अवधारणाएँ
डिज़ाइन-आधारित शोध
यह अंग्रेज़ी पेज का ऑटोमैटिक अनुवाद है और इसकी अभी तक किसी मूल भाषी ने समीक्षा नहीं की है।
डिज़ाइन-आधारित शोध (DBR) — एक शोध-पद्धतिपरक दृष्टिकोण जो वास्तविक संदर्भों में शैक्षणिक हस्तक्षेप को पुनरावृत्त रूप से डिज़ाइन, क्रियान्वित और परिष्कृत करता है; सिद्धांत, डिज़ाइन और वास्तविक अभ्यास के चक्र के माध्यम से चलकर यह उपयोगी कलात्मक उत्पाद (artifact) और मान्य डिज़ाइन सिद्धांत दोनों का उत्पादन करता है। AI शिक्षा में DBR वह पद्धति है जिसे AI अधिगम वातावरण, शिक्षाशास्त्र मॉडल, और शिक्षक-प्रशिक्षण कार्यक्रमों के विकास के लिए चुना जाता है — जिन्हें कक्षाओं की अव्यवस्थित वास्तविकता में काम करना है; यह प्रयोगों के कारणात्मक नियंत्रण की अपेक्षा पारिस्थितिक प्रामाणिकता और पुनरावृत्त परिष्कार को प्राथमिकता देती है।
विचार करने योग्य प्रश्न
- डिज़ाइन-आधारित शोध वास्तविक कक्षाओं में किसी हस्तक्षेप को पुनरावृत्त रूप से डिज़ाइन, क्रियान्वित और परिष्कृत करता है, सिद्धांत और अभ्यास के बीच चक्र चलाता हुआ। यह नियंत्रित प्रयोग से मौलिक रूप से कैसे भिन्न है — और कक्षा शोधकर्ता इसे क्यों पसंद कर सकता है?
- DBR जान-बूझकर कारणात्मक नियंत्रण की अपेक्षा पारिस्थितिक प्रामाणिकता को चुनता है। यदि आप निश्चित रूप से नहीं कह सकते कि अधिगम लाभ का कारण क्या था, तो यह ज्ञान फिर भी किस लायक है?
- DBR एक साथ दो चीज़ें उत्पन्न करता है: एक उपयोगी कलात्मक उत्पाद और मान्य डिज़ाइन सिद्धांत। इन दोनों परिणामों में से कौन आपके लिए अधिक महत्वपूर्ण है — एक ऐसा उपकरण जो काम करता हो, या एक ऐसा सिद्धांत जिसे आप कहीं और लागू कर सकें?
- DBR की एक ताकत है उच्च व्यावहारिक प्रासंगिकता; एक सीमा है कि निष्कर्ष संदर्भ-आधारित होते हैं और सामान्यीकरण करना कठिन होता है। आप किसी DBR निष्कर्ष पर कब इतना भरोसा करेंगे कि उसे बहुत भिन्न परिस्थितियों में लागू करें?
- बिना किसी सहायता-रहित, नियंत्रित परिणाम माप के, DBR अधिगम लाभ उसी “AI-से बढ़ी हुई प्रदर्शन” समस्या को दर्शा सकते हैं जिसका यह अध्ययन करता है। आप एक DBR अध्ययन को कैसे डिज़ाइन करेंगे ताकि उसके रिपोर्ट किए गए लाभ वास्तव में अधिगम का अर्थ दें, न कि सहायता-प्राप्त प्रदर्शन का?
परिचय
DBR एक डिज़ाइन परंपरा है, डेटा परंपरा नहीं: यह मात्रात्मक/गुणात्मक/प्रयोगात्मक विरोधाभास में सहजता से फिट नहीं बैठती। यह जान-बूझकर तीनों के तत्वों को मिलाती है — पुनरावृत्त चक्रों में परिणाम और प्रक्रिया दोनों प्रकार के डेटा एकत्र करती है — ताकि "हम यह AI अधिगम वातावरण कैसे डिज़ाइन करें कि यह व्यवहार में काम करे?" का उत्तर दे सके, न कि "क्या X, Y का कारण बनता है?" का। यह सीखने का डिज़ाइन (जो डिज़ाइन प्रक्रिया को निर्दिष्ट करता है) और उपयोगिता मूल्यांकन (जो परिष्कार को पोषित करता है) से निकटता से संबंधित है, लेकिन अपने निरंतर, सिद्धांत-प्रेरित, बहु-चक्री चरित्र और अभ्यास में सुधार और सिद्धांत का निर्माण करने के दोहरे लक्ष्य से विशिष्ट है।
DBR चक्र
DBR एक एकल डिज़ाइन नहीं, एक पुनरावृत्त लूप है, जो आमतौर पर इनसे मिलकर बनता है:
- आवश्यकता विश्लेषण — प्रामाणिक (authentic) परिस्थितियों में समस्या, संदर्भ और अधिगमियों को समझना।
- डिज़ाइन — हस्तक्षेप और उसके अंतर्निहित सैद्धांतिक औचित्य को स्पष्ट रूप से प्रस्तुत करना।
- क्रियान्वयन — हस्तक्षेप को वास्तविक कक्षा या कार्यक्रम में तैनात करना।
- परिष्कार — डेटा का विश्लेषण, डिज़ाइन में संशोधन, और पुनरावृति करना (प्रायः अनेक चक्रों पर)।
- सिद्धांत और कलात्मक उत्पाद निर्गम — उपयोगी हस्तक्षेप और सामान्यीकरणीय डिज़ाइन सिद्धांत या एक मान्य मॉडल दोनों का उत्पादन करना।
AIEd का उदाहरण AI-Assisted Collaborative Learning (AACL) मॉडल अध्ययन है, जिसमें चार-चरणीय DBR चक्र चलाया गया — आवश्यकता विश्लेषण, मॉडल डिज़ाइन, इंडोनेशियाई स्नातक छात्रों के साथ आठ-सप्ताह की कक्षा क्रियान्वयन, और मॉडल परिष्कार — जिसमें एक चार-चरणीय अधिगम चक्र पर पुनरावृति की गई (समस्या पहचान → AI-सहायित सहयोगात्मक अन्वेषण → सहयोगात्मक समस्या समाधान → प्रतिबिंब और प्रस्तुतीकरण)।
ज्ञानकोश में DBR का उपस्थित होना
- अधिगम मॉडल विकसित करना। AACL मॉडल अध्ययन DBR का उपयोग समीक्षात्मक चिंतन और उच्च शिक्षा में समस्या-समाधान को लक्षित करते हुए एक AI-सहायित सहयोगात्मक अधिगम मॉडल को विकसित और मूल्यांकित करने के लिए करता है।
- AI-साक्षरता शिक्षक प्रशिक्षण का निर्माण। Le et al. GenAI-साक्षरता प्रशिक्षण हस्तक्षेप व्यावसायिक विकास छात्रों के लिए प्रशिक्षण हस्तक्षेप विकसित और मूल्यांकित करते हैं; Baran et al. मानव-केंद्रित AI सिद्धांतों पर आधारित समीक्षात्मक AI साक्षरता के लिए व्यावसायिक अधिगम डिज़ाइन करने हेतु 2023–2025 तक DBR का उपयोग करते हैं।
- संस्थागत मानकों का डिज़ाइन। Crompton et al. दो पुनरावृत्त मैक्रो-चक्रों और 114 प्रतिभागियों के साथ DBR का उपयोग छह संकाय प्रौद्योगिकी-एकीकरण मानकों के विकास में करते हैं।
- पुनरावृत्त प्रणाली क्रियान्वयन। Rienties et al. एक एम्बेडेड-सिस्टम दृष्टिकोण का उपयोग करते हुए ओपन यूनिवर्सिटी के AIDA AI सहायक के क्रियान्वयन में छह पुनरावृत्त DBR अध्ययनों (18 महीने, 498 प्रतिभागी) का वर्णन करते हैं।
- मड्गद और हस्तक्षेप डिज़ाइन। GenAI समीक्षात्मक-चिंतन स्कैफोल्डिंग और अन्य हस्तक्षेप-विकास अध्ययन AI-आधारित स्कैफोल्ड्स को डिज़ाइन और परिष्कृत करने के लिए DBR का उपयोग करते हैं।
- युवा- और विशेषज्ञ-निर्देशित पाठ्यक्रम डिज़ाइन। Moore et al. (2026) एक युवा और AI-विशेषज्ञ सलाहकार बोर्ड के साथ दो-वर्षीय DBR प्रक्रिया का उपयोग हाई स्कूल के लिए विज्ञान-एकीकृत AI साक्षरता / ML पाठ्यक्रम डिज़ाइन करने में करते हैं, समूहों में डिज़ाइन को परिष्कृत करते हुए और ML-ज्ञान लाभ को मापते हुए — यह भागीदार सह-डिज़ाइन के रूप में DBR का एक उदाहरण है जो डिज़ाइन चक्र में युवा की आवाज़ को एकीकृत करता है।
- पुनरावृत्त रूब्रिक सह-परिष्कार के रूप में DBR। Yaşar et al. (2026) मूल्यांकन उपकरण स्वयं पर लागू DBR के पुनरावृत्त-परिष्कार चरित्र का उदाहरण प्रस्तुत करते हैं: उन्होंने रूब्रिक को एक पुनर्विचारनीय डिज़ाइन कलात्मक उत्पाद माना और एक LLM के साथ सह-परिष्कार के चक्रों से गुज़रे — प्रदर्शन विवरणकों को स्पष्ट करते हुए और अधिगम के निहित संकेतकों को स्पष्ट रूप से स्वीकारते हुए — जिसने 80 छात्र डिज़ाइन पोस्टरों पर LLM–मानव सहमति को 54.75% से 81.25% तक बढ़ाया (Cronbach's Alpha 0.393 → 0.798)। अध्ययन रूब्रिक को मानव शिक्षाशास्त्रीय इरादे और मशीन अनुमान के बीच एक मध्यस्थ इंटरफ़ेस के रूप में स्थापित करता है, और इसका भूमिका-सचेत प्रॉम्प्टिंग (प्रशिक्षक, सहकर्मी-समीक्षक, अनुदान-समीक्षक) दिखाता है कि डिज़ाइन विकल्प मूल्यांकनात्मक आउटपुट को कैसे आकार देते हैं — यह एक DBR-शैली प्रदर्शन है कि मूल्यांकन उपकरण, केवल हस्तक्षेप ही नहीं, एक डिज़ाइन वस्तु है।
- प्रारंभिक-बचपन की AI साक्षरता का सह-डिज़ाइन। Lee (2026) DBR का उपयोग दो प्री-के और दो किंडरगार्टन शिक्षकों के साथ पुनरावृत्त चक्रों में Play With AI (PL-AI) पाठ्यक्रम को सह-डिज़ाइन, पायलट और परिष्कृत करने के लिए करती हैं, शिक्षक सर्वेक्षणों, 32 घंटे की कक्षा वीडियो, फील्ड नोट्स और डिज़ाइन-बैठक प्रतिलेखों पर निर्भर रहती है। अध्ययन दस्तावेज़ित करता है कि DBR विकास-उपयुक्त AI साक्षरता गतिविधियों के पुनरावृत्त परिष्कार का समर्थन कैसे करता है और हस्तांतरणीय डिज़ाइन सिद्धांत उत्पन्न करता है (व्यक्तिकृत खेल, मूर्त कोडिंग, निर्देशित संवाद, शिक्षक सह-डिज़ाइन)।
- परिष्कार के प्रमाण के रूप में विशेषज्ञ समीक्षा — और एक ईमानदार दायरे का विवरण। Dong et al. (2026) अपने प्रारंभिक चार-धारा रोबोटिक्स पाठ्यक्रम को पाँच विशेषज्ञों को प्रस्तुत करते हैं जो इसे आठ आयामों पर मूल्यांकित करते हैं, फिर उत्तर में संशोधन करते हैं: स्वतंत्र PPO क्रियान्वयन एक विस्तार में चला जाता है और एक Python पूर्वापेक्षा तब जोड़ी जाती है जब पाँच में से चार विशेषज्ञ संज्ञानात्मक भार को चिह्नित करते हैं। प्रसार औसतों जितना ही संशोधनों को प्रेरित करता है — प्रेरक संदर्भ का औसत 4.00 था, SD = 1.73 और एक अकेली 1/5 रेटिंग — और लेखक स्पष्ट रूप से कहते हैं कि संशोधित ढाँचा छात्र डेटा के आने तक अमूल्यांकित रहता है।
- त्रिकोणीकरण, और वह सीमा जिसे यह पार नहीं कर सकता। Kenzhebayeva et al. (2026) एक भूमिका-घुमाव मॉडल को पाँच DBR चरणों — समस्या विश्लेषण, शिक्षाशास्त्रीय डिज़ाइन, क्रियान्वयन, मूल्यांकन, परिष्कार — में आठ सप्ताह और 62 प्रतिभागियों के साथ चलाते हैं, प्रतिबिंबात्मक जर्नल, साक्षात्कार, प्रेक्षण नोट्स और छात्र-निर्मित उत्पादों को सदस्य्य-जाँच (member checking) के साथ त्रिकोणीकृत करते हुए। डिज़ाइन की सीख उस में है जो लेखक इसके लिए दावा करते हैं: बिना किसी पूर्व-पश्चात् क्षमता माप और बिना किसी तुलना समूह के, वे साक्ष्य को प्रदर्शित competence लाभों के बजाय हस्तक्षेप के दौरान की सहभागिता के रूप में प्रस्तुत करते हैं, जो ठीक वही सीमा है जिसे एक बहु-स्रोत DBR डिज़ाइन पार कर सकता है और नहीं भी।
ताकत और सीमाएँ
- ताकतें: उच्च पारिस्थितिक वैधता और व्यावहारिक प्रासंगिकता; उपयोगी कलात्मक उत्पाद और सिद्धांत दोनों का उत्पादन; वास्तविक कक्षाओं और विकसित हो रहे AI उपकरणों की जटिलता के प्रति उत्तरदायी; प्रामाणिक क्रियान्वयन साक्ष्यों के आधार पर मॉडल विकसित करने और परिष्कृत करने के लिए उपयुक्त; यह दर्शाता है कि कोई हस्तक्षेप व्यवहार में वास्तव में कैसे काम करता है (या विफल होता है)।
- सीमाएँ: दुर्बल आंतरिक वैधता (कुछ/कोई नियंत्रण समूह नहीं); निष्कर्ष संदर्भ-आधारित हैं और सामान्यीकरण करना कठिन है; लंबी समयरेखाएँ; यह पहचानना कठिन है कि किस डिज़ाइन तत्व ने किसी परिणाम का कारण बना — DBR व्यवहार्यता और सुधार प्रदर्शित करता है लेकिन अधिगम लाभों को किसी विशिष्ट तंत्र से जोड़ नहीं सकता।
DBR प्रयोगों के कारणात्मक नियंत्रण की अपेक्षा पारिस्थितिक प्रामाणिकता और पुनरावृत्त परिष्कार को चुनता है: इसके साक्ष्य सबसे मज़बूत रूप में प्रमाण-अवधारणा (proof-of-concept) और डिज़ाइन मार्गदर्शन के रूप में हैं, कारणात्मक प्रभावशीलता के बजाय। DBR अधिगम लाभों को पढ़ने के लिए अन्य डिज़ाइनों की तरह ही सावधानी आवश्यक है — बिना सहायता-रहित, नियंत्रित परिणाम माप के, लाभ अधिगम लाभ के अंतर्गत दर्ज उसी AI-से बढ़ी हुई प्रदर्शन के भ्रम को दर्शा सकते हैं।
अन्य पद्धतियों से संबंध
DBR अधिगम विज्ञान की प्रतिष्ठित पद्धति है — वह अंतरविषयक क्षेत्र जो अधिगम और अधिगम वातावरणों के डिज़ाइन का अध्ययन करता है, और जो किसी हस्तक्षेप का निर्माण और उसका अध्ययन दो गतिविधियों के बजाय एक ही गतिविधि मानता है। यह अन्य शोध पद्धतियों के पूरक है, प्रतिद्वंद्वी नहीं (पूर्ण परिदृश्य के लिए AIED में शोध विधियाँ देखें)। जहाँ प्रयोग कारणात्मकता स्थापित करते हैं और सर्वेक्षण व्यापकता स्थापित करते हैं, वहाँ DBR व्यवहार्यता और डिज़ाइन ज्ञान स्थापित करता है — कि कोई हस्तक्षेप प्रामाणिक अभ्यास में काम करने योग्य बनाया जा सकता है या नहीं और कौन-से डिज़ाइन सिद्धांत उसके समर्थन करते हैं। यह प्रायः उपयोगिता मूल्यांकन (इंटरफ़ेस को परिष्कृत करने के लिए) और गुणात्मक पद्धतियों (यह समझने के लिए कि अधिगमी हस्तक्षेप का अनुभव कैसे करते हैं) के साथ जोड़ा जाता है। एक परिपक्व DBR कार्यक्रम आमतौर पर एक प्रभावशीलता परीक्षण या मापन अध्ययन में समाप्त होता है जो विकसित हस्तक्षेप के कारणात्मक प्रभावों को बड़े पैमाने पर जाँचता है।
संबंधित अवधारणाएँ
- AIED में शोध विधियाँ
- यादृच्छिक नियंत्रित परीक्षण (RCT)
- मात्रात्मक अनुसंधान
- गुणात्मक अनुसंधान
- मिश्रित-विधियों से संशोधन
- उपयोग-सुगम्यता शोध
- सीखने का डिज़ाइन
- शैक्षणिक मापन
- अधिगम लाभ
- AIEd अनुसंधान की सीमाएँ
- शिक्षा में कृत्रिम बुद्धिमत्ता में सिद्धांत विकास
- अधिगम विज्ञान
संबंधित लेख
- Design-Based Research for Developing an AI-Assisted Collaborative Learning Model to Enhance Critical Thinking and Problem-Solving Skills in Higher Education — AI-सहायित सहयोगात्मक अधिगम मॉडल के लिए DBR
- Development and evaluation of artificial intelligence literacy training for teacher education students — शिक्षक शिक्षा में AI-साक्षरता प्रशिक्षण के लिए DBR
- Designing faculty standards for technology integration in higher education institutions: a design-based research study — संकाय प्रौद्योगिकी-एकीकरण मानकों के लिए DBR
- Human-centered AI for teacher educators: Designing professional learning for critical AI literacy — शिक्षक-शिक्षकों के लिए मानव-केंद्रित AI (DBR)
- New systems of learning for distance learning institutions? A six-study review of implementing AIDA — ओपन यूनिवर्सिटी में AIDA के क्रियान्वयन करने वाले छह DBR अध्ययन
- Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher — GenAI समीक्षात्मक-चिंतन स्कैफोल्डिंग के लिए DBR
- Design of a Science-Integrated Secondary School AI Literacy Curriculum: A Youth & AI Expert Guided Design-Based Research Approach — विज्ञान-एकीकृत AI साक्षरता पाठ्यक्रम के लिए DBR (Moore et al. 2026)
- Play With AI (PL-AI): A Play-Centered, Design-Based Curriculum for AI Literacy in Pre-K and Kindergarten — Play With AI (PL-AI): प्री-के और किंडरगार्टन के लिए खेल-केंद्रित AI साक्षरता पाठ्यक्रम (Lee 2026)
- From evaluation to emulation: LLMs as agents of iterative pedagogical design — पुनरावृत्त शिक्षाशास्त्रीय डिज़ाइन के एजेंट के रूप में LLMs