AI साक्षरता

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

AI साक्षरता — वह ज्ञान, कौशल और महत्वपूर्ण प्रवृत्तियाँ जो शैक्षिक संदर्भों में AI प्रौद्योगिकियों को समझने, मूल्यांकित करने और प्रभावी ढंग से उपयोग करने के लिए आवश्यक हैं। AI साक्षरता में यह समझ शामिल है कि AI कैसे काम करता है, AI उपकरणों का उपयोग करने की व्यावहारिक क्षमता, AI आउटपुट का महत्वपूर्ण मूल्यांकन, और AI के सामाजिक निहितार्थों की नैतिक जागरूकता।

विचार करने योग्य प्रश्न

• "AI साक्षर" होने का क्या अर्थ है? क्या यह उपकरणों का उपयोग करना जानना है, यह समझना है कि वे कैसे काम करते हैं, या उनके आउटपुट का महत्वपूर्ण मूल्यांकन करने में सक्षम होना — और आपके अपने लक्ष्यों के लिए कौन सबसे अधिक मायने रखता है?
• स्व-रिपोर्टित AI साक्षरता मापे गए प्रदर्शन से तेज़ी से भिन्न होती है — शिक्षक अपने कौशलों का लगभग 40% अधिक अनुमान लगाते हैं। आप अपने AI कौशलों में कितने आत्मविश्वास रखते हैं, और उस आत्मविश्वास को वास्तव में परखने के लिए आप किस साक्ष्य पर भरोसा करेंगे?
• AI साक्षरता को एक अंतर्ज्ञानात्मक सामाजिक प्रथा के रूप में वर्णित किया गया है, कौशल की सूची नहीं। क्योंकि LLMs संभाव्य और अपारदर्शी हैं, तो जब आप मॉडल के अंदर नहीं देख सकते तब आउटपुट का "महत्वपूर्ण मूल्यांकन" करने का क्या अर्थ है?
• शैक्षणिक निर्धारणों के लिए महत्वपूर्ण-उपयोग साक्षरता और रोज़गार के लिए कार्यप्रवाह-एकीकरण साक्षरता के बीच एक तनाव है — शिक्षक और नियोक्ता अलग-अलग कौशलों को मूल्य देते हैं। आपका संदर्भ असल में किस प्रकार की AI साक्षरता सिखा रहा है?
• तकनीकी AI-साक्षरता प्रशिक्षण अकेले, बिना आत्म-प्रभावकारिता और स्व-विनियमन सहायता के, AI पर निर्भरता वास्तव में बढ़ा सकता है। AI का उपयोग करना सीखना आपको क्षमतापूर्ण के बजाय अधिक निर्भर कैसे बना सकता है?
• AI साक्षरता एक पहचान कौशल भी है: यह पकड़ना कि कब AI आपसे सहमत है क्योंकि वह चापलूसीपूर्ण है बनाम क्योंकि आप सही हैं। क्या आपने कभी किसी AI को पकड़ा है कि वह केवल वही कह रहा है जो आप सुनना चाहते थे?

परिचय

AI साक्षरता तेज़ी से शिक्षार्थियों, शिक्षकों और संस्थाओं के लिए एक मूल क्षमता के रूप में उभरी है क्योंकि जनरेटिव-AI शिक्षा में सन्निहित होती है। सामान्य डिजिटल साक्षरता के विपरीत, AI साक्षरता को उन संभाव्य प्रणालियों को समझना आवश्यक है जो भ्रम कर सकती हैं, पूर्वाग्रह प्रदर्शित कर सकती हैं, और शिक्षार्थी सक्रियता को मानव से मशीन तक स्थानांतरित कर सकती हैं — जिससे आलोचनात्मक सोच और अति-निर्भरता निर्माण के केंद्र बन जाते हैं।

AI साक्षरता के आयाम

इस ज्ञानकोश में AI साक्षरता शोध चार परस्पर-जुड़े आयामों में फैला है:

ढाँचे तेज़ी से यह अनुसरण कर रहे हैं कि ये आयाम अभ्यास में कैसे साकार होते हैं: दाई और चान (2026) दिखाते हैं कि स्नातकोत्तर शोधकर्ता शोध कार्यप्रवाह में जनरेटिव-AI का उपयोग करते समय चारों आयामों को कैसे साकार करते हैं और उनसे शोध-विशिष्ट जिम्मेदार-उपयोग दिशानिर्देशों को मड्गद बनाते हैं, जबकि सान और ओरहान कार्साक (2026) शब्द-संबद्ध मैपिंग का उपयोग करके दिखाते हैं कि तुर्की स्नातक छात्रों का AI संज्ञान साधनात्मक रूप से "ब्लैक-बॉक्स" प्रभुत्वित है, जिसमें नैतिक-शासन अवधारणाएँ संरचनात्मक रूप से अलग-थलग हैं (τ=−0.819) — यह साक्ष्य कि क्रेडेंशियल डिज़ाइन को अनुभवजन्य उपकरण उपयोग और नैतिक ढाँचों के बीच जानबूझकर पुल बनाना होगा।

मांग इस बात पर निर्भर करती है कि छात्र और प्रणाली संयुक्त रूप से क्या कर रहे हैं। साक्षरता ढाँचे सामान्यतः एक सामान्य क्षमताओं का समूह वर्णित करते हैं, लेकिन किसी जनरेटिव-AI-समर्थित गतिविधि के लिए असल में क्या आवश्यक है यह इस बात से बदलता है कि उसके भीतर ज्ञान-बौद्धिक काम कैसे वितरित है। सन, डोह्न और रेहम (2026) ने 102 अनुभवजन्य उच्च शिक्षा अध्यायनों को स्ट्रोबेल सहित के जनरेटिव-AI अनुप्रयोगों के वर्गीकरण के विरुद्ध वर्गीकृत किया और पाया कि सहायक और सक्षमकर्ता उलझनें प्रत्येक 42.16% पर प्रभुत्वित हैं, जबकि जनरेटर, पुनर्कल्पनाकर्ता और संश्लेषक एक साथ एक पंचवां से कम थे — एक तिरछापन जिसे वे संस्थागत वैधता के लिए श्रेय देते हैं न कि मॉडल क्षमता के लिए, क्योंकि वही मॉडल पाँचों का समर्थन करते हैं। प्रत्येक प्रकार को डोह्न के तीन संदर्भ स्तरों (डोमेन-आंतरिक, गतिविधि-आंतरिक, गतिविधि-फ्रेमिंग) के माध्यम से पढ़ने से दिखता है कि मांग सहायक काम के लिए सुसंगत होती है और हाशिय पर के प्रकारों के लिए टूटती है, जहाँ गतिविधि की छात्रों से मांग उससे अलग होती है जिसे संस्था वैध क्षमता के रूप में पहचानती है। उनका निष्कर्ष साक्षरता को उपकरण प्रवाहशीलता से पूरी तरह दूर ले जाता है: जनरेटिव-AI साक्षरता किसी दी गई उलझन में ज्ञान-बौद्धिक काम और जिम्मेदारी कैसे वितरित है इसे पहचानने की क्षमता है, और उसके भीतर उचित रूप से कार्य करना।

आधारभूत ज्ञान: यह समझना कि LLMs क्या हैं, वे नियम-आधारित प्रणालियों से कैसे भिन्न हैं, और उनकी मौलिक सीमाएँ। इसमें मॉडल क्षमताओं, प्रशिक्षण डेटा पूर्वाग्रहों, और कार्य-विशिष्ट AI और सामान्य-उद्देश्य मॉडलों के बीच भेद की जागरूकता शामिल है। प्रॉम्प्ट इंजीनियरिंग में शोध जाँचता है कि प्रॉम्प्ट तंत्रों को समझना प्रभावी AI उपयोग को कैसे प्रभावित करता है।

व्यावहारिक क्षमता: AI उपकरणों का प्रभावी ढंग से उपयोग करने की क्षमता — प्रॉम्प्ट इंजीनियरिंग से आउटपुट की व्याख्या करने तक। छात्र जनरेटिव-AI उपयोग पैटर्न के अध्ययन प्रकट करते हैं कि उपकरण पहुँच अकेले क्षमता पैदा नहीं करती; संरचित अभ्यास और मड्गद आवश्यक हैं। वाइब कोडिंग ढाँचा दिखाता है कि K-12 शिक्षक निर्देशित उपकरण निर्माण के माध्यम से व्यावहारिक AI साक्षरता कैसे विकसित कर सकते हैं। माइल्स, हैबर-कुरान और अरार (2026) तर्क देते हैं कि इस आयाम का एक हिस्सा है जिसे अनुकूलन प्रशिक्षण छोड़ देता है: प्रॉम्प्ट साक्षरता, प्रॉम्प्ट इंजीनियरिंग से अलग, प्रॉम्प्टिंग को एक विवेचनात्मक और नैतिक कार्य के रूप में मानती है, इसलिए निर्देश जो केवल बेहतर प्रदर्शन के लिए आउटपुट ट्यून करता है वह LLM उपयोग के नैतिक और ज्ञान-बौद्धिक आयामों को बिना छुए छोड़ देता है।

महत्वपूर्ण मूल्यांकन: AI आउटपुट को सटीकता, पूर्वाग्रह और उपयुक्तता के लिए आकलन करने की क्षमता। साक्षरता मूल्यांकन पर शोध स्व-रिपोर्टित और प्रदर्शन-आधारित AI साक्षरता के बीच 40% अंतराल दिखाता है — लोग लगातार अपने मूल्यांकन कौशलों का अधिक अनुमान लगाते हैं। वह विचलन ज्ञानकोश में स्व-रिपोर्ट माप के सबसे स्पष्ट मामला है जो उस क्षमता को ट्रैक करने में विफल रहता है जिसे वह नामित करता है। यह अति-निर्भरता शोध से जुड़ता है जो दिखाता है कि जो छात्र भरोसा AI पर बिना समीक्षा भरोसा करते हैं वे कम सीखते हैं। हालिया संकल्पनात्मक कार्य मूल्यांकन को सत्यापन की ओर धकेलता है: PEARLS ढाँचा (वांग) AI आउटपुट को एक अस्थायी ज्ञान दावे के रूप में मानता है जिसका वारंट छह आयामों (प्रक्रिया, साक्ष्य, पहुँच, पुनरुत्पादकता, वैधता, स्रोत) पर इकट्ठा और जाँचा जाना चाहिए, और सत्यापन-चालित सीखना को उस तंत्र के रूप में आगे बढ़ाता है जिससे शिक्षार्थी AI दावों की जाँच करते हुए विशेषज्ञता बनाते हैं। इसे पूरक करते हुए, छात्र-केंद्रित जिम्मेदार-उपयोग ढाँचा (अलसमैनी) सीखने और वृद्धि, नैतिकता और इमानदारी, और जागरूकता और सुरक्षा स्तंभों में दस छात्र-सामना दिशानिर्देश प्रस्तावित करता है जो निर्णय के बिंदु पर अंतर्ज्ञानात्मक प्रॉम्प्ट बाह्यीकृत करते हैं। माध्यमिक शिक्षार्थियों के लिए, AI-सहायित शोध क्षमता (AARC) ढाँचा (ब्यू, फ्लेक्वियर और लेज़र 2026) इसे सद्गुण ज्ञान-बौद्धिकता और AI अंतर्ज्ञान में आधारित करता है, शोध साक्षरता को लेखकत्व, निर्णय, सत्यापन या जिम्मेदारी को समर्पित किए बिना AI के साथ जांच करने के रूप में परिभाषित करता है — एक विश्लेषणात्मक मानदंड और एक सत्यापित–उद्धृत–चिंतन प्रतिबद्ध नियम के रूप में परिचालित। मूल्यांकन सिरे पर, सालेह (2026) एक मानव क्षमता परीक्षण प्रस्तावित करता है जो मूल्यांकन को एक डिज़ाइन सिद्धांत में बदलता है: पूछें कि एक छात्र को स्वतंत्र रूप से क्या प्रदर्शित करना चाहिए, क्या AI संवर्धन के माध्यम से मज़बूत किया जा सकता है, और छात्र को क्या सत्यापित, बचाव और उत्तरदायित्व लेना चाहिए।

अनुशासनात्मक सत्यापन उसी पट्टी को और ऊपर उठाता है। वेगा-बौड्रिट और रिवेरा अल्वारेज़ (2026) तर्क देते हैं कि विश्वविद्यालय रसायन विज्ञान में मूल AI साक्षरता मांग जॉनस्टोन के दृश्यमान, अणु-स्तरीय और प्रतीकात्मक डोमेन में प्रतिनिधित्मक अनुवाद है, क्योंकि एक आउटपुट एक डोमेन में स्थानीय रूप से विश्वसनीय हो सकता है जबकि दूसरे में चार्ज संतुलन, एक तंत्र या एक सुरक्षा सीमा का विरोध करता है। उनका उपाय सत्यापन-केंद्रित एकीकरण है: सत्यापन को एक आकलित गतिविधि बनाएँ, प्रॉम्प्ट लॉग और संशोधन इतिहासों को तर्क निशान के रूप में रखें, और प्रॉम्प्टिंग को एक ज्ञान-बौद्धिक कार्य के रूप में मानें जो बाधाएँ, धारणाएँ और पर्याप्तता मानदंड निर्दिष्ट करता है, जिसमें छात्र एक झूठी धारणा की पहचान करें या उत्पन्न उत्तर को अस्वीकार करने का उचित ठहराएँ।

नैतिक और संस्थागत जागरूकता: AI के व्यापक निहितार्थों को समझना — शैक्षणिक इमानदारी से समानता से निजता तक। संस्थागत स्तर पर AI साक्षरता में नीति विकास, शैक्षिक विकास और शासन ढाँचे शामिल हैं — संस्थागत AI साक्षरता नीति का विषय है जितना शिक्षाशास्त्र। EPIQ-AI ढाँचा संस्थागत AI साक्षरता को एक सामाजिक-तकनीकी संरेखण चुनौती के रूप में फ्रेम करता है, केवल व्यक्तिगत प्रशिक्षण नहीं।

• सतत विकास के लिए शासन क्षमता के रूप में AI साक्षरता। इस्लाम, मोर्शेद और इस्लाम (2026) AI साक्षरता को पूरी तरह एक शैक्षिक या तकनीकी कौशल के बजाय एक शासन-उन्मुख क्षमता के रूप में पुनःसंकल्पित करते हैं, इसे सत्रह UN सतत विकास लक्ष्यों से जोड़ते हैं। उनका छह-स्तरीय AIRE वर्गीकरण (पहचानें → समझें → लागू करें → विश्लेषण करें → एकीकृत करें → शासन करें) ब्लूम के पदानुक्रम को नैतिक संश्लेषण और रणनीतिक दूरदर्शी जोड़कर विस्तारित करता है, उन्नत क्षमताओं (विश्लेषण–शासन) को आधारभूत साक्षरता से संस्थागत और नीति-स्तरीय शासन तक के मार्ग के रूप में रखता है — एक "18वाँ SDG" अनुमानज्ञ जो साक्षरता को एक सर्व-व्यापी संज्ञानात्मक और नैतिक पुल के रूप में मानता है। एक राष्ट्रीय संदर्भ में 300 पेशेवरों का एक सर्वेक्षण ने मज़बूत तकनीकी जागरूकता लेकिन सीमित नैतिक और शासन तैयारी पाई, जिसमें नैतिक तर्क और चिंतनात्मक सोच सतत, विश्वसनीय AI उपयोग के सबसे मज़बूत भविष्यवक्ता थे और शासन साक्षरता AI–SDG संबंध जागरूकता का सबसे मज़बूत भविष्यवक्ता (β = 0.64)। यह ज्ञानकोश के महत्वपूर्ण-उपयोग साक्षरता पर जोर को अनुभवजन्य रूप से आधारित करता है और AI साक्षरता को सीधे सस्टेनेबिलिटी और नीति एकीकरण से जोड़ता है। ढाँचा आपूर्ति अब अपनी ही समस्या है। फित्सिलिस (2026) ने शिक्षा और कार्यबल विकास के लिए 16 संस्थागत रूप से समर्थित AI क्षमता ढाँचों की तुलना की और दस क्षमता क्षेत्रों का एक साझा मूल पाया लेकिन संरचना, प्रगति और कार्यान्वयन मार्गदर्शन में व्यापक भिन्नता — व्यावहारिक कठिनाई उनके बीच चुनना है, कमी नहीं।

AI साक्षरता कैसे विकसित होती है

शोध सहयोगात्मक और सक्रिय दृष्टिकोणों को सबसे प्रभावी के रूप में इंगित करता है। रिसमांचियन और डोरौदी AI साक्षरता को लागू कौशल से अधिक के रूप में रखते हैं: उनके AI×Ed ढाँचे में शिक्षार्थी AI का एक अलग अंतिम उपयोगकर्ता है (AI साक्षरता और AI शिक्षा के माध्यम से पहुँचा गया), और वे नए AI-साक्षरता कार्य का तर्क देते हैं जो सीखने पर स्वयं चिंतन को प्रोत्साहित करता है — साक्षरता को "मानव बुद्धि के लिए एक सादृश्य के रूप में AI" शोध में वापस एक मार्ग के रूप में मानते हुए कि लोग कैसे सीखते हैं, एक धागा जिसे क्षेत्र ने बड़े भाग में छोड़ दिया था। ICAP फ्रेमवर्क (संवादात्मक → रचनात्मक → सक्रिय → निष्क्रिय) संज्ञानात्मक जुड़ाव का एक उपयोगी वर्गीकरण प्रदान करता है: छात्र AI साक्षरता सबसे अच्छी तरह सीखते हैं जब वे ज्ञान का सह-निर्माण करते हैं बजाय निष्क्रिय रूप से सूचना प्राप्त करने के। डिज़ाइनरों को वह तरीका चुनना चाहिए जो सीखने के लक्ष्य के लिए फिट हो और जहाँ संभव हो गहरे (रचनात्मक और संवादात्मक) तरीकों का पक्ष लेना चाहिए। व्यावहारिक गतिविधियाँ — प्रॉम्प्ट डिज़ाइन करना, समूहों में आउटपुट का मूल्यांकन करना, AI नैतिकता पर बहस करना — व्याख्यान को हराती हैं।

रचना जीवित अनुभव से शुरू होती है — लेकिन अवधारणा गहराई को मड्गद चाहिए। बर्रिस सहित (2026) ने पाया कि युवाओं ने अमूर्त AI नैतिकता सिद्धांतों को उन प्रणालियों में स्थिर किया जिन्हें वे रोज़ाना पाते हैं — इलेक्ट्रॉनिक "हॉल पास," विद्यालय-नियंत्रित लैपटॉप, साहित्यिक चोरी डिटेक्टर — जिसमें एक समूह ने समझाया कि विद्यालयों में AI "समूह के सभी सदस्यों के लिए व्यक्तिगत था," और 18 में से 15 अंत-इकाई सर्वेक्षण प्रतिक्रियाओं ने रिपोर्ट किया कि वीडियो बनाने ने AI नैतिकता के उनके समझ को बदल दिया। लेखक सीमा के बारे में स्पष्ट हैं: रचना ने अपने आप संकल्पनात्मक आधार नहीं गारंटी किया — "सूचित सहमति" का अनुवाद "हमें मंज़ूरी देनी होगी" के रूप में किया गया, और कुछ शब्द (जैसे, "फेलसेफ") कभी नहीं समझाए गए, जिससे उन्होंने बाद के पुनरावृत्तियों में गहरे संकल्पनात्मक काम की योजना बनाई। रचनात्मक उत्पादन AI साक्षरता सबसे अच्छी तरह विकसित करता है जब स्पष्ट संकल्पनात्मक मड्गद बनाने के साथ आता है बजाय इसके कि यह स्वाभाविक रूप से उभरे।

AI अंतर्ज्ञान साक्षरता का अनुभवजन्य पूरक। एक आवर्ती अंतराल यह है कि K-12 ढाँचे मानते हैं कि शिक्षार्थी AI को घोषणात्मक, नियम-आधारित ज्ञान के माध्यम से देखते हैं, जबकि अभ्यास में वे पहले एक व्यावहारिक "अनुभूति" विकसित करते हैं कि AI कैसे प्रतिक्रिया करता है — प्रॉम्प्ट के साथ प्रयोग करते हुए, व्यवहार प्रेक्षित करते हुए, रणनीतियाँ अनुकूलित करते हुए — इससे पहले कि वे औपचारिक सिद्धांत साकार कर सकें। ब्यू और लेज़र (2026) इसे AI अंतर्ज्ञान के रूप में औपचारिक रूप देते हैं: एक अनुभवजन्य, आगमनात्मक, प्रायः अन्तर्निहित समझ जो AI प्रणालियों के साथ पुनरावृत्त बातचीत के माध्यम से विकसित होती है और अनिश्चितता के तहत संदर्भ-संवेदनशील निर्णय का समर्थन करती है। उनका दोहरा ढाँचा AI साक्षरता (संरचित, बड़े भाग में स्थिर क्षमताएँ) को AI अंतर्ज्ञान (एक गतिशील सीखने की प्रक्रिया) के साथ रखता है, दोनों को मानक आयामों के पार मैप करता है — अवधारणाएँ समझें, उपकरण उपयोग करें, महत्वपूर्ण रूप से मूल्यांकित करें, नैतिक रूप से लागू करें, चिंतन करें — ताकि शिक्षार्थी संकल्पनात्मक स्पष्टता और गार्डरेल (साक्षरता) को भरोसेमंद-लेकिन-सत्यापित करने और कब अलग होना तय करने की व्यावहारिक बुद्धि (अंतर्ज्ञान) के साथ जोड़ें। क्योंकि अंतर्ज्ञान AI की "विशेषज्ञ प्रेक्षण" (जैसे तनाव-परीक्षण प्रॉम्प्ट यह खोजने के लिए कि एक मॉडल कहाँ विफल होता है) का संस्कार करता है, लेखक तर्क देते हैं कि यह अति-निर्भरता और महत्वपूर्ण-सोच क्षय के विरुद्ध एक सुरक्षा है; यह प्रॉम्प्ट इंजीनियरिंग (जो आउटपुट अनुकूलित करता है) से अलग है ज्ञान-बौद्धिक निर्णय को सामने रखने में। यह साक्षरता को अनुभवजन्य शिक्षा, कंस्ट्रक्टिविज़्म और विकासात्मक रूप से आधारित कक्षा अभ्यास से जोड़ता है, और शिक्षक तैयारी को केवल अवधारणाएँ देने के बजाय आगमनात्मक खोज की सुविधा देने की ओर संकेत करता है।

प्रेरणा एक पूर्वशर्त है, केवल एक परिणाम नहीं। लियांग सहित (2026) ने एक वर्ष-लंबे AI पाठ्यक्रम में 2,086 माध्यमिक छात्रों में पाया कि जो छात्र स्व-निर्धारित प्रेरणात्मक प्रोफ़ाइल में बदले या बने रहे (उच्च स्वायत्तता, क्षमता और संबंधिता आवश्यकता संतुष्टि) उन्होंने सबसे बड़े AI-साक्षरता लाभ दिखाए। AI साक्षरता सतत जुड़ाव के माध्यम से विकसित होती है, और वह जुड़ाव स्वयं प्रेरणा और मनोवैज्ञानिक-आवश्यकता सहायता से आकारित होता है — इसलिए प्रभावी AI-साक्षरता निर्देश को शिक्षार्थियों के कौशल नहीं, उनकी प्रेरणा पर भी ध्यान देना चाहिए।

निर्देशात्मक जोर और कार्य खुलापन अलग-अलग आवश्यकताओं के माध्यम से प्रदर्शन तक पहुँचते हैं। यू, लिन और चेन (2026) ने 320 स्नातक छात्रों का यादृच्छिकरण किया एक AIGC छवि-निर्माण कार्य पर चार समूहों में 2 x 2 प्रयोग में जिसे एक वस्तुनिष्ठ मानदंड से स्कोर किया गया (ICC = 0.89) और पाया कि सोच-आधारित निर्देश, जो मॉडल सीमाओं, महत्वपूर्ण मूल्यांकन और नैतिकता को कवर करता है, कौशल-आधारित प्रॉम्प्टिंग निर्देश को हराया (M = 9.21 बनाम 7.69, F(1, 316) = 50.79, p < 0.001, आंशिक eta वर्ग = 0.138), खुले-अंत कार्यों पर व्यापक मार्जिन के साथ (10.10 बनाम 8.00)। संरचनात्मक मॉडल दिखाता है कि दो डिज़ाइन चुनाव अलग मार्गों से यात्रा करते हैं: निर्देश स्वायत्तता (beta = 0.035) और क्षमता (beta = 0.079) के माध्यम से अप्रत्यक्ष रूप से काम किया, जबकि कार्य खुलापन मुख्यतः स्वायत्तता (beta = 0.029) के माध्यम से काम किया, क्षमता प्रदर्शन का सबसे मज़बूत भविष्यवक्ता था (beta = 0.358) और संबंधिता का कोई स्वतंत्र प्रभाव नहीं था। इसलिए निर्देश में क्या है यह इस बात से अधिक मायने रखता है कि शिक्षार्थियों को प्रॉम्प्टिंग अभ्यास मिलता है या नहीं, और यह सबसे अधिक मायने रखता है जब कार्य खुला-अंत हो।

AI साक्षरता के इर्द-गिर्द चरों को तब से अधिक व्यापक रूप से मैप किया गया है। AI साक्षरता के सहसंबंधियों की 2025 व्यवस्थित समीक्षा ने 14 देशों में 31 अध्यायनों (N = 12,071) को संश्लेषित किया और सबसे संगत संबंध भावनात्मक और व्यवहारिक बैंड में पाए: AI आत्म-प्रभावकारिता, सकारात्मक AI दृष्टिकोण, प्रेरणा और डिजिटल क्षमता सभी AI साक्षरता के साथ चली, जबकि AI चिंता और नकारात्मक दृष्टिकोण उसके विरुद्ध चले। जनसांख्यिकीय चर मुश्किल से पंजीकृत हुए, आयु और सामाजिक-आर्थिक स्थिति का कमज़ोर रूप से या बिल्कुल नहीं सहसंबंध। समीक्षा की सावधानी उपकरणों के बारे में है: वही अध्यायन जिन्होंने स्व-मूल्यांकन से मज़बूत सहसंबंध पैदा किए उन्होंने बहुत कमज़ोर भी दिखाए जब AI साक्षरता का परीक्षण किया गया बजाय स्व-रेटिंग के।

एक चीनी शोध विश्वविद्यालय के 502 संकाय उत्तरदाताओं का एक संरचना-समीकरण अध्ययन ने AI साक्षरता को AI कल्याण का सबसे मज़बूत भविष्यवक्ता पाया (β = 0.713), एक छोटे तकनीकी आत्म-प्रभावकारिता मार्ग (β = 0.082) के विरुद्ध, जिसमें सामाजिक और संस्थागत सहायता कल्याण तक केवल अप्रत्यक्ष रूप से पहुँचती (लियू सहित (2026)))।

एक स्पष्ट नकारात्मक संबंध नियंत्रण के तहत उलट जाता है: 303 हांग कांग स्नातक छात्रों में, तकनीक चिंता AI साक्षरता से नकारात्मक रूप से सहसंबद्ध थी (r = −0.14) फिर भी एक संयुक्त मॉडल में β = 0.15 की भविष्यवाणी की, एक प्रभाव जो महत्वपूर्ण मूल्यांकन और नैतिक क्षमता तक सीमित था (चाउ सहित (2026)))।

हू (2026) एक क्रमबद्ध विवरण जोड़ता है कि AI साक्षरता क्या भविष्यवाणी करता है न कि क्या उसकी भविष्यवाणी करता है। भूमिभूत चीन में 450 विश्वविद्यालय छात्रों को सर्वेक्षित करते हुए जो पहले से ChatGPT उपयोग करते हैं, अध्ययन ने पाया कि AI साक्षरता सीधे निरंतर उपयोग से संबंधित (beta = 0.16, p = 0.002) और भरोसा और शैक्षणिक स्व-प्रभावशीलता (अप्रत्यक्ष प्रभाव = 0.07, 95% CI [0.04, 0.10]) के माध्यम से एक क्रमिक मार्ग पर अप्रत्यक्ष रूप से, जिसमें साक्षरता से विश्वास लिंक मॉडल में सबसे बड़ा संबंध (beta = 0.50)। AI चिंता ने उस पहले लिंक को नियंत्रित किया (बातचीत beta = -0.25, सादी ढलानें चिंता सीमा में 0.76 से 0.25 तक गिरीं), इसलिए शृंखला अधिक चिंतित छात्रों के लिए पतली हुई और यह माना नहीं जाना चाहिए कि साक्षरता निर्देश अकेले उन तक पहुँचेगा। डिज़ाइन अनुप्रस्थ-खंडात्मक है और नमूना मौजूदा उपयोगकर्ताओं तक सीमित है, इसलिए क्रम एक मॉडलिंग धारणा है न कि एक प्रेक्षित अनुक्रम।

AI साक्षरता का एक मूल लागू लक्ष्य AI के दुरुपयोग में कमी है: छात्रों को नैतिक और उत्पादक रूप से AI का उपयोग सिखाना बजाय अपने संज्ञानात्मक कार्य का प्रतिस्थापन करने के। जहाँ AI साक्षरता AI का महत्वपूर्ण रूप से मूल्यांकन और उपयोग करने की क्षमता बनाती है, वहाँ दुरुपयोग में कमी व्यवहारिक और संरचनात्मक भुगतान है — गार्डरेल-सहित उपकरण डिज़ाइन, मूल्यांकन-पुनर्डिज़ाइन, और शिक्षाप्रद लीवर जैसे मड्गद पहले-सोचो/AI-दूसरा अनुक्रम और जानबूझकर प्रतिपुष्टि के साथ प्रॉम्प्टिंग अभ्यास को जोड़ती है। दो अवधारणाएँ परस्पर-प्रबल हैं: AI साक्षरता उन महत्वपूर्ण प्रवृत्तियों की आपूर्ति करती है जो दुरुपयोग-कमी हस्तक्षेपों को टिकाऊ बनाती हैं, जबकि दुरुपयोग-कमी साक्ष्य (जैसे प्रदर्शन–सीखना अंतराल) यह प्रेरित करता है कि साक्षरता को परिचालन कौशल से आगे महत्वपूर्ण निर्णय तक क्यों जाना चाहिए।

AI साक्षरता को सबसे छोटे शिक्षार्थियों के लिए विकासात्मक रूप से उचित रूपों की भी आवश्यकता है। AI-Play AI साक्षरता क्षमताओं को Pre-K–K2 शिक्षार्थियों के लिए खेल-आधारित, अनप्लग्ड गतिविधियों में अनुवादित करता है — AI शरीर (भागों से बनी एक प्रणाली के रूप में AI), AI भोजन (AI उदाहरणों से सीखता है), AI मस्तिष्क (AI पैटर्न और प्रतिक्रिया के माध्यम से सुधरता है), और एक पूर्व/पश्चात AI नैतिक लेंस के इर्द-गिर्द व्यवस्थित — प्रारंभिक बचपन के लिए विकासात्मक रूप से आधारित AI साक्षरता मार्गदर्शन की एक सतत कमी को संबोधित करता है और AI साक्षरता को गैर-तकनीकी शिक्षक और परिवारों के लिए सुलभ बनाता है। इसे पूरक करते हुए, वहेदियन मोवाहेद और मार्टिन (2025) ने पाया कि 6–14 आयु के बच्चों ने एक आयु-अनुरूप चैटबॉट को एक सूचना स्रोत के रूप में व्यापक रूप से भरोसा किया और अधिकांश ने इसे "एक स्मार्ट कंप्यूटर प्रोग्राम जो सीखता है" (अभी-नवजात मशीन लर्निंग समझ) के रूप में मॉडल किया, फिर भी महत्वपूर्ण जुड़ाव और डिजिटल-सुरक्षा जागरूकता में अंतराल दिखाए — यह साक्ष्य कि छोटे शिक्षार्थियों का विश्वास उनके महत्वपूर्ण मूल्यांकन कौशल से आगे बढ़ सकता है, जिससे बच्चों के लिए AI साक्षरता के एक आवश्यक हिस्से के रूप में स्पष्ट विश्वास कैलिब्रेशन और सुरक्षा निर्देश बनता है।

माप उस विकासात्मक मोड़ के साथ कदम से रहा है छोटे सिरे पर। थियानवान और स्रिकून की 2025 ऊपरी प्राथमिक छात्रों के लिए AI साक्षरता स्व-मूल्यांकन प्रश्नावली का सत्यापन ने कक्षा 4 से 6 के लिए एक 15-वस्तु उपकरण विकसित किया, जो AI के बारे में सीखना, AI कैसे काम करता है के बारे में सीखना, और AI के साथ जीवन के लिए सीखना के इर्द-गिर्द व्यवस्थित है, और दो नमूनों (n = 335 और n = 579) में एक तीन-कारक संरचना की पुष्टि की एक समग्र क्रोनbach का अल्फा .934 के साथ। लेखक इसे अनुभवित बजाम प्रदर्शित साक्षरता के एक रचनात्मक निदान के रूप में फ्रेम करते हैं, और ध्यान दें कि बच्चों की स्व-मूल्यांकन सटीकता उस अंतर्ज्ञानात्मक क्षमता द्वारा बाधित है जो अभी विकसित हो रही है।

परियोजना-आधारित सीखना एक वितरण तंत्र के रूप में। झू और कोंग (2026) ने एक AI परियोजना-आधारित सीखने (AI-PBLS) स्केल विकसित और सत्यापित किया और, हांग कांग के 1,027 माध्यमिक और विश्वविद्यालय छात्रों के नमूने में (446 पूर्ण डेटा के साथ), संरचना-समीकरण मॉडलिंग का उपयोग किया दिखाने के लिए कि समस्या-समाधान के लिए AI का उपयोग में सशक्तिकरण और AI नैतिक जागरूकता संयुक्त रूप से अनुभवित परियोजना-आधारित अधिगम और AI साक्षरता पाठ्यक्रम से संतुष्टि के बीच संबंध को मध्यस्थता करते हैं। यह PBL को केवल एक वितरण प्रारूप के रूप में नहीं बल्कि एक तंत्र के रूप में रखता है जो क्षमता के साथ शिक्षार्थी आत्मविश्वास और नैतिक तर्क बनाता है, PBL और सार्थक AI साक्षरता विकास के बीच लिंक को प्रबल करता है। यह भविष्य के माप के लिए एक सत्यापित माप उपकरण भी आपूर्ति करता है।

साक्षरता की नैतिक आयाम को उठाने में एक चिह्न समस्या है। 584 स्नातक छात्रों में जिन्होंने स्वयं AI सिखाई, क्षमता ने नैतिक जागरूकता बढ़ाई (β = 0.644, p < .001), और नैतिक जागरूकता ने तब AI चिंता बढ़ाई (β = 0.439, p < .001) न कि घटाई, भविष्यवाणी की गई दिशा का उलटा (मु सहित (2026)))। लेखक जो सबक निकालते हैं वह यह है कि नैतिक चिंताएँ कैसे शासित हैं यह सिखाना नैतिक आयाम के साथ ही होना चाहिए, या साक्षरता कार्य शिक्षार्थियों को उससे अधिक चिंतित छोड़ सकता है।

संवादी AI ढाँचों में मूल अंतराल के रूप में AI साक्षरता। संवादात्मक AI एजेंटों की छत्री समीक्षा (गांगुली सहित 2025, 34 समीक्षाएँ) CAI ढाँचों में सीमित AI साक्षरता सहायता को एक प्रमुख अंतराल के रूप में पहचानती है, और इसका नैतिक-उपयोग रोडमैप आधारभूत मूल्यांकन (जिसमें AI साक्षरता मज़बूत करना) को पहला स्तंभ बनाता है, सहभागी डिज़ाइन, नैतिक-उपयोग दिशानिर्देशों, और संज्ञानात्मक प्रभाव के निरंतर मूल्यांकन के साथ। यह आगे पाता है कि AI-साक्षरता, प्रशिक्षण और जागरूकता CAI साहित्य में सबसे अधिक जोर दिए गए नैतिक दिशाओं में रखते हैं।(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

AI साक्षरता हस्तक्षेपों की प्रभावशीलता। 59 अध्यायनों का एक तीन-स्तर मेटा-विश्लेषण (172 प्रभाव आकार, 7,211 प्रतिभागी) AI साक्षरता हस्तक्षेपों के एक बड़े समग्र प्रभाव का अनुमान लगाता है (g = 0.837, p < .001) — लेकिन एक व्यापक भविष्यवाणी अंतराल के साथ [−0.292, 1.966], इसलिए प्रभावशीलता निर्धारणों में काफी भिन्न होती है। पूर्वी एशिया और यूरोप में हस्तक्षेप उत्तर अमेरिका के लोगों को हराए, और ज्ञान-केंद्रित हस्तक्षेपों ने कौशल, दृष्टिकोण या नैतिकता को लक्षित करने वालों को हराया। लेखक तर्क देते हैं कि AI साक्षरता शिक्षा इसलिए ज्ञान से आगे कौशल, प्रथाओं, नैतिकता और दृष्टिकोणों की ओर बढ़नी चाहिए, जो एकीकृत और चिंतनात्मक शिक्षाशास्त्र (परियोजना- और समस्या-आधारित, जांच-आधारित, अनुभवजन्य) और जनरेटिव-AI-समर्थित उपकरणों द्वारा समर्थित हैं — एक बदलाव जो इस ज्ञानकोश में कहीं और वर्णित संगणकीय चिंतन के सहभागी, उत्पादक-उन्मुख रूपों के साथ संरेखित है।

एक दूसरा संश्लेषण एक संकरी आधार पर एक समान परिमाण तक पहुँचता है और माप समस्या को नुकीले करता है। यू, किम, चांग और हुआंग (2026) ने 16 अध्यायनों से 57 प्रभाव आकारों को समूहित किया जिनमें 3,837 K-12 छात्र शामिल थे जिन्हें AI के साथ सिखाया गया था न कि AI खुद सिखाया गया था, और Hedges' g = 0.892 (95% CI [0.548, 1.236], p < .001) का अनुमान लगाया, 0 से 1 तक माने गए पूर्व-पश्चात सहसंबंधों के लिए मज़बूत और ट्रिम-और-भरें पर g = 0.952 पर स्थिर। 57 प्रभावों में से हर एक सकारात्मक इशारा किया (श्रेणी 0.16 से 4.93), और कोई भी नियंत्रक (प्रकाशन स्रोत, वर्ष, विद्यालय स्तर) ने पर्याप्त विषमता समझाई (I² = 94.68%)। लेखकों की पसंदीदा व्याख्या माप है: सम्मिलित अध्यायनों ने AI ज्ञान और नैतिकता से लेकर दृष्टिकोण, प्रेरणा, आत्म-प्रभावकारिता और करियर रुचि तक सब कुछ "AI साक्षरता" कहा, इसलिए समूहित आंकड़ा एक ढीले लेबल के तहत सकारात्मक निष्कर्षों का एक वितरण वर्णित करता है न कि एक समान हस्तक्षेप। लियू सहित के साथ पढ़ा जाए, दो अनुमान सहमत हैं कि AI साक्षरता निर्देश काम करता है और बहुत कम पर सहमत हैं, जो स्वयं क्षेत्र का माप संकेत है।

जानबूझकर संक्षिप्त डिज़ाइनों के लिए कक्षा साक्ष्य पतला है, लेकिन यह उसी दिशा में चलती है और एक व्यवहार-स्तरीय परिणाम जोड़ती है जो सर्वेक्षण आपूर्ति नहीं कर सकते। क्लेर्क सहित (2026) ने कक्षा 8–9 के 116 फ्रेंच छात्रों को एक दो-घंटे कार्यशाला दी कि LLMs कैसे काम करते और विफल होते हैं, जो प्रॉम्प्ट की भविष्यवाणी करने, प्रतिक्रिया का मूल्यांकन करने, और संशोधित या पुनःपूछने के अभ्यास के साथ जोड़ी गई थी। दो दिन बाद, छह LLM-समर्थित विज्ञान समस्याओं के दौरान एक नियंत्रण समूह के साथ, प्रशिक्षित छात्रों ने कम-निर्दिष्ट प्रॉम्प्ट कम बार स्वीकार किए (51.5% बनाम 66.7%, OR = 0.47), कमज़ोर प्रतिक्रिया के बाद अनुवर्ती प्रश्न बहुत अधिक बार पूछे (59.2% बनाम 27.9%, d = 0.80), और उत्तर सहीता को प्रॉम्प्ट गुणवत्ता के लिए अधिक संवेदनशील रूप से न्याय किया (बातचीत OR = 2.52), एक मामूली स्कोर अंतर के साथ (11.38 बनाम 10.29 में से 20, p = .040)। कार्यशाला ने परीक्षण कार्य कभी रिहर्सल नहीं किया, इसलिए जो स्थानांतरित हुआ वह एक नियामक मुद्रा थी न कि कार्य परिचितता — और लेखक स्पष्ट हैं कि दो दिन टिकाऊपन नहीं है।

प्राथमिक विद्यालय में AI-समर्थित महत्वपूर्ण मीडिया साक्षरता। दमिर और अकर (2026) जनरेटिव-AI-समर्थित साक्षरता निर्देश का एक ठोस प्राथमिक-विद्यालय प्रदर्शन प्रदान करते हैं: एक 18-घंटे, 5E-मॉडल कार्यक्रम चौथी कक्षा के तुर्की छात्रों के लिए जिसमें ChatGPT और ग्रैमरली को चरण-दर-चरण शिक्षाशास्त्रीय एजेंटों के रूप में सन्निहित किया गया (चिंतनात्मक प्रश्नों और प्रश्नोत्तर के लिए ChatGPT, सामग्री परिष्करण के लिए ग्रैमरली और कैन्वा AI, सहकर्मी प्रतिक्रिया के लिए पैडलेट), तुर्की भाषा और सामाजिक अध्ययन पाठ्यक्रमों के अनुरूप। AI-समर्थित समूह ने मीडिया पढ़ने (+3.50), लेखन (+1.67), और कुल मीडिया साक्षरता (+5.17, सभी p < .01) में बड़े लाभ दिखाए, जिसमें बीच-समूह प्रभाव आकार Cohen का d = 1.12–1.31, जबकि नियंत्रण समूह ने केवल मामूली रूप से आगे बढ़ा। गुणात्मक विश्लेषण ने महत्वपूर्ण मीडिया साक्षरता वृद्धि के छह डोमेन सामने लाए — डिजिटल स्व-संरक्षण और डेटा गोपनीयता, उद्देश्यपूर्ण और जिम्मेदार मीडिया उपयोग, सुरक्षित संप्रेषण और सीमा जागरूकता, महत्वपूर्ण मूल्यांकन और भ्रामक-जानकारी जागरूकता, ऑनलाइन जोखिम जागरूकता, और मीडिया नैतिकता/डिजिटल नागरिकता — यह साक्ष्य कि विकासात्मक रूप से उचित, अनुशासन-सन्निहित जनरेटिव-AI उपयोग AI साक्षरता के महत्वपूर्ण-मूल्यांकन और नैतिक आयामों को बना सकता है, केवल परिचालन कौशल नहीं।

AI साक्षरता को संरचित करने के लिए ढाँचे। कई हालिया योगदान AI साक्षरता बनाने के लिए संरचित प्रगति प्रस्तावित करते हैं। मारियेंको, मार्कोवा और सेमेरिकोव (2026) एक पाँच-स्तरीय ढाँचा (जागरूकता, अनुप्रयोग, मूल्यांकन, रचना, नैतिकता) प्रस्तावित करते हैं जो शिक्षा में AI के तीन प्रतिमानों (AI-निर्देशित, AI-समर्थित, AI-सशक्त) के साथ एकीकृत है, जो यूक्रेनी माध्यमिक शिक्षकों के एक मिश्रित-विधि अध्ययन (राष्ट्रीय सर्वेक्षण n = 2018; PD मूल्यांकन n = 1130) के माध्यम से विकसित किया गया। उन्होंने पाया कि 84% शिक्षक AI का उपयोग करते हैं लेकिन केवल 11% ChatGPT से आगे विशेष सेवाएँ पहचान सकते हैं, और एक पेशेवर-विकास हस्तक्षेप ने AI क्षमता में 24% सुधार पैदा किया — यह साक्ष्य कि लक्षित PD साक्षरता को सतह-स्तर उपकरण परिचितता से आगे बढ़ाता है। ढाँचे का कंस्ट्रक्टिविज़्म, कनेक्टिविज़्म और TPACK में आधार टेक्नोलॉजिकल पेडागॉजिकल कंटेंट नॉलेज (TPACK) और शिक्षकों की AI योग्यता से जुड़ता है। इसे पूरक करते हुए, मूर सहित (2026) ने एक युवा और AI-विशेषज्ञ सलाहकार बोर्ड के साथ एक दो-वर्षीय DBR प्रक्रिया का उपयोग किया उच्च विद्यालय युवाओं के लिए विज्ञान-एकीकृत ML पाठ्यक्रम डिज़ाइन करने के लिए, दोनों सामूहिकों में ML-ज्ञान लाभ पाया (सामूहिक 2 M2−M1 = 0.175 बनाम सामूहिक 1 0.076) और महिलाओं और गैर-श्वेत प्रतिभागियों में अधिक लाभ — यह साक्ष्य कि सहभागी, अनुशासन-एकीकृत डिज़ाइन AI साक्षरता और समानता दोनों को आगे बढ़ा सकता है।

39 STEAM अध्यायनों (2016–2025) का एक PRISMA समीक्षा ने पाया कि वे कार्यान्वयन मुख्यतः तकनीकी साक्षरताएँ विकसित करते हैं — मौलिक AI अवधारणाएँ, कम्प्यूटेशनल सोच, डेटा साक्षरता — जबकि नैतिक जागरूकता, रचनात्मक कल्पना, और AI के साथ बनाना, प्रबंधित करना और डिज़ाइन करना को कम विकसित करते हैं, इसलिए अनुशासन-सन्निहित इकाइयाँ उच्च-क्रम तत्वों को छोड़ सकती हैं (निरी सहित, 2026))।

यह निर्माण ठीक वहीं विवादित है जहाँ शिक्षक चिंतित हैं। शिक्षक शिक्षा में AI साक्षरता पर 34 अध्यायनों की एक समीक्षा ने पाया कि क्षेत्र सहमति से कम है कि पेशेवर शिक्षकों के लिए AI साक्षरता का क्या अर्थ है जो सामान्य डिजिटल साक्षरता से अलग हो, और UNESCO का शिक्षकों के लिए AI क्षमता ढाँचा पाँच आयामों में 15 क्षमताएँ निर्दिष्ट करता है जबकि एक वैश्विक नीति संदर्भ के रूप में काम करता है न कि कार्यान्वयन मार्गदर्शन के रूप में। अनु-संस्थागत शिक्षक तैयारी सहयोगशाला में संकाय ने AI साक्षरता को पेशेवर तैयारी के एकीकृत आयाम के रूप में माना न कि एक अलग तकनीकी कौशल, इसलिए उम्मीदवारों से अनुशासनात्मक कोर्सवर्क के भीतर AI आउटपुट का ऑडिट, तुलना और उचित ठहराना अपेक्षित था न कि उपकरण परिचितता प्रदर्शित करना।

प्रारंभिक शिक्षक तैयारी वह जगह है जहाँ संरचना सबसे पतली है। पिंटो सहित (2026) ने पूर्व-सेवा प्राथमिक गणित शिक्षकों के लिए प्रारंभिक शिक्षक प्रशिक्षण में AI के 11 अध्यायनों की समीक्षा की और पाया कि नौ एक ही सत्र थे या मौजूदा कोर्स में सन्निहित कुछ सत्र, प्रॉम्प्टिंग कुछ में ही स्पष्ट प्रशिक्षण सामग्री थी, और नैतिकता केवल तीन में दिखा, जिनमें से कोई भी पारदर्शिता, एल्गोरिदमिक पूर्वाग्रह या जवाबदेही को संबोधित नहीं किया। जो जोखिम वे रिपोर्ट करते हैं वे साक्षरता-स्तर विफलताएँ हैं: पूर्व-सेवा शिक्षकों ने ChatGPT द्वारा पैदा संकल्पनात्मक त्रुटियों को नोटिस करने में विफल किया, उत्पन्न सामग्री बिना समीक्षा स्वीकार की, और कार्य कठिन होने पर अधिक समस्या-समाधान उपकरण को सौंपा। उनकी सलाह पूरे प्रशिक्षण अनुक्रम में AI क्षमता बनाना है, एक तैयारी चरण से प्रैक्टिकम में, एक अलग मॉड्यूल में नहीं।

शिक्षकों के क्यों AI शिक्षा सिखाई जाती है के विवरण एक उद्देश्य परत जोड़ते हैं जो क्षमता ढाँचे निहित छोड़ देते हैं। फेगरलुंड सहित (2026) ने प्री-स्कूल से कक्षा 9 तक 13 फिनिश शिक्षकों का साक्षात्कार लिया, बड़े भाग में AI शिक्षा में नौसिखिए, और उनके उद्देश्य कथनों को बिएस्टा के तीन डोमेन के माध्यम से पढ़ा। योग्यता, क्षमताओं की अधिगम, सबसे स्पष्ट और ठोस उद्देश्य था, और यह दूसरे दो में प्रवेश का एक मार्ग के रूप में काम किया: छात्रों को AI को एक सामाजिक-तकनीकी घटना के रूप में पकड़ना था और इसके उपकरणों का उपयोग करना था, AI एक लक्ष्य और सीखने के एक सहायक दोनों के रूप में काम करता है। सामाजिकीकरण उत्साह संस्कारित करने, AI को "अच्छा" प्रस्तुत करने, और छात्रों को भविष्य के AI-चतुर कर्मचारियों के रूप में फ्रेम करने के रूप में दिखा जिन्हें क्षमता मांगों को पूरा करना चाहिए। विषयीकरण, स्व-निर्धारित और व्यक्तिगत रूप से सार्थक जुड़ाव जिसे बिएस्टा केंद्रीय मानता है, को महत्वपूर्ण नामित किया गया लेकिन चर्चा और विमर्श से आगे कोई ठोस निर्देशात्मक संग्रह नहीं था, और शिक्षकों ने AI के प्राधिकार को चुनौती देने के लिए कोई कार्य-कृत उदाहरण नहीं दिए। लेखक सूचित AI एजेंसी प्रस्तावित करते हैं, एक अनुमानज्ञ जो विषयीकरण को केंद्र में रखता है जबकि क्षमताओं को स्व-निर्धारित चुनावों के लिए व्याख्यात्मक ढांचे के रूप में मानता है। डिज़ाइन निहितार्थ यह है कि AI शिक्षा का "क्यों" उतना ही डिज़ाइन ध्यान चाहिए जितना "कैसे": जब विषयीकरण सामान्य चर्चा पर टिका हो, AI साक्षरता निर्देश उस योग्यता में लौट आता है जिसके बगल में बैठना था।

तैयारी स्वयं एक विवादित लक्ष्य है। चार्ल्स (2026) तर्क देता है कि AI-समृद्ध सीखने के लिए शिक्षक तैयारी को अपनाने, आत्मविश्वास या डिजिटल क्षमता के बजाय शिक्षकों द्वारा उत्पादित डिज़ाइनों की गुणवत्ता से पढ़ा जाना चाहिए, और डिज़ाइन मध्यस्थता के इर्द-गिर्द एक ढाँचा बनाता है: प्रेक्षणीय निर्णय जैसे उपकरण चयन, कार्य और प्रॉम्प्ट डिज़ाइन, मड्गद, सत्यापन, पारदर्शिता, मूल्यांकन-पुनर्डिज़ाइन, सुलभता नियोजन और मानव निगरानी। इसके दो दावों के सीधे पेशेवर-विकास परिणाम हैं। पहला, स्व-प्रभावशीलता एक जुबानी संसाधन है न कि एक गुणवत्ता संकेतक, क्योंकि बिना AI-विशिष्ट शिक्षाशास्त्रीय ज्ञान या नैतिक अभिविन्यास के आत्मविश्वास खराब डिज़ाइन को रोकने के बजाय तेज़ कर सकता है, जो शिक्षक आत्मविश्वास के सामान्य पठन को तैयारी संकेत के रूप में योग्य बनाता है। दूसरा, नीति स्पष्टता और संस्थागत सहायता अलग नियंत्रक हैं, इसलिए भौतिक सहायता उच्च हो सकती है जबकि अपेक्षाएँ अस्पष्ट रहती हैं और तैयारी फिर भी खराब रूप से अनुवादित होती है। ढाँचा गैर-उपयोग को अतैयारी के बराबर मानने से भी इनकार करता है, क्योंकि AI रोकने का एक तर्कसंगत निर्णय स्वयं डिज़ाइन निर्णय प्रदर्शित कर सकता है। यह संकल्पनात्मक और अमान्य है, इसलिए यह प्रतिज्ञाएँ और साक्ष्य स्रोत आपूर्ति करता है न कि स्थापित प्रभाव।

AI-बातचीत साक्षरता: बातचीत आयाम। ब्रुन्स्ट्रॉम और पाम्क्विस्ट (2026) एक संकरी, बातचीत क्षमता प्रस्तावित करते हैं — जनरेटिव-AI के साथ पुनरावृत्त बातचीत को मार्गदर्शित, मूल्यांकित और सीखने की क्षमता — व्यापक ढांचों जैसे AI साक्षरता सप्तकोण में लागू, मूल्यांकनकारी और एकीकरणकारी आयामों के एक विशिष्ट साकारीकरण के रूप में। उनका चिंतनात्मक प्रदर्शन दिखाता है कि यह अभ्यास में क्या मिलता है: यह पहचानना कि एक प्रवाहशील उत्तर किसी के अपने स्कीमा से ऊपर पिच किया गया है, सरलीकरण का अनुरोध करना, दायरा संकरी करना, और प्रणाली को केंद्रित अभ्यास की ओर पुनर्निर्देशित करना। दो डिज़ाइन परिणाम अनुसरण करते हैं — कौशल असमान रूप से वितरित है, इसलिए अनिर्देशित उपयोग पहले से आत्मविश्वास वाले छात्रों को लाभ दे सकता है और अंतराल फैला सकता है (समानता), और इसे स्पष्ट रूप से सिखाना होगा न कि मान लिया जाए, जिसमें शिक्षक यह कवर करते हैं कि उत्पादक प्रॉम्प्ट कैसे गढ़ें और उपकरण का उपयोग कब रोकें (स्व-नियंत्रित अधिगम)।

महत्वपूर्ण AI साक्षरता: शक्ति और प्रतिरोध तक कौशल से आगे

ज्ञानकोश की एक अलग धागा AI साक्षरता को केवल कौशल या महत्वपूर्ण मूल्यांकन के रूप में नहीं बल्कि एक महत्वपूर्ण और राजनीतिक प्रथा के रूप में मानती है जो शक्ति, प्राधिकार और यह कि किसका ज्ञान गिना जाता है, की जांच करती है। यह AI साक्षरता को आलोचनात्मक शिक्षाशास्त्र और समानता से जोड़ता है:

• साक्षरता मुद्रा के रूप में "AI का प्रतिरोध"। महत्वपूर्ण AI साक्षरता (CAIL) में AI का प्रतिरोध शामिल हो सकता है — प्रभुत्वित प्रवचन की अपरिहार्यता और तकनीक-समाधानवाद को अस्वीकार करना, और संवादात्मक, सहयोगात्मक शिक्षाशास्त्रों के माध्यम से सामूहिक एजेंसी का संस्कार करना।(Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI”) यह शिक्षा को एक ऐसी जगह के रूप में रखता है जहाँ समुदाय वैकल्पिक भविष्यों की कल्पना और निर्माण करते हैं, न कि केवल एक दी गई तकनीकी व्यवस्था के अनुकूल होते हैं।
• समुदाय-आधारित ज्ञान-बौद्धिकताएँ। समुदाय-आधारित AI सीखना AI जुड़ाव को शिक्षार्थियों के जीवित और समुदाय-आधारित जानने के तरीकों में आधारित करती है, ज्ञान-बौद्धिक सूक्ष्म-ट्यूनिंग, प्राधिकार का पुनर्वितरण और स्थित विवेक के माध्यम से AI के ज्ञान-बौद्धिक प्राधिकार को पुनःवितरित करती है।(Community-Based AI Learning: Redistributing Artificial Intelligence's Epistemic Authority in Education)
• महत्वपूर्ण और नारीवादी ढाँचे। महत्वपूर्ण, नारीवादी शोधपत्र तर्क देते हैं कि AI साक्षरता को न्याय, प्रतिरोध और सांस्कृतिक सस्टेनेबिलिटी की शिक्षाशास्त्रों में फ्रेम किया जाना चाहिए — यह पूछना कि AI किसका ज्ञान पैदा करता है, किसे लाभ मिलता है, और प्रणालियाँ विफल होने पर कौन जवाबदेह है।(Can we disrupt the momentum of the AI colonization of science education?)
• स्थित पाठ्यक्रम उपकरण। AI साक्षरता स्थित, सक्रिय शिक्षण उपकरणों (जैसे स्थित सीखने के एपिसोड) के माध्यम से बनाई जा सकती है जो स्तरों में AI क्षमताएँ विकसित करती हैं न कि अमूर्त निर्देश के माध्यम से।(Towards AI literacy: A proposal of a framework based on the Episodes of Situated Learning)
• रचनात्मक रचना महत्वपूर्ण AI साक्षरता शिक्षाशास्त्र के रूप में। AI साक्षरता को तकनीकी ज्ञान या व्यक्तिगत क्षमताओं के रूप में मानने के बजाय, शिक्षार्थियों के लिए अवसर डिज़ाइन करें कि वे AI के बारे में संदेश वास्तविक दर्शकों के लिए बनाएँ — एक बहुमाध्यमी AI उत्पाद जैसे एक सार्वजनिक सेवा घोषणा एक साथ महत्वपूर्ण क्षमता प्रदर्शित और संप्रेषित करता है। बर्रिस सहित (2026) की कक्षा अध्ययन में, 22 ग्यारहवीं कक्षा के छात्रों ने अपने AI नैतिकता मुद्दे चुने और विद्यालय निगरानी, सूचित सहमति, और एल्गोरिदमिक आरोप के बारे में वीडियो PSA बनाए; सातों फिल्मों में हानि मानव–मशीन उलझन से उभरी न कि एक दुष्ट उपकरण से, कथाएँ फिर भी आशा और शिक्षार्थी सक्रियता पर बंद हुईं, और लेखक कहानी कहना और वकालत — पारंपरिक मूल्यांकन के प्रतिरोधी — को महत्वपूर्ण AI साक्षरता शिक्षाशास्त्र के मूल के रूप में रखते हैं जो छात्र पहचान, चुनाव और आवाज़ को केंद्र में रखता है।("Young Scholar[s] on the Beat": Multimodal Composition as a Form of Critical AI Literacy Pedagogy)
• नियामक क्षमता, स्वीकृति नहीं। किम (2026) AI साक्षरता को उच्च शिक्षा में नियामक क्षमता के रूप में पुनःफ्रेम करता है — शैक्षणिक काम के दौरान AI आउटपुट को सत्यापित, संशोधित, चयनात्मक रूप से अपनाने या अस्वीकार करने की एक साकारीकृत प्रथा — दिखाता है कि मूल्यांकनकारी क्षमता और नैतिक जागरूकता (AI का उपयोग करने की केवल इच्छा नहीं) सक्रिय, महत्वपूर्ण जुड़ाव की भविष्यवाणी करती है।(From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource)
• चापलूसी को पहचानना एक साक्षरता कौशल। एक मूल मूल्यांकनकारी क्षमता यह पहचानना है कि कब AI शिक्षार्थी से सहमत हो रहा है बनाम सही हो रहा है। संदर्भगत चापलूसी दिखाता है कि AI साक्षरता और प्रॉम्प्टिंग प्रशिक्षण उपयोगकर्ता त्रुटियों के चापलूसीपूर्ण दर्पण को कम करता है लेकिन समाप्त नहीं करता, और चापलूसीपूर्ण AI का उपयोगकर्ताओं द्वारा पसंद किया जाता है ठीक इसलिए क्योंकि यह उन्हें समझा हुआ महसूस कराता है। AI साक्षरता इसलिए शिक्षार्थियों को स्वयं-के-लिए-सहमति को पकड़ना और सुधारात्मक घर्षण को मूल्य देना सिखाना चाहिए, विश्वास कैलिब्रेशन और AI के दुरुपयोग में कमी से जुड़ता है।
• मूल्यांकन, केवल सत्यापन नहीं। ओ'बर्न (2026) ने पाया कि जो छात्रों ने केवल सटीकता, विश्वसनीयता और प्रासंगिकता के लिए आउटपुट की जाँच की वे अभी भी संकल्पनात्मक रूप से चपटा काम स्वीकार किया, जबकि जिन्होंने बारीकियाँ, आवाज़ और ज्ञान-बौद्धिक मुद्रा का भी न्याय किया उन्होंने इसे पुनःलेखित किया — "कब निर्णय को प्रतिनिधित्व न करना" को साक्षरता प्रश्न बनाता है।

ये महत्वपूर्ण धागाएँ AI साक्षरता के परिचालन और संज्ञानात्मक आयामों को पूरक करते हैं: जहाँ बाद वाले पूछते हैं "क्या शिक्षार्थी AI का उपयोग और मूल्यांकन कर सकता है?", वहाँ महत्वपूर्ण AI साक्षरता पूछती है "क्या शिक्षार्थी उन शक्ति संरचनाओं को समझता और चुनौती देता है जिन्हें AI व्यक्त करता है?"

AI साक्षरता STEM शिक्षा में

AI साक्षरता के लिए सबसे विकसित अनुशासनात्मक साक्ष्य आधार STEM शिक्षा से आता है, और हालस्ट्रॉम, चिउ, डिंग, कोरेत्स्की और ली (2026) इसके दस सर्वाधिक-उद्धृत अध्यायनों (2022–2026) का संश्लेषण करते हैं ताकि आधाररेखा और उसकी सीमाएँ दोनों दिखाई जा सकें। संग्रह भर में, AI साक्षरता को छह अतिव्यापी निर्माणों के माध्यम से परिभाषित किया गया है — ज्ञान/कौशल/अभिवृत्तियाँ (Su & Yang 2024), संकल्पनात्मक-प्रक्रियात्मक-संदर्भगत ज्ञान (Stolpe & Hallström 2024), जानना-समझना/उपयोग करना-लागू करना/मूल्यांकित करना-बनाना/नैतिकता (Ng et al. 2022), और Long & Magerko का उपयोग–संप्रेषण–मूल्यांकन फ्रेमिंग (Hornberger et al. 2023) — इसलिए क्षेत्र की "संकल्पनात्मक अस्पष्टता" एक माप समस्या है: दो अध्यायन दोनों "AI साक्षरता" का आकलन कर सकते हैं बिना एक ही निर्माण का आकलन किए। दस में से केवल दो पूर्ण ढांचे प्रस्तावित करते हैं। समीक्षा का सबसे तेज़ निष्कर्ष एक असममिति है — संग्रह लगभग पूरी तरह से छात्रों की साक्षरता मापता है जबकि लगभग कुछ भी शिक्षकों की विकसित नहीं करता, एक अंतराल जो शिक्षक-सामना AI साक्षरता हस्तक्षेपों को साक्ष्य के बजाय अनुमान पर आधारित छोड़ता है, और एक जिसे लेखक उस व्यावहारिक आवश्यकता से जोड़ते हैं कि शिक्षक स्वयं AI साक्षर हों ताकि ऐसे हस्तक्षेप चला सकें।(AI Literacy and STEM Education: Emerging Frontiers and Research Priorities)

उस संग्रह में चैटबॉट साक्ष्य प्रवाह-आधारित प्रशिक्षण के विरुद्ध कटता है। Ding et al. (2023) ने पाया कि विश्वविद्यालय भौतिकी में ChatGPT ट्यूटरिंग ने आत्मविश्वास और ज्ञान बढ़ाया लेकिन AI के "अलोकतांत्रिक और अचूक" भ्रम को प्रबल किया, यह निष्कर्ष निकाला कि AI साक्षरता शिक्षा "सबसे पहले और सबसे महत्वपूर्ण रूप से छात्रों के महत्वपूर्ण सोच कौशल में सुधार करना है सूचना का आकलन करने में।" Xu et al. (2026) ने पाया कि ChatGPT-समर्थित STEM प्रोग्रामिंग ने आत्मविश्वास और ज्ञान में सुधार किया लेकिन संगणनात्मक सोच और स्वतंत्र विचार को अपरिवर्तित छोड़ा — प्रवाह में लाभ सोच में किसी लाभ के साथ सह-अस्तित्व में। दोनों निष्कर्ष इस पेज में कहीं और विश्वास कैलिब्रेशन और अति-निर्भरता चिंताओं को प्रतिबिंबित करते हैं: एक ट्यूटर जो छात्र को कभी विरोध नहीं करता वह आत्मविश्वासी शिक्षार्थी पैदा कर सकता है जो मूल्यांकन नहीं कर सकते। STEM स्नातक छात्रों में वास्तविक AI-उपकरण उपयोग का सबसे मज़बूत निर्धारक तैयारी या स्व-प्रभावकारिता नहीं बल्कि अभिवृत्ति निकली (Falebita & Kok 2025), और समीक्षा नोट करती है कि STEM अनुशासनात्मक कवरेज जीव विज्ञान और भौतिकी की ओर तिर्छा है जिसमें प्रौद्योगिकी एक विषय के रूप में लगभग अनुपस्थित है। अनुशासन-विशिष्ट डिज़ाइन के लिए, समीक्षा की व्यावहारिक चेतावनी यह है कि व्यापक क्षमता ढांचे (UNESCO, EU/OECD) "अक्सर अनुभवजन्य शोध या पर्याप्त सैद्धांतिक अंतर्निहितता से संबंध की कमी रखते हैं" और कुछ ही कक्षा-लागू योग्य हैं।

किसके AI कौशल गिने जाते हैं? शिक्षक–नियोक्ता फ्रेमिंग विभाजन

AI साक्षरता में एक केंद्रीय खुला प्रश्न यह है कि कौन कौशल मायने रखते हैं और किसके लिए। HiBob AI कौशल ढांचे के 26 कौशलों को US शिक्षक और नियोक्ता कैसे प्राथमिकता देते हैं की तुलना करने वाला एक Ithaka S+R अध्ययन ने पाया कि वे केवल एक पर सहमत हैं (AI-संवर्धित काम के लिए यथार्थपरक अपेक्षाएँ निर्धारित करना)। शिक्षक एक महत्वपूर्ण, जिम्मेदार-उपयोग अभिविन्यास को भार देते हैं — AI की सीमाओं को पहचानना, पारदर्शिता और श्रेय-दान, मानव जवाबदेही, सक्रिय आउटपुट समीक्षा — जो श्रेय-दान, समीक्षा और सूचना साक्षरता के शैक्षणिक मूल्यों के साथ संरेखित है। नियोक्ता उत्पादकता-उन्मुख कौशल को भार देते हैं — कार्यप्रवाह मूल्यांकन और पुनर्डिज़ाइन, स्वचालन, और मानव–AI टीमिंग — जो टीम-आधारित कार्यस्थल दक्षता को प्रतिबिंबित करते हैं। क्योंकि 26 में से केवल तीन कौशल आधे या अधिक शिक्षकों द्वारा सिखाए जाते हैं, और वे सिखाए गए महत्वपूर्ण-उपयोग श्रेणियों की ओर तिरछे हैं, रिपोर्ट एक ठोस AI कौशल अंतराल पहचानती है: संपूर्ण श्रेणियाँ जिन्हें नियोक्ता मूल्य देते हैं न महाविद्यालय पाठ्यक्रमों में प्राथमिकता प्राप्त हैं न सिखाई जाती हैं।(AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently) यह विभाजन AI साक्षरता को एक विवादित निर्माण के रूप में फ्रेम करता है — शैक्षणिक निर्धारणों के लिए महत्वपूर्ण-उपयोग साक्षरता बनाम रोज़गार के लिए कार्यप्रवाह-एकीकरण साक्षरता — एक तनाव जो छात्रों के लिए AI उपयोग की फ्रेमिंग, पाठ्यचर्या डिज़ाइन और कार्यस्थल पर सीख के लिए प्रासंगिक है।

छात्रों की अपनी रेटिंग एक संबंधित लेकिन अलग क्रमबद्ध कहानी कहती है। एलसेयरी और रगब (2026) ने 380 विश्वविद्यालय छात्रों को सर्वेक्षित किया, बड़े भाग में STEM-नामांकित बार-बार AI उपयोगकर्ता, और पाया कि स्व-रिपोर्टित AI साक्षरता ने अनुभवित रोज़गार-योग्यता तैयारी के अधिकांश विवरण को वहन किया: चार साक्षरता आयामों ने पृष्ठभूमि नियंत्रणों पर ΔR² = 0.554 (p < .001) जोड़ा जो केवल 0.054 के थे, और पूर्ण मॉडल विविधता का 60.8% तक पहुँचा। साक्षरता समूह के भीतर मूल्यांकनकारी आयाम सबसे मज़बूत था (विश्लेषण और मूल्यांकन करें, β = 0.286), भावनात्मक (दृष्टिकोण और मानसिकताएँ, β = 0.266) से पहले, जिसमें हाथ-पर उपयोग (β = 0.217) और आधारभूत ज्ञान (β = 0.187) उनके पीछे; अनुभवित करियर तैयारी के लिए विशेष रूप से, केवल विश्लेषण और मूल्यांकन करें (β = 0.216, p < .001) और दृष्टिकोण और मानसिकताएँ (β = 0.192, p = .004) महत्वपूर्ण रूप से संबंधित थे। Ithaka विभाजन के विरुद्ध पढ़ा जाए, कार्यस्थल तैयारी के छात्रों की अपनी भावना महत्वपूर्ण-मूल्यांकन अभिविन्यास की ओर झुकती है जिसे शिक्षक पसंद करते हैं न कि कार्यप्रवाह-एकीकरण कौशल जिन्हें नियोक्ता भार देते हैं। डिज़ाइन एक एकल-सत्र स्व-रिपोर्ट है जिसमें समान रूप से उच्च माध्य (5 में से 4.17 से 4.57) और कोई नियोक्ता या रोज़गार माप नहीं, इसलिए यह दिखाता है कि स्व-मूल्यांकित AI साक्षरता और स्व-मूल्यांकित रोज़गार-योग्यता एक साथ चलती हैं, जिसमें मूल्यांकनकारी और प्रवृत्ति हिस्से अधिकांश काम करते हैं, न कि यह कि ये छात्र प्रदर्शनी रूप से कार्यबल-तैयार हैं।

AI साक्षरता हस्तक्षेपों का डिज़ाइन

ज्ञानकोश के ढांचे और अनुभवजन्य अध्यायन शिक्षकों और निर्देशात्मक डिज़ाइनरों के लिए व्यावहारिक दिशानिर्देशों के एक समूह पर अभिसरित होते हैं जो AI साक्षरता हस्तक्षेप बनाते हैं:

1. संरचित क्षमता ढाँचे को मड्गद के रूप में उपयोग करें, सूची नहीं। परिपक्व ढांचे डिज़ाइनरों को एक साझा शब्दावली और एक विकासात्मक रूप से क्रमबद्ध लक्ष्य देते हैं। SAIL ढाँचा AI साक्षरता को तीन डोमेन (AI अवधारणाएँ; अनुप्रयोग और तकनीकी कौशल; AI डिजिटल नागरिकता) में चार मड्गद स्तरों के पार व्यवस्थित करता है — समझें और खोजें → लागू करें और एकीकृत करें → मूल्यांकित करें और बनाएँ → AI++। AI साक्षरता सप्तकोण सात आयामों (तकनीकी ज्ञान, अनुप्रयोग, महत्वपूर्ण सोच, नैतिकता, सामाजिक प्रभाव, एकीकरण, कानूनी/नियामक) को चार ब्लूम-संरेखित प्रवीणता स्तरों के साथ पार-काटती है, और यह रेखांकित करती है कि जोर को अनुशासनात्मक संदर्भ में अनुकूलित किया जाना चाहिए — तकनीकी कार्यक्रम अनुप्रयोग को भार देते हैं, मानविकी कार्यक्रम नैतिक और सामाजिक-प्रभाव तर्क को भार देते हैं।(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

2. शिक्षार्थियों को ICAP तरीकों में जोड़ें। ICAP फ्रेमवर्क लागू करते हुए, प्रभावी निर्देश शिक्षार्थियों को कई संज्ञानात्मक स्तरों पर जुड़ने के अवसर देता है — निष्क्रिय एक्सपोज़र (AI अवधारणा व्याख्यान), सक्रिय हेरफेर (हाथ-पर उपकरण उपयोग), रचनात्मक निर्माण (AI कलात्मक उत्पाद बनाना, स्व-व्याख्या), और संवादात्मक संवाद (सहकर्मियों और AI के साथ सहयोगात्मक समस्या समाधान) — वह तरीका चुनते हुए जो सीखने के लक्ष्य के लिए फिट हो। एक व्यवस्थित समीक्षा ने पाया कि सफल सहयोगात्मक AI-साक्षरता हस्तक्षेप चारों ICAP तरीकों में फैले हुए थे।(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

3. प्रदर्शित क्षमता का आकलन करें, स्व-अनुभूति नहीं। स्व-रिपोर्टित AI साक्षरता मापे गए प्रदर्शन से तेज़ी से भिन्न होती है — शिक्षक अपने AI कौशलों का ~40% अधिक अनुमान लगाते हैं, और प्रदर्शन-आधारित माप आत्मविश्वास सर्वेक्षणों से बहुत बेहतर कक्षा AI एकीकरण से सहसंबद्ध हैं (r≈0.72 बनाम 0.31)। हस्तक्षेपों को प्रदर्शन-आधारित मूल्यांकन और अंशांकन के इर्द-गिर्द डिज़ाइन करें न कि आत्मविश्वास सर्वेक्षणों के, और लक्ष्य-समर्थन को निर्धारित करने के लिए निदान प्रोफ़ाइल (अति-अनुमानक बनाम सच्चे नौसिखिए) का उपयोग करें।(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)

4. अंतर्ज्ञानात्मक और महत्वपूर्ण प्रवृत्तियाँ बनाएँ, केवल परिचालन कौशल नहीं। AI साक्षरता को एक कौशल सूची के बजाय एक अंतर्ज्ञानात्मक सामाजिक प्रथा के रूप में बेहतर समझा जाता है: क्योंकि LLMs संभाव्य और अपारदर्शी हैं, शिक्षार्थियों को अपनी रणनीतियों को निगरानी और समायोजित करना चाहिए, वैज्ञानिक संदेह का संस्कार करना चाहिए, और यह जांचना चाहिए कि एल्गोरिदम ज्ञान उत्पादन को कैसे आकार देते हैं — केवल उपकरण चलाना सीखना नहीं। सहभागी सह-डिज़ाइन और प्रयोगात्मक, परियोजना-आधारित स्थान (एक-बार उपकरण प्रशिक्षण नहीं) वे हैं जहाँ यह जागरूकता बढ़ती है।(Metacognitive AI literacy: going beyond the AI skills gap agenda)

5. साक्षरता को अनुशासन में सन्निहित करें और इसे सतत बनाएँ। AI साक्षरता के उच्च चरणों की ओर गति (बिना-समीक्षा उपयोग → सूचित उपयोग → महत्वपूर्ण मूल्यांकन → सुधार) सबसे दृश्यमान होती है जब अनुभव सतत और अनुशासन-सन्निहित होते हैं न कि स्टैंडअलोन कार्यशालाओं के रूप में वितरित। प्रामाणिक कोर्सवर्क के भीतर बार-बार, संदर्भगत अभ्यास के लिए डिज़ाइन करें।(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education) अनुशासन-सन्निहित महत्वपूर्ण साक्षरता का एक ठोस मॉडल पत्रकारिता के लिए डेरिक्स सहित (2026) का कार्य-आधारित वर्गीकरण है: यह LLM-समर्थित कार्यों को समाचार कार्यप्रवाह के चार चरणों (समाचार-संग्रह, अर्थ-निर्माण, संपादन, प्रकाशन/वितरण) के पार मैप करता है, प्रत्येक एक आधाररेखा प्रॉम्प्ट और एक जोखिम-और-शमन रणनीति से बंधा। कार्य परिभाषा और प्रॉम्प्टिंग को पेशेवर निर्णय का एक स्थित रूप के रूप में मानकर — एक तटस्थ तकनीकी कौशल नहीं — यह प्रॉम्प्टिंग स्वयं को महत्वपूर्ण AI साक्षरता (पूर्वाग्रह, भ्रम, अति-निर्भरता, और मानव संपादकीय निगरानी का स्थायी मूल्य) के लिए एक वाहन बनाता है, और इसका अंतर्निहित तर्क अन्य ज्ञान-गहन पेशों (कानून, चिकित्सा, सार्वजनिक नीति) में स्थानांतरित होता है। इस तरह के अनुशासन-विशिष्ट वर्गीकरणों के पूरक, डोह्न सहित (2026) वर्गीकरण जनरेटिव-AI सीखने की गतिविधियों को छह आयामों के साथ वर्गीकृत करता है, जिनमें से ज्ञान-बौद्धिक जुड़ाव (जनरेटिव-AI को समझना / उपयोग करना / आलोचना करना / बनाना) सीधे AI साक्षरता को शिक्षार्थियों के संज्ञानात्मक संबंध की गहराई के रूप में परिचालित करता है — निष्क्रिय एक्सपोज़र से सक्रिय आलोचना और निर्माण तक।

6. समानता और डिजिटल विभाजन को डिज़ाइन बाधाओं के रूप में मानें। AI साक्षरता तीन-स्तरीय डिजिटल विभाजन (पहुँच, कौशल, परिणाम) को संबोधित करने का एक तंत्र है: उपकरण अंतराल बंद करना अपर्याप्त है जब तक कौशल और महत्वपूर्ण उपयोग न बनाए जाएँ ताकि लाभ निष्पक्ष रूप से वितरित हों। हस्तक्षेपों को स्पष्ट रूप से उन शिक्षार्थियों के लिए योजना बनानी चाहिए जो कम पूर्व AI पहुँच के साथ प्रवेश करते हैं, और साक्षरता को संस्कृति-तटस्थ मानने के बजाय सांस्कृतिक और शासन परिप्रेक्ष्य शामिल करने चाहिए।(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(डिजिटल विभाजन)

7. साक्षरता को दुरुपयोग-कमी लीवर के साथ जोड़ें। क्योंकि AI दुरुपयोग सक्रिय रूप से टिकाऊ सीखने को नुकसान पहुँचाता है, साक्षरता निर्देश को AI के दुरुपयोग में कमी के तहत दर्ज संरचनात्मक और शिक्षाप्रद लीवरों से जोड़ा जाना चाहिए — गार्डरेल-सहित "संकेत-नहीं-उत्तर" उपकरण डिज़ाइन, मूल्यांकन-पुनर्डिज़ाइन, और मड्गद पहले-सोचो/AI-दूसरा अनुक्रम जानबूझकर प्रॉम्प्टिंग अभ्यास के साथ।

8. शिक्षार्थियों के वास्तविक प्रवेश बिंदु से शुरू करें। शिक्षार्थी अलग-अलग अभिविन्यासों के साथ प्रवेश करते हैं — भय, अविश्वास या पहुँच की कमी से चलित परिहार, बनाम अनसमीक्षित निर्भरता जो गलत समझ को ढक लेती है। एक निदान, चरण-आधारित दृष्टिकोण (एक समान पाठ्यक्रम के बजाय) डिज़ाइनरों को छात्रों को वहाँ मिलने देता है जहाँ वे हैं और उन्हें महत्वपूर्ण, जिम्मेदार जुड़ाव की ओर ले जाता है।(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education)

9. प्रावधान को उन दर्शकों से आगे बढ़ाएँ जिन तक औपचारिक शिक्षा पहले से पहुँचती है। सार्वजनिक सेवा मीडिया के लिए AI साक्षरताएँ ढाँचा 40 से अधिक ढांचों और 35 विशेषज्ञ साक्षात्कारों के एक परिदृश्य समीक्षा से तर्क देता है कि प्रावधान तकनीकी और कार्यात्मक कौशलों की ओर झुका है, और AI साक्षरताएँ ओवरलैप होती हैं और डिजिटल, मीडिया और सूचना साक्षरता से जुड़ी जानी चाहिए न कि एक स्टैंडअलोन विषय के रूप में सिखाई जाए। इसकी संरचना — छह क्षमता क्षेत्र, पाँच मूल्य और तीन प्रगति स्तर (समझना और लागू करना, विश्लेषण और मूल्यांकन करना, संश्लेषण और विशेषीकरण) एक मूल्यांकन मार्गदर्शक के साथ — औपचारिक विद्यालयीकरण से बाहर प्रदाताओं के लिए एक उपयोगी टेम्पलेट है, और इसका समानता तर्क एक डिज़ाइन निर्देश है: जो युवा डिजिटल रूप से या अन्यथा हाशिय पर हैं उन तक पहुँचना सार्वभौमिक प्रकाशन नहीं, जानबूझकर साझेदारी लेता है।(Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations)

AI साक्षरता मापना

एक अलग शोध धागा AI साक्षरता को निर्देश के लिए केवल एक लक्ष्य के रूप में नहीं बल्कि एक मापे जाने वाले निर्माण के रूप में मानता है। ज्ञानकोश का मूल्यांकन धागा स्व-रिपोर्टित और प्रदर्शन-आधारित साक्षरता में भेद करता है: स्व-रिपोर्ट प्रदर्शित क्षमता से तेज़ी से भिन्न होती हैं (शिक्षक ~40% अधिक अनुमान लगाते हैं), और प्रदर्शन-आधारित माप आत्मविश्वास सर्वेक्षणों से बहुत बेहतर कक्षा AI एकीकरण की भविष्यवाणी करते हैं (r≈0.72 बनाम 0.31)। हस्तक्षेप कार्य उस विचलन को व्यवहार के स्तर पर पुनरुत्पादित करता है: क्लेर्क सहित (2026) में, न जनरेटिव-AI दृष्टिकोण और न एक सामान्य अंतर्ज्ञानात्मक-जागरूकता स्केल ने छात्रों के LLM बातचीत के विनियमन या उनके अंतिम कार्य स्कोर की भविष्यवाणी की (r = .01 और r = .04, दोनों गैर-महत्वपूर्ण), जबकि वे व्यवहार जिन्हें कार्यशाला ने बदला — कम-निर्दिष्ट प्रॉम्प्ट अस्वीकार करना, उत्तर सहीता का न्याय करना, अनुवर्ती पूछना — उत्तर गुणवत्ता को ट्रैक किया। सत्यापित उपकरण इस अंतराल को बंद करने के लिए उभर रहे हैं — GLAT एक मनोमितीय रूप से सत्यापित जनरेटिव-AI साक्षरता मूल्यांकन प्रदान करता है, और निदान प्रोफ़ाइल (अति-अनुमानक बनाम सच्चे नौसिखिए) डिज़ाइनरों को वहाँ लक्ष्य-समर्थन करने देते हैं जहाँ आवश्यक है। गुओ सहित (2026) उस उपकरण परिदृश्य को सीधे मैप करते हैं, जनवरी 2014 और फरवरी 2025 के बीच प्रकाशित 80 सत्यापित ढांचों की समीक्षा करते हुए — 69 डिजिटल साक्षरता और 11 AI साक्षरता। AI ने डिजिटल साक्षरता को नैतिकता की ओर खींचा है और संप्रेषण को मानव–AI बातचीत शामिल करने के लिए पुनर्कास्ट किया है, जबकि अंतर्ज्ञानात्मक विनियमन और शिक्षक-विशिष्ट मानव–AI सहयोग सबसे कम निर्दिष्ट रहते हैं। डिज़ाइन और शोध के लिए, यह AI साक्षरता को शैक्षणिक मापन और व्यापक रूप से मूल्यांकन से जोड़ता है: एक साक्षरता ढाँचा उतना ही उपयोगी है जितने उपकरण जो वृद्धि को ट्रैक करने के लिए उपयोग किए जाते हैं, और चरण-आधारित निरंतरताओं को शिक्षार्थियों को उनके साथ रखने के लिए विश्वसनीय माप चाहिए।

एक 32-वस्तु छह-पहलू उपकरण चार-आयाम मॉडल को दो और पहलुओं के साथ विस्तारित करता है — जिम्मेदार उपयोग और स्व-विकास — और किशोरों (12–17), युवा वयस्कों (18–40) और मध्यम वयस्कों (41–60) में स्केलर अपरिवर्तनशीलता रखता है, हालाँकि लेखक सावधानी देते हैं कि ΔCFI पारंपरिक सीमा के करीब पहुँचा (लियू सहित (2026)))।

झी, यांग और हुआंग (2026) मार्ज़ानो के वर्गीकरण पर एक स्नातक-विशिष्ट मॉडल बनाते हैं: 14 प्रोफेसरों के साक्षात्कारों के आधार-सिद्धांत विश्लेषण ने 329 कच्चे लेबल को 96 अवधारणाओं, 15 श्रेणियों और पाँच आयामों (संज्ञानात्मक नींव, परिचालन कौशल, उच्च-क्रम सोच, अंतर्ज्ञानात्मक चिंतन, नैतिक उत्तरदायित्व) में संघनित किया, फिर उन्हें एक 15-वस्तु लिकर्ट स्केल के रूप में परिचालित किया जिसके पाँच कारक खोजी कारक विश्लेषण में उभरे (83.14% संचयी विविधता) और एक दूसरे उपनमूने पर पुष्टि कारक विश्लेषण में बने रहे (CFI = 0.934, RMSEA = 0.083), 308 वैध प्रश्नावलियों में 0.796 से 0.842 तक विश्वसनीयता के साथ।

एक संबंधित प्रश्न यह है कि उपकरण बिल्कुल क्या माप सकते हैं। बर्रिस सहित (2026) ध्यान दें कि मौजूदा AI साक्षरता स्केल और क्षमता ढाँचे व्यक्तिगत रूप से मापनीय प्रदर्शन मानते हैं और इसलिए सहयोगात्मक, रचनात्मक अभिव्यक्ति को संरचनात्मक रूप से बाहर करते हैं — उनकी इकाई का साक्ष्य एक संक्षिप्त स्कोर के बजाय बहुमाध्यमी AI फिल्म कलात्मक उत्पाद, चिंतन और नागरिक प्रवचन था, और लेखक तर्क देते हैं कि ऐसा साक्ष्य पारंपरिक मापों को पूरक कर सकता है न कि बदल सकता है। निर्माण को व्यापक बनाना इसलिए स्वीकार्य साक्ष्य को व्यापक बनाने की मांग कर सकता है, केवल मौजूदा स्केल में माध्यम-समृद्ध वस्तुएँ जोड़ना नहीं।

एक पूरक धागा यह मापता है कि शिक्षार्थी और शिक्षक AI साक्षरता सामग्री को कैसे प्राप्त करते हैं न कि उनकी साक्षरता को। वांग, चुआंग और वू (2026) ने 794 छात्रों और 37 शिक्षकों को लगभग 30 मिनट के निर्देशित कक्षा एक्सपोज़र के बाद UNESCO की आयु सीमा (आयु 9-12 और 13-18) के अनुसार बने दो गाइडबुक संस्करणों को रेट किया। स्वीकृति ने एक चार-कारक संरचना रखी (प्रदर्शन अपेक्षा, प्रयास अपेक्षा, अनुभवित खिल-मज़ा, व्यवहारिक इरादा) जिसमें माप अपरिवर्तनशीलता दो छात्र संस्करणों में समर्थित थी, छोटे शिक्षार्थियों ने सभी चार निर्माणों पर उच्च स्कोर किया, और अनुभवित खिल-मज़ा ने दोनों सामूहिकों में इरादे के साथ सबसे बड़ा संबंध वहन किया। लेखक यह स्पष्ट हैं कि यह क्या नहीं है: एक आयु-स्तरीक संसाधन का अनुभवित स्वीकृति AI साक्षरता उपलब्धि नहीं है, नैतिक तर्क, अपनाना या सतत उपयोग नहीं, और भौतिक-स्तर स्वीकृति को यह साक्ष्य के रूप में नहीं पढ़ा जाना चाहिए कि साक्षरता सुधरी।

माप उन शिक्षकों तक भी विस्तारित होता है जो शिक्षार्थियों के AI के साथ जुड़ाव को मध्यस्थता करते हैं। अधिकांश AI-साक्षरता मूल्यांकन छात्रों या सामान्य उपयोगकर्ताओं को लक्षित करते हैं, शिक्षक शिक्षा में एक अंतराल छोड़ते हैं — एक अंतराल जिसे शिक्षकों की AI साक्षरता स्केल (TAILS) संबोधित करता है: ED-AI ढाँचे में आधारित छह आयामों (ज्ञान, मूल्यांकन, सहयोग, संदर्भीकरण, स्वायत्तता और नैतिकता) के साथ, इसे खोजी और पुष्टि कारक विश्लेषण के माध्यम से सत्यापित पूर्व-सेवा भाषा शिक्षकों के साथ। ऐसे उपकरण उन शिक्षकों की AI साक्षरता को मापना और विकसित करना समर्थित करते हैं जो शिक्षार्थियों के AI के साथ जुड़ाव को मध्यस्थता करते हैं। छात्र पक्ष पर, निए सहित (2026) उच्च शिक्षा छात्रों के लिए एक जनरेटिव AI मूल्यांकन साक्षरता स्केल (GAA-LS) विकसित और सत्यापित करते हैं — एक 18-वस्तु, पाँच-कारक उपकरण जिसके स्कोर प्रतिपुष्टि जुड़ाव, शैक्षणिक इमानदारी और जिम्मेदार AI उपयोग को ट्रैक करते हैं, जिसमें प्रतिक्रिया के माध्यम से इमानदारी तक एक अप्रत्यक्ष मार्ग — यह साक्ष्य कि मूल्यांकन-विशिष्ट AI साक्षरता मापनीय है और इमानदारी व्यवहार से जुड़ी है। जो शिक्षक-सामना उपकरण संग्रह वास्तव में समाहित करता है उसका तब से ऑडिट किया गया: ज़ैनल, मोहद मातोरे और मात की 2026 शिक्षक AI साक्षरता माप उपकरणों की समीक्षा ने 2019 और 2025 के बीच प्रकाशित 33 उपकरणों का आकलन किया और पाया कि 31 (93.9%) अनुभवित आत्मविश्वास के स्व-रिपोर्ट स्केल थे, केवल दो ने ज्ञान का वस्तुनिष्ठ रूप से परीक्षण किया, और कोई भी प्रदर्शन-आधारित कार्यों का उपयोग नहीं किया, जबकि निष्पक्षता साक्ष्य सबसे कमज़ोर गुणवत्ता डोमेन था, केवल पाँच उपकरण माप अपरिवर्तनशीलता या विभेदी वस्तु कार्य रिपोर्ट करते हुए।

उस माप साहित्य का 2026 अद्यतन इसे चार डोमेन में पुनर्गठित करता है — ज्ञान और उपयोग, ज्ञान-बौद्धिक निगरानी, निर्भरता अंशांकन, और उपकरण-उपयोग एजेंटों का परिचालन नियंत्रण — और रिपोर्ट करता है कि संग्रह में कोई सत्यापित व्यक्तिगत-स्तर उपकरण उस पूर्ण संयोजन को कवर नहीं करता जो एजेंटिक उपकरण उपयोग मांगता है — दायरा, अनुमतियाँ, पुनर्प्राप्ति, स्थिति अलगाव, स्वतंत्र समीक्षा और साक्ष्य-आधारित बंदी। इसके एक ही-नमूने प्रभावों में समूहित व्यक्तिपरक–वस्तुनिष्ठ सहसंबंध r = .055 था, जो ऊपर वर्णित विचलन के साथ संगत था न कि स्व-रेटिंग के एक उपयोगी प्रतिनिधि के रूप में (वेरी (2026)))।

महत्वपूर्ण 3wAI साक्षरता स्केल (बोज़कुर्त, एरटान और कोमेर्ट, 2026) वयस्क शिक्षार्थियों के लिए एक स्व-रिपोर्ट उपकरण के रूप में उसी तीन-भाग संरचना को सत्यापित करता है (n = 546 और n = 647; χ²/df = 4.93, CFI = 0.931, α = 0.913)। इसके Know-How और Know-Why कारक सबसे कसकर युग्म निकले (HTMT = 0.544), जबकि केवल सैद्धांतिक ज्ञान का व्यावहारिक दक्षता में अनुवाद नहीं हुआ। एक स्व-रिपोर्ट माप के रूप में यह ऊपर वर्णित विचलन समस्या साझा करता है, इसलिए यह एक सत्यापित निदान है बजाय एक प्रदर्शन माप के — और लेखक आयु समूहों और सांस्कृतिक संदर्भों में पुनः-सत्यापन के लिए आह्वान करते हैं।

माप परिदृश्य स्वयं अव्यवस्थित है, और अब आंशिक रूप से मैप करने योग्य। ही, झांग, वांग और जी (2026) ने AI साक्षरता उपकरण संग्रह को एक LLM-आधारित कोडिंग पाइपलाइन के साथ विश्लेषित किया और एक लेबल के तहत कई निर्माणों को मापता क्षेत्र पाया — एक जंगल समस्या, एक निर्माण कई नाम वहन करता है (व्यवहारिक प्रतिबद्धता आठ उम्मीदवार जोड़े में दिखती है, आंतरिक प्रेरणा पाँच में), साथ ही उम्मीदवार जिंगल मामले जहाँ उपकरण एक लेबल साझा करते हैं लेकिन अपनी वस्तु सामग्री नहीं। वस्तु और निर्माण संरचना की उनकी अर्थ-समानता पुनर्प्राप्ति उपकरणों की अपनी रिपोर्टित विश्वसनीयताओं के साथ केवल मध्यम रूप से सहसंबद्ध थी (वस्तु स्तर पर r = 0.49 बनाम निर्माण स्तर पर 0.45 और 0.35), और वे विधि को स्क्रीनिंग के रूप में पेश करते हैं न कि निर्णय के रूप में। किसी भी माप चुनने वाले के लिए परिणाम यह है कि अध्ययनों में अभिसरण दावे मानना सुरक्षित नहीं हैं: एक ही नाम वाले दो उपकरण एक ही निर्माण को परिचालित नहीं कर सकते।

जो उपकरण समर्थन कर सकते हैं उसका तब से ऑडिट किया गया, और ऑडिट सुसंगत है। जिन, गासेविक, मार्टिनेज़-माल्डोनाडो और यान (2026) ने 8,056 रिकॉर्ड को 58 अध्यायनों तक स्क्रीन किया जो 47 अद्वितीय उपकरणों को कवर करते हैं, एक निर्माण के विरुद्ध COSMIN से आकलित जिसका उपकरण-विकास विंडो तीन वर्षों में संघनित हुआ (2023 से पहले दो उपकरण, केवल 2025 में 28)। संग्रह 47 में से 37 स्व-रिपोर्ट रहता है, और साक्ष्य आंतरिक संरचना के इर्द-गिर्द कसकर क्लस्टर होता है: संरचनात्मक वैधता 58 में से 32 अध्यायनों में पर्याप्त थी और आंतरिक संगति 32 में जिसमें कोई अपर्याप्त नहीं रेट किया गया, लेकिन निर्माण वैधता केवल 15 अध्यायनों द्वारा रिपोर्ट की गई (12 पर्याप्त), मानदंड वैधता एक द्वारा, माप अपरिवर्तनशीलता पाँच द्वारा (सभी पर्याप्त), और केवल 58 में से 2 ने एक पर्याप्त समग्र सामग्री-वैधता रेटिंग अर्जित की — व्यापकता 53 में अपर्याप्त थी जबकि 43 अध्यायन संज्ञानात्मक साक्षात्कार रिपोर्ट करते हैं। पैटर्न यह है कि माप प्रथा ठीक वहाँ मज़बूत दिखती है जहाँ यह प्रदर्शित करने में सबसे सस्ता है और पतली जहाँ साक्ष्य उपकरण के बाहर से आना चाहिए, इसलिए एक साफ कारक संरचना और एक उच्च गुणांक (जो वस्तु अतिरेक को प्रतिबिंबित कर सकता है जितना निर्माण प्रतिनिधित्व) को प्रदर्शित क्षमता के रूप में नहीं पढ़ा जाना चाहिए। लेखकों का नुस्खा विस्तार के बजाय सुदृढ़ीकरण है: मौजूदा स्केल परिष्कृत करें, जब भी कोई एक भाषा या शैक्षिक चरण पार करे तो अपरिवर्तनशीलता परीक्षण करें, और स्कोर को प्रदर्शन कार्यों से संबंधित करके मानदंड साक्ष्य जोड़ें।

अपवादों में से एक समूहों की तुलना करने के लिए बना है। झांग सहित (2026) ने जनरेटिव AI साक्षरता स्केल (GAILS) विकसित किया — 43 वस्तुएँ एक पाँच-विशेषज्ञ डेल्फी समीक्षा और एक सात-व्यक्ति पायलट के माध्यम से 34 में कम की गईं, फिर 341 उत्तरी अमेरिकी वयस्कों में सत्यापित — और स्केलर अपरिवर्तनशीलता परीक्षित किया, यह पाते हुए कि यह महिला और पुरुष उत्तरदाताओं में और छात्र और कार्यबल समूहों में बनी रही। यही वह है जो उपकरण रिपोर्ट करने वाले माध्य तुलनाओं को लाइसेंस देता है — पुरुष अनुकूली परिचालन कौशल पर मामूली रूप से उच्च स्कोर, छात्र अनुकूली परिचालन कौशल और जिम्मेदार जनरेटिव-AI साक्षरता पर उच्च — क्षमता अंतरों के रूप में न कि विभेदी वस्तु कार्य के रूप में, और यही वह है जो स्केल को उच्च शिक्षा और कार्यस्थल निर्धारणों में छात्र-केवल के बजाय उपयोगी बनाता है। इसका अपना साक्ष्य बेदाग नहीं है: फिट मिश्रित था (CFI = .967 और SRMR = .058 पारंपरिक सीमाओं के भीतर, RMSEA = .087 उनके ऊपर), कुल-स्केल α = .973 एक विफल फोर्नेल–लार्कर विभेदी तुलना के साथ बैठता है (कारक 1 √AVE = .828 कारक 3 के साथ r = .873 के विरुद्ध), और, संग्रह में लगभग सब कुछ की तरह, यह बिना किसी व्यवहारिक मानदंड के अनुभवित क्षमता मापता है। इस क्षेत्र में एक सत्यापित स्केल एक शुरुआती बिंदु है उस अपरिवर्तनशीलता और मानदंड काम के लिए जिसकी समीक्षा मांग करती है, एक पूर्ण बेंचमार्क नहीं।

ज्ञानकोश में संबंध

AI साक्षरता AI ट्यूटरिंग (यह समझना कि AI ट्यूटर कब और कैसे प्रभावी हैं), शिक्षकों की AI योग्यता (शिक्षक तैयारी), शैक्षणिक इमानदारी (यह जानना कि उचित AI उपयोग क्या मिलता है), और व्यापक रूप से शिक्षा में AI से प्रतिच्छेद करती है। यह प्रभावी AI उपयोग के लिए एक पूर्वशर्त और अच्छी तरह डिज़ाइन की गई AI एकीकरण का एक परिणाम दोनों है — छात्र AI के बारे में सीखकर नहीं, AI का महत्वपूर्ण रूप से उपयोग करके AI साक्षरता सीखते हैं।

AI साक्षरता अति-निर्भरता के लिए दोहरे-धार वाली है: माइज़ेल सहित (2026) ने पाया कि AI साक्षरता के कौशल-आधारित आयाम (उपयोग/समझना, पकड़ना) रिपोर्टित AI निर्भरता से सकारात्मक रूप से संबंधित थे, जबकि AI स्व-प्रभावशीलता और शैक्षणिक आत्मविश्वास नकारात्मक रूप से संबंधित थे — इसलिए तकनीकी AI-साक्षरता प्रशिक्षण, बिना आत्म-प्रभावकारिता और स्व-नियंत्रित अधिगम मड्गद के, निर्भरता बढ़ा सकता है। AI साक्षरता यहाँ एक सक्षम क्षमता बन जाती है जिसकी दिशा पूरक प्रेरणात्मक संसाधनों पर निर्भर करती है।

• सत्यापन आदतें केवल विनियमन के माध्यम से भुगतान करती हैं। डेवर, लार्बी और बोआटेंग (2026) की घाना में 533 विश्वविद्यालय छात्रों के सर्वेक्षण में, AI सत्यापन साक्षरता का महत्वपूर्ण सोच (beta = .076, p = .090) या तकनीकी समस्या समाधान (beta = .043, p = .385) पर कोई महत्वपूर्ण सीधा प्रभाव नहीं था और केवल अंतर्ज्ञानात्मक स्व-विनियमन (beta = .167, p < .001) के माध्यम से मायने रखती थी, एक पूर्ण मध्यस्थता जिसे लेखक अंतर्ज्ञानात्मक सक्रियण कहते हैं। AI कार्य मड्गद ने दोनों परिणामों की भविष्यवाणी की (beta = .185 और .170), जबकि संज्ञानात्मक ऑफलोडिंग प्रवृत्ति ने उन्हें नकारात्मक रूप से भविष्यवाणी की (beta = -.240 और -.312) और विनियमन को भी दबाया (beta = -.294)। छात्रों को AI आउटपुट जाँचना सिखाना इसलिए अपने आप में पर्याप्त नहीं है: मूल्यांकनकारी आदतों को कार्य में नियोजन, निगरानी और चिंतन बनाने की आवश्यकता है।

• AI आउटपुट की आलोचना एक साक्षरता प्रथा के रूप में: होसैनी (2026) AI-निर्मित त्रुटियों का मूल्यांकन करना एक मूल AI-साक्षरता कौशल के रूप में मानता है, एक डेटाबेस डिज़ाइन पाठ्यक्रम में विफलता-तरीका विश्लेषण और पुनरावृत्त प्रॉम्प्ट परिष्करण का उपयोग करता है। अध्ययन ने पाया कि छात्रों ने अपनी AI क्षमताओं का अधिक अनुमान लगाया (स्व-रिपोर्टित साक्षरता वस्तुनिष्ठ क्षमता से कमज़ोर रूप से नकारात्मक रूप से सहसंबद्ध), और आलोचना-आधारित सीखने ने अंशांकन मज़बूत किया।

• समाजवादी मानवतावादी AI साक्षरता (2026): एक साहित्य समीक्षा अनुपालन-उन्मुख AI साक्षरता की आलोचना करती है और उच्च शिक्षा में अतुल्यकालिक AI साक्षरता और उचित उपयोग के एक समाजवादी-मानवतावादी फ्रेमिंग का प्रस्ताव देती है, ऐतिहासिक डिजिटल विभाजन को आधुनिक AI साक्षरता से जोड़ती है और उन दृष्टिकोणों के लिए आह्वान करती है जो यांत्रिक नीति अनुपालन के बजाय मानव समृद्धि और समानता की सेवा करते हैं (From Mechanical Compliance to Human Flourishing: A Socialist Humanist Approach to Asynchronous AI Literacy and Fair Use in Higher Education)।

• सस्ती, हल्की चेतावनियाँ AI प्रेरणा को कुंद करती हैं — बिना सामान्य विश्वास की लागत के। ओरचिनिक और रैंड (2026) ने दो प्रयोग पूर्व-पंजीकृत किए (कुल N = 3,208 US वयस्क) जिनमें प्रतिभागियों ने राजनीतिक विषयों पर अपने विचार बदलने के लिए निर्देशित एक बड़े भाषा मॉडल (LLMs) के साथ बातचीत की। एक एकल संक्षिप्त चेतावनी — कि मॉडल को प्रेरित किया जा सकता है और सूचना चयनात्मक रूप से प्रस्तुत कर सकता है — ने नियंत्रण के सापेक्ष विश्वास परिवर्तन को लगभग आधा काटा (-48.1%, 95% CI [-59.5%, -36.8]), और विशिष्ट प्रेरणा-तकनीक चेतावनियाँ जोड़ने ने कोई और लाभ नहीं दिया। सिखाने के लिए मायने रखने वाली संपत्ति प्रभाव के दूसरी तरफ है: जनरेटिव-AI में सामान्य विश्वास नहीं गिरा, इसलिए हस्तक्षेप अंशांकित विश्वास बनाता है न कि ढाल-ढाल संदेह। यह एक एक-पैराग्राफ, बिना-सुविधा हस्तक्षेप है, जो AI साक्षरता डिज़ाइन के लिए एक दुर्लभ लागत प्रोफ़ाइल है।

• शिक्षार्थी AI शासन उपकरण के डिज़ाइन से अधिक मायने रखता है। अज़ीमी (2026) ने एक मास्टर डेटा-विश्लेषण पाठ्यक्रम में 33 छात्रों का यादृच्छिकरण किया नोटबुक में सन्निहित एक मड्गद AI अध्ययन कोच (n = 16) और उनके द्वारा चुने गए किसी भी जनरेटिव-AI उपकरणों के असीमित उपयोग (n = 17) के बीच सात सप्ताहों के लिए। असाइनमेंट प्रदर्शन और अवधारणा-सूचकांक लाभ अविभेद्य थे; कोच परिस्थिति ने इसके बजाय उच्च आत्मविश्वास रिपोर्ट किया। जिसने छात्रों को अलग किया वह व्यवहार में AI साक्षरता थी: जिन्होंने अपने नियम तय किए थे कि AI का उपयोग कब करें उन्होंने दोनों परिस्थितियों में उच्च स्कोर किया, और सबसे गहरे मॉडल समझ वाले छात्र — उनमें से हर एक स्व-सिखाई — ने सबसे जानबूझकर प्रॉम्प्ट किया। डिज़ाइन निहितार्थ नियंत्रण प्रतिवर्त के विरुद्ध चलता है: AI साक्षरता के स्व-विनियामक और मॉडल-समझ घटक सिखाएँ न कि उपकरणों को बाधित करें।

संबंधित अवधारणाएँ

• शिक्षाशास्त्रीय पैटर्न — इन अनुक्रमों में महत्वपूर्ण-आकलन चरणों द्वारा विकसित
• शिक्षार्थी — शिक्षार्थी: शिक्षार्थी-पक्षीय अवधारणाओं के लिए छत्र
• जनरेटिव-AI — वह तकनीक जिसे AI साक्षरता लक्षित करती है
• बड़े भाषा मॉडल (LLMs) — AI साक्षरता के केंद्र में प्रणालियाँ
• आलोचनात्मक सोच — मूल मूल्यांकनकारी प्रवृत्ति
• प्रॉम्प्ट इंजीनियरिंग — मूल व्यावहारिक क्षमता
• मेटाकॉग्निशन — अंतर्ज्ञानात्मक सामाजिक प्रथा के रूप में साक्षरता
• संज्ञानात्मक ऑफलोडिंग — वह अति-निर्भरता जोखिम जिसे साक्षरता प्रतिकार करती है
• AI के दुरुपयोग में कमी — साक्षरता का व्यवहारिक भुगतान
• शैक्षणिक इमानदारी — यह जानना कि उचित AI उपयोग क्या मिलता है
• स्व-मूल्यांकन — अपना काम और कौशल का न्याय करना, तकनीक और माप के रूप में
• विश्वास कैलिब्रेशन — उचित विश्वास अंशांकित करना
• AI चापलूसी — सहमति पकड़ने का साक्षरता कौशल
• समानता — साक्षरता का निष्पक्ष वितरण
• डिजिटल विभाजन — पहुँच/कौशल/परिणाम अंतराल
• नैतिकता — नैतिक जागरूकता आयाम
• शिक्षकों की AI योग्यता — शिक्षक तैयारी
• शैक्षिक विकास — शिक्षक साक्षरता बनाना
• एआई-सहायक शैक्षिक अनुसंधान — AI-सहायित शैक्षणिक शोध
• K-12 — विद्यालय-स्तर साक्षरता
• उच्च शिक्षा — विश्वविद्यालय-स्तर साक्षरता
• करियर विकास और तैयारी — वह रोज़गार-योग्यता भुगतान जो AI साक्षरता बनाती है तर्क दिया जाता है
• शिक्षा में AI — व्यापक क्षेत्र

संबंधित लेख

• Modeling the Relationships Between University Students' AI Competence, AI Ethical Awareness, and AI Anxiety: A Dual-Stage PLS-SEM and ANN Analysis - बिना सामना ढाँचे साक्षरता की नैतिक आयाम उठाना छात्रों को अधिक चिंतित छोड़ सकता है
• Reconceptualizing digital literacy in the AI era: A systematic review of validated frameworks from an ecological perspective — 80 सत्यापित ढाँचे दिखाते हैं कि AI डिजिटल साक्षरता को नैतिकता की ओर बढ़ा रहा है जबकि शिक्षक मानव–AI सहयोग कम-निर्दिष्ट रहता है (गुओ सहित 2026)
• Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations — सार्वजनिक सेवा मीडिया के लिए छह क्षमता क्षेत्र, पाँच मूल्य और तीन प्रगति स्तर
• The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education — AI साक्षरता सप्तकोण
• Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education — AI साक्षरता के लिए एक व्यावहारिक पाँच-चरण निरंतरता
• Clarifying the Conceptual Landscape in AI Literacy Measurement: A Large Language Model Based Approach — AI साक्षरता उपकरण संग्रह का मानचित्रण: 55 निर्माण, जंगल और जिंगल जोड़े, LLM-आधारित कोडिंग
• Measuring Artificial Intelligence Literacy: A Systematic Review of Instrument Development, Conceptual Foundations, and Psychometric Quality — 58 अध्यायनों और 47 AI साक्षरता उपकरणों का COSMIN आकलन: वैधता साक्ष्य आंतरिक संरचना के इर्द-गिर्द क्लस्टर होता है जबकि मानदंड, सामग्री और अपरिवर्तनशीलता साक्ष्य बड़े भाग में गुम रहता है (जिन सहित 2026)
• The Generative Artificial Intelligence Literacy Scale (GAILS): Development, Validation, and Measurement Invariance Across Sex and Occupational Status Groups — GAILS: 341 वयस्कों में सत्यापित 34-वस्तु जनरेटिव-AI साक्षरता स्केल, लिंग और छात्र/कार्यबल समूहों में स्केलर-अपरिवर्तनशील (झांग सहित 2026)
• GLAT: The Generative AI Literacy Assessment Test — GLAT: एक सत्यापित जनरेटिव AI साक्षरता मूल्यांकन परीक्षण
• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — AI साक्षरता मूल्यांकन: स्व-रिपोर्टित बनाम प्रदर्शन गलत-संरेखण
• Development and validation of the generative AI assessment literacy scale for higher education students — GAA-LS: उच्च शिक्षा छात्रों के लिए सत्यापित जनरेटिव AI मूल्यांकन साक्षरता स्केल (निए सहित 2026)
• Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use — AI साक्षरता से आगे: सक्षम जनरेटिव-AI उपयोग के मापों का एक संरचित समीक्षा और खोजी मेटा-विश्लेषण
• How AI literacy correlates with affective, behavioral, cognitive and contextual variables: A systematic review — यह व्यवस्थित समीक्षा कि AI साक्षरता किससे सहसंबद्ध है
• Assessing teachers' AI literacy: a systematic review of measurement tools — उन उपकरणों की व्यवस्थित समीक्षा जो शिक्षक AI साक्षरता मापते हैं
• Development of an AI literacy self-assessment questionnaire in upper primary school students — ऊपरी प्राथमिक छात्रों के लिए स्व-मूल्यांकन प्रश्नावली
• Metacognitive AI literacy: going beyond the AI skills gap agenda — एक अंतर्ज्ञानात्मक सामाजिक प्रथा के रूप में AI साक्षरता
• AI Literacy Interventions in Education: A Meta-Analysis of Effects and Moderators — AI साक्षरता हस्तक्षेप प्रभावों का मेटा-विश्लेषण
• The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education — मड्गद AI साक्षरता (SAIL) ढाँचा
• Measuring Acceptance of Age-Tiered AI Literacy Guidebooks: A Developmentally Informed Study of K-12 Students and Teachers — आयु-स्तरीक AI साक्षरता गाइडबुक 794 छात्रों और 37 शिक्षकों के साथ मूल्यांकित: चार-कारक स्वीकृति संरचना 9-12 और 13-18 संस्करणों में अपरिवर्तनशील, छोटे शिक्षार्थी हर निर्माण पर उच्च
• Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI” — महत्वपूर्ण AI साक्षरता: शक्ति, प्रतिरोध, एजेंसी
• Prompts to Practice: A Pedagogical Framework for Human-Centered AI Engagement — प्रॉम्प्ट इंजीनियरिंग से अलग एक आधारभूत साक्षरता के रूप में प्रॉम्प्ट साक्षरता: पाँच-चरण मानव-केंद्रित जनरेटिव-AI जुड़ाव मॉडल (माइल्स, हैबर-कुरान और अरार 2026)
• The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration — एक AI साक्षरता हस्तक्षेप के रूप में संदर्भगत चापलूसी
• Understanding Student Dependency on AI: The Role of AI Literacy, Academic Self-Efficacy, and Resource Management Strategies — AI साक्षरता, आत्म-प्रभावकारिता और निर्भरता
• Teaching Students to Question the Machine: An AI Literacy Intervention Improves Students' Regulation of LLM Use in a Science Task — एक दो-घंटे कार्यशाला ने मध्य-विद्यालय छात्रों के LLM बातचीत के विनियमन बदला, जबकि स्व-रिपोर्ट ने कुछ नहीं भविष्यवाणी किया (क्लेर्क सहित 2026)
• Artificial Intelligence Literacy and Sustainable Development: An Ethical Governance and Development Goals Framework — सतत विकास के लिए शासन क्षमता के रूप में AI साक्षरता: AIRE वर्गीकरण और AI–SDG संबंध (इस्लाम, मोर्शेद और इस्लाम 2026)
• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — यूक्रेनी माध्यमिक शिक्षकों के लिए पाँच-स्तरीय AI साक्षरता ढाँचा (मारियेंको सहित 2026)
• STEAM Education for AI Literacy: A Systematic Literature Review — AI साक्षरता के लिए STEAM शिक्षा: व्यवस्थित समीक्षा
• Systematic Review of Collaborative Learning Activities for Promoting AI Literacy — सहयोगात्मक AI साक्षरता ढाँचा
• Co-Constructing AI Boundaries: Agency, Judgment, and Ethical Literacy in AI-Mediated Meaning-Making — AI साक्षरता को यह न्याय करने के रूप में पुनःफ्रेम करता है कि कौन-सा व्याख्यात्मक काम प्रतिनिधित्व न करना चाहिए
• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — AI सत्यापन साक्षरता केवल अंतर्ज्ञानात्मक स्व-विनियमन के माध्यम से मायने रखती थी, जबकि संज्ञानात्मक ऑफलोडिंग ने कम महत्वपूर्ण सोच और समस्या-समाधान की भविष्यवाणी की (डेवर सहित 2026)
• Designing for AI literacy: psychological mechanisms and self-determination — सोच-आधारित निर्देश ने एक वस्तुनिष्ठ रूप से रेट किए गए कार्य पर कौशल-आधारित निर्देश को हराया, स्वायत्तता और क्षमता प्रभाव को वहन करते हुए (यू, लिन और चेन 2026)
• Psychological predictors of continued ChatGPT use among university students: the roles of AI literacy, trust, and academic self-efficacy — AI साक्षरता से निरंतर ChatGPT उपयोग विश्वास और शैक्षणिक आत्म-प्रभावकारिता के माध्यम से चलता है, और AI चिंता पहले लिंक को पतला करती है (हू 2026)
• Modeling and measuring graduate students’ generative AI literacy: a study based on Marzano’s taxonomy — स्नातक जनरेटिव-AI साक्षरता के लिए पाँच-आयाम मार्ज़ानो-आधारित मॉडल और 15-वस्तु स्व-रिपोर्ट स्केल (झी सहित 2026)
• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — प्रारंभिक गणित शिक्षक प्रशिक्षण में AI के ग्यारह अध्यायन, बड़े भाग में अल्पकालिक, नैतिकता केवल तीन में संबोधित (पिंटो सहित 2026)
• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — विश्वविद्यालय रसायन विज्ञान में सत्यापन-केंद्रित जनरेटिव-AI एकीकरण, प्रतिनिधित्व अनुवाद को मूल AI साक्षरता मांग के रूप में (वेगा-बौड्रिट और रिवेरा अल्वारेज़ 2026)
• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — कौन कार्य करता है, कौन जानता है, कौन उत्तर देता है? जनरेटिव AI उच्च शिक्षा शोध में एजेंसी, ज्ञान उत्तरदायित्व और जवाबदेही का एक संग्रह-सहायित प्रवचन विश्लेषण
• Bridging the Gap: Investigating Students' Self-Reported AI-Literacy and Perceived Employability Competencies for an AI-Enabled Workforce — स्व-रिपोर्टित AI साक्षरता ने अनुभवित रोज़गार-योग्यता तैयारी का 60.8% समझाया, मूल्यांकनकारी और भावनात्मक आयाम सबसे मज़बूत (एलसेयरी और रगब 2026)
• From Competency to Agency: Teachers' Views of the Purposes of AI Education — शिक्षकों के उद्देश्य AI शिक्षा बिएस्टा के योग्यता, सामाजिकीकरण और विषयीकरण के माध्यम से पढ़े गए, और सूचित AI एजेंसी अनुमानज्ञ (फेगरलुंड सहित 2026)
• Teacher Readiness-By-Design for AI-Rich Interactive Learning — शिक्षक तैयारी अपनाने या आत्मविश्वास के बजाय डिज़ाइन गुणवत्ता के रूप में, आत्म-प्रभावकारिता एक संसाधन और गैर-उपयोग अतैयारी नहीं (चार्ल्स 2026)
• The Effects of K-12 Artificial Intelligence Education in Enhancing AI Literacy: A Meta-Analysis — K-12 AI शिक्षा ने 57 सकारात्मक प्रभावों में समूहित g = 0.892 के साथ AI साक्षरता बढ़ाई, और माप असहमति विषमता समझाती है (यू सहित 2026)
• Literacy demands placed on students in student–GenAI entanglements in higher education — साक्षरता मांग छात्र–जनरेटिव-AI उलझन प्रकार से भिन्न होती है; सहायक और सक्षमकर्ता रूप प्रभुत्वित हैं जबकि बाकी संस्थागत कारणों से हाशिय पर रहते हैं (सन, डोह्न और रेहम 2026)
• The AI Competence Framework Landscape: A Comparative Analysis of Frameworks for Education and Workforce Development — शिक्षा और कार्यबल विकास के लिए 16 AI क्षमता ढांचों का तुलनात्मक विश्लेषण
• A Multidimensional Analysis of AI Literacy Determinants: External Resources, Digital Skills, and Psychological Profile Among University Students — संयुक्त निर्धारक के रूप में बाह्य संसाधन, डिजिटल क्षमता और मनोवैज्ञानिक प्रोफ़ाइल, एक तकनीक-चिंता चिह्न उलटफेर के साथ
• The Six-Facet Artificial Intelligence Literacy Questionnaire (SFAILQ): Assessing AI Literacy in Adolescents, Young Adults, and Midlife Adults — छह-पहलू उपकरण जिम्मेदार-उपयोग और स्व-विकास पहलुओं को जोड़ता है, किशोरों, युवा वयस्कों और मध्यम वयस्कों में स्केलर-अपरिवर्तनशील
• Exploring University Faculty's AI Well-Being: A Structural Equation Model of Social Supports, AI Literacy, and Technological Self-Efficacy — संकाय AI कल्याण, सामाजिक सहायता और AI साक्षरता का संरचना-समीकरण मॉडल
• What Does It Mean to Be AI Literate? Psychometric Validation of the Critical 3wAI Literacy Scale — सत्यापित 17-वस्तु स्व-रिपोर्ट स्केल जिसमें तीन अलग AI-साक्षरता कारक (Know What/How/Why); Know-How और Know-Why सबसे अधिक युग्म (HTMT = 0.544)
• AI Literacy and STEM Education: Emerging Frontiers and Research Priorities — STEM शिक्षा में AI साक्षरता के दस सर्वाधिक-उद्धृत अध्यायनों का संश्लेषण (हालस्ट्रॉम सहित 2026)