স্ব-নিয়ন্ত্রিত শিখন

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

স্ব-নিয়ন্ত্রিত শিখন (SRL) শিক্ষার্থীদের এমন সক্রিয় অংশগ্রহণকারী হিসেবে বর্ণনা করে, যারা নিজেদের জ্ঞানীয় ও আচরণগত ক্রিয়াকে সফলভাবে রূপ দিতে ও বিকশিত করতে পারে। এআই সরঞ্জাম হয় স্ব-নিয়ন্ত্রিত শিখনের বিকাশকে স্ক্যাফোল্ড করতে পারে, নয়তো যে নিয়ন্ত্রক দাবিগুলো দক্ষতা গড়ে তোলে সেগুলো সরিয়ে দিয়ে অসাবধানে তা সংক্ষিপ্তপথে কেটে দিতে পারে।(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)(The Evidence Base on AI in K-12: A 2026 Review) অনুদৈর্ঘ্য প্রমাণ এই পার্থক্যকে আরও ধারালো করে: একটি এআই সরঞ্জামকে ঘিরে প্রতিফলনমূলক ব্যবহার সমালোচনামূলক চিন্তার পূর্বাভাস দিয়েছে (β = 0.43), কিন্তু জ্ঞানার্জনের নয়; আর কেবল সরঞ্জামে প্রবেশাধিকার কোনোটিই বদলায়নি।(Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study)

বিবেচনার প্রশ্ন

• স্ব-নিয়ন্ত্রিত শিখন শিক্ষার্থীদের তিনটি ধাপে নিজেদের শিখন সক্রিয়ভাবে পরিচালনা হিসেবে বর্ণনা করে: পূর্বচিন্তা (লক্ষ্য নির্ধারণ, পরিকল্পনা, স্ব-দক্ষতা), সম্পাদন (কৌশল, স্ব-পর্যবেক্ষণ), এবং স্ব-প্রতিফলন (মূল্যায়ন, অভিযোজন)। পড়ার আগে ভাবুন — কোন ধাপটি আপনি আসলে ভালো করেন, আর কোনটি এড়িয়ে যান যদিও জানেন যে আরও ভালো করা উচিত?
• পাতার কেন্দ্রীয় টানাপোড়েন: এআই স্ব-নিয়ন্ত্রণকে স্ক্যাফোল্ড করতে পারে, আবার যে নিয়ন্ত্রক দাবিগুলো দক্ষতা গড়ে তোলে সেগুলো সরিয়ে দিয়ে সংক্ষিপ্তপথে কেটেও দিতে পারে। যে সরঞ্জাম একটি কাজ সহজ করে তোলে, তা কীভাবে আপনাকে নিজের শিখনের দুর্বল নিয়ন্ত্রকে পরিণত করতে পারে — আর নিজের ব্যবহারে সেই পার্থক্য কি আপনি অনুভব করতে পারেন?
• শিক্ষার্থীরা প্রায়শই একটি 'উৎপাদন-ঘাটতি' দেখায়: স্ব-নিয়ন্ত্রণের জ্ঞান তাদের আছে, কিন্তু স্বতঃস্ফূর্তভাবে তা প্রয়োগ করতে ব্যর্থ হয় — চ্যাটবটকে 'মূল ধারণাগুলো বের করে দাও' বলে পরিকল্পনা ও পর্যবেক্ষণ পুরোপুরি এড়িয়ে যায়। ভালো কৌশল জেনেও আপনি কি কখনও এর জ্ঞানীয় সমতুল্য কাজ নিজে করেছেন?
• সহায়তা উপস্থিত থাকলে আপনার নিজের বিচারবোধ ছবির বাইরে পড়ে যেতে পারে: একটি ট্রেস-ডেটা গবেষণায় পুনর্বিবেচনার কৌশল বেছে নেওয়ার ক্ষেত্রে নির্ধারক ছিল উপলব্ধ সহায়তা, শিক্ষার্থীর মেটাকগনিটিভ নির্ভুলতা নয়। বাহ্যিক সাহায্য যদি নিজের শিখন সম্পর্কে আপনার পাঠকে ছাপিয়ে যায়, তবে কোন বিচারটি আপনি সচেতনভাবে নিজের হাতে রাখবেন?
• গবেষণায় একটি 'ভুল-ক্রমাঙ্কন ব্যবধান' পাওয়া গেছে: শিক্ষার্থীরা জেনএআই দিয়ে বেশি শিখছে বলে অনুভব করতে পারে, অথচ কম ধরে রাখে — দুর্বল ধারণক্ষমতা সত্ত্বেও নোট নেওয়ার বদলে এআই পছন্দ করে। কোনো সরঞ্জাম ব্যবহারে উৎপাদনশীল বোধ করলে, আপনি আসলে বেশি শিখছেন না — তা আপনি কীভাবে কখনও আবিষ্কার করবেন?
• জেনএআই স্ক্যাফোল্ড, শর্টকাট, নাকি অংশীদার হিসেবে কাজ করবে, তা সরঞ্জামের বদলে অনেকটাই নির্ভর করে শিক্ষার্থীর নিয়ন্ত্রক সক্ষমতার ওপর। তবে পাতা এটাও দেখায় যে স্ব-নিয়ন্ত্রণ গভীর জ্ঞানীয় অফলোডিংয়ের ক্ষতি বাফার করে — তবে বাতিল করে না। এই 'বাফার করে, বাতিল করে না' সতর্কীকরণ আরও ভালো এআই সরঞ্জাম নকশার জন্য কী বোঝায়?
• পড়ার আগে একটি লক্ষ্য ঠিক করুন: নিয়মিত এআই ব্যবহার করেন এমন একটি কাজ বেছে নিন, এবং আগেই সিদ্ধান্ত নিন তিনটি ধাপের (পূর্বচিন্তা, সম্পাদন, প্রতিফলন) কোনটি আপনি সচেতনভাবে স্বয়ংক্রিয় হয়ে যাওয়া থেকে রক্ষা করবেন। কোন ফলাফল আপনাকে বলবে যে এটি কাজ করেছে?

ভূমিকা

স্ব-নিয়ন্ত্রিত শিখন সেই প্রক্রিয়া, যেখানে শিক্ষার্থীরা তিনটি পরস্পর-সম্পর্কিত ধাপে নিজেদের শিখন সক্রিয়ভাবে পরিচালনা করে:

1. পূর্বচিন্তা: লক্ষ্য নির্ধারণ, কৌশলগত পরিকল্পনা, স্ব-কার্যকারিতা বিশ্বাস
2. সম্পাদন: কৌশল প্রয়োগ, স্ব-পর্যবেক্ষণ, মনোযোগ কেন্দ্রীভূত করা
3. স্ব-প্রতিফলন: স্ব-মূল্যায়ন, কারণগত আরোপণ, অভিযোজন

দক্ষ স্ব-নিয়ন্ত্রিত শিক্ষার্থীরা সাফল্য বাড়াতে জ্ঞানীয় কৌশল প্রয়োগ করে এবং নিজেদের শিখন প্রক্রিয়া ধারাবাহিকভাবে পরিমার্জনে মেটাকগনিশন কাজে লাগায়।(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

প্রযুক্তি-মধ্যস্থ একটি কোর্সের অভিজ্ঞতাভিত্তিক কাজ ধাপগুলোর মধ্যকার সংযোগ নিশ্চিত করে: আট সপ্তাহের একটি অ্যাডাপটিভ স্টোকাস্টিক্স গবেষণায় (194 শিক্ষার্থী) কর্ম-পূর্ব ধাপে কাজের মূল্য, স্ব-দক্ষতা, লক্ষ্য-অভিমুখিতা ও ইতিবাচক আবেগ কর্মধর্মী নিয়ন্ত্রক আচরণের পূর্বাভাস দিয়েছে, নেতিবাচক আবেগ তা বাধা দিয়েছে, এবং কর্ম-পরবর্তী সন্তুষ্টি পরবর্তী কর্ম-পূর্ব ধাপে প্রবাহিত হয়েছে (Mejeh ও Fromm (2026))।

এআই ও স্ব-নিয়ন্ত্রিত শিখন নিয়ে 84টি গবেষণার একটি পদ্ধতিগত মানচিত্রায়নে দেখা গেছে, গবেষণা মূলত উচ্চশিক্ষার শিক্ষার্থী এবং স্ব-নিয়ন্ত্রণের মেটাকগনিটিভ ও জ্ঞানীয় দিকগুলোতে কেন্দ্রীভূত; প্রেরণামূলক মাত্রা কম অন্বেষিত এবং এক-তৃতীয়াংশেরও বেশি গবেষণা কোনো স্ব-নিয়ন্ত্রিত শিখন তত্ত্বই নির্দিষ্ট করেনি (Banihashem প্রমুখ (2025))।

গুরুত্বপূর্ণভাবে, এআই-কে ঘিরে স্ব-নিয়ন্ত্রিত শিখন ধারণা ও আচরণ — দুইয়েরই দ্বারা গঠিত হয়: Yilmaz প্রমুখ দেখান যে শিক্ষার্থীরা ফিডব্যাক এআই থেকে এসেছে না মানুষ থেকে — এ নিয়ে তাদের ধারণা তাদের স্ব-নিয়ন্ত্রিত শিখন ও পুনর্বিবেচনা আচরণকে উল্লেখযোগ্যভাবে প্রভাবিত করে — যা মনে করিয়ে দেয় যে এআই-এর সামাজিক ফ্রেমিং, কেবল তার বিষয়বস্তু নয়, শিক্ষার্থীরা তার চারপাশে কীভাবে নিয়ন্ত্রণ করে তা বদলে দেয়।

নিয়ন্ত্রণ শুরু হওয়ার আগেই একটি ব্যর্থতার ধরন বসে থাকে: জেনএআই-সহায়ক শিখন-গড়িমসি — ব্যবহারের প্রকৃত ইচ্ছা থাকা সত্ত্বেও জেনএআই-সমর্থিত কাজ শুরু করতে অপ্রয়োজনীয় বিলম্ব। 1,243 চীনা স্নাতক শিক্ষার্থীর মধ্যে জেনএআই-এর বেশি ব্যবহারের সঙ্গে এর কম ব্যবহার যুক্ত ছিল (β = −0.195), এবং জেনএআই শেখার উদ্বেগ উদ্দেশ্য-বিলম্বের সংযোগকে আরও শক্তিশালী করেছে (Li প্রমুখ (2026))।

জেনএআই চক্রের কোথায় প্রবেশ করে তা-ই তার প্রভাব নির্ধারণ করে: Zimmerman-এর পূর্বচিন্তা, সম্পাদন ও প্রতিফলন ধাপগুলোকে এআই-মধ্যস্থ পরিবেশে ম্যাপ করে একটি সহ-এজেন্সি কাঠামো যুক্তি দেয় যে প্রবেশের বিন্দুই ঠিক করে সরঞ্জামটি শিক্ষার্থীর নিয়ন্ত্রণের অনুভূতিকে বাড়িয়ে দেবে নাকি ক্ষয় করবে, আর অফলোডিং রূপান্তরমূলক শিখনকে সহায়তা করে কেবল তখনই, যখন সিদ্ধান্তটি ইচ্ছাকৃত হয় রুটিনের বদলে (Poudyal (2026))।

বিশেষ শিক্ষার 434 স্নাতক শিক্ষার্থীর একটি প্রস্থচ্ছেদ সমীক্ষা এমন একটি শৃঙ্খল মাপে: জেনএআই সাক্ষরতা জেনএআই-সহায়ক স্ব-নিয়ন্ত্রিত শিখন আচরণের সঙ্গে ধনাত্মকভাবে যুক্ত ছিল (মোট B = 0.701), যা মূলত চলেছে শিখন-শিক্ষার্থীর এজেন্সি দিয়ে (B = 0.345), চ্যালেঞ্জ-আবেগ দিয়ে নয় (B = 0.061) (Yang প্রমুখ (2026))।

Shao, Tang ও Ju (2026)-এ মেটাকগনিটিভ স্ব-নিয়ন্ত্রণ একটি মাপা ফলাফল, অনুমান নয়: তাঁরা পেয়েছেন একটি এআই-VR উল্টো-শ্রেণিকক্ষ এটি এবং অর্জন — দুটোই বাড়িয়েছে, এবং উচ্চ প্রযুক্তিগত সাক্ষরতার শিক্ষার্থীরা বেশি সুবিধা পেয়েছে।

স্ব-নিয়ন্ত্রিত শিখনের জন্য ডিজিটাল সহায়তা

শিখন-জার্নাল

শিখন-জার্নাল স্ব-নিয়ন্ত্রিত শিখনের একটি আশাব্যঞ্জক হস্তক্ষেপ: নিজেদের শিখন প্রক্রিয়া নিয়ে প্রতিফলন করে শিক্ষার্থীরা সংজ্ঞানের সচেতনতা বাড়ায় এবং নিয়ন্ত্রক সক্ষমতা মজবুত করে। নকশার মূল বিবেচনা:

• কাঠামো গুরুত্বপূর্ণ: খোলা-প্রান্তের জার্নাল প্রায়শই অগভীর এন্ট্রি তৈরি করে; নির্দেশিত প্রম্পট ও উদাহরণ-মডেল গভীরতা বাড়ায়
• প্রেরণার ক্ষয়: মোবাইল জার্নালিং অ্যাপে সাধারণত কয়েক দিন পরেই সম্পৃক্ততার দ্রুত পতন দেখা যায়
• স্ক্যাফোল্ডিংয়ের বিনিময়: শিক্ষার্থীদের হয়ে প্রতিফলন লিখে দেওয়া এআই-সহায়তা স্ব-নিয়ন্ত্রিত শিখনের অনুশীলনকে ক্ষুণ্ণ করে; যে সহায়তা প্রম্পট গঠন করে কিন্তু বিষয়বস্তু লেখে না, তা এই অনুশীলন রক্ষা করে

শিক্ষকদের কাছে স্ব-নিয়ন্ত্রিত শিখন প্রোফাইল পৌঁছে দেওয়া ড্যাশবোর্ড

Mejia-Domenzain প্রমুখ (2026) ডিজিটাল স্ব-নিয়ন্ত্রিত শিখন সহায়তাকে শিক্ষকের দিকে বিস্তৃত করেন: তাঁদের লার্নিং অ্যানালিটিক্স ড্যাশবোর্ড (DashED) মিশ্র শ্রেণিকক্ষে মেশিন-লার্নিং থেকে পাওয়া স্ব-নিয়ন্ত্রিত শিখন প্রোফাইল শিক্ষকদের কাছে পৌঁছে দেয়, আর শিক্ষকরা সেই প্রোফাইল নিয়ে কীভাবে কাজ করেন তা প্রসঙ্গ-নির্ভর। ব্যবহারে দেখা গেছে, উল্টো-শ্রেণিকক্ষের (বিশ্ববিদ্যালয়) শিক্ষকরা ধারাবাহিক অন্বেষণ অনুসরণ করেন এবং কোর্স-স্তরের অভিযোজন ও শ্রেণিতে ড্যাশবোর্ড দেখানোকে প্রাধান্য দেন, যেখানে বৃত্তিমূলক শিক্ষকরা সারসংক্ষেপ পাতায় ফিরে ফিরে যান এবং সরঞ্জামটি মূলত ব্যক্তিগত কোচিং সেশনে ব্যবহার করেন। শিক্ষকদের প্রস্তাবিত পদক্ষেপ নির্ধারিত হয়েছিল প্রতিনিধিত্ব করা বিষয়বস্তু ও তাঁদের শিক্ষাদান-স্তর দিয়ে, প্লটের ধরন দিয়ে নয় — বিশ্ববিদ্যালয়ের শিক্ষকরা সাপ্তাহিক পরীক্ষা ও কোর্স-অভিযোজন পছন্দ করেন, বৃত্তিমূলক শিক্ষকরা সরাসরি, ব্যক্তিকেন্দ্রিক কোচিং। এটি ড্যাশবোর্ডটিকে শিক্ষকদের শিক্ষাদান-নিয়ন্ত্রণের স্ক্যাফোল্ড হিসেবে প্রতিষ্ঠা করে, যার নকশা-প্রয়োজন প্রসঙ্গ অনুযায়ী বদলায়, কোনো একক সর্বোত্তম ইন্টারফেস নয়।

শিক্ষার্থী-মুখী সমতুল্যটি আরও বিরল: যে ড্যাশবোর্ড 46টি মাধ্যমিক শিক্ষার্থীকে তাদের নিজেদের জেনএআই প্রম্পট ও মডেলের উত্তরের সঙ্গে তাদের পাঠ্যের ওভারল্যাপ দেখিয়েছিল, তা খুলেছিল কেবল শ্রেণির প্রায় এক-তৃতীয়াংশ, ফলে দৃশ্যায়ন নিজে নয়, স্বেচ্ছামূলক প্রকাশই ছিল বাঁধা-সীমা (Fong প্রমুখ (2026))।

Scheu প্রমুখের 2×2 পরীক্ষা (2026)

22 দিন ধরে 179 শিক্ষার্থী নিয়ে একটি এলোমেলো মাঠ পরীক্ষায় দুটি নকশা-নীতি তুলনা করা হয়:

মূল অন্তর্দৃষ্টি: কোর্সটি দক্ষতা স্থানান্তরের মধ্য দিয়ে স্ব-নিয়ন্ত্রিত শিখন দক্ষতা এবং অন্তর্নিহিত প্রেরণা — দুটোই উন্নত করেছে, অথচ সহায়কটি প্রেরণায় হাত না দিয়েই সম্পৃক্ততা বাড়িয়েছে।(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

এআই সরঞ্জাম এবং স্ব-নিয়ন্ত্রিত শিখন–প্রেরণার পারস্পরিক চক্র

স্ব-নিয়ন্ত্রিত শিখন তত্ত্বের একটি ভিত্তিগত নীতি হলো, স্ব-শিক্ষায় এআই নিয়ন্ত্রণ দক্ষতা ও প্রেরণা একটি পারস্পরিক সম্পর্ক গঠন করে:

• ভালো স্ব-নিয়ন্ত্রণ → বেশি সফল শিখন → উচ্চতর স্ব-দক্ষতা → প্রবলতর প্রেরণা
• উচ্চতর প্রেরণা → বেশি শ্রমসাধ্য সম্পৃক্ততা → ভালো স্ব-নিয়ন্ত্রণ অনুশীলন

এআই সরঞ্জাম এই চক্রে বিভিন্ন বিন্দুতে প্রবেশ করতে পারে:

• স্ব-নিয়ন্ত্রণ-প্রথম নকশা (যেমন কাঠামোবদ্ধ কোর্স, ধাপে ধাপে সংকেত, প্রতিফলন প্রম্পট): প্রকৃত দক্ষতা গড়ে চক্রটিকে শক্তিশালী করে
• সম্পৃক্ততা-প্রথম নকশা (যেমন অটোকমপ্লিট, কনটেন্ট তৈরি): প্রেরণা-চক্রে না ঢুকেই আচরণগত সম্পৃক্ততা বাড়াতে পারে, সরঞ্জাম-নির্ভরতার ঝুঁকি নিয়ে

স্ব-নিয়ন্ত্রিত শিখন হিসেবে জেনএআই-এর কৌশলগত নিয়ন্ত্রণ

Kim (2026) কার্যকর জেনএআই ব্যবহারকে একাডেমিক লেখালেখিতে কৌশলগত নিয়ন্ত্রণ হিসেবে পুনর্গঠন করেন — এআই আউটপুট যাচাই, পুনর্বিবেচনা, বেছে নিয়ে গ্রহণ বা প্রত্যাখ্যানের একটি বাস্তবায়িত স্ব-নিয়ন্ত্রিত শিখন অনুশীলন। 107 শিক্ষার্থীর একটি মিশ্র-পদ্ধতি গবেষণায় উচ্চতর এআই উদ্বেগ যাচাই ও পুনর্বিবেচনার সঙ্গে ধনাত্মকভাবে যুক্ত ছিল (β=.24), আর মূল্যায়নমূলক সক্ষমতা সক্রিয় পুনর্বিবেচনা ও বাছাইমূলক সংযুক্তির পূর্বাভাস দিয়েছে (β=.46)। শিক্ষার্থীরা চারটি নিয়ন্ত্রক ধরনে সমবেত হয় — অসমালোচনামূলক নির্ভরতা (18.7%), বাছাইমূলক সংযুক্তি (34.6%), মূল্যায়নমূলক রূপান্তর (31.8%) এবং কৌশলগত প্রত্যাখ্যান (14.9%) — যা দেখায় এআই সাক্ষরতা উচ্চশিক্ষায় কাজ করে গ্রহণ হিসেবে কম, মূল্যায়নমূলক বিচারবোধ ও নৈতিক দায়বদ্ধতায় প্রোথিত নিয়ন্ত্রক দক্ষতা হিসেবে বেশি। এটি স্ব-নিয়ন্ত্রিত শিখনকে সমালোচনামূলক ও অসমালোচনামূলক এআই ব্যবহারের পার্থক্যকারী মূল প্রক্রিয়া হিসেবে প্রতিষ্ঠা করে।

সরঞ্জামের শাসন নিজেই একটি মাপনযোগ্য দিক: চীনা ইএফএল শিক্ষার্থীদের নিয়ে দুই-তরঙ্গের একটি বৈধকরণ (EFA N = 305; CFA N = 342) ছয়টি নিয়ন্ত্রক মাত্রা আলাদা করে এবং পরিবেশগত নিয়ন্ত্রণ — উৎপন্ন আউটপুটের নির্ভুলতা যাচাই, প্রস্তাবিত সম্পদ ফিল্টার করা এবং নির্ভরতার সীমা ঠিক করা — কে নিজস্ব একটি মাত্রা হিসেবে নাম দেয় (Wang, Zhang ও Zhang (2026))।

অর্পণের আগে শ্রেণিবিন্যাস করুন: Tsim ও Gutoreva (2025) স্ব-নিয়ন্ত্রণকে প্রতি-কাজের প্রোটোকলে রূপান্তর করেন — প্রতিটি উপ-কাজকে Substitute, Complement, Aid বা Non-negotiable হিসেবে চিহ্নিত করুন, একটি সংক্ষিপ্ত মেটাকগনিটিভ নোটে তার যৌক্তিকতা লিখুন, এবং প্রম্পট, খসড়া ও মানব-পুনর্বিবেচনার একটি অডিট-ট্রেইল রাখুন — চক্রটি পুনরাবৃত্ত হয়, ফলে এক কাজের বণ্টন পরের কাজকে জানিয়ে দেয়। প্রতিটি প্রম্পট একটি নিয়ন্ত্রক চিহ্ন। 23 শিক্ষার্থীর 429টি প্রম্পটকে স্ব-নিয়ন্ত্রিত শিখন-ঘটনা হিসেবে পড়ে দেখা গেছে, কাজের নকশার সঙ্গে কাঠামোর মিশ্রণ বদলায়, অথচ 59টি জমার মধ্যে 53টিই মডেলের আউটপুটের কাছাকাছি থাকে — যা নিয়ন্ত্রণকে আর্টিফ্যাক্টের বদলে বিনিময়ে স্থাপন করে (Kontorovich ও Wallach (2026))। মিথস্ক্রিয়া নিজেই নিয়ন্ত্রণের বস্তু। Brunnström ও Palmqvist (2026) বিপরীত দিক থেকে একই নিয়ন্ত্রক দাবি নথিভুক্ত করেন: একটি বাড়িতে-করার পরীক্ষার উত্তর প্রস্তুত করতে চ্যাটবট ব্যবহারের আট-রাউন্ডের প্রদর্শনীতে এআই-এর ডিফল্ট আউটপুট SOLO শ্রেণিবিন্যাসের পরিমাণগত, বহু-কাঠামিক প্রান্তে থেকে গেছে — মসৃণ, জমা দেওয়ার উপযোগী এবং শিক্ষাগতভাবে পাতলা — এবং বারবার মেটা-স্তরের হস্তক্ষেপের পর ("এটা খুব বেশি, একটু সংক্ষিপ্ত করবে?") তবেই একটি ব্যবহারযোগ্য তিন-ধাপের শিখন-চক্রে পৌঁছেছে। তাঁদের সিদ্ধান্ত, উৎপাদনশীল ব্যবহারের জন্য দরকার হয়েছিল "যে স্ব-নিয়ন্ত্রক দক্ষতাগুলো সরঞ্জামটির সমর্থন করার কথা ছিল": শিক্ষার্থীকে ক্রমবর্ধমান লক্ষ্য ঠিক করতে, কঠিনতার সমন্বয় চাইতে এবং যা এখনও বোঝেনি তা নিয়ে প্রতিফলন করতে হয়, শাস্ত্রীয় বিষয়বস্তুর বাইরে গিয়ে। তাঁরা এই সক্ষমতার নাম দেন এআই-মিথস্ক্রিয়া সাক্ষরতা এবং সরঞ্জাম থেকে বিচ্ছিন্ন হওয়াকে অধ্যবসায়ের ব্যর্থতা নয়, বৈধ নিয়ন্ত্রক সিদ্ধান্ত হিসেবে গণ্য করেন (মেটাকগনিশন)।

• সন্তুষ্টি স্ব-নিয়ন্ত্রণ নয়। Liang প্রমুখ (2026) শিল্প-শিক্ষা কর্মসূচির 689 স্নাতক শিক্ষার্থীর সমীক্ষা করে একটি ধারাবাহিক মধ্যস্থতা মডেল পরীক্ষা করেন, যেখানে এআই-উৎপন্ন কনটেন্টের অনুভূত অ্যাফোর্ডেন্স AIGC স্ব-কার্যকারিতা বাড়ায় (beta = 0.583) এবং তার মধ্য দিয়ে শিখন-প্রেরণা (beta = 0.565) ও স্ব-নিয়ন্ত্রিত শিখন (beta = 0.250), যেখানে স্ব-নিয়ন্ত্রিত শিখনের সবচেয়ে ভারী একক পূর্বাভাসক প্রেরণা (beta = 0.527)। সেই পথগুলোর পাশেই বসে ভারবহনকারী নেতিবাচক ফলাফল: এআই মূল্যায়ন-ফিডব্যাকের গুণমান সন্তুষ্টির প্রবল পূর্বাভাস দিয়েছে (beta = 0.712) কিন্তু স্ব-দক্ষতার নয় (beta = 0.131), আর সন্তুষ্টির স্ব-নিয়ন্ত্রিত শিখনে কোনো উল্লেখযোগ্য প্রভাব ছিল না (beta = 0.032)। তাই একটি জনপ্রিয়, ভালো-চলমান সহায়ক নিয়ন্ত্রণ উন্নত হওয়ার প্রমাণ নয় — প্রক্রিয়াটি চলে আত্মবিশ্বাস ও প্রেরণা দিয়ে, শিক্ষার্থীর সরঞ্জাম-অভিজ্ঞতা দিয়ে নয়।

নির্ভরতা কাজ করে শ্রম-নিয়ন্ত্রণ দিয়ে, ব্যবহারের পরিমাণ দিয়ে নয়। 982 স্নাতক শিক্ষার্থীর সমীক্ষায় জেনএআই নির্ভরতা নিম্নতর শ্রম-নিয়ন্ত্রণের পূর্বাভাস দেয় (β = −0.257), যা অনুভূত শিখনফলের পূর্বাভাস দেয় (β = 0.497), ফলে একটি ঋণাত্মক পরোক্ষ পথ তৈরি হয় (β = −0.128), অথচ ব্যবহারের কম্পাঙ্কের কোনো উল্লেখযোগ্য মোট সম্পর্ক ছিল না (Li, Zhang ও Yang (2026))।

স্ব-নিয়ন্ত্রিত শিখন হিসেবে জেনএআই-সচেতন প্রতিফলন

5P প্রতিফলন মডেল (Kadel প্রমুখ 2026) জেনএআই যুগে কাঠামোবদ্ধ প্রতিফলনকে আবার কেন্দ্রে আনে, একটি বাস্তবায়িত স্ব-নিয়ন্ত্রিত শিখন অনুশীলন হিসেবে। শিক্ষার্থীরা ক্রমশ এআই-এর সঙ্গে অর্থ সহ-সৃষ্টি করে, তাই শিক্ষার্থীর প্রতিফলনের সত্যতা যাচাইয়ে প্রথাগত প্রতিফলন মডেলগুলো হিমশিম খায়; ফলে 5P মডেল (Purpose, Process, Product, Pitfalls, Plan) একত্র করে পূর্বচিন্তা-চালিত লক্ষ্য নির্ধারণ, কর্ম-মধ্যে প্রতিফলন (প্রম্পট ও পুনরাবৃত্তি নথিভুক্ত করা), কর্ম-পরবর্তী প্রতিফলন (সম্ভাব্যতাভিত্তিক আউটপুট বাহ্যিক উৎসের সঙ্গে যাচাই), হ্যালুসিনেশন, চুরি ও অতিরিক্ত নির্ভরতার জন্য একটি স্পষ্ট pitfalls ধাপ, এবং একটি ভবিষ্যৎমুখী পরিকল্পনা — পুরোটা জুড়ে আবেগীয় পর্যবেক্ষণ গেঁথে দিয়ে। এর "ফলাফলের বদলে প্রক্রিয়া" দর্শন মানব-এআই মিথস্ক্রিয়ার কাঠামোবদ্ধ নথিভুক্তিকে সেই নিয়ন্ত্রক দাবি হিসেবে গণ্য করে যা সত্যতা, শিক্ষার্থীর এজেন্সি ও মেটাকগনিটিভ গভীরতা রক্ষা করে, এবং জেনএআই-সচেতন প্রতিফলনকে স্ব-নিয়ন্ত্রণের বিকল্প নয়, স্ক্যাফোল্ড হিসেবে প্রতিষ্ঠা করে।

টিউটরিং-নির্দিষ্ট নকশার সঙ্গে সম্পর্ক

টিউটরিং-নির্দিষ্ট এআই স্ব-নিয়ন্ত্রণ-প্রথম নকশার সঙ্গে মেলে: এটি ক্রমবর্ধমান স্ক্যাফোল্ড দেয় যা শিক্ষার্থীর এজেন্সি রক্ষা করে এবং কৌশলগত স্ব-নিয়ন্ত্রণ দাবি করে। সাধারণ-উদ্দেশ্যের এআই প্রায়শই নিয়ন্ত্রক দাবিগুলো পুরোপুরি সরিয়ে দেয়।(The Evidence Base on AI in K-12: A 2026 Review)

উদাহরণস্বরূপ:

• Bastani প্রমুখের টিউটরিং-নির্দিষ্ট চ্যাটবট ধাপে-ধাপে যুক্তি রক্ষা করেছে (স্ব-নিয়ন্ত্রণের দাবি)
• সাধারণ-উদ্দেশ্যের GPT সংস্করণ কেবল উত্তর দিয়ে দিয়েছে (স্ব-নিয়ন্ত্রণ বাইপাস)

বিভিন্ন প্রসঙ্গে প্রমাণ

• মিশ্র প্রমাণ ও ভুল-ক্রমাঙ্কনের ব্যবধান। প্রাক-ক-12 জেনএআই গবেষণার একটি দ্রুত পর্যালোচনা পায়, সমর্থিত কাজের সময় মেটাকগনিটিভ লাভ প্রায়শই সমর্থন সরানো হলে টেকে না, এবং জেনএআই অনুভূত শিখন বাড়াতে পারে যদিও টেকসই শিখন অনুপস্থিত (ভুল-ক্রমাঙ্কনের ব্যবধান — দুর্বল ধারণক্ষমতা সত্ত্বেও শিক্ষার্থীরা নোট নেওয়ার বদলে জেনএআই পছন্দ করেছে)। কোনটি অর্পণ করবে এবং কখন স্বাধীন প্রচেষ্টা গুরুত্বপূর্ণ, সে সিদ্ধান্ত নিতে শিক্ষার্থীদের স্পষ্ট, স্তর-উপযুক্ত প্রশিক্ষণ দরকার।(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)

• স্ব-নিয়ন্ত্রিত শিখন বিরলভাবে সক্রিয় লক্ষ্য। 394টি জেনএআই উচ্চশিক্ষা গবেষণা জুড়ে স্ব-নিয়ন্ত্রিত শিখন ও প্রতিফলন ছিল সবচেয়ে কম বাস্তবায়িত ব্যবহারগুলোর একটি এবং সবচেয়ে কম লক্ষ্যভুক্ত ফলাফলগুলোর একটি (Lin প্রমুখ (2026))।

• এজেন্টিক উদ্যোগ বনাম স্ব-নিয়ন্ত্রণের টানাপোড়েন। Woollaston প্রমুখ (2026) লক্ষ করেন, এজেন্ট যত বেশি কাজ স্বয়ংক্রিয় করে, শিক্ষার্থী তত কম স্ব-নিয়ন্ত্রিত জ্ঞানীয় কাজ করে — তাই নকশায় শিক্ষার্থীকে এজেন্ট শুরুর নিয়ন্ত্রণ দেওয়া উচিত (গতিশীল, ক্ষয়ে যাওয়া স্ক্যাফোল্ডিং), যাতে স্ব-নিয়ন্ত্রক সক্ষমতা বাইরে চলে না গিয়ে রক্ষা পায়।

• স্ব-নিয়ন্ত্রণ এআই কোডিং-সহায়কের ব্যবহার গঠন করে। এআই কোডিং সহায়কদের একটি গবেষণা পেয়েছে উচ্চ-কম্পিউটেশনাল থিংকিং শিক্ষার্থীরা প্রবলতর স্ব-নিয়ন্ত্রক সুসংগতি (পরিকল্পনা-সম্পাদন-স্ব-প্রতিফলন) দেখায় এবং AICA কোড বোঝার জন্য ব্যবহার করে, যেখানে নিম্ন-CT শিক্ষার্থীরা তাৎক্ষণিক উত্তর খোঁজার জন্য ব্যবহার করে।

• অনলাইন শিখনে স্ব-নিয়ন্ত্রিত শিখন কম ডিজিটাল বিভ্রান্তির সঙ্গে সহ-ঘটে। Shi প্রমুখ (2026), 530 কলেজ শিক্ষার্থীর ওপর অবরীক্ষিত ডেটা মাইনিং ব্যবহার করে পেয়েছেন, স্ব-নিয়ন্ত্রিত শিখন কৌশল — লক্ষ্য নির্ধারণ, পরিবেশ গঠন ও সময় ব্যবস্থাপনা — অনলাইন শিখনে নিম্নতর ডিজিটাল বিভ্রান্তির সঙ্গে সবচেয়ে ধারাবাহিকভাবে সহ-ঘটে, শিক্ষার্থী-প্রশিক্ষক ও শিক্ষার্থী-বিষয়বস্তু সম্পৃক্ততার পাশাপাশি। এই ফল সুনির্দিষ্ট স্ব-নিয়ন্ত্রিত শিখন প্রশিক্ষণকে মনোযোগী অনলাইন পড়াশোনার জন্য উচ্চ-লিভারেজ হস্তক্ষেপ হিসেবে প্রতিষ্ঠা করে।

• সরঞ্জাম-প্রবেশাধিকার নয়, মেটাকগনিটিভ সচেতনতাই অভিযোজিত STEM কর্মক্ষমতার সবচেয়ে শক্তিশালী চালক। Alatoai ও Alshahri (2026) সৌদি আরবের 649 মাধ্যমিক শিক্ষার্থী নিয়ে AI-STEM-MLCS তৈরি ও বৈধ করেছেন (CFI = 0.983, RMSEA = 0.019; McDonald's ω = 0.888 থেকে 0.905) এবং পেয়েছেন এর চারটি মাত্রা স্ব-নিয়ন্ত্রিত শিখন-কর্মক্ষমতার ভেদাঙ্কের 68% ব্যাখ্যা করে (R² = 0.68)। এআই-ভিত্তিক মেটাকগনিটিভ সচেতনতা ছিল শক্তিশালীতম পূর্বাভাসক (β = 0.38, p < 0.001), তারপর জ্ঞানীয় স্থানান্তর ও অভিযোজনক্ষমতা (β = 0.29, p = 0.008) এবং এআই-বর্ধিত স্ব-নিয়ন্ত্রিত শিখন (β = 0.21, p = 0.040), অথচ সৃজনশীল ও সমালোচনামূলক এআই-STEM যুক্তি মানদণ্ডের পূর্বাভাস দেয়নি (β = 0.14, p = 0.135)। লেখকেরা এই ধাঁচকে প্রমাণ হিসেবে পড়েন যে অভিযোজিত ফিডব্যাক STEM কর্মক্ষমতা বাড়ায় মূলত শিক্ষার্থীকে ভুল পরীক্ষা করতে, পুনঃক্রমাঙ্কিত করতে ও কৌশল পুনর্ব্যবহার করতে উৎসাহিত করে, তাই যন্ত্রটি একক বৈশ্বিক স্কোরের বদলে মেটা-শিখনের ফাঁক চিহ্নিতকারী ডায়াগনস্টিক হিসেবে ভালো কাজ করে। এটি একটি স্ব-প্রতিবেদন পরিমাপ, এক জাতীয় ব্যবস্থায় বৈধকৃত, তাই সহগগুলো সাময়িক।

• বাহ্যিক সহায়তা শিক্ষার্থীর নিজের মেটাকগনিটিভ বিচারবোধকে বাইপাস করতে পারে। Iqbal প্রমুখ (2026) 87 ইএফএল শিক্ষার্থীর জেনএআই (ChatGPT 4.0), মানব-বিশেষজ্ঞ, বা কোনো সহায়তা ছাড়া প্রবন্ধ পুনর্বিবেচনার ট্রেস নেন। সহায়তার শর্তই ছিল শিক্ষার্থীর বেছে নেওয়া পুনর্বিবেচনা-কৌশলের বহু-দূরের শক্তিশালীতম সহসম্পর্ক (Cramér's V = 0.668), পূর্ববর্তী লেখন-কাজ থেকে বহন করা বহু এগিয়ে (V = 0.333), অথচ মেটাকগনিটিভ বিচারের নির্ভুলতা (p = 0.172), লেখন-দক্ষতা (p = 0.261) ও প্রেরণা (p = 0.683) অসম্পর্কিত ছিল। মেটাকগনিটিভ বিচার কৌশল অনুসরণ করেছে কেবল যখন কোনো সহায়তা ছিল না (permutation test p = 0.0460)। জেনএআই সহায়তাপ্রাপ্ত শিক্ষার্থীরা সবচেয়ে বেশি লাভ করেছে (হ্রাসমান-সহায়তা-চাওয়া কৌশলে গড়ে প্রায় 4 পয়েন্ট, একই কৌশলে মানব-বিশেষজ্ঞ সহায়তায় −0.5 পয়েন্ট), তবু কোনো পুনর্বিবেচনা-কৌশল স্কোর-পরিবর্তনের সঙ্গে যুক্ত ছিল না (H(3) = 3.895, p = 0.273), তাই লাভ এসেছে সরঞ্জাম থেকে, ভালো স্ব-নিয়ন্ত্রণ থেকে নয়। লেখকদের দৃষ্টিভঙ্গি হলো, জেনএআই সরাসরি সাহায্য দেওয়ার বদলে নিজের পুনর্বিবেচনা-কৌশল নিয়ে প্রতিফলনে উৎসাহিত করা উচিত।

• প্রতিফলনমূলক ব্যবহার সমালোচনামূলক চিন্তা অনুসরণ করে, জ্ঞানার্জন নয়। Melanou প্রমুখ (2026) ব্যবসা-তথ্যবিজ্ঞানের শিক্ষার্থীদের তিনটি সমান্তরাল শ্রেণি (N = 87) নয় সপ্তাহের একটি কোর্স জুড়ে অনুসরণ করেন; প্রতিটি দলে জ্ঞান বেড়েছে (F(1, 50) = 29.87, p < 0.001, η²p = 0.374) এবং কোনো এআই সুবিধা নেই, কোনো সময় × দল মিথস্ক্রিয়া নেই, কোনো Matthew প্রভাব নেই (F(1, 48) = 2.46, p = 0.124; BF01 = 8.70)। প্রতিফলনমূলক ব্যবহার (উৎস যাচাই করা এবং গ্রহণের আগে এআই আউটপুট যাচাই করা) এআই শর্তে উল্লেখযোগ্যভাবে বেশি ছিল (3.72 বনাম 2.82; F(1, 40) = 20.21, p < 0.001) এবং সমালোচনামূলক চিন্তার পূর্বাভাস দিয়েছে (β = 0.43, p < 0.001), কিন্তু জ্ঞানার্জনের নয়, যার পূর্বাভাস দিয়েছে জার্মেইন জ্ঞানীয় ভার (β = 0.51, p = 0.001)। ব্যবহারিক পাঠ হলো, এআই-প্রবেশাধিকার নিজে কোনো হস্তক্ষেপ নয়, আর তার মেটাকগনিটিভ ফল পরীক্ষার স্কোরের আগে যুক্তির গুণমানে প্রকাশ পায়।

• এআই নয়, কাঠামোই স্ব-নিয়ন্ত্রিত শিখনের লাভ চালায়। Zimmerman-এর ধাপগুলো প্রকল্পভিত্তিক মিশ্র শিক্ষাদানে ম্যাপ করা, এআইকে মেটাকগনিটিভ স্ক্যাফোল্ডিং হিসেবে রেখে, N-Gain 0.72 দিয়েছে, প্রথাগত শিক্ষাদানে যা 0.28 (t = 8.47, p < 0.001, Priyambudi প্রমুখ (2026)), যাঁরা যুক্তি দেন এআই স্ব-নিয়ন্ত্রণ মজবুত করে কেবল কাজের কাঠামোর ভেতরে — অসংগঠিত ব্যবহার মেটাকগনিটিভ অলসতার ঝুঁকি নেয়।

• এআই-এর গতি সেই সমকক্ষ-সংলাপ স্থানচ্যুত করতে পারে যা সহ-নিয়ন্ত্রণ বহন করে। চারটি স্নাতকোত্তর কোর্স জুড়ে 28,123 ফোরাম-বাক্য কোড করে, যার একটি কেবল-মানব এবং দুটি ভারী এআই টিএ ব্যবহারে, Davis প্রমুখ (2026) পেয়েছেন এআই টিএ ছিল 97% শিক্ষার্থী-শুরু করা অ্যাসাইনমেন্ট থ্রেডে প্রথম উত্তরদাতা, তার উত্তরের মধ্যমা 0.92 মিনিট, যেখানে সমকক্ষ আগে উত্তর দিলে 490 মিনিট। থ্রেড-শুরু অপরিবর্তিত (p = .73) কিন্তু উত্তর-পোস্ট শিক্ষার্থীপ্রতি 18.2 থেকে 10.9-তে নেমেছে (p < .001), এবং সমকক্ষ-উত্তরদাতাদের অনুসরণ-বাক্যের ভাগ সেমিস্টারের দুই অর্ধের মধ্যে 91% থেকে 45%-এ নেমেছে।

• ফলে স্ব-নিয়ন্ত্রিত শিখনের পতন সংমিশ্রণগত। যেহেতু সমকক্ষ-উত্তরদাতারা প্রায় 70% স্ব-নিয়ন্ত্রিত-কোডকৃত বাক্য জোগায়, থ্রেড-শুরুকারীদের 20 থেকে 27%-এর বিপরীতে, সামগ্রিক নিয়ন্ত্রক ভাষা 49% থেকে 36%-এ নেমেছে (p < .001)। প্রতিটি ভূমিকার নিজস্ব হার স্থির থেকেছে, তাই পতন প্রতিফলিত করে কে লিখছিল তা, কেউ কীভাবে লেখে তার পরিবর্তন নয়। স্ব-নিয়ন্ত্রণ তবু গ্রেডের পূর্বাভাস দিয়েছে (β = 2.63, p = .017), এবং সমকক্ষ-উত্তর সেই সম্পর্ককে নিয়ন্ত্রণ করেছে (β = 1.45, p = .013)। এআই-প্রধান থ্রেডের সঙ্গে যুক্ত গ্রেড-জরিমানা (β ≈ −1.38, p = .038) 17 জন উচ্চ স্ব-নিয়ন্ত্রক সরানোর পর মুছে যায় (β ≈ −1.29, p = .454), যা লেখকেরা পড়েন হারানো সহ-নিয়ন্ত্রণ দিয়ে যাওয়া খরচ হিসেবে, সরাসরি এআই দিয়ে নয়। এটি পর্যবেক্ষণমূলক, তাই প্রক্রিয়াটি অপ্রমাণিত থাকে।

• আবেগীয় স্ক্যাফোল্ডিং ট্রেস-মাপা স্ব-নিয়ন্ত্রিত শিখন ধাপগুলো নড়ায় যা কেবল জ্ঞানীয় স্ক্যাফোল্ডিং নড়ায় না, আর স্ব-প্রতিবেদনে তা প্রায় দেখা যায়ই না। 144 উচ্চবিদ্যালয় শিক্ষার্থীর একটি পূর্বনিবন্ধিত পরীক্ষায় তুলনা করা হয় সাধারণ ChatGPT, একটি স্ব-নিয়ন্ত্রণ-স্ক্যাফোল্ডিং এজেন্ট এবং একটি আবেগীয় সংস্করণ, যা তিন জায়গায় অনুভূতি নিয়ে জিজ্ঞেস করে ও নিয়ন্ত্রণ-মূল্য রেখা ধরে সুর ও চ্যালেঞ্জ অভিযোজিত করে। ট্রেস-কোডিং তিনটি ধাপেই বড় শর্ত-প্রভাব পেয়েছে (ε2 = 0.44 পূর্বচিন্তা, 0.34 সম্পাদন, 0.34 স্ব-প্রতিফলন)। কেবল স্ব-নিয়ন্ত্রণ প্রম্পট লক্ষ্য নির্ধারণ ও পরিকল্পনাকে আবেগীয় সংস্করণের স্তরে তুলেছে, অথচ আবেগীয় স্তর যোগ করেছে বেশি সম্পাদন-ধাপ কার্যকলাপ (r = 0.22) ও স্ব-প্রতিফলন (r = 0.31)। স্ব-প্রতিবেদিত স্ব-নিয়ন্ত্রণ শর্তগুলো আলাদা করেছে কেবল সম্পাদন ধাপে; ট্রেস-স্ব-প্রতিবেদন সহসম্পর্ক সেখানে 0.313, পূর্বচিন্তায় 0.22 এবং স্ব-প্রতিফলনে 0.04। লেখকেরা ট্রেস-পার্থক্যকে স্বাধীন নিয়ন্ত্রক সক্ষমতা নয়, সহ-নিয়ন্ত্রিত বাস্তবায়ন হিসেবে পড়েন (Diordiev, Stenberdt ও Makransky, 2026)।

• দলে নিয়ন্ত্রণ ট্রিগার হয় এআই-এর নিজের প্রম্পটে, আর পূর্বধারণার বৈচিত্র্য বদলে দেয় সেই প্রম্পট কীভাবে অবতীর্ণ হয়। Wang প্রমুখ (2026) 8টি ভিন্ন-পূর্বধারণা ও 6টি সমান-পূর্বধারণা প্রাক-সেবা শিক্ষক-দলকে একটি অন-ডিমান্ড মেটাকগনিটিভ চ্যাটবট ও একটি সক্রিয় ভয়েস এজেন্টের সঙ্গে তুলনা করেন। প্রম্পটের কার্যকারিতা শর্তজুড়ে মিলে গেছে 39টি প্রম্পটে, 18 বনাম 21, কিন্তু ক্রমিক কাঠামো মেলেনি: বৈচিত্র্যময় দল আউটপুটের ইতিবাচক বা নিরপেক্ষ মূল্যায়ন ধরে রেখেছে, আর সমান দল বারবার কাজ-সম্মতির পাশাপাশি নেতিবাচক মূল্যায়ন ধরে রেখেছে। কাঁচা-ডেটা পরিদর্শন নেতিবাচক চক্রের একটি অংশকে সক্রিয় ভাষণ-এজেন্টে ফেরায়, তাই লেখকেরা এটিকে সমর্থনের প্রত্যাখ্যান নয়, সময় ও মাধ্যমের অসামঞ্জস্য হিসেবে পড়েন। তাঁদের নকশা-পরিণতি হলো, যে দল ইতিমধ্যেই মিলে গেছে তাদের মধ্যে ভাগ-করা নিয়ন্ত্রণ-সমর্থন ঐচ্ছিক থাকা উচিত।

এলএলএম-মধ্যস্থ স্ব-নিয়ন্ত্রিত শিখন: স্ক্যাফোল্ড, শর্টকাট, নাকি অংশীদার?

Learning Letters-এর একগুচ্ছ গবেষণা (2026) একটি কেন্দ্রীয় টানাপোড়েনে মিলিত হয়: জেনএআই নকশা এবং শিক্ষার্থীরা তার ব্যবহার কীভাবে নিয়ন্ত্রণ করে তার ওপর নির্ভর করে স্ব-নিয়ন্ত্রণকে স্ক্যাফোল্ড করতে পারে, সংক্ষিপ্তপথে কেটে দিতে পারে, বা তার অংশীদার হতে পারে। প্রমাণ নির্দেশ করে সরঞ্জাম নয়, স্ব-নিয়ন্ত্রিত শিখন নিজেই সিদ্ধান্তকারী চলক।

• Viberg প্রমুখ পেয়েছেন LLM মানব-সমর্থন প্রতিস্থাপন না করে একটি স্তরযুক্ত সহায়তা-সন্ধান বাস্তুতন্ত্রে গেঁথে যায়: শিক্ষার্থীরা আগে স্বাধীনভাবে কাজ করার চেষ্টা করে, তারপর কম-বাধার প্রথম ধাপ হিসেবে ChatGPT, ধারণাগত দর-কষাকষির জন্য সমকক্ষ, এবং উচ্চ-ঝুঁকির বিষয়ে প্রশিক্ষকদের সঙ্গে পরামর্শ করে। তাঁরা যন্ত্রগত সহায়তা-চাওয়া (সংকেত, ধাপে ধাপে নির্দেশনা)-কে নির্বাহী সহায়তা-চাওয়ার (সরাসরি সমাধান) ওপরে রাখেন, বাছাইমূলক বিশ্বাস প্রয়োগ করেন এবং কোর্স-উপকরণের সঙ্গে আউটপুট যাচাই করেন — একটি চার-ধাপ প্রক্রিয়া (সহায়তা দরকার কি না ঠিক করা, কাকে জিজ্ঞেস করবে বাছা, সহায়তার ধরন নির্ধারণ, পাওয়া সহায়তার বিচার), যা মাপা ও শেখানো যায়।
• Atif ও Dickson-Deane জেনএআই ব্যবহারকে সংজ্ঞানাত্মক অফলোডিং হিসেবে ফ্রেম করেন, যা হয় স্ক্যাফোল্ডকৃত হতে পারে (শিক্ষার্থীরা এআই আউটপুট সমালোচনা ও অভিযোজিত করে, শিক্ষার্থীর এজেন্সি ও অর্থ-নির্মাণ ধরে রাখে), নয়তো প্রতিস্থাপনমূলক (শিক্ষার্থীরা ন্যূনতম যাচাইয়ে আউটপুট গ্রহণ করে, নিয়ন্ত্রণ সরঞ্জামের দিকে সরে যায়)। 267 স্নাতকোত্তর আইটি শিক্ষার্থীর গবেষণায় একই সরঞ্জাম শিক্ষার্থীর কৌশল অনুযায়ী স্ব-নিয়ন্ত্রণ স্ক্যাফোল্ড বা শর্টকাট করতে পারে — আত্মবিশ্বাসী ব্যবহারকারীরা লক্ষ্য নির্ধারণ ও পর্যবেক্ষণে এজেন্সি দেখিয়েছেন; কম আত্মবিশ্বাসীরা জেনএআই-কে শর্টকাট বা অসদাচরণ হিসেবে দেখেছেন।
• Lim ও Bannert ঝুঁকিটি সুনির্দিষ্টভাবে দেখান: শিক্ষার্থীরা স্বেচ্ছায় একটি জেনএআই চ্যাটবট ব্যবহার করেছেন (73%) এবং প্রবন্ধে বেশি স্কোর করেছেন, কিন্তু তারা বোঝা ও সংশ্লেষণ অফলোড করেছে (চ্যাটবটকে "কেবল মূল ধারণাগুলো বের করো" বলে) এবং প্রায় কোনো পরিকল্পনা বা পর্যবেক্ষণে লিপ্ত হয়নি — মূল নিয়ন্ত্রক সিদ্ধান্তগুলো বাইরে দিয়ে দিয়েছে। এটি একটি উৎপাদন-ঘাটতি প্রতিফলিত করে: শিক্ষার্থীদের স্ব-নিয়ন্ত্রিত শিখনের জ্ঞান আছে কিন্তু স্বতঃস্ফূর্তভাবে তা প্রয়োগ করতে ব্যর্থ হয়, তাই জেনএআই সরঞ্জামের উচিত প্রতিফলনে উৎসাহিত করা (একটি পর্যবেক্ষণ-স্ক্যাফোল্ড) যখন কোয়েরি অফলোডিং নির্দেশ করে।
• Song প্রমুখ দেখান স্ব-নিয়ন্ত্রিত শিখন একইসঙ্গে একটি স্থিতিশীল যোগ্যতা ও একটি গতিশীল অবস্থা: ব্যক্তিগত ভিত্তিরেখা ধারাবাহিক, কিন্তু মেটাকগনিটিভ জ্ঞান ও সুস্থতা ও কল্যাণ একটি সেমিস্টার জুড়ে পদ্ধতিগতভাবে কমে, যা চালায় মূল্যায়নের সময়সীমা। তাঁরা দেখান জেনএআই প্রসঙ্গ-সচেতন শিখন-অংশীদার হতে পারে যখন তাকে ব্যক্তিগত, কালিক ও প্রাসঙ্গিক ডেটা দেওয়া হয় — শিক্ষার্থীর প্রচেষ্টা প্রতিস্থাপন না করে তাকে সমর্থন করে। এটি কেবল ভিত্তিরেখা-যোগ্যতার ওপর ভিত্তি করা "এককালীন-সবার-জন্য" ব্যক্তিকরণের বিরুদ্ধে যুক্তি দেয়।
• de Barba স্ব-নিয়ন্ত্রিত শিখনকে তাত্ত্বিকভাবে বিস্তৃত করেন, যুক্তি দিয়ে যে ক্ষেত্রটি সংকুচিত হয়েছে কাজ-কেন্দ্রিক নিয়ন্ত্রণে এবং শিক্ষা-প্রযুক্তিতে অনুকূলনযোগ্য আচরণগত প্রক্সিতে। গবেষণাপত্রটি শিক্ষার্থী-এজেন্সির একটি ক্রস-স্কেল বিবরণ প্রস্তাব করে — নিয়ন্ত্রণ (কাজের ভেতরে), সংহতি (সময় ও প্রসঙ্গ জুড়ে), এবং অবস্থান নির্ধারণ (শিখনকে ফ্রেম করা শর্তের সাপেক্ষে সমালোচনামূলকভাবে) — অ্যালগরিদমিক-মধ্যস্থ পরিবেশের নকশা-দিকনির্দেশনা হিসেবে।
• স্ব-নিয়ন্ত্রণ অফলোডিংয়ের ক্ষতি বাফার করে কিন্তু বাতিল করে না। Chen (2026) দেখান স্ব-নিয়ন্ত্রিত লেখন জেনএআই-সহায়ক লেখায় গভীর সংজ্ঞানাত্মক অফলোডিং ও স্বাধীন এআই-বিহীন ফলাফলের মধ্যকার নেতিবাচক সম্পর্ককে ক্ষীণ করে — কিন্তু দূর করে না: অফলোডিং-দ্বারা-স্ব-নিয়ন্ত্রণ মিথস্ক্রিয়া ধনাত্মক ছিল (B = 0.22), ক্ষতি −0.54 (নিম্ন স্ব-নিয়ন্ত্রণ) ঢাল থেকে −0.33 (উচ্চ স্ব-নিয়ন্ত্রণ)-এ চ্যাপ্টা করেছে, তবে বাতিল করেনি। সীমিত-সমর্থন শর্ত, যা অর্পণের সীমা ও বাধ্যতামূলক প্রতিফলন জোড়া দেয়, সবচেয়ে শক্তিশালী স্বাধীন কর্মক্ষমতা তৈরি করেছে — প্রমাণ যে মেটাকগনিটিভ নিয়ন্ত্রণ শিক্ষার্থীকে আংশিকভাবে রক্ষা করে, তবু জ্ঞানীয় কাজ নিজে অর্পণের সম্পূর্ণ ক্ষতিপূরণ দিতে পারে না।

Winne-এর মডেলে রেন্টাল কোথায় বসে। de Barba (2026) প্রক্রিয়াটিকে স্ব-নিয়ন্ত্রিত শিখনে ম্যাপ করেন এমন ক্রিয়াকলাপ হিসেবে যা ব্যবস্থা শিক্ষার্থীর জায়গায় সম্পাদন করে: লক্ষ করা, পর্যবেক্ষণ ও মূল্যায়নমূলক বিচার সরঞ্জাম চালায়, একটি অচলাবস্থা সমাধান হয় অনুসন্ধান দিয়ে, শিক্ষার্থীর নিজের If-Then, Else বাছাই দিয়ে নয়, এবং শিক্ষার্থী যে মানদণ্ডে বিচার করে তা ধার করা, গড়া নয়। যে সক্ষমতা শিক্ষার্থী মনে করে তার আছে কিন্তু সরঞ্জামের হাতে — লুকানো রেন্টাল — সেই ত্রুটি-সংকেত দমন করে যা নইলে নিয়ন্ত্রণ ডাকত, এবং দশটি প্রস্তাব ঠিক করে কী পরীক্ষা করতে হবে, যার মধ্যে ক্ষেত্র-অভ্যস্ততায় বড় খরচ ও মডেলের নিজস্ব প্রসঙ্গ-বিন্দুর দিকে মানদণ্ডের সরে যাওয়া।

সামষ্টিক পাঠ: স্ব-নিয়ন্ত্রিত শিখনই সমালোচনামূলক ও অসমালোচনামূলক এআই ব্যবহারের পার্থক্যকারী মূল প্রক্রিয়া। জেনএআই স্ক্যাফোল্ড, শর্টকাট, নাকি অংশীদার হিসেবে কাজ করবে, তা নির্ভর করে শিক্ষার্থীর নিয়ন্ত্রক সক্ষমতা এবং সরঞ্জাম যে নকশায় গড়া — যা দক্ষতা গড়ে তোলা নিয়ন্ত্রক দাবিগুলো সরিয়ে দেয় না, রক্ষা করে।

কোন সহায়তা খেলায় আছে তা-ই ঠিক করে কোন মধ্যস্থতাকারী সম্পর্কটি বহন করে: 3,003 চীনা প্রাক-সেবা শিক্ষকের মধ্যে অনুভূত এআই সরঞ্জাম-সমর্থন উদ্ভাবনী সক্ষমতার দিকে গেছে মূলত এআই স্ব-কার্যকারিতা দিয়ে (সেই পথের মোট প্রভাবের 60.88%), যেখানে অনুভূত বিদ্যালয়ভিত্তিক বুদ্ধিমান-পরিবেশ সমর্থন গেছে মূলত স্ব-নিয়ন্ত্রিত শিখন দিয়ে (29.64% বনাম 18.60%) (Liu প্রমুখ (2026))।

প্রভাব

• জার্নালিং/চ্যাটবট সরঞ্জামের জন্য: স্ব-নিয়ন্ত্রিত শিখনের নির্দেশনা (কোর্সভিত্তিক) সঙ্গে ঐচ্ছিক লেখন-সমর্থন মিলিয়ে প্রেরণা ও সম্পৃক্ততা — দুই লাভই নিন
• সরঞ্জাম-নকশাকারীদের জন্য: মূল্যায়নকে বাধ্যতামূলক ধাপ করুন, ঐচ্ছিক নয়। Iqbal প্রমুখ পেয়েছেন শিক্ষার্থীদের ব্যবহৃত পুনর্বিবেচনা-কৌশল নির্ধারণ করেছে উপলব্ধ সহায়তা, শিক্ষার্থীর মেটাকগনিটিভ বিচার নয়, এবং জেনএআই-এর স্কোর-লাভ আসেনি ভালো নিয়ন্ত্রণ থেকে, অথচ Melanou প্রমুখ পেয়েছেন প্রতিফলনমূলক ব্যবহার সমালোচনামূলক চিন্তার পূর্বাভাস দিয়েছে যেখানে কেবল সরঞ্জাম-প্রবেশাধিকার দেয়নি। যে মিথস্ক্রিয়া শিক্ষার্থীকে যাচাই, তুলনা ও নতুন কৌশল নিতে বলে, সেগুলোই শিখন-মূল্য বহন করে।
• প্রশিক্ষকদের জন্য: এআই-ভিত্তিক মেটাকগনিটিভ সচেতনতাকে প্রথম লিভার ধরুন এবং তা স্পষ্টভাবে যাচাই করুন। Alatoai ও Alshahri পেয়েছেন এটি অভিযোজিত STEM কর্মক্ষমতার শক্তিশালীতম পূর্বাভাসক (β = 0.38) এবং স্থানান্তর ও অভিযোজনক্ষমতা দ্বিতীয় (β = 0.29), তাই যে কার্যকলাপ শিক্ষার্থীকে ভুল পরীক্ষা করতে ও নতুন সমস্যা-প্রসঙ্গে কৌশল বহন করতে বলে, তা সমালোচনামূলক বা সৃজনশীল যুক্তির সাধারণ প্ররোচনার চেয়ে বেশি করে।
• এআই নীতির জন্য: সংগ্রহ-মানদণ্ডে জিজ্ঞাসা করা উচিত, সরঞ্জামটি স্ব-নিয়ন্ত্রণ গড়ে তোলে নাকি সরিয়ে দেয়
• গবেষকদের জন্য: স্ব-নিয়ন্ত্রিত শিখনের ফলাফল মাপা দীর্ঘমেয়াদি গবেষণা (কেবল তাৎক্ষণিক কর্মক্ষমতা নয়) অপরিহার্য; Melanou প্রমুখ সেই ধৈর্যের ফল দেখান, কারণ এক সেমিস্টারের প্রতিফলনমূলক ব্যবহার সমালোচনামূলক চিন্তা নড়িয়েছে (β = 0.43) জ্ঞানার্জন না নড়িয়েই।

কথোপকথন-এজেন্ট ও সিমুলেশন গেমে স্ব-নিয়ন্ত্রিত শিখন

• গেমে স্ব-নিয়ন্ত্রিত শিখন সমর্থনকারী কথোপকথন-এজেন্ট। Wenzel, Geiger ও Liening (2026) দেখান একটি ব্যবসায়িক সিমুলেশন গেমে এআই কথোপকথন-এজেন্ট (Lara) মেট্রিক-ভিত্তিক গঠনমূলক ফিডব্যাক, চাহিদামতো নির্দেশনা ও কাঠামোবদ্ধ প্রতিফলনের মধ্য দিয়ে স্ব-নিয়ন্ত্রিত শিখন সমর্থন করতে পারে — সিমুলেশন গেমের সাধারণ সীমাবদ্ধতা, সীমিত গঠনমূলক ফিডব্যাক ও প্রতিফলন-প্রম্পট, মোকাবিলা করে। শিক্ষক-শিক্ষার্থী ও BSG অংশগ্রহণকারীদের সঙ্গে মূল্যায়নে এজেন্টের জ্ঞানীয় ও সামাজিক উপস্থিতি এবং স্ব-নিয়ন্ত্রণে তার সমর্থন নিয়ে ইতিবাচক ধারণা পাওয়া গেছে।

স্বয়ংক্রিয় স্ব-নিয়ন্ত্রিত শিখন শনাক্তকরণ: কী স্থানান্তরিত হয়, কী হয় না

• এমবেডিং-ভিত্তিক স্ব-নিয়ন্ত্রিত শিখন শ্রেণিবিন্যাসক একটি ক্ষেত্রের ভেতরে ভাষা পেরোয়, ক্ষেত্রের মধ্যে নয়। 26 শিক্ষার্থীর (রসায়ন ও আনুষ্ঠানিক যুক্তি; Winne-and-Hadwin মডেলে কোডকৃত চিন্তা-উচ্চারণ প্রোটোকল) একটি গবেষণায় পাওয়া গেছে ইংরেজিতে প্রশিক্ষিত এমবেডিং-ভিত্তিক মডেল (text-embedding-3-small) জার্মান স্ব-নিয়ন্ত্রিত শিখন শ্রেণিবিন্যাস করে ~0.8 AUC-তে, ~0.1 অবনতি নিয়ে — enacting (~0.7) ছাড়া। ক্রস-ক্ষেত্র স্থানান্তর ব্যর্থ হয়: রসায়ন-থেকে-যুক্তি ~0.6-এ নামে, enacting সুযোগমাত্রায় (~0.5) — ক্ষেত্রের দেয়ালই বাঁধে, ভাষা নয়।
• তিনটি ব্যর্থতার ধরন ব্যাখ্যা করে স্থানান্তর কোথায় ভাঙে। (1) ধারণা-সমাধান দৈনন্দিন অর্থে, ক্ষেত্রীয় অর্থে নয় — "cancel" বনাম রসায়নের "kürzen" — enact শ্রেণিবিন্যাস ভাঙে। (2) মনুষ্যরূপারোপ — ভারী স্ক্যাফোল্ডযুক্ত টিউটরের সঙ্গে অপরিচিত জার্মান শিক্ষার্থীরা তাকে ব্যক্তি হিসেবে সম্বোধন করে, বিতরণের বাইরে utterance তৈরি করে; কম-স্ক্যাফোল্ড প্ল্যাটফর্মে স্থানান্তর ভালো ছিল। (3) সংকেত-পাঠ বনাম পরিকল্পনা-গঠনের অস্পষ্টতা — মডেল লগ-ডেটা ছাড়া মেটাকগনিটিভ সংকেত পড়া আর পরিকল্পনা করা আলাদা করতে পারে না। ভুল উপলব্ধি করা প্রতিটি শর্তে দৃঢ় — ভুল করছেন তা লক্ষ করা প্রসঙ্গ-স্বাধীন। সমাধান: ক্ষেত্রীয় পরিভাষার জন্য বিশেষজ্ঞ অভিধান বা ফাইন-টিউনিং; সংকেতের জন্য লগ ডেটা। (Large language models generalize SRL prediction to new languages within but not between domains)
• অগভীর সংকেত পাঠ্যক্রম-মানচিত্রায়নে নিয়ন্ত্রণকে অতিরিক্ত আরোপ করে। মূল্যায়ন-বর্ণনা পেয়ে GPT-o3-mini সময়সীমা বা সময়সূচির উল্লেখকে স্ব-নিয়ন্ত্রক দক্ষতার প্রমাণ হিসেবে পড়েছে; Self-Management এভাবে অতিরিক্ত শনাক্ত হয়েছে, বিশেষজ্ঞ-ভারোর সঙ্গে তার মিল 0.53 থেকে −0.03 (Jayalath প্রমুখ, 2026)।
• কাঠামোবদ্ধ প্রশ্ন-শৃঙ্খল প্রম্পটিংকে নিয়ন্ত্রণে বদলায়। 83 স্নাতক শিক্ষার্থীর একটি আধা-পরীক্ষায় উভয় প্রশ্ন-শৃঙ্খল শর্ত মুক্ত-রূপ প্রশ্নের চেয়ে বেশি শিখন-কৌশল ও পর্যবেক্ষণ আচরণ তৈরি করেছে (χ² = 6.551, p = .038) এবং মেটাকগনিটিভ সচেতনতা ও অর্জনে বেশি স্কোর করেছে (F = 3.406, p = .038; F = 3.807, p = .035), শৃঙ্খলের রূপ দুটির মধ্যে কোনো পার্থক্য ছাড়াই (Lin প্রমুখ, 2026)। ক্রমবিন্যাসই কাজটা করে।
• দল-স্তরের শনাক্তকরণ একই বিভাজন অনুসরণ করে, আর কথাই লগের চেয়ে বেশি বহন করে। C2STEM-এ একটি ট্রাকের গতি মডেল করা জোড়ায় 36 উচ্চবিদ্যালয় শিক্ষার্থীর 394টি কাজ-প্রসঙ্গ খণ্ড সাতটি সামাজিকভাবে-ভাগ-করা নিয়ন্ত্রণ কোডে লেবেল করা হয় এবং প্রতিটি খণ্ডের LLM সারসংক্ষেপ থেকে পূর্বাভাস দেওয়া হয়: কেবল-পাঠ্য এমবেডিং গড় AUC 0.650 পেয়েছে, অথচ কেবল লগ-উৎপন্ন বৈশিষ্ট্য 0.526 — একটি মূলত সামাজিক গঠনের জন্য সুযোগমাত্রার কাছাকাছি। পরিকল্পনা একক খণ্ডের ভেতরে অদৃশ্য ছিল (0.5036) এবং দুই পাশের দুই খণ্ড জোড়া দিলে শনাক্তযোগ্য হয় (0.6711), যেখানে প্রতিফলন সবচেয়ে ভালো ছিল লগ যোগ করার পর (0.5862) — একই সংকেত-পাঠ-বনাম-পরিকল্পনা অস্পষ্টতা যা এই বিভাগ ব্যক্তিগত শিক্ষার্থীদের জন্য নথিভুক্ত করে (Zhang প্রমুখ, 2026)।
• স্বয়ংক্রিয় স্ব-নিয়ন্ত্রিত শিখন লেবেল enacting-এ টেকে, পরিকল্পনায় ব্যর্থ হয়। চতুর্থ শ্রেণির একটি মিশ্র-বাস্তবতা বিজ্ঞান ক্লাসে দৃষ্টি, অঙ্গভঙ্গি, ভাষণ ও গেম-লগ মিলিয়ে একটি পাইপলাইন 75টি মানব-যাচাইকৃত খণ্ড লেবেল করেছে 74.67% সামগ্রিকভাবে, enacting ও interacting-এ 93.3% থেকে পরিকল্পনায় 46.7% পর্যন্ত নেমে (Fonteles প্রমুখ, 2026)।

সাধারণ ভুল ধারণা

• "স্ব-নিয়ন্ত্রণ একটি শিক্ষার্থী-বৈশিষ্ট্য।" নিয়ন্ত্রিত শিখন ভাঙলে পাওয়া যায় স্ব-প্রতিফলন, কারণগত আরোপণ ও অভিযোজন, এবং দক্ষ শিক্ষার্থীরা সাফল্য বাড়াতে জ্ঞানীয় কৌশল প্রয়োগ করে। এগুলো প্রশিক্ষণযোগ্য প্রক্রিয়া, যা একটি নকশা সমর্থনও করতে পারে, ক্ষুণ্ণও করতে পারে।
• "যেকোনো অভিযোজিত নকশা সমানভাবে নিয়ন্ত্রণ সমর্থন করে।" Scheu প্রমুখের 22 দিনে 179 শিক্ষার্থীর 2x2 এলোমেলো মাঠ পরীক্ষা দুটি নকশা-নীতি তুলনা করে পেয়েছে সেগুলো প্রক্রিয়ায় ভিন্ন, তাই "অভিযোজিত" কোনো একক চিকিৎসা নয়।
• "উদ্বেগ নিয়ন্ত্রণকে ক্ষুণ্ণ করে।" 107 শিক্ষার্থীর একটি মিশ্র-পদ্ধতি গবেষণায় উচ্চতর এআই উদ্বেগ যাচাই ও পুনঃপরীক্ষার সঙ্গে ধনাত্মকভাবে যুক্ত ছিল। উদ্বেগ কাজ করেছে যাচাইয়ের প্ররোচনা হিসেবে, যা নিয়ন্ত্রণ, তার অনুপস্থিতি নয়।
• যেখানে এআই ফিডব্যাক পারেনি, সেখানে মেটাকগনিটিভ স্ব-নিয়ন্ত্রণ শিখন-প্রাসঙ্গিক ভার পূর্বাভাস দিয়েছে। 234 শিক্ষার্থী ও 1,147 পর্যবেক্ষণের পাঁচ সপ্তাহের মাঠ গবেষণায় মেটাকগনিটিভ স্ব-নিয়ন্ত্রণ ছিল জার্মেইন জ্ঞানীয় ভারের যথেষ্ট ধনাত্মক পূর্বাভাসক (β = .363, p < .001 intention-to-treat; .346, p < .001 usage-based) এবং বহিরাগত ভার উল্লেখযোগ্যভাবে পূর্বাভাস দেয়নি — অথচ কথোপকথন-এআই ফিডব্যাকে কেবল প্রবেশাধিকার কোনোটিই পূর্বাভাস দেয়নি। কেবল ফিডব্যাকের সঙ্গে স্থায়ী সম্পৃক্ততা জার্মেইন ভারে শিক্ষার্থীদের আলাদা করেছে, অনিয়মিত ব্যবহার করেনি (β = −.219, p = .116), যা সক্রিয় উপাদানটিকে ফিডব্যাক-জোগানের বদলে শিক্ষার্থীর প্রক্রিয়াকরণ-নিয়ন্ত্রণে স্থাপন করে (Wenzel, Geiger ও Liening, 2026)।

সংযুক্ত ধারণা

• শিক্ষার্থী — শিক্ষার্থী: শিক্ষার্থী-পক্ষের ধারণাগুলোর ছাতা
• মেটাকগনিশন — যে জ্ঞানীয় পর্যবেক্ষণের ওপর স্ব-নিয়ন্ত্রিত শিখন নির্ভর করে
• স্ব-মূল্যায়ন
• স্ব-কার্যকারিতা — একটি পূর্বচিন্তা-ধাপের বিশ্বাস যা প্রচেষ্টা চালায়
• স্ক্যাফোল্ডিং — ক্রমবর্ধমান সমর্থন যা নিয়ন্ত্রক দাবি রক্ষা করে
• প্রতিক্রিয়া — যে ইনপুটকে ঘিরে শিক্ষার্থীরা নিয়ন্ত্রণ করে
• প্রতিক্রিয়া-সাক্ষরতা — ফিডব্যাকে কাজ করার সক্ষমতা
• সহায়তা-সন্ধান — একটি কৌশলগত স্ব-নিয়ন্ত্রিত শিখন আচরণ
• প্রেরণা — স্ব-নিয়ন্ত্রণের পারস্পরিক অংশীদার
• সংজ্ঞানাত্মক অফলোডিং — এআই নিয়ন্ত্রক কাজ সরালে যে ঝুঁকি
• উৎপাদক এআই — যে প্রযুক্তি স্ব-নিয়ন্ত্রিত শিখন স্ক্যাফোল্ড বা সংক্ষিপ্তপথে কাটতে পারে
• এআই সাক্ষরতা — এআই ব্যবহারে নিয়ন্ত্রক দক্ষতা
• স্বনির্দেশিত শিখন — বৃহত্তর স্বায়ত্তশাসন-গঠন
• শিক্ষার্থীর এজেন্সি — ইচ্ছা নিয়ে কাজ করার শিক্ষার্থীর সক্ষমতা, নিয়ন্ত্রণ, সংহতি ও অবস্থান নির্ধারণে কেন্দ্রীয়
• অভিযোজনশীল শিখন — ব্যক্তিকরণ যা নিয়ন্ত্রণ সমর্থন করতে পারে
• গঠনমূলক মূল্যায়ন — নিয়ন্ত্রণের জন্য ধারাবাহিক ফিডব্যাক
• শেখানোর মধ্য দিয়ে শেখা — স্ব-নিয়ন্ত্রণ গড়ে তোলা একটি কৌশল
• বুদ্ধিদীপ্ত টিউটরিং — যে ব্যবস্থা স্ব-নিয়ন্ত্রিত শিখন স্ক্যাফোল্ড করে
• বৃহৎ ভাষা মডেল (এলএলএম) — এআই সরঞ্জামের অন্তর্নিহিত মডেল
• পুনরুদ্ধার, স্পেসিং ও ইন্টারলিভিং — শিক্ষার্থীর করা সময়সূচি, স্ব-পরীক্ষা ও পড়ার-কৌশল বাছাই
• সংজ্ঞানাত্মক আত্মসমর্পণ

সংযুক্ত নিবন্ধ

• Generative AI dependency and perceived learning outcomes among university students: an indirect association involving effort regulation — জেনএআই নির্ভরতা ও অনুভূত শিখনফল: শ্রম-নিয়ন্ত্রণের পথ (Li, Zhang ও Yang 2026)

• Analyzing embodied learning in classroom settings: A human-in-the-loop AI approach for multimodal learning analytics — একটি দেহাবিষ্ট শ্রেণিকক্ষে LLM-বিভাজিত স্ব-নিয়ন্ত্রিত শিখনের প্রতি-শ্রেণি নির্ভুলতা (Fonteles প্রমুখ 2026)

• What the submission does not show: Complexifying cognitive offloading in students' mathematical work with LLMs — জমা যা দেখায় না: LLM দিয়ে শিক্ষার্থীদের গণিত-কাজে জ্ঞানীয় অফলোডিং জটিল করা (Kontorovich ও Wallach 2026)

• Leveraging GenAI models for Curriculum Analytics: A Human-Centered Approach for Curriculum Mapping in Higher Education — পাঠ্যক্রম-মানচিত্রায়নে অগভীর সংকেত থেকে স্ব-নিয়ন্ত্রণের মডেল-অতিরিক্ত আরোপ (Jayalath প্রমুখ 2026)

• AIGC affordance and student self-regulation in private undergraduate education: a serial mediation model — AIGC অ্যাফোর্ডেন্স ও শিক্ষার্থীর স্ব-নিয়ন্ত্রণ

• AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education — এআই-মিথস্ক্রিয়া সাক্ষরতা: চ্যাটবট চালাতে যে স্ব-নিয়ন্ত্রণ দরকার ছিল, যা সমর্থনের কথা ছিল (Brunnström ও Palmqvist 2026)

• The 5P Reflection Model for Education in the Generative Artificial Intelligence (GenAI) Era — জেনএআই যুগের জন্য 5P প্রতিফলন মডেল (Kadel প্রমুখ 2026)

• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — জেনএআই-সহায়ক লেখায় স্তর-সংবেদনশীল জ্ঞানীয় অফলোডিং (Chen 2026)

• Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education

• Learner Agency Across Scales: An Integrative Perspective on Self-Regulated Learning in Algorithmically Mediated Environments — স্কেল জুড়ে শিক্ষার্থী-এজেন্সি: নিয়ন্ত্রণ, সংহতি, অবস্থান নির্ধারণ

• The Rented Self: How AI-Enabled Tools Decouple Performance From Becoming — ভাড়া করা আত্ম: Winne-এর স্ব-নিয়ন্ত্রিত শিখন মডেলে রেন্টাল, দশটি প্রস্তাব ও শিক্ষার্থী-অভ্যন্তরীণ সূচক

• GenAI as a Learning Partner: Supporting Self-Regulated Learning Over Time Without Replacing Effort — সময়ের সঙ্গে প্রসঙ্গ-সচেতন শিখন-অংশীদার হিসেবে জেনএআই

• How Do Students Regulate Their Learning With a GenAI Chatbot? — শিক্ষার্থীরা জেনএআই চ্যাটবট দিয়ে শিখন কীভাবে নিয়ন্ত্রণ করে

• Scaffold or Shortcut? Postgraduate IT Students' Use of Generative AI and Self-Regulated Learning — স্ক্যাফোল্ড নাকি শর্টকাট? স্ব-নিয়ন্ত্রিত শিখনে জেনএআই-এর দ্বৈত ভূমিকা

• Efficiency vs. Effectiveness: Self-Regulated Learning with LLM-Mediated Help-Seeking — STEM-এ LLM-মধ্যস্থ সহায়তা-চাওয়া: স্তরযুক্ত, যন্ত্রগত ও যাচাইকৃত

• Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task

• Fostering self-regulated learning through adaptive learning technology: A differentiated perspective on the role of feedback

• A systematic mapping review at the intersection of artificial intelligence and self-regulated learning

• Supporting self-regulated learning through generative AI feedback in online higher education: the importance of student perceptions of the source of feedback — জেনএআই ফিডব্যাক ও স্ব-নিয়ন্ত্রিত শিখন: অনুভূত উৎস গুরুত্বপূর্ণ

• From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource — এআই উদ্বেগ থেকে কৌশলগত নিয়ন্ত্রণে

• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — জেনএআই দিয়ে মেটাকগনিশন/স্ব-নিয়ন্ত্রণে মিশ্র প্রমাণ

• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — এজেন্টিক এআই ও স্ব-নিয়ন্ত্রণের টানাপোড়েন

• Decreasing Digital Distraction in College Students: Associated Online Learning Strategies Identified by Unsupervised — অনলাইন শিখনে স্ব-নিয়ন্ত্রিত শিখন ও কম ডিজিটাল বিভ্রান্তি (Shi প্রমুখ 2026)

• Making machine learning findings accessible to teachers in blended classrooms — মিশ্র শ্রেণিকক্ষে শিক্ষকদের কাছে মেশিন-লার্নিং ফল পৌঁছে দেওয়া

• SCAN: A Decision-Making Framework for Task Assignment with Generative AI — SCAN: কাজ শনাক্তকরণ, যৌক্তিকতা ও কাজ-পরবর্তী প্রতিফলনের শিক্ষার্থী-মুখী চক্র

• Using Learning Analytics to Support Secondary School Students' Writing with Generative AI — লার্নিং অ্যানালিটিক্স দিয়ে জেনএআই-সহায়ক মাধ্যমিক শিক্ষার্থীদের লেখালেখি সমর্থন

• Exploring the Impact of AI-Based Learning Environments on Student Self-Regulation and Adaptive STEM Learning — অভিযোজিত STEM শিখনে এআই-সমর্থিত স্ব-নিয়ন্ত্রণের একটি বৈধকৃত যন্ত্র, শক্তিশালীতম পূর্বাভাসক হিসেবে মেটাকগনিটিভ সচেতনতা নিয়ে

• Human or GenAI Support? Conditions Impacting Students' Strategy Choices in an Essay Revision Task — প্রবন্ধ-পুনর্বিবেচনা পরীক্ষায় পুনর্বিবেচনা-কৌশল বেছে নেওয়া চালিয়েছে সহায়তার শর্ত, মেটাকগনিটিভ বিচার নয়

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — অনুদৈর্ঘ্য: প্রতিফলনমূলক এআই ব্যবহার সমালোচনামূলক চিন্তার পূর্বাভাস দিয়েছে, জ্ঞানার্জনের নয়, Matthew প্রভাব ছাড়াই

• GenAI literacy and GenAI-assisted self-regulated learning behaviors: the roles of learning agency and challenge emotions — জেনএআই সাক্ষরতা মূলত শিখন-এজেন্সি দিয়ে স্ব-নিয়ন্ত্রিত শিখন আচরণের সঙ্গে যুক্ত

• Pre-Service Teachers' Perceptions of AI Technological Support and School-Based Intelligent Environment Support: Model-Based Indirect Associations with Innovative Competence via AI Self-Efficacy and Self-Regulated Learning — সমর্থনের ধরন মধ্যস্থতাকারীকে উল্টে দেয়: এআই স্ব-দক্ষতা বনাম স্ব-নিয়ন্ত্রিত শিখন

• GenAI Use and GenAI-Assisted Learning Procrastination in University Students: The Roles of Planned Behavior Constructs and Learning GenAI Anxiety — জেনএআই-সহায়ক শিখন-গড়িমসি: উদ্বেগ যে উদ্দেশ্য-আচরণের ফাঁক শক্তিশালী করে

• Generative artificial intelligence-supported self-regulated learning (GenAI-SRL) in L2 writing: scale development, validation, and short-form construction — দ্বিতীয়-ভাষা লেখালেখির জন্য বৈধকৃত ছয়-মাত্রার জেনএআই-স্ব-নিয়ন্ত্রণ স্কেল, নিজস্ব মাত্রা হিসেবে পরিবেশগত নিয়ন্ত্রণ ও 12-আইটেম পিঁপড়ে-উপনিবেশ-অনুকূলিত সংক্ষিপ্ত রূপ

• Large language models generalize SRL prediction to new languages within but not between domains — বৃহৎ ভাষা-মডেল স্ব-নিয়ন্ত্রিত শিখন পূর্বাভাস নতুন ভাষায় সাধারণীকরণ করে ক্ষেত্রের ভেতরে, ক্ষেত্রের মধ্যে নয় (Borchers প্রমুখ 2025)

• A Project-Based Hybrid Learning Model Using Artificial Intelligence to Enhance Students' Self-Regulated Learning — শিক্ষার্থীদের স্ব-নিয়ন্ত্রিত শিখন বাড়াতে কৃত্রিম বুদ্ধিমত্তা ব্যবহারকারী একটি প্রকল্পভিত্তিক মিশ্র শিখন মডেল

• AI teaching assistants in online discussion forums and peer-supported self-regulated learning — প্রথম উত্তরদাতা হিসেবে একটি এআই টিএ সমকক্ষ-উত্তর স্থানচ্যুত করেছে, আর তার সঙ্গে সেই সহ-নিয়ন্ত্রণ যা স্ব-নিয়ন্ত্রণের গ্রেড-মূল্য বাড়াত (Davis প্রমুখ 2026)

• GenAI-based metacognitive prompting in collaborative inquiry: A comparison across diverse preconception groups — পূর্বধারণার বৈচিত্র্য বদলে দিয়েছে মেটাকগনিটিভ প্রম্পট কীভাবে অবতীর্ণ হয়: একই প্রম্পট-কার্যকারিতা, এআই আউটপুটের বিপরীত স্থায়ী মূল্যায়ন (Wang প্রমুখ 2026)