संज्ञानात्मक निदान

इस पृष्ठ पर

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

संज्ञानात्मक निदान — शिक्षार्थी की सुप्त ज्ञान-स्थिति का अनुमान — वे विशिष्ट अवधारणाएँ, कौशल और भ्रांतियाँ जो उनके पास हैं या नहीं हैं — उनके उत्तरों या व्यवहार से। यह ज्ञान अनुरेखण का मूल्यांकन-पक्षीय समकक्ष है, जो यह विशेषण करने पर केंद्रित है कि एक छात्र क्या जानता है, न कि केवल उसके अगले प्रदर्शन की भविष्यवाणी करना।

प्रश्न जिन पर विचार करें

संज्ञानात्मक निदान शिक्षार्थी की सुप्त ज्ञान-स्थिति का अनुमान लगाता है — वे विशिष्ट अवधारणाएँ, कौशल और भ्रांतियाँ जो उनके पास हैं या नहीं हैं — उनके उत्तरों से, न कि केवल उनके अगले स्कोर की भविष्यवाणी करके। पढ़ने से पहले, 'एक छात्र की भविष्यवाणी करना' और 'यह निदान करना कि वे वास्तव में क्या नहीं समझते' — इन दोनों में आप क्या अंतर अपेक्षित करेंगे?
एक मुख्य विचार 'सही उत्तर का जाल' है — जहाँ सही उत्तर दोषपूर्ण तर्क को छिपा देता है। क्या आपने कभी इस भरोसे से कहा है कि एक छात्र ने कुछ समझ लिया क्योंकि उसने सही उत्तर दिया, और फिर पाया कि नीचे एक भ्रांति थी? एक निदान उस स्थिति में किस प्रकार स्कोर से अधिक उसे उजागर कर सकता है?
यह पेज संज्ञानात्मक निदान (जो यह एक स्थिर, सूक्ष्म-स्तरीय स्नैपशॉट है कि शिक्षार्थी के पास वर्तमान में क्या है) को ज्ञान-अनुरेखण (समय के साथ दक्षता की अस्थायी गतिशीलता) से अलग करता है। एक बुद्धिमान ट्यूटर को दोनों की आवश्यकता क्यों होगी — यह जानने के लिए कि क्या गलत है और यह जानने के लिए कि आगे क्या पढ़ाना है?
यहाँ एक डिज़ाइन सिद्धांत निदान को प्रतिपुष्टि से अलग करना है: LLM ट्यूटर सही चरणों की पुष्टि करते हैं लेकिन वैध तर्क को अत्यधिक अस्वीकार करते हैं और त्रुटियों को अत्यधिक मान्य करते हैं, और सटीक निदान विश्वसनीय रूप से कार्रवाई योग्य प्रतिपुष्टि उत्पन्न नहीं करता। यह जानना कि क्या गलत है, सहायक अगला चरण उत्पन्न करने में असफल क्यों हो सकता है?
LLM-युग का निदान बहुविकल्पीय से खुले, हस्तलिखित और संवादी कार्य तक विस्तारित होता है। यदि कोई AI ऐसे कार्य से एक भ्रांति का निदान करे जिसे वह पूरी तरह नहीं समझ सकता, तो क्या गलत हो सकता है — और आप यह कैसे सत्यापित करेंगे कि स्वयं निदान विश्वसनीय है?

परिचय

जहाँ ज्ञान-अनुरेखण सामान्यतः समय के साथ एक अदिश दक्षता का अनुमान लगाता है, वहीं संज्ञानात्मक निदान अधिक सूक्ष्म प्रोफ़ाइल उत्पन्न करता है: कौन-से ज्ञान-घटक निपुण हैं, कौन-से नाज़ुक हैं, और कौन-सी भ्रांतियाँ उपस्थित हैं। यह प्रोफ़ाइल व्यक्तिगत शिक्षा, इंटेलिजेंट ट्यूटरिंग, और अनुकूली अधिगम का आधार है।

संज्ञानात्मक निदान कैसे काम करता है

नैदानिक मॉडल: मनोमापीय मॉडल (प्रायः आइटम रिस्पॉन्स थ्योरी (IRT) और शैक्षणिक मापन के अंतर्गत) सही और गलत उत्तरों के पैटर्न से सुप्त कौशल-स्थितियों का अनुमान लगाते हैं, कभी-कभी संज्ञानात्मक-निदान मॉडलों के माध्यम से जो आइटमों को कई ज्ञान-घटकों से मैप करते हैं।
स्वचालित मॉडल खोज: चूँकि कोई एकल नैदानिक मॉडल प्रत्येक शिक्षार्थी के लिए उपयुक्त नहीं होता, स्वचालित मशीन लर्निंग (AutoML)-संचालित दृष्टिकोण (जैसे, वैयक्तिकृत न्यूरल संज्ञानात्मक वास्तुकला खोज) विषम शिक्षार्थी-प्रोफ़ाइल के लिए नैदानिक मॉडल उत्पन्न करते हैं — सीखने की प्रक्रियाओं के गतिशील विश्लेषण और प्रति-शिक्षार्थी संज्ञानात्मक निदान को सक्षम करने के लिए बहु-माध्यमिक शैक्षिक डेटा को एकीकृत करते हुए, बजाय स्थिर परीक्षा परिणामों और सरल सांख्यिकीय संकेतकों पर निर्भर रहने के (Personalized neural cognitive architecture search)।
प्रतिक्रिया डेटा: निदान मूल्यांकनों, संकेतों, सहायता खोजना, और कार्य-पर बिताए गए समय के उत्तरों पर आधारित है — कच्चे स्कोर से समृद्ध संकेत।
LLM-आधारित निदान: नए दृष्टिकोण खुले या हस्तलिखित कार्य से निदान करने के लिए बड़े भाषा मॉडल का उपयोग करते हैं, और किसी त्रुटि के पीछे विशिष्ट एआई के बारे में गलतफहमियाँ की पहचान करते हैं (जैसे, "सही उत्तर का जाल" जहाँ सही उत्तर दोषपूर्ण तर्क को छिपा देता है)। दो 2026 के परिणाम सीमित करते हैं कि वह निदान कितना दूर जाता है। OmniEdu (Liang et al., 2026) ने नैदानिक तर्क को एक खुली 4B/9B/27B परिवार की चार क्षमताओं में से एक के रूप में पर्यवेक्षित किया, और ज्ञान-स्थिति निदान इसकी सबसे कमज़ोर मापी गई क्षमता बनी रही — 27B पर 54.04% और 9B पर 53.55%, इतना कि तीन गुना पैरामीटर भी अंतराल को पूरा नहीं कर सके — जबकि CoLearn (He et al., 2026) का LLM ग्रेडर संयुक्त उत्तरों में वास्तविक दक्षता से r = 0.68 पर सहसंबद्ध था लेकिन सबसे कमज़ोर क्षमता-स्तर के भीतर केवल r ≈ 0.15 पर (मिश्रित ≈ 0.48, उच्च 0.41), इसलिए नैदानिक विश्वसनीयता मॉडल जितनी ही शिक्षार्थी की क्षमता-स्तर पर निर्भर करती है।
एक समुह-स्तर पर सामान्य गलतियों का निदान, एक बार में एक प्रतिक्रिया नहीं। Killich et al. (2026) सामान्य दिशा को उलटते हैं: एक शिक्षार्थी की त्रुटि का निदान करने के बजाय, एक बड़े भाषा मॉडल (LLMs) उम्मीदवार बग-फिक्सिंग रूपांतरण प्रस्तावित करता है जो गलत औपचारिकीकरण को पूरे शैक्षिक डेटा सेट में सही पर मैप करते हैं, और प्रत्येक उम्मीदवार को रखे जाने से पहले एल्गोरिदमिक रूप से मान्य किया जाता है। प्रस्ताविक तर्क-शास्त्र के 6,106 सही-और-गलत औपचारिकीकरण के जोड़ों पर, वर्कफ़्लो ने 5,156 जोड़ों (84.44%) को समझाने वाले 248 रूपांतरण-क्लस्टर खोजे, पिछली अत्याधुनिक तकनीक के हाथ से चुने गए गलतियों के 4,370 (71.57%) के मुकाबले, और यह साहित्य में एक विषय-विशेषज्ञ द्वारा हाथ से पहचानी गई गलतियों को पुनर्प्राप्त किया। क्लस्टरिंग उम्मीदवारों को एकल-रूपांतरण, तुल्य-रूपांतरण और पदानुक्रमित समूहों में क्रमित करती है, और परिणामी सहसंबंध ग्राफ़ को प्रशिक्षकों के लिए दृश्यीकृत किया जा सकता है; वही पाइपलाइन मोडल तर्क और नियमित अभिव्यक्तियों में स्थानांतरित हुई, जहाँ एक ही विवर्तन-के-लिए-संयोग रूपांतरण ने अपने 334-जोड़े क्लस्टर के 98.80% को कवर किया। यह एक नैदानिक मॉडल की आवश्यकता वाली भ्रांति-सूची तक का एक मार्ग है जिसे फ़िट किये जाने से पहले चाहिए।
सही-समाधान पुनर्प्राप्ति, त्रुटि-अनुकरण नहीं, अवरोध है। मॉडलों ने विचलित-पाठ के 95.2% में एक समाधान बनाया और एक विशिष्ट Eedi भ्रांति को 0.92 सटीकता पर अनुकृत किया, फिर भी सही उत्तर देने से भी मानव विचलित-पाठ के साथ मिलान में सुधार (0.52 → 0.56) ही हुआ — विफलता ऊपर है, समाधान की पुनर्प्राप्ति में (Zengaffinen et al. (2026))।
OBE पाठ्यक्रमों में परिणाम-स्तरीय निदान: Pradeesh et al. (2026) Outcome-Based Education में यह निदान करते हैं कि एक शिक्षार्थी ने कौन-से पाठ्यक्रम-परिणाम प्राप्त किए हैं, परिणामों को ज्ञान-अवधारणाओं के रूप में मानकर, पाठ्यक्रम और कार्यक्रम-परिणामों के बीच विशेषज्ञ-मान्य OBE आत्मीय मैपिंग के माध्यम से अवधारणा-संबंध प्रदान करते हुए (अंतर्निहित रूप से सीखे गए ध्यान या ग्राफ़ संबंधों के स्पष्ट विकल्प के रूप में), और एक स्मृति-संवर्धित मॉड्यूल का उपयोग करके अनुमान लगाते हुए कि एक परिणाम की प्राप्ति दूसरों को कैसे प्रभावित करती है — लाइव इंजीनियरिंग-कार्यक्रम डेटा पर DKT, DKVMN, EKT और SimpleKT बेसलाइन (89.81% AUC) से बेहतर प्रदर्शन करते हुए।
उन उपकरणों से निदान जो किसी और चीज़ के लिए बनाए गए थे। Le et al. (2026) दिखाते हैं कि एक CD मॉडल उन आइटमों से उद्देश्य-स्तरीय जानकारी निकाल सकता है जो निदान के लिए कभी नहीं लिखे गए। प्रारंभिक यांत्रिकी में FCI, FMCE और EMCS आइटमों को 14 सूक्ष्म-स्तरीय सीखने के उद्देश्यों पर मैप करके और 807 पाठ्यक्रमों के 24,394 पोस्टटेस्ट प्रतिक्रियाओं पर DINA फ़िट करके, उन्होंने तीन उपकरणों में से दो के लिए अच्छी फ़िट पाई (FCI RMSEA² = 0.033; EMCS = 0.022) और 22 उद्देश्य–मूल्यांकन संयोजनों में से 19 पर वर्गीकरण सटीकता कम-दाँव वाले निर्माणात्मक बेंचमार्क के बराबर या अधिक। विशेषता-संरचना, आइटम-गुणवत्ता नहीं, बाध्यकारी बाधा थी: विशेषज्ञ कोडिंग मॉडल जाँच में लगभग अपरिवर्तित बची रही — DINA ने 754 आइटम–उद्देश्य कोडिंग में केवल 14% संशोधन प्रस्तावित किया और कोडरों ने उनमें से 20 (2.7%) स्वीकार किए — फिर भी मॉडल तीन अवधारणात्मक रूप से नेस्टेड ऊर्जा उद्देश्यों (संभावित ऊर्जा 0.675, ऊर्जा संरक्षण 0.705, गतिज ऊर्जा 0.745) को अलग नहीं कर सका क्योंकि किसी भी दो ने अपने आइटमों का लगभग 70% साझा किया (जैकार्ड अतिव्यापन 0.67–0.73), जो DINA के संयुक्त स्वतंत्रता मान्यता का उल्लंघन करता है, जबकि उसी उपकरण पर संवेग उद्देश्य 0.820–0.917 तक पहुँचे। सूक्ष्म विशेषताएँ भी बदतर नहीं, बल्कि बेहतर फ़िट हुईं: 14-उद्देश्य संरचना ने उसी टीम की पहले की चार-व्यापक-कौशल संरचना की तुलना में तीनों उपकरणों पर मॉडल फ़िट में सुधार किया। आइटम अतिव्यापन, कोडिंग त्रुटि नहीं, यह सीमित करता है कि दक्षता कितनी सूक्ष्मता से अलग की जा सकती है।
वैयक्तिकृत सीखने के पथों के लिए बेयसियन DINA: Feng and Huang (2026) एक बेयसियन DINA मॉडल (EdNet डेटा सेट, N=5,000 पर प्रशिक्षित) को ज्ञान-स्थान सिद्धांत और एक सर्वोच्च-उपचार-पथ एल्गोरिदम के साथ एकीकृत करते हैं ताकि वैयक्तिकृत सीखने के पथ उत्पन्न करें, और हिडन मार्कोव मॉडल स्थिति-संक्रमण के माध्यम से संज्ञानात्मक भार की मध्यस्थ भूमिका का अनुभवजन्य परीक्षण करते हैं (120 छात्रों पर मान्य) — पारंपरिक DINA मॉडलों की विरलता-संचालित अभिसरण समस्या और वैयक्तिकृत-पथ प्रभावशीलता के पीछे का अपरीक्षित मनोवैज्ञानिक तंत्र, दोनों को संबोधित करते हुए।
पहचान-एम्बेडिंग के स्थान पर भाषा-आधारित निदान। Liu et al. (2026) विविध छात्र, अभ्यास और अवधारणा पहचानकर्ताओं को LLM-निर्मित अवधारणा-योजनाओं और प्रक्रिया-आधारित साक्ष्य से बदलते हैं, प्रतिक्रिया-अभिलेखों से प्रत्येक छात्र की पश्च संभाव्य स्थिति को अंशांकित करते हुए। तीन गणित मंच डेटा सेट पर यह ढाँचा XES3G5M पर 83.51% ACC / 85.37% AUC और MOOC पर 87.16% ACC प्राप्त करता है, लाभ ठीक वहाँ केंद्रित है जहाँ शास्त्रीय संज्ञानात्मक-निदान मॉडल कमज़ोर पड़ते हैं: नई अवधारणाएँ (KCD से +4.60 ACC) और लापता Q-matrix प्रविष्टियाँ (+4.52)। संरचित साक्ष्य को हटाने से MOOC सटीकता 87.16% से 78.95% पर गिर जाती है, इसलिए सुधार भाषा-व्युत्पन्न संरचना से आता है, मॉडल स्केल से नहीं। (Beyond ID Embeddings: Process-Grounded Language Modeling for Cognitive Diagnosis)
AI विश्लेषण से पहले सांस्कृतिक रूप से सन्निहित कार्य आ सकते हैं। Anggara et al. (2026) ने इंडोनेशिया में 178 कनिष्ठ-उच्च छात्रों को AI प्रतिक्रिया विश्लेषण से पहले सांस्कृतिक रूप से संदर्भित खुले-अंत कार्य पूरे कराए; AI निदान विशेषज्ञ मूल्यांकन से सहमत रहे (ICC = 0.81), जबकि सांस्कृतिक सन्निहितता प्रतीकात्मक गणितीय प्रदर्शन (β = 0.42) और जुड़ाव (β = 0.37) से संबद्ध थी।

यह महत्वपूर्ण क्यों है

सटीक निदान शिक्षण को वास्तविक अंतरालों पर लक्षित करने देता है, एक वैश्विक "क्षमता" स्कोर के बजाय — स्वचालित मूल्यांकन को सक्षम करते हुए जो समझाता है क्यों एक छात्र ने त्रुटि की और प्रतिपुष्टि लूप प्रणालियाँ जो विशिष्ट ज्ञान-स्थितियों का उपचार करती हैं। खराब निदान उलटा उत्पन्न करता है: गलत अवधारणाओं पर लक्षित शिक्षण। यही कारण है कि मनोमापन-सचेत एआई भविष्यवाणी सटीकता के साथ-साथ नैदानिक वैधता पर ज़ोर देता है।

ज्ञान-अनुरेखण और बुद्धिमान शिक्षण से संबंध

संज्ञानात्मक निदान इंटेलिजेंट ट्यूटरिंग वास्तुकला के केंद्र में स्थित है और ज्ञान अनुरेखण का मूल्यांकन-पक्षीय समकक्ष है:

निदान बनाम अनुरेखण — पूरक अस्थायी दृश्य। ज्ञान-अनुरेखण दक्षता की अस्थायी गतिशीलता को ट्रैक करता है — अभ्यासों में एक अदिश ज्ञान-स्थिति कैसे विकसित होती है का अनुमान लगाते हुए और अगली प्रतिक्रिया की भविष्यवाणी करते हुए। संज्ञानात्मक निदान यह स्थिर, सूक्ष्म-स्तरीय स्नैपशॉट उत्पन्न करता है कि एक शिक्षार्थी के पास वर्तमान में कौन-से ज्ञान-घटक, कौशल या भ्रांतियाँ हैं। एक ट्यूटर को दोनों चाहिए: ज्ञान-अनुरेखण यह क्रमित करने के लिए कि आगे क्या पढ़ाना है, संज्ञानात्मक निदान यह जानने के लिए कि क्या वास्तव में गलत है। IRT- और मापन-आधारित नैदानिक मॉडल, और जो कई घटकों में आइटम मैप करने वाले संज्ञानात्मक-निदान मॉडल, नैदानिक पक्ष को साकार करते हैं।
LLM-युग का निदान। LLMs निदान को बहुविकल्पीय प्रतिक्रियाओं से खुले, हस्तलिखित और संवादी कार्य तक विस्तारित करते हैं, किसी त्रुटि के पीछे विशिष्ट एआई के बारे में गलतफहमियाँ की पहचान करते हुए (जैसे, "सही उत्तर का जाल" जहाँ सही उत्तर दोषपूर्ण तर्क को छिपा देता है)। HiLLM-CD स्वचालित अवधारणा-वृक्ष निर्माण और पदानुक्रमित दक्षता अनुमान के लिए LLM का उपयोग करता है, निदान और अनुरेखण को जोड़ते हुए। Boyapati et al. (2026) इसे ε-स्थानीय अंतर गोपनीयता के साथ कई व्यावसायिक LLM API में निदान को संघीकृत करके आगे बढ़ाते हैं, दिखाते हुए कि किसी भी मॉडल को कच्चा छात्र डेटा दिखाए बिना सटीक, गोपनीयता-संरक्षण निदान संभव है।
निदान को प्रतिपुष्टि से अलग करना एक डिज़ाइन सिद्धांत है। LLM ट्यूटर विश्वसनीय रूप से सही चरणों की पुष्टि करते हैं लेकिन वैध तर्क को अत्यधिक अस्वीकार करते हैं और त्रुटियों को अत्यधिक मान्य करते हैं — और सटीक निदान विश्वसनीय रूप से कार्रवाई योग्य प्रतिपुष्टि उत्पन्न नहीं करता। ITS डिज़ाइन को इसलिए एक नैदानिक घटक को प्रतिपुष्टि/मड्गद घटक से अलग करना चाहिए (Confirming Correct, Missing the Rest: LLM Tutoring Agents Struggle Where Feedback Matters Most)।

अन्य अवधारणाओं से संबंध

संज्ञानात्मक निदान ज्ञान अनुरेखण, शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण, शैक्षणिक मापन, और मूल्यांकन से जुड़ता है। इसकी अंतर्दृष्टि इंटेलिजेंट ट्यूटरिंग और अनुकूली अधिगम को पोषण करती है, और LLM-युग का कार्य इसे AI ट्यूटरिंग में भ्रांति-पहचान से जोड़ता है।

मेटाडेटा

प्रौद्योगिकियाँ और तकनीकें	इंटेलिजेंट ट्यूटरिंग, ज्ञान अनुरेखण, लर्निंग एनालिटिक्स, शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण
मूल्यांकन और मापन	मूल्यांकन, शैक्षणिक मापन, मनोमापन-सचेत एआई

Source History Edit Chat