अनुकूली अधिगम

यह अंग्रेज़ी पेज का ऑटोमैटिक अनुवाद है और इसकी अभी तक किसी मूल भाषी ने समीक्षा नहीं की है।

अनुकूली अधिगम — एआई-संचालित शैक्षणिक प्रणालियाँ जो व्यक्तिगत शिक्षार्थी की विशेषताओं और प्रदर्शन के आधार पर सामग्री, गति और शिक्षण रणनीतियों को समायोजित करती हैं। अनुकूली अधिगम अधिकांश AI in education research का संचालनात्मक लक्ष्य है: शिक्षण को व्यक्तिगत बनाने के लिए student models का उपयोग करना।

विचार हेतु प्रश्न

• 'अनुकूल (adaptive),' 'व्यक्तिगतकृत (personalized),' 'व्यक्तिविषयक (individualized),' और 'अनुकूलित (customized)' शिक्षा को अक्सर परस्पर विनिमय में प्रयोग किया जाता है — लेकिन अनुसंधान बताता है कि ये एक नहीं हैं। आप प्रत्येक शब्द का क्या अर्थ मानते हैं, और ये मान्यताएँ कहाँ गलत हो सकती हैं?
• एक अनुकूली प्रणाली इस आधार पर सामग्री और कठिनाई समायोजित करती है कि आप क्या जानते हैं, इसके आपका एक मॉडल होता है। यदि उस मॉडल की नींव आपकी सीख के बारे में उथले या अविश्वसनीय संकेतों पर हो, तो क्या गलत हो सकता है?
• एक प्रमुख निष्कर्ष यह है कि सही उत्तरों से दक्षता का अनुमान लगाने वाली प्रणालियाँ अभ्यास को बहुत जल्दी समाप्त कर सकती हैं — इससे पहले कि आप यह सीख लें कि किसी कार्रवाई को कब रोकना है। ऐसी कोई कौशल सोच सकते हैं जहाँ लगातार 'सही' होने के बावजूद आप किसी वास्तविक स्थिति के लिए अनुपस्थित थे?
• अति-अनुकूलन उस उपयोगी संघर्ष को हटा सकता है जिसकी शिक्षार्थियों को गहराई से सीखने के लिए आवश्यकता होती है। यदि एआई संघर्ष के क्षण ही सब कुछ आसान बना दे, तो शिक्षार्थी ठीक क्या खोता है?
• मेटा-विश्लेषण बताता है कि learning gains को अनुकूलन तंत्र चलाता है — किसी विशेष उपकरण की पीढ़ी नहीं। यदि 'कैसे' महत्वपूर्ण है 'कौन सा उपकरण' से अधिक, तो अनुकूली सॉफ़्टवेयर चुनते समय आपको क्या देखना चाहिए?
• LLM-आधारित ट्यूटर अब केवल कठिनाई ही नहीं, बल्कि भाषा और व्याख्या की शैली को भी अनुकूलित कर सकते हैं। किसी चीज़ के समझाए जाने के तरीके को व्यक्तिगत बनाना सीख में कब मदद करता है, और कब वह चुपचाप शिक्षार्थी की अपनी सक्रियता (agency) को कमजोर कर सकता है?

प्रस्तावना

मूल संयंत्र

• नापें-मॉडल बनाएँ-अनुकूलित करें का चक्र (measure-model-adapt loop): ज्ञान अनुरेखण का अनुमान लगाता है कि शिक्षार्थी क्या जानता है, शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण शिक्षार्थी का प्रतिनिधित्व करता है, और प्रणाली तदनुसार कठिनाई, सामग्री और प्रतिपुष्टि को अनुकूलित करती है।
• पैमाने पर व्यक्तिगतकरण: व्यक्तिगत शिक्षा प्रणालियाँ अनुकूली एल्गोरिद्म का उपयोग करके प्रत्येक शिक्षार्थी के लिए अद्वितीय सीखने के मार्ग प्रदान करती हैं। DeepTutor: Towards Agentic Personalized Tutoring और elementary fraction tutors व्यवहार में अनुकूली व्यक्तिगतकरण का प्रदर्शन करते हैं।
• सामग्री अनुक्रमण: Adaptive pretesting और lesson plan transformers प्रस्तुत सामग्री के क्रम और प्रकार को अनुकूलित करते हैं।
• ITS एकीकरण: Intelligent tutoring systems अनुकूली अधिगम का आदर्श मंच हैं, जो निदान को अनुकूलन के साथ जोड़ते हैं।
• AutoML-संचालित प्रोफ़ाइलिंग और निदान: पारंपरिक शैक्षणिक मॉडल बहु-स्रोत, विषम (heterogeneous) शिक्षण-व्यवहार आँकड़ों को संसाधित करने में असमर्थ हैं, जिससे शिक्षार्थी प्रोफ़ाइलिंग और नैदानिक मॉडल विकास सीमित रहता है। स्वचालित machine learning से संचालित एक व्यक्तिगतकृत तंत्रिका संज्ञानात्मक वास्तुकला खोज ढाँचा विषम विधियों के साथ multi-modal शैक्षणिक आँकड़ों को एकीकृत करता है, विषम शिक्षार्थी प्रोफ़ाइलों के अनुरूप नैदानिक मॉडल तैयार करता है, और सीखने की प्रक्रियाओं का स्थिर के बजाय गतिशील विश्लेषण का समर्थन करता है।

प्रभावशीलता के प्रमाण

ज्ञानआधार में मिश्रित प्रमाण दर्ज हैं: अनुकूली प्रणालियाँ तब परिणाम सुधारती हैं जब अनुकूलन विश्वसनीय student models पर आधारित होता है, लेकिन खराब अनुमानित (poorly-calibrated) अनुकूलन सीख को नुकसान पहुँचा सकता है। Personalization research प्रभावी अनुकूलन को उपरी छलाँग (superficial customization) से अलग करती है। Systematic reviews पाती हैं कि "adaptive," "personalized," "individualized," और "customized" शिक्षा का प्रयोग असंगत रूप से होता है — इसलिए प्रभाव आकार (effect sizes) बहुत अधिक इस बात पर निर्भर करते हैं कि अनुकूलन को किस रूप में परिभाषित किया गया है, और यह क्षेत्र एकीकृत ढाँचे की माँग करता है।

एक PRISMA 2020 समीक्षा, जिसने 959 अभिलेखों को जाँचकर 22 उच्च-शिक्षा हस्तक्षेपों तक सीमित किया, अनुकूली मार्गों और अनुशंसा प्रणालियों (recommender systems) को प्रमुख एआई अनुप्रयोगों में गिनती है, लेकिन अधिकांश अध्ययनों ने विद्यमान अभ्यास में सुधार किया, न कि उसे बदला (AlSheikh et al. (2026)).

अनुकूलन को चलाता है पैडागॉजिकल आधार, तकनीकी क्षमता नहीं। 127 बुद्धिमान ट्यूटरिंग अध्ययनों के एक 15 वर्षीय समीक्षा से पता चलता है कि अधिकांश प्रणालियाँ किसी घोषित पैडागॉजिकल सिद्धांत के बजाय इस बात से बनी हैं कि तकनीक क्या कर सकती है, और औसत ITS लाभ को मानव ट्यूटरिंग के 98% तक के सामने लगभग 20% बताती है (Zerkouk et al. (2025)).

एक ज़िले के दो वर्षीय RCT में निर्धारक बाधा अनुकूलन तंत्र नहीं, बल्कि ग्रहण (take-up) थी: नामांकन को एक ही चरण में संक्षिप्त करने पर केवल डिज़ाइन परिवर्तनों से पहले सत्र में भागीदारी लगभग 45% से बढ़कर 83% हो गई, और intent-to-treat लाभ भागीदारी बढ़ने के साथ बढ़े (Oreopoulos et al. (2026)).

एक PRISMA-संरेखित समीक्षा में 44 अध्ययनों से पता चलता है कि सहभागिता (engagement) साहित्य व्यावहारिक सहभागिता की ओर झुका हुआ है और सक्रिय (agentic) सहभागिता पर सबसे पतला है, साथ ही एक नवीनता प्रभाव (novelty effect) दर्ज है — जब ALEKS और W-Pal के अनुदैर्ध्य अध्ययनों में उपकरण की नवीनता मिट गई तो सहभागिता समय के साथ घटी (Simon, Zeng & Fryer (2026)).

एआई युग: LLM-आधारित अनुकूलन और उसके जोखिम

Generative AI ने यह विस्तारित किया है कि अनुकूली प्रणालियाँ क्या कर सकती हैं — संवादी agentic ट्यूटर, RAG (रिट्रीवल-ऑगमेंटेड जनरेशन)-आधारित सामग्री, और बड़े भाषा मॉडल (LLMs)-संचालित tutoring केवल समस्या की कठिनाई ही नहीं, बल्कि भाषा और व्याख्या की शैली को भी अनुकूलित करते हैं (जैसे, LearnMate-2, DeepTutor: Towards Agentic Personalized Tutoring, multi-agent adaptive tutoring)। हालाँकि, LLM-आधारित अनुकूलन नए जोखिम लाता है: विश्वसनीय student models के बिना अनुकूलन उथले संकेतों पर आधारित हो सकता है; अति-अनुकूलन उस उपयोगी संघर्ष को घटा सकता है जिसकी शिक्षार्थियों को आवश्यकता होती है (देखें वांछनीय कठिनाइयाँ, संज्ञानात्मक ऑफलोडिंग); और व्यक्तिगतकरण के साथ शिक्षार्थी की शिक्षार्थी सक्रियता को बनाए रखने के बीच संतुलन एक खुला डिज़ाइन प्रश्न है (देखें agentic AI)। अनुकूलन का एक शिक्षार्थी-अनुरोधित रूप बिल्कुल भी किसी student model के बिना चलता है: Sidorkin (2026) के स्नातकोत्तर पाठ्यक्रम में पठन सामग्री केवल तब समायोजित हुई जब शिक्षार्थियों ने उन्हें फिर से ढालने, गहरा करने, सरल बनाने या स्थानीयकृत करने के लिए अनुवर्ती प्रश्न पूछे, और बोध-उन्मुख अनुरोधों ने भरोसेमंद रूप से घनी स्कैफ़ोल्डिंग उत्पन्न की (आधारभूत पाठ से 3.4x से 8.7x अधिक परिभाषिक चिह्नकर्ता), और यही कारण है कि प्रत्येक पठन हेतु कम से कम तीन अनुवर्ती प्रश्न अनिवार्य करना सामग्री को एक अन्योन्यक्रिया में बदल गया। यह अनुकूलन का बोझ शिक्षार्थी पर भी स्थानांतरित करता है: यहाँ अनुकूलन केवल तभी होता है जब शिक्षार्थी जानता है कि क्या माँगना है।

व्यक्तिगतकृत अधिगम और बुद्धिमान ट्यूटरिंग से संबंध

अनुकूली अधिगम को अक्सर personalized learning के साथ भ्रमित किया जाता है, लेकिन ये भिन्न हैं। अनुकूली अधिगम एक तंत्र है — शिक्षार्थी मॉडल के आधार पर सामग्री, गति और कठिनाई का वास्तविक समय समायोजन। व्यक्तिगतकृत अधिगम पूरे सीखने के अनुभव को किसी व्यक्ति के अनुरूप बनाने का व्यापक लक्ष्य है, जिसका एक कार्यान्वयन वास्तविक समय का अनुकूलन है। अनुकूली प्रणालियाँ व्यक्तिगतकरण की ओर जाने वाला आदर्श साधन हैं। Intelligent tutoring एक शास्त्रीय मंच है: ITS निदान (शिक्षार्थी मॉडलिंग, ज्ञान अन्वेषण) को अनुकूलन के साथ जोड़ते हैं, और LLM-आधारित ट्यूटर संवादात्मक रूप से अनुकूलित करते हैं। personalized learning के साथ मिलकर अनुकूली अधिगम learner modeling and adaptive instruction परिवार का एक अनुप्रयोग-पक्षीय सदस्य है — वे शिक्षार्थी प्रतिनिधित्वों को उपभोग करता है जो student modeling, ज्ञान अनुरेखण और संज्ञानात्मक निदान उत्पन्न करते हैं।

अनुसंधान प्रमाण

• अनुकूल + एआई उपकरणों पर Meta-analytic प्रमाण। 14 RCTs का A World Bank meta-analysis अनुकूली कंप्यूटर-सहायित अधिगम, बुद्धिमान ट्यूटरिंग और जनरेटिव एआई को एक साझा मानक पर एकत्रित करता है, औसत सीखने के लाभ का अनुमान ~0.125 sd लगाता है, दोनो तकनीकी पीढ़ियों के बीच कोई सार्थक अंतर नहीं — यह प्रमाण है कि लाभ को अनुकूलन तंत्र चलाता है, किसी विशिष्ट उपकरण पीढ़ी नहीं।

• गतिशील क्षेत्रों में अनुकूली एल्गोरिद्म की तुलना। Graph-based ITS research गतिशील पाठ्यक्रमों हेतु एक ग्राफ-आधारित ज्ञान प्रतिनिधित्व ढाँचे में कई अनुकूली शिक्षण एल्गोरिद्म (बेयसियन ज्ञान प्रसार और अंतर्ज्ञानी फ़ज़ी तर्क सहित) की तुलना करता है।

• अनुकूलन तंत्र के रूप में RL, अनुभवजन्य रूप से मानचित्रित। Riedmann, Schaper & Lugrin (2025) 89 RL-in-education अध्ययनों को संश्लेषित करते हैं और पाते हैं कि अनुकूलन सामग्री-संबंधी (शिक्षण अनुक्रमण/सामग्री निर्धारण, n = 53) और मार्गदर्शन-संबंधी (संकेत, प्रतिपुष्टि, गतिविधि चयन, n = 36) संयंत्रों में विभाजित है — जिसमें RL सामग्री निर्धारण की तुलना में मार्गदर्शन-संबंधी अनुकूलन के लिए आधारभूत तुलनाओं पर अधिक बार सांख्यिकीय रूप से सार्थक उत्कृष्टता दिखाता है। वे अनुकूली अधिगम के लिए मॉडल-मुक्त RL की सिफ़ारिश करते हैं और चेतावनी देते हैं कि समीक्षित अध्ययनों में शास्त्रीय RL ने गहन RL से बेहतर प्रदर्शन किया।

• सहीता-आधारित अनुकूलता अभ्यास को बहुत जल्दी समाप्त कर सकती है। An, McLaren, and Stamper (2026) ने पाया कि सहीता से दक्षता का अनुमान लगाने वाली अनुकूली प्रणालियाँ यह जोखिम उठाती हैं कि वे अभ्यास समाप्त कर दें इससे पहले कि शिक्षार्थी उन संदर्भों का सामना करें जहाँ सीखी गई कार्रवाई को रोका जाना चाहिए — जिससे भ्रामक अति-सामान्यीकरण (deceptive overgeneralization) अपठित रह जाता है। वे "do-not-act" पहचान कार्यों को शामिल करने की सिफ़ारिश करते हैं, इससे पहले कि दक्षता नियमों से रोकने के नियम सक्रिय हों, ताकि अनुकूलन सशर्त समझ (कि कार्रवाई को कब रोकना है) का परीक्षण करे, केवल सहीता का नहीं।

• दक्षता की एक शृंखला स्थायी सीख नहीं है। 6,000 शिक्षार्थियों के एक माध्यमिक-विद्यालय क्षेत्र प्रयोग में, एआई-समर्थित तीन-सही-लगातार दक्षता नियम ने प्लेटफ़ॉर्म-परिभाषित उपलब्धि को लगभग 28.7 प्रतिशत अंकों तक बढ़ाया बिना एक सप्ताह बाद के विलंबित परीक्षण में सुधार किए, इसलिए दक्षता मेट्रिक्स का मूल्यांकन विलंबित सीख के विरुद्ध करना चाहिए, न कि उसके स्थान पर खड़े होना (Oreopoulos et al. (2026)).

• सज्ञानात्मक सहभागिता के प्रकार को अनुकूलित करें, केवल कठिनाई को नहीं। Tithi et al. (2026) ने पाया कि निर्देशित (सक्रिय) या बगी (रचनात्मक) उदाहरण वर्गों को सौंपने वाली BKT और गहन-RL नीतियाँ दोनों ने 113 शिक्षार्थियों के तर्क ट्यूटर में यादृच्छिक सौंपने को हराया (पोस्टटेस्ट 72.3 और 72.5 बनाम 65.7), जिसमें BKT ने निम्न पूर्व-ज्ञान वाले शिक्षार्थियों को सर्वश्रेष्ठ सेवा दी और DRL ने उच्च को।

• अधिक प्रतिक्रिया बेहतर प्रतिक्रिया नहीं है। एक आठ-सप्ताहीय अनुकूली संभाव्यता पाठ्यक्रम (194 शिक्षार्थी) में निर्देशात्मक, सूचनाप्रद और रूपांतरक प्रतिक्रिया भिन्न रूप से अपनाई गईं, और रूपांतरक प्रतिक्रिया बेहतर नियमन के बजाय संज्ञानात्मक अधिभार से जुड़ी — अनुकूलता को शिक्षार्थी के चरण और आवश्यकता से मेल खाना चाहिए, प्रतिक्रिया घनत्व को अधिकतम नहीं (Mejeh & Fromm (2026)।

• अनुकूलन लक्ष्य के रूप में सहभागिता प्रोफ़ाइल। An, Hammock & Goel (2025) ने 315 ऑनलाइन शिक्षार्थियों के VERA में 822 मॉडल बनाने का अनुरेखण किया और उनकी सहभागिता को Observation, Construction और Exploration प्रोफ़ाइल में वर्गीकृत किया, और पाया कि शिक्षार्थी रचना-केंद्रित व्यवहार से पूर्ण, परिकल्पना-संचालित Exploration की ओर बढ़ते हैं जबकि Observation चरणों में बना रहता है। वे तर्क देते हैं कि अनुकूली और व्यक्तिगतकृत डिज़ाइन को इन प्रोफ़ाइलों को पहचानना चाहिए और प्रतिक्रिया (जैसे, समान मॉडल की अनुशंसा या गहरी संकल्पनात्मक समझ का समर्थन) को सतहीय प्रेक्षकों को अधिक समेकी, पूर्ण-चक्र मॉडलिंग की ओर ले जाने हेतु लक्षित करना चाहिए।

• जो स्मृति पढ़ी जाती है लेकिन लिखी नहीं जाती, वह अनुकूलन नहीं है। CoLearn की हिम-स्मृति (frozen-memory) नियंत्रण ने निश्चित वस्तुएँ प्रस्तुत की जबकि फिर भी शिक्षार्थी प्रोफ़ाइल पढ़ी, और वास्तव में कमज़ोर कौशल पर निशाना लगाने वाली वस्तुओं की हिस्सेदारी 0.72 से घटकर 0.57 हो गई, अंतिम दक्षता त्रुटि अनुकूली स्थिति से ऊपर चली गई (He et al. (2026)।

• लाभ अनुक्रमण से आया, समझदार ट्यूटर से नहीं। Chung et al. (2026) ने LLM-निर्देशित reinforcement learning से एक व्यक्तिगतकृत ट्यूटर को प्रशिक्षित किया और दस ताइपेई high schools में एक पाँच-माही Python पाठ्यक्रम में तैनात किया, 770 शिक्षार्थियों को अनुकूली और निश्चित आसान-से-कठिन समस्या अनुक्रमों के बीच यादृच्छिक बाँटा। अनुकूली अनुक्रमण ने व्यक्तिगत रूप से, असहाय final exam अंक 0.156 SD बढ़ाया (नियंत्रणों के साथ 0.150 SD) — जबकि मध्यस्थता विश्लेषण ने प्रभाव को लगभग पूर्ण रूप से सहभागिता के लिए ज़िम्मेदार ठहराया (कार्य में समय के माध्यम से 0.185 SD, प्रयासों के माध्यम से 0.149 SD) न कि आसान या कठीन सामग्री को, और लाभ आरंभिक और निम्न-श्रेणी विद्यालयों के लिए सबसे बड़े थे। अनुकूली लीवर अभ्यास का क्रम था, चैट की गुणवत्ता नहीं।

• दक्षता निर्णय नियम-आधारित रखें और मशीन लर्निंग को केवल निगरानी तक सीमित रखें। 30 छठीं कक्षा के शिक्षार्थियों के लिए एक आठ-सप्ताहीय अनुकूली STEM कार्यक्रम ने मार्गों को नियम-आधारित दक्षता से संचालित किया जबकि मशीन लर्निंग प्रदर्शन ट्रैक करता रहा, अनुकूलन को ऑडिट-योग्य रखा, लेकिन प्रीटेस्ट के बिना और प्रति स्थिति एक कक्षा के साथ इसके लाभ एक स्थानीय स्तर पर मान्य करने योग्य पायलट टेम्पलेट हैं (Bin Bakheet et al., 2026।

• बाधा गुण को अनुकूलित करें, कमज़ोर औसत को नहीं। ज्ञान अवस्थाओं के संक्रमण मॉडलिंग ने विश्लेषणात्मक सोच को अर्जित करने में सबसे कठिन और खोने में सबसे आसान रैंक किया — सबसे निम्न अग्रसारित संक्रमण प्रायिकता 0.31 और सबसे उच्च पश्चसारित 0.22-0.23 — जिससे चिह्नित गुण का पुनः-अभ्यास समग्र दक्षता से अधिक तीखा अनुकूलन लक्ष्य बनता है (Feng & Huang, 2026।

• प्रक्रिया अनुक्रमों से अनुकूलन, समेकित अंकों से नहीं। Wong, Bulathwela & Cukurova (2026) ने तिगुने संवाद में 65 शिक्षार्थियों के संवाद क्रमों के क्रम को खनन करके स्कैफ़ोल्ड नियम निकाले, अनुकूली शिक्षण को समेकित व्यावहारिक या प्रदर्शन मापों से व्यक्तिगत प्रक्रिया अनुक्रमों की ओर ले गए; अधिकतम स्कैफ़ोल्डिंग ने कार्य-केंद्रित व्यवहार बढ़ाया लेकिन स्क्रिप्टिंग भी, और डिज़ाइन अपरीक्षित है।

संबंधित अवधारणाएँ

• ऑनलाइन शिक्षण और अधिगम — ऑनलाइन शिक्षण और अधिगम
• ज्ञान अनुरेखण
• व्यक्तिगत शिक्षा
• इंटेलिजेंट ट्यूटरिंग
• शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण
• मड्गद
• संज्ञानात्मक निदान
• बड़े भाषा मॉडल (LLMs)
• लर्निंग एनालिटिक्स
• उच्च शिक्षा
• K-12
• निर्माणकारक मूल्यांकन
• व्यवहारवाद
• प्रौद्योगिकियाँ — छत्री: AI technologies and techniques (models, LLM training, robotics, RAG, agentic)
• अनुशंसा प्रणालियाँ और सीखने के पथ

संबंधित लेख

• Deceptive Overgeneralization: When Adaptive Learning Enables Systematic Misapplication — भ्रामक अति-सामान्यीकरण: अनुकूली दक्षता अभ्यास को रोक सकती है इससे पहले कि शिक्षार्थी जानें कि कार्रवाई को कब रोकना है (An, McLaren & Stamper 2026)
• AI Tutoring is Not a Monolith: What We Actually Know — AI ट्यूटरिंग एकसमान नहीं है: जो हम वास्तव में जानते हैं (Stanford SCALE/NSSA brief)
• Towards an adaptive AI scaffold for developing student collaborative problem solving
• Fostering self-regulated learning through adaptive learning technology: A differentiated perspective on the role of feedback
• A systematic review of student engagement research in adaptive learning platforms — अनुकूली अधिगम मंचों में शिक्षार्थी सहभागिता का व्यवस्थित समीक्षा
• AI-Enhanced Problem-Based Learning Framework: Integrating ChatGPT as Adaptive Scaffolding to Improve Critical Thinking and Personalized Learning
• Artificial Intelligence and Student Engagement in Online Learning: A Literature Review
• Virtual Tutoring with Computer-Assisted Learning: An Experiment in Take-Up and Learning — CAL के साथ आभासी ट्यूटरिंग: ग्रहण और सीखने में एक प्रयोग
• Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment — एआई ट्यूटरिंग को उत्पादक बनाना: दक्षता-आधारित गणित अभ्यास
• AI-Powered Math Tutoring: Platform for Personalized and Adaptive Education — अनुकूली/व्यक्तिगतकृत बहु-एजेंट गणित ट्यूटरिंग (Chudziak & Kostka 2025)
• Redefining personalized learning in the artificial intelligence era: an updated systematic review from 2019 to 2025 — व्यक्तिगतकृत अधिगम का पुनर्निर्धारण: व्यवस्थित समीक्षा
• DeepTutor: Towards Agentic Personalized Tutoring
• Exploring Fraction Comprehension and Interest in Elementary Education Through AI-Powered Personalized Learning
• Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study
• AdaPT: Adaptive Lesson Plan Transformer for Cross-Regional and Differentiated Instruction
• Comprehensive Review of Intelligent Tutoring Systems
• The Evidence Base on AI in K-12: A 2026 Review — सामान्य चैटबॉट के सामने शिक्षार्थी तत्परता के अनुसार संकलित ट्यूटरिंग-विशिष्ट एआई
• Using Context-Based and AI-Enhanced Approaches to Improve Student Engagement and Achievement in Secondary Chemistry Education — माध्यमिक रसायन में संदर्भ-आधारित 7E + एआई शिक्षण
• Developing Deep Learning in Science Through an Adaptive AI-Based STEM Instructional Program: Evidence From Sixth-Grade Classrooms — गहन अधिगम हेतु अनुकूली एआई-आधारित STEM कार्यक्रम
• Intelligent tutoring in dynamic domains: a graph-based system for comparative analysis of adaptive algorithms — गतिशील क्षेत्रों हेतु ग्राफ-आधारित बुद्धिमान ट्यूटरिंग (2026)
• Bayesian cognitive diagnosis optimizes personalized learning paths via mediation of cognitive load and Hidden Markov Model state transitions — व्यक्तिगतकृत अधिगम मार्गों हेतु बेयसियन संज्ञानात्मक निदान
• Adaptive Scaffolding for Cognitive Engagement in an Intelligent Tutoring System — एक ITS में अनुकूली ICAP स्कैफ़ोल्डिंग (BKT बनाम DRL)
• Can EdTech Close Learning Gaps? Global Evidence from Digital Interventions — 14 RCTs में अनुकूल + एआई-सक्षम उपकरणों को एकत्र करने वाला मेटा-विश्लेषण
• Mapping artificial intelligence integration in higher education: A systematic review using the FACETS and SAMR frameworks — व्यवस्थित समीक्षा: प्रमुख उच्च-शिक्षा एआई एकीकरण उपयोग मामलों में अनुकूली मार्ग
• How Online Learners Engage in Self-Directed Modeling: A Behavioral Analysis
• Reinforcement Learning in Education: A Systematic Literature Review
• Effective Personalized AI Tutors via LLM-Guided Reinforcement Learning — अनुकूली समस्या अनुक्रमण निश्चित अनुक्रमण को हराया: असहाय परीक्षा में +0.156 SD, कठिनाई के बजाय सहभागिता से मध्यस्थ (Chung et al. 2026)
• CoLearn: An Agentic Tutor that Learns its Learner in a Human-AI Co-Learning Loop — CoLearn: एक एजेंटिक ट्यूटर जो मानव-एआई सह-अधिगम चक्र में अपने शिक्षार्थी को सीखता है