अध्येताओं के वर्गों में असमान प्रभाव

इस पृष्ठ पर

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

अध्येताओं के वर्गों में असमान प्रभाव — एआई में शिक्षा के शोध में यह मिलता है कि एआई के उपयोग और उसके प्रभाव विभिन्न प्रकार के अध्येताओं में कैसे भिन्न होते हैं: विकलांग छात्र और न्यूरोडिवर्जेंट छात्र, द्वितीय-भाषा और बहुभाषी अध्येता, लड़कियाँ और लड़के, अल्पसंख्यक छात्र, निम्न-आय वर्ग के छात्र, ग्रामीण छात्र, प्रथम-पीढ़ी के छात्र, अंतरराष्ट्रीय छात्र, और वयस्क अध्येता। यहाँ से ले जाने योग्य पैटर्न एक साथ दो दिशाओं में असमान है: कुछ क्षेत्रों में वास्तविक प्रमाण हैं (विकलांगता, भाषा) जबकि अन्य लगभग खाली हैं (प्रथम-पीढ़ी, अंतरराष्ट्रीय, शरणार्थी), और यहाँ तक कि मज़बूत क्षेत्रों में भी यह सिद्ध करना दुर्लभ है कि कोई समूह भिन्न है — वे यह सिद्ध करते हैं कि उस समूह के किसी नमूने पर एक उपकरण ने मदद की या नुकसान पहुँचाया, जो एक भिन्न दावा है। यह पृष्ट मानचित्र बनाता है कि क्या मौजूद है, वह क्या दिखाता है, और किसी समूह-औसत को किसी अध्येता के बारे में पूर्वानुमान न मानने की विधिगत कारणें क्या हैं।

प्रश्न जिन पर विचार करना चाहिए

आपका उपकरण ज्यादातर आपकी कक्षा के छात्रों के लिए काम करता है, और पाँच छात्रों के एक उपसमूह को कठिनाई हुई। क्या इस आकार का उपसमूह अंतर इस प्रकार के किसी अध्ययन में पता लगाने योग्य होगा ही — और क्या आप उस प्रमाण के आधार पर पूरी कक्षा के लिए उपकरण बदलना चाहेंगे?
विकलांग छात्रों पर शोध बताते हैं कि प्रभाव विकलांगता की श्रेणी के अनुसार भिन्न होते हैं। यदि एक ही मेटा-विश्लेषण में दो श्रेणियाँ बहुत भिन्न प्रभाव-आकारों पर हों, तो किसी डिज़ाइन निर्णय में "विकलांगता" को एक समूह मानने के बारे में यह क्या कहता है?
कई अध्ययन पाते हैं कि एआई उपकरणों के प्रभाव लिंग के अनुसार भिन्न नहीं होते, और अन्य कार्य दिखाते हैं कि एआई प्रतिपुष्टि और एआई-सहायित लेखन तब लिंग रूढ़िवादिता को पैदा करते हैं जब व्यक्तित्व-चित्र या प्रॉम्प्ट में वह होती है। दोनों बातें एक साथ कैसे सच हो सकती हैं?
अधिकांश निष्पक्षता कार्य वास्तविक अध्येताओं के बजाय सिमुलेटेड छात्र व्यक्तित्व-चित्रों का परीक्षण करते हैं, क्योंकि अधिकांश परिनियोजनों में अनुमान के समय मॉडल को वास्तविक जनसांख्यिकीय गुण उपलब्ध नहीं होते। एक प्रतिवादी व्यक्तित्व-चित्र ऑडिट क्या स्थापित कर सकता है, और क्या नहीं?
इस पृष्ट के क्षेत्रों की समीक्षा करते हुए, कौन-से अध्येता वर्ग वास्तव में आपके उपकरण के प्रमाणीकरण के पीछे के अध्ययनों में प्रतिनिधित्व हैं — और किसी अनुपस्थित समूह के बारे में आप क्या करेंगे?
जो हस्तक्षेप सभी के परिणाम बढ़ाता है लेकिन एक अंतर को बंद करता है (सबसे पीछे रहने वाले छात्रों को सबसे अधिक मदद करता है), उसकी समानता की कहानी उससे भिन्न है जो केवल औसत बढ़ाता है। जब आप किसी पायलटट का मूल्यांकन करते हैं, तो क्या आप अंतर नापते हैं या माध्य?

भूमिका

"क्या एआई इस प्रकार के छात्र के लिए काम करता है?" के भीतर दो प्रश्न छिपे हैं। पहला प्रभावों के बारे में है: क्या कोई उपकरण विभिन्न समूहों के लिए भिन्न परिणाम उत्पन्न करता है। दूसरा उपयोग के बारे में है: क्या विभिन्न समूह एक ही उपकरण को भिन्न रूप से अपनाते, उस तक पहुँचते, या उसके साथ बातचीत करते हैं, जो परिणामों को आकार दे सकता है बिना किसी असमान प्रभाव के भी। यह पृष्ट दोनों को समूह-दर-समूह कवर करता है, और साफ-साफ बताता है कि साहित्य कहाँ रुकता है।

यह जान-बूझकर अपने पड़ोसियों की नकल नहीं है। एआई में शिक्षा में समानता मानदंड और संरचनात्मक ढाँचा रखती है — पहुँच, प्रतिनिधित्व, और परिणाम की समानता, और यह तर्क कि एआई में शिक्षा को क्या करना चाहिए। समावेशी शिक्षा डिज़ाइन ढाँचा रखती है, जिसमें सार्वभौमिक डिज़ाइन फ़ॉर लर्निंग शामिल है। डिजिटल विभाजन पहुँच और कौशल की परतों को कवर करता है। न्यूरोडायवर्सिटी, विशेष शिक्षा, सुगम्यता, और बहुभाषी शिक्षा एकल समूहों पर गहराई से जाते हैं। इस पृष्ट के लिए जो बचता है वह है अंतर-समूह प्रमाण मानचित्र और मूल्यांकन प्रश्न: ये प्रभाव कैसे अनुमानित किए जाते हैं, किन समूहों का अध्ययन किया जाता है ही, और कोई समूह-स्तरीय निष्कर्ष आपको क्या करने का अधिकार देता है।

समूह अंतर कैसे रिपोर्ट किए जाते हैं, और उनमें से अधिकांश क्यों नहीं हो सकते

एकल-समूह अध्ययन असमान-प्रभाव अध्ययन नहीं है। इस क्षेत्र के अधिकांश साहित्य में किसी तुलना समूह के बिना एक समूह को मापा जाता है। Zhang et al. (2024) ने विकलांग छात्रों के लिए एआई के 29 (अर्ध-)प्रायोगिक अध्यायों को एकत्र किया और एक मध्यम सकारात्मक प्रभाव पाया (Hedges' g = 0.588, 95% CI [0.349, 0.826]) — बिना किसी न्यूरोटिपिकल तुलनाकर्ता के। यह बताता है कि एक हस्तक्षेप ने मदद की, न कि यह कि इसने इस समूह की सहायता भिन्न रूप से की।

उपसमूह विश्लेषण आमतौर पर प्रश्न का उत्तर देने के लिए बहुत छोटे होते हैं। GCSE विज्ञान माइक्रो-RCT असाधारण रूप से स्पष्ट है: इसका उपचार-दरा-स्थिति अन्योन्यक्रिया 0.57 अंक (95% CI −2.25 से 3.39) थी, एक समूह के लिए स्तरीकृत अनुमान g = 0.28 (95% CI −0.04 से 0.59) और दूसरे के लिए g = 0.35 (95% CI 0.18 से 0.52)। शून्य को पार करता उपसमूह अंतराल एक स्थानीय पायलटट के लिए प्रश्न है, कक्षा-व्यापी नियम का आधार नहीं।

जनसांख्यिकीय गुण आमतौर पर सिमुलेट किए जाते हैं। वास्तविक अध्येता जनसांख्यिकी दुर्लभत: मॉडल इनपुट से जुड़ी होती है, इसलिए ऑडिट इसके बजाय व्यक्तित्व-चित्र देते हैं। Rooein, Benedetto और Hovy (2026) ने तीन शैक्षणिक कार्यों पर मॉडल-डिफ़ॉल्ट, स्पष्ट-व्यक्तित्व, और अस्पष्ट-इतिहास परिस्थितियों में छह निर्देश-ट्यून किए मॉडल चलाए — 192,480 अनुमान कॉल — और पाया कि स्पष्ट व्यक्तित्व-चित्र और अस्पष्ट बातचीत के इतिहास दोनों मॉडल व्यवहार को चलाते हैं। उनका अंतर संरक्षण योग्य है: अध्येता अंतरों की जागरूक वांछनीय हो सकती है (किसी अध्येता की पहली भाषा के लिए प्रतिपुष्टि ढालना), जबकि वही संवेदनशीलता तब हानि है जब वह समान कार्य के निर्णय को बदल दे।

निष्पक्षता सुधार सामान्यीकृत नहीं हो सकते। Fragkiadakis et al. (2026) ने प्रमाणीकरण डेटा पर छात्र-ध्यान अनुमान में लिंग- और आयु-लक्षित त्रुटि अंतर को कम किया, लेकिन लाभ होल्ड-आउट विषयों या दोहराए गए विषय-स्तरीय विभाजनों पर निरंतर हस्तांतरित नहीं हुए।

समूह लेबल उनके भीतर के भिन्नता को छिपाते हैं। उसी विकलांगता मेटा-विश्लेषण में, विशिष्ट शिक्षा अक्षमता, बौद्धिक और विकासात्मक अक्षमता वाले, या बधिर छात्रों ने बड़ा प्रभाव दिखाया (g = 0.952) जबकि ऑटिज़्म स्पेक्ट्रम डिसऑर्डर वाले छात्रों में (g = 0.368) — यह अंतर जिसे लेखक 41 स्वतंत्र नमूनों की 239 प्रभाव-आकारों में सांख्यिकीय रूप से महत्वपूर्ण नहीं बताते। "विकलांगता" एक समूह नहीं है, और न "L2 अध्येता" है।

विकलांगता और न्यूरोडिवर्जेंस

यह ज्ञान आधार में सबसे गहरा क्षेत्र है, और यह वह जगह है जहाँ रिपोर्टिंग सबसे मज़बूत है।

प्रभाव वास्तविक हैं लेकिन परिणाम के अनुसार असमान रूप से वितरित। Zhang et al. (2024) में, शैक्षणिक प्रदर्शन ने सबसे बड़ा प्रभाव दिखाया (k = 80, g = 0.929), जो दैनिक-जीवन और अन्य कौशल (g = 0.766) और सामाजिक-भावनात्मक कौशल (k = 144, g = 0.382) से आगे था। प्रकाशन पक्षपात मौजूद था (Egger का परीक्षण β = 2.837, p < .001); ट्रिम-एंड-फिल ने एकत्रित अनुमान को g = 0.2694 तक घटाया, जो सांख्यिकीय रूप से महत्वपूर्ण बना रहा। मुख्य प्रभाव और पक्षपात-समायोजित प्रभाव दोनों को एक साथ पढ़ें।
यह क्षेत्र जनरेटिव एआई के इर्द-गिर्द पुनर्गठित हुआ है। न्यूरोडिवर्जेंट छात्रों के लिए डिजिटल सहायक प्रौद्योगिकियों का स्कोपिंग समीक्षा ने 40 अनुभवजन्य अध्यायों को शामिल करने के लिए 766 अभिलेखों का स्क्रीनिंग किया, जिनमें से 15 ने जनरेटिव एआई और 11 ने इमर्सिव प्रारूपों का उपयोग किया। यह क्षेत्र छोटा और हाल का है, परिपक्व नहीं।
कुछ एआई सहायताएँ अंतर करने के बजाय समान बनाती हैं। Pimenova, Begel और सहयोगियों ने एक भीतर-प्रतिभागी अध्ययन में शिक्षण वीडियो को निश्चित विराम के साथ एकल-निर्देश खंडों में विभाजित किया (17 ADHD, 10 गैर-ADHD); सभी में सुधार हुआ, और ADHD प्रतिभागियों की त्रुटियाँ और ठिहराव उनके गैर-ADHD साथियों के बराबर स्तर पर आ गए। स्वचालित सामग्री रूपांतरण के माध्यम से सार्वभौमिक डिज़ाइन फ़ॉर लर्निंग के लिए यह उपलब्ध सबसे मज़बूत प्रमाण का रूप है: एक सामान्य परिवर्तन जो अंतर को बंद करता है, न कि समूह-लक्षित सुधार।
जो न्यूरोडिवर्जेंट छात्र बताते हैं कि उन्हें क्या चाहिए, वह अक्सर साधारण होता है। 24 न्यूरोडिवर्जेंट कंप्यूटिंग छात्रों और 20 न्यूरोटिपिकल साथियों का एक सर्वेक्षण, चार साक्षात्कारों के साथ, ने उन असाइनमेंटों में महत्वपूर्ण असुविधा पाई जिनमें स्पष्ट संरचना नहीं होती या जिनमें अस्पष्ट अपेक्षाएँ होती हैं — एक सुविधा जो देने में कुछ भी खर्च नहीं होता।
डिज़ाइन विकल्प ज्ञानमीमांसा की दृष्टि से भी बहिष्कृत कर सकते हैं। Tali-Otmani (2026) तर्क देते हैं कि अंग्रेज़ी-केंद्रित, पश्चिमी-केंद्रित प्रशिक्षण डेटा गैर-प्रमुख तरीकों को ज्ञान के अर्थ में हाशिए पर डालता है, और उस आलोचना के केंद्र में विकलांग अध्येताओं की स्थिति को रखता है।

भाषा: द्वितीय-भाषा, बहुभाषी, और अंग्रेज़ी अध्येता

लेख-संख्या के अनुसार यह सबसे बड़ा क्षेत्र है, और यह साफ-साफ उपकरण प्रभावों और उपकरण हानियों में बँटता है।

उपकरण प्रभाव आशाजनक और शोरयुक्त हैं। Wang, Zhang और Zou (2026) ने रोबोट-सहायित भाषा शिक्षा के 11 अध्यायों (17 प्रभाव-आकार, N = 595) का मेटा-विश्लेषण किया और एक सकारात्मक समग्र प्रभाव पाया (g = 0.83, 95% CI [0.46, 1.21]) जिसमें उच्च विषमता थी (I² = 84.4%); छह परीक्षित मध्यस्थों में से केवल रोबोट-अध्येता अन्योन्यक्रिया प्रकार महत्वपूर्ण था। इस आकार का प्रमाण आधार एक अस्थायी बेंचमार्क का समर्थन करता है, खरीद निर्णय का नहीं।
किसी भी उपकरण के उपयोग से पहले बुनियादी ढाँचा ही असमान है। Roy और Roy (2026) बांला को मामले के रूप में संग्रह अंतर को दस्तावेज़ करते हैं: अंग्रेज़ी के लगभग 49.5% के मुकाबले वैश्विक वेब सामग्री के 0.5% से भी कम, जबकि बांला बोलने वाले विश्व जनसंख्या के लगभग 4% हैं।
पढ़ाने की भाषा 294 उच्च-शिक्षा छात्रों में परिणाम बदलती है। वही समीक्षा बताती है कि विदेशी-भाषा सामग्री ने मातृभाषा शिक्षण से कम परिणाम दिए, और द्विभाषी प्रोग्रामिंग शिक्षण ने केवल-अंग्रेज़ी शिक्षण से बेहतर प्रदर्शन किया।
डिटेक्टर द्वितीय-भाषा लेखकों को दंडित करते हैं। Hadra, Cambridge और Mesbah (2026) ने 192 पाठों पर Turnitin और Originality का परीक्षण किया: एक डिटेक्टर ने 48 में से 48 व्यावसायिक रूप से लिखे गए पाठों को सही वर्गीकृत किया लेकिन 48 में से 48 EFL छात्र पाठों में से चार को गलत वर्गीकृत किया (91.6%)। असमानता ही मूल बिंदु है — त्रुटि उसी समूह पर पड़ती है जिसकी लेखन पहले से जाँची जा रही है।

लिंग

यहाँ लिंग शोध इस बात में बँटता है कि उपकरण अध्येताओं के साथ भिन्न व्यवहार करते हैं या नहीं, और क्या अध्येता रूढ़िवादिता-युक्त उपकरणों के संपर्क में आते हैं।

एक जान-बूझकर लिंग-तटस्थ डिज़ाइन ने कोई लिंग अंतर नहीं दिखाया। 195 नौवीं कक्षा के छात्रों का एक अर्ध-प्रायोगिक अध्ययन ने ADA का परीक्षण किया, एक स्त्री-संकेतित चैटबॉट जो Ada Lovelace में निहित है: स्थितिजन्य रुचि दोनों लिंगों में बढ़ी, भावनात्मक प्रतिक्रिया, संज्ञानात्मक भार, या शैक्षणिक प्रदर्शन में कोई लिंग अंतर नहीं। एक आदर्श-मानक व्यक्तित्व-चित्र को रूढ़िवादिता के खतरे को उत्तेजित किए बिना बनाया जा सकता है।
लेकिन प्रॉम्प्ट सामग्री पूर्वाग्रह को छात्र कार्य में हस्तांतरित करती है। 123 प्रतिभागियों के साथ एक नियंत्रित अध्ययन ने छात्रों से केवल लिंग में भिन्न युग्म प्रोफ़ाइलों के लिए करियर-योजना निबंध लिखवाए, बिना-एआई, तटस्थ-एआई, और लिंग-पक्षपात-एआई परिस्थितियों में; पक्षपातपूर्ण परिस्थिति ने लिंग-भेदभावपूर्ण भाषा को छात्र लेखन में हस्तांतरित किया और स्त्री शिक्षार्थी सक्रियता को असमान रूप से दबाया। शोधकर्ताओं ने पहले प्रभाव की पुष्टि 1,600 उत्पन्न निबंधों पर की।
स्थान और ढाँचा उपकरण जितना महत्वपूर्ण हैं। एक सभी-लड़कियों जनरेटिव एआई मेकरस्पेस केस अध्ययन ने पाया कि लड़कियों ने एकल-लिंग वातावरण को अधिक सुरक्षित और शांत माना, और "girlification" — सतही अनुकूलन जो शक्ति संबंधों को अनछुआ छोड़ता है — के विरुद्ध चेतावनी दी।
मॉडल संवेदनशीलता एक मॉडल गुण है, स्थिरांक नहीं। EduFair-Bench में, 7B से 70B तक पाँच ट्यूटरों का नौ जनसांख्यिकीय स्तरों पर ऑडिट किया गया: Qwen2.5-7B ने 12 में से 7 क्षेत्र-दर-आयाम कक्षों में |r| ≥ 0.10 पक्षपात सीमा को पार किया, जबकि LLaMA-3.1-8B ने एक बार। शिक्षाशास्त्र-विशिष्ट प्रशिक्षण ने कुछ पक्षपात कम किए और कुछ बढ़ाए।
एक-अक्षीय सुधार किसी समूह को और बदतर छोड़ सकता है: लिंग-विविध छात्रों को एक “Unknown Gender” श्रेणी में समेकित किया गया तो उनके सही-सकारात्मक दर हर निष्पक्षता विधि के अंतर्गत सबसे कम थीं, और किसी एकल-अक्षीय विधि ने उनके उपचार में सुधार नहीं किया — ऊपर बताई गई समूह-लेबल भिन्नता, एक भविष्यवाणी आधारित प्रारंभिक-चेतावनी मॉडल के भीतर बजाय किसी ट्यूटर के (McConvey et al. (2026)).

नस्ल, मूलवंश, और अल्पसंख्यक छात्र

यह क्षेत्र लेख-संख्या में छोटा और क्रियाविधि में मज़बूत है, क्योंकि प्रमाण इस बारे में है कि एआई किसी जनसांख्यिकीय गुण को पा लेने के बाद उसके साथ क्या करता है।

वैयक्तिकरण एक पक्षपात सदिश है। Marked Pedagogies दिखाता है कि बड़े भाषा मॉडल (LLMs) लेखन-प्रतिपुष्टि उपकरण तब रूढ़िवादिता-संरेखित प्रशंसा और रोकी गई आलोचना की ओर बढ़ते हैं जब प्रतिपुष्टि किसी छात्र की नस्ल, भाषा, विकलांगता, उपलब्धि, या प्रेरणा के साथ वैयक्तिकृत की जाती है — समान निबंधों पर भी।
जनसांख्यिकीय संकेत अस्पष्ट हो सकता है। ऊपर का प्रतिवादी ऑडिट पाया कि केवल स्पष्ट व्यक्तित्व-चित्र ही नहीं, बातचीत के इतिहास ने भी स्कोरिंग और प्रतिपुष्टि व्यवहार को चलाया — वही 192,480 अनुमान कॉल का नतीजा, और यह कारण कि घोषित जनसांख्यिकी के बारे में प्रकटीकरण नियम अपर्याप्त है।
प्रवास और भाषा के अंतर प्रभावी हो सकते हैं। EduFair-Bench में, 70B मॉडल ने सबसे बड़े भाषा और प्रवास अंतरों को सबसे छोटे शिक्षाशास्त्र अंतरों के साथ जोड़ा, इसलिए एक ट्यूटर जो शिक्षाशास्त्र की दृष्टि से मज़बूत दिखता है वही सबसे अधिक संवेदनशील हो सकता है इस बात के प्रति कि छात्र कौन प्रतीत होता है।
ज्ञानमीमांसा का बहिष्कार, केवल त्रुटि नहीं: ऊपर अल्पसंख्यक ज्ञानों का हाशियाकरण देखें।

सामाजिक-आर्थिक स्थिति, भूगोल, और आयु

डिजिटल साक्षरता, एआई उपयोग नहीं, मध्यस्थ है। Wang और सहयोगी (2026) ने नीदरलैंड्स के 4,497 छठी कक्षा के छात्रों के सर्वेक्षण और राष्ट्रीय रजिस्ट्री डेटा को मॉडल किया और पाया कि व्यक्तित्व गुणों और शैक्षणिक प्रदर्शन के बीच संबंध एआई उपयोग की तीव्रता के बजाय डिजिटल साक्षरता से होकर गुज़रा था, जिसमें डिजिटल साक्षरता के अंतर सामाजिक-आर्थिक स्थिति से अधिक व्यक्तित्व से प्रेरित थे — और सामाजिक-आर्थिक स्थिति के लाभ एआई सहभागिता से स्वतंत्र रूप से काम करते थे। शास्त्रीय केवल-सामाजिक-आर्थिक ढाँचा अपूर्ण है।
भूगोल बाधित करने वाली बाधा हो सकता है। ARC का विवरण K-12 रोबोटिक्स और एआई शिक्षा के बारे में बताता है कि ग्रामीण FIRST LEGO League की भागीदारी 2020 के दूरस्थ सत्र में गिरी और कभी वापस नहीं आई जबकि नगरीय भागीदारी क्रमिक रूप से लौट आई, और स्थायी स्थानीय तकनीकी मेंटरशिप — किट या पाठ्यक्रम नहीं — को उस बाधा के रूप में पहचानता है जो भौगोलिक रूप से वितरित है।
वयस्क अध्येता एक अलग डिज़ाइन मामला हैं, जिन्हें Adult Learning और ज्ञान आधार के एंड्रागॉजी कार्य द्वारा कवर किया गया है, K-12 अध्ययनों द्वारा नहीं।
पहुँच अब भी बाकी सब कुछ को नियंत्रित करती है: Digital Divide और वह निष्कर्ष देखें कि एआई ट्यूटरिंग तक पहुँच पर्याप्त नहीं है शिक्षाशास्त्र के एकीकरण के बिना।

अनुशासनात्मक पृष्ठभूमि

अनुशासनात्मक पृष्ठभूमि एक असमान अक्ष है जिसे इस पृष्ट का समूह-दर-समूह मानचित्र अभी तक नहीं उठा सका: एक ही उपकरण अपना लाभ छात्र जनसांख्यिकी के बजाय क्षेत्रों में असमान रूप से बाँट सकता है।

एक उपकरण एक अनुशासन में संलग्न कर सकता है और दूसरे को विलग। मिश्र-अनुशासन दलों के 130 स्नातक छात्रों के साथ एक दो-सप्ताह के अर्ध-प्रायोग में, ChatGPT ने STEM छात्रों के लिए शारीरिक संलग्नता बढ़ाई और गैर-STEM छात्रों के लिए घटाई (Q = 9.87, p < .05), और ChatGPT के बिना लिखे गए नोट्स अनुशासनात्मक विचारों की विविधता और एकीकरण में उच्च स्कोर प्राप्त किए (Zhu et al. (2026)).

प्रमाण कहाँ गायब है

इस सर्वेक्षण की ईमानदार खोज यह है कि कुछ समूह कितने पतले हैं। इनमें से प्रत्येक प्रमाण आधार में एक वास्तविक अंतर है, इस पृष्ट में नहीं।

प्रथम-पीढ़ी के छात्र: एक अध्ययन प्रभाव के बजाय एक उपयोग अंतर रिपोर्ट करता है। एक CS2 जाँच अध्ययन में, जारी-पीढ़ी के छात्रों ने एआई को एक सक्रिय समस्या समाधान साझेदार माना, जबकि प्रथम-पीढ़ी के छात्रों ने पुष्टिकारक, मान्यता-उन्मुख भूमिका निभाई और कुल मिलाकर कम प्रश्न पूछे।
प्रथम-पीढ़ी के छात्र: पहला प्रभाव अनुमान, और वह गलत दिशा में चलता है। Liu et al. (2026) का एक यादृच्छिक प्रयोग पाठ्यक्रम-एकीकृत एआई ट्यूटर का वह देता है जो ऊपर की प्रविष्टि में नहीं है — एक मापा गया अंतर न कि उपयोग पैटर्न। पूरे नमूने में ट्यूटर तक पहुँच का अंतिम अंकों पर प्रभाव प्रथम-पीढ़ी के छात्रों के लिए 2.87 अंक (0.28 SDs) अधिक नकारात्मक था, जो उनके लिए −2.23 अंक (−0.22 SDs) के मुकाबले −5.10 अंक (−0.50 SDs) का अर्थ है; अंतर सटीक-मिलान नमूने में बड़ा था (−3.89 अंक, −0.35 SDs), और प्रथम-पीढ़ी के छात्रों ने गृहकार्य अंक और प्लेटफ़ॉर्म पृष्ठ दृश्य भी अधिक खोए। अध्ययन कोई क्रियाविधि नहीं बताता और इसकी परिशुद्धता परिणाम के अनुसार भिन्न होती है, लेकिन दिशा अंतर-संकुचन कहानी के विपरीत है: शैक्षणिक सहायता तक सबसे कम पूर्व पहुँच वाले छात्रों ने सबसे बड़ा मापा गया खर्च वहन किया।
अंतरराष्ट्रीय छात्र: एक मिश्र-विधि अध्ययन (सर्वेक्षण n = 60, साक्षात्कार n = 14) सांस्कृतिक-अनुकूलन सहायता पर।
अंतरराष्ट्रीय छात्र: एक मापा गया संलग्नता पैटर्न, प्रभाव अनुमान नहीं। सात यूके व्यवसाय विद्यालयों के 270 अल्पसंख्यक मूलवंशीय अंतरराष्ट्रीय छात्रों में, रिपोर्ट की गई जनरेटिव-AI की खपत सभी चार संलग्नता रेशों के साथ सकारात्मक रूप से संबद्ध थी — सबसे अधिक एजेंटिक संलग्नता (β = 0.429) के साथ — और सुगम स्थितियाँ (β = 0.369) उपयोग के इरादे का सबसे मज़बूत पूर्वानुमानक थीं (Adekoya et al. (2026)).
प्रतिभाशाली और उच्च-उपलब्धि वाले छात्र: इस संग्रह में एक समूह के रूप में लगभग अध्ययन नहीं किए गए।
शरणार्थी, प्रवासी, और विस्थापित अध्येता: कोई अध्ययन नहीं।
लिंग का विश्लेषण अब भी द्विआधारी के रूप में ऊपर के अधिकांश कार्य में किया जाता है, और विकलांगता की श्रेणियाँ अध्ययनों में भिन्न होती हैं, इसलिए "उसी" समूह के अंतर-अध्ययन तुलना की सीमाएँ हैं।

इस प्रमाण का उपयोग किसी समूह लेबल को अति-अनुकूलित किए बिना

समूह माध्य को किसी जनसंख्या के बारे में परिकल्पनाएँ मानें, कभी किसी व्यक्ति के बारे में पूर्वानुमान नहीं। ऊपर का हर असमान दावा एक वितरणीय कथन है।
किसी उपकरण के दावे की समावेशिता पर विश्वास करने से पहले पूछें कि आपके अध्येता प्रमाणीकरण नमूने में थे ही या नहीं; न्यूरोडिवर्जेंस और भाषा क्षेत्र दोनों दिखाते हैं कि विकास में प्रतिनिधित्व अपवाद है।
जहाँ प्रमाण अनुमति दे, समान बनाने वाले डिज़ाइनों को प्राथमिकता दें। ADHD वीडियो-खंडन का नतीजा — सभी में सुधार, अंतर बंद — एक सामान्य कक्षा के लिए समूह-लक्षित अतिरिक्त से बेहतर उपयुक्त लक्ष्य है।
जनसांख्यिकीय गुणों को उपभोग करने वाले वैयक्तिकरण के साथ सावधान रहें। चिह्नित शिक्षाशास्त्र का निष्कर्ष सीधे उसी क्रियाविधि के बारे में है, और वह कल्याण जाँच-पड़ताल, भावुक ट्यूटर, और अध्येताओं की रूपरेखा बनाने वाले अनुशंसा प्रणाली पर लागू होता है।
स्थानीय रूप से परीक्षण करें, उस समूह पर जिसकी आपको परवाह है, उस परिणाम से जो उपकरण के बिना मापा गया हो। मूल्यांकन आदतों के लिए एआई में शिक्षा के शोध की व्याख्या और प्रयोग और उन डिज़ाइनों के लिए एआई में शिक्षा के शोध विधियाँ देखें जो किसी स्थानीय परीक्षण को न्यायसंगत बनाते हैं।

मेटाडेटा

अध्ययन डिज़ाइन	Quasi Experiment, Survey
इच्छित पाठक	Instructors, Instructional Designers, Administrators, Researchers, Learners
प्रौद्योगिकियाँ और तकनीकें	व्यक्तिगत शिक्षा
मूल्यांकन और मापन	मूल्यांकन की वैधता
शोध विधियाँ और मूल्यांकन	मेटा-विश्लेषण और व्यवस्थित समीक्षा, मिश्रित-विधियों से संशोधन
समानता, नैतिकता और जिम्मेदार उपयोग	समानता, समावेशी सीखना, डिजिटल विभाजन, सुगम्यता, न्यूरोडायवर्सिटी, बहुभाषी अधिगम, पूर्वाग्रह शमन, सांस्कृतिक रूप से प्रासंगिक शिक्षाशास्त्र
पृष्ठ का प्रकार	Evaluation, Synthesis

Source History Edit Chat