संज्ञानात्मक समर्पण

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

संज्ञानात्मक समर्पण — किसी AI प्रणाली का आउटपुट बिना उस तर्क के स्वीकार करना जो आपको उसका मूल्यांकन करने देता। जहाँ संज्ञानात्मक ऑफलोडिंग यह पूछता है कि एक शिक्षार्थी कितना मानसिक कार्य सौंपता है और क्या वह सौंपना अंशतः अनुमानित है, वहीं समर्पण यह पूछता है कि क्या शिक्षार्थी मूल्यांकनकारी भूमिका बरकरार रखता है या नहीं: उत्तर आता है, स्वीकार किया जाता है, और उस जाँच के बिना व्यक्ति का अपना मत बन जाता है जो निर्णय का गठन करती। यह शब्द शॉ और नेवे (2026) की त्रि-तंत्र सिद्धांत से आता है, जो इसे ऑफलोडिंग और अति-निर्भरता दोनों से अलग एक विशिष्ट विफलता के रूप में रखता है।

विचार करने योग्य प्रश्न

1. जब कोई छात्र AI का ऐसा उत्तर स्वीकार करता है जो संयोगवश सही होता है, तो क्या कक्षा सफल रही? स्वीकृति ही वह चीज़ कब होती जिसकी चर्चा करने योग्य हो?
2. क्या एक अंशतः अनुमानित सौंपने वाला जो अपनी सीमाएँ जानता है, उस छात्र से भिन्न प्रकार का है जो बस अंतर नहीं बता पाता? एक शिक्षक एक ही कार्य में अंतर कैसे बताएगा?
3. यदि आत्मविश्वास बढ़ता है और सटीकता घटती है — जैसा AI सलाह उपलब्ध होने पर होता है — तो यह शिक्षार्थी की अपनी त्रुटि-पहचान के साथ क्या करता है?
4. जाँच कहाँ सिखाई जा सकती है, और कहाँ वह एक कार्यभार-समस्या है नीति? किसी पाठ्यक्रम के किन हिस्सों को बदलना पड़ेगा ताकि जाँच अपवाद नहीं, मानदंड बने?
5. क्या संस्थाओं को समर्पण को मापना चाहिए, या मापना वही निगरानी आमंत्रित करता है जिससे प्रकटीकरण नियम जूझ रहे हैं?
6. ऐसा कार्य कैसा दिखेगा जो छात्र को गलत AI उत्तर को झुकाने के लिए पुरस्कृत करे, न कि चिकने उत्तर बनाने के लिए?

परिचय

समर्पण AI-समर्थित अध्ययन की सबसे आम विफलता के पीछे की प्रवृत्ति है: उपकरण का बहुत अधिक उपयोग नहीं, बल्कि उसकी बात पर विश्वास कर लेना। संज्ञानात्मक ऑफलोडिंग पृष्ठ पुराने निर्माण और उसके साक्ष्य रखता है, और AI का दुरुपयोग हानि-सूची रखता है। यह पृष्ठ इसलिए मौजूद है क्योंकि कार्यों का एक अलग समूह अब कुछ ऐसा नाम देकर मापता है जो वे दो पूरी तरह नहीं पकड़ पाते।

तीन चीज़ें समर्पण को अलग करती हैं। यह निर्णय के बारे में है, प्रयास के बारे में नहीं: एक छात्र प्रॉम्प्टिंग, पुनःस्वरूपण और आउटपुट को परिष्कृत करने में काफी समय लगा सकता है और एक बार भी अपना मानदंड नहीं लगा सकता कि आउटपुट कितना अच्छा है। यह प्रायः शिक्षार्थी के लिए अदृश्य होता है: जो संकेत सामान्यतः प्रयास के साथ आते हैं — झिझक, अनिश्चितता, अभी न जानने की भावना — उन्हें प्रवाहशील पाठ बीच में ही काट देता है। और यह केवल अभ्यास या प्रोत्साहन से भरोसेमंद रूप से ठीक नहीं होता, जहाँ साक्ष्य नुकीले हो जाते हैं।

ऑफलोडिंग, अति-निर्भरता, समर्पण: तीन अलग विफलताएँ

तीन एक ही सीढ़ी पर बैठते हैं, एक-दूसरे को बदलते नहीं। ऑफलोडिंग प्रायः उत्पादक होती है; यह अति-निर्भरता में तब बदलती है जब रणनीतिक होना बंद हो जाता है; समर्पण वह रूप है जिसमें मूल्यांकन का चरण गुम हो जाता है। ये भेद अभ्यास में भी खींचे गए हैं जितनी सिद्धांत में: सिडनी त्वरित समीक्षा ने PreK-12 जनरेटिव AI पर 271 अनुभवजन्य शोधपत्रों की समीक्षा में छात्र व्यवहार को ठीक इन्हीं तीन श्रेणियों में व्यवस्थित किया — समर्पण, ऑफलोडिंग और शिक्षार्थी सक्रियता — और उन्हें संज्ञानात्मक, अंतर्ज्ञानात्मक और भावनात्मक आयामों में फैलाया। दू और युआन (2026) ने वही सीमा दूसरी तरफ से काटी: साधनात्मक सहायता आउटपुट पैदा करती है, निर्णय-युक्त सहायता वह मानदंड देती है जिससे आउटपुट का निर्णय होता है, और केवल दूसरे प्रकार का भरोसेमंद रूप से उस कार्य को विस्थापित करता है जो विशेषज्ञता विकसित करता है। उनके छह मानदंड — विवाद-योग्यता, पुनर्प्राप्तियोग्यता, स्थानांतरण, अनुसरणीयता, वितरित उत्तरदायित्व और ज्ञान-बहुलता — एक उपयोग-माप नहीं, समर्पण-निदान हैं।

त्रि-तंत्र विवरण

शॉ और नेवे (2026) दोहरे-प्रक्रिया तर्क को एक तीसरे तंत्र से विस्तारित करते हैं। तंत्र 1 तेज़ और सहज है; तंत्र 2 धीमा और विमर्शपूर्ण है; तंत्र 3 कृत्रिम संज्ञान है जो मस्तिष्क के बाहर चलता है। तंत्र 3 आंतरिक प्रक्रिया को पूरक बना सकता है, उम्मीदवार उत्तर और विरोधाभासों को संकेतित कर तंत्र 2 के लिए दे सकता है, या उसकी जगह ले सकता है, जिसमें विमर्श कभी शुरू ही नहीं होता। समर्पण जगह-लेने का मामला है, और सिद्धांत भविष्यवाणी करता है कि यह भावना के रूप में नहीं, एक हस्ताक्षर के रूप में पहचाना जा सकना चाहिए: जब AI सही हो तो उसका उत्तर अपनाओ, जब गलत हो तो भी उसी को अपनाओ, और दोनों दशाओं में अधिक आत्मविश्वास रिपोर्ट करो।

प्रयोगात्मक हस्ताक्षर

तीन पूर्व-पंजीकृत प्रयोगों ने संज्ञानात्मक प्रतिबिंबन परीक्षण को अनुकूलित किया और छिपे बीज-प्रॉम्प्ट से AI सटीकता का यादृच्छिकरण किया, ताकि प्रतिभागी अंतरापृष्ठ से अच्छी सहायक को बुरी से न बता सकें (N = 1,372; 9,593 परीक्षण)।

• लोग परामर्श करते हैं, फिर अपनाते हैं। प्रतिभागियों ने बहुमत परीक्षणों (>50%) में सहायक से परामर्श करना चुना।
• सटीकता AI को ट्रैक करती थी, व्यक्ति को नहीं। केवल-मस्तिष्क आधाररेखा के सामने, सटीकता लगभग 25 प्रतिशत-अंक बढ़ी जब AI सटीक था और लगभग 15 अंक गिरी जब उसने भूल की, जो विरोधाभास को लेखकों ने समर्पण का व्यवहारिक हस्ताक्षर कहा (Cohen का h = 0.81, 95% CI [0.72, 0.91]; प्रति-अध्ययन h = 0.83, 0.86, 0.78)।
• दो व्यवहार साफ़ अलग होते हैं। गलत-AI परीक्षणों में, 73.2% समर्पण में समाप्त हुए, 19.7% ऑफलोडिंग में (गलत सलाह को झुकाकर सही उत्तर देना), और 7.1% विफल झुकावों में।
• पहुँच के साथ आत्मविश्वास बढ़ता है। लगभग आधे AI उत्तरों के दोषपूर्ण होने के बावजूद, सहायक तक पहुँच ने बताए गए आत्मविश्वास को 11.7 प्रतिशत-अंक बढ़ाया (77.0% बनाम 65.3%)।
• परिस्थितिजन्य दबाव इसे हटाता नहीं। प्रति-वस्तु प्रोत्साहन और प्रतिक्रिया ने ऑफलोडिंग लगभग 19 अंक बढ़ाकर 37.1% कर दिया और समर्पण घटाकर 57.9% कर दिया; समय-दबाव ने ऑफलोडिंग लगभग 12 अंक घटाकर 6.2% कर दिया और विफल झुकाव बढ़ाकर 13.8% कर दिए। दोनों परिस्थितियों ने आधाररेखाएँ बदलीं लेकिन सटीक-बनाम-दोषपूर्ण अंतराल बंद नहीं किया (OR = 14.28 समय-दबाव के तहत; OR = 11.05 प्रोत्साहन और प्रतिक्रिया के तहत)।
• संवेदनशीलता एक प्रवृत्ति है, केवल परिस्थिति नहीं। उच्च विश्वास ने सटीक-बनाम-दोषपूर्ण अंतराल का विस्तार भविष्यवाणी किया (OR = 2.81) और सिर-दर-सिर मॉडल में ऑफलोडिंग पर समर्पण (OR = 4.36)। संज्ञान की उच्च आवश्यकता ने अंतराल घटाया (OR = 0.83) और परिणामों को ऑफलोडिंग की ओर मोड़ा (OR = 0.46); उच्च तरल बुद्धि उसी दिशा में सुरक्षात्मक थी (OR = 0.69), और इसका सबसे मज़बूत एकल प्रभाव सहायक को जुड़ने के बाद दोषपूर्ण सलाह का अनुसरण करने की कम प्रवृत्ति थी (OR = 0.23)।

व्यावहारिक पठन यह है कि समर्पण एक भेद-विफलता है, प्रेरणा-विफलता नहीं। जिन प्रतिभागियों ने समर्पण किया वे काम से बचने की कोशिश नहीं कर रहे थे; वे अच्छी सलाह को बुरी से नहीं बता सके, और अंतरापृष्ठ ने उन्हें कोशिश करने का कोई कारण नहीं दिया।

प्रयोगशाला के बाहर समर्पण

प्रयोगशाला के निष्कर्ष उस क्षेत्रीय और प्रेक्षणात्मक कार्य के साथ मिलते हैं जिसने स्वतंत्र रूप से उसी शब्द के लिए पहुँचा।

• जनसंख्या-स्तरीय विस्थापन। रिसमांचियन सहित (2026) ने 3.2 मिलियन ALEKS सीखने की बातचीत और 12.2 मिलियन निर्धारण-मूल्यांकन प्रतिक्रिया-समयों का दस-वर्षीय पैनल में विश्लेषण किया, जहाँ ग्राफ़-आधारित समस्याएँ पाठ-आधारित के लिए नियंत्रण के रूप में काम करती हैं। छात्रों ने AI-संवेदनशील कार्य तेज़ी से पूरा किया और उस पर अधिक अंक पाए, जबकि प्रतिरक्षित प्रतिधारण वस्तुओं में सही प्रतिक्रिया के बाजारों में 25% संचयी गिरावट दिखी; लेखकों ने इस पैटर्न को जनसंख्या-स्तर पर संज्ञानात्मक समर्पण कहा।
• जाँच को विभेदक चर के रूप में। स्टामातुलिस सहित (2026) पाते हैं कि छात्र जनरेटिव AI का कैसे उपयोग करते हैं यह प्रदर्शन की भविष्यवाणी करता है जबकि कितना उपयोग करते हैं यह नहीं: कम-जाँच अपनाना — बिना समीक्षा आउटपुट स्वीकार करना — खराब परिणामों से जुड़ा था, और मूल्यांकनात्मक एकीकरण बेहतर से।
• विचारहीन उपयोग स्व-निर्देशन को चाहिए संसाधनों को कमज़ोर करता है। झाओ और गू (2026) ने बिना-मूल्यांकन-अपनाने को सीधे मॉडल किया: 487 स्नातक छात्रों में, जनरेटिव AI का विचारहीन उपयोग कम स्व-निर्देशित सीखने से जुड़ा था (β = −0.42), आंशिक रूप से कम प्रेरणा और स्व-प्रभावशीलता के माध्यम से।
• तंत्रिका और स्वामित्व का निशान। संज्ञान-ऋण EEG अध्ययन ने निबंध-लेखन को बड़े भाषा मॉडल (LLMs), खोज इंजन और बिना उपकरण के मापा: LLM समूह ने सबसे कमज़ोर तंत्रिका संयोजन दिखाया, अपने काम पर सबसे कम लेखकत्व रिपोर्ट किया, और जो लिखा था उसे उद्धृत करने में संघर्ष किया।
• समर्पण बिना मांगे आ सकता है। निर्णय-निलंबन पर कार्य ने पाया कि AI सलाह की केवल उपलब्धता ने लोगों की "मुझे नहीं पता" कहने की इच्छा को ढहर दिया (0.06 बनाम 0.36, और 0.03 बनाम 0.44 दो अध्ययनों में), जबकि सहीता गिरी और आत्मविश्वास लगभग 30 से 76 बढ़ा। दांव ने निलंबन बहाल नहीं किया, हालाँकि प्रोत्साहनों ने झुकाव को प्रोत्साहित कर सटीकता सुधारी। एक चौथा अध्ययन प्रभाव को बिना किसी परामर्श के दिखाया — एक ऑटोकम्प्लीट या खोज-सारांश का पैटर्न, चैट प्रॉम्प्ट का नहीं।
• निर्भर और स्वायत्त तरीके केवल परिणाम में अलग हैं। फैन, ली और झांग (2026) ने तीन लहरों में 589 छात्रों और शुरुआती-करियर कर्मचारियों का अनुसरण किया: निर्भर ऑफलोडिंग ने मूल सोच सौंपी और कम आंतरिक प्रेरणा से जुड़ी, जबकि स्वायत्त ऑफलोडिंग नहीं, और तत्काल प्रदर्शन दोनों में एक जैसा दिखा।
• मॉडल का अपना योगदान। चापलूसी समर्पण का पूरक है: एक सहायक जो सहमत होता है, उपयोगकर्ता के ढाँचे की ओर हेज करता है, या दावा प्रवाहशील रूप से कहता है, शिक्षार्थी को विरोध के लिए कुछ नहीं देता।
• वापसी अधूरा आधा है। संज्ञान-धुलाई पर कार्य इतना बताता है कि लगभग यह सारा शोध संज्ञान को AI उपयोग के दौरान मापता है, और लगभग कोई नहीं मापता कि सहायक हटाने पर क्या होता है, जो ठीक वह प्रश्न है जो परीक्षा, बंदी या लाइसेंस समीक्षा उठाती है।

समर्पण के विरुद्ध डिज़ाइन और शिक्षण

• सलाह नहीं, जाँच को असाइनमेंट बनाओ। AI से परामर्श से पहले एक बताया गया पहला उत्तर मांगो, और छात्रों से उन बिंदुओं को नाम देने के लिए कहो जहाँ उन्होंने उसे झुकाया। यह एक अदृश्य निर्णय-चरण को ग्रेड-योग्य कलात्मक उत्पाद बनाता है।
• उपयोग नहीं, झुकावों को पुरस्कृत करो। प्रयोगों में, सटीकता से जुड़े प्रोत्साहनों ने समर्पण खत्म किए बिना ऑफलोडिंग 37% की ओर बढ़ाया; प्रोत्साहन तब काम करते हैं जब वे जाँच को परिणामपूर्ण बनाते हैं, जो प्रयासहीन जाल के निर्धारण नियम के पीछे की खोज भी है — एक अनरक्षित सहायक ने छात्रों को बिना सहायता परीक्षा में लगभग 17% खराब किया, और एक पुनर्निर्मित मॉडल जिसने उत्तर रोके ने हानि मिटा दी।
• अविश्वास नहीं, भेद-करना सिखाओ। क्योंकि संज्ञान की आवश्यकता और तरल बुद्धि ने प्रतिरोध की भविष्यवाणी की जबकि स्व-रिपोर्टित विश्वास ने संवेदनशीलता की, प्रशिक्षण-योग्य लक्ष्य किसी विशिष्ट कार्य पर अच्छे आउटपुट को बुरे से बताने की क्षमता है। अंशांकन प्रशिक्षण भविष्यवाणी-और-प्रतिक्रिया परीक्षणों के साथ कार्य-कृत प्रोटोटाइप है: एक संक्षिप्त हस्तक्षेप ने अति-निर्भरता के प्रयोगशाला समानार्थी में अनुस्मारक-पूर्वाग्रह कम किया।
• आत्मविश्वास नहीं, असहमति सामने लाओ। क्योंकि पहुँच ने गलत उत्तरों पर भी आत्मविश्वास फुलाया, उपयोगी डिज़ाइन-चाल वह घर्षण है जो विरोधी साक्ष्य, अनिश्चितताएँ या प्रति-तर्क प्रस्तुत करता है, ताकि शिक्षार्थी के पास स्वीकारने के लिए कुछ नहीं, मूल्यांकन के लिए कुछ हो। मानव-लूप-में डिज़ाइन जाँच-प्रॉम्प्ट और प्रकटीकरण आवश्यकताओं के साथ संस्थागत प्रतिरूप हैं।
• एक माप रखो। यदि सहायित प्रदर्शन और असहायित क्षमता अलग से न मापी जाए, तो समर्पण पाठ्यक्रम-मूल्यांकन के लिए अदृश्य है: सेमेस्टर बेहतर दिखता है और प्रतिधारण संख्याएँ चुपचाप गिरती हैं।
• इसे एक तंत्र और डिज़ाइन समस्या मानो। एजेंटिक डिज़ाइन बताते हैं कि जितना अधिक एजेंट, उतना कम संज्ञानात्मक प्रयास शिक्षार्थी लगाता है, जो उत्पादक सौंपना को डिफ़ॉल्ट रूप से समर्पण में बदलता है; मॉडलिंग कार्य यह जोड़ता है कि निर्भरता सामाजिक प्रमाण के माध्यम से फैलती है, इसलिए सामूहिक मानदंड और अंतरापृष्ठ डिफ़ॉल्ट व्यक्तिगत आदत जितने ही मायने रखते हैं।

खुले प्रश्न

क्या समर्पण आदी होता है, या अनुपयोग के साथ क्षय होता है? धुलाई शोध वापसी-पश्चात प्रश्न को औपचारिक रूप देता है लेकिन दीर्घकालिक डेटा अभी मौजूद नहीं है। क्या समर्पण को बिना घुसपैठिए लॉगिंग के जंगल में मापा जा सकता है — और जाँच-व्यवहार के स्व-रिपोर्ट कुछ भी भविष्यवाणी करते हैं? क्या आत्मविश्वास-फूलाव एक बार जाने के बाद भी बना रहता है जब शिक्षार्थी को एक आत्मविश्वासित गलत उत्तर ने जला दिया हो, या गलत-अंशांकन चिपका रहता है? और एक व्यक्ति के बजाय एक पेशे के स्तर पर, क्या व्यापक समर्पण उस साझा विशेषज्ञता-पूल को कमज़ोर करता है जिस पर AI प्रणालियों की निगरानी स्वयं निर्भर करती है, वह चिंता जो संज्ञान-सामान्य ढाँचा उठाता है?

सीमाएँ

नामित निर्माण के रूप में समर्पण का साक्ष्य एक प्रयोगशाला-कार्य कार्यक्रम पर भारी है: तीन पूर्व-पंजीकृत प्रयोग एक अनुकूलित संज्ञानात्मक प्रतिबिंबन परीक्षा पर सुविधा-नमूनों के साथ, जो तंत्र और प्रवृत्ति-नियंत्रक स्थापित करता है लेकिन उच्च-दांव पेशेवर निर्णय में स्थानांतरण नहीं करता। डिज़ाइन एकल एक्सपोज़र भी पकड़ता है, इसलिए इसमें कुछ नहीं दिखाता कि समर्पण आदी होता है या जमता है। क्षेत्रीय साक्ष्य प्रेक्षणात्मक है: ALEKS पैनल तेज़ पूर्णता के साथ खराब प्रतिरक्षित प्रतिधारण दिखाता है, लेकिन अध्ययन-रणनीति परिवर्तन के बजाय समर्पण को कारणीय श्रेय देना उन धारणाओं की मांग करता है जो डिज़ाइन परीक्षित नहीं कर सकता। साहित्य में परिभाषाएँ अभी अस्थिर हैं — ऑफलोडिंग, अति-निर्भरता, निर्भरता, लगाव और समस्यात्मक उपयोग नियमिततः मिला दिए जाते हैं, और कम से कम एक संश्लेषण तर्क देता है कि बिना बाधित नियंत्रण या हानि के बार-बार सौंपना को निर्भरता नहीं कहा जाना चाहिए। अंत में, स्व-रिपोर्ट विश्वास, संज्ञान की आवश्यकता और जाँच-व्यवहार के सामान्य सीमाएँ रखते हैं, और कक्षा के अधिकांश साक्ष्य उच्च शिक्षा और माध्यमिक में, प्रारंभिक विद्यालय के बजाय।

संबंधित अवधारणाएँ

• संज्ञानात्मक ऑफलोडिंग
• AI का दुरुपयोग और सीखने की हानि
• आलोचनात्मक सोच
• शिक्षार्थी सक्रियता
• मेटाकॉग्निशन
• स्व-नियंत्रित अधिगम
• AI साक्षरता
• विश्वास कैलिब्रेशन
• मानव-लूप-में
• AI चापलूसी
• AI के दुरुपयोग में कमी
• शिक्षा में कृत्रिम बुद्धिमत्ता में सिद्धांत विकास
• जनरेटिव-AI

संबंधित लेख

• Thinking—Fast, Slow, and Artificial: How AI Is Reshaping Human Reasoning and the Rise of Cognitive Surrender — त्रि-तंत्र सिद्धांत और समर्पण का प्रयोगात्मक हस्ताक्षर
• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build — ALEKS में जनसंख्या-स्तरीय विस्थापन
• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — PreK-12 में समर्पण/ऑफलोडिंग/एजेंसी ढाँचा
• Epistemic Dependence in AI-Mediated Learning — साधनात्मक बनाम निर्णय-युक्त सहायता
• AI Advice Suppresses People's Willingness to Say "I Don't Know", Even When the Advice Is Wrong and Accuracy Is Incentivized — "मुझे नहीं पता" का ढहना
• Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task — तंत्रिका जुड़ाव और स्वामित्व
• Thoughtless Use of Generative Artificial Intelligence and College Students' Self-Directed Learning: A Multi-Group SEM Analysis of Gender Differences — विचारहीन उपयोग और स्व-निर्देशित सीखना
• Same tool, different work: patterns of generative AI use and academic outcomes — कम-जाँच अपनाना बनाम मूल्यांकनात्मक एकीकरण
• After the Assistant Leaves: Cognitive Washout Dynamics and the Reversibility of AI-Induced Skill Decay — वापसी के बाद क्या होता है
• Modeling AI Overreliance as a Complex Adaptive System — एक जटिल अनुकूली तंत्र के रूप में निर्भरता
• The Effortless Trap: Productive Struggle, AI, and the Illusion of Learning — AI को ऐसे रखना कि कार्य प्रयासपूर्ण रहे
• Metacognitive Training Facilitates Optimal Cognitive Offloading — अंशांकन प्रशिक्षण
• Family-school autonomy support for children's responsible use of generative artificial intelligence — निर्भर बनाम स्वायत्त ऑफलोडिंग