स्वचालित प्रश्न निर्माण

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

स्वचालित प्रश्न निर्माण (AQG) — स्रोत सामग्री या अधिगम उद्देश्यों से स्वचालित रूप से शैक्षणिक मूल्यांकन आइटम (बहुविकल्पीय, लघु-उत्तरीय, रिक्त-स्थान-भरने वाले, कोडिंग और प्रदर्शन प्रश्न) बनाने में एआई, विशेष रूप से बड़े भाषा मॉडल (LLMs) का उपयोग। AQG बड़े पैमाने पर मूल्यांकन को सक्षम बनाता है — गठनमूलक क्विज़, अनुकूली अभ्यास और अभ्यास आइटम बनाना — लेकिन गुणवत्ता आइटम प्रकारों के बीच नाटकीय रूप से भिन्न होती है और हैलुसीनेटेड या खराब अनुकूलित प्रश्नों से बचने के लिए सत्यापन आवश्यक है। यह स्वचालित मूल्यांकन का एक मुख्य घटक है और अनुकूली अधिगम तथा व्यक्तिगत शिक्षा का एक प्रमुख सशक्तक है।

प्रश्न जिन पर विचार करें

• स्वचालित प्रश्न निर्माण स्रोत सामग्री से बड़े पैमाने पर मूल्यांकन आइटम बनाता है — लेकिन यह पेज चेतावनी देता है कि गुणवत्ता आइटम प्रकारों के बीच नाटकीय रूप से भिन्न होती है। पढ़ने से पहले, आपका अनुमान क्या होगा कि एआई किस प्रकार के आइटम सबसे अधिक भरोसेमंद ढंग से बनाता है: बहुविकल्पीय, लघु-उत्तरीय, या कोड — और क्यों?
• केंद्रीय चुनौती गुणवत्ता नियंत्रण है: एलएलएम तथ्यात्मक रूप से गलत प्रश्न बना सकते हैं। एक पाइपलाइन ने एक जनरेट-देन-वैलिडेट-रिफाइन लूप जोड़कर हैलुसीनेशन को 62% तक कम किया। आपको क्या लगता है कि एआई से अपने प्रश्नों का सत्यापन कराने से उनमें सार्थक सुधार होगा, बजाय इसके कि वह केवल अपने ही आउटपुट पर मुहर लगा दे?
• अनुसंधान दिखाता है कि जनित प्रश्न तब तक निम्न-स्तरीय सोच (स्मरण) की ओर झुक सकते हैं जब तक उन्हें स्पष्ट रूप से उच्च-स्तरीय परिणामों के लिए डिज़ाइन न किया जाए। यदि आप अभ्यास आइटम बनाने के लिए एआई का उपयोग करें, तो आप कैसे जानेंगे कि वे वास्तविक समझ या केवल रटाई का प्रशिक्षण दे रहे हैं?
• कठिनाई अनुकूलन मायने रखता है: एआई की कठिनाई अनुमान छात्रों के प्रदर्शन से दृढ़ता से संबंधित हैं, लेकिन पेज उच्च-दांव पदों के दुरुपयोग से सावधान करता है। एक प्रश्न जिसे एआई 'सही कठिनाई' मानता है, किसी विशेष शिक्षार्थी से पूछने के लिए फिर भी कब गलत प्रश्न होगा?
• सुगम्यता-जागरूक जनरेशन बहरे और कम सुनने वाले शिक्षार्थियों के लिए अनुकूलित प्रश्न बनाता है, जो लक्ष्य समुदाय के साथ साझेदारी में परिष्कृत किया गया है। यह उदाहरण इस बारे में क्या संकेत करता है कि प्रश्न निर्माण को एक पूर्णतः तकनीकी या केवल सामग्री-आधारित समस्या के रूप में क्यों नहीं माना जा सकता?

परिचय

स्वचालित प्रश्न निर्माण महत्वपूर्ण है क्योंकि मूल्यांकन आइटम हाथ से बनाना महंगा होता है, और एआई उन्हें तेज़ी से और बड़े पैमाने पर बना सकता है। हालांकि, ज्ञान आधार का अनुसंधान दिखाता है कि जनित आइटमों को शुद्धता, प्रासंगिकता और कठिनाई के लिए सत्यापित किया जाना चाहिए, और विभिन्न आइटम प्रकार (बहुविकल्पीय, लघु-उत्तरीय, कोड) इस मामले में कितने भरोसेमंद रूप से जनित किए जा सकते हैं, इसमें भिन्नता है। AQG इसलिए जनरेटिव एआई, शैक्षणिक एनएलपी और शैक्षणिक मापन के चौराहे पर स्थित है।

प्रश्न निर्माण के दृष्टिकोण

ज्ञान आधार का अनुसंधान कई दृष्टिकोणों को दर्शाता है:

• जनरेट-देन-वैलिडेट पाइपलाइन: जेनरेट-देन-वैलिडेट एक जनरेशन → सत्यापन → परिष्करण लूप पेश करता है जो सीधे जनरेशन की तुलना में एलएलएम हैलुसीनेशन को 62% तक कम करता है, स्टीम डेटासेट पर 89% शुद्धता और प्रासंगिकता में 23% सुधार प्राप्त करता है। सत्यापन चरण अमान्य या निम्न-गुणवत्ता वाले आइटमों को छानता है, और असफल आइटम सुधारात्मक प्रॉम्प्ट के साथ पुन: जनरेशन को ट्रिगर करते हैं।
• नॉलेज-ट्रेसिंग-आधारित जनरेशन: केटी4ईक्यूजी नॉलेज ट्रेसिंग के मार्गदर्शन में व्यक्तिगत अभ्यास प्रश्न बनाता है, समान प्रश्नों के बजाय प्रत्येक शिक्षार्थी के ज्ञान अवस्था के अनुसार आइटम तैयार करता है।
• नैदानिक लेबल के रूप में गलत धारणाओं से बंधे डिस्ट्रैक्टर: कोलर्न (He et al., 2026) प्रत्येक डिस्ट्रैक्टर को एक ही खनन-आधारित गलत धारणा से जोड़ता है और ठीक एक सही विकल्प को चिह्नित करता है, जिससे एक आइटम अपने नैदानिक लक्ष्यों के साथ बनता है और फिर बिना किसी बड़े भाषा मॉडल (LLMs) कॉल के निर्धारक रूप से ग्रेड किया जा सकता है — लेखकों के लाइव परिनियोजन में प्रति राउंड लगभग 7.6 सेकंड और लगभग $0.005, बनाम एक एलएलएम-ग्रेडेड लघु-उत्तरीय राउंड के लिए लगभग 32 सेकंड और $0.015। यह बंधन केवल उतनी ही अच्छी है जितनी उसके पीछे की गलत धारणा लेबल, क्योंकि खनन-आधारित एआई के बारे में गलतफहमियाँ लक्ष्य गलत धारणाओं से F1 ≈ 0.56 पर मेल खाते थे, और इसके आइटम विकल्प 0.72 बार सचमुच एक कमज़ोर कौशल की सेवा करते थे।
• संज्ञानात्मक-गहराई-जागरूक जनरेशन: एलएलएम-जनित प्रश्नों के संज्ञानात्मक गहराई का मूल्यांकन यह जांचता है कि जनित आइटम उच्च-स्तरीय सोच (रचना, मूल्यांकन) को छूते हैं या केवल रटाई, जो ब्लूम के वर्गीकरण और शैक्षणिक मापन से जुड़ता है।
• दोहराए जाने वाले मूल्यांकन के लिए त्रुटि-अंतर्निहित केस समस्याएँ: ताकाहाशी एट अल. (2026) ने नई पदानुक्रमित नैदानिक तर्क (HDR) समस्याएँ बनाईं — छोटे केस जिनमें जानबूझकर अंतर्निहित त्रुटियाँ हैं जिन्हें छात्रों को खोजना और समझाना है — और पाया कि जीपीटी-4ो द्वारा लिखे आइटम आंतरिक संगति (क्रोनबैक का α = 0.78 दोनों के लिए) और कठिनाई में मानव-लिखित आइटमों के बराबर हैं, जिसमें फिशर के सटीक परीक्षणों ने 100 प्रतिभागियों में स्कोर वितरण का कोई महत्वपूर्ण अंतर नहीं पाया। यह प्रारूप उच्च-स्तरीय सोच की मांग को एक निर्धारित प्रतिक्रिया के साथ जोड़ता है, जिससे उत्तर अभिसरित होते हैं और ग्रेडिंग पुनरुत्पादनीय हो जाती है। जनरेटिव प्रेरणा आइटम पुन: उपयोग है: एक केस को दोहराना स्मृति और उत्तर पुन: उपयोग को आमंत्रित करता है, जबकि संरचनात्मक रूप से समतुल्य लेकिन संदर्भगत रूप से भिन्न जनित केस पुन: माप में आइटम पूर्वाग्रह को दबाते हैं।
• शैक्षणिक पाइपलाइन: स्लाइड-डेक प्रश्नोत्तर जनरेशन पाठ्यसामग्री से शैक्षणिक रूप से सुदृढ़ प्रश्न निर्माण के लिए बहु-चरणीय पाइपलाइन का उपयोग करता है।
• सुगम्यता-जागरूक जनरेशन: चेन एट अल. बहरे और कम सुनने वाले शिक्षार्थियों के लिए एक एलएलएम-संचालित प्रश्न-निर्माण प्रणाली डिज़ाइन करते हैं, जो वीडियो में दृश्य या भावनात्मक कठिनाई के क्षणों को लक्षित करने वाली दृश्य और भावना प्रश्न रणनीतियाँ पेश करती है, और भाषाई सुगम्यता सुनिश्चित करने के लिए लक्ष्य समुदाय के साथ पुनरावृत्ति रूप से प्रश्नों को परिष्कृत करती है।
• आरएजी-आधारित, मानव-इन-द-लूप प्रणालियाँ: कोड-जेन बहुविकल्पीय मूल्यांकन बनाने के लिए रिट्रीवल-अगमेंटेड जेनरेशन को मानव-इन-द-लूप समीक्षा के साथ जोड़ती है।
• बेंचमार्क और मूल्यांकन: एनएसएमक्यू रिडल्स प्रश्न-निर्माण और तर्क प्रणालियों का मूल्यांकन करने के लिए वैज्ञानिक/गणितीय पहेलियों का एक बेंचमार्क प्रदान करता है।

सत्यापन और गुणवत्ता

AQG में केंद्रीय चुनौती गुणवत्ता नियंत्रण है:

• प्रक्रिया का आकलन करें, केवल स्टेम का नहीं: प्रोआईक्यूए तर्क देता है कि आइटम गुणवत्ता समीक्षा को एक विशेषज्ञ की तरह होना चाहिए — समाधान का अनुकरण करना — और प्रति आइटम एक एलएलएम-जनित तर्क वृक्ष बनाता है, जो गणितीय शुद्धता में 90.38–97.80% पर सत्यापित है, फिर उसकी निर्भरता संरचना को एक स्टेम-ओनली दृश्य के साथ एक ग्राफ तंत्रिका नेटवर्क में एन्कोड करता है। यह दूसरे-सर्वोत्तम विधि पर औसतन 7.5% संकल्पना मूल्यांकन में, 6.3% कठिनाई अनुमान में और 19.5% क्षमता मूल्यांकन में सुधार रिपोर्ट करता है, और इसका त्रुटि विश्लेषण एक ध्यान देने योग्य विफलता मोड को नामित करता है: तार्किक रूप से सही लेकिन संरचनात्मक रूप से उथला तर्क वृक्ष एक कठिन आइटम को आसान बना देता है।

• हैलुसीनेशन जोखिम: एलएलएम तथ्यात्मक रूप से गलत प्रश्न बना सकते हैं। जेनरेट-देन-वैलिडेट दिखाता है कि एक समर्पित सत्यापन चरण इसे तीव्र रूप से कम करता है, और हैलुसीनेशन जोखिम पूरे विषय में एक स्वीकृत चिंता है।

• कठिनाई अनुकूलन: जनित प्रश्नों को उचित कठिनाई के लिए अनुकूलित किया जाना चाहिए। कठिनाई-अनुकूलन अनुसंधान दिखाता है कि एआई की कठिनाई अनुमान छात्रों के प्रदर्शन से दृढ़ता से संबंधित हैं (उदाहरण के लिए, rho ≈ −0.87), जो बेहतर आइटम चयन को सक्षम बनाता है — जबकि उच्च-दांव दुरुपयोग से सावधान करता है। रज़ावी और पावर्स (2026) इसे के-5 गणित और पठन आइटम (N = 5170) तक विस्तारित करते हैं जो राश आईआरटी मॉडल के अंतर्गत अनुकूलित हैं: जीपीटी-4ो की ज़ीरो-शॉट कठिनाई रेटिंग वास्तविक कठिनाइयों से मध्यम-से-दृढ़ संबंधित हैं (r = 0.83 गणित, r = 0.81 पठन) लेकिन कक्षा के अनुसार भिन्न थीं, जबकि एक फीचर-आधारित दृष्टिकोण — एलएलएम-निकाले गए संज्ञानात्मक और भाषाई फीचर को ट्री-आधारित मॉडल में खिलाया गया — r = 0.87 तक संबंध प्राप्त करता है। अध्ययन का संरचित फीचर निष्कर्षण (उदाहरण के लिए, वाक्य रचना जटिलता, संज्ञानात्मक भार, डिस्ट्रैक्टर चतुराई) और इसका व्यावहारिक सात-चरणीय कार्यप्रवाह जनित आइटमों को अनुकूलित करने के लिए एक टेम्पलेट प्रदान करता है, जबकि इसकी प्रारंभिक-कक्षा श्रेणी-प्रतिबंध खोज और सामान्यीकरण चेतावनियाँ उच्च-दांव उपयोग के विरुद्ध सावधान करती हैं।

• जनित कठिनाई लेबल एक निर्माण-वैधता विफलता हो सकते हैं, केवल अनुकूलन त्रुटि नहीं। 378 जनित आइटमों में मॉडल के आसान/मध्यम/कठिन लेबल उनके साथ सह-जनित ब्लूम स्तर को ट्रैक करते थे (ρ=0.90) और सतही रूप - माध्य स्टेम लंबाई 15.9 से 22.1 और फिर 30.2 शब्दों तक बढ़ना - लेकिन 54 छात्रों के 7,888 उत्तरों में अनुभवजन्य आइटम कठिनाई के साथ केवल ρ=0.06 पर संबंधित थे, जो सह-जनित टैग पर भरोसा करने के बजाय प्रतिक्रिया डेटा के सापेक्ष जनित मेटाडेटा को अनुकूलित करने का मामला है (एन और वांग (2026)])।

• बड़े पैमाने पर मानकिकीय क्षेत्र सत्यापन: एआई-जनित परीक्षाओं का मूल्यांकन एक पुनरावृत्ति-परिष्करण AQG पाइपलाइन (जनरेट→न्यायाधीश→संशोधित, सेल्फ-रिफाइन शैली) को 91 वास्तविक कॉलेज कक्षाओं (~1,686 छात्र) में सत्यापित करता है। बेयसियन पदानुक्रमित 2पीएल आईआरटी विश्लेषण दिखाता है कि एआई-जनित प्रश्न विशेषज्ञ-लिखित मानकीकृत-परीक्षा आइटमों के बराबर प्रदर्शन करते हैं — कुछ आसान (β̄ = −0.45 बनाम 0.35) लेकिन थोड़ा अधिक विभेदक (ᾱ = 1.3 बनाम 1.2), उच्च चरम परीक्षा सूचना के साथ (विश्वसनीयता 0.79 बनाम 0.72) — यह प्रदर्शित करता है कि AQG पाठ्यक्रम-अनुकूल, मानकिकीय रूप से सुदृढ़ मूल्यांकन बड़े पैमाने पर बना सकता है।

• औसत मानकिकीय समता आइटम-स्तरीय कमियों को छिपा सकती है: 153 चिकित्सा-शिक्षा रिपोर्टों के एक स्कोपिंग समीक्षा में पाया गया कि एआई आइटम जनरेशन कभी-कभी मानव कठिनाई और विभेदन के बराबर था, फिर भी एक शरीर क्रिया विज्ञान तुलना में केवल 40 में से 9 चैटजीपीटी आइटम सभी आदर्श मानदंडों को पूरा करते थे बनाम संकाय आइटमों के 40 में से 19 (ज़ाओ एट अल. (2026))।

• लाइव परीक्षा में पहचान योग्यता, और समीक्षा वास्तव में क्या हटाती है: वोग्ट एट अल. (2026) ने 30 एआई-जनित और 30 राष्ट्रीय लाइसेंसिंग परीक्षा बहुविकल्पीय प्रश्नों को एक ग्रेडेड टैबलेट-आधारित परीक्षा में रखा जिसमें 119 पंचम-वर्ष के चिकित्सा छात्रों ने भाग लिया, एआई आइटम चैटजीपीटी-4ो और जेमिनी 1.5 प्रो द्वारा पाठ्यक्रम की अपनी सामग्री से एक विशेषज्ञ पैनल के माध्यम से तैयार किए गए जिन्होंने 82% स्वीकार किए और 18.2% को अनुपयोगी घोषित किया। छात्रों का स्रोत प्रशस्तिकरण दोनों प्रकार के आइटमों में भिन्न नहीं था, और आइटम कठिनाई, डिस्ट्रैक्टर वितरण और अनुभूत पाठ्यक्रम संरेखण सांख्यिकीय रूप से अविभेद्य थे — एक पहचान परिणाम बजाय गुणवत्ता परिणाम, और यही कारण है कि लेखक कार्यप्रवाह के लाभ को शिक्षक प्रयास को ड्राफ्टिंग से समीक्षा की ओर स्थानांतरित करने के रूप में वर्णित करते हैं, न कि उसे हटाने के रूप में। एक अन्वेषणात्मक अंतर बचा रहा: जेमिनी आइटम लाइसेंसिंग-परीक्षा आइटमों से कठिन थे (p = 0.028), जबकि चैटजीपीटी आइटम नहीं थे (p = 0.984)।

• कार्य-निर्भरता: जनरेशन विश्वसनीयता आइटम प्रकार के अनुसार भिन्न होती है। लघु-उत्तरीय ग्रेडिंग और विश्लेषणात्मक लेखन मूल्यांकन दिखाते हैं कि खुले-प्रतिक्रिया और लेखन आइटम संरचित आइटमों की तुलना में जनित और ग्रेड करने में कठिन हैं।

• संज्ञानात्मक गुणवत्ता: संज्ञानात्मक-गहराई मूल्यांकन दिखाता है कि जनित आइटम निम्न-स्तरीय सोच की ओर झुक सकते हैं जब तक स्पष्ट रूप से उच्च-स्तरीय परिणामों के लिए डिज़ाइन न किए जाएँ।

• संज्ञानात्मक स्तर की ऑटो-लेबलिंग जनित आइटमों पर लागू नहीं होती। एक क्यूरेटेड आइटम बैंक पर प्रशिक्षित ब्लूम वर्गीकरणकर्ता एआई-जनित प्रश्नों पर ध्वस्त हो गया — वितरण-में मैक्रो एफ1 0.88 से बाहर 0.48 और 0.20 तक — क्योंकि जनित आइटम औसतन बहुत अधिक शब्दों के हैं (18.2 बनाम 9.3) और क्यूरेटेड कॉर्पस के साथ केवल मध्यम 10.5% ब्लूम ट्रिगर क्रियाएँ साझा करते हैं, बनाम एक निकट सेट के लिए 35.1%; लेबल किए गए आउट-ऑफ-डिस्ट्रिब्यूशन डेटा पर पुन: प्रशिक्षण सबसे बड़ी एकल वृद्धि थी, लगभग N > 1,000 लेबल किए गए नमूनों की सीमा पर (कास्तानारेस एट अल., 2026))।

अनुकूली और व्यक्तिगत अधिगम में भूमिका

AQG अनुकूली और व्यक्तिगत अधिगम का एक प्रमुख सशक्तक है: यह बड़े आइटम बैंक उत्पन्न करता है जिनसे अनुकूली ट्यूटर आकर्षित होते हैं, और — नॉलेज ट्रेसिंग या छात्र मॉडलिंग के साथ मिलाकर — व्यक्तिगत शिक्षार्थियों के ज्ञान अवस्थाओं के अनुसार आइटम बना सकता है (केटी4ईक्यूजी)। रुचि-आधारित व्यक्तिगतकरण दिखाता है कि AQG प्रश्नों को केवल कठिनाई के अलावा छात्रों की रुचियों के अनुसार भी अनुकूलित कर सकता है।

एआई-शिक्षा के लिए निहितार्थ

• तब जनरेट करें जब सत्यापित करें: हैलुसीनेशन को नियंत्रित करने और प्रासंगिकता सुनिश्चित करने के लिए जनरेशन को सदैव सत्यापन/परिष्करण चरण के साथ जोड़ें।
• आइटम प्रकार को विश्वसनीयता से मिलाएँ: AQG का उपयोग संरचित आइटम प्रकारों (बहुविकल्पीय, रिक्त-स्थान-भरना, कोड) के लिए करें जहाँ यह सर्वाधिक विश्वसनीय है, और खुले-प्रतिक्रिया और लेखन आइटमों पर सावधानीपूर्वक सत्यापन लागू करें।
• संज्ञानात्मक गहराई के लिए डिज़ाइन करें: प्रॉम्प्ट और पाइपलाइन को वास्तविक अधिगम का समर्थन करने के लिए केवल स्मरण के बजाय उच्च-स्तरीय सोच को लक्षित करना चाहिए।
• कठिनाई अनुकूलित करें: उचित रूप से चुनौतीपूर्ण आइटमों का चयन करने के लिए एआई कठिनाई अनुमान का उपयोग करें, उच्च-दांव उपयोग से पहले दृढ़ सत्यापन के साथ।
• शिक्षार्थी मॉडल के माध्यम से व्यक्तिगत बनाएँ: अनुकूली, व्यक्तिगत आइटम बनाने के लिए AQG को नॉलेज ट्रेसिंग और रुचि मॉडल के साथ मिलाएँ।

संबंधित अवधारणाएँ

• बड़े भाषा मॉडल (LLMs)
• जनरेटिव-AI
• शैक्षिक एनएलपी
• स्वचालित मूल्यांकन
• स्वचालित निबंध स्कोरिंग
• मूल्यांकन
• निर्माणकारक मूल्यांकन
• अनुकूली अधिगम
• व्यक्तिगत शिक्षा
• ज्ञान अनुरेखण
• शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण
• RAG (रिट्रीवल-ऑगमेंटेड जनरेशन)
• मानव-लूप-में
• शैक्षणिक मापन
• आइटम रिस्पॉन्स थ्योरी (IRT)
• हैलुसिनेशन जोखिम
• AI शिक्षा मूल्यांकन
• बेंचमार्क
• मड्गद
• इंटेलिजेंट ट्यूटरिंग
• शिक्षा में AI

संबंधित लेख

• Generative artificial intelligence and the transformation of medical education: a scoping review — कृत्रिम आइटम जनरेशन बनाम संकाय आइटम गुणवत्ता पर 153 चिकित्सा-शिक्षा रिपोर्टों का स्कोपिंग समीक्षा

• Assessing the Quality of AI-Generated Exams: A Large-Scale Field Study — आईआरटी के माध्यम से एआई-जनित परीक्षा गुणवत्ता का बड़े पैमाने पर क्षेत्र सत्यापन

• Generate-Then-Validate: Question Generation for Education — जेनरेट-देन-वैलिडेट प्रश्न निर्माण

• KT4EQG: Personalized Exercise Question Generation via Knowledge Tracing — नॉलेज ट्रेसिंग के माध्यम से व्यक्तिगत प्रश्न निर्माण

• Exploring the Design of LLM-Powered Question Generation for Deaf and Hard of Hearing Learners — बहरे और कम सुनने वाले शिक्षार्थियों के लिए एलएलएम-संचालित प्रश्न निर्माण

• From Memorization to Creation: Evaluating the Cognitive Depth of LLM-Generated Educational Questions — एलएलएम-जनित प्रश्नों की संज्ञानात्मक गहराई

• Slide Deck Q&A Quality Assurance App: A Multi-Stage Pipeline for Pedagogical Question Generation — स्लाइड-डेक प्रश्नोत्तर शैक्षणिक प्रश्न निर्माण

• CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation — कोड-जेन: आरएजी-आधारित मानव-इन-द-लूप प्रश्न निर्माण

• NSMQ Riddles: A Benchmark of Scientific and Mathematical Riddles for Quizzing Large Language Models — एनएसएमक्यू रिडल्स बेंचमार्क

• Taklif.AI: LLM-Powered Platform for Interest-Based Personalized College Assignments — रुचि-आधारित व्यक्तिगत असाइनमेंट

• From Evaluated Models to Evaluation Aids: A Multi-Evidence Study of LLM-Based Difficulty Calibration for Programming Examinations — एलएलएम-आधारित कठिनाई अनुकूलन

• Towards Self-Referential Analytic Assessment: A Profile-Based Approach to L2 Writing Evaluation with LLMs — स्व-संदर्भी विश्लेषणात्मक लेखन मूल्यांकन

• Cross-Dataset Bloom Question Classification: Supervised Models and Prompted LLMs — क्रॉस-डेटासेट ब्लूम प्रश्न वर्गीकरण

• Are LLM-based Chatbots Good Enough to Support Computer Science Students in Multiple-Choice Exercises? — एलएलएम चैटबॉट और सीएस बहुविकल्पीय आइटम

• The Theoretical Foundation of Socratic Tests: Dynamic, Multimodal, Conversational Examinations — सुकरातीय परीक्षण: संवादी मूल्यांकन

• What out-of-the-box LLMs can(t) do in law? A Turing test in Italian exams for lawyers, judges and notaries — कानूनी परीक्षाओं में एलएलएम ट्यूरिंग परीक्षण

• Estimating Item Difficulty Using Large Language Models and Tree-Based Machine Learning Algorithms — एलएलएम और ट्री-आधारित एमएल का उपयोग करके आइटम कठिनाई का अनुमान

• ProIQA: A Process-Based Framework for Fine-Grained Math Item Quality Assessment — प्रोआईक्यूए: प्रक्रिया-आधारित गणित आइटम गुणवत्ता मूल्यांकन

• CoLearn: An Agentic Tutor that Learns its Learner in a Human-AI Co-Learning Loop — कोलर्न: एक एजेंटिक ट्यूटर जो मानव-एआई सह-अधिगम लूप में अपने शिक्षार्थी को सीखता है

• Automating Constructive Assessment with Large Language Models: Toward Scalable and Repeated Evaluation of Practical Competence — बड़े भाषा मॉडल के साथ रचनात्मक मूल्यांकन का स्वचालन: व्यावहारिक क्षमता के स्केलेबल और दोहराए गए मूल्यांकन की ओर

• Student Use of LLMs and the Limits of AI-Generated Question Difficulty in Data Science Courses — डेटा साइंस पाठ्यक्रमों में एलएलएम का छात्र उपयोग और एआई-जनित प्रश्न कठिनाई की सीमाएँ

• Evaluation of pre-trained models for pedagogical assessment of novel AI-assisted educational questions — नए एआई-सहायक प्राप्त शैक्षणिक प्रश्नों के शैक्षणिक मूल्यांकन के लिए प्री-ट्रेंड मॉडल का मूल्यांकन

• Can students identify AI? – A cross-sectional quantitative study about AI recognition in tablet-based MCQ assessment among fifth-year undergraduate medical students at Saarland University, Germany — छात्र एक ग्रेडेड परीक्षा में एआई-जनित बहुविकल्पीय प्रश्नों को लाइसेंसिंग-परीक्षा आइटमों से नहीं बता सके, और समीक्षा में 18.2% जनित आइटम हटाए गए (वोग्ट एट अल. 2026)