प्रौद्योगिकियाँ

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

प्रौद्योगिकियाँ — वे मॉडल, आर्किटेक्चर और तरीके जो एआई शिक्षा प्रणालियों को संचालित करते हैं, और ज्ञान आधार द्वारा तकनीकी स्तर की कवरेज के लिए छत्र अवधारणा। जहाँ शिक्षाशास्त्र और अधिगम सिद्धांत यह संबंधित हैं कि शिक्षण और अधिगम कैसे होता है, और AI शिक्षा मूल्यांकन यह संबंधित है कि एआई काम करता है या नहीं, यह पेज तकनीकी धारा को स्थापित करता है: एआई प्रणालियाँ (बड़े भाषा मॉडल, जनरेटिव एआई, मल्टीमॉडल मॉडल, रोबोट) और उन्हें बनाने, नियंत्रित करने और तैनात करने के लिए उपयोग की जाने वाली तकनीकें (प्रॉम्प्ट इंजीनियरिंग, रिट्रीवल-ऑगमेंटेड जनरेशन, रीनफ़ोर्समेंट लर्निंग, शैक्षिक एनएलपी, ज्ञान ग्राफ, एजेंटिक ऑर्केस्ट्रेशन)।

विचार के लिए प्रश्न

आप LLM बनाने में सक्षम हों या न हों, आप एक उत्कृष्ट शिक्षक हो सकते हैं — लेकिन यह पेज तर्क देता है कि आपकी तकनीकी पसंद अभी भी यह निर्धारित करती है कि आपकी कक्षा में एआई क्या कर सकता है और क्या नहीं। किसी एआई उपकरण की अंतर्निहित तकनीक आपके छात्रों के सीखने के तरीके को चुपचाप किस तरह बदल सकती है, भले ही आप कभी कोड न देखें?
एक आम मान्यता है कि मॉडल ही पूरी कहानी है — लेकिन रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) और प्रॉम्प्ट इंजीनियरिंग जैसी तकनीकें ठीक LLM आउटपुट को नियंत्रित और स्थापित (ground) करने के लिए मौजूद हैं। आगे पढ़ने से पहले, जब आप किसी एआई से कहते हैं कि 'अधिक सटीक बनें' या 'इस स्रोत का उपयोग करें', तो आपको क्या लगता है कि भीतर असल में क्या हो रहा है?
RAG को हैलुसिनेशन को कम करने और सुरक्षा में सुधार के लिए एक मुख्य तकनीक के रूप में वर्णित किया गया है। आपको क्या लगता है कि एआई के उत्तर को 'स्थापित' (ground) करने के लिए प्रासंगिक ज्ञान लाना शिक्षा के लिए, उदाहरण के लिए सामान्य चैट की तुलना में, अधिक महत्वपूर्ण क्यों होगा — और यदि वह स्थापना विफल हो जाए तो क्या गलत हो सकता है?
यह पेज दावा करता है कि तकनीकी पसंद शिक्षाशास्त्रीय मान्यताओं को अभिव्यक्त करती हैं: सुक्रातीय प्रॉम्प्टिंग पर बना एक ट्यूटर शिक्षार्थियों के साथ तर्क करता है, जबकि एक उत्तर-जनरेट करने वाला मॉडल केवल समाधान सौंप सकता है। क्या आप किसी ऐसे एआई उपकरण को याद कर सकते हैं जो किसी विशेष शिक्षण दर्शन को 'मानता' प्रतीत हुआ — और क्या वह उस तरीके से मेल खाता था जिस तरह से आप वास्तव में पढ़ाना या सीखना चाहते थे?
कच्ची सटीकता से परे, यह पेज सुझाव देता है कि एआई प्रणालियों का मूल्यांकन विश्वसनीयता, शिक्षाशास्त्र और समानता पर किया जाना चाहिए। आपको क्या लगता है कि अधिकांश लोग (जिनमें कई शिक्षक भी शामिल हैं) यह निर्धारित करते समय किस मुख्य मीट्रिक पर डिफ़ॉल्ट होते हैं कि कोई एआई उपकरण 'काम करता है', और वह मीट्रिक जो छिपाती है उससे अधिक क्यों प्रकट कर सकती है?
एजेंटिक एआई को एआई को 'प्रॉम्प्ट का जवाब देने वाले उपकरण से सक्रिय सहयोगी में' बदलने के रूप में वर्णित किया गया है। एक ऐसी प्रणाली जो स्वयं बहु-चरणीय कार्यप्रवाहों को शुरू और व्यवस्थित करती है, आपके — एक प्रशिक्षक या शिक्षार्थी के रूप में — ज़िम्मेदारियों को किस तरह बदल सकती है — और उसे जवाबदेह कौन ठहराता है?

परिचय

शिक्षा में एआई एक विशिष्ट तकनीकी ढेर पर चलता है, और इसे समझना शिक्षकों और शोधकर्ताओं के लिए तब भी महत्वपूर्ण है जब वे स्वयं प्रणालियाँ नहीं बनाते — क्योंकि तकनीकी पसंद यह निर्धारित करती हैं कि कक्षा में एआई क्या कर सकता है और क्या नहीं, वह कौन से जोखिम लेकर चलता है, और उसका मूल्यांकन कैसे करना है। यह पेज ज्ञान आधार की तकनीकी-अवधारणा कवरेज को व्यवस्थित करता है: एआई प्रणालियाँ, उन्हें अनुकूलित और नियंत्रित करने वाली तकनीकें, और यह कि तकनीकी स्तर शिक्षाशास्त्र, मूल्यांकन और निर्धारण से कैसे जुड़ता है।

शिक्षा में एआई प्रणालियाँ

बड़े भाषा मॉडल (LLMs)। अधिकांश आधुनिक AIED की कम्प्यूटेशनल रीढ़ — LLMs ट्यूटरिंग, मूल्यांकन और सामग्री निर्माण के लिए मानव जैसा पाठ उत्पन्न करते हैं, और ज्ञान आधार में सर्वाधिक संदर्भित तकनीक हैं। प्रशिक्षण और फाइन-ट्यूनिंग सामान्य LLMs को शैक्षणिक उपयोग के लिए अनुकूलित करती है।
जनरेटिव एआई। प्रणालियों की व्यापक श्रेणी जो पाठ, कोड, चित्र और अन्य सामग्री उत्पन्न करती हैं — जनरेटिव एआई (मुख्य रूप से LLMs द्वारा संचालित) वर्तमान AIED अनुसंधान की लहर के पीछे की तकनीक है। यह भी मल्टीमॉडल मॉडल (पाठ, चित्र, ऑडियो) और सिमुलेशन देखें।
रोबोट और सशरीत्र प्रणालियाँ। शिक्षा में रोबोट एक सशरीत्र और अक्सर सामाजिक उपस्थिति जोड़ते हैं — कम्प्यूटेशनल सोच के लिए प्रोग्रामेबल किट और ट्यूटरिंग, कहानी कहने तथा भूमिका-अभिनय के लिए ह्यूमनॉयड/सामाजिक रोबोट। रोबोटिक्स एक अलग तकनीकी धारा है जो एजेंटिक एआई और ह्यूमन-इन-द-लूप डिज़ाइन से ओवरलैप करती है।
ज्ञान-आधारित प्रणालियाँ। ज्ञान ग्राफ और शैक्षणिक एनएलपी डोमेन ज्ञान का प्रतिनिधित्व और प्रसंस्करण करते हैं, और तथ्याप्रद, व्याख्यायोग्य ट्यूटरिंग के लिए LLMs के साथ बढ़ते रूप से जोड़े जाते हैं।

तकनीकें और तरीके

प्रॉम्प्ट इंजीनियरिंग। प्रॉम्प्ट इंजीनियरिंग वह तरीका है जिससे शिक्षक और डेवलपर LLM आउटपुट को आकार देते हैं — वह प्राथमिक तंत्र जिसके माध्यम से LLM इंटरैक्शन में ऑफलोडिंग और नियंत्रण लागू होता है।
रिट्रीवल-ऑगमेंटेड जनरेशन (RAG)। RAG LLM आउटपुट को पुनर्प्राप्त ज्ञान में स्थापित करता है, हैलुसिनेशन को कम करता है और सटीकता में सुधार करता है — सुरक्षित शैक्षणिक तैनाती के लिए एक मुख्य तकनीक।
रिइन्फोर्समेंट लर्निंग। रिइन्फोर्समेंट लर्निंग एजेंटों को समय के साथ व्यवहार को अनुकूलित करने के लिए प्रशिक्षित करती है, जिसका उपयोग अनुकूली प्रणालियों और गेम-आधारित अधिगम में किया जाता है।
एजेंटिक ऑर्केस्ट्रेशन। एजेंटिक एआई प्रणालियाँ बहु-चरणीय कार्यप्रवाहों की योजना बनाती और निष्पादित करती हैं — अक्सर कई विशेष एजेंटों का समन्वय करती हैं (मल्टी-एजेंट प्रणालियाँ देखें) — और एआई को प्रॉम्प्ट का जवाब देने वाले उपकरण से सक्रिय सहयोगी में बदल रही हैं।
शैक्षणिक एजेंट स्टैक अग्रणी स्तर से पीछे है। वांग और सहयोगी (2026) ने 474 अध्ययनों का मानचित्रण किया और पाया कि GPT-श्रृंखला मॉडल और LangChain प्रमुख हैं, जबकि शासित टूल ऑर्केस्ट्रेशन, स्थायी स्मृति और दीर्घ-क्षितिज नियोजन काफी हद तक अनुपस्थित थे — और केवल 474 में से 138 (29%) ने शैक्षणिक सिद्धांत का सहारा लिया।
मॉडल प्रशिक्षण और अनुकूलन। LLM प्रशिक्षण और फाइन-ट्यूनिंग, शैक्षणिक संरेखण और छोटे भाषा मॉडल अनुकूलन सामान्य मॉडलों को शिक्षा-विशिष्ट बनाते हैं — हालाँकि ज्ञान आधार के प्रमाण निर्णय क्रम में रिट्रीवल और प्रॉम्प्टिंग को प्रशिक्षण से आगे रखते हैं, क्योंकि एक अच्छी तरह स्थापित प्रॉम्प्ट एक अनुकूलित मॉडल से सस्ता है।

तकनीकी स्तर क्षेत्र से कैसे जुड़ता है

तकनीकी धारा ज्ञान आधार के अन्य विषयों से अविभाज्य है:

शिक्षाशास्त्र: तकनीकी पसंद शिक्षाशास्त्रीय मान्यताओं को अभिव्यक्त करती हैं — सुक्रातीय प्रॉम्प्टिंग पर बना एक ट्यूटर शिक्षार्थियों के साथ तर्क करता है, जबकि एक उत्तर-जनरेट करने वाला मॉडल प्रत्यक्ष प्रावधान पर डिफ़ॉल्ट हो सकता है (शिक्षाशास्त्र और शिक्षण रणनीतियाँ देखें)।
मूल्यांकन: AI शिक्षा मूल्यांकन और बेंचमार्क निर्धारित करते हैं कि एआई प्रणालियाँ वास्तव में काम करती हैं या नहीं; मूल्यांकन और स्वचालित मूल्यांकन ग्रेडिंग और उत्पादन के लिए तकनीकी ढेर का उपयोग करते हैं।
उत्तरदायी उपयोग: तकनीकी तकनीकें एआई के दुरुपयोग को कम करने के लिए केंद्रीय हैं — RAG (रिट्रीवल-ऑगमेंटेड जनरेशन) स्थापना, गार्डरेल, प्रॉम्प्ट इंजीनियरिंग मड्गद और मानवीय निगरानी यह निर्धारित करती हैं कि एआई अधिगम का समर्थन करता है या उसे कमज़ोर करता है (संज्ञानात्मक ऑफलोडिंग, हैलुसिनेशन जोखिम)।

एआई शिक्षा के लिए निहितार्थ

तकनीकी साक्षरता महत्वपूर्ण उपयोग का समर्थन करती है: अंतर्निहित मॉडलों और तकनीकों को समझना शिक्षकों और शिक्षार्थियों को एआई का अच्छी तरह उपयोग करने और उसका महत्वपूर्ण मूल्यांकन करने में मदद करता है (AI साक्षरता देखें)।
तकनीक को शिक्षाशास्त्रीय उद्देश्य से चुनें: एआई प्रणाली और तकनीक शिक्षण रणनीति का अनुसरण करनी चाहिए, इसके विपरीत नहीं।
तकनीकी स्तर का मूल्यांकन करें: AI शिक्षा मूल्यांकन और बेंचमार्क अनुसंधान एआई प्रणालियों का मूल्यांकन विश्वसनीयता, शिक्षाशास्त्र और समानता पर करते हैं, केवल मुख्य सटीकता पर नहीं।
रोबोट और एजेंट ढेर का हिस्सा हैं: सशरीत्र और एजेंटिक प्रणालियाँ तकनीकी संपदा को पाठ से परे बढ़ाती हैं — और अपने स्वयं के डिज़ाइन और सुरक्षा विचार लाती हैं।