS (Activate–Inquire–Reflect) দেখায় শিক্ষার্থীদের এআইয়ের আগে পূর্বানুমান/রূপরেখা করতে দেওয়া, গণনামূলক ধাপ অর্পণ করে আউটপুট সমালোচনামূলকভাবে তুলনা করা এবং পরে প্রতিফলন করার মূল্য — এআই-সংহতিকে শিক্ষাদান-নকশার সমস্যা হিসেবে ধরুন, এবং পরীক্ষা করুন এআই সরিয়ে নিলে শিখন টিকে থাকে কি না। 95 জন স্নাতকের একটি র‍্যান্ডমাইজড ট্রায়ালে, বলবিজ্ঞানের সমস্যায় 45 মিনিটের SRL-সামঞ্জস্যপূর্ণ প্রশিক্ষণ নির্ভুলতা বাড়িয়েছে যখন শিক্ষার্থীরা পরে একটি মডেল দিয়ে তড়িচ্চুম্বকত্বের আইটেম সংশোধন করেছে: তাদের ভুল উত্তরের 69.3% সঠিক হয়েছে, অপ্রশিক্ষিত নিয়ন্ত্রণ দলে 41.3%-এর বিপরীতে (d = 0.81) (Huang প্রমুখ (2026))।

• স্কোরিং-পক্ষপাত থেকে সতর্ক থাকুন। এআই স্কোরিং পদ্ধতিগতভাবে ভাষাগতভাবে দুর্বল শিক্ষার্থীদের ব্যাখ্যাকে কম অনুমান করে; ধারণাগত মূল্যায়নে ভাষা-সচেতন বা মানব-মধ্যস্থতাকৃত স্কোরিং ব্যবহার করুন।

• শিক্ষক-প্রস্তুতির জন্য সিমুলেটেড শ্রেণিকক্ষ ব্যবহার করুন। সিমুলেটেড মাল্টি-এজেন্ট শ্রেণিকক্ষ সম্ভাব্য শিক্ষকদের প্রামাণিক শিক্ষার্থী-যুক্তিতে সাড়া দেওয়ার বিরল অনুশীলন দেয় — সরাসরি মাইক্রোটিচিংয়ের একটি কম-ব্যয়ের পরিপূরক।

• অসহায় অনুশীলন ও মূল্যায়ন সংরক্ষিত রাখুন। বোখুম পুনর্নকশা (Mikhasenko প্রমুখ 2026) দেখায়, এআই-অনুমোদিত, গবেষণা-আকৃতির হোমওয়ার্ক উচ্চ সম্পৃক্ততায় সম্পন্ন করেও শিক্ষার্থীরা অসহায় পরীক্ষায় অনেক পিছিয়ে থাকতে পারে (গড় 20.6/80) — সহায়িত কর্মদক্ষতা ও স্বাধীনভাবে পুনরুদ্ধারযোগ্য জ্ঞানকে আলাদা ধরুন, এবং কোর্সে সুচিন্তিত অসহায় অনুশীলন ও লিখিত পরীক্ষা রাখুন।

• সহায়কের বিশ্বস্ততা যাচাই করুন; মডেল-নির্মাণের পর্যায় এআই-মুক্ত রাখুন। কোন্ ক্যান বেশি ওজন বহন করে "শুধু বলে দিন" চাপে একটি উদ্দেশ্য-সজ্জিত Gem এমন ভরের মান তৈরি করেছে যা কেউ মাপেনি, তাই ভাষা-ভিত্তিক সহায়কের বিশ্বস্ততা ধরে নয়, যাচাই করতে হয়, আর এআই-মুক্ত নির্মাণ-পর্যায় সেই হাতেনাতে কাজ সংরক্ষণ করে যা এআই পৌঁছাতে পারে না (Tufino ও Damiani (2026))।

সাধারণ ভুল ধারণা

• "শিক্ষার্থীরা এআই-কে যথেষ্ট বিশ্বাস করে যাতে সমালোচনাহীনভাবে তার উপর নির্ভর করে।" Fouad ও Bentley একটি 50-পয়েন্টের বিশ্বাস-উপযোগিতা ব্যবধান খুঁজে পেয়েছেন: 91% কোর্সকাজে এআই ব্যবহার করে, কেবল 41% তা বিশ্বাস করে। ব্যাপক ব্যবহার নিম্ন বিশ্বাসের সঙ্গে সহাবস্থান করে, তাই উৎসাহ গড়ার লক্ষ্যে করা হস্তক্ষেপ ভুল চলককে সম্বোধন করে।
• "পদার্থবিজ্ঞান শিক্ষার্থীরা এক জনসংখ্যা।" Becker প্রমুখ 1,189টি জরিপ-উত্তর থেকে একটি দুই-প্রোফাইল শ্রেণিবিন্যাস গড়েছেন: 70% "Pragmatic Users" ও 30% "Skeptical Non-Users"। একক শ্রেণিকক্ষ-নীতিকে বিপরীত অবস্থানের দুটি দলের সেবা করতে হয়।
• "ব্যবহার ও বিশ্বাসের মধ্যে ব্যবধান অযৌক্তিক।" দুটি সংখ্যা দুটি ভিন্ন জিনিস মাপে — সরঞ্জামটি কাজ শেষ করতে সাহায্য করে কি না, এবং আপনি বিশ্বাস করেন কি না যে এটি তা সঠিকভাবে করে। শিক্ষার্থীরা উপযোগিতাকে নির্ভরযোগ্যতা থেকে আলাদা করছে, যা বিশ্লেষণগতভাবে সঠিক পার্থক্য এবং কোনো দ্বন্দ্ব নয়।

সংযুক্ত ধারণা

• STEM শিক্ষা
• সক্রেটিক পদ্ধতি
• বুদ্ধিদীপ্ত টিউটরিং
• কম্পিউটেশনাল থিংকিং
• এআই সাক্ষরতা
• বিশ্বাস ক্রমাঙ্কন
• শিক্ষার্থী-অভিজ্ঞতা
• মূল্যায়নের বৈধতা
• পক্ষপাত প্রশমন
• ন্যায়বিচার
• স্বয়ংক্রিয় মূল্যায়ন
• শিক্ষামূলক পরিমাপ
• লার্নিং অ্যানালিটিক্স
• কর্মক্ষেত্র শিখন
• সিমুলেশন
• উৎপাদক এআই
• উচ্চশিক্ষা
• শাস্ত্রে এআইএড
• রসায়ন শিক্ষা — রসায়ন শিক্ষা ও এআই: ল্যাব, formative মূল্যায়ন, LLM-এর সীমা, পরীক্ষার দর্শন
• জীববিজ্ঞান শিক্ষা — জীববিজ্ঞান শিক্ষা ও এআই: ল্যাব শিক্ষাদান-সহায়ক, জীববিজ্ঞানে এআই সাক্ষরতা, সমালোচনামূলক চিন্তন, বিশেষায়িত সরঞ্জাম

সংযুক্ত নিবন্ধ

• Modeling high school students' acceptance of GenAI for physics learning via an extended technology acceptance model: Disciplinary beliefs as a distal antecedent — Grade 10 পদার্থবিজ্ঞানে GenAI-গ্রহণের মডেলিং
• From Prompts to Physical Laws: A Generative AI Workflow for Engineering Physics Education — প্রম্পট থেকে ভৌত নিয়ম পর্যন্ত: প্রকৌশল পদার্থবিজ্ঞান শিক্ষার জন্য একটি জেনারেটিভ এআই কর্মপ্রবাহ
• Comparing teacher-centered and student-centered agents based on prompt engineering: Effects on learning performance, cognitive load, flow experience, and empathy perception in physics learning — শিক্ষক-কেন্দ্রিক বনাম শিক্ষার্থী-কেন্দ্রিক প্রম্পট-ইঞ্জিনিয়ারকৃত পদার্থবিজ্ঞান এজেন্ট (Wang প্রমুখ 2026)
• OmniPhys: A Unified Multimodal Benchmark for Physics Understanding and Generation from Chinese Educational Corpora
• Leveraging AI for Rapid Generation of Physics Simulations in Education: Building Your Own Virtual Lab — এআই দিয়ে দ্রুত পদার্থবিজ্ঞান সিমুলেশন / ভার্চুয়াল ল্যাব তৈরি (Ben-Zion প্রমুখ 2025)
• Analyzing Undergraduate Problem-Solving in Physics Through Interaction With an AI Chatbot
• A Bottom-Up Taxonomy of Student Discourse with a Socratic AI Physics Tutor
• Trust-utility gap in introductory physics education: Students' adoption, domain-specific skepticism, and preferences for AI integration
• Pragmatic users and skeptical nonusers: A qualitative typology of ChatGPT adoption in physics education
• Using LLMs to Detect Growth in Computational Thinking in Introductory Physics
• AI-based scoring systematically underestimates conceptual understanding of linguistically weak students' explanations in physics
• A multi-agent AI classroom based on dual-process reasoning hazards: a pilot with prospective physics teachers
• Students' Epistemological Beliefs and their Chatbot Preferences in AI-mediated Physics Learning
• Studying Circular Motion with an AI-Generated Smartphone Physics Lab
• From Prompt to Embodied Simulation: Using Generative AI to Create AR Physics Learning Tools
• Embodied Inquiry with AI as Facilitator: An Exploratory Case Study
• Probing AI-Generated Physics Solutions and Preparing Students to Critique Them
• Exploring Students' Perceptions of Using Generative AI-Assisted Problem Posing
• It's Not the Tool, It's the Task: A Framework for Cognitively Activated AI Augmentation in Physics Instruction — AIRIS: পদার্থবিজ্ঞানে জ্ঞানীয়ভাবে সক্রিয় এআই-সংযোজনের একটি কাঠামো
• Large Scale AI Grading of Handwritten Physics Assessments: Score Agreement and Olympiad Team Selection Outcomes — হাতে-লেখা পদার্থবিজ্ঞান মূল্যায়নের এআই গ্রেডিং (অলিম্পিয়াড)
• AI in Particle Physics Education: Research Problems and Foundational Skills — কণা পদার্থবিজ্ঞান শিক্ষায় এআই: গবেষণা-সমস্যা ও মৌলিক দক্ষতা
• Mechanics Cognitive Diagnostic: Testing Fine-Grained Learning Objectives in Introductory Physics — Mechanics Cognitive Diagnostic: FCI, FMCE ও EMCS-কে 14-উদ্দেশ্যের জ্ঞানীয় নির্ণায়কে রূপান্তর (Le প্রমুখ 2026)
• Skepticism vs. Convenience: Physics Students' Perceptions and Use of Large Language Models Before and After Instruction — সংশয় বনাম সুবিধা: শিক্ষাদানের আগে ও পরে পদার্থবিজ্ঞান শিক্ষার্থীদের বড় ভাষা-মডেল সম্পর্কে উপলব্ধি ও ব্যবহার
• AI-Assisted Assessment of Experimental Physics Laboratory Reports: Potential, Limitations, and Support for Teaching Practice — পরীক্ষামূলক পদার্থবিজ্ঞান ল্যাব-প্রতিবেদনের এআই-সহায়িত মূল্যায়ন: সম্ভাবনা, সীমা ও শিক্ষাদান-অনুশীলনের সমর্থন
• PhysicsMate: A Curriculum-Grounded Bengali Benchmark for Secondary Physics QA with Small-Model Adaptation — PhysicsMate: 1,760-নোডের পাঠ্যক্রম-গ্রাফে ম্যাপ করা 1,834টি বাংলা মাধ্যমিক-পদার্থবিজ্ঞান প্রশ্নোত্তর, ছোট-মডেল অভিযোজনের লাভসহ
• Artificial intelligence in university physics education: a systematic review of empirical studies — বিশ্ববিদ্যালয় পদার্থবিজ্ঞান শিক্ষায় কৃত্রিম বুদ্ধিমত্তা: অভিজ্ঞতামূলক গবেষণার একটি পদ্ধতিগত পর্যালোচনা
• From answer machine to collaborative partner: impact of structured generative AI training on scientific problem solving in STEM education — পদার্থবিজ্ঞান সমস্যা সংশোধনে কাঠামোবদ্ধ GenAI প্রশিক্ষণ: একটি র‍্যান্ডমাইজড নিয়ন্ত্রিত ট্রায়াল (Huang প্রমুখ 2026)
• AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting — একটি ভালোভাবে প্রকৌশলকৃত টিউটর শ্রেণিকক্ষের সক্রিয় শিখনকে হারিয়েছে
• GenAI-based metacognitive prompting in collaborative inquiry: A comparison across diverse preconception groups — শক্তি-পূর্বধারণাই ঠিক করেছে দল-নেটওয়ার্কে এআই-কোয়েরি আলোচনা কোথায় বসবে: সদস্যরা অমত করলে একটি সংহতকরণ-কেন্দ্র, একমত হলে একটি রৈখিক কোয়েরি-তারপর-পড়া পথ (Wang প্রমুখ 2026)