সুপারিশকারী ব্যবস্থা ও শিখন-পথ

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

সুপারিশকারী ব্যবস্থা ও শিখন-পথ — অভিযোজিত ও ব্যক্তিগতকৃত প্রযুক্তির সেই অংশ যা ঠিক করে একজন শিক্ষার্থীর পরবর্তী কোন জিনিসের মুখোমুখি হওয়া উচিত এবং কোন ক্রমে: কোন সম্পদ, অনুশীলন-আইটেম বা কোর্স তার দিকে র‍্যাংক করা হবে, এবং কোন ধারণা-ক্রম অনুসরণ করা হবে। এর দুই পদ্ধতি-পরিবার আচরণগত — মিথস্ক্রিয়া-লগের উপর কোলাবরেটিভ ফিল্টারিং — এবং অর্থগত — ধারণা, সম্পদ ও পূর্বশর্ত-সম্পর্কের নলেজ গ্রাফের উপর ক্রমনির্ধারণ — যা ক্রমশ হাইব্রিড মডেলে মিলিত হচ্ছে। যেহেতু ফল হলো একটি র‍্যাংককৃত তালিকা, সংলাপ নয়, তাই স্বতন্ত্র সমস্যাগুলো হলো নির্বাচনশীলতা ও বৈধতা:স্পার্স তথ্যে কোল্ড স্টার্ট ও জনপ্রিয়তা-পক্ষপাত, পূর্বশর্তের দিকনির্দেশগত অসমতা, এবং কোন শিক্ষক বা শিক্ষার্থী তাদের দেখানো তালিকা বুঝতে, নিরীক্ষা করতে ও বিশ্বাস করতে পারে কি না।

বিবেচনার প্রশ্ন

• একটি সুপারিশকারী শেখে শিক্ষার্থীরা কী ক্লিক করেছে, দেখেছে ও সম্পন্ন করেছে তা থেকে। ব্যবস্থাটি যদি কেবল আচরণ দেখে, তবে সে আসলে কার শিখন মডেল করছে — আর একজন চুপচাপ, সংগ্রামরত বা ইতিমধ্যে বিষয়টি জানা শিক্ষার্থীর জন্য সে কী মিস করে?
• একটি গবেষণায় শিক্ষকেরা বৈশিষ্ট্য-গুরুত্বের চার্টের চেয়ে পাঠ্যক্রম-ভাষার ব্যাখ্যা বেশি বোধগম্য ও বিশ্বস্ত পেয়েছেন। কোনো সুপারিশের ব্যাখ্যায় কী থাকলে আপনি তা নিয়ে কাজ করতেন?
• পূর্বশর্ত-সম্পর্ক কেবল এক দিকে চলে — B জানা মানে A জানা নয়। ধারণা-জোড়াকে স্বতন্ত্রভাবে স্কোর করা একটি মডেল কেন এটা ভুল করতে পারে, আর তা করলে শিক্ষার্থীর জন্য নিচের দিকে কী ভুল হবে?
• পথ-অনুকূলন গবেষণা ছোট পথ ও ভালো পরীক্ষা-পরবর্তী স্কোর রিপোর্ট করে, যেখানে মূল মধ্যস্থকারী হিসেবে জ্ঞানগত চাপ কমা। ছোট পথ কি সর্বদা ভালো পথ, নাকি কর্মদক্ষতা এমন অনুশীলন সরিয়ে দিতে পারে যা শিক্ষার্থীর দরকার ছিল?
• একটি শিক্ষামূলক সুপারিশকারীর নিরীক্ষায় দেখা গেছে ন্যায্যতা ও বৈচিত্র্য হস্তক্ষেপের পরেও জনপ্রিয় উপকরণ তালিকায় প্রাধান্য পেয়েছে। জনপ্রিয়তা যদি জিততেই থাকে, তবে রি-র‍্যাংকার টিউন করার বদলে উদ্দেশ্য-ফাংশন পুনর্নকশা করতে আপনাকে কী প্ররোচিত করবে?
• 554 কোর্সের লার্নিং ডিজাইন তথ্য দেখায় Acquisition (জ্ঞান-সঞ্চারণ) একইসঙ্গে সবচেয়ে সাধারণ কার্যক্রম-ধরন এবং সবচেয়ে সাধারণ প্রবেশবিন্দু। এআই যদি সেই তথ্য থেকে "পরবর্তী কী" সুপারিশ করে, তবে সে কার নকশা-অভ্যাস পুনরুৎপাদন করে?

ভূমিকা

শিক্ষামূলক সুপারিশকারী ব্যবস্থা আছে, কারণ শিখন-উপকরণের সরবরাহ যেকোনো মানুষের নেভিগেট করার সামর্থ্যকে ছাড়িয়ে গেছে। কেবল প্রাথমিক প্রোগ্রামিং-এই হাজার হাজার অনুশীলন-কার্যক্রম আছে, আর সেগুলোকে শিক্ষাতাত্ত্বিকভাবে অর্থবহ বান্ডলে সাজাতে সাধারণত সময়সাপেক্ষ বিশেষজ্ঞ-কিউরেশন লাগে। একটি সুপারিশকারী শিক্ষার্থীর ইতিহাস, উপকরণের বৈশিষ্ট্য, বা দুটোই নিয়ে একটি র‍্যাংককৃত সংক্ষিপ্ত-তালিকা বা বিষয়বস্তুর মধ্য দিয়ে একটি ক্রমকৃত পথ তৈরি করে।

যেখানে অভিযোজিত শিখন বিষয়বস্তু, গতি ও কাঠিন্য শিক্ষার্থী-মডেলের সঙ্গে মেলানোর প্রক্রিয়া বর্ণনা করে, আর বুদ্ধিমান টিউটরিং সেই প্ল্যাটফর্ম বর্ণনা করে যা সংলাপে তা করে, সুপারিশ-গবেষণা মনোযোগ দেয় নির্বাচন ও ক্রম-সিদ্ধান্তেই: র‍্যাংকিং ফাংশন, যে কাঠামোর উপর তা র‍্যাংক করে, এবং যে প্রমাণ ব্যবহার করে। সেই সিদ্ধান্ত-স্তর নিজস্ব ব্যর্থতার ধরন নিয়ে আসে, যা নিচের বিভাগগুলোতে আলোচিত।

শিক্ষামূলক সুপারিশকারী কীভাবে কাজ করে

আচরণগত সুপারিশকারীরা কোলাবরেটিভ ফিল্টারিংয়ের যুক্তি উত্তরাধিকার সূত্রে পায়: একইরকম ইতিহাসের শিক্ষার্থীরা একইরকম সম্পদ চাইবে ধরে নেওয়া হয়, তাই ব্যবস্থা বিষয়বস্তুর বদলে সহ-ঘটনা থেকে পূর্বানুমান করে। তথ্য ঘন থাকলে এটি শক্তিশালী, না থাকলে ভঙ্গুর। Evangelista ও Bukhari (2026) সমস্যাটি স্পষ্টভাবে বলেন — নির্ভুলতা-কেন্দ্রিক সুপারিশকারীরা সীমিত অংশগ্রহণ-ইতিহাসের শিক্ষার্থীদের কম নির্ভরযোগ্য সহায়তা দেয়, আর জনপ্রিয় সম্পদ তালিকা দখল করে — এবং এর উত্তর দেন একটি Hybrid HKG-GRU কাঠামো দিয়ে, যা কোর্স-উপকরণের একটি ভিন্নধর্মী নলেজ গ্রাফ এমবেড করে ও GRU দিয়ে শিক্ষার্থী-ক্রম মডেল করে, তারপর শিক্ষার্থী-গোষ্ঠী জুড়ে দৃঢ়তার জন্য প্রশিক্ষণ দেয় (GroupDRO) এবং এক্সপোজার-বৈচিত্র্যের জন্য রি-র‍্যাংক করে (Maximal Marginal Relevance)। 152 শিক্ষার্থী, 59 সম্পদ ও প্রায় 150,000 মিথস্ক্রিয়ার Moodle লগে এটি HR@10 = 0.68 ও MRR = 0.41-এ পৌঁছায়, তবু ক্যাটালগ-স্তরে উল্লেখযোগ্য জনপ্রিয়তা-পক্ষপাত টিকে থাকে — প্রমাণ যে পক্ষপাত প্রশমন আংশিক।

অর্থগত সুপারিশকারীরা সহ-ঘটনার বদলে কাঠামো ব্যবহার করে। Liu, Sun ও Song (2026) শিক্ষা-সম্পদ, ভাষা-ধারণা, দক্ষতা, শিক্ষার্থী-গোষ্ঠী ও শিক্ষাতাত্ত্বিক গুণাবলির একটি নলেজ গ্রাফ তৈরি করেন, এবং প্রতিটি সম্পদকে চারটি শিক্ষাতাত্ত্বিক মাত্রায় বিশ্লেষণ করেন — শিক্ষা-প্রসঙ্গ, জ্ঞানগত স্তর, প্রযুক্তিগত বৈশিষ্ট্য ও সাংস্কৃতিক অভিযোজনযোগ্যতা। সুপারিশ শিক্ষার্থীর ঘোষিত চাহিদা থেকে গ্রাফে k-হপ বিস্তৃত হয়, বৈশিষ্ট্য-ভিত্তিক কোলাবরেটিভ ফিল্টার দিয়ে প্রার্থী পরিমার্জন করে, এবং শিক্ষার্থীর সামর্থ্য, অগ্রগতি ও আগ্রহ-সূচক বাড়ার সঙ্গে যে ফিউশন-সহগ বাড়ে তা দিয়ে র‍্যাংক করে — তাই কম-উন্নত শিক্ষার্থীরা গ্রাফ থেকে বেশি কাঠামোবদ্ধ নির্দেশনা পায়, আর উচ্চ-সামর্থ্যের শিক্ষার্থীরা নিজের আচরণ-প্যাটার্নে ঝোঁকে। MARS ডেটাসেটের ইংরেজি উপসেটে (4,800 ব্যবহারকারী, 14,200 সম্পদ, 132,000 মিথস্ক্রিয়া, স্পার্সিটি 0.9981) এটি NDCG 0.625 ও HR 0.751-এ পৌঁছায়, সেরা নিউরাল বেসলাইনের তুলনায় প্রায় 7-8% লাভ, এবং কভারেজ ও ক্রস-ডোমেইন নির্ভুলতায় RippleNet ও KGAT-সহ গ্রাফ-সচেতন বেসলাইনগুলোকে ছাড়িয়ে যায়। Ablation দেখায় সংকেতগুলো পরিপূরক (কেবল-CF NDCG 0.584, কেবল-KG 0.604), আর লেখকেরা লক্ষ করেন এগুলো র‍্যাংকিং-মেট্রিক, শিখন-কার্যকারিতার প্রমাণ নয়।

একটি তৃতীয় পথ প্রতি-শিক্ষার্থী মিথস্ক্রিয়া-তথ্য প্রায় সম্পূর্ণ এড়িয়ে যায়। Hoq ও সহকর্মীরা (2026) প্রতিটি কোড-নমুনা থেকে প্যাটার্ন-ভিত্তিক জ্ঞান-উপাদান বের করেন এবং তাদের জ্ঞান-উপাদান-সেটের সাদৃশ্য দিয়ে সম্পর্কিত অনুশীলন-কার্যক্রম সুপারিশ করেন। প্রাথমিক Python উপকরণের একটি বিশেষজ্ঞ-সাজানো কর্পাসে পদ্ধতিটি প্রশিক্ষকদের নিজস্ব ধারণা-বান্ডলের সঙ্গে মিলেছে এবং র‍্যাংকিং-মেট্রিকে জ্ঞান-উপাদান ও এমবেডিং বেসলাইনকে ছাড়িয়েছে — প্রমাণ যে শিক্ষাতাত্ত্বিক সংগতি উপকরণের অর্থ থেকে আসতে পারে যেখানে শিক্ষার্থী-ইতিহাস পাতলা।

একটি চতুর্থ পথ সুপারিশকে র‍্যাংকিং নয়, ক্রমিক সিদ্ধান্ত হিসেবে দেখে। ExRec (Ozyurt, Almaci, Feuerriegel ও Sachan, 2025) একটি অর্থগতভাবে ভিত্তিক জ্ঞান-অনুসরণকারী তৈরি করে — একটি LLM প্রতিটি প্রশ্নে সমাধান-ধাপ ও জ্ঞান-ধারণা ট্যাগ করে, contrastive learning প্রশ্ন, ধাপ ও ধারণা-এমবেডিং মেলায়, এবং একটি ক্যালিব্রেশন-লস অনুসরণকারীকে সরাসরি ধারণা-স্তরের জ্ঞান-অবস্থা পূর্বানুমান করতে দেয় — তারপর সেই অনুসরণকারীকে রিইনফোর্সমেন্ট লার্নিং পরিবেশ হিসেবে ব্যবহার করে, যেখানে একটি পলিসি পরবর্তী অনুশীলন বেছে নেয়। সুপারিশ-সমস্যার জন্য বিশেষভাবে দুটি নকশা-সিদ্ধান্ত গুরুত্বপূর্ণ: শিক্ষার্থী-অবস্থা পূর্ণ অনুশীলন-ইতিহাস নয়, বরং একটি সংক্ষিপ্ত recurrent এনকোডিং, তাই দীর্ঘ ক্রম replay বাফারে সহনীয় থাকে; এবং পুরস্কার হলো পূর্বানুমিত ধারণা-জ্ঞানের পরিবর্তন, যা লক্ষ্য-ধারণার প্রতিটি প্রশ্নে ইনফারেন্স চালিয়ে গণনা করা হয় না। মডেল-ভিত্তিক ভ্যালু-অনুমান critic-কে অনুসরণকারী থেকে আরম্ভ করে, যা XES3G5M-এ (2,048 পরীক্ষা-শিক্ষার্থী) চারটি কাজে ধারাবাহিক ভ্যালু-ভিত্তিক এজেন্টদের উন্নত করেছে এবং সবচেয়ে কঠিনটিতে — শিক্ষার্থীর দুর্বলতম ধারণার জন্য সুপারিশ, যেখানে প্রতিটি ধাপে লক্ষ্য বদলায় — বিচ্ছিন্ন-কর্ম পদ্ধতিগুলোকে ছাড়িয়ে দিয়েছে। সংখ্যাগুলো একটি সিমুলেটেড পরিবেশ থেকে সর্বোচ্চ-জ্ঞানের শতাংশ হিসেবে উন্নতি, যা মাপা শিখনের চেয়ে দুর্বল দাবি, আর লেখকদের নিজস্ব পরিশিষ্ট লক্ষ করে বেশিরভাগ অনুসরণ-ডেটাসেট কেবল একটি বাইনারি সঠিকতা-লেবেল রেকর্ড করে, তাই তারা যে ভুল ধারণা-স্তরের সুপারিশের রূপরেখা দেন তা বিদ্যমান তথ্যে এখনও পরীক্ষাযোগ্য নয়।

পূর্বশর্ত ও পথ-ক্রম

পরবর্তী আইটেম র‍্যাংক করা পাঠ্যক্রম ক্রমসজ্জার চেয়ে সহজ, কারণ শিখন-নির্ভরতা দিকনির্দেশমূলক। Cheng ও সহকর্মীরা (2026) যুক্তি দেন, পূর্বশর্ত-আবিষ্কারকে সাধারণ লিংক-প্রেডিকশন হিসেবে দেখা সম্পর্কটির তিনটি বৈশিষ্ট্যে ব্যর্থ হয়: এটি অপরিবর্তনীয়, এর প্রমাণ প্রায়ই বহু-হপ (ci → ck → cj), এক-ধাপ শিক্ষার্থী-স্থানান্তর নয়, এবং এর প্রাসঙ্গিকতা জোড়া-নির্দিষ্ট, তাই একটি ধারণার উপস্থাপনা তার সঙ্গে কী জোড়া হয়েছে তার উপর নির্ভর করে বদলানো উচিত। তাদের ProPRL মডেল একটি Irreversibility Constraint যোগ করে — একটি anti-symmetry regularizer যা জোড়ার দুই দিকেই উচ্চ আত্মবিশ্বাসে জরিমানা করে — সঙ্গে একটি জোড়া-শর্তযুক্ত গেট, যা ধারণা-সম্পদ hypergraph থেকে সম্পদ-সচেতন প্রমাণ ও শিখন-আচরণ গ্রাফ থেকে আচরণ-সচেতন প্রমাণের ভার নির্ধারণ করে। এটি MOOC, LectureBank ও University Course ডেটাসেট জুড়ে নয়টি ডেটাসেট-মেট্রিক সমন্বয়েই প্রথম স্থান পায়, সেরা বেসলাইনের তুলনায় 1.96% থেকে 6.11% উন্নতি করে, আর সীমাবদ্ধতা সঠিকভাবে ক্রমকৃত সম্পর্কের অংশ 88.0% থেকে 90.0%-এ তোলে।

নির্ভরতা মডেল হয়ে গেলে পথ একটি অনুকূলন-সমস্যা হয়ে পড়ে। Feng ও Huang (2026) বায়েসিয়ান জ্ঞানগত রোগনির্ণয়, জ্ঞান-স্থান তত্ত্ব ও জ্ঞানগত চাপ তত্ত্ব একত্র করেন: একটি বায়েসিয়ান DINA মডেল 91.3% স্পার্সিটির EdNet তথ্যে অভিসৃত হয়, এবং একটি সংক্ষিপ্ততম প্রতিকার-পথ অ্যালগরিদম গড়ে 3.82 ধাপের ব্যক্তিগতকৃত পথ তৈরি করে — এলোমেলো পথের চেয়ে 22.4% বেশি দক্ষ এবং নির্দিষ্ট পূর্ণ-কভারেজ পথের চেয়ে 23.6% বেশি দক্ষ। 120 শিক্ষার্থীর একটি র‍্যান্ডমাইজড সম্ভাব্যতা-শিখন পরীক্ষায় ব্যক্তিগতকৃত-পথ শিক্ষার্থীরা 57.6 মিনিটে শেষ করে, নিয়ন্ত্রণ-দলে 73.8 মিনিট, এবং প্রাক-পরীক্ষা নিয়ন্ত্রণ করে পরীক্ষা-পরবর্তীতে নিয়ন্ত্রণ-দলকে ছাড়িয়ে যায়। গবেষণাটি কেন তা-ও পরীক্ষা করে: ব্যক্তিগতকৃত পথ ছয়টি অভিযোজিত NASA-TLX মাত্রার সবগুলোতেই জ্ঞানগত চাপ কমিয়েছে, এবং পরীক্ষা-পরবর্তী পারফরম্যান্সে প্রভাবের মূল মধ্যস্থকারী ছিল জ্ঞানগত চাপ (একাধিক-মধ্যস্থতা মডেলে পরোক্ষ প্রভাব 0.28)। একটি Hidden Markov Model বিশ্লেষণমূলক চিন্তনকে বাধা-গুণ হিসেবে চিহ্নিত করে, যার সর্বনিম্ন সম্মুখ-স্থানান্তর সম্ভাবনা (0.31) এবং সর্বোচ্চ অনুমান-প্যারামিটার (g = 0.28)।

PersonaPath ক্রমসজ্জার প্রশ্নটি আরও দূরে ঠেলে দেয় সিদ্ধান্তের একক নিয়ে বিতর্ক করে। Liu প্রমুখ (2026) Exercise-Centric সুপারিশ — মিথস্ক্রিয়া-লগ থেকে পরবর্তী আইটেম অনুমান — এর সঙ্গে Knowledge-Centric পরিকল্পনার তুলনা করেন, যেখানে একটি পরিকল্পক স্পষ্ট শিক্ষার্থী-পার্সোনা, দক্ষতা-অবস্থা ও ঘোষিত লক্ষ্য-একক পড়ে পাঠ্যক্রম-অনুক্রম থেকে পরবর্তী পাঠ্যবই, একক ও ধারণা বেছে নেয় (77 বিষয়ে 347 পাঠ্যবই, 1,751 একক, 4,092 ধারণা, যেখানে 411টি পূর্বশর্ত-প্রান্ত Cohen's κ = 0.93-এ 99.5% নির্ভুলতায় যাচাইকৃত)। পার্থক্যকারী ঘটনাটি লগ যা দেখতে পায় না: অভিন্ন সঠিকতা-রেকর্ড কিন্তু ভিন্ন লক্ষ্যের দুই শিক্ষার্থীর ভিন্ন পথ দরকার, আর কেবল লক্ষ্যই তা দৃশ্যমান করে। দশটি LLM-এর (1B–30B+) তাদের closed-loop মূল্যায়ন সেই মাত্রাগুলো আলাদা করে যা একটি সমষ্টিগত মেট্রিক মিশিয়ে ফেলে — DeepSeek-V3.1 পূর্বশর্ত/হ্যালুসিনেশন বৈধতায় 90.9%-এ পৌঁছায়, অথচ অভিযোজনশীলতায় কেবল 44.3%, ফলে Basic Education-এ চূড়ান্ত পাস-হার 29.5% ও উচ্চশিক্ষায় 14.6%, এবং কোনো মডেলই কোথাও অভিযোজনশীলতায় 44.7% ছাড়ায় না। দুটি ablation রোগনির্ণয়কে ধারালো করে: পার্সোনা থেকে দক্ষতা-ক্ষেত্র সরালে অভিযোজনশীলতার 26.1 পয়েন্ট পর্যন্ত ক্ষতি হয়, অথচ বৈধতা প্রায় নড়ে না; আর এক-শট পথ-উৎপাদন বৈধতা 30.8 পয়েন্ট পর্যন্ত বাড়ায়, অথচ অভিযোজনশীলতা 28.8 কমায় — পাঠ্যক্রম-অনুগামী ক্রমসজ্জা শিক্ষার্থী-শর্তযুক্ত ক্রমসজ্জার চেয়ে অনেক সহজ লক্ষ্য, যা শিক্ষার্থী-সংগতি সীমাবদ্ধতা ছাড়া পথ-মান রিপোর্ট করার বিরুদ্ধে একটি সতর্কবার্তা (PersonaPath: Towards Knowledge-Centric Personalized Learning Path Planning)।

পূর্বশর্ত-কাঠামো শিক্ষার্থীর বদলে পাঠ্যক্রমের উপর একটি রোগনির্ণয়-লেন্স হিসেবেও কাজ করে। Medhat ও সহকর্মীরা (2026) একটি এআই শিক্ষণ-সহায়কের কাছে শিক্ষার্থী-প্রশ্নগুলো GPT-4-নিষ্কাশিত পূর্বশর্ত-গ্রাফের সঙ্গে শ্রেণিবিন্যাস করেন, 164 স্নাতকোত্তর শিক্ষার্থীর 1,340 প্রশ্ন-ঘটনায় 43 লেবেলে 80.0% নির্ভুলতায় পৌঁছান, এবং দেখেন বিষয়-স্তরের প্রশ্ন-আয়তন শিক্ষার্থীদের স্ব-প্রতিবেদিত কাঠিন্যের সঙ্গে সম্পর্কযুক্ত (Spearman's ρ = 0.491, p = 0.008)। মিথস্ক্রিয়া-লগ পাঠ্যক্রমের ক্রম কোথায় শিক্ষার্থীদের জন্য ব্যর্থ হচ্ছে তার একটি মানচিত্রে পরিণত হয়, কোনো অতিরিক্ত মূল্যায়ন-ভার ছাড়াই।

সুপারিশ ব্যাখ্যা ও নিরীক্ষা

র‍্যাংকিং-মান এই প্রশ্নের নিষ্পত্তি করে না যে কেউ র‍্যাংকিং অনুসরণ করা উচিত কি না। Feldman-Maggor, Cukurova, Kent ও Alexandron (2025) Hoff ও Bashir-এর স্বয়ংক্রিয়তার প্রতি বিশ্বাস-মডেলকে এআই-সুপারিশে অভিযোজিত করেন এবং সুপারিশ-সরঞ্জাম GrouPer দিয়ে 41 জন কর্মরত রসায়ন শিক্ষকের সঙ্গে পরীক্ষা করেন। ব্যাখ্যাযোগ্যতা বিশ্বাস বাড়িয়েছে পরোক্ষভাবে, বোধগম্যতা বাড়িয়ে, আর ব্যাখ্যার রূপ তার উপস্থিতির চেয়ে বেশি গুরুত্বপূর্ণ ছিল: শিক্ষকদের বৈশিষ্ট্য-গুরুত্ব ("তথ্য-চালিত") ব্যাখ্যা থেকে অর্থগত, পাঠ্যক্রম-ভাষার ("ডোমেইন-চালিত") ব্যাখ্যায় সরালে বোধগম্যতা (W = 80.5, p = 0.005), শিখিত বিশ্বাস-ক্রমাঙ্কন (W = 52, p = 0.002) ও গ্রহণযোগ্যতা (W = 22.5, p = 0.003) উল্লেখযোগ্যভাবে বেড়েছে, আর সাতজন think-aloud শিক্ষকের সবাই ডোমেইন-চালিত ব্যাখ্যাকে বেশি প্রভাবশালী বলেছেন। গ্রহণযোগ্যতার আরও দুটি চালক দেখা যায়, দুটোই পরিস্থিতিগত, জ্ঞানতাত্ত্বিক নয়: শিক্ষাতাত্ত্বিক সংগতি (11 জনের মধ্যে 8 জন জানিয়েছেন) ও কাজের চাপ হ্রাস (11 জনের মধ্যে 6)। কয়েকজন শিক্ষক আরও বলেন কেবল ব্যাখ্যা যথেষ্ট নয় — তারা সরঞ্জামটি ব্যবহারের আগে শ্রেণিকক্ষে অভিজ্ঞতা চেয়েছিলেন, যা একটি জোরালো দাবি: সুপারিশকারীতে বিশ্বাস ব্যবহারের মধ্য দিয়ে গড়ে ওঠে, কিংবদন্তিতে দেওয়া হয় না।

ন্যায্যতা-নিরীক্ষা ভিন্ন প্রশ্ন করে: কার সুপারিশ খারাপ? Graph-GRU গবেষণাটি একটি কাজে লাগার মতো উদাহরণ, কারণ এটি নাম দেয় তার নিরীক্ষা কী দেখতে পায়নি। ন্যায্যতা অংশগ্রহণ-ভিত্তিক কোহোর্টে পরিচালিত হয়েছিল, কারণ প্রকাশ্য Moodle ডেটাসেটে অর্জন, পূর্ব-জ্ঞান, শিখন-প্রোফাইল ও জনসংখ্যাগত গুণাবলি ছিল না, তাই ফল হলো সম্পৃক্ততা-স্তর জুড়ে আচরণের নিরীক্ষা, শিক্ষামূলক ন্যায্যতার পূর্ণ মূল্যায়ন নয়; একজন কম-সক্রিয় শিক্ষার্থী সংগ্রামরত, অনাগ্রহী বা ইতিমধ্যে বিষয়টি জানা হতে পারে। সেখানে ব্যাখ্যাযোগ্যতা রূপ নেয় পথ-ভিত্তিক ও counterfactual বিশ্লেষণে, যেখানে অনেক শিক্ষার্থীর জন্য মধ্যম counterfactual স্থিতিশীলতা CR@10 = 1.0, তবু উচ্চ Gini এক্সপোজার-মেট্রিকে প্রতিফলিত ক্রমাগত ক্যাটালগ-স্তরের জনপ্রিয়তা-পক্ষপাত থাকে। শিক্ষা হলো, পক্ষপাত প্রশমন এক্সপোজার ও শিক্ষার্থী-গোষ্ঠীর স্তরে মাপতে হবে, নির্ভুলতা বা একটি ব্যাখ্যা-মডিউলের উপস্থিতি থেকে অনুমান করা যাবে না, আর মানুষ-প্রক্রিয়ায়-এআই তত্ত্বাবধান অর্থবহ কেবল যদি মানুষটি গোষ্ঠী-স্তরের প্রমাণ দেখে।

অনুশীলনে শিখন-পথ

পথ কেবল গণনা করা হয় না; নকশাও করা হয়। Divjak, Svetec ও Horvat (2026) লার্নিং অ্যানালিটিক্সকে নকশা-প্রক্রিয়ার উপরেই ঘুরিয়ে দেন, একটি বিনামূল্যের Balanced Design Planning সরঞ্জামে পরিকল্পিত 554 কোর্স জুড়ে 29,064 শিক্ষণ ও শিখন-কার্যক্রমের ক্রম বিশ্লেষণ করে। মার্কভ চেইন ও প্যাটার্ন মাইনিং একটি নকশা-ব্যাকরণ প্রকাশ করে: Acquisition-ধরনের কার্যক্রম ছিল সবচেয়ে সাধারণ শিখন-ধরন (20%-এর উপরে) এবং সবচেয়ে সাধারণ প্রবেশবিন্দু, তারপর Practice, Discussion ও মূল্যায়ন (প্রতিটি 15-20%), আর সবচেয়ে শক্তিশালী স্থানান্তর ছিল Assessment → Discussion (0.332), Practice → Practice (0.317)-এর আগে। Acquisition → Assessment → Practice → Practice নিয়মটি 0.74 আত্মবিশ্বাসে (lift 1.45) টিকে যায়, এবং শিখন-ধরন অভীষ্ট ফলাফলের জ্ঞানগত স্তর অনুসরণ করে: Acquisition Bloom স্তর 1-এ কার্যক্রমের প্রায় 50% থেকে স্তর 6-এ প্রায় 20%-এ নামে। লেখকেরা সতর্ক করেন, flipped, অনুসন্ধান-ভিত্তিক বা প্রকল্প-ভিত্তিক নকশার সঙ্গে মিল অভিপ্রায়ের প্রমাণ নয় — কিন্তু এমন নকশা-তথ্যে প্রশিক্ষিত একটি সুপারিশকারী এই অভ্যাসগুলো শেখে, সঞ্চারণ-কেন্দ্রিক সূচনা-কার্যক্রমের প্রতি পক্ষপাতসহ।

আনুষ্ঠানিক শিক্ষার অন্য প্রান্তে পথ-কাঠামো একটি সুশাসন প্রশ্ন হয়ে ওঠে। Szekely, Gal-Ezer ও Harel (2026) যুক্তি দেন, জ্ঞানে এআই-মধ্যস্থতাকৃত প্রবেশাধিকার স্থির উচ্চশিক্ষা-পাঠ্যক্রম পুনর্বিবেচনার দাবি রাখে এবং "learnity graphs" প্রস্তাব করেন — জ্ঞান, দক্ষতা, অভিজ্ঞতা ও নিদর্শনের আন্তঃসংযুক্ত একক হিসেবে শিখনের কাঠামোবদ্ধ উপস্থাপনা — যা একাডেমিক, পেশাগত ও ব্যক্তিগত শিখন জুড়ে বিস্তৃত। প্রস্তাবটি মৌলিক জ্ঞানে বিশ্ববিদ্যালয়ের ভূমিকা রাখে, তবে জোর সরায় সৃজনশীলতা ও আন্তঃবিষয়ক সমন্বয়ের দিকে, এবং শিক্ষার্থীকে নিজের গ্রাফের রক্ষক করে, যেখানে এটি স্ব-নির্দেশিত শিখন ও স্ব-নিয়ন্ত্রিত শিখনের সঙ্গে মেলে। স্ব-নির্দেশিত নেভিগেশন গঠনমূলক কিছুতে পৌঁছাবে — তা নিশ্চিত নয়: Shen ও Arunrugstichai (2026) একটি ক্রস-প্রাসঙ্গিক সমীক্ষায় (N = 508) উচ্চ-বিদ্যালয় শিখন-আবহাওয়া থেকে বিশ্ববিদ্যালয়ে GenAI ব্যবহার পর্যন্ত দুই পথ মডেল করেন, গঠনমূলক স্বায়ত্তশাসিত ব্যবহার ও বাধ্যতামূলক নির্ভরতাকে আলাদা করে।

একটি সীমা উল্লেখ করা দরকার: সুপারিশকারীরা বর্তমানে যা করে তা সহযোগিতার চেয়ে পরামর্শের কাছাকাছি। Mutlu Cukurova (2026) পুনর্গঠন করেন, একটি মিথস্ক্রিয়া সহযোগিতামূলক হওয়ার আগে ঐতিহাসিকভাবে কী লাগত — একটি আলোচিত, আংশিকভাবে প্রতিসম সম্পর্ক, ভাগ করা ও আলোচনাযোগ্য লক্ষ্য, নিম্ন ও পরিবর্তনশীল শ্রম-বিভাজন, এবং পারস্পরিক মডেলিং ও সামাজিকভাবে ভাগ করা নিয়ন্ত্রণ — এবং সিদ্ধান্তে আসেন, বর্তমান মানব-এআই মিথস্ক্রার বেশিরভাগটাই পরামর্শ, সুশাসন, প্রতিনিধিত্ব বা নির্দেশনা হিসেবে বর্ণনা করা ভালো। তার পাঁচ-স্তরের শ্রেণিবিন্যাস (transactional, situational, operational, praxical, synergistic) একটি কাজে লাগার মতো ক্রমাঙ্কন: পরবর্তী সম্পদ প্রস্তাব করা একটি operational ব্যবস্থা, আর তাকে সহযোগিতামূলক শিখনের সঙ্গী বলা দাবিটিকে ফুলিয়ে তোলে।

এই পথটি ব্যক্তিগতকৃত, অভিযোজিত ও টিউটরিং গবেষণার সঙ্গে কীভাবে সম্পর্কিত

তিনটি সংলগ্ন ধারণা-পাতা সংলগ্ন ভূমি ঢাকে এবং এটির সঙ্গে একসঙ্গে পড়া উচিত। ব্যক্তিগতকৃত শিখন লক্ষ্য ঢাকে — পুরো অভিজ্ঞতা সাজানো, লক্ষ্য, পছন্দ ও গতি সহ, যার একটি উপাদান পথ-নির্বাচন। অভিযোজিত শিখন প্রক্রিয়া ঢাকে — measure-model-adapt চক্র যা বিষয়বস্তু, গতি ও কাঠিন্য তাৎক্ষণিক বদলায়। বুদ্ধিমান টিউটরিং প্ল্যাটফর্ম ঢাকে — সেই প্রামাণ্য ব্যবস্থা যা রোগনির্ণয় ও শিক্ষাতাত্ত্বিক মিথস্ক্রিয়া একত্র করে। এই পাতা সেই সিদ্ধান্ত-স্তর ঢাকে যা ওই পাতাগুলো ধরে নেয়: র‍্যাংকিং ও ক্রমসজ্জা প্রযুক্তি নিজেই। কোলাবরেটিভ-ফিল্টারিং ও নলেজ-গ্রাফ সুপারিশকারী স্থাপত্য, পূর্বশর্ত-সম্পর্ক আবিষ্কার ও পাঠ্যক্রম-ক্রম, র‍্যাংককৃত ফলের ব্যাখ্যাযোগ্যতা ও ন্যায্যতা, এবং সুপারিশকারী-নির্দিষ্ট ব্যর্থতার ধরন — কোল্ড স্টার্ট, জনপ্রিয়তা-পক্ষপাত, অতিরিক্ত সংকীর্ণতা, অস্বচ্ছ র‍্যাংকিং, শিক্ষার্থী-গোষ্ঠী জুড়ে অসম সুপারিশ-মান — এর ঘর এখানেই। মিথস্ক্রিয়া-লগে NDCG বা কভারেজ রিপোর্ট করা একটি গবেষণা এখানে পড়ে; টিউটরিং-সংলাপ থেকে শিখন-লাভ রিপোর্ট করা গবেষণা টিউটরিং বা অভিযোজিত-শিখন পাতায়।

ঝুঁকি ও খোলা প্রশ্ন

প্রমাণভাণ্ডারের একটি সামঞ্জস্যপূর্ণ আকৃতি আছে: শক্তিশালী অফলাইন র‍্যাংকিং-মেট্রিক, শিখন নিয়ে দুর্বল প্রমাণ। উপরের দুই সুপারিশ-গবেষণাই ঐতিহাসিক মিথস্ক্রিয়া-লগে মূল্যায়িত এবং তা স্পষ্টভাবে বলে, আর CF–KG লেখকেরা স্পষ্টভাবে শিক্ষক-মূল্যায়ন, শিক্ষার্থী-গবেষণা ও ফলাফল-ভিত্তিক পরীক্ষার আহ্বান জানান। একটি ব্যবস্থায় ন্যায্যতা-সচেতন প্রশিক্ষণ-উদ্দেশ্যের পরেও জনপ্রিয়তা-পক্ষপাত টিকে গেছে, তাই ক্ষেত্রটি এখনও এমন কোনো রি-র‍্যাংকিং বা regularization সমাধান দেখাতে পারে না যা নির্ভরযোগ্যভাবে এক্সপোজার বদলায়, আর ন্যায্যতা-নিরীক্ষা LMS লগে যা আছে তার সীমার ভেতরেই থাকে। কোল্ড স্টার্ট স্থাপত্যে সমাধান করা হয়েছে, অর্থগত কাঠামোর মধ্য দিয়ে, কিন্তু লাইভ প্রয়োগে সত্যিকারের নতুন ব্যবহারকারীদের উপর পরীক্ষা করা হয়নি। পথ-কর্মদক্ষতার প্রমাণ ভালো, তবু কর্মদক্ষতার সংখ্যাগুলো এখনও একটি গবেষণা ও একটি অ্যালগরিদম-পরিবারের উপর দাঁড়িয়ে, আর ছোট পথ স্বয়ংক্রিয়ভাবে ভালো নয় যদি তা শিক্ষার্থীর প্রয়োজনীয় ফলপ্রসূ সংগ্রাম সরিয়ে দেয়। আনুষ্ঠানিক পথ-অনুকূলন কাজটি দুই দিকেই বিষয়টি ধারালো করে: একটি কঠিন সমস্যার নিশ্চয়তা কোনো নির্দিষ্ট কর্পাস সম্পর্কে খুব কম বলে, কারণ NP-পূর্ণতার প্রমাণ সত্ত্বেও একটি hill climber প্রতিটি বাস্তব প্রোফাইলে ইন্টারলিভিং রুব্রিকের শীর্ষে পৌঁছেছে, আর তত্ত্ব-উদ্ভূত রুব্রিকে 3.54 গ্রেড পাওয়া একটি পথও এমন পথ যা কেউ শিক্ষার্থীদের উপর পরীক্ষা করেনি — তাই রুব্রিক-মান ফলাফল-প্রমাণের জন্য নকশাকারী-মুখী প্রক্সি, তার বিকল্প নয়। পরিভাষাও অস্থির: Ikram ও সহকর্মীরা (2026) 31টি Scopus-সূচিকৃত নিবন্ধের (2013–2025) একটি PRISMA পর্যালোচনায় এআই-সক্রিয় অভিযোজিত ব্যবস্থার জন্য মধ্যম-থেকে-বড় জ্ঞানগত প্রভাব (g = 0.50-0.70) রিপোর্ট করেন, যা বাস্তবায়ন-মান ও গবেষণা-নকশা দ্বারা ভারীভাবে নিয়ন্ত্রিত।

একই সাহিত্য সংকীর্ণতার প্রতিকার প্রস্তাব করতে শুরু করেছে, যদিও এখনও পরীক্ষা করেনি। Najem, Zaoui Seghroucheni ও Ziti (2026) 14,003 শিক্ষার্থী-রেকর্ডকে 12টি স্ব-প্রতিবেদিত আচরণগত, মনস্তাত্ত্বিক ও পরিবেশগত ইনপুটে K-Means++ দিয়ে ছয়টি প্রোফাইলে ক্লাস্টার করেন, শক্ত বিচ্ছিন্নতাসহ (Silhouette 0.62; চূড়ান্ত গ্রেডে η² = 0.770, সর্বোচ্চ ও সর্বনিম্ন প্রোফাইলের মধ্যে পরীক্ষা-স্কোরে 40.17 পয়েন্টের গড় ফারাক), তারপর affinity স্কোরের সঙ্গে Felder-Silverman ম্যাপিং ম্যাট্রিক্স ও একটি বৈচিত্র্য-regularization পদ (λ = 0.30) মিলিয়ে প্রোফাইলগুলোকে শিখন-বস্তুতে ম্যাপ করেন, যার স্পষ্ট উদ্দেশ্য সুপারিশকারীকে প্রোফাইল ইতিমধ্যে যা পছন্দ করে তাতে ভেঙে পড়া থেকে বিরত রাখা। নকশাই অবদান, প্রমাণ নয়: সুপারিশ-স্তর ধারণাগত, কোনো প্রয়োগ বা ফলাফল-পরিমাপ রিপোর্ট করা হয়নি, এবং লেখকেরা বলেন ক্লাস্টারিং-ইনপুটগুলো LMS মিথস্ক্রিয়া-ট্রেস নয়, স্ব-প্রতিবেদিত প্রক্সি। এটি এই পাতা যে regularization-ঘাটতি উল্লেখ করে তার একটি প্রার্থী উত্তর, এখনও সেই যাচাইয়ের অপেক্ষায় যা পাতা বলে ক্ষেত্রটির নেই।

সাধারণ ভুল ধারণা

"উচ্চতর নির্ভুলতা-মেট্রিকসহ সুপারিশ ভালো শিখন-পথ।" র‍্যাংকিং-নির্ভুলতা ও শিক্ষাতাত্ত্বিক বৈধতা ভিন্ন দাবি। MARS ডেটাসেটের ইংরেজি উপসেটে (4,800 ব্যবহারকারী, 14,200 সম্পদ, 132,000 মিথস্ক্রিয়া, স্পার্সিটি 0.9981) একটি ব্যবস্থা NDCG 0.625 ও HR 0.751-এ পৌঁছেছে, সেরা নিউরাল বেসলাইনের তুলনায় প্রায় 7-8% লাভ — এটি শিক্ষার্থী কী নিয়ে সম্পৃক্ত হবে তা পূর্বানুমানের উন্নতি, যা তাকে কী শেখাবে তার সমান নয়।

"পূর্বশর্তকে প্রতিসম সাদৃশ্য-সম্পর্ক হিসেবে দেখা যায়।" যায় না: পূর্বশর্ত-সম্পর্ক দিকনির্দেশগতভাবে অসম, আর যে মডেল "এই বিষয়গুলো সম্পর্কিত" ধরেছে সে দিকও ধরেনি, ক্রমও না। এজন্যই পূর্বশর্ত-ক্রমসজ্জা সুপারিশ থেকে আলাদা সমস্যা।

"স্পার্স তথ্য একটি কারিগরি উপদ্রব।" এই সাহিত্যের স্পার্সিটি-স্তরে (0.9981) ব্যবস্থা প্রায় কিছুই দেখে না, যা কোল্ড স্টার্ট ও জনপ্রিয়তা-পক্ষপাতকে টিউনিং দিয়ে সারানোর বদলে কাঠামোগত করে তোলে। সেই সংকেতে প্রশিক্ষিত সুপারিশকারী নিয়মতান্ত্রিকভাবে ইতিমধ্যে জনপ্রিয় যা তা তুলে আনবে, আর চুপচাপ বা অস্বাভাবিক শিক্ষার্থীরাই সে যাদের দেখতে পারে না।

"ব্যাখ্যাযোগ্যতা একটি রিপোর্টিং-বৈশিষ্ট্য।" একজন শিক্ষক বা শিক্ষার্থী সুপারিশ নিরীক্ষা করতে পারে কি না তা একটি বৈধতা-শর্ত: যে পথ একজন শিক্ষার্থী পরীক্ষা করতে পারে না, তা সে চ্যালেঞ্জও করতে পারে না — যা ইন্টারফেস-সমস্যা হওয়ার আগেই একটি সুশাসন-সমস্যা।

সংযুক্ত ধারণা

• জ্ঞান-গ্রাফ — ধারণা, সম্পদ ও পূর্বশর্ত-সম্পর্কের কাঠামোবদ্ধ উপস্থাপনা
• ব্যাখ্যাযোগ্য এআই — নকশা-বৈশিষ্ট্য হিসেবে ব্যাখ্যা, যা বোধগম্যতা ও বিশ্বাসের মধ্যস্থতা করে
• পাঠ্যক্রম নকশা — যে ক্রম-সিদ্ধান্ত সুপারিশকারীরা মডেল করে, অনুমান করে ও পুনরুৎপাদন করে
• লার্নিং ডিজাইন — কার্যক্রমের পরিকল্পিত ক্রম, যার উপর পথ-বিশ্লেষণ কাজ করে
• লার্নিং অ্যানালিটিক্স — সুপারিশের পেছনের তথ্য ও পদ্ধতি, এবং নিরীক্ষার বিষয়
• জ্ঞানীয় নির্ণয় — প্রতিকার-পথের বীজ বপন করা জ্ঞান-অবস্থার রোগনির্ণয়
• জ্ঞান ট্রেসিং — শিক্ষার্থী কীসের জন্য প্রস্তুত তা ঠিক করতে সময় জুড়ে দক্ষতার মডেলিং
• শিক্ষার্থী-মডেলিং ও অভিযোজিত শিক্ষণ — শিক্ষার্থী-উপস্থাপনা যা সুপারিশ ভোগ করে
• ব্যক্তিগতকৃত শিখন — বৃহত্তর লক্ষ্য; এই পাতা নির্বাচন-সিদ্ধান্ত ঢাকে
• অভিযোজনশীল শিখন — তাৎক্ষণিক সমন্বয়-প্রক্রিয়া; এই পাতা র‍্যাংকিং ও ক্রমসজ্জা ঢাকে
• বুদ্ধিদীপ্ত টিউটরিং — যে প্ল্যাটফর্ম সংলাপে সুপারিশ নিয়ে কাজ করে
• পক্ষপাত প্রশমন — র‍্যাংকিং ও এক্সপোজারে ন্যায্যতা-হস্তক্ষেপ
• ন্যায়বিচার — সুপারিশ-মানে গোষ্ঠী-স্তরের পার্থক্য
• মানুষ-চক্রে — স্বয়ংক্রিয় সম্পদ-নেভিগেশনের তত্ত্বাবধান
• স্বনির্দেশিত শিখন — শিক্ষার্থী-রক্ষিত পথ ও আজীবন নেভিগেশন
• আজীবন শিখন — ডিগ্রি-ক্রমের বাইরে গ্রাফ-কাঠামোবদ্ধ শিখন
• বিশ্বাস ক্রমাঙ্কন — নির্ভরতাকে সুপারিশের নির্ভরযোগ্যতার সঙ্গে মেলানো
• শিক্ষার্থী সহায়তা ও সাফল্য — সহায়তা, সম্পদ ও একাডেমিক পথের সুপারিশ

সংযুক্ত নিবন্ধ

• A Hybrid Collaborative Filtering and Knowledge Graph-Based Cross-Domain Recommendation Method for Multimodal Teaching Resources — মাল্টিমোডাল শিক্ষা-সম্পদের জন্য হাইব্রিড কোলাবরেটিভ ফিল্টারিং ও নলেজ গ্রাফ, সামর্থ্য ও অগ্রগতি-সচেতন ফিউশনসহ (Liu, Sun ও Song 2026)
• Fair and explainable educational recommendations with a hybrid Graph-GRU framework — ভিন্নধর্মী নলেজ গ্রাফ + GRU সুপারিশকারী, GroupDRO ন্যায্যতা ও counterfactual ব্যাখ্যাযোগ্যতাসহ (Evangelista ও Bukhari 2026)
• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations — বৈশিষ্ট্য-গুরুত্বের চার্টের চেয়ে ডোমেইন-চালিত ব্যাখ্যা বেশি শিক্ষক-বিশ্বাস গড়ে তোলে (Feldman-Maggor প্রমুখ 2025)
• ProPRL: Property-Aware Prerequisite Relation Learning in Educational Knowledge Graphs — দিকনির্দেশগত সামঞ্জস্যের জন্য irreversibility সীমাবদ্ধতাসহ পূর্বশর্ত-সম্পর্ক শিখন (Cheng প্রমুখ 2026)
• Automated Recommendation of Programming Learning Content Using Pattern-based Knowledge Components — প্যাটার্ন-ভিত্তিক জ্ঞান-উপাদান সাদৃশ্য দিয়ে প্রোগ্রামিং অনুশীলনের সুপারিশ (Hoq প্রমুখ 2026)
• Learning paths and patterns in learning design: Insights from 500+ courses — 554 কোর্সে 29,064 নকশাকৃত কার্যক্রমের মার্কভ ও প্যাটার্ন-মাইনিং বিশ্লেষণ (Divjak, Svetec ও Horvat 2026)
• Bayesian cognitive diagnosis optimizes personalized learning paths via mediation of cognitive load and Hidden Markov Model state transitions — বায়েসিয়ান DINA রোগনির্ণয় ও সংক্ষিপ্ততম প্রতিকার-পথ, জ্ঞানগত চাপ দ্বারা মধ্যস্থতাকৃত (Feng ও Huang 2026)
• Detecting Knowledge Gaps from Conversational AI Interactions Using Curriculum Prerequisite Graphs — পাঠ্যক্রম-স্তরের ঘাটতি খুঁজতে এআই টিএ-প্রশ্ন GPT-4-নিষ্কাশিত পূর্বশর্ত-গ্রাফে ম্যাপ করা (Medhat প্রমুখ 2026)
• Rethinking Higher Education: From Fixed Curricula to Learnity Graphs — স্থির পাঠ্যক্রমের বিকল্প হিসেবে আজীবন শিখনের learnity গ্রাফ (Szekely, Gal-Ezer ও Harel 2026)
• What do you mean by human-AI collaboration: Prerequisite functions and the affordances needed to achieve it — পাঁচ-স্তরের শ্রেণিবিন্যাস দেখায় বেশিরভাগ মানব-এআই মিথস্ক্রিয়া সহযোগিতা নয়, পরামর্শ (Mutlu Cukurova 2026)
• How High-School Pressure and Autonomy Support Are Linked to Dual AI Learning Pathways: A Cross-Contextual SEM Analysis — স্বায়ত্তশাসন-সমর্থন বনাম চাপ গঠনমূলক বা বাধ্যতামূলক এআই-পথের পূর্বানুমান করে (Shen ও Arunrugstichai 2026)
• Artificial Intelligence in Education: A Systematic Review of Personalized Learning Trends and Future Directions — ব্যক্তিগতকৃত শিখনের প্রবণতা, পথ ও সুপারিশ-মডেলের PRISMA পর্যালোচনা (Ikram প্রমুখ 2026)
• PersonaPath: Towards Knowledge-Centric Personalized Learning Path Planning — PersonaPath: একটি Knowledge-Centric পরিকল্পনা-বেঞ্চমার্ক দেখায় LLM বৈধতায় 90.9% পৌঁছায়, অথচ অভিযোজনশীলতায় কেবল 44.3% (Liu প্রমুখ 2026)
• Personalized Exercise Recommendation with Semantically-Grounded Knowledge Tracing — অর্থগতভাবে ভিত্তিক অনুসরণকারীর উপর ক্রমিক সিদ্ধান্ত হিসেবে অনুশীলন-সুপারিশ
• Behavioral clustering for adaptive learning object recommendation in higher education using learning analytics for personalized student success — 14,003 রেকর্ডের আচরণগত ক্লাস্টারিং ছয়টি প্রোফাইলে, বৈচিত্র্য-regularized সুপারিশ কাঠামো দিয়ে শিখন-বস্তুতে ম্যাপকৃত (Najem প্রমুখ 2026)