ভিজ্যুয়ালাইজেশন

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

ভিজ্যুয়ালাইজেশন — উপাত্ত-ভিজ্যুয়ালাইজেশন, ইনফোগ্রাফিক, ড্যাশবোর্ড, চার্ট, ডায়াগ্রাম ও অন্যান্য গ্রাফিক্যাল উপস্থাপনাকে শেখা ও বিশ্লেষণের জন্য বোধগম্য করতে ব্যবহার। শিক্ষা জুড়ে ভিজ্যুয়ালাইজেশন ক্রমশ এআই দ্বারা উৎপন্নও হচ্ছে (টেক্সট-টু-ইমেজ, বহুরূপী স্লাইড ও চার্ট বিশ্লেষণ) এবং সেই ইন্টারফেস হিসেবেও ব্যবহৃত হচ্ছে যার মধ্য দিয়ে শিক্ষার্থী, শিক্ষক ও বিশ্লেষণ-ব্যবস্থা ভাগ করা উপাত্ত নিয়ে যুক্তি করে।

বিবেচনার প্রশ্ন

• একটি চার্ট বা ড্যাশবোর্ড উপাত্ত পরিষ্কার করতে পারে — কিন্তু একটি ভিজ্যুয়ালাইজেশন কেবল দেখাই কি তা বোঝার সমান? পাতার গবেষণা ইঙ্গিত দেয় আপনি কীভাবে একটি ভিজ্যুয়ালাইজেশনের সঙ্গে মিথস্ক্রিয়া করেন তা চার্টের চেয়ে বেশি গুরুত্বপূর্ণ। এমন একটি ড্যাশবোর্ড বা গ্রাফ মনে করুন যা দেখেছেন কিন্তু সত্যিই শেখেননি। কেবল প্রদর্শনে কী অনুপস্থিত ছিল?
• প্রচলিত শিখন-ড্যাশবোর্ড 'উপাত্ত দেখাও, অন্তর্দৃষ্টির আশা করো' মডেল অনুসরণ করে। এখানকার ফল হলো, যে শিক্ষার্থীরা মেট্রিক দেখার আগে নিজেদের উপাত্ত নিয়ে প্রশ্নের উত্তর দেয় তারা নিষ্ক্রিয়ভাবে চার্ট দেখা শিক্ষার্থীদের চেয়ে ভালো প্রতিফলন ও ক্রমাঙ্কন করে। আগে পূর্বাভাস দিতে বাধ্য করা কেন প্রকৃত উপাত্ত দেখে যা পান তা বদলে দিতে পারে?
• এআই এখন বিশেষায়িত বিষয়বস্তুর নির্ভুল ভিজ্যুয়ালাইজেশন উৎপন্ন করতে পারে — একটি গবেষণা পারমাণবিক ধারণায় টেক্সট-টু-ইমেজ মডেল ফাইন-টিউন করে ডোমেইন-নির্ভুলতা 12% থেকে 78%-এ তুলেছে। কিন্তু পাতাটি আরও দেখে কোনো মডেলই সর্বত্র সক্ষম নয়। কোথায় এআই-উৎপন্ন দৃশ্যে ভরসা করবেন, আর কোথায় মানব-বিশেষজ্ঞের সঙ্গে মিলিয়ে যাচাইয়ে জোর দেবেন?
• একটি গবেষণার অংশগ্রহণকারীরা এআই-উৎপন্ন ডেটা কমিক বেশি আকর্ষণীয় ও বোধগম্য পেয়েছেন, তবু অনেকেই ভুলতথ্যের ঝুঁকি ও তথ্য-অতিরেকের কথা তুলেছেন। একটি আকর্ষণীয় এআই-দৃশ্যের আবেদন বনাম তার বিভ্রান্ত করার সম্ভাবনা কীভাবে ওজন করবেন — আর ভরসা বা ব্যবহারের আগে কী যাচাই করবেন?
• পাতাটি সতর্ক করে যে মডেলের আত্মবিশ্বাস তার নির্ভরযোগ্যতা নয়: ব্যবস্থা মৌলিক নির্মাণ ঠিক রেখেও তীব্রতা-বিচারে তীব্রভাবে ভিন্ন হতে পারে। স্লাইড, প্রবন্ধ বা উপাত্ত মূল্যায়নে এআই সরঞ্জামের উপর নির্ভর করলে, তার আত্মবিশ্বাস কোথায় গুরুতর ত্রুটি লুকিয়েছে তা কীভাবে আবিষ্কার করবেন?
• একটি গবেষণায় দেখা গেছে বিস্তারিত ভিজ্যুয়াল স্ক্যাফোল্ড সত্ত্বেও শিক্ষার্থীরা দৃষ্টির বড় অংশ কোডে ব্যয় করেছে — ভিজ্যুয়াল সহায়তা সবার মনোযোগ টানেনি। এটি কী বলে, একটি সুন্দর ডায়াগ্রাম বা ড্যাশবোর্ড সবার সম্পৃক্ততায় স্বয়ংক্রিয়ভাবে সাহায্য করবে — সেই ধরে নেওয়া সম্পর্কে? ভিজ্যুয়ালের বাইরে আর কী নির্ধারণ করে মানুষ আসলে একটি সরঞ্জাম কীভাবে ব্যবহার করে?

ভূমিকা

ভিজ্যুয়ালাইজেশন হলো গ্রাফিক্যাল উপস্থাপনার ব্যবহার — ড্যাশবোর্ড, চার্ট, ডায়াগ্রাম, ইনফোগ্রাফিক ও বহুরূপী প্রদর্শন — শেখা ও শিখন-উপাত্তকে বোধগম্য করতে। শিক্ষায় এর সবচেয়ে প্রতিষ্ঠিত ভূমিকা শিখন-বিশ্লেষণের ড্যাশবোর্ড, যেখানে প্রভাবশালী উপাত্ত দেখাও ও অন্তর্দৃষ্টির আশা করো মডেল মিথস্ক্রিয়ামূলক নকশার পথ ছেড়ে দিয়েছে: প্রমাণ ইঙ্গিত দেয় শিক্ষার্থীরা একটি উপস্থাপনার সঙ্গে কীভাবে মিথস্ক্রিয়া করে তা তার চেয়ে বেশি গুরুত্বপূর্ণ যে তারা তা দেখে কি না, আর স্ব-উদ্দীপক প্রম্পট ও শিক্ষাদানমূলক এজেন্ট নিষ্ক্রিয় মেট্রিকের চেয়ে ক্রমাঙ্কন বেশি উন্নত করে। একই প্রশ্ন — প্রদর্শন কি চিন্তা উস্কে দেয় নাকি তার প্রতিস্থাপক? — ভিজ্যুয়ালাইজেশনকে কাম্য কঠিনতা ও মেটাকগনিশন-এর সঙ্গে যুক্ত করে।

শিখন-ইন্টারফেস হিসেবে ভিজ্যুয়ালাইজেশন

শিক্ষায় ভিজ্যুয়ালাইজেশনের সবচেয়ে প্রতিষ্ঠিত ভূমিকা শিখন-বিশ্লেষণ ড্যাশবোর্ড। প্রচলিত Learning Analytics Dashboard (LAD) একটি "উপাত্ত দেখাও → অন্তর্দৃষ্টির আশা করো" মডেলে চলে, আচরণগত মেট্রিক চার্টে দেখায় যা শিক্ষার্থীরা নিষ্ক্রিয়ভাবে দেখে। মিথস্ক্রিয়ামূলক শিখন-ড্যাশবোর্ড নিয়ে গবেষণা এই দৃষ্টান্তকে চ্যালেঞ্জ করে: যখন একটি ড্যাশবোর্ডে বৃহৎ ভাষা মডেল (এলএলএম)-চালিত শিক্ষাদানমূলক এজেন্ট ও একটি মিথস্ক্রিয়ামূলক Judgment of Learning স্ব-মূল্যায়ন যোগ হয়, তখন "elicit" শর্ত — যেখানে শিক্ষার্থীরা মেট্রিক দেখার আগে নিজেদের উপাত্ত নিয়ে প্রশ্নের উত্তর দেয় — নিষ্ক্রিয় ড্যাশবোর্ড বা "telling" এজেন্টের যেকোনোটির চেয়ে বেশি প্রতিফলন ও বেশি নির্ভুল দক্ষতা-ক্রমাঙ্কন উৎপন্ন করে। শিক্ষা হলো, শিক্ষার্থীরা ভিজ্যুয়ালাইজেশনের সঙ্গে কীভাবে মিথস্ক্রিয়া করে তা কেবল তা দেখার চেয়ে বেশি গুরুত্বপূর্ণ। এটি লার্নিং অ্যানালিটিক্স ও স্ব-নিয়ন্ত্রিত শিখন-এর সঙ্গে যুক্ত, যেখানে ভিজ্যুয়াল প্রতিক্রিয়া সরল তথ্য-প্রদর্শনের বদলে অধিজ্ঞানমূলক বিচার-ক্রমাঙ্কনকে সমর্থন করে।

শিক্ষক-মুখী ড্যাশবোর্ড আলাদা কিছু নকশা-শিক্ষা যোগ করে। Mejia-Domenzain প্রমুখ (2026) দেখেন শিক্ষকেরা পদ্ধতিগতভাবে সরল, বেশি ঐতিহ্যবাহী ভিজ্যুয়ালাইজেশন (বার প্লট, পাই চার্ট, লেজেন্ড) পছন্দ করেছেন এমনকি যখন জটিল নকশা (যেমন হিটম্যাপ) বেশি বিস্তারিত অন্তর্দৃষ্টি দিয়েছে — ভিজ্যুয়াল পছন্দ সবসময় তথ্যবহুলতার সঙ্গে মেলেনি, যা পাই চার্টের তুলনামূলক পাঠযোগ্যতা নিয়ে বিতর্কের প্রতিধ্বনি। ভিজ্যুয়ালাইজেশন-সাক্ষরতা (VL) নকশা-পছন্দ চালায়নি, কিন্তু উচ্চ-VL শিক্ষকেরা গভীরতর, বিস্তারিততর ব্যাখ্যা দিয়েছেন (যেমন তাদের বেশি অংশ সময়-ক্রমিক উপাত্তে প্রবণতা চিহ্নিত করেছেন), যা শিক্ষকেরা বিশ্লেষণ-নকশা কীভাবে পড়েন তা মাপার জন্য VL-কে সহচলক হিসেবে নিশ্চিত করে। দল-তুলনায় শিক্ষকেরা juxtaposition-এর চেয়ে superposition-কে জোরালোভাবে সমর্থন করেছেন, এবং স্পষ্ট পার্থক্য-এনকোডিংয়ের বদলে পূর্ণ তথ্য দেখানো প্লট পছন্দ করেছেন (যেমন "যারা দেখেনি" দলসহ), যদিও কম বয়সী শিক্ষকেরা পার্থক্য-প্লটকে উঁচুতে রেখেছেন। এই ফল বলে ড্যাশবোর্ড-নকশাকে শিক্ষকদের ঘোষিত পছন্দ ও জটিল এনকোডিং যে ব্যাখ্যাগত গভীরতা দেয় তার মধ্যে ভার রাখতে হয়।

ড্যাশবোর্ড মানুষ ও এআই-এর যুক্তির মধ্যে সেতু-বাঁধা ভাগ করা উপস্থাপনা হিসেবেও কাজ করে। CLARA ব্যবস্থা LLM-উৎপন্ন নিদর্শন — ধারণা-মানচিত্র ও সাত-মাত্রার সহযোগিতা-মূল্যায়ন — ড্যাশবোর্ড-ব্যবহারকারী ও এআই এজেন্টদের মধ্যে সাধারণ ভিত্তি হিসেবে ব্যবহার করে, সেগুলোকে আলাদা ভেক্টর সংগ্রহে সূচিবদ্ধ করে যাতে উভয় পক্ষ একই দৃশ্যমান, প্রশ্নযোগ্য উপাদান নিয়ে যুক্তি করে। একইভাবে Expert Cognition Dashboard বিশ্লেষণকে "cognition intelligence" হিসেবে পুনর্গঠন করে, কাঁচা শিক্ষার্থী-আচরণকে ব্যক্তি, শ্রেণি ও AI Twin বিশেষজ্ঞ স্তরে পাঠযোগ্য জ্ঞান-কাঠামোয় রূপান্তরিত করে। এই ব্যবস্থা ভিজ্যুয়ালাইজেশনকে আউটপুট নয়, বরং প্রযুক্তি-নেটিভ শিক্ষার ভেতরে অন্তর্নিহিত যুক্তি-অবকাঠামো হিসেবে বসায়।

এআই-উৎপন্ন ও বহুরূপী ভিজ্যুয়াল কনটেন্ট

দ্বিতীয় বড় ধারা এআই সরাসরি ভিজ্যুয়ালাইজেশন উৎপাদন নিয়ে। NuclearDiffusion: Text-to-Image Foundation Models for Learning Nuclear Energy Concepts দেখায় ডোমেইন-অভিযোজিত টেক্সট-টু-ইমেজ মডেল বিশেষায়িত STEM ধারণার নির্ভুল চিত্র উৎপন্ন করতে পারে: পারমাণবিক ডোমেইনের ছবিতে Stable Diffusion ফাইন-টিউন করলে ডোমেইন-নির্ভুলতা 12% থেকে 78%-এ উঠেছে, যা প্রশিক্ষককে চাহিদামতো সঠিক রিঅ্যাক্টর-উপাদান ও নিরাপত্তা-ব্যবস্থার ভিজ্যুয়ালাইজেশন তৈরি করতে দেয়। এই উৎপাদন-ক্ষমতা শক্তিশালী কিন্তু অসম। Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy ছয়টি বহুরূপী বড় ভাষা-মডেলকে 485 মানব অংশগ্রহণকারীর সঙ্গে বৈজ্ঞানিক ভিজ্যুয়ালাইজেশন-সাক্ষরতায় বেঞ্চমার্ক করে, কোনো একরূপ সক্ষমতা পায় না: বন্ধ-উৎস Gemini কয়েকটি উপসেটে মানব গড় ছাড়িয়েছে, অথচ সব মুক্ত-উৎস মডেল তার নিচে থেকেছে, সূক্ষ্ম পরিমাণগত অনুমান এবং টেক্সচার-ভিত্তিক বা সমন্বয়-ভিত্তিক ভিজ্যুয়ালাইজেশনে বিশেষ দুর্বলতাসহ। তাই এআই-এর উচিত মানব ভিজ্যুয়ালাইজেশন-সাক্ষরতাকে সমর্থন করা — প্রতিস্থাপন নয় — যা সরাসরি এআই সাক্ষরতা ও গঠনমূলক মূল্যায়ন তাৎপর্য বহন করে।

প্রম্পট-থেকে-চার্ট উৎপাদন এআই সক্ষম ভিজ্যুয়ালাইজেশন বানাতে পারে কি না তার চেয়ে আলাদা প্রশ্ন তোলে: শিক্ষার্থী কি তখনও সেই বিশ্লেষণমূলক ও এনকোডিং কাজ করে যা নিদর্শনটিকে শিক্ষামূলক করে? একটি 2026 কাঠামো এটিকে process–output বিভাজন বলে এবং স্ক্যাফোল্ডিং ও প্রতিস্থাপনের মধ্যকার এজেন্সি-রেখা হিসেবে স্বচ্ছতা, আমন্ত্রণ ও fading প্রস্তাব করে (Purohit প্রমুখ, 2026)।

নীতিশাস্ত্র ও নির্ভরযোগ্যতা এআই-উৎপন্ন ভিজ্যুয়াল কনটেন্টের উৎসাহে বাধা দেয়। Data Comics for Education: Evaluating Effectiveness, Benefits, and the Ethics of AI-Assisted Creation দেখে GenAI-সহায়ক ডেটা কমিক পূর্ববর্তী ভিজ্যুয়ালাইজেশন-সাক্ষরতা নির্বিশেষে প্রচলিত ভিজ্যুয়ালাইজেশনের চেয়ে সম্পৃক্ততা ও বোধগম্যতা বাড়ায়, তবু অংশগ্রহণকারীরা ভুলতথ্যের ঝুঁকি ও রচয়িতা-স্বীকৃতি নিয়ে উদ্বেগ তুলেছেন, আর দুই-তৃতীয়াংশ অতি-ব্যস্ত লেআউটের তথ্য-অতিরেকের মতো অসুবিধা চিহ্নিত করেছেন। পাল্টা-তথ্য CFES-P24 বেঞ্চমার্ক এই যাচাইকে স্লাইড নিরীক্ষায় বাড়ায়, দেখায় বহুরূপী LLM লার্নিং ডিজাইন নির্মাণ (অপারেশন, নীতি, প্রমাণ-স্থানীয়করণ) নির্ভরযোগ্যভাবে চিনতে পারে, অথচ তুলনামূলক বিচার ও তীব্রতা-ক্রমাঙ্কনে তীব্রভাবে ভিন্ন হয় — প্রমাণ যে যৌগিক স্কোর লুকায় কোন সক্ষমতা ব্যর্থ, আর আত্মবিশ্বাস নির্ভরযোগ্যতা নয়। একসঙ্গে এই কাজগুলো সামগ্রিক রেটিংয়ের বদলে এআই-উৎপন্ন ভিজ্যুয়ালের স্তরভিত্তিক মূল্যায়নের পক্ষে যুক্তি দেয়।

অনুশীলনে স্লাইড, কমিক ও বহু-দৃশ্য সরঞ্জাম

ব্যবহারিক ব্যবস্থা এই নীতিগুলো বড় পরিসরে প্রয়োগ করে। AISSA LLM-ভিত্তিক রুব্রিক স্কোরিংয়ের সঙ্গে শিখন-বিশ্লেষণ ড্যাশবোর্ড মিলিয়ে শিক্ষার্থী-উপস্থাপনার স্লাইডে স্বয়ংক্রিয়, পুনরাবৃত্ত প্রতিক্রিয়া দেয়, প্রতিটি মূল্যায়নে সেন্ট-খরচে 1-3 মিনিটে 90টি উপস্থাপনা প্রক্রিয়া করে উচ্চ অনুভূত ব্যবহারযোগ্যতাসহ — অথচ শিক্ষার্থীরা প্রতিক্রিয়া বাছাই করে প্রয়োগ করেছে, কখনও তাদের ভিজ্যুয়াল নকশার সঙ্গে সংঘর্ষপূর্ণ সুপারিশ উপেক্ষা করেছে। কোডিং শিক্ষায় Flowcode কোড-কাঠামোর ফ্লোচ্চার্টকে একটি শিখনমুখী চ্যাটের সঙ্গে জোড়ে যাতে নবীন সৃজনশীল কোডাররা পাওয়া উদাহরণ বুঝতে ও বাড়াতে পারে, যেখানে ভিজ্যুয়ালাইজেশন ও উৎপাদনশীল ঘর্ষণ এআই ব্যবহারকে এড়িয়ে যাওয়ার বদলে শেখার দিকে চালায়। তবু ভিজ্যুয়াল স্ক্যাফোল্ড সর্বত্র কার্যকর নয়: Code as Anchor, Memory and Metaphor as Support: Learner Experiences with Multi-View Visualizations দেখে ভিজ্যুয়াল স্ক্যাফোল্ড সত্ত্বেও শিক্ষার্থীরা দৃষ্টি-সময়ের ~47% কোডে ব্যয় করেছে, যা চালিয়েছে এজেন্সি, উপস্থাপনগত মিল ও রূপক দৃশ্যের অনুভূত বৈধতা। এই শিক্ষার্থী-অভিজ্ঞতার ফল সতর্ক করে যে ভিজ্যুয়ালাইজেশন-নকশাকে আবেগগত ও সামাজিক কারণেও মনোযোগ দিতে হয়, কেবল জ্ঞানীয় সুবিধায় নয়।

তাৎপর্য

এখানে আলোচিত কাজগুলো জুড়ে ভিজ্যুয়ালাইজেশন দ্বিমুখী-ব্যবহারের মাধ্যম হিসেবে উঠে আসে: এআই ক্রমশ ভিজ্যুয়ালাইজেশন উৎপন্ন ও ব্যাখ্যা করে, আর ড্যাশবোর্ড ও মিথস্ক্রিয়ামূলক ভিজ্যুয়াল মানব-এআই অর্থনির্মাণের ভাগ করা পৃষ্ঠ হিসেবে কাজ করে। জেনারেটিভ টেক্সট-টু-ইমেজ ও বহুরূপী বিশ্লেষণ ভিজ্যুয়ালাইজেশনের পরিধি বিশেষায়িত STEM বিষয়বস্তু ও স্বয়ংক্রিয় প্রতিক্রিয়ায় বাড়ায়, কিন্তু অসম মডেল-সক্ষমতা, তীব্রতা-ক্রমাঙ্কনের ব্যর্থতা এবং ভুলতথ্য ও রচয়িতা নিয়ে নৈতিক উদ্বেগ সতর্ক, স্তরভিত্তিক যাচাই দাবি করে। নকশাকার ও শিক্ষকদের জন্য সবচেয়ে দৃঢ় সিদ্ধান্ত হলো মিথস্ক্রিয়াশীলতা ও সম্পৃক্ততা — ভিজ্যুয়াল উপাত্তে শিক্ষার্থীর যুক্তি বের করা, ব্যবহারকারীকে জ্ঞানীয় শ্রম নিয়ন্ত্রণ করতে দেওয়া, আর এআই-উৎপন্ন ভিজ্যুয়ালকে শেষবিন্দু নয় বরং ভাগ করা অবকাঠামো হিসেবে দেখা — চার্টের নিজের বিশ্বস্ততার চেয়ে বেশি গুরুত্বপূর্ণ।

সাধারণ ভুল ধারণা

• "এআই বিশেষায়িত বিষয়বস্তু নির্ভুলভাবে রেন্ডার করতে পারে না।" পারে, সঠিক পদ্ধতিতে: পারমাণবিক ধারণায় টেক্সট-টু-ইমেজ মডেল ফাইন-টিউন করলে ডোমেইন-নির্ভুলতা 12% থেকে 78%-এ উঠেছে। ব্যবধান ডোমেইন-প্রতিষ্ঠা, উৎপাদন-ক্ষমতা নয়, আর তা সমাধানযোগ্য।
• "ভালো ভিজ্যুয়ালাইজেশন ভালো ফল দেয়।" শিক্ষকেরা পদ্ধতিগতভাবে সরল, বেশি ঐতিহ্যবাহী ভিজ্যুয়ালাইজেশন পছন্দ করেছেন (বার প্লট, পাই চার্ট, লেজেন্ড) এমনকি যখন হিটম্যাপের মতো জটিল নকশা বেশি বিস্তারিত অন্তর্দৃষ্টি দিয়েছে। বেশি তথ্যবহুল নিদর্শনটিই ব্যবহৃত হয়নি, তাই গ্রহণ নকশা-মান থেকে আলাদা সমস্যা।
• "শিক্ষার্থীরা যেখানে স্ক্যাফোল্ড সেখানে তাকায়।" একটি গবেষণা দেখে শিক্ষার্থীরা বিস্তারিত ভিজ্যুয়াল স্ক্যাফোল্ড সত্ত্বেও দৃষ্টির বড় অংশ কোডে ব্যয় করেছে — সহায়তাগুলো কেবল মনোযোগ টানেনি। উপস্থিত কিন্তু অ-নজরকৃত ভিজ্যুয়াল সহায়তা কিছুই বদলায় না।
• "সম্পৃক্তি ও বোধগম্যতা একসঙ্গে চলে।" অংশগ্রহণকারীরা এআই-উৎপন্ন ডেটা কমিক বেশি আকর্ষণীয় ও বোধগম্য পেয়েছেন, তবু অনেকেই ভুলতথ্যের ঝুঁকি ও তথ্য-অতিরেকের কথা তুলেছেন। দুই প্রতিক্রিয়াই একই নিদর্শন থেকে এসেছে, তাই ইতিবাচক অভ্যর্থনা যাচাইকৃত পাঠ নয়।

সংযুক্ত ধারণা

• লার্নিং অ্যানালিটিক্স
• মাল্টিমোডাল এআই
• উৎপাদক এআই
• প্রযুক্তি
• এআই সাক্ষরতা
• শিক্ষায় গল্পকথন
• লার্নিং ডিজাইন
• মূল্যায়নের বৈধতা
• ভার্চুয়াল ও অগমেন্টেড রিয়ালিটি — স্থানিক ও ত্রিমাত্রিক উপস্থাপনা

সংযুক্ত নিবন্ধ

• Interactive learning dashboards: rethinking learning visualisations as engagement tools — শিক্ষাদানমূলক এজেন্টের মাধ্যমে শিখন-ভিজ্যুয়ালাইজেশনকে সম্পৃক্ততা-সরঞ্জাম হিসেবে পুনর্ভাবনা
• Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy — বৈজ্ঞানিক ভিজ্যুয়ালাইজেশন-সাক্ষরতায় বহুরূপী LLM-এর বেঞ্চমার্কিং
• NuclearDiffusion: Text-to-Image Foundation Models for Learning Nuclear Energy Concepts — পারমাণবিক ধারণা-ভিজ্যুয়ালাইজেশনের জন্য ডোমেইন-অভিযোজিত টেক্সট-টু-ইমেজ মডেল
• Data Comics for Education: Evaluating Effectiveness, Benefits, and the Ethics of AI-Assisted Creation — এআই-সহায়ক ডেটা কমিকের কার্যকারিতা, সুবিধা ও নীতিশাস্ত্র
• Benchmarking Multimodal Large Language Models for Educational Slide Auditing — বহুরূপী স্লাইড নিরীক্ষার পাল্টা-তথ্য বেঞ্চমার্ক
• Making machine learning findings accessible to teachers in blended classrooms — মিশ্র শ্রেণিকক্ষে শিক্ষকদের জন্য ML ফলাফল সহজলভ্য করা
• Constructing Meaning, Not Just Charts: A Cognitive–Instructional Framework for Generative AI Usage in Visualisation Education — Constructing Meaning, Not Just Charts: A Cognitive–Instructional Framework for Generative AI Usage in Visualisation Education