शैक्षिक AI नीति

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

शैक्षिक AI नीति — शैक्षणिक संस्थानों में AI के उपयोग को नियंत्रित करने वाले औपचारिक और अनौपचारिक नियम, राष्ट्रीय विधान से लेकर कक्षा-स्तरीय दिशा-निर्देशों तक। ज्ञान आधार में नीति अनुसंधान संस्थागत शासन, पाठ्यक्रम अनिवार्यताओं और शिक्षक तैयारी की आवश्यकताओं तक फैला है।

विचार के लिए प्रश्न

• संस्थागत AI नीतियाँ अक्सर इस प्रकार लिखी जाती हैं जैसे लोगों को नियम बता देना ही उनका व्यवहार बदल देगा। अनुसंधन बताता है कि ये नीतियाँ वास्तविक AI उपयोग से कहीं पीछे रह सकती हैं। आपको क्या लगता है कि 'कागज़ पर' की नीति कक्षाओं में घटित होने वाली बातों से अक्सर मेल खाने में क्यों असफल रहती है?
• यदि होमवर्क को बाहर करवाने (आउटसोर्सिंग) से होने वाली सीख की हानि बड़ी मात्रा में अनदेखी रह जाए — क्योंकि कोई भी एक शिक्षक किसी विद्यार्थी के गिरने को AI उपयोग से नहीं जोड़ता — तो ऐसी कौन-सी नीति संभव भी हो सकती है? निगरानी कैसी दिखेगी?
• मौखिक परीक्षाओं, प्रॉक्टर्ड परीक्षणों और बंद-पुस्तक प्रारूपों जैसे मूल्यांकन नीति निर्णय स्वयं ही AI-सक्षय बेईमानी की प्रतिक्रियाएँ हैं। क्या आपको लगता है कि 'आउटपुट' पर निगरानी रखना (AI उपयोग को पकड़ना) मूल्यांकन को इस प्रकार फिर से डिज़ाइन करने से बेहतर रणनीति है कि स्वयं कार्य को बाहर करवाना कठिन हो जाए?
• शैक्षिक AI नीति राष्ट्रीय विधान, सरकारी मार्गदर्शन, संस्थागत नियमों और कक्षा-स्तरीय विकल्पों तक फैली है। आपको क्या लगता है कि इनमें से कौन-सा स्तर वास्तव में विद्यार्थियों और शिक्षकों के व्यवहार को सबसे अधिक आकार देता है — और क्यों?
• AI नीति को आमतौर पर किन आवाज़ें आकार देती हैं — और कौन-सी अनुपस्थित रहती हैं? जब कोई संस्थान यह तय करती है कि AI का कौन-सा उपयोग अनुमत है और इस पर शासन कैसे होगा, तो मेज़ पर कौन होना चाहिए?

परिचय

नीति के स्तर

• संस्थागत नीति: संस्थागत नीति विश्लेषण यह तुलना करता है कि विश्वविद्यालय AI नीतियाँ कैसे विकसित करते हैं। संस्थागत परिवर्तन ढाँचे नीति विकास के लिए मॉडल उपलब्ध कराते हैं। Qian (2026) ने 2025 में सर्वाधिक नवाचारी माने गए 50 अमेरिकी विश्वविद्यालयों के प्रमुख AI पृष्ठों को कोड किया और पाया कि केवल 6 ने उन्हें "नीति" के रूप में प्रस्तुत किया, जबकि 44 ने मार्गदर्शन, दिशा-निर्देश, सिद्धांत या संसाधन केंद्र प्रकाशित किए, और 50 में से 33 ने शिक्षकों को संस्थागत अपेक्षाओं के पाठ्यक्रम-स्तरीय नियमों में प्रमुख अनुवादक के रूप में स्थापित किया — संस्थागत नीति जानबूझकर पाठ्यक्रम-स्तरीय व्याख्या के लिए अनुकूलनीय मार्गदर्शन के रूप में लिखी जा रही है, न कि नियत नियम के रूप में।
• सरकारी नीति: और आजीवन शिक्षा नीति राष्ट्रीय और क्षेत्रीय स्तर पर नियामक दृष्टिकोणों की जाँच करती हैं। सरकारी नीति-निर्माण में AI की एक आलोचनात्मक, अवसंरचना-स्तरीय दृष्टि Perrotta (2026) है, जिनका यूके रेडबॉक्स सिविल-सर्विस बड़े भाषा मॉडल (LLMs) प्रोटोटाइप का विश्लेषण दिखाता है कि सामान्य-उद्देश्य AI "ज़ीरो-शॉट गवर्नेंस" के माध्यम से नीति के व्यावसायिक औज़ार-संग्रह में कैसे प्रवेश करता है — क्षेत्र-अज्ञेयवादी फाउंडेशन मॉडल निर्णयों में हस्तक्षेप करते हुए, पतले क्षेत्र-विशिष्ट स्कैफोल्ड में लिपटे हुए।
• K-12 नीति: 818 अनुसंधान पत्रों की स्टैनफोर्ड के प्रमाण समीक्षाएँ के-12 AI नीति को सूचित करती हैं।
• मूल्यांकन नीति: मूल्यांकन सुधार नीतियाँ और प्रामाणिक मूल्यांकन ढाँचे AI-सक्षय बेईमानी के नीति-स्तरीय प्रतिक्रियाएँ हैं। संक्षिप्त मूल्यांकन प्रारूप — मौखिक, प्रॉक्टर्ड, बंद-पुस्तक — का चुनाव स्वयं एक मूल्यांकन-नीति निर्णय है (देखें समापक मूल्यांकन)।

नीति परिपक्वता अंतर

ज्ञान आधार दर्ज करता है कि संस्थागत AI नीतियाँ वास्तविक AI उपयोग से पीछे रहती हैं। शैक्षिक विकास कार्यक्रम, शिक्षकों की AI योग्यता ढाँचे और शिक्षा में AI विनियमन — सभी को सुसंगत नीति नींव की आवश्यकता होती है। बड़े पैमाने पर प्राप्त क्षेत्रीय प्रमाण (Strömberg, Lei, & Wu 2026) दिखाता है कि होमवर्क को बाहर करवाने से होने वाली सीख की हानि बड़ी मात्रा में अनदेखी रह जाती है क्योंकि व्यक्तिगत विषय शिक्षक और विद्यार्थी शायद ही कभी उस गिरावट को AI उपयोग से जोड़ते हैं — एक ऐसा अंतराल जिसे प्रमाण-सूचित नीति (जैसे, बंद-पुस्तक मूल्यांकन को अधिक भार देना, विद्यार्थियों को दीर्घकालिक लागतों की सूचना देना, आउटपुट के बजाय निवेशों की निगरानी) संबोधित कर सकती है।

जहाँ सहमति इस अंतराल को भरने के लिए बनी है, Crompton et al. (2026) की 22 देशों में 35 विशेषज्ञों की डेल्फाई अध्ययन आठ शासन क्षेत्रों पर अभिसृत हुई — शैक्षणिक अखंडता को केंद्रीय लंगर के रूप में — साथ ही नीतियों को समकालीन रखने के लिए छह-भागीय समीक्षा तंत्र (स्थायी GenAI समिति, निर्धारित नीति समीक्षाएँ, व्यावसायिक विकास, संप्रेषण, प्रभाव मूल्यांकन, निगरानी)। राष्ट्रीय AI तैयारी संस्थागत नीति की मज़बूती का संकेत नहीं करती। Adarkwah et al. (2026) ने दस उच्च-AIPI देशों के 26 विश्वविद्यालयों को UNESCO के आठ-घटक वाले GenAI ढाँचे के विरुद्ध स्कोर किया और पाया कि उच्च रैंक वाले साथियों की तुलना में नॉर्डिक और न्यूज़ीलैंड संस्थाएँ इसे अधिक पूर्ण रूप से कवर करती हैं, जबकि समावेश, न्याय और स्थिरता सबसे अधिक उपेक्षित तत्व थे।

सलाहकार दस्तावेज़ बाध्यकारी नीति से अधिक संख्या में हैं। एक व्यावसायिक क्षेत्र के प्रत्येक मान्यताप्राप्त कार्यक्रम की एक गणना दिखाती है कि परिपक्वता अंतराल केवल समय का नहीं, रूप का भी है। Eldredge et al. (2026) ने संयुक्त राज्य में सभी 48 CAHIIM-मान्यताप्राप्त स्वास्थ्य सूचना विज्ञान और स्वास्थ्य सूचना प्रबंधन स्नातकोत्तर कार्यक्रमों से AI नीति और मार्गदर्शन दस्तावेज़ एकत्र किए और पाया कि 40 (83%) के पास कम से कम एक सार्वजनिक रूप से उपलब्ध AI-संबंधित दस्तावेज़ था जबकि 8 के पास कोई नहीं था, लेकिन दस्तावेज़ अधिकतर मार्गदर्शन थे न कि प्रवर्तनीय नियम: 21 दिशा-निर्देश (53%) बनाम 7 औपचारिक नीतियाँ (18%)। उनकी सामग्री शैक्षणिक अखंडता और स्वीकार्य उपयोग पर केंद्रित थी, जिसमें निजता, बौद्धिक संपदा और नियामक अवधारणाएँ (HIPAA, FERPA, अनुसंधान अनुपालन) बहुत कम बार उभरीं, और विषय मॉडलिंग ने भी वही विद्यार्थी-आचरण ज़ोर लौटाया। दस्तावेज़ के प्रकार और इच्छित दर्शकों में वितरण विधि के अनुसार कोई भिन्नता नहीं थी (फिशर का सटीक P = .85 और P = .71)। लेखक इसे यह प्रमाण मानते हैं कि शैक्षणिक कार्यक्रम नीति पाठ्यक्रम डिज़ाइन और कार्यबल दक्षता विकास से एक भिन्न गतिविधि है, और तर्क देते हैं कि मान्यता-दान संस्थाएँ इससे उत्पन्न विविधता को AI नीति ढाँचे प्रदान करके कम कर सकती हैं जो शैक्षणिक अखंडता, डेटा नैतिकता और समान पहुँच को एकीकृत करें।

यूके की एक व्यवस्थित समीक्षा उसी अंतराल में एक क्षेत्रीय परत जोड़ती है: अवसंरचना निवेश और कर्मचारियों का AI प्रशिक्षण अनुसंधान-गहन (रसेल ग्रुप) विश्वविद्यालयों में केंद्रित है जबकि शिक्षण-नेतृत्व वाली (पोस्ट-92) संस्थाएँ क्षमता की बाधाओं का सामना करती हैं, और यूके की केवल अल्पसंख्यक संस्थाओं के पास आधिकारिक AI शासन योजनाएँ हैं (Ashiq (2026))।

एक ऐसा क्षेत्र जो प्रमाण आधार के बिना नीति बना रहा है। परिपक्वता अंतराल व्यावसायिक कार्यक्रमों में एक प्रमाण समस्या के रूप में भी दिखता है। Gutowski और Hurley (2025) ने ABA-अनुमोदित अमेरिकी विधि विद्यालयों की संस्थागत नीतियों को पाँच आयामों पर स्कोर किया — निषेधात्मकता, अनुमेयता, शैक्षणिक एकीकरण, पारदर्शिता और जवाबदेही, और गहराई — और पाया कि अधिकांश विद्यालय सामान्यतः निषेधात्मक रुख लेते हुए व्यक्तिगत शिक्षकों के विवेक के लिए जगह रखते हैं और प्रौद्योगिकी के बढ़ने के साथ नियमों की समीक्षा का वचन देते हैं। वे इस सावधानी को प्रमाण नहीं, समय के दबाव से जोड़ते हैं: ABA की 2024 सर्वेक्षण में मान्यताप्राप्त विद्यालयों के केवल लगभग 15% ने प्रतिक्रिया दी, और लेखक बताते हैं कि क्या AI उपयोग का खुलासा अनिवार्य है या इसका उद्धरण कैसे दिया जाए, इस पर कोई सहमति नहीं है। उनका निष्कर्ष प्रक्रियागत है — नीति शिक्षकों के साथ न बनाकर उनके लिए बनाएँ, पूर्व-निवेदित रूप से प्रशिक्षित करें, और नीति निर्माण को एक-बार की घटना के बजाय एक आवर्ती घटना मानें — जिससे विधि शिक्षा इस पृष्ठ द्वारा खींची गई नीति-बनाम-शासन भेद-भाव की सबसे स्पष्ट कहानियों में से एक बनता है।

शिक्षक नियमन करते हैं; संस्थाएँ अधिकतर नहीं। परिपक्वता अंतराल का एक दूसरा रूप शिक्षण की तरफ से दिखता है। Watson और Rainie (2026) ने 1,057 अमेरिकी महाविद्यालय और विश्वविद्यालय के संकाय सदस्यों का सर्वेक्षण किया और पाया कि संस्था से नीचे नियम संस्था पर की तुलना में बहुत तेज़ लिखे गए हैं: 87% उत्तरदाताओं ने विद्यार्थियों के AI उपयोग के लिए अपनी स्वयं की असाइनमेंट-स्तरीय नीतियाँ बनाईं, जबकि 35% ने कहा कि उनके विभाग ने दिशा-निर्देश लिखे हैं और 48% ने कहा कि उनकी संस्था ने। इन दस्तावेज़ों के पीछे की संरचनात्मक प्रतिक्रिया पतली है — 55% ने कार्य-दल या निरीक्षण समूह बताया, 37% ने AI-केंद्रित नई कक्षाएँ, 17% ने AI में मुख्य या सह-विषय, 16% ने नई शैक्षणिक नेतृत्व कार्यालय, और केवल 13% ने AI साक्षरता को सामान्य शिक्षा परिणाम के रूप में अपनाया — जबकि 68% ने कहा कि उनके विद्यालयों ने संकाय को औज़ारों से पढ़ाने के लिए तैयार नहीं किया। क्योंकि विद्यार्थी इससे उत्पन्न खिचड़ी को एक ही संस्थागत व्यवस्था के रूप में देखते हैं, यह निष्कर्ष इस पृष्ठ के नीति दस्तावेज़ और उसे संगत बनाने वाले शासन के बीच भेद के प्रत्यक्ष प्रमाण है। (लेखक नमूने को अवैज्ञानिक और सामान्यीकरणीय नहीं मानते हैं, इसलिए इसे क्षेत्र की व्यक्त चिंताओं के रूप में पढ़ना सबसे अच्छा है।) इस दर्ज अंतराल की विद्यार्थी-पक्ष पर मापी गई परिणामी स्थिति है। Chen का दो-अध्ययन डिज़ाइन — 160 कला विद्यार्थियों के साथ एक परिदृश्य प्रयोग और 425 का सर्वेक्षण (Chen, 2026) — ने पाया कि किसी विश्वविद्यालय के GAI प्रचार और उसके वास्तविक शिक्षण, मूल्यांकन और सहायता प्रथाओं के बीच अनुभूत असंगति ने बाधा (β = 0.431) और चुनौती (β = 0.496) दोनों आकलनों का सकारात्मक पूर्वानुमान लगाया, जिनसे रचनात्मक प्रक्रिया सहभागिता पर विपरीत परोक्ष प्रभाव पड़े (β = −0.060 बाधा के माध्यम से, p = 0.004; β = 0.217 चुनौती के माध्यम से, p < 0.001), अतः एक असंतुलित नीति एक ही समय में विद्यार्थियों के रचनात्मक कार्य को दबा भी सकती है और बनाए भी रख सकती है।

कार्य-स्तरीय नियमन उभरता हुआ पैटर्न है। एक बड़े सार्वजनिक अनुसंधान विश्वविद्यालय में 31,000+ पाठ्यक्रम पाठ्यक्रमों (2021–2025) की एक बड़े पैमाने पर अनुदैर्ध्य अध्ययन (Chirikov 2026) दिखाता है कि शिक्षक व्यवहार में AI को कैसे नियंत्रित करते हैं: स्पष्ट AI नियमन लगभग शून्य से बढ़कर Fall 2025 तक 55% पाठ्यक्रमों तक पहुँचा, लेकिन दिशा निषेधात्मक से अनुमेय की ओर बदली, और शिक्षकों ने बढ़ती मात्रा में कार्य प्रकार से भेद किया — ड्राफ्टिंग/तर्क (विस्थापन-जोखिम कार्य) के लिए AI को प्रतिबंधित करते हुए जबकि संपादन/प्रूफरीडिंग और अध्ययन सहायता (संवर्धन कार्य) के लिए इसे अनुमति देते हुए। ढांचा भी शैक्षणिक अखंडता (63%→49% पाठ्यक्रम) से सीख-प्रभाव (1%→29%) की ओर बदला। यह कार्य-आधारित पैटर्न — कार्य विस्थापन, संवर्धन और पुनर्स्थापना के श्रम-अर्थशास्त्र तंत्रों पर आधारित — अंशतः स्वीकृति या पूर्ण प्रतिबंध वाली नीतियों के लिए अधिक सूक्ष्म विकल्प प्रदान करता है और ऊपर बताए गए नीति-बनाम-शासन भेद का प्रत्यक्ष अनुभवजन्य लंगर है।

• कार्य-स्तरीय नियमन का विद्यार्थी पक्ष। एक समान खुला-उपयोग स्तर के अंतर्गत तीन में से दो मूल्यांकनों के साथ भी, मूल्यांकन प्रारूप ने तय किया कि विद्यार्थियों ने GenAI का किस लिए उपयोग किया: प्रतिपुष्टि के उपयोग एक स्कैफोल्ड प्रस्तुति में 0% से बढ़कर घर-पर क्विज़ में 66.7% हो गए (Quince और Faulconer (2026))।

शिक्षक-स्तरीय नीति डिज़ाइन एक संरेखण अभ्यास के रूप में। कार्य-स्तरीय नियमन का एक डिज़ाइन प्रतिरूप पाठ्यक्रम के नीचे है। McCorkle (2025) का डिज़ाइन केस किसी पाठ्यक्रम की अनुमत और अनीवृत्त GenAI प्रथाओं को "विशेष रूप से, मैं किसका आकलन कर रहा हूँ?" से निकालता है — किसी परियोजना के हर कार्य की सूची बनाकर, हर कार्य को एक सीख उद्देश्य से मिलाकर, हर एक को एक उभरती GenAI कार्यबल दक्षता (करियर विकास और तैयारी) से जोड़कर, और फिर तय करते हुए कि कौन-सी चिंता प्राथमिकता लेती है: विद्यार्थी प्रदर्शन का आकलन करने की आवश्यकता या उस दक्षता के निर्माण का मूल्य। इससे उत्पन्न नीति एक ही परियोजना के भीतर कार्य के अनुसार भिन्न होती है — विषयों पर मंथन और चित्रों की क्यूरेशन अनुमत, सीख उद्देश्यों की रचना और स्लाइड डिज़ाइन नहीं — तर्क सीधे विद्यार्थियों को लिखा गया। केस यह भी दर्ज करता है कि अंशतः निषेध व्यवहार में क्यों असफल होते हैं: जो विद्यार्थी स्वयं को बेईमान नहीं मानते वे निषेध को अपने पर लागू नहीं होता पढ़ते हैं, और नीति असमान बन जाती है (समानता) जब अपेक्षाएँ अस्पष्ट छोड़ी जाती हैं। यह ऊपर दिए शीर्ष-से-नीचे नीति स्तरों को इस बात दिखाकर पूरक करती है कि नीति की सामग्री पाठ्यक्रम और असाइनमेंट स्तर पर मूल्यांकन संरेखण से कैसे उत्पन्न की जा सकती है।

मूल्यांकन नीति में सीमा-प्रमाण अंतराल। सार्वजनिक GenAI मूल्यांकन मार्गदर्शन के 30 विश्वविद्यालयों के एक ऑडिट (Yao 2026) में पाया गया कि संस्थागत नीतियाँ AI उपयोग को वर्गीकृत करने में यह बताने से बेहतर हैं कि प्रत्येक वर्ग के अंतर्गत सीख का कौन-सा प्रमाण मान्य रहता है: औसत प्रतिनियोगि-सीमा स्कोर (2.47/4) औसत प्रमाण-मानक स्कोर (1.89/4) से अधिक था, सुरक्षा उपाय विरल थे (8 में से 2.75), और मार्गदर्शन अंतिम-आउटपुट प्रतिस्थापन के लिए सबसे स्पष्ट था। संज्ञानात्मक संरक्षण का ढाँचा तर्क देता है कि नीतियों को प्रमाणन तर्क को दृश्यमान बनाना चाहिए — किसी शिक्षार्थी क्या सौंप सकता है, क्या उसे अभी भी प्रदर्शित करना चाहिए, और संस्थाएँ निष्पक्ष प्रमाण की कैसे रक्षा करती हैं — न कि केवल AI उपयोग पर निगरानी करना।

अति-व्यापक निषेध भाषा और गलत लागू नियम। किसी नियम का दायरा अनुपालन से परे परिणामों वाला एक नीति निर्णय है। Wright (2026) तर्क देते हैं कि 2023 के बाद उच्च शिक्षा में लिखे गए अंशतः निषेध "जनरेटिव AI" को प्रतिबंधित करते हैं, बिना सामग्री निर्माण को AI-संचालित प्रारूप रूपांतरण से अलग करने की तकनीकी परिशुद्धता के — ऑप्टिकल कैरेक्टर रिकग्निशन, हस्तलिखित पाठ्य पहचान और स्पीच-टू-टेक्स्ट पहचान प्रौद्योगिकियाँ हैं जो यह अनुमान लगाती हैं कि किसी विद्यार्थी ने पहले ही क्या लिखा है न कि नई सामग्री का निर्माण। इस पढ़ाई पर, केवल ट्रांसक्रिप्शन उपयोग को दंडित करना नीति के गलत प्रयोग के रूप में सबसे अच्छी तरह वर्णित होता है, न कि दुराचार के रूप में, और अपरिशुद्धता की लागत असमान रूप से पड़ती है: न्याय-अनावृत्त और दिव्यांग विद्यार्थी जो उन औज़ारों पर निर्भर हैं, वे असंगत झूठी-सकारात्मक जोखिम उठाते हैं, एक ऐसा जोखिम जिसे कानूनी मुद्दे और जोखिम अखंडता के प्रश्न के बजाय उचित-समायोजन के प्रश्न के रूप में मानते हैं।

औज़ार सूची के बजाय उद्देश्य-आधारित सीमा। Li (2026) वह नीति सामग्री प्रदान करते हैं जो अति-व्यापक निषेध भाषा में नहीं है: कार्य और मूल्यांकन रचना से परिभाषित एक सहायता-बनाम-प्रतिस्थापन रेखा, औज़ारों के नाम देने से नहीं, इस तर्क पर कि औज़ार सूचियाँ अप्रचलित हो जाती हैं और इंटरफ़ेस के ज़रिये अनुपालन को प्रोत्साहित करती हैं। अनुमत सहायता एक सतही हस्तक्षेप है जो कोई विचार नहीं, कोई स्रोत नहीं और विश्लेषण के किसी भौतिक पुनर्व्यवस्था को नहीं जोड़ता; प्रतिस्थापन तर्क या प्रतितर्क का निर्माण, तथ्यों पर अनुशासनात्मक नियमों का प्रयोग, विश्लेषणात्मक अनुक्रम का पुनर्गठन, या समावेश के लिए उद्धरण का निर्माण है। ढांचा तीन उपकरणों के रूप में वितरित है — साझा त्वरित परीक्षणों वाली कार्यशील परिभाषाएँ ताकि दो मूल्यांकनकर्ता एक ही आचरण को समान रूप से वर्णित करें, अनुकूलित खुलासा टेम्पलेट जो अंतर्निहित निम्न-जोखिम कार्यों के लिए कुछ भी नहीं से लेकर बाहरी भाषा संपादन के लिए एक-पंक्ति कथन और सीमित विचार-सृजन स्पष्ट रूप से अधिकृत होने पर लगभग 80–120 शब्दों तक फैले हैं, और एक निर्णय रूब्रिक जो कमज़ोर प्रतिनिधियों (चमकीली भाषा या अचानक प्रवाह, मूल-भाषा-अज्ञेय वाक्य रचना, एकल पहचान स्कोर) के साथ-साथ उन प्रमाण प्रकारों का नाम लेता है जो भार उठा सकते हैं। यह उन शर्तों का भी उल्लेख करता है जिनमें AI मूल्यांकन स्केल जैसे बड़े पैमाने पर अनुमेय व्यवस्थाएँ काम करती रहती हैं: किसी विशिष्ट कार्य के लिए स्पष्ट रूप से अधिकृत उपयोग, रचना का पुनर्निर्दिष्टीकरण ताकि विद्यार्थी और मूल्यांकनकर्ता जानें कि किसका आकलन हो रहा है, और खुलासे को व्यवहार्य रखा गया।

अनिवार्य मानव निरीक्षण के साथ चरणबद्ध स्वचालन। उरुग्वे की Acredita EB राष्ट्रीय मध्य-माध्यमिक मान्यता परीक्षा मूल्यांकन नीति में निरीक्षण-संरक्षण स्वचालन का एक ठोस मॉडल प्रदान करती है: बहुविकल्पीय अनुभाग और मौजूदा प्रक्रियाएँ अपरिवर्तित रहती हैं, AI का उपयोग केवल लेखन अनुभाग के लिए 50–100 पाठ्यों पर अनिवार्य अंशांकन चरण के भीतर किया जाता है, और दो छँटाई नियम तय करते हैं कि किन परिणामों की विशेषज्ञ समीक्षा आवश्यक है — जो उम्मीदवार अन्य दो अनुभागों में उत्तीर्ण नहीं हो सकते उन्हें लेखन समीक्षा की आवश्यकता नहीं, और तीनों अनुभागों में प्रवीण उम्मीदवार केवल 0.2%/0.6% देखे गए अवशिष्ट जोखिम के साथ उत्तीर्ण होते हैं। लेखक अनुमान लगाते हैं कि डिज़ाइन पूर्ण मानव स्कोरिंग की आवश्यकता वाले लिखित उत्तरों को कम से कम 50% तक कम कर सकता है, साथ ही इस मार्गदर्शक सिद्धांत को बनाए रखते हुए कि परीक्षा परिणामों के बारे में कोई भी अंतिम निर्णय उचित मानव निरीक्षण के बिना नहीं लिया जाता। यह ऊपर दी सीमा-प्रमाण कार्य को यह दिखाकर पूरक करती है कि एक नीति न केवल यह निर्दिष्ट करती है कि AI कहाँ अनुमत है बल्कि कौन-सा मानव प्रमाण और समीक्षा अनिवार्य रहती है।

स्वचालित ग्रेडिंग की प्रतिपक्षी तरफ। एक नीति जो ग्रेडिंग को किसी AI औज़ार से गुज़ारती है वह एक हमले की सतह विरासत में लेती है। Humble (2026) ने एक संस्थागत ग्रेडिंग कार्यप्रवाह को रेड-टीम किया, एक कृत्रिम सबमिशन की फाइलों में पाँच अप्रत्यक्ष प्रॉम्प्ट इंजेक्शन छिपाकर जिसे Microsoft Copilot (GPT-5.2) ने छह बेसलाइन दौरों में सभी पर फेल ग्रेड किया था। दो रणनीतियों ने उपयोगकर्ता को कोई दृश्य चेतावनी दिए बिना ग्रेड बढ़ा दिया — 100% (9 में से 9 पुनरावृत्तियाँ) और 94% (18 में से 17) की सूचित हमले की सफलता दर — और औज़ार ने सबसे सरल हमले को रोकने के बाद एक चैट को चुपचाप अक्षम कर दिया और एक पुनरावृत्ति में, अगले छह दौरों में ग्रेड बढ़ाने से पहले घोषित किया कि वह अंतर्निहित निर्देशों को नज़रअंदाज़ करेगा। किसी छिपे निर्देश के ज़रिये प्राप्त ग्रेड पर कोई मान्यता दावा नहीं है, और वही तकनीक किसी सबमिशन को बिना किसी स्थायी निशान के ख़राब कर सकती है, इसलिए इस पेपर की माँगें तकनीकी नहीं, नीति-स्तरीय हैं: क्षेत्र-स्तरीय मार्गदर्शन, व्यावसायिक विकास, उच्च-दांव वाले कार्य के लिए मानव समीक्षा के साथ प्रतिबंधित AI उपयोग, और प्रॉम्प्ट-इंजेक्शन लचीलापन की मानकीकृत, डोमेन-अज्ञेयवादी परीक्षण ताकि हमले की सतह मापी जाए न कि मान ली जाए। यह ऊपर दिए निरीक्षण डिज़ाइनों का प्रतिपक्षी प्रतिरूप है: जहाँ वे निर्दिष्ट करते हैं कि कौन-सी मानव समीक्षा अनिवार्य है, यह एक हेरफेर की श्रेणी निर्दिष्ट करता है जिसे पकड़ने के लिए समीक्षा मौजूद है लेकिन जिसके लिए कोई विश्वसनीय संकेत नहीं है।

नीति नींव के रूप में मूल्य/मानक मैट्रिक्स। Agarwal et al. (2026), 25 लेखों की एक व्यवस्थित समीक्षा, AIED नैतिकता को छह मुख्य नैतिक मूल्यों में समेकित करती है (भेदभाव-विरोध, डेटा संरक्षण, मानव निरीक्षण, सद्भावना, व्याख्यागोचरता, शैक्षिक उपयुक्तता) और साहित्य से निकाले गए नैतिक मानकों को एक हितधारक-दर-मूल्य मैट्रिक्स पर मिलाती है। समीक्षा मैट्रिक्स को AIED के लिए विस्तृत नैतिक ढाँचे और विनियम बनाने की नींव के रूप में स्थापित करती है, जिससे शैक्षणिक संस्थाओं, विकासकर्ताओं और नियामकों को विशिष्ट मूल्यों को लागू करने के ठोस मानक मिलते हैं। यह पाती है कि नियामकों के लिए सद्भावना मानक किसी अन्य हितधारक समूह से कहीं अधिक (नौ) हैं, जो नियामकों की भूमिका का संकेत है कि नीति और विधान के ज़रिये AIED लाभ को शिक्षार्थियों तक पहुँचाना सुनिश्चित किया जाए — इस पृष्ठ द्वारा वर्णित नीति-बनाम-शासन तंत्र के लिए एक ठोस, मूल्य-लंगरीकृत प्रारंभिक बिंदु।

अपनी योग्यताओं से दूर यात्रा करने वाले दावे। एक पायलट घोषणा भी एक नीति उपकरण है, और उसकी रिपोर्टिंग मानक नीति का हिस्सा हैं। Restrepo Morales et al. (2026) सितंबर 2026 के अल साल्वाडोर प्रकरण का विश्लेषण करते हैं जिसमें 171 सार्वजनिक विद्यालयों में एक AI-ट्यूटरिंग पायलट को जर्मनी और स्वीडन के तुलनीय परिणामों तक पहुँचने के रूप में सूचित किया गया: जर्मन PISA 2022 गणित औसत के विरुद्ध, राष्ट्रीय उपलब्धि वितरण के शीर्ष 5.5% ने बिना किसी सीख लाभ के आधार रेखा से मेल खाया होता, और पायलट का मूल्यांकन उसी वर्ष राष्ट्रीय सर्वेक्षण में 25.4 के मुकाबले प्रति विद्यालय 7.0 विद्यार्थियों को कवर किया, अतः प्रकाशित प्रमाण चयन को व्याख्या के रूप में खारिज नहीं कर सकता। उनका प्रस्ताव एक छह-मद वाला रिपोर्टिंग मानक है — भाग लेने वाले विद्यालयों की आधार रेखा, नमूनाकरण प्रोटोकॉल (पात्र विद्यार्थी, आकलित विद्यार्थी, पहचान नियम, भागीदारी दर), मानक त्रुटियों के साथ विघटित स्कोर, प्रत्येक सुधार घटक का परिचालन तिथि, प्रतिनिधि राष्ट्रीय नमूने के साथ अतिव्याप्ति, और दावे के साथ उसी दस्तावेज़, पोस्ट या अनुच्छेद में बताई गई योग्यता — जो घोषणा के ही खुलासे के अंकगणित से प्रेरित है: दावे को ले जाने वाली विश्व बैंक पोस्ट ने उसी धागे में चार स्थान बाद योग्यता ले जाने वाली पोस्ट के लगभग 11,000 के मुकाबले लगभग 441,000 बार देखा गया। नीति की सीख यह है कि जहाँ कोई व्यवस्था विद्यालय-स्तरीय परिणामों को अपने बारे में प्रमाण के रूप में उपयोग करती है, खुलासे का प्रारूप तय करता है कि कौन-सा कथन सार्वजनिक तथ्य बनता है।

PISA 2022-2025 का एक देश-स्तरीय विश्लेषण पाया कि उच्च जनरेटिव-AI उपयोग वाले देशों में पढ़ने और गणित में बड़ी गिरावट दिखी, एक संबंध जो पूर्व प्रदर्शन को नियंत्रित करने पर समाप्त हो गया (Guerra & Aslanov, 2026)। लेखक इसे एक चेतावनी मानते हैं कि व्यापक चैटबॉट पहुँच को अपने आप में लाभ नहीं माना जाए, और अनुदैर्ध्य मूल्यांकन के साथ जोड़े गए रोलआउट का आह्वान करते हैं।

नीति बनाम शासन

नीति और शासन घनिष्ठ रूप से संबंधित हैं लेकिन भिन्न हैं, और उन्हें अलग रखना ज्ञान आधार के अनुसंधान को समझने के लिए महत्वपूर्ण है।

• नीति सामग्री है — क्या तय किया जाता है। नीति एक औपचारिक नियम, सिद्धांत या कथन है: AI का कौन-सा उपयोग अनुमत, निषिद्ध या आवश्यक है; किसका खुलासा अनिवार्य है; कौन-से मूल्यांकन प्रारूप अनुमत हैं। यह एक दस्तावेज़ित कलात्मक उत्पाद (विधान, संस्थागत दिशा-निर्देश, पाठ्यक्रम कथन) के रूप में मौजूद है और "नियम क्या हैं?" का उत्तर देती है

• शासन तंत्र है — यह कैसे तय, लागू और प्रवर्तित होता है। शासन उन संस्थागत संरचनाओं, मानकों और जवाबदेही तंत्रों को समाहित करता है जो नीति का निर्माण, प्रवर्तन और निगरानी करते हैं: नियम कौन निर्धारित करता है, उन्हें कैसे संप्रेषित और संसाधित किया जाता है, अनुपालन कैसे प्रवर्तित और चुनौती दी जाती है, और AI के बढ़ने के साथ उन्हें कैसे संशोधित किया जाता है। यह "निर्णय कौन लेता है, और नियम वास्तव में कैसे लागू होते हैं?" का उत्तर देता है

• वे परस्पर निर्भर हैं। नीति बिना शासन के अप्रवर्तित है — एक लिखा नियम जिसे कोई स्वामी, निगरानीकर्ता या अद्यतनकर्ता नहीं रखता। शासन बिना नीति के दिशाहीन है — ढाँचे जो कुछ विशेष प्रशासित नहीं करते। ज्ञान आधार का अनुसंधान बार-बार दिखाता है कि दोनों को साथ बनाया जाना चाहिए: एक नीति जो केवल AI उपयोग को वर्गीकृत करती है, प्रमाण, सुरक्षा उपाय और संशोधन प्रक्रियाओं को निर्दिष्ट करने वाले शासन के बिना, व्यवहार में कमज़ोर रहती है (संज्ञानात्मक संरक्षण ऑडिट), और शासन जो केवल निगरानी करता है, स्पष्ट नीति के बिना निष्पक्षता के बिना निगरानी का जोखिम उठाता है (देखें AI शासन)।

• रणनीतिक महत्वाकांक्षी के सापेक्ष वरिष्ठ AI नेतृत्व दुर्लभ है। 19 स्रोतों की एक स्कोपिंग समीक्षा ने पाया कि केवल 7% संस्थाओं ने वरिष्ठ AI नेतृत्व भूमिकाएँ बनाई थीं, हालाँकि 49% ने AI को रणनीतिक प्राथमिकता माना, जिसमें अधिकांश सम्मिलित अध्ययन संकल्पनात्मक या अनुप्रस्थ-काट थे, अतः पूर्वानुमेय शासन का कोई कारणीय प्रभाव सिद्ध नहीं हो सका (Baroudi (2026))।

उन्हें अलग करने वाला व्यावहारिक परीक्षण: एक नीति कागज़ पर पढ़ी जा सकती है, लेकिन शासन इस बात में देखा जाता है कि नियम क्या लागू, प्रवर्तित और अनुकूलित होता है। यही कारण है कि AI शासन शिक्षा में AI विनियमन और नीति को संस्थाओं तक विस्तारित करता है, और ज्ञान आधार मूल्यांकन-प्रारूप विकल्पों (समापक मूल्यांकन) को नीति निर्णयों के रूप में मानता है जो समीक्षा बोर्डों, घोषणा ढाँचों और अपील मार्गों जैसी शासन संरचनाओं के ज़रिये ही प्रभावी बनते हैं।

कक्षा नीति शासन की व्याख्यात्मक सीमा के रूप में। शासन का तंत्र संस्थागत दस्तावेज़ पर रुकता नहीं; जो शिक्षक इसे पढ़ते और अनुकूलित करते हैं वे शृंखला का अंतिम कड़ी हैं, और Nash & Burriss (2026) दिखाते हैं कि व्यवहार में वह कड़ी कैसी दिखती है। उनके पूर्व-सेवा शिक्षक उन ज़िलों में काम करने की अपेक्षा करते थे जिनमें AI नीतियाँ हैं, फिर भी उन्हें अपने स्वयं के विद्यार्थियों के लिए कक्षा-विशिष्ट नियम लिखने पड़े — एक आवश्यक अनुकूलन कौशल — और लेखक तर्क देते हैं कि शिक्षक पढ़ने और लेखन के विशिष्ट कार्यों के लिए AI को अपनाने से इनकार कर सकते हैं बिना उसे नज़रअंदाज़ किए, जिसमें सिद्धांतगत इनकार को अक्रांतिगत अस्वीकृति से भिन्न किया जा सकता है। वह भेद को बनाए रखना स्वयं एक शासन कार्य है: ज़िलों और तैयारी कार्यक्रमों को वह मार्गदर्शन, व्यावसायिक विकास और नीति अवसंरचना चाहिए जो शिक्षकों को कुछ विशेष उपयोगों से इनकार करने दे बिना उन्हें समय से पीछे चलने वाला ढाँचा दिए।

प्रमाणीकरण समस्या के लिए शासन संकेतक। Coates, Croucher और Calderon (2025) वह मापन परत प्रदान करते हैं जो इस नीति-बनाम-शासन भेद से निहित है, जो शैक्षणिक इमानदारी को GenAI युग में पहचान समस्या से पहले एक शासन समस्या मानते हैं और समकालीन शैक्षणिक शासन को लचीला लेकिन विद्यार्थी मूल्यांकन के प्रमाणीकरण की रक्षा के लिए "अच्छी तरह स्थित या तैयार नहीं" मानते हैं। उनका ढाँचा आठ आयामों — डिज़ाइनिंग, डेवलपिंग, ट्रेनिंग, इम्प्लीमेंटिंग, एनालाइज़िंग, रिपोर्टिंग, इवैल्युएटिंग और इम्प्रोविंग — के अंतर्गत 130 शासन प्रश्न रखता है, और मदें संस्थागत तंत्र के बारे में प्रश्न हैं न कि मानकमापीय स्केल: क्या संस्था का सर्वोच्च बोर्ड या परिषद मूल्यांकन प्रक्रियाओं और परिणामों पर अद्यतन प्राप्त करती है, क्या प्रमुख प्रदर्शन संकेतक मूल्यांकन गुणवत्ता को कवर करते हैं, कितने प्रतिशत विद्यार्थियों को उन शिक्षकों द्वारा व्यक्तिगत रूप से जाना जाता है जो उनका आकलन करते हैं, क्या असाधारण रूप से निम्न या उच्च अंकों की पार-जाँच होती है, और क्या अनुबंध बेईमानी के मामलों को संदर्भित करने का एक सरल मार्ग है। साथ आने वाला सुधार कार्यक्रम शासन संरचनाओं, शासन भूमिकाओं वाले लोगों और मूल्यांकन का समर्थन करने वाली प्रौद्योगिकियों और संसाधनों को लक्षित करता है, और लेखक तर्क देते हैं कि विनियम, बेंचमार्किंग और अंतर-संस्थागत प्रतिस्पर्धा से बाहरी सुविधा के बिना कोई भी संस्थागत विकास भुगतान नहीं करता — वही नियामक दबाव जिसे शिक्षा में AI विनियमन पृष्ठ शासन सुधार पर बाध्यकारी बाधा मानता है।

• यह अंतराल के-12 में भी मापा गया है, केवल विश्वविद्यालयों में नहीं। 1,018 अमेरिकी सार्वजनिक विद्यालय शिक्षकों और प्रधानाचार्यों के एक राष्ट्रीयतः प्रतिनिधि सर्वेक्षण में केवल 18% शिक्षकों और 24% प्रधानाचार्यों ने विद्यालय की जनरेटिव-AI नीति की सूचना दी — वही संस्था-से-नीचे का पैटर्न जो यह पृष्ठ उच्च शिक्षा में दर्ज करता है (Tench, Weinstein & James, 2026)।

AI × SEL अनुसंधान में नीति अभाव

AI और सामाजिक-भावनात्मक सीख के चौराहे पर 65 पत्रों की एक व्यवस्थित समीक्षा (Tran, Liu & Nguyen 2026) एक "नीति अभाव" दर्ज करती है: लगभग तीन-चौथाई अध्ययन कोई नीति निहितार्थ नहीं बताते, और जो बताते हैं उनमें अक्सर कृतिशून्य विशिष्टता का अभाव होता है। समीक्षा पाती है कि नीति सहभागिता प्रकाशन स्थल के साथ सहसंबद्ध है, जो उन शैक्षणिक प्रोत्साहनों को प्रतिबिंबित करती है जो तकनीकी नवीनता को AI शासन और शिक्षा में AI विनियमन पर पुरस्कृत करती हैं। यह एक "WH-प्रश्न" ढाँचा (कौन, क्या, क्यों, कब/कहाँ, कैसे) और "निहितार्थ-के-रूप-में-बाद में सोचा हुआ" से "निहितार्थ-के-रूप-में-कार्यविधि" की ओर एक बदलाव प्रस्तावित करती है — नीति संरचना को अनुसंधान के डिज़ाइन बाधा के रूप में मानना, बाद में जोड़ा गया उपांग नहीं।

संबंधित अवधारणाएँ

• शैक्षणिक साझेदारी — पाठ्य पार्टनरशिप
• शिक्षा में AI विनियमन
• AI शासन
• शैक्षिक विकास
• समानता
• उच्च शिक्षा
• K-12
• शैक्षणिक इमानदारी
• नैतिकता
• शिक्षकों की AI योग्यता
• छात्रों के लिए AI उपयोग की फ्रेमिंग
• समापक मूल्यांकन
• रसायन शिक्षा — रसायन शिक्षा और AI: प्रयोगशालाएँ, रूपरूप मूल्यांकन, LLM सीमाएँ, प्रयोग का दर्शन
• जैव शिक्षा — जीव विज्ञान शिक्षा और AI: प्रयोगशाला शिक्षण सहायक, जीव विज्ञान में AI साक्षरता, समालोचनात्मक सोच, विशिष्ट औज़ार
• हितधारक — छत्र: AI शिक्षा में लोग और दर्शक (शिक्षार्थी, शिक्षक, डिज़ाइनर, प्रशासक, नीति-निर्माता)
• छात्र सहायता और सफलता — संस्थागत सहायता परिनियोजन के लिए नीति संदर्भ

संबंधित लेख

• An AI Policy Isn't a Playbook: Educators Need Agency, Not Just New Rules — अमेरिकी शिक्षकों और प्रधानाचार्यों पर एक राष्ट्रीयतः प्रतिनिधि सर्वेक्षण: AI नीति कवरेज, सशक्तिकरण, और पाँच कक्षा-प्ले (Tench, Weinstein & James 2026)
• When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education — जब विश्वविद्यालय GAI की वकालत करते हैं लेकिन प्रथा कम पड़ती है: कला शिक्षा में विद्यार्थी आकलन और रचनात्मक प्रक्रिया सहभागिता
• Writing the Rules for Generative Machines: Tensions and Entanglements in Preservice Teachers' Classroom AI Policies — पूर्व-सेवा अंग्रेज़ी शिक्षकों की कक्षा AI नीतियाँ: उन्होंने क्या अनुमत, सीमित और निषिद्ध किया (Nash & Burriss 2026)
• A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment — बड़े पैमाने पर लेखन मूल्यांकन में AI-सहायित स्कोरिंग के लिए एक मानव-इन-द-लूप ढाँचा
• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — जो आकलित होता है उससे कार्य दर कार्य अनुमत और अनीवृत्त GenAI उपयोगों का निर्धारण (McCorkle 2025)
• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — शिक्षक 31,000 पाठ्यक्रम पाठ्यक्रमों में AI को कैसे नियंत्रित करते हैं (Chirikov 2026)
• Artificial Intelligence and Grade Inflation — AI कार्य विस्थापन, ग्रेड महँगाई का एक तंत्र के रूप में (Chirikov 2026)
• Governing generative AI in higher education: a global Delphi study on policy and practice — उच्च शिक्षा में जनरेटिव AI के शासन पर वैश्विक डेल्फाई
• Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — नीति पर मार्गदर्शन: 50 नवाचारी अमेरिकी विश्वविद्यालयों में शिक्षक-निर्धारित पाठ्यक्रम नियम और चार-इकाई सहायता पारिस्थितिकी तंत्र (Qian 2026)
• Forging ahead or proceeding with caution: Developing policy for generative artificial intelligence in legal education — प्रमाण आधार के बिना नीति बनाने वाले क्षेत्र में विधि विद्यालय GenAI नीतियों की पाँच-कारक तुलना (Gutowski & Hurley 2025)
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — ट्रांसक्रिप्शन निर्माण नहीं है: अति-व्यापक AI नियम, प्रारूप रूपांतरण और दिव्यांग समायोजन (Wright 2026)
• Anticipatory governance and leadership for AI implementation in higher education: A scoping review — उच्च शिक्षा में AI के लिए पूर्वानुमेय शासन (स्कोपिंग समीक्षा)
• Institutional approaches to artificial intelligence policy and guidance in health informatics and information management education: emerging trends and inconsistencies — सभी 48 मान्यताप्राप्त स्वास्थ्य सूचना विज्ञान स्नातकोत्तर कार्यक्रमों में AI नीति दस्तावेज़: अधिकतर मार्गदर्शन, शैक्षणिक अखंडता पर केंद्रित (Eldredge et al. 2026)
• What Does the Credential Still Certify? Cognitive Stewardship for AI-Mediated Education — AI-मध्यस्थ मूल्यांकन के लिए संज्ञानात्मक संरक्षण (30 विश्वविद्यालयों का नीति ऑडिट)
• Generative Artificial Intelligence Policy: A Qualitative UNESCO Framework Analysis
• A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education
• A Framework for Institutional Change in the Age of AI
• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform
• The Evidence Base on AI in K-12: A 2026 Review
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making
• The Policy Deficit in AI × Social-Emotional Learning Research — AI × SEL अनुसंधान में नीति अभाव
• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — AI शिक्षा के लिए नैतिक मूल्य और मानक
• Zero-shot governance — ज़ीरो-शॉट गवर्नेंस: नीति में सामान्य-उद्देश्य AI (Perrotta 2026)
• How much selection would be enough? Bounding the learning claim of El Salvador's artificial intelligence tutoring pilot — अल साल्वाडोर के AI ट्यूटरिंग पायलट के सीख दावे की सीमा निर्धारण (Restrepo Morales et al. 2026)
• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — 1,057 अमेरिकी संकाय सदस्य: 87% अपने स्वयं के असाइनमेंट नियम लिखते हैं, पतले संस्थागत और विभागीय दिशा-निर्देशों के विरुद्ध (Watson & Rainie 2026)
• GenAI assessment and language equity: Drawing the line between support and substitution — अनुकूलित खुलासे और निर्णय रूब्रिक के साथ उद्देश्य-आधारित सहायता-प्रतिस्थापन सीमा (Li 2026)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — AI-मध्यस्थ ग्रेडिंग में प्रॉम्प्ट इंजेक्शन: अनदेखे ग्रेड बदलाव, और नीति-स्तरीय प्रतिक्रिया (Humble 2026)
• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — मूल्यांकन के प्रमाणीकरण के लिए 130 शासन संकेतक, और सुधार को ज़रूरी बाहरी दबाव (Coates, Croucher & Calderon 2025)
• Student GenAI use under changing institutional policies: a mixed-methods case study in undergraduate physics — नीति स्तर बनाम कार्य डिज़ाइन: तीन भौतिकी मूल्यांकनों में विद्यार्थियों ने GenAI का किस लिए उपयोग किया (Quince & Faulconer 2026)
• Generative AI use and the 2022–2025 decline in PISA performance across countries — उच्च देश-स्तरीय जनरेटिव-AI उपयोग ने PISA 2022-2025 की बड़ी गिरावट को ट्रैक किया, एक सहसंबंध जो पूर्व प्रदर्शन को नियंत्रित करने के बाद समाप्त हो गया (Guerra & Aslanov 2026)