শিক্ষার্থী-এআই মিথস্ক্রিয়া

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

শিক্ষার্থী-এআই মিথস্ক্রিয়া — শিক্ষার্থীরা জেনারেটিভ এআই ব্যবস্থার সঙ্গে শেখা ও সমস্যা সমাধানের সময় কীভাবে যুক্ত হয় তার ধরন, প্রক্রিয়া ও জ্ঞানসংক্রান্ত শ্রম। এখানে গবেষণা চিহ্নিত করে শিক্ষার্থীরা এআই-এর কাছে কী চায়, প্রম্পট ও সংলাপ কীভাবে বিবর্তিত হয়, এবং মিথস্ক্রিয়ার গুণমান কীভাবে শেখার ফলাফল, সংজ্ঞানাত্মক অফলোডিং ও শিক্ষার্থীর এজেন্সি-এর সঙ্গে সম্পর্কিত।

বিবেচনার প্রশ্ন

• আপনি (বা কোনো শিক্ষার্থী) এআই-কে শেষ কয়েকটি প্রম্পট লিখেছেন, তা ভাবুন। সেগুলোর বেশিরভাগকে আপনি উত্তর চাওয়া বলবেন, নাকি এআই-কে ব্যাখ্যা করতে, খুঁজে দেখতে বা মূল্যায়ন করতে বলার মতো বলবেন? সেই ধরনটি শেখার কী করে বলে আপনি সন্দেহ করেন?
• গবেষণা দেখে, অল্প কিছু প্রশ্ন-ধরনই অধিকাংশ শিক্ষার্থী-অনুসন্ধানের জন্য দায়ী, এবং কাজ এগোনোর সঙ্গে প্রশ্নগুলো বদলায়। শিক্ষার্থীদের প্রশ্ন কেন সংকুচিত হয় বলে আপনি মনে করেন, এবং তা যন্ত্রটি তারা কীভাবে ব্যবহার করছে সে সম্পর্কে কী বলে?
• পৃষ্ঠাটি দাবি করে অগভীর, উত্তর-খোঁজা প্রম্পট কম শেখা ও অতিরিক্ত নির্ভরতার সঙ্গে যুক্ত, অথচ প্রতিফলনমূলক, যাচাই-কেন্দ্রিক মিথস্ক্রিয়া বোধগম্যতাকে সমর্থন করে। 'ভালো' প্রম্পটকে 'খারাপ' প্রম্পট থেকে কী আলাদা করে বলে আপনি মনে করেন — এবং তা কি শিক্ষার্থীর দায়, নাকি যন্ত্রের নকশার?
• মিথস্ক্রিয়ার গুণমান যদি শিক্ষার্থীর স্থায়ী বৈশিষ্ট্য না হয়ে কাজের প্রসঙ্গ ও স্ক্যাফোল্ডিং দ্বারা গড়ে ওঠে, তবে একটি কোর্স বা যন্ত্র কীভাবে পুনর্নকশা করা যায় যাতে তা আরও বিস্তৃত, আরও ফলপ্রসূ অনুসন্ধানকে আমন্ত্রণ জানায়?
• শিক্ষার্থীর সাবলীল এআই-সংলাপ প্রকৃত শেখা প্রতিফলিত করে, নাকি কেবল দক্ষ প্রতিনিধিত্ব — তা আপনি কীভাবে জানবেন, এবং জানতে কী যাচাই করবেন?

ভূমিকা

শিক্ষার্থী-এআই মিথস্ক্রিয়া হলো জেনারেটিভ এআই-এর সঙ্গে শিক্ষার্থীদের সম্পৃক্ততার দৃশ্যমান পৃষ্ঠতল — তারা যে প্রশ্ন করে, যে প্রম্পট লেখে, এআই-আউটপুট যেভাবে দর-কষাকষি ও যাচাই করে, এবং সেই ধরনগুলো কাজের স্তর ও সময়জুড়ে কীভাবে বদলায়। এটি শিক্ষার্থী-অভিজ্ঞতা, প্রম্পট প্রকৌশল ও লার্নিং অ্যানালিটিক্স-এর ছেদবিন্দুতে বসে, এবং শিক্ষায় এআই-ব্যবহার প্রকৃত শেখা নাকি অতিরিক্ত নির্ভরতা তা নিয়ে বিতর্কের কেন্দ্রে। যেখানে মানব-এআই সহযোগিতা মানুষ ও মডেলের মধ্যে জ্ঞানসংক্রান্ত শ্রমের উচ্চ-স্তরের বিভাজন ফ্রেম করে, সেখানে শিক্ষার্থী-এআই মিথস্ক্রিয়া সেই সম্পর্কের সুনির্দিষ্ট, পরিমাপযোগ্য রূপায়ণ — শিক্ষার্থীরা মুহূর্তে মুহূর্তে যে নির্দিষ্ট অনুসন্ধান, প্রম্পট ও দর-কষাকষির চাল দেয়।

শিক্ষার্থীরা এআই-কে কী জিজ্ঞাসা করে

• ব্যবহার না করা একটি মিথস্ক্রিয়া-বিন্যাস, ব্যবহারের অনুপস্থিতি নয়। Silverdal, Hermansson ও Lindgren (2026) তিনজন উচ্চ-মাধ্যমিক শিক্ষার্থীর একই কাফকা-অনুপ্রাণিত গল্প GenAI দিয়ে লেখার রেকর্ডিং করেন এবং রেকর্ডিং থেকে তিনটি আলাদা সমাবেশ চিহ্নিত করেন: মডেলের কাছে হস্তান্তরিত লেখকত্ব, পারস্পরিক সমালোচনামূলক সহ-লেখন, এবং স্পষ্ট "এআই আর আমি — না, ধন্যবাদ" বিন্যাস, যেখানে শিক্ষার্থী যন্ত্র থেকে দূরে সরে নিজের লেখার চর্চা পুনর্গঠন করে। এই পৃষ্ঠার জন্য ফল হলো, একই অ্যাসাইনমেন্ট, ঘর ও যন্ত্র তিনটিই তৈরি করে, এবং তাদের মধ্যে যা আলাদা করে তার অনেকটাই প্রম্পটের মধ্যবর্তী মুহূর্তগুলোতে বসে — বিরতি, পুনর্গঠন, পরামর্শ গ্রহণের আগে দ্বিধা — যা কেবল চ্যাট লগ ধরতে পারে না। গবেষণার একটি মূল শাখা শিক্ষার্থী-অনুসন্ধানের ধরন ও গুণমান মাপে। গবেষণাগুলো প্রশ্ন-ধরনের শ্রেণিবিন্যাস প্রয়োগ করে — যেমন Graesser প্রমুখের 18-ধরনের শ্রেণিবিন্যাস — শিক্ষার্থী-এআই মিথস্ক্রিয়া শ্রেণিবদ্ধ করতে, প্রায়ই অল্প-উদাহরণ শ্রেণিবিন্যাসক ব্যবহার করে শত শত বা হাজার হাজার মিথস্ক্রিয়াজুড়ে বিশ্লেষণ ছড়াতে। ফল দেখায়, অল্প কিছু প্রশ্ন-ধরনই অধিকাংশ শিক্ষার্থী-অনুসন্ধানের জন্য দায়ী, এবং শিক্ষার্থীরা যে প্রশ্ন করে তা কাজ এগোনোর সঙ্গে উল্লেখযোগ্যভাবে বদলায় (যেমন Analysis of Types of Inquiries in Student-AI Interaction: A case study of two CS2 tasks)। এই কাজ-নির্ভরতা গুরুত্বপূর্ণ: মিথস্ক্রিয়ার গুণমান শিক্ষার্থীর স্থায়ী বৈশিষ্ট্য নয়, বরং সমস্যা-প্রসঙ্গ, স্ক্যাফোল্ডিং এবং এআই-যন্ত্রের সম্ভাব্যতা দ্বারা গড়ে ওঠে। সবচেয়ে কম বয়সে, Vahedian Movahed ও Martin (2025) দেখেন শিশুরা (6–14 বছর) সক্রিয়ভাবে চ্যাটবটের বিশ্বাসযোগ্যতা পরীক্ষা করে জানা-উত্তরযুক্ত প্রশ্ন করে (যেমন "একটি t rex কত বড়") — জ্ঞানতাত্ত্বিক আত্ম-এজেন্সির প্রকাশ — অথচ সাধারণ শিশু কেবল 1–3টি প্রশ্ন করে এবং এক অসাধারণ প্রথম-শ্রেণির শিক্ষার্থী 21টি করে, যা দেখায় বিকাশগত ও ব্যক্তিগত বৈচিত্র্য শিক্ষার্থীর প্রশ্ন গড়ে তোলে।

শ্রেণিবিন্যাসগুলো নিজেরাই এখনও একমত নয়: 33টি গবেষণার 46টি শ্রেণিবিন্যাসজুড়ে একই রকম লেবেল ভিন্ন ঘটনাকে নাম দেয়, তাই পর্যালোচনাটি মিথস্ক্রিয়া-পর্ব — একটি লক্ষ্যনির্দেশিত, সময়সীমাবদ্ধ বিনিময় — একক হিসেবে প্রস্তাব করে, যা জ্ঞান-অর্জন, মূল্যায়নমূলক প্রতিক্রিয়া, কৌশলগত পথনির্দেশ, সংলাপমূলক অনুসন্ধান, নির্মাণ-পরিমার্জন ও সহ-নিয়ন্ত্রণ জুড়ে বিস্তৃত (Borchers, Jansen ও Weidlich (2026))।

এই শ্রেণিবিন্যাস-গবেষণাগুলোর পরিপূরক হিসেবে, Yan প্রমুখ (2026) শিক্ষার্থী-অনুসন্ধানের সংলাপ-আকার চিহ্নিত করেন। অনিয়ন্ত্রিত যুক্তিমূলক প্রবন্ধ সম্পন্নকারী 38 স্নাতক শিক্ষার্থীর মধ্যে 76.32% একক-পালার জিজ্ঞাসা–উত্তর-নাও–থামো ধরন ব্যবহার করেন — সাধারণত নিজের চাহিদা উল্লেখ না করে মূল্যায়নের শিরোনাম পেস্ট করা এবং অসন্তুষ্ট হলে হুবহু একই প্রম্পট আবার জমা দেওয়া — এবং 78.94% GenAI-কে স্পর্শ করেন কেবল কাজের শুরুতে (ধারণা, প্রেক্ষাপট) বা শেষে (পালিশ, দৈর্ঘ্য), পাঠ ও স্বাধীন লেখা থেকে তাকে আলাদা রাখেন; কেবল 23.68% অনুসৃত প্রশ্ন ও নিজের যুক্তিসহ পুনরাবৃত্তিমূলক পালা-বদল সংলাপ চালিয়ে যান। লেখকেরা এই ধরনগুলোকে জ্ঞানসংক্রান্ত আউটসোর্সিং থেকে জ্ঞানসংক্রান্ত পুনর্বণ্টন পর্যন্ত একটি বর্ণালিতে রাখেন — শেখার পৃষ্ঠতল বনাম গভীর পন্থার GenAI-যুগের সদৃশ — এবং লক্ষ করেন বেশিরভাগ শিক্ষার্থী যন্ত্রটিকে উন্নততর সার্চ ইঞ্জিন ভেবেছিল, যা তাদের আউটসোর্সিং প্রান্তে সীমাবদ্ধ রেখেছিল।

এই ধরনগুলোকে জ্ঞানতাত্ত্বিক কাজ হিসেবে পুনঃফ্রেম করে, 200টি সহ-প্রোগ্রামিং চ্যাট অধিবেশনের বিশ্লেষণে দেখা যায় শিক্ষার্থী–GenAI মিথস্ক্রিয়ার 78.8% আউটসোর্সিং বা যাচাই-খোঁজার মতো অ-দক্ষতা-লক্ষ্য ও কৌশলে চলেছে, এবং কেবল 11.1% দক্ষতা-লক্ষ্যকে জ্ঞানতাত্ত্বিক ন্যায্যতার সঙ্গে জুড়েছে (Wu (2026))।

50টি নমুনা বিনিময় কোডিং একই আচরণের ত্রিমুখী শ্রেণিবিন্যাস দেয়: Zahra (2026) 46% Passive Review হিসেবে শ্রেণিবদ্ধ করেন, যেখানে মডেল ওরাকলের মতো কাজ করে ও আউটপুট সামান্য পরীক্ষা নিয়েই মেনে নেওয়া হয়, 18% Direct Question, এবং 36% Strategic Dialogue, এবং বণ্টনটির সঙ্গে একটি সীমাবদ্ধতা-প্রথম নকশা-যুক্তি জুড়ে দেন (কোডারদের মধ্যে kappa = .48)। 211 কম্পিউটিং শিক্ষার্থীর সাত-অ্যাসাইনমেন্ট জরিপ উল্টো দিক থেকে একই সিদ্ধান্তে পৌঁছায়: Nizamani প্রমুখ (2026) LLM-গ্রহণ মাপেন অ্যালগরিদমে 89.6% থেকে সফটওয়্যার ইঞ্জিনিয়ারিংয়ে 15.2%, এবং বিস্তারটিকে উপক্ষেত্রের বদলে অ্যাসাইনমেন্টের জটিলতা, যাচাইযোগ্যতা ও স্ক্যাফোল্ডিংয়ের জন্য আরোপ করেন।

মিথস্ক্রিয়ার গুণমান ও শেখা

একটি পরিপূরক শাখা মিথস্ক্রিয়ার আকার-কে শেখার সঙ্গে যুক্ত করে। অগভীর বা অভ্যাসগতভাবে সংকীর্ণ প্রম্পট (এআই-কে ব্যাখ্যা, অনুসন্ধান বা মূল্যায়ন করতে বলার বদলে উত্তর তৈরি করতে বলা) কম শেখা ও বেশি অতিরিক্ত নির্ভরতার সঙ্গে যুক্ত, অথচ প্রতিফলনমূলক, যাচাই-কেন্দ্রিক মিথস্ক্রিয়া মেটাকগনিশন ও টেকসই বোধগম্যতাকে সমর্থন করে। এটি শিক্ষার্থী-এআই মিথস্ক্রিয়াকে সরাসরি বুদ্ধিদীপ্ত টিউটরিং নকশার সঙ্গে যুক্ত করে: ব্যবস্থা এমনভাবে গড়া যায় যাতে তা আরও বিস্তৃত, আরও ফলপ্রসূ অনুসন্ধান আমন্ত্রণ জানায় এবং কেবল উত্তর দেওয়ার বদলে প্রশ্ন-করা স্ক্যাফোল্ড করে। মিথস্ক্রিয়াকে উত্তর-খোঁজা প্রম্পট দিয়েই চলতে হবে না — যখন এআই শিক্ষার্থীদের নিজের কাজের সমালোচনা করে, বিনিময়টি প্রতিফলনমূলক, যাচাই-কেন্দ্রিক সংলাপে পরিণত হয়: Oppenheimer, Cash ও Connell Pensky (2025)-এ, বৃহৎ ভাষা মডেল (এলএলএম)-এর প্রবন্ধ-প্রতিক্রিয়া-এ শিক্ষার্থীদের প্রতিক্রিয়ায় 92.7%-এ প্রতিফলন, 93.6%-এ গ্রহণ এবং 87.8%-এ LLM-এর দাবির সক্রিয় খণ্ডন দেখা যায় (আন্তঃ-রেটার κs = 0.81–0.89), এবং প্রতিক্রিয়ার গুণমানে তাদের সাড়া পুনরাবৃত্তিজুড়ে শেখার-যোগ্য দক্ষতা হিসেবে উন্নত হয়। মিথস্ক্রিয়ার প্রতিফলনমূলক দিকটি সরাসরি প্রম্পটিং দিয়েও চলতে হবে না — CoBi-তে শিক্ষার্থীরা নিজেদের সহযোগিতামূলক কথার শ্রেণিকক্ষ-স্তরের এআই ভিজ্যুয়ালাইজেশনে যুক্ত হয় এবং এআই-এর শ্রেণিবিন্যাস কখন ভুল মনে হয় তা নিয়ে চিন্তা করে, আপাত-ভুল শ্রেণিবিন্যাসকে এআই-এর সক্ষমতা ও সীমা সম্পর্কে নিজেদের বোধগম্যতা ক্রমাঙ্কনের সুযোগে পরিণত করে (বিশ্বাস ক্রমাঙ্কন), কেবল তার আউটপুট মেনে নেওয়ার বদলে। তবে মিথস্ক্রিয়ার আকার ও শেখার সম্পর্কের একটি সীমা আছে: Page (2026) কথোপকথনমূলক পুনরাবৃত্তিকে জ্ঞানসংক্রান্ত পুনরাবৃত্তি থেকে আলাদা করেন এই যুক্তিতে যে শিক্ষার্থী বহু পালাজুড়ে একটি আউটপুট পরিমার্জন করতে পারে অথচ তার পেছনের মানসিক মডেল অপরিবর্তিত থাকে, তাই শেখার প্রমাণ হলো শিক্ষার্থীর জ্ঞানসংক্রান্ত অবস্থানের পরিবর্তন, বিনিময়ের দৈর্ঘ্য বা সাবলীলতা নয় — পালা-সংখ্যা সম্পৃক্ততার গভীরতার প্রতিনিধি নয়।

মিথস্ক্রিয়াই পথ নির্ধারণ করে, যন্ত্র নয়: প্রায় 1,000 উচ্চ-বিদ্যালয় গণিত শিক্ষার্থীর একটি ক্ষেত্র-পরীক্ষায়, অনিয়ন্ত্রিত GPT-4 অনুশীলন-স্কোর 48% বাড়ায় কিন্তু সহায়তাহীন পরীক্ষা-স্কোর 17% কমায়, অথচ শিক্ষক-নকশা করা সংকেতেই সীমাবদ্ধ একই মডেল অনুশীলন 127% বাড়ায় ও ঘাটতিটি অনেকাংশে মিটিয়ে দেয় (Lee, 2026)।

শিক্ষার্থীরা কার্যকরভাবে প্রম্পট করেছে কি না — কতটা করেছে তা নয় — সাফল্যের সঙ্গে মিলেছিল: 128 প্রকৌশল শিক্ষার্থীজুড়ে AI Query Efficiency ও AI-Driven Problem-Solving একাডেমিক পারফরম্যান্সের সবচেয়ে শক্তিশালী পূর্বসূচক ছিল, এবং GPA নিয়ন্ত্রণ করার পরেও উল্লেখযোগ্য থেকেছে (Isaza Dominguez প্রমুখ (2026))।

আচরণগত প্রসঙ্গ প্রশ্নটির থেকে আলাদা সংকেত: TutorTrace-এর চারটি মোতায়েনে (480 শিক্ষার্থী, ~180,000 IDE ইভেন্ট), শিক্ষার্থীর সাম্প্রতিক আচরণ-অবস্থার উপর সহায়তা শর্তসাপেক্ষ করলে স্বাধীন কাজ ছাড়া প্রশ্নের মধ্যবর্তী বিরতি 50.0% থেকে 20.7%-এ নামে, এবং আসন্ন প্রশ্ন কেবল আচরণ থেকেই পূর্বাভাসযোগ্য ছিল (AUROC = .726) (Barron প্রমুখ (2026))।

ঘনত্ব প্রক্রিয়া নয়: শিক্ষার্থীদের ভয়েস ও টেক্সটের মধ্যে পালা বদলালে প্রতি মিনিটে সংলাপ-পালা প্রায় দ্বিগুণ হয় (1.34 বনাম 0.75) কিন্তু সাপ্তাহিক দক্ষতা বদলায় না, এবং লেখকেরা টাইপ করা চ্যানেলের প্রথম কী-স্ট্রোকের আগে মধ্যক 26 সেকেন্ডের চিন্তাকে এনকোডিংয়ের কাজ হিসেবে পড়েন (Yang, Van Alstyne ও Dellarocas (2026))।

একটি যাচাই-চক্র তবু অগভীর থাকতে পারে: একটি স্নাতক ডেটাবেস কোর্সে চার-সপ্তাহের LLM-এজেন্ট মোতায়েনের বিলম্ব-ক্রমিক বিশ্লেষণ একটি উল্লেখযোগ্য Query–Evaluation–Query চক্র খুঁজে পায়, তবু নিম্ন-ক্রম অবস্থার মধ্যে শক্তিশালী স্ব-স্থানান্তর লুপ এবং কেবল 3.92% মিথস্ক্রিয়া উচ্চ-ক্রম জ্ঞানে পৌঁছায় (Li প্রমুখ (2026))।

Bernstein ও Sibia (2026) CS2 শিক্ষার্থীরা GenAI ব্যাখ্যা কীভাবে সামলায় তা নিয়ে একটি পুনরাবৃত্ত-ফিল্টার ধরন নথিভুক্ত করেন (Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education): তারা বক্তৃতা-নোটের বিপরীতে আড়াআড়ি যাচাই করে, উৎস দাবি করে ("একটা না থাকলে আমি অনেক বেশি সন্দিহান হতাম..."), এবং একবারের গ্রহণ-বা-প্রত্যাখ্যান বিচার না দিয়ে অসঙ্গতি খুঁজতে অনুসৃত প্রশ্ন করে। শিক্ষার্থীরা ব্যাখ্যাগুলো কার জ্ঞান ও পটভূমি ধরে নেওয়া হয়েছে তাও পড়ে — সিলেবাসের বাইরের অনুমিত পূর্বজ্ঞান, খেলা ও গেমিংয়ের পূর্বনির্ধারিত উল্লেখ ("কম্পিউটিংয়ের পুরুষ-প্রধান দিকটি"), এবং অতিরিক্ত পুনরাবৃত্তি — সবই কল্পিত পাঠক সম্পর্কে সংকেত হিসেবে কাজ করে, আর অতিরিক্ত স্ক্যাফোল্ডিং নিছক অদক্ষ নয়, তুচ্ছজ্ঞানমূলকও পড়া হয়।

কাজের সঠিক বিন্দুতে এআই-এর পরামর্শ নেওয়া ব্যক্তিগত প্রম্পটের শব্দচয়নের মতোই গুরুত্বপূর্ণ: একই গবেষণায়, Yan প্রমুখ (2026) দেখেন পুনর্বণ্টন-কেন্দ্রিক সংখ্যালঘুরা স্বাধীন কাজ ও GenAI-পরামর্শ পালাবদল করে এবং মোট শ্রম অপরিবর্তিত রিপোর্ট করেন কিন্তু কেন্দ্রবিন্দু সরে যায় — সম্পদ অনুসন্ধান থেকে যুক্তিমূলক গুণমান ও ভারসাম্য যাচাইয়ের দিকে যায়, এবং অগভীর ধারণ প্রতিরোধে অধিবেশনের পরে প্রতিফলন-নোট লেখেন — অথচ দক্ষতা-লক্ষ্যযুক্ত কিন্তু দুর্বল এআই-সাক্ষরতার শিক্ষার্থীরা "দক্ষতার কূটাভাসে" পড়েন, যেখানে আউটসোর্সিং ঘটে "ইচ্ছায় নয়, ডিফল্টে"।

মিথস্ক্রিয়া থেকে শিক্ষাদানপদ্ধতি

শিক্ষার্থী-এআই মিথস্ক্রিয়া চিহ্নিত করা লার্নিং ডিজাইন-কে পথ দেখায়: প্রশিক্ষকরা লক্ষ করতে পারেন কখন শিক্ষার্থীদের প্রশ্ন-ধরন সংকীর্ণ বা অগভীর, এবং এমন হস্তক্ষেপ নকশা করতে পারেন যা অনুসন্ধান বিস্তৃত করে; শিক্ষাদান সরে যায় শিক্ষার্থীদের এআই-এর সঙ্গে ফলপ্রসূভাবে যুক্ত হওয়ার কোচিংয়ের দিকে। এটি এআই সাক্ষরতা পাঠ্যক্রমকেও ভিত্তি দেয়, যা কার্যকর প্রম্পটিং ও যাচাইকে সহজাত ক্ষমতা নয়, শেখার-যোগ্য দক্ষতা হিসেবে দেখে।

নকশার লিভার সেই ডিফল্ট বদলাতে পারে: প্রায় 70 শিক্ষার্থীর একটি অ্যাসিনক্রোনাস পদার্থবিজ্ঞান কোর্সে গ্রেডযোগ্য নির্মাণ ছিল উত্তরের বদলে সংলাপ-প্রতিলিপি, তবু অনেক শিক্ষার্থী মডেলের সক্রেটিক অনুসৃত প্রশ্নের উত্তর না দিয়ে দীর্ঘ প্রশ্ন-তালিকাই করে — যে ব্যর্থতা-ধরন ধরার জন্যই মানদণ্ডগুলো লেখা হয়েছিল (Rodriguez ও Wulff (2026))।

শিক্ষক-লিখিত প্রম্পট এমনই একটি লিভার, কিন্তু কার্যকর কঠোরতা লক্ষ্যের পিছিয়ে থাকে: 1,479 কথোপকথনজুড়ে 38% শিক্ষকের অভীষ্ট Depth-of-Knowledge স্তরে পৌঁছায়নি, DOK 3-এ যা প্রায় 50%-এ দাঁড়ায়, অথচ স্পষ্ট সমাপ্তি-রেখা সেই ফাঁক 0.22 স্তর সংকুচিত করে এবং "সরাসরি উত্তর নয়" গার্ডরেল এআই-এর চূড়ান্ত-উত্তর হার 8.5 শতাংশ-বিন্দু কমায় (Liu প্রমুখ (2026))।

ব্যবহার না করাও একটি মিথস্ক্রিয়া-ধরন যা শিক্ষাবিজ্ঞান ও শিক্ষাদান-কৌশল-কে পরিকল্পনায় ধরতে হয়। Zou প্রমুখ (2026), তিনটি কোর্সে 85 শিক্ষক-প্রশিক্ষণার্থী অধ্যয়ন করেন যেখানে মূল্যায়ন-এ GenAI-ব্যবহার স্পষ্টভাবে অনুমোদিত ছিল, এবং দেখেন 62.4% (85-এর মধ্যে 53) আদৌ ব্যবহার করতে অস্বীকার করেন, যা তুলনীয় যুক্তরাজ্য ও অস্ট্রেলীয় জরিপে দেখা 79–83% গ্রহণের অনেক নিচে, আর গ্রহণকারীদের ব্যবহার ছিল অগভীর ও সংশোধনমূলক, উৎপাদনমূলক নয় (প্রুফরিডিং 43.8%, স্পষ্টতা-যাচাই 34.4%, পাঠ্য-উৎপাদন কেবল 18.8%)। তাদের পছন্দ কারিগরি কঠিনতার বদলে মূল্যায়ন-নকশা ও প্রাতিষ্ঠানিক সংস্কৃতিকে অনুসরণ করে: অ-গ্রহণকারীদের 41.5% ভয় পান যে অনুলিপির মিথ্যা অভিযোগে পড়বেন, এবং এগারো সাক্ষাৎকারীর নয়জন অনুমোদনমূলক নীতিটিকেই সম্ভাব্য "ফাঁদ" হিসেবে পড়েন। জরিপে রিপোর্টকৃত 32 ব্যবহারকারী ও 28 স্ব-ঘোষণার ব্যবধান দেখায় শিক্ষার্থীদের রিপোর্টকৃত এআই-মিথস্ক্রিয়া গ্রেডযোগ্য পরিণতি দ্বারা গড়ে ওঠে — শিক্ষার্থী-এআই মিথস্ক্রিয়ার শেখা-বিশ্লেষণ বয়ানগুলোর জন্য একটি পরিমাপ-সতর্কতা।

Wang ও Guo (2026) সহপাঠী-পর্যালোচনায় জেনারেটিভ এআই-এর সঙ্গে মুক্ত সংলাপ কী যোগ করে তা নথিভুক্ত করেন: যে শিক্ষার্থীরা মডেলের প্রথম প্রস্তাব মেনে না নিয়ে তাকে জেরা করে, তাদের প্রতিক্রিয়া সহপাঠীরা বেশি রেট দেয়, এবং তারা বেশি কাজ-আনন্দ ও কম উদ্বেগ রিপোর্ট করে।

শিক্ষার্থী-এআই চ্যাটে শাস্ত্র ও জ্ঞানসংক্রান্ত সম্পৃক্ততা

• শিক্ষার্থী-এআই চ্যাটে শাস্ত্র-সংযুক্ত জ্ঞানসংক্রান্ত সম্পৃক্ততা। Chang ও Li (2026) 116টি কোর্সজুড়ে শিক্ষার্থীদের এআই-প্রম্পট বিশ্লেষণ করেন ব্যক্তি-অভ্যন্তরীণ, আন্তঃশাস্ত্রীয় নকশায়, এবং দেখান শিক্ষার্থী-এআই কথোপকথন স্থির ব্যক্তিগত মিথস্ক্রিয়া-ধরন নয়, শাস্ত্র-সংযুক্ত জ্ঞানসংক্রান্ত সম্পৃক্ততা প্রতিফলিত করে। সামগ্রিকভাবে প্রায় 62% প্রম্পট উচ্চ-ক্রম জ্ঞানসংক্রান্ত চাহিদা ধারণ করে, কিন্তু Bloom-স্তরের প্রোফাইল শাস্ত্রভেদে তীব্রভাবে ভিন্ন: STEM কোর্সে Apply-প্রধান প্রম্পট (20.8%), ভাষা-কোর্সে Understand-প্রধান (31.7%), এবং সমাজবিজ্ঞান কোর্সে Create-প্রধান (33.8%)। ব্যক্তি-অভ্যন্তরীণ জোড়া তুলনা নিশ্চিত করে একই শিক্ষার্থীরা সমাজবিজ্ঞানে STEM-এর চেয়ে উল্লেখযোগ্যভাবে বেশি উচ্চ-ক্রম প্রম্পট তৈরি করে (পুলকৃত n = 16, p < .001), এবং কোর্স-স্তরের বৈচিত্র্য শিক্ষার্থী-স্তরের বৈচিত্র্য ছাড়িয়ে যায় — যা একটি শক্তিশালী যুক্তি যে এআই শিক্ষণ-সহায়কদের শাস্ত্রীয় প্রসঙ্গ মাথায় রেখে নকশা ও মূল্যায়ন করা উচিত।

• শিক্ষার্থীরা এআই কতটা ব্যবহার করে তা তাদের অনুভূতি পূর্বাভাস দেয়নি। 819 শিক্ষার্থীর মধ্যে লিঙ্গ, স্ব-মূল্যায়িত এআই-দক্ষতা ও ব্যবহার-কম্পাঙ্ক কোনোটিই MANOVA-তে উল্লেখযোগ্যতা পায়নি (Wilks' Lambda 0.997, p = 0.551; 0.990, p = 0.295)। সেই নমুনায় ভারী ও হালকা ব্যবহারকারীরা একই মত পোষণ করেন (Al-Zahrani (2025))।

• "শিক্ষার্থী গ্রেডারের নম্বর নাড়াতে পারে না।" পারে, এবং এটি ব্যাটারির সবচেয়ে অনড় ব্যর্থতা: 22-এর মধ্যে 17টি মডেল দ্বিতীয়বার দেখার অনুরোধের চেয়ে নিছক আপত্তির পরে বেশি গ্রেড বাড়ায়, যার মধ্যে আটটির মধ্যে ছয়টি প্রতিটি গেমিং ও ফাঁকা-উত্তর পরীক্ষায় উত্তীর্ণ হয়েছিল। সবচেয়ে বড় ছিল Llama 3.2 3B, স্কেলের +33.2%, এবং দ্বিতীয়বার দেখার অনুরোধ নিজেই 17-এর দশটিতে গ্রেড কমায়, তাই বৈপরীত্যটি আপত্তির নিছক প্রভাব নয়। শিক্ষার্থী যে গ্রেড নিয়ে তর্ক করতে পারে তার বিনিময়ের রেকর্ড দরকার।

সাধারণ ভ্রান্ত ধারণা

• "মিথস্ক্রিয়া-শ্রেণিবিন্যাস নিষ্পত্তি হয়েছে।" 33টি গবেষণার 46টি শ্রেণিবিন্যাসজুড়ে একই রকম লেবেল ভিন্ন ঘটনাকে নাম দেয়, এজন্যই পর্যালোচনা মিথস্ক্রিয়া-পর্ব-কে একক হিসেবে প্রস্তাব করে। একটি শ্রেণিবিন্যাস থেকে ধার করা কোডিং-স্কিম ভিন্ন গঠন মাপতে পারে।
• "শিক্ষার্থীরা এআই-কে টিউটর হিসেবে ব্যবহার করে।" অনিয়ন্ত্রিত যুক্তিমূলক প্রবন্ধ সম্পন্নকারী 38 স্নাতক শিক্ষার্থীর মধ্যে 76.32% একক-পালার জিজ্ঞাসা-উত্তর-নাও-থামো ধরন ব্যবহার করেন, সাধারণত মূল্যায়নের শিরোনাম পেস্ট করে। প্রধান ধরনটি একক-পালার পুনরুদ্ধার, যা টিউটরিং নয়।
• "বেশি এআই-ব্যবহার বিষয়বস্তুর সঙ্গে বেশি সম্পৃক্ততা বোঝায়।" 200 সহ-প্রোগ্রামিং চ্যাট অধিবেশনের বিশ্লেষণে দেখা যায় শিক্ষার্থী-GenAI মিথস্ক্রিয়ার 78.8% অ-দক্ষতা-লক্ষ্য ও কৌশলে চলেছে। মিথস্ক্রিয়ার আয়তন শেখার অভিমুখের বদলে অন্য কিছু মাপে, তাই অধিবেশন-সংখ্যা একটি বিভ্রান্তিকর সম্পৃক্ততা-প্রতিনিধি।

সংযুক্ত ধারণা

• শিক্ষার্থী — শিক্ষার্থীরা: শিক্ষার্থী-পক্ষীয় ধারণাগুলোর ছাতা
• মানব-এআই সহযোগিতা
• শিক্ষার্থী-অভিজ্ঞতা
• প্রম্পট প্রকৌশল
• লার্নিং অ্যানালিটিক্স
• সংজ্ঞানাত্মক অফলোডিং
• বুদ্ধিদীপ্ত টিউটরিং
• মেটাকগনিশন
• শিক্ষার্থীর এজেন্সি
• উৎপাদক এআই
• বৃহৎ ভাষা মডেল (এলএলএম)
• এআই সাক্ষরতা

সংযুক্ত নিবন্ধ

• Exploring the Impact of Artificial Intelligence Chatbots on Human Connection and Emotional Support Among Higher Education Students — 819 শিক্ষার্থীজুড়ে ব্যবহার-কম্পাঙ্ক ও স্ব-মূল্যায়িত দক্ষতা কিছুই পূর্বাভাস দেয়নি
• From Cognitive Outsourcing to Reallocation: A 3P Analysis of Student–Generative AI Engagement in Unsupervised Assessments — অনিয়ন্ত্রিত শিক্ষার্থী–GenAI মূল্যায়নে জ্ঞানসংক্রান্ত আউটসোর্সিং বনাম পুনর্বণ্টন (Yan প্রমুখ 2026)
• "Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — "এটি কি ফাঁদ?": মূল্যায়নে শিক্ষক-প্রশিক্ষণার্থীদের GenAI অ-গ্রহণ (Zou প্রমুখ 2026)
• TutorTrace: A Dataset and Taxonomy for Classifying Learner Behavioral States during AI-Assisted Programming Education
• Analysis of Types of Inquiries in Student-AI Interaction: A case study of two CS2 tasks — শিক্ষার্থী-এআই মিথস্ক্রিয়ায় অনুসন্ধানের ধরন বিশ্লেষণ
• Toward Convergence in Student-LLM Interactions: A Rapid Scoping Review and Taxonomy for Learning-Oriented Use — শিক্ষার্থী-LLM মিথস্ক্রিয়া শ্রেণিবিন্যাস পর্যালোচনা
• Teacher-Authored Prompts for Configuring Student-AI Dialogue: K-12 Classroom Implementation — শিক্ষার্থী-এআই সংলাপে শিক্ষক-লিখিত প্রম্পট
• Constructing Epistemic AI Literacy: Detecting Epistemic Aims and Processes in Student-AI Co-Programming — জ্ঞানতাত্ত্বিক এআই-সাক্ষরতা গঠন
• Demystify, Use, Reflect, Assess (DURA): An Experience Report on LLM Integration in CS2 — Demystify, Use, Reflect, Assess (DURA): CS2-তে LLM-সমন্বয়
• The Impact of an LLM-Based Educational Agent on Learning Achievement, Cognitive Dynamics, and Student Perceptions in Computer Science Education — CS শিক্ষায় LLM-ভিত্তিক শিক্ষামূলক এজেন্ট (DBagent)
• An Empirical Study of ChatGPT Use in Engineering Education: Prompting and Performance — লগকৃত প্রম্পটিং ও সমন্বয়-আচরণ
• A Feasibility and Implementation Integrity Study of the Community Builder (CoBi): An AI-based Collaboration Support System in K-12 Classrooms
• You've Got AI Friend in Me: LLMs as Collaborative Learning Partners
• Ask Me Anything: Exploring Children's Attitudes Toward an Age-tailored AI-powered Chatbot
• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — ত্রুটিপূর্ণ কিন্তু স্মরণীয়: কম্পিউটিং শিক্ষায় আগ্রহ-ব্যক্তিগতকৃত GenAI উপমার প্রতি শিক্ষার্থীদের সমালোচনামূলক গ্রহণ
• Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning — পাশ কাটানো, আউটসোর্স করা, নাকি স্ক্যাফোল্ড: বড় ভাষা-মডেল কীভাবে শেখা গড়ে তার একটি ধারণাগত মডেল
• When AI Tutors Speak: Evidence from a Randomized Field Experiment — এআই টিউটর যখন কথা বলে: একটি র‍্যান্ডমাইজড ক্ষেত্র-পরীক্ষার প্রমাণ
• Artificial Intelligence Driven Physics Assignments using Context Prompts — প্রসঙ্গ-প্রম্পট ব্যবহার করে এআই-চালিত পদার্থবিজ্ঞান অ্যাসাইনমেন্ট
• Three Pathways of Student-AI Interaction: Constraint-First Design for Higher-Order Thinking — শিক্ষার্থী-এআই মিথস্ক্রিয়ার Three Pathways শ্রেণিবিন্যাস: 46% Passive Review, 18% Direct Question, 36% Strategic Dialogue
• Beyond agreement: a benchmark of how language models grade student work, and how they fail — সম্মতির বাইরে: 22 প্রম্পটকৃত গ্রেডার এমন প্রোবের মুখোমুখি হয় যাদের সঠিক উত্তর জানা, এবং তাদের বেশিরভাগকে প্ররোচিত করা যায় (Porcaro 2026)