पूर्वाग्रह शमन

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

AI शिक्षा में पूर्वाग्रह शमन — AI ट्यूटर, स्कोरर, अनुशंसाक और शैक्षिक प्रणालियों में अनुचित, पहचान-आधारित व्यवहार की पहचान, मापन और कमी। पूर्वाग्रह AI पाइपलाइन के किसी भी चरण में — प्रशिक्षण डेटा, मॉडल व्यवहार, प्रॉम्प्ट, स्कोरिंग और परिनियोजन — प्रवेश कर सकता है और भाषा, लिंग, नस्ल, संस्कृति या अन्य पहचान विशेषताओं के आधार पर शिक्षार्थियों के साथ विभेदनीय व्यवहार के रूप में प्रकट हो सकता है। शमन में डेटा संकलन, डीबायसिंग एल्गोरिद्म, प्रॉम्प्ट डिज़ाइन, निष्पक्ष स्कोरिंग विधियाँ, व्याख्यागतता और मूल्यांकन शामिल हैं। यह समानता का तकनीकी समकक्ष है और AI शिक्षा में नैतिकता की एक मूल चिंता है।

विचार करने योग्य प्रश्न

• पूर्वाग्रह AI पाइपलाइन के किसी भी चरण में — प्रशिक्षण डेटा, मॉडल व्यवहार, प्रॉम्प्ट, स्कोरिंग और परिनियोजन — प्रवेश कर सकता है। पढ़ने से पहले, उस श्रृंखला में आपने पूर्वाग्रह को कहाँ रहने की अपेक्षा की थी? यह पेज संकेत करता है कि यह लगभग कहीं भी दिखाई दे सकता है। कोई एक ऐसी जगह कौन सी है जिसका आपने विचार नहीं किया था?
• अनुसंधान दिखाता है कि AI भौतिकी स्कोरिंग उन छात्रों की संकल्पनात्मक समझ को व्यवस्थित रूप से कम आंकता है जिनके पाठ-आधारित स्पष्टीकरण कम भाषाई गुणवत्ता के होते हैं — AI भाषा को स्कोर करता है, समझ को नहीं। ऐसी प्रणाली जो समग्र रूप से मानव मूल्यांकनकर्ताओं के साथ अच्छी तरह सहमत होती है, वह गैर-मूल भाषियों या कम प्रवाहशील लेखकों को लगातार दंडित करती रह सकती है, ऐसा क्यों?
• एक अध्ययन में पाया गया कि लिंग-पूर्वाग्रहपूर्ण प्रॉम्प्ट छात्रों के निबंधों में बड़ा 'एजेंटिक अंतर' (agentic gap) और अधिक लिंग-रूढ़िवादी सामग्री उत्पन्न करता है — पूर्वाग्रह उपकरण से शिक्षार्थी के अपने काम में स्थानांतरित हो गया। यह पूर्वाग्रह के बारे में क्या कहता है — न कि केवल एक अनुचित स्कोर के रूप में, बल्कि एक ऐसी शक्ति के रूप में जो यह फिर से आकार दे सकती है कि छात्र क्या बनाते हैं और वे स्वयं को किस रूप में देखते हैं?
• एक अन्य अध्ययन ने दिखाया कि छात्रों की विशेषताओं के साथ व्यक्तिगत बनाने पर LLM प्रतिपूर्ति को रूढ़िवाद-संगत ढंग से बदल देते हैं — एकसमान निबंधों पर भी 'चिह्नित' छात्रों के लिए प्रशंसा का अति-प्रयोग और आलोचना को रोकना। 'सुंदर' ढंग से पूर्वाग्रहपूर्ण प्रतिपूर्ति स्पष्ट रूप से गलत स्कोर से अधिक हानिकारक क्यों हो सकती है, क्योंकि इसे पहचानना कठिन है?
• शमन में डेटा संकलन, डीबायसिंग एल्गोरिद्म, तटस्थ प्रॉम्प्ट डिज़ाइन, निष्पक्ष स्कोरिंग विधियाँ, व्याख्यागतता और मानव निगरानी शामिल हैं। आपके विचार में कौन-सा एक शमन लीवर किसी AI प्रणाली में सबसे बड़ा अंतर लाएगा जिस पर आप निर्भर हैं, और यह जानने के लिए कि वह काम कर रहा है, आपको किसका ऑडिट करना होगा?
• एक तटस्थ प्रॉम्प्ट लिंग-विभेदित भाषा को प्रेरित करने से बड़े पैमाने पर बचता है — यह संकेत देता है कि प्रॉम्प्ट डिज़ाइन एक व्यावहारिक शमन है। लेकिन यदि पूर्वाग्रह डेटा, स्कोरिंग या परिनियोजन के माध्यम से फिर से प्रवेश कर सकता है, तो केवल प्रॉम्प्ट को ठीक करना अधूरा उत्तर क्यों हो सकता है?

परिचय

पूर्वाग्रह शमन महत्वपूर्ण है क्योंकि शिक्षा में AI तटस्थ नहीं है: प्रमुख भाषा और सांस्कृतिक डेटा पर प्रशिक्षित प्रणालियाँ हाशिए पर रहे शिक्षार्थियों को व्यवस्थित रूप से नुकसान पहुँचा सकती हैं, गैर-मूल भाषा लेखकों को दंडित करने वाली AI-आधारित स्कोरिंग से लेकर विभिन्न समूहों के लिए अलग-अलग उत्तर देने वाले LLM ट्यूटर तक। पूर्वाग्रह एक व्यापक चिंता है जो स्वचालित अंकन, स्वचालित निबंध स्कोरिंग, ज्ञान अनुरेखण, अनुशंसा प्रणालियों और संवादी AI ट्यूटर में दिखाई देती है।

पूर्वाग्रहों के स्रोत

ज्ञान आधार के अनुसंधान पाइपलाइन के कई बिंदुओं पर पूर्वाग्रह के प्रवेश का दस्तावेज़ीकरण करते हैं:

• भाषा और स्कोरिंग पूर्वाग्रह: AI-आधारित भौतिकी स्कोरिंग उन छात्रों की संकल्पनात्मक समझ को व्यवस्थित रूप से कम आंकता है जिनके पाठ-आधारित स्पष्टीकरण कम भाषाई गुणवत्ता के होते हैं — AI भाषा को स्कोर करता है, समझ को नहीं, जिससे गैर-मूल भाषियों या कम प्रवाहशील लेखकों को दंड मिलता है। यह स्वचालित अंकन में एक प्रत्यक्ष वैधता और निष्पक्षता विफलता है।

• LLM-सहायित लेखन में लिंग पूर्वाग्रह का स्थानांतरण: Contaminated Collaboration दिखाता है कि जब छात्र लिंग-पूर्वाग्रहपूर्ण LLM प्रॉम्प्ट के साथ लिखते हैं, तो उनके निबंधों में उल्लेखनीय रूप से बड़ा एजेंटिक अंतर और अधिक लिंग-रूढ़िवादी व्यवसाय सुझाव दिखाई देते हैं (N=123); पूर्वाग्रह स्थानांतरण असममित है, जो स्त्री-लक्षित निबंधों में सक्रियता को दबाता है। एक सत्यापन अध्ययन (N=1,600 LLM निबंध, R²=.399) पुष्टि करता है कि लिंग-पूर्वाग्रहपूर्ण प्रॉम्प्ट लिंग-विभेदित भाषा को प्रेरित करता है।

• विभेदी अस्वीकृति और ज्ञानमीमांसात्मक अन्याय: The Paternalistic Filter चार LLM का इतिहास ट्यूटर के रूप में ऑडिट करता है (1,800 प्रतिक्रियाएँ) और एक "पितृसत्तात्मक फ़िल्टर" को उजागर करता है: मॉडल विभिन्न शिक्षार्थियों के लिए संवेदनशील सामग्री को विभेदित ढंग से अस्वीकार करते, नरम करते या फिर से तैयार करते हैं — जो सीधे समानता निहितार्थों वाला एक ज्ञानमीमांसात्मक अन्याय है।

• लर्निंग एनालिटिक्स में चयन पूर्वाग्रह: Debiased knowledge tracing गैर-यादृच्छिक अभ्यास अनुशंसाओं से उत्पन्न चयन पूर्वाग्रह को संबोधित करता है: मानक अनुभवजन्य जोखिम के साथ अवलोकित लॉग पर प्रशिक्षण से पूर्वाग्रहपूर्ण दक्षता अनुमान बनते हैं जो अनुकूली अनुशंसा लूप में त्रुटियों को संचित करते हैं।

• डेटा और एनोटेशन पूर्वाग्रह: data annotations और ground-truth reliability अनुसंधान यह जाँचते हैं कि AI मॉडलों के अंतर्निहित लेबल और इंटर-रेटर विश्वसनीयता किस प्रकार पूर्वाग्रह वहन करते हैं — और κ > 0.8 को अनुमोदन के एक द्विआधारी मुह्र के रूप में मानने का विरोध करते हैं।

• हाशिए पर रहे ज्ञान: Generative AI and minoritized knowledges दस्तावेज़ीकरण करता है कि प्रशिक्षण डेटा और मॉडल व्यवहार गैर-प्रमुख ज्ञान प्रणालियों और दिव्यांगता परिप्रेक्ष्यों को किस प्रकार हाशिए पर रखते हैं।

• रूढ़िवाद-संगत स्वचालित प्रतिपूर्ति (चिह्नित Pedagogies): Tan et al. (2026) दिखाते हैं कि चार व्यापक रूप से उपयोग किए जाने वाले LLM तब व्यवस्थित रूप से लेखन प्रतिपूर्ति को रूढ़िवाद-संगत ढंग से बदल देते हैं जब प्रतिपूर्ति छात्रों की विशेषताओं — नस्ल, जातीयता, ELL पदनाम, सीखने की अक्षमता, उपलब्धि या प्रेरणा — के साथ व्यक्तिगत बनाई जाती है; एकसमान निबंधों पर भी चिह्नित छात्रों के लिए सकारात्मक प्रतिपूर्ति पूर्वाग्रह और प्रतिपूर्ति रोकने का पूर्वाग्रह (प्रशंसा का अति-प्रयोग, कम सार्थक आलोचना, सीमित क्षमता की मान्यताएँ) उत्पन्न होता है। "Marked Words" संकेंद्रण मेट्रिक इस प्रकार के पूर्वाग्रह के ऑडिट के लिए एक ठोस विधि प्रदान करता है।

• टेक्स्ट-टू-इमेज उपकरणों में दृश्य पूर्वाग्रह: Alon, Hadar Shoval, and Levkovich (2026) AI-जनित टेक्स्ट-टू-इमेज के शैक्षिक उपयोगों में पूर्वाग्रह और प्रतिनिधित्व पर 31 सहकर्मी-समीक्षित अध्ययनों (2023–2025) का systematically review करते हैं। एक छह-भागीय विश्लेषणात्मक ढाँचे (लिंग; नस्ल, जातीयता और SES; संस्कृति और धर्म; आयु; शरीर और (अ)क्षमता; सामग्री) का उपयोग करके, वे पाते हैं कि पूर्वाग्रहपूर्ण प्रतिनिधित्व सर्वव्यापी है — चित्र प्रायः सफेद, पुरुष, पश्चिमी, पतले और गैर-दिव्यांग आकृतियों को केंद्रित करते हैं, जबकि आयु, शरीर और क्षमता से संबंधित विविधता को बड़े पैमाने पर नज़रअंदाज़ किया गया। अधिकांश अध्ययनों ने चित्र ऑडिट और qualitative विधियों पर निर्भरता की, कम प्रयोगात्मक या हस्तक्षेप-आधारित डिज़ाइनों के साथ, जिससे यह उजागर होता है कि शैक्षिक अनुसंधान दृश्य पूर्वाग्रह को किस प्रकार मापता और उसका उत्तर देता है, इसमें महत्वपूर्ण अंधबिंद हैं।

• अवतार पहचान संकेत ऑफ़लाइन पूर्वाग्रह को पुनरुत्पादित करते हैं। दो प्रयोगों में (N = 396), सफेद अवतार — और STEM संदर्भों में, एशियाई पुरुष अवतार — अधिक विश्वसनीय और सक्षम माने गए जबकि वृद्ध काली स्त्री अवतारों को दंड मिला; STEM और प्रक्रियात्मक कार्यों ने पूर्वाग्रह को बढ़ाया और चिंतनशील तथा अंतर्याजी कार्यों ने उसे कम किया (Anthis & Kyriakidou-Zacharoudiou (2026)).

• गैर-भेदभाव एक मूल नैतिक मूल्य के रूप में। Agarwal et al. (2026), 25 लेखों का एक systematic review, AI in education के लिए छह मुख्य नैतिक मूल्यों में से एक के रूप में गैर-भेदभाव (पूर्वाग्रह/भेदभाव/विविधता की परिभाषाओं का उपयोग करके) की पहचान करते हैं — डेटा संरक्षण, मानव निगरानी, सद्भावना, व्याख्यागतता और शैक्षिक उपयुक्तता के साथ। समीक्षा टिप्पणी करती है कि मूल्य घनीभूत रूप से जुड़े हुए हैं और विरोध कर सकते हैं — जैसे गैर-भेदभाव बनाम डेटा संरक्षण — जिससे नैतिक दुविधाएँ उत्पन्न होती हैं, और गैर-भेदभाव पर कोई भी नियम अंत-उपयोगकर्ताओं को सीधे संबोधित नहीं करता, जिससे शिक्षार्थी नैतिक साहित्य में बड़े पैमाने पर निष्क्रिय रह जाते हैं।

• AI-सहायित टीम निर्माण में आवंटन पूर्वाग्रह। Entezami et al. (2026) दिखाते हैं कि पूर्वाग्रह स्कोरिंग और प्रतिपूर्ति से बाहर एक कार्य वर्ग में प्रवेश करता है: तीन LLM 28-छात्र सॉफ्टवेयर-इंजीनियरिंग कक्षाओं को चार टीमों में असाइन करते हुए पुरुषों को इंटरफ़ेस डिज़ाइन के बजाय कोर डेवलपमेंट में कम से कम 80% कम बार रूट करते (GPT-5.2 OR < 0.01), और राष्ट्रीयता ने योग्यता से स्वतंत्र रूप से नियुक्तियों को बदला। कौशल प्रदान करने से यह कम हुआ लेकिन समाप्त नहीं हुआ — 99.2% कौशल-आधारित असाइनमेंट दो सत्य-आधारित टीमों में से एक से मेल खाए, फिर भी लिंग ने समान रूप से वैध विकल्पों के बीच निर्णय किया (OR 2.53 GPT-4.1, 2.81 GPT-5.2, 1.43 DeepSeek) — और समानांतर चित्र निर्माण ने एकल-व्यक्ति चित्रों को पुरुष और हल्के रंग के पक्ष में झुका दिया (लिंग V = 0.64 और 0.65; त्वचा रंग V = 0.57 और 0.61) जबकि बहु-व्यक्ति चित्र तुलनात्मक रूप से संतुलित रहे।

शमन के तरीके

ज्ञान आधार के अनुसंधान कई पूरक रणनीतियों का उदाहरण प्रस्तुत करते हैं:

• निष्पक्षता-सचेत मॉडलिंग: The Hybrid HKG-GRU framework निष्पक्षता के लिए Group Distributionally Robust Optimization (GroupDRO) को व्याख्यागतता और प्रतिवर्तीय स्थिरता के साथ एकीकृत करता है, जिसका मूल्यांकन Moodle लॉग (152 छात्र, ~150k इंटरैक्शन) पर किया गया। यह प्रदर्शित करता है कि अनुशंसा प्रणालियों को केवल सटीक ही नहीं, बल्कि निष्पक्ष और पारदर्शी होने के लिए भी प्रशिक्षित किया जा सकता है।
• डीबायसिंग अनुमानक: Temporal Smoothness Doubly Robust (TSDR) learning एक प्रवृत्ति मॉडल को एक त्रुटि-अनुमान मॉडल के साथ जोड़ता है, जो यदि कोई एक सही हो तो निष्पक्षता बनाए रखता है, ताकि नॉलेज-ट्रेसिंग दक्षता अनुमानों से चयन पूर्वाग्रह हटाया जा सके।
• प्रॉम्प्ट-स्तरीय शमन: the gender-bias study दिखाता है कि एक तटस्थ प्रॉम्प्ट लिंग-विभेदित भाषा को प्रेरित करने से बड़े पैमाने पर बचता है, इसलिए प्रॉम्प्ट डिज़ाइन एक व्यावहारिक शमन लीवर है।
• बोली-अचल प्रशिक्षण: Fang and Liu (2026) दिखाते हैं कि बोली में अचलता को प्रशिक्षित करना इसे बाद में पैच करने से बेहतर है: स्टाइल-ट्रांसफर तुलनात्मक पद को हटाने से प्रतिवर्ती फ़्लिपिंग दर लगभग तीन गुना बढ़ी (4.3% से 11.8%) और गैर-मानक-बोली झूठी-ऋणात्मक अंतराल दस अंक बढ़ा, जबकि इसकी लागत केवल 0.8 Macro-F1 रही और अफ्रीकी अमेरिकी बोली-रूप अंग्रेज़ी के झूठे ऋणात्मक 18.4 अंक कम हुए।
• सत्यापित, भाषा-स्वतंत्र स्कोरिंग: scoring bias को संबोधित करने के लिए ऐसा स्कोरिंग आवश्यक है जो संकल्पनात्मक समझ को भाषाई गुणवत्ता से अलग करे, और स्कोर का भाषा पूर्वाग्रह के लिए ऑडिट करे।
• व्याख्यागतता: XAI in education यह पारदर्शिता प्रदान करता है कि किसी प्रणाली ने दिया गया स्कोर या अनुशंसा क्यों बनाया, जिससे पूर्वाग्रहपूर्ण व्यवहार का पता लगाना और सुधारना संभव होता है और भरोसा का समर्थन होता है।
• पाइपलाइन-व्यापी ऑडिटिंग: persona-skills auditing और पितृसत्तात्मक फ़िल्टर अध्ययन जैसे व्यवस्थित ऑडिट परिनियोजन से पहले पहचान स्थितियों में मॉडल के ऑडिट का मूल्य दिखाते हैं।
• जहाँ विश्लेषण बढ़ता है, वहाँ निष्पक्षता मापन बड़े पैमाने पर अनुपस्थित है। छात्रों के शिक्षण मूल्यांकन पर NLP लागू करने वाले 421 अध्ययनों के एक PRISMA-ScR स्कोपिंग समीक्षा में केवल 8 अध्ययनों (1.9%) में एक औपचारिक निष्पक्षता मेट्रिक और 18 में संस्थागत-उपयोग जोखिम मिला, जबकि अध्ययन सीमाएँ 70.5% में और गोपनीयता संरक्षण 42.3% में दिखे; लेखक इस सह-अस्तित्व को LLM अपनाने के रूप में पढ़ते हैं जो तकनीकी रिकॉर्ड को व्यापक बनाता है बिना सत्यापन या उत्तरदायी-उपयोग रिपोर्टिंग में समानुपाती लाभ के (Eicher & da Silva (2026)).
• समूह का आकार हानि का प्रतिनिधि नहीं है: छह पश्च-निष्पक्षता विधियों में से दो ने सुधार पहले से ही लाभप्राप्त समूहों पर निर्देशित किए क्योंकि उन्होंने हानि को परिभाषित करने के लिए समूह आकार का उपयोग किया; अवलोकित विषमता द्वारा हानि को फिर से असाइन करने से एक विधि को फिर से निर्देशित किया गया लेकिन दूसरी को शून्य भविष्यवाणियाँ फ़्लिप करते हुए छोड़ दिया गया — यह पश्च-शमन के दावों पर एक सीमा है (McConvey et al. (2026)).

AI पाइपलाइन में शमन

पूर्वाग्रह शमन एक एकल सुधार नहीं बल्कि पाइपलाइन को फैला एक चल रही प्रक्रिया है:

1. डेटा संकलन — प्रशिक्षण डेटा में विविधता लाएँ और पहचान-आधारित अंतरालों तथा अनुचित एनोटेशनों के लिए लेबल का ऑडिट करें।
2. Model training — डीबायसिंग और निष्पक्षता-सचेत उद्देश्य लागू करें (जैसे, GroupDRO, दोगुना मजबूत अनुमानक)।
3. प्रॉम्प्ट और सिस्टम डिज़ाइन — तटस्थ प्रॉम्प्ट और ऐसी प्रणालियाँ डिज़ाइन करें जो learner identity के प्रति विभेदित रूप से प्रतिक्रिया न दें।
4. स्कोरिंग और मूल्यांकन — सत्यापित करें कि स्वचालित स्कोरिंग भाषा या जनसांख्यिकीय प्रॉक्सी के बजाय समझ को मापती है।
5. मूल्यांकन और ऑडिटिंग — पहचान स्थितियों (भाषा, लिंग, संस्कृति) में मॉडल का ऑडिट करें और पूर्वाग्रह को सामने लाने के लिए व्याख्यागतता की आवश्यकता रखें।
6. मानव निगरानी — human-in-the-loop समीक्षा बनाए रखें, विशेष रूप से कम-विश्वास या उच्च-दांव वाले मामलों में।

अन्य अवधारणाओं से संबंध

पूर्वाग्रह शमन वह तकनीकी तंत्र है जिसके माध्यम से Equity को परिचालित किया जाता है, और नैतिकता और उत्तरदायी AI डिज़ाइन की एक मूल आवश्यकता है। यह AI शिक्षा मूल्यांकन (मूल्यांकन मानदंड के रूप में पूर्वाग्रह), शैक्षणिक मापन और मूल्यांकन की वैधता (स्कोरिंग में निष्पक्षता), और निजता (एक संबंधित उत्तरदायी-AI चिंता के रूप में) से जुड़ता है। यह Over-Reliance (क्योंकि पूर्वाग्रहपूर्ण प्रणालियाँ अति-विश्वास किए जाने पर विशेष रूप से हानिकारक होती हैं) और AI साक्षरता (उपयोगकर्ताओं को पूर्वाग्रहपूर्ण AI को पहचानने और सवाल उठाने में मदद करना) से भी जुड़ता है।

शिक्षा में AI के लिए निहितार्थ

• पूरी पाइपलाइन का ऑडिट करें: पूर्वाग्रह डेटा, मॉडल, प्रॉम्प्ट, स्कोरिंग और परिनियोजन चरणों में प्रवेश कर सकता है — उन सभी में शमन करें।
• पहचान स्थितियों में परीक्षण करें: AI ट्यूटर, स्कोरर और अनुशंसाक का भाषा, लिंग, संस्कृति और दिव्यांगता में विभेदित व्यवहार के लिए मूल्यांकन करें।
• स्कोरिंग में समझ को भाषा से अलग करें: स्वचालित स्कोरिंग को गैर-मूल या कम प्रवाहशील लेखकों को उस संकल्पनात्मक समझ के लिए दंडित नहीं करना चाहिए जो वे प्रदर्शित करते हैं।
• प्रणालियों को व्याख्यागत बनाएँ: AI निर्णयों में पारदर्शिता पूर्वाग्रह का पता लगाने और सुधारने के लिए आवश्यक है।
• तकनीकी और मानव शमन को जोड़ें: डीबायसिंग एल्गोरिद्म को मानव-निगरानी के साथ जोड़ें, विशेष रूप से उच्च-दांव या कम-विश्वास वाले मामलों में।

संबंधित अवधारणाएँ

• अध्येताओं के वर्गों में असमान प्रभाव
• व्याख्यायोग्य कृत्रिम बुद्धिमत्ता
• गार्डरेल
• समानता
• नैतिकता
• AI शिक्षा मूल्यांकन
• स्वचालित मूल्यांकन
• स्वचालित निबंध स्कोरिंग
• शैक्षणिक मापन
• ज्ञान अनुरेखण
• बड़े भाषा मॉडल (LLMs)
• जनरेटिव-AI
• निजता
• मानव-लूप-में
• भरोसा
• संज्ञानात्मक ऑफलोडिंग
• AI साक्षरता
• छात्र अनुभव
• शिक्षा में AI
• अनुशंसा प्रणालियाँ और सीखने के पथ

संबंधित लेख

• Face value: How avatar identity shapes epistemic trust in AI-mediated learning

• Neuro-symbolic pedagogical alignment (NSPA) for long-horizon classroom discourse analysis: Mitigating dialect bias via counterfactual preference optimization — न्यूरो-सिम्बोलिक शैक्षिक संरेखण (NSPA)

• AI-based scoring systematically underestimates conceptual understanding of linguistically weak students' explanations in physics — AI-आधारित स्कोरिंग में भाषा पूर्वाग्रह

• Contaminated Collaboration: Measuring Gender Bias Transfer in LLM-Assisted Student Writing — LLM-सहायित लेखन में लिंग पूर्वाग्रह का स्थानांतरण

• The Paternalistic Filter: Epistemic Injustice and Differential Refusal in LLM-Mediated History Education for Marginalized Romanian Students — पितृसत्तात्मक फ़िल्टर और विभेदी अस्वीकृतियाँ

• Fair and explainable educational recommendations with a hybrid Graph-GRU framework — निष्पक्ष और व्याख्यागत शैक्षिक अनुशंसाएँ

• Temporal Smoothness Doubly Robust Learning for Debiased Knowledge Tracing — डीबायस्ड नॉलेज ट्रेसिंग

• Modernizing Ground Truth: Four Shifts Toward Improving Reliability and Validity in AI in Education — AI विश्वसनीयता के लिए ग्राउंड ट्रुथ का आधुनिकीकरण

• Data Annotations as Pedagogical Hints: From Subjective Labels to Critical Thinking — शैक्षिक संकेत के रूप में डेटा एनोटेशन

• Explainable Artificial Intelligence in Education (XAI-ED) — शिक्षा में व्याख्यागत AI

• When Agents Learn to Be You: Benchmarking Privacy Leakage, Impersonation Risk, and Defenses in Persona Skills — व्यक्तित्व-कौशल गोपनीयता और पूर्वाग्रह ऑडिटिंग

• Generative artificial intelligence and the marginalization of minoritized knowledges in higher education — GenAI और हाशिए पर रहे ज्ञानों का हाशियाकरण

• Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback — चिह्नित शिक्षाशास्त्र: स्वचालित लेखन प्रतिपूर्ति में रूढ़िवाद-संगत पूर्वाग्रह

• Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation — क्या AI विविध छात्र प्रोफ़ाइल के लिए उचित सहयोग दे सकता है? एक बड़े पैमाने पर मूल्यांकन

• Bias and Representation in AI-Generated Text-to-Image in Education: A Systematic Review — AI-जनित टेक्स्ट-टू-इमेज में पूर्वाग्रह और प्रतिनिधित्व: व्यवस्थित समीक्षा (Alon et al. 2026)

• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — AI शिक्षा के लिए नैतिक मूल्य और नियम

• From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026 — भावना वर्गीकरण से कार्रवाई योग्य और उत्तरदायी प्रतिपूर्ति तक: शिक्षण के छात्र मूल्यांकन में NLP की एक स्कोपिंग समीक्षा और साक्ष्य मानचित्र, 2015–2026

• Generative AI May Reinforce Social Biases in Software Engineering Education — जनरेटिव AI सॉफ्टवेयर इंजीनियरिंग शिक्षा में सामाजिक पूर्वाग्रहों को बढ़ावा दे सकता है

• Fairness Theatre: Evaluating Post-Hoc Fairness Interventions in Vendor-Controlled Early Warning Systems — फ़ेयरनेस थिएटर: विक्रेता-नियंत्रित प्रारंभिक चेतावनी प्रणालियों में पश्च-निष्पक्षता हस्तक्षेपों का मूल्यांकन