ধারণা
সমস্যা সমাধান
ইংরেজি পাতার এই স্বয়ংক্রিয় অনুবাদ, এখনও মাতৃভাষিক বক্তার দ্বারা পর্যালোচনা করা হয়নি।
সমস্যা সমাধান — নতুন বা জটিল চ্যালেঞ্জ গঠন, বিশ্লেষণ ও সমাধানের প্রক্রিয়া — একটি মূল ২১শ-শতকের সক্ষমতা যা এআই সরঞ্জাম একইসঙ্গে বাড়ায় ও হুমকি দেয়। জ্ঞানভাণ্ডারের নিবন্ধজুড়ে জেনারেটিভ এআই কাজ করে স্ক্যাফোল্ড, সংলাপমূলক সঙ্গী ও উত্তর-ইঞ্জিন হিসেবে, আর এর শিক্ষাগত মূল্য নির্ভর করে শিক্ষার্থীরা প্রধান সিদ্ধান্ত-গ্রহণকারী থাকে কি না, নাকি নিজের যুক্তি যন্ত্রের উপর ছেড়ে দেয় তার উপর। দক্ষতা এবং গভীরতর জ্ঞানীয় ও নিয়ন্ত্রক নিমগ্নতার মধ্যে এই টানাপোড়েনই এআই ও সমস্যা সমাধান নিয়ে বর্তমান গবেষণাকে সংজ্ঞায়িত করে।
বিবেচনার প্রশ্ন
- সত্যিই কঠিন একটি সমস্যার কথা ভাবুন যা আপনি ভালোভাবে সমাধান করেছিলেন। সংগ্রামটিকে ফলপ্রসূ কী করেছিল, আর কেউ যদি সোজা উত্তরটি হাতে ধরিয়ে দিত তবে কী হারিয়ে যেত?
- পাতাটি একটি 'জ্ঞানীয় ঋণ'-এর বর্ণনা দেয়: এআই-এর উপর যুক্তি অর্পণ সঠিক পণ্য দেয় বোঝাপড়ার খরচে। আপনি কি কখনও সত্যিই না বুঝেই সঠিক উত্তর পেয়েছেন? পরে খরচটি কী ছিল?
- এআই সরঞ্জাম শিক্ষার্থীদের একাধিক দৃষ্টিকোণ অন্বেষণ ও নিজেদের সমস্যা তৈরি করতে সাহায্য করে — কিন্তু 'অধিযানিক অলসতাও' উৎসাহিত করতে পারে। চিন্তার সঙ্গী হিসেবে এআই আর চিন্তার বিকল্প হিসেবে এআই-এর পার্থক্য আপনি কীভাবে ধরবেন?
- একটি পরীক্ষায় দেখা গেছে চিন্তাশীল ও সংকর প্রতিক্রিয়া বিলম্বিত, এআই-মুক্ত স্থানান্তরে সরাসরি এআই প্রতিক্রিয়াকে ছাড়িয়ে গেছে। যে প্রতিক্রিয়া আপনাকে বেশি কাজ করতে দেয় তা দীর্ঘস্থায়ী শেখায় নিয়ে যায় কেন?
- শিক্ষার্থীদের নিজেদের সমস্যা গঠন করতে শিক্ষাদান কীভাবে (কেবল দেওয়া সমস্যা সমাধান নয়) কীভাবে স্থানান্তর ও স্ব-অধ্যয়নকে সমর্থন করে? কখন একটি প্রশ্ন তৈরি করা আপনাকে একটি প্রশ্নের উত্তর দেওয়ার চেয়ে বেশি শিখিয়েছে?
- যদি এআই-এর ত্রুটিকে প্রশ্ন ও যাচাইয়ের উসকানি হিসেবে ধরা হয়, তবে একটি সীমাবদ্ধতা শেখার সুযোগ হয়ে ওঠে। আপনি কি কখনও এআই-এর সঠিক উত্তর থেকে নয়, বরং তার ভুল থেকে বেশি শিখেছেন?
ভূমিকা
জেনারেটিভ এআই সমস্যা সমাধানে স্পষ্ট সহায়তা দেয়। এলএলএম সরঞ্জাম শিক্ষার্থীদের বিকল্প সমাধান অন্বেষণ, আন্তঃশৃঙ্খল দৃষ্টিকোণ সংযুক্ত করা, এবং প্রামাণিক বাস্তব-জগতের দৃশ্যপট অনুকরণ করতে সাহায্য করে — যেমন ক্লিনিকাল ও নৈতিক দ্বিধা বা STEM-এ প্রোটোটাইপ পরীক্ষা — একইসঙ্গে স্কেলযোগ্য, সময়োপযোগী প্রতিক্রিয়া দেয় ও মূল্যায়নকে দৃশ্যপট-ভিত্তিক, সক্ষমতা-ভিত্তিক মূল্যায়নের দিকে সরায়। নকশা-ভিত্তিক গবেষণায় কাঠামোবদ্ধ সহযোগী কাজের ভিতরে "বুদ্ধিমান শেখার সঙ্গী" হিসেবে স্থাপিত এআই সমস্যা-সমাধান পারফরম্যান্সে উল্লেখযোগ্য লাভ এনেছে, আর শিক্ষার্থীরা ক্রমশ একক উত্তর খোঁজার বদলে নানা দৃষ্টিকোণ তৈরি করতে এআই ব্যবহার করেছে।
তবু একই সরঞ্জাম সেই দক্ষতাই ক্ষয় করতে পারে যা সমর্থনের দাবি করে। মানব-এআই সহযোগী সমস্যা সমাধান নিয়ে গবেষণা একটি চমকপ্রদ বিনিময় দেখায়: যে মিথস্ক্রিয়া-প্রোফাইল সর্বোচ্চ কাজের পারফরম্যান্স পায়, সেটিই সর্বনিম্ন স্ব-নিয়ন্ত্রণ দেখায়, কারণ শিক্ষার্থীরা যুক্তি এআই-এর উপর অর্পণ করে এবং লেখকরা যাকে "জ্ঞানীয় ঋণ" বলেন তা কুড়ায় — বোঝার স্ব-নির্মাণমূলক প্রক্রিয়ার খরচে সঠিক পণ্য পাওয়া। সহযোগী শেখার গবেষণাও একইভাবে "অধিযানিক অলসতা"-র সতর্কবার্তা দেয়, যেখানে জ্ঞানীয় শ্রম আউটসোর্স করলে স্বাধীন বিশ্লেষণ ও স্ব-নিয়ন্ত্রিত শেখা ক্ষতিগ্রস্ত হয়।
এআই শিক্ষা গবেষণায় সমস্যা সমাধান
জ্ঞানভাণ্ডারের নিবন্ধগুলি সমস্যা সমাধানকে ভিন্ন কিন্তু অভিসারী দৃষ্টিকোণ থেকে দেখে। একটি PRISMA পদ্ধতিগত পর্যালোচনা দেখে এলএলএম প্রায়শই অসম্পূর্ণ বা ভুল উত্তর দেয়, যা শিক্ষার্থীদের প্রশ্ন করতে, যাচাই করতে ও তথ্য উন্নত করতে প্ররোচিত করে — মডেলের অপূর্ণতাকে যাচাই-ও-সংশোধনের চক্রে পরিণত করে যা সমালোচনামূলক চিন্তা ও মানসিক স্বাধীনতা শক্তিশালী করে। সমস্যাকে দেওয়া ধরে না নিয়ে অন্য কাজ সমস্যা-গঠন-কে সামনে আনে: শিক্ষার্থীদের নিজেদের পদার্থবিজ্ঞানের সমস্যা তৈরি করতে প্রশিক্ষণ স্থানান্তর ও স্ব-অধ্যয়নকে সমর্থন করে, আর জেনএআই চ্যাটবট প্রাথমিক শিক্ষার্থীদের সমস্যা-গঠনের গুণমান উন্নত করেছে ও অনুসন্ধান-ভিত্তিক শেখায় জ্ঞানীয় ভার কমিয়েছে।
স্ক্যাফোল্ডিং ও মূল্যায়নও কেন্দ্রীয়। ব্যক্তিগত শিক্ষার্থীদের প্রক্রিয়া-ধরন সিকোয়েন্স-মাইনিং থেকে তৈরি অভিযোজিত এআই স্ক্যাফোল্ড সহযোগী গণিত সমস্যা সমাধানে কাজে-নিমগ্ন পারফরম্যান্স বাড়ায় — যদিও সর্বোচ্চ স্ক্যাফোল্ডিং স্ক্রিপ্টিং আচরণও বাড়িয়েছে। স্ক্যাফোল্ডের ভিতরের কাঠামো, কেবল তার উপস্থিতি নয়, তাকেই উত্তর-দানায় ভেঙে পড়া থেকে বিরত রাখে। নির্ণয়, উদ্দেশ্য-নির্বাচন ও সীমাবদ্ধ উত্তর-উৎপাদন হিসেবে গড়া একটি নিয়ম-পরিচালিত এলএলএম টিউটর 40টি বাস্তব Grade 5 সেশনের 36টিতে (90%) টিউটর ও শিক্ষার্থীদের অভীষ্ট পালা-নেওয়ার স্ক্রিপ্টে ধরে রেখেছে, আর এর স্পয়লার-বিরোধী ও কেবল-সম্পূর্ণতা গেট অকালীন উত্তর-দান কমিয়েছে (Looi, Liu ও Sun, 2026)। লেখকদের সবচেয়ে জোরালো নকশা-দাবি বিয়োজনমূলক: পাটিগণিত টিউটরের ভূমিকার বাইরে রয়ে শিক্ষার্থীর কাছে ফেরত দেওয়া হয়েছিল, কারণ টিউটর 40টি সেশনের 4টিতে ভুল পাটিগণিত উৎপন্ন করেছিল।
পরিমাপের দিকে, পরিমাপের দিকে, এলএলএম মানব মূল্যায়নকারীদের প্রতিবিম্বিত করতে পারে গণনামূলক চিন্তার প্রবৃদ্ধি শনাক্তে বড় পদার্থবিজ্ঞান কোর্সজুড়ে, আর গণনামূলক চিন্তা এমন স্পষ্ট ধারণাগত আঠা হিসেবে প্রস্তাবিত যা শিক্ষামূলক রোবোটিক্সকে বিচ্ছিন্ন প্রযুক্তিগত অনুশীলনের বদলে সত্যিকারের সমস্যা সমাধান লালন করতে দেয়।
এআই কীভাবে একইসঙ্গে সাহায্য ও বাধা দেয়
সমস্যা সমাধানে এআই-এর দ্বৈত চরিত্র গবেষণাজুড়ে সুসংগত। সাহায্যের দিকে, চ্যাটবট প্রশ্নের গুণমান উন্নত ও জ্ঞানীয় নেটওয়ার্ক সংযুক্ত করে সমস্যা-গঠনে সার্চ ইঞ্জিনকে ছাড়িয়ে যায়; অভিযোজিত স্ক্যাফোল্ড পারফরম্যান্স বাড়ায়; এবং সহযোগী এআই নকশা সমালোচনামূলক চিন্তা ও সমস্যা-সমাধান — দুটির স্কোরই বাড়ায়, অথচ শিক্ষার্থীরা প্রধান সিদ্ধান্ত-গ্রহণকারী থাকে। বাধার দিকে, অতিরিক্ত অর্পণ নিয়ন্ত্রক নিমগ্নতা কমায়, প্রতিফলনহীন সরাসরি প্রতিক্রিয়া নিষ্ক্রিয় গ্রহণে উৎসাহ দেয়, এবং ঐকমত্য গড়তে এআই-এর উপর ভারী নির্ভরতা আন্তঃব্যক্তিক দক্ষতা ও অন্তর্প্রেরণাকে হুমকি দেয়। লক্ষণীয়, একটি বহুস্থানীয় এলোমেলো পরীক্ষায় দেখা গেছে চিন্তাশীল ও সংকর প্রতিক্রিয়া-নকশা বিলম্বিত, এআই-মুক্ত স্থানান্তরে সরাসরি এআই প্রতিক্রিয়াকে ছাড়িয়ে গেছে — প্রমাণ যে এআই-এর শিক্ষাগত মূল্য প্রবেশাধিকারের চেয়ে শিক্ষার্থীর কর্তৃত্ব, মূল্যায়নমূলক বিচার ও সংশোধনে মালিকানা রক্ষার উপর কম নির্ভর করে। সাহিত্য থেকে উঠে আসা নকশা-নীতিগুলির মধ্যে আছে নিরবচ্ছিন্ন দক্ষতার বদলে সংলাপমূলক টানাপোড়েনকে প্রাধান্য দেওয়া, সক্রিয় সহ-নিয়ন্ত্রণ সক্ষম করা, এবং অধিযানিক স্ক্যাফোল্ডিং ও "মনের-লুপে-থাকা" তদারকি ধরে রাখা।
তাৎপর্য
শিক্ষকদের জন্য প্রমাণের ভার নির্দেশ করে কাঠামোবদ্ধ, প্রক্রিয়া-মুখী সংযোজনের দিকে: প্রম্পট ইঞ্জিনিয়ারিং প্রশিক্ষণ শিক্ষার্থীদের অস্পষ্ট থেকে ফলপ্রসূ এআই মিথস্ক্রিয়ায় সরায়, সহযোগী অনুসন্ধান-কাজের ভিতরে এআই সংযুক্ত করা টেকসই লাভ দেয়, আর এআই-এর ভুলকে সচেতনভাবে উসকানি হিসেবে ব্যবহার করা একটি সীমাবদ্ধতাকে শেখার সুযোগে বদলায়। নকশাকারীদের জন্য সুসংগত ফলাফল যে দক্ষতা গভীর শেখার সমান নয়, তা এমন এআই-এর পক্ষে যুক্তি দেয় যা উত্তর দেয় না, বরং প্রশ্ন করে, চ্যালেঞ্জ করে ও স্ক্যাফোল্ড দেয়। প্রতিষ্ঠানগুলির জন্য দায়বদ্ধ সংযোজনে জেনএআই-এর সঙ্গে স্পষ্ট এআই সাক্ষরতা প্রশিক্ষণ ও এমন মূল্যায়ন-রুব্রিক জোড়া দরকার যা সঠিক পণ্যের বদলে যুক্তি ও ন্যায্যতাকে পুরস্কৃত করে। জ্ঞানীয় মনোবিজ্ঞান-ভিত্তিক কাজজুড়ে পুনরাবৃত্ত থিম হলো সমস্যা সমাধান শেখা হয় শ্রমসাধ্য নিমগ্নতার মাধ্যমে — আর এআই-এর ভূমিকা সেই শ্রম রক্ষা করা, তা মুছে ফেলা নয়।
অন্য ধারণার সঙ্গে সংযোগ
সমস্যা সমাধান হলো সমালোচনামূলক চিন্তা ও গণনামূলক চিন্তার প্রয়োগিক ফল, এবং তা লালিত হয় সমস্যা-ভিত্তিক শেখা ও অনুসন্ধান-ভিত্তিক শেখার কাঠামোয়। এটি নির্ভর করে জ্ঞানীয় চাহিদা ধরে রাখা স্ক্যাফোল্ডিংয়ের উপর, স্ব-নিয়ন্ত্রণ ও অধিযানিক তদারকির উপর, যাতে জ্ঞানীয় অর্পণ এড়ানো যায়, এবং এমন সহযোগী কাঠামোর উপর যেখানে মানুষ ও এআই একসঙ্গে কাজ করে। জ্ঞানীয় মনোবিজ্ঞান ও শেখার স্থানান্তর সাহিত্য তাত্ত্বিক ভিত্তি দেয় কেন শিক্ষার্থী-উৎপন্ন সমস্যা ও চিন্তাশীল প্রতিক্রিয়া বেশি টেকসই সমস্যা-সমাধান লাভ দেয়। এই ধরনের দক্ষতা অর্জনে কার্যকর উদাহরণ বনাম অভ্যাসের ভারসাম্য নিজেই বিষয়বস্তু-নির্ভর: Rachatasumrit, Koedinger ও Carvalho (2025) দেখান সাধারণযোগ্য সমস্যা-সমাধান দক্ষতা সবচেয়ে ভালো শেখা যায় উদাহরণ-সংযুক্ত অভ্যাসে (কার্যকর উদাহরণ ও সমস্যা পালা করে), কারণ কার্যকর উদাহরণ সঠিক নিয়ম অর্জন ও সাধারণীকরণের জন্য দরকারি আরোহী তথ্য জোগায়, যেখানে নিছক অভ্যাস সাধারণ পদ্ধতির বদলে আপাত-সম্পর্কিত বৈশিষ্ট্য শক্তিশালী করার ঝুঁকি নেয়।
এলএলএম এজেন্ট দিয়ে সহযোগী সমস্যা সমাধান অনুকরণ
- অংশগ্রহণকারী-নির্দিষ্ট বৃহৎ ভাষা মডেল (এলএলএম) এজেন্ট দিয়ে সহযোগী সমস্যা সমাধান অনুকরণ। Fang (2026) বাস্তব অংশগ্রহণকারীদের সংলাপে আলাদা এলএলএম এজেন্ট প্রশিক্ষণ দিয়ে সহযোগী সমস্যা সমাধান পুনরুৎপাদন করেন, এবং অনুকরণগুলি বৈধতা দেন জ্ঞানতাত্ত্বিক নেটওয়ার্ক বিশ্লেষণ দিয়ে, দেখিয়ে অনুকৃত ও বাস্তব সংলাপ পরিসংখ্যানগতভাবে অবিভেদ্য (ENA দূরত্ব 0.17; পারমিউটেশন p = 0.65)। এটি প্রামাণিক সহযোগী সমস্যা-সমাধান আলাপ অধ্যয়ন ও উৎপাদনের একটি স্কেলযোগ্য পথ দেয় — যা এই ২১শ-শতকের দক্ষতার গবেষণা ও অনুশীলন-পরিবেশের নকশা — উভয়ের জন্যই তাৎপর্যপূর্ণ।
স্বয়ংক্রিয় CPS দক্ষতা-কোডিং
- সহযোগী সমস্যা সমাধান (CPS) সামর্থ্য পরিমাপে সাধারণত অনুকৃত-কাজের প্রক্রিয়া-তথ্য থেকে আচরণকে নির্দিষ্ট CPS দক্ষতায় কোড করতে হয়। পূর্ব-প্রশিক্ষিত ভাষা মডেলের প্রসঙ্গ-সচেতন প্রম্পটিং এই কোডিং স্বয়ংক্রিয় করতে পারে, প্রসঙ্গগত নির্ভরতা মডেল করে ও জ্ঞানীয় ও সামাজিক সক্ষমতা মিলিয়ে CPS কাজের তথ্যসেটে শক্তিশালী বেসলাইনের চেয়ে উন্নত পারফরম্যান্স পায় — হাতে কোডিংয়ের শ্রম-নিবিড়তা মেটায় এবং বড়-মাপের, তাৎক্ষণিক মূল্যায়ন সক্ষম করে।
সাধারণ ভুল ধারণা
"যে এআই শিক্ষার্থীদের দৃষ্টিকোণ অন্বেষণে সাহায্য করে, সে তাদের চিন্তায় সাহায্য করছে।" একই আচরণ দুটি খুব ভিন্ন ফলাফল সমর্থন করে: এআই সরঞ্জাম শিক্ষার্থীদের একাধিক দৃষ্টিকোণ অন্বেষণ ও নিজেদের সমস্যা তৈরি করতে সাহায্য করে, আবার অধিযানিক অলসতাও উৎসাহিত করতে পারে। পার্থক্যকারী প্রশ্ন হলো শিক্ষার্থী কি বাঁধাই করছে, নাকি তা গ্রহণ করছে — যে ব্যবস্থা সম্ভাব্য দৃষ্টিকোণ জোগায়, সে সেই উৎপাদনমূলক ধাপটিই সম্পন্ন করেছে যা দাবি করার জন্যই অনুশীলনটি ছিল।
"সমস্যা সমাধানই লক্ষ্য, তাই সমস্যা-গঠন বোনাস।" সমস্যা গঠনেই স্থানান্তর তৈরি হয়, কারণ তাতে শিক্ষার্থীকে কাঠামো নির্মাণ করতে হয়, ব্যবস্থা-প্রদত্ত কাঠামোর ভিতরে কাজ করতে নয়। যে পাঠ্যক্রম কেবল সুগঠিত সমস্যাই জোগায়, সে সুগঠিত সমস্যায় পারফরম্যান্স শেখায়, যা পরে শিক্ষার্থীরা যে পরিস্থিতিতে পড়ে তার শর্ত নয়।
"সহযোগী সমস্যা সমাধানের অনুকরণ সহযোগিতার বিকল্প।" একটি অনুকরণ মিথস্ক্রিয়া-ধরনটি পুনরুৎপাদন করে, অথচ যে দক্ষতা গড়ে ওঠে তা হলো সত্যিই উপস্থিত অংশগ্রহণকারীদের যৌথ সমস্যার নিয়ন্ত্রণ। বাস্তব সহযোগীদের মডেল করা অংশগ্রহণকারী-নির্দিষ্ট এজেন্ট সেই নিয়ন্ত্রণ অধ্যয়নের একটি গবেষণা-যন্ত্র — প্রক্রিয়া সম্পর্কে যা প্রকাশ করে তাতে উপযোগী, শিক্ষার্থীদের সহপাঠী ছাড়াই অভ্যাস দেওয়ার উপায় নয়।
অনুশীলনের জন্য তাৎপর্য
প্রশিক্ষকদের জন্য
- সমস্যা সমাধানের আগে শিক্ষার্থীদের সমস্যাটি গঠন করতে বলুন। গঠনে কাঠামো নির্মাণ করতে হয়, যেখানে স্থানান্তর তৈরি হয়, আর এটিই সেই ধাপ যা এআই সবচেয়ে সহজে তাদের পক্ষ হয়ে সম্পন্ন করে।
- কাজের মধ্যেই চিন্তার সঙ্গী ও বিকল্পের পার্থক্য করুন: শিক্ষার্থীর বাঁধাই, পদ্ধতি ও ন্যায্যতা নথিভুক্ত করতে বলুন, যাতে নথি দেখায় কে উৎপাদনমূলক কাজটি করেছে।
- সেই শিক্ষার্থীর দিকে খেয়াল রাখুন যে সাবলীলভাবে অনেক দৃষ্টিকোণ অন্বেষণ করে অথচ নিজের কোনো অবস্থান তৈরি করে না; সেটিই নিমগ্নতার ছদ্মবেশে অধিযানিক অলসতা।
উন্নয়নকারীদের জন্য
- দেওয়া সমস্যার জন্য কেবল ভালো সংকেত নয়, শিক্ষার্থী-উৎপন্ন সমস্যা ও কাঠামোর জন্য নকশা করুন।
- সমাধান-ধাপ নয়, বাঁধাই-ধাপ যন্ত্রযুক্ত করুন; যে ব্যবস্থা উত্তর অনুসরণ করে কিন্তু সমস্যা-গঠন নয়, সে গুরুত্বপূর্ণ ফলাফলটিই দেখতে পায় না।
গবেষকদের জন্য
- অংশগ্রহণকারী-নির্দিষ্ট এজেন্ট অনুকরণ সহযোগী নিয়ন্ত্রণ অধ্যয়নের একটি শক্তিশালী যন্ত্র। সেগুলি সেই হিসেবেই প্রতিবেদন করুন, অসুপারিশকৃত শিক্ষার্থী-সহযোগিতা সম্পর্কে প্রমাণ হিসেবে নয়।
সংযুক্ত ধারণা
- সমালোচনামূলক চিন্তা
- কম্পিউটেশনাল থিংকিং
- সহযোগিতামূলক শিখন
- সমস্যা-ভিত্তিক শিখন
- অনুসন্ধান-ভিত্তিক শিখন
- সৃজনশীলতা
- স্ক্যাফোল্ডিং
- স্ব-নিয়ন্ত্রিত শিখন
- জ্ঞানীয় মনোবিজ্ঞান
সংযুক্ত নিবন্ধ
- Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective — মিথস্ক্রিয়া-প্রোফাইল (অর্পিত যুক্তি বনাম সমন্বিত ব্যাখ্যা) এবং দক্ষতা–নিয়ন্ত্রণ বিনিময়
- Design-Based Research for Developing an AI-Assisted Collaborative Learning Model to Enhance Critical Thinking and Problem-Solving Skills in Higher Education — জেনারেটিভ এআই-কে বুদ্ধিমান শেখার সঙ্গী হিসেবে স্থাপনকারী DBR মডেল
- Can Large Language Models Foster Critical Thinking, Teamwork, and Problem-Solving Skills in Higher Education?: A Literature Review — সমালোচনামূলক চিন্তা, দলগত কাজ ও সমস্যা সমাধান লালনে এলএলএম-এর PRISMA পর্যালোচনা
- Towards an adaptive AI scaffold for developing student collaborative problem solving — সহযোগী সমস্যা সমাধানের জন্য সিকোয়েন্স-মাইন করা অভিযোজিত স্ক্যাফোল্ড
- Exploring Students' Perceptions of Using Generative AI-Assisted Problem Posing — জেনএআই-সহ স্ব-নিয়ন্ত্রিত শেখা-কৌশল হিসেবে সমস্যা-গঠন
- Human-centered GenAI feedback design in higher education: a multisite experiment on direct, reflective, and hybrid approaches to scientific argumentation — বিলম্বিত স্থানান্তরে চিন্তাশীল/সংকর প্রতিক্রিয়া সরাসরি এআই-কে ছাড়িয়ে যায়
- Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science — অনুসন্ধান-ভিত্তিক শেখায় চ্যাটবট প্রাথমিক শিক্ষার্থীদের সমস্যা-গঠন উন্নত করে
- Using LLMs to Detect Growth in Computational Thinking in Introductory Physics — পদার্থবিজ্ঞানে গণনামূলক সমস্যা সমাধানের স্কেলযোগ্য মূল্যায়নকারী হিসেবে এলএলএম
- Taming the Black Box: Design Principles for Rule-Integrated LLM Tutoring Systems in Primary School Mathematical Problem Solving — প্রাথমিক গণিতের এলএলএম টিউটরিং ব্যবস্থায় নিয়ম-পরিচালিত বনাম তাৎক্ষণিক স্ক্যাফোল্ডিং (Looi প্রমুখ 2026)
- Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content