प्रतिपुष्टि

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

प्रतिपुष्टि — शिक्षार्थी के प्रदर्शन या समझ के विषय में दी गई जानकारी, जिसका उद्देश्य वर्तमान प्रदर्शन तथा वांछित प्रदर्शन के बीच की खाई को पाटना है। शिक्षा में AI के संदर्भ में प्रतिपुष्टि एक केंद्रीय और तेज़ी से बदलती हुई विषय-वस्तु बन गई है: AI सिस्टम अब प्रतिपुष्टि उत्पन्न करते हैं, वितरित करते हैं, और यहाँ तक कि छात्रों को प्रतिपुष्टि का उपयोग करना सिखाते हैं, जिससे प्रतिपुष्टि प्रक्रिया के प्रत्येक चरण का पुनर्गठन हो रहा है।

विचार करने योग्य प्रश्न

• प्रतिपुष्टि को प्रायः शिक्षार्थी को सौंपी गई जानकारी के रूप में सोचा जाता है, लेकिन शोध यह तर्क देता है कि यह तभी 'प्रतिपुष्टि' के रूप में गिनी जाती है जब शिक्षार्थी उसका अर्थ निकालकर उस पर अमल करता है। यदि प्रतिपुष्टि एक संबंध है, केवल एक संदेश नहीं, तो उसे वितरित करने के तरीके के विषय में क्या बदलाव आना चाहिए?
• छात्रों का यह धारणा कि प्रतिपुष्टि AI से आई थी या किसी मनुष्य से, उससे उनकी सीख की मात्रा को बदल सकती है। आपके विचार में स्रोत इतना महत्वपूर्ण क्यों है — और आपके संदर्भ में AI-जनित प्रतिपुष्टि के लिए इसका क्या अर्थ निकलता है?
• तत्काल प्रतिपुष्टि एक जाल भी हो सकती है: 'सही-उत्तर का जाल' दिखाता है कि जो छात्र केवल सुधारों को नकल कर लेते हैं, वे कम सीखते हैं। तत्काल प्रतिपुष्टि कब मदद करती है, और कब उसी सीख को काट देती है जिसे वह समर्थन देना चाहती थी?
• शोध ने यहाँ तक पाया कि प्रतिपुष्टि का अच्छी तरह डिज़ाइन किया गया क्रम — प्रोत्साहन, फिर संकेत, फिर उत्तर — जो स्वायत्तता बनाने के लिए बनाया गया था, ने सहभागिता बढ़ाने के बावजूद वास्तव में सीख को नुकसान पहुँचाया। यदि छात्र उस प्रतिपुष्टि के विषय में अच्छा महसूस करते हैं जिससे वे कम सीखते हैं, तो हमें क्या को अनुकूलित करना चाहिए?
• प्रतिपुष्टि को भागों वाली एक प्रणाली के रूप में वर्णित किया गया है: प्रतिपुष्टि का चक्र, प्रदान की गई गुणवत्ता, शिक्षार्थी की ग्रहण क्षमता, और मूल्यांकन संदर्भ। यदि आप अपने पाठ्यक्रम में प्रतिपुष्टि को सुधारने की कोशिश कर रहे हों, तो आप सबसे पहले किस भाग को ठीक करेंगे, और क्यों?

परिचय

यह ज्ञान आधार की प्रतिपुष्टि-संबंधी विचारों की छतरी अवधारणा है। प्रतिपुष्टि मूल्यांकन और सीख के चौराहे पर स्थित है: प्रतिपुष्टि के बिना मूल्यांकन प्रदर्शन को मापता है लेकिन उसे सुधारता नहीं; प्रभावी प्रतिपुष्टि के साथ मूल्यांकन एक सीख की घटना बन जाता है। ज्ञान आधार प्रतिपुष्टि को एक प्रणाली के रूप में देखता है जिसके अनेक पहलू हैं — प्रतिपुष्टि की स्वयं की गुणवत्ता (एआई फीडबैक की गुणवत्ता), वह चक्र जिसमें वह सीख की खाई को बंद करती है, शिक्षार्थी की उसका उपयोग करने की क्षमता (फीडबैक साक्षरता), और वे मूल्यांकन संदर्भ जिनमें वह कार्य करती है (निर्माणकारक मूल्यांकन, सहकर्मी मूल्यांकन, स्वचालित मूल्यांकन)।

• Yilmaz एट अल. दिखाते हैं कि प्रतिपुष्टि के स्रोत (AI बनाम मनुष्य) के विषय में छात्रों की धारणा GenAI प्रतिपुष्टि से स्व-नियंत्रित सीख को आकार देती है — प्रतिपुष्टि प्रभावशीलता के दावों के लिए यह एक महत्वपूर्ण शर्त है।
• Nazaretsky एट अल. (2025) स्रोत को सामग्री से अलग करते हैं: 472 EPFL छात्रों ने अपने ही काम पर सामग्री-समान मानव और GPT-4.0 प्रतिपुष्टि का मूल्यांकन पहले अंधा अवस्था में और फिर स्रोत के खुल जाने के बाद दोबारा किया, और अधिकांश दोनों को विश्वसनीय रूप से नहीं बता सके (472 में से 287 ने सही अनुमान लगाया)। लेबल के प्रकट होते ही AI रूप के रेटिंग गिरीं और मानव रूप के रेटिंग बढ़ीं — Genuineness के लिए उल्लेखनीय रूप से (p < .01) — और प्रदाता की विश्वसनीयता स्पष्ट रूप से अलग हो गई (मानव μ = 3.28 बनाम AI μ = 2.25, Cohen's d = 0.57)। यह पूर्वाग्रह प्रदाता से जुड़ा है, पाठ से नहीं, क्योंकि दोनों रूप सहीपन और संज्ञानात्मक गुणवत्ता में तुलनीय थे।

प्रतिपुष्टि प्रणाली

प्रतिपुष्टि को किसी एक घटना के रूप में नहीं, बल्कि परस्पर क्रिया करने वाले भागों की एक जुड़ी हुई प्रणाली के रूप में समझना सबसे उचित है, जिनमें से प्रत्येक को ज्ञान आधार अपनी अवधारणा के रूप में प्रलेखित करता है:

• प्रतिपुष्टि का चक्र — वह तंत्र जिसके द्वारा प्रतिपुष्टि वर्तमान तथा वांछित प्रदर्शन के बीच की खाई को बंद करती है; प्रदर्शन → प्रतिपुष्टि → पुनरीक्षण → सुधरा हुआ प्रदर्शन का वह चक्र जो सीख को चलाता है।
• एआई फीडबैक की गुणवत्ता — AI द्वारा उत्पन्न प्रतिपुष्टि की शुद्धता, उपयोगिता, समयबद्धता, और शिक्षाशास्त्रीय मूल्य; प्रणाली की प्रदान करने वाली ओर।
• फीडबैक साक्षरता — वे क्षमताएँ और अभिवृत्तियाँ जो छात्रों को प्रतिपुष्टि को समझने, मूल्यांकन करने और उस पर अमल करने के लिए चाहिए; प्रणाली की अवलोकन करने वाली ओर।
• निर्माणकारक मूल्यांकन — वह मूल्यांकन संदर्भ जिसमें प्रतिपुष्टि का उपयोग सीख को उसके चल रहने के दौरान सुधारने के लिए किया जाता है, न कि केवल उसका निर्णय करने के लिए।
• सहकर्मी मूल्यांकन — शिक्षार्थी के बीच किए गए विनिमय की प्रतिपुष्टि, जो तेज़ी से AI द्वारा संवर्धित हो रही है और प्रतिपुष्टि साक्षरता के विकास का एक स्थान है।
• स्वचालित मूल्यांकन — AI-चालित स्कोरिंग और प्रतिपुष्टि, स्वचालित निबंध स्कोरिंग से लेकर विश्वास-जागरूक लघु-उत्तर ग्रेडिंग तक।

प्रतिपुष्टि का चक्र

प्रतिपुष्टि का चक्र वह चक्रीय प्रक्रिया है जिसमें AI सिस्टम छात्र के काम का मूल्यांकन करते हैं, प्रतिपुष्टि वितरित करते हैं, छात्र की प्रतिक्रिया का निरीक्षण करते हैं, और बाद के शिक्षण को अनुकूलित करते हैं। AI-मध्यस्थ प्रतिपुष्टि चक्र अनेक समय-मापदंडों पर कार्य करते हैं:

• तत्काल प्रतिपुष्टि: स्वचालित ग्रेडिंग सिस्टम और AI ट्यूटर समस्या समाधान के दौरान वास्तविक समय में सुधार प्रदान करते हैं। सही-उत्तर जाल शोध दिखाता है कि तत्काल प्रतिपुष्टि सीख को काट सकती है यदि छात्र केवल सुधारों की नकल कर लेते हैं। ट्यूटर के भीतर LLM से उस तत्काल सुधारकारी प्रतिपुष्टि को उत्पन्न करना संभव है लेकिन अपूर्ण: Apprentice Tutor College Algebra मंच पर लॉग किए गए 6,926 लेन-देन में, Reddig, Arora & MacLellan (2025) ने पाया कि GPT-4 ने लगभग 66% अवसरों पर छात्र की विशिष्ट गलती के लिए संकेत दिए, फिर भी लगभग 35% संकेत बहुत सामान्य, गलत, या उत्तर को समय से पहले ही प्रकट करने वाले थे, और LLM-आधारित स्वचालित गुणवत्ता जाँच मानव निर्णय से मेल नहीं खाती थीं — यह पुष्टि करते हुए कि तत्काल चक्र में बिना जाँची गई AI प्रतिपुष्टि में वास्तविक सीख-काटने का जोखिम है।
• असाइनमेंग-स्तर की प्रतिपुष्टि: निर्माणकारक मूल्यांकन सिस्टम और AI प्रतिपुष्टि गुणवत्ता शोध जाँचते हैं कि AI-जनित असाइनमेंट प्रतिपुष्टि क्या बाद के काम को सुधारती है। अनुक्रमित प्रतिपुष्टि अध्ययन जाँचते हैं कि प्रतिपुष्टि का क्रम मायने रखता है या नहीं।
• पाठ्यक्रम-स्तर के चक्र: लर्निंग एनालिटिक्स डैशबोर्ड और शैक्षिक मंच असाइनमेंटों में प्रतिपुष्टि को एकत्रित करके पैटर्न पहचानते हैं और हस्तक्षेपों की सिफ़ारिश करते हैं।

प्रतिपुष्टि चक्र की प्रभावशीलता प्रतिपुष्टि गुणवत्ता — शुद्धता, विशिष्टता, समयबद्धता, और क्रियात्मकता — पर निर्भर करती है। AI सहकर्मी प्रतिपुष्टि सिस्टम चक्र में एक सामाजिक आयाम जोड़ते हैं।

चक्र में मनुष्य: प्रतिपुष्टि चक्र पूर्णतः स्वचालित नहीं होते — शिक्षक प्रायः शिक्षार्थियों तक पहुँचने से पहले AI-जनित प्रतिपुष्टि को मध्यस्थता देते हैं। शिक्षकों के लिए AI प्रतिपुष्टि उपकरणों के अध्ययन (जैसे, एक बड़े भाषा मॉडल (LLMs) पुनर्लेखक के साथ एक ML डिटेक्टर को जोड़ने वाला PolyFeed उपकरण) पाते हैं कि शिक्षक AI सुझावों को स्वीकार, संपादित, या अस्वीकार करने के लिए व्यावसायिक निर्णय का उपयोग करते हैं — एक "सहायता करें लेकिन जाँचें" पैटर्न — और प्रामाणिकता तथा स्वर की रक्षा के लिए अतिरंजित प्रशंसा और सामान्य सुझावों को व्यवस्थित रूप से संयमित करते हैं। प्रतिपुष्टि का संबंधगत/भावनात्मक आयाम (छात्र–शिक्षक संबंध, प्रोत्साहन) AI प्रत्यायोजन का सबसे अधिक प्रतिरोध करता है, यह संकेत देते हुए कि चक्र का यह भाग स्वभावतः ही मानवीय बना रहता है। यह मनुष्य-दर-चक्र मध्यस्थता मानव-लूप-में और शिक्षण से जुड़ती है।

Luo और Eaton की नीति समीक्षा इसी बिंदु को और तीखा करती है: शिक्षकों के AI उपयोग के विषय में 50 शीर्ष-रैंक विश्वविद्यालयों में से केवल 14 के पास विशिष्ट मार्गदर्शन था, और छात्रों ने अप्रकट AI प्रतिपुष्टि को "बेईमानी भरी" बताया, जिससे पारदर्शिता और सहमति नैतिक अभ्यास की शर्तें बनती हैं, कोई सौजन्य नहीं (Luo & Eaton (2026))।

LearnLens उस मध्यस्थता को एक तंत्र में बदल देता है: यह शिक्षक के संपादन को सुधार के रूप में नहीं, बल्कि असंतोष के संकेत के रूप में मोल लेता है, तेज़ उत्तर लौटाने के बजाय गहरी चिंतन पर अतिरिक्त गणना खर्च करता है, और उसके शिक्षकों की प्रति असाइनमेंट माध्यकालीन समय 10–30 मिनट से घटकर पाँच मिनट से कम हो गई (Zhao एट अल. (2025))।

संबंधगत पढ़ना प्रतिस्थापन से गहरा काटता है। 12 छात्रों और 18 शिक्षकों के कार्यशालाओं में, Bearman एट अल. (2026) ने पाया कि छात्रों ने AI को एक अतिरिक्त लेकिन दोषपूर्ण स्रोत के रूप में मोल लिया, उसे रुब्रिक, व्याख्यान नोट्स, चर्चा बोर्ड और शिक्षकों की टिप्पणियों से तुलना की, और मानव प्रतिक्रिया धीमी होने पर उसे अस्थायी व्यवस्था के रूप में उपयोग किया; किसी एक ने शिक्षकों की पतली टिप्पणियों को चैटबॉट में चिपकाकर आगे क्या करना है यह तय किया। AI की उपस्थिति ने संबंधों को बदला, केवल टिप्पणियाँ जोड़ीं नहीं, इतना कि एक छात्र ने चर्चा-बोर्ड की सहकर्मी प्रतिपुष्टि पर भरोसा करना बंद कर दिया क्योंकि वह संभवतः AI-लिखित थी। लेखक इसलिए मनुष्य-के-रूप में-चक्र का प्रस्ताव करते हैं: मशीन उत्पादन की निगरानी के स्थान पर, समय के साथ मज़बूत प्रतिपुष्टि संबंध बनाने में एक-दूसरे की मदद करते लोग।

Winstone एट अल. (2026) GenAI प्रतिपुष्टि को देखभाल के विषयों के रूप में पुनर्गठित करते हैं — एक नैतिक, संबंधगत अभ्यास, जानकारी अंतरण नहीं — और एक सुरक्षित-स्थान विरोधाभास का नाम देते हैं: उपकरण का कम व्यक्तिगत जोखिम पेशेवर प्रतिपुष्टि के अनुभवों की घर्षण के लिए छात्रों को तैयार करने से वंचित कर सकता है।

AI प्रतिपुष्टि को कैसे बदलता है

AI प्रतिपुष्टि को तीन महत्वपूर्ण दिशाओं में बदलता है, जिनमें से प्रत्येक अन्य पहलुओं के दांव को बढ़ाती है:

• आयातन और तात्कालिकता। AI प्रतिपुष्टि को तुरंत और बड़े पैमाने पर उत्पन्न कर सकता है, जिससे छात्रों को मिलने वाली प्रतिपुष्टि की मात्रा नाटकीय रूप से बढ़ती है। बहु-स्थलीय GenAI प्रतिपुष्टि अध्ययन और उच्च शिक्षा में AI प्रतिपुष्टि AI प्रतिपुष्टि को स्वीकार्यता और सहायकता में शिक्षक प्रतिपुष्टि के तुल्य अनुभव होने के रूप में प्रलेखित करते हैं। 42 अनुभवजन्य अध्ययनों (2023–2025) की एक PRISMA-निर्देशित व्यवस्थित समीक्षा इस पैमाने के लाभ की पुष्टि करती है — LLM ग्रेडिंग को तेज़ कर सकते हैं और बड़े पैमाने पर त्वरित, वैयक्तिकृत प्रतिपुष्टि वितरित कर सकते हैं, विशेष रूप से बड़े या उच्च-शिक्षा समूहों में — साथ ही चेतावनी देती है कि ऐसी प्रतिपुष्टि कभी-कभी बहुत सामान्य या निर्धारित ग्रेड से मेल नहीं खाती होती, और विश्वसनीयता लंबे, बहुभाषी, या सूक्ष्म कार्यों पर कमजोर पड़ती है (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback)।

• वैयक्तिकरण एक पूर्वाग्रह सदिश है। आठवीं कक्षा के निबंधों को स्थिर रखते हुए, चार LLM ने नस्ल, भाषा, या दिव्यांगता से चिह्नित छात्रों के लिए अति-प्रशंसा की और आलोचना रोकी — इसलिए कि कौन-से छात्र गुण प्रतिपुष्टि प्रणाली में जाते हैं, यह एक निष्पक्षता निर्णय है, तटस्थ नहीं (Tan, Phalen & Demszky (2026))।

• शिक्षार्थी पर मूल्यांकन की माँग। क्योंकि AI प्रतिपुष्टि गलत या मतिहीन हो सकती है, छात्रों को यह निर्णय करना चाहिए कि उस पर भरोसा करना है और उस पर अमल करना है। यहीं फीडबैक साक्षरता और विश्वास कैलिब्रेशन निर्णायक बनते हैं: Mendoza एट अल. (2026) दिखाते हैं कि केवल प्रतिपुष्टि-साक्षर छात्र ही AI प्रतिपुष्टि को स्व-नियंत्रित अधिगम लाभ में बदलते हैं, जबकि LLM भ्रम यह समझाता है कि छात्र AI प्रतिपुष्टि को अपनी क्षमता में अधिक श्रेय दे सकते हैं।

• प्रतिपुष्टि साक्षरता उपयोग से बनती है, जनसांख्यिकीय से नहीं। 486 EFL स्नातक छात्रों में, केवल AI उपकरण उपयोग की आवृत्ति ने ही AI प्रतिपुष्टि साक्षरता की भविष्यवाणी की (β = 0.29) — न मुख्य विषय ने न अध्ययन के वर्ष ने — इसलिए AI-मध्यस्थ प्रतिपुष्टि तक पहुँच में सहायक ढाँचा बनाना उतना ही एक समानता प्रश्न है जितना डिज़ाइन का (Liu & Deris (2025))।

• प्रयोगशाला स्वीकृति सेमेस्टर उपयोग नहीं है। सभी 18 छात्रों ने प्रयोगशाला सत्रों में GenAI व्याख्या फलन की सकारात्मक प्रतिक्रिया दी, फिर भी अवधि के दौरान केवल आधे ने उसका उपयोग किया, जिसमें बेमेल, अप्रासंगिकता, और अतिरेक का कारण बताया जब शिक्षक प्रतिपुष्टि पहले से स्पष्ट थी (Jin एट अल. (2025))।

• स्वीकार्यता को विश्वास और देखभाल सीमित करती है, शुद्धता नहीं। सत्रह EFL छात्रों ने एक AI लेखन सहायक को उच्च विशेषज्ञता दी फिर भी डेटा प्रबंधन को लेकर उसकी विश्वसनीयता पर संदेह किया और उसकी सद्भावना को सबसे कम रेट किया, उसे केवल व्यापक भाषा संबंधी चिंताओं के लिए अधिकृत किया; कुछ ने उसके सुझावों की मात्रा को भी असाधारण पाया (Serpil & Mor, 2026)।

• कार्य-स्तर की उपयुक्तता: संज्ञानात्मक स्थिति से प्रतिपुष्टि को छाँटना। Venetsanos (2026) तर्क देता है कि जिन ढाँचों पर क्षेत्र भरोसा करता है — Hattie और Timperley के स्तर, Boud और Molloy के डिज़ाइन सिद्धांत — वे यह समझाते हैं कि प्रतिपुष्टि सीख में कहाँ कार्य करती है, लेकिन यह नहीं कि किसी दिए गए प्रतिपुष्टि कार्य में नियम-जाँच, तथ्यात्मक सत्यापन, या व्याख्यात्मक निर्णय शामिल है या नहीं, और यह दूसरा भेद ही यह निर्णय करता है कि स्वचालन कब उचित है। प्रस्तावित त्रिपक्षीय विभाजन है निम्न-स्तरीय संरचनात्मक और प्रस्तुतीकरण प्रतिपुष्टि (स्वरूपण, संदर्भ, व्याकरण, वाक्य-स्तरीय स्पष्टता — स्पष्ट मानकों के विरुद्ध नियम-आधारित और सुरक्षित रूप से स्वचालनीय), मध्यवर्ती स्तरीय तथ्यात्मक और प्रक्रियात्मक सत्यापन (क्या कोई गणना निर्दिष्ट विधि का सही उपयोग बनाती है, क्या कोई बताया गया तथ्य authoritative संदर्भों से मेल खाता है — स्थापित ज्ञान के विरुद्ध तुलना, तर्क के निर्णय नहीं), और उच्च-स्तरीय महत्वपूर्ण मूल्यांकन और संश्लेषण, जहाँ निर्णय व्याख्यात्मक है और मनुष्य के पास ही रहना चाहिए। ये स्तर आयाम हैं, एक सीढ़ी नहीं: एक ही गणना एक ही समय में सही ढंग से प्रस्तुत, अंकगणितीय रूप से गलत, और पद्धतिगत रूप से अनुपयुक्त हो सकती है, और सत्यापन, प्रक्रिया प्रतिपुष्टि तथा स्व-नियंत्रण प्रतिपुष्टि को एक साथ आकर्षित कर सकती है। इस ढाँचे का सबसे तीखा सीमांत प्रकरण स्पष्टता है: वाक्य-स्तरीय स्पष्टता सतही है, लेकिन तर्कपूर्ण अस्पष्टता प्रायः अधूरी संकल्पनात्मक समझ का संकेत देती है, इसलिए चिह्नित की गई घटनाओं को गद्य के सुधार के रूप में नहीं, बल्कि मानव समीक्षा के लिए बढ़ाया जाना चाहिए — लेखन को ठीक करने से वास्तविक समस्या को छुआ नहीं जाएगा।

• भूमिका-जागरूक प्रतिपुष्टि। Yaşar एट अल. (2026) ने दिखाया कि एक ही LLM को एक ही छात्र कृति का मूल्यांकन विभिन्न भूमिकाओं में करने के लिए प्रॉम्प्ट देना — प्रशिक्षक, सहकर्मी समीक्षक, अनुदान समीक्षक — गुणात्मक रूप से भिन्न प्रतिपुष्टि उत्पन्न करता है: प्रशिक्षक प्रोत्साहनकारी और प्रक्रिया-उन्मुख थे, सहकर्मी सहायक और संभाषणात्मक, अनुदान समीक्षक औपचारिक और परिणाम-उन्मुख। ये भेद संज्ञानात्मक थे, केवल शैलीगत नहीं, और डिज़ाइन अभ्यास के भिन्न पहलुओं को उभारते थे — यह प्रमाण कि भूमिका-जागरूक प्रॉम्प्टिंग एक ही सामान्य प्रतिक्रिया के बजाय भूमिका-संवेदी मूल्यांकनात्मक प्रतिपुष्टि उत्पन्न कर सकती है।

• प्रतिपुष्टि का प्रकार घनत्व से अधिक महत्वपूर्ण है। एक आठ-सप्ताह के अनुकूली संभाव्यता अध्ययन (194 छात्रों) ने पाया कि निदेशात्मक, सूचनात्मक और परिवर्तनकारी प्रतिपुष्टि का उपयोग भिन्न रूप से किया गया, और परिवर्तनकारी प्रतिपुष्टि ने संज्ञानात्मक अधिभार में योगदान दिया — इसलिए प्रतिपुष्टि डिज़ाइन को आयातन को अधिकतम करने के बजाय प्रकार को शिक्षार्थी के चरण से मिलाना चाहिए (Mejeh & Fromm (2026))।

• प्रतिपुष्टि उपयोगिता बनाम मूल्यांकनात्मक प्राधिकार। AlGhamdi (2026) दिखाता है कि छात्र AI-जनित प्रतिपुष्टि को उपयोगी मान सकते हैं और साथ ही AI को उचित ग्रेडर होने से इनकार कर सकते हैं — प्रतिपुष्टि उपयोगिता (सतही स्तर की प्रतिपुष्टि की सूचनात्मक मूल्य) को मूल्यांकनात्मक प्राधिकार (कौन ग्रेड तय कर सकता है) से अलग करते हुए। एक पारदर्शी मूल्यांकन डिज़ाइन में, सऊदी कंप्यूटिंग छात्रों ने इन्हें विश्लेषणात्मक रूप से भिन्न निर्णयों के रूप में मोल लिया, संशोधन के लिए ChatGPT की स्पष्टता को महत्व देते हुए ग्रेडिंग प्राधिकार को मानव प्रशिक्षक के लिए सुरक्षित रखा और यह संभाषणात्मक, संस्थागत रूप से भारित कारण रखे। यह निष्कर्ष फीडबैक साक्षरता को प्रतिपुष्टि गुणवत्ता के निर्णय से आगे बढ़ाकर मूल्यांकनात्मक प्राधिकार के विषय में तर्क करने तक विस्तारित करता है, और संकेत देता है कि AI भागीदारी के विषय में पारदर्शिता प्रतिपुष्टि को निष्क्रिय स्वीकृति के बजाय महत्वपूर्ण चिंतन का विषय बना सकती है।

• पुनरीक्षण का रुख एक परिणाम है, केवल उसकी गुणवत्ता नहीं। प्रतिपुष्टि शोध प्रायः यह पूछता है कि क्या पुनरीक्षण ने पाठ को सुधारा। Zhao and Ji (2026) यह पूछते हैं कि संशोधित पाठ कौन-सा बयानी रुख अपनाता है, 168 EFL तर्कात्मक निबंधों को प्रथम प्रारूपों, सहकर्मी प्रतिपुष्टि के बाद के पुनरीक्षणों, और उन्हीं प्रारूपों के ChatGPT-4 पुनरीक्षणों में Appraisal Theory से कोडित करते हुए। सहभागिता भाषा तीनों में समान रूप से आई, लेकिन भिन्न रूप से विन्यस्त: सहकर्मी-प्रतिपुष्टि पुनरीक्षण अधिक संकुचित हुए (अधिक Counter और Endorse, कम Entertain), जबकि AI पुनरीक्षणों ने अधिक संतुलित Contract/Expand मिश्रण बनाए रखा। कोई भी बेहतर लेखन नहीं है — बिंदु यह है कि दो पुनरीक्षण मार्ग तर्क को भिन्न संवादी स्थिति में छोड़ते हैं, जिससे रुख स्वयं कुछ ऐसा बन जाता है जिसे प्रतिपुष्टि संवाद नाम दे सकता है और एक लेखक चुन सकता है।

• कोई व्याख्या प्रभावशाली हो सकती है और फिर भी अविश्वसनीय। Bueno एट अल. (2026) ने पाया कि उन वाक्यों को हटाने से जिन्हें एक LLM औचित्य ने सबसे प्रभावशाली रैंक किया था, रुब्रिक स्कोर विरल ही बदला, जबकि SHAP-चयनित वाक्यों ने उसे विश्वसनीय रूप से बदला और मॉडल परिवारों में स्थानांतरित किया, इसलिए एक बहावी औचित्य यह प्रमाण नहीं है कि किसी स्कोर का आधार वही है।

• प्रतिपुष्टि साक्षरता एक प्रशिक्षण लक्ष्य। केवल प्रतिपुष्टि प्रदान करने के बजाय, AI उपकरण तेज़ी से इस प्रकार डिज़ाइन किए जा रहे हैं कि छात्रों को प्रतिपुष्टि का उपयोग करना सिखाएँ — स्वचालित प्रतिपुष्टि उपकरणों को साक्षरता-निर्माण उपकरणों के रूप में पुनर्गठित करना, GenAI को प्रतिपुष्टि सहभागिता के सक्षमकर्ता के रूप में रूपांतरित करना, और GenAI आलोचना कार्यों का उपयोग मनोवैज्ञानिक, प्रतिपुष्टि, और AI साक्षरताओं को एक साथ बनाने के लिए करना।

• प्रतिपुष्टि साक्षरता और अंशांकन अलग लीवर हैं। 120 स्नातक छात्रों के साथ, एक प्रतिपुष्टि साक्षरता स्क्रिप्ट (Filter–Reason–Act–Check) ने लेखन गुणवत्ता, प्रभावी अवलोकन, और गहरे संशोधन को बढ़ाया, एक मूल्यांकन-प्रदर्शन अंशांकन गतिविधि ने स्व-मूल्यांकन शुद्धता में सुधार किया और अति-आत्मविश्वास कम किया, और उन्हें मिलाने से सबसे बड़े लेखन लाभ मिले और AI सहायता हटाए जाने के बाद सबसे मज़बूत अवधारण बनी (Dai (2026))।

• स्पष्टता प्रभावशीलता नहीं है। LLM-द्वारा पुनर्लिखित Python त्रुटि संदेशों को मानक इंटरप्रेटर आउटपुट से उल्लेखनीय रूप से अधिक पठनीय और कम संज्ञानात्मक रूप से मांगने वाले रेट किया गया, फिर भी न तो सुधार दर में, न प्रयासों में, न समय-से-सुधार में कोई उल्लेखनीय लाभ हुआ (Moraru, Biswas & Gadiraju (2026))।

प्रतिपुष्टि को प्रभावी क्या बनाता है: अंशांकन प्रमाण

Ngai & Gilbert (2026) AIED के साथ सीधे संबंध में प्रतिपुष्टि डिज़ाइन पर एक साफ़ प्रयोगात्मक परिणाम देते हैं: शिक्षार्थी के अपने पूर्वानुमान से जुड़ी वास्तविक, तत्काल, प्रति-प्रयास प्रतिपुष्टि ही व्यवहार बदलती है — केवल अनुमान या विश्वास पर्याप्त नहीं। उनके चार-समूह डिज़ाइन में, पूर्व प्रदर्शन अनुमान के साथ प्रतिपुष्टि ने अंशांकन और व्यवहार दोनों को सुधारा, जबकि प्रतिपुष्टि के बिना अनुमानों ने कुछ नहीं किया, और स्पष्ट अति-/कम-आत्मविश्वास लेबल जोड़ने से आगे कुछ नहीं बढ़ा। LLM इस प्रक्रिया में अंशांकन साझेदार के रूप में भी काम कर सकते हैं: Yaşar एट अल. (2026) ने पाया कि रुब्रिक परिष्करण के बाद, LLM ने प्रदर्शन सीमाओं को लागू करने में कुछ मानव रेटरों से अधिक स्थिरता दिखाई — नॉर्मिंग सत्रों और स्वरूपक सहकर्मी प्रतिपुष्टि परिवेशों में उपयोगी, जहाँ मॉडल मूल्यांकनात्मक निर्णय को बदलने के बजाय अंशांकित करने में मदद करता है। यह ज्ञान आधार की प्रतिपुष्टि-प्रणाली दृष्टि से मेल खाता है: प्रतिपुष्टि की शक्ति शिक्षार्थी के अपने अनुमान के विरुद्ध खाई को बंद करने में है (प्रदान–अवलोकन युग्म), और प्रभावी प्रतिपुष्टि तत्काल, शुद्ध, और स्पष्ट रूप से उससे जुड़ी होनी चाहिए जिसकी छात्र ने भविष्यवाणी की थी — AI प्रतिपुष्टि प्रणालियों और फीडबैक साक्षरता प्रशिक्षण दोनों के लिए एक डिज़ाइन सिद्धांत।

हालाँकि, प्रयास स्वतः ही वह गुम घटक नहीं है जो खोया हुआ है। 302 अमेरिकी वयस्कों के साथ एक पूर्व-पंजीकृत बीच-विषय प्रयोग में, जो परिचयात्मक Python सीख रहे थे, Asher, Gold & Carvalho (2025) ने वैयक्तिकृत Claude Sonnet 3.5 व्याख्यात्मक प्रतिपुष्टि को एक संरचित तीन-चरणीय स्व-व्याख्या प्रॉम्प्ट के साथ जोड़ा — प्रत्येक गलत कोड अनुभाग के लिए, सही कोड क्या करता है और शिक्षार्थी का अपना प्रयास क्यों विफल रहा — और जोड़ी गई चिंतन ने कुछ नहीं लाया। Reflective Practice प्रतिभागियों ने प्रतिपुष्टि की समीक्षा में 4.1 मिनट बिताए बनाम साधारण Practice में 2.1 मिनट (t(267) = 11.30, p < .001), जिससे केवल 2.0 अभ्यास समस्याओं के लिए जगह बची बजाय 3.4 के (t(267) = 8.20, p < .001); प्रत्येक समस्या दोनों तरह से समान मूल्य की थी (Reflection × problem-number OR = 1.03, z = 0.23, p = .486), इसलिए Practice अधिक दक्षता के साथ समाप्त हुई, 79% बनाम 65% (d = .41), और स्थानांतरण के निकट, दूर-स्थानांतरण, या कोड-मूल्यांकन प्रश्नों पर कभी पीछे नहीं रही। चिंतन ने वह मेटासंज्ञानात्मक लाभ भी नहीं दिया जिसका उसने लक्ष्य रखा था: सीख के निर्णय समूहों में भिन्न नहीं थे, और अभ्यास स्थितियाँ बेहतर अंशांकित थीं (11 अंकों तक कम-आत्मविश्वास, बनाम वीडियो दर्शक 20 अंक अति-आत्मविश्वास, d = −.93) और कम विकर्षण रिपोर्ट किया (d = −.80) बनाम चिंतनशील शिक्षार्थियों के, जिनकी चिंतन औसतन केवल 35 शब्दों की थीं। लेखकों की व्याख्या है कि AI प्रतिपुष्टि ने पहले ही वह मड्गद प्रदान कर दी थी जो स्व-व्याख्या प्रायः जोड़ती है — एक संदेश जो गलती का नाम लेता है, सही दृष्टिकोण समझाता है और अंतर्निहित संकल्पना का वर्णन करता है, चिंतन प्रॉम्प्ट के लिए बहुत कम छोड़ देता है — और यह कि अपरिचित वाक्य रचना सीखते समय चिंतन लिखना उस विविध पुनरावृत्ति से सीधे मुकाबला करता है जो स्थानांतरणीय कौशल बनाता है। यह वांछनीय कठिनाइयाँ और उत्पादक विफलता के लिए प्रसंस्करण-गहराई धुरी पर एक सीमा शर्त निर्धारित करता है: प्रयास तब लाभदायक है जब वह अतिरिक्त पुनर्प्राप्ति, अनुप्रयोग या तुलना चलाता है, और तब अतिरेकपूर्ण जब शिक्षार्थी पहले से ही अपनी विशिष्ट गलती का एक वैयक्तिकृत व्याख्या प्राप्त कर रहा है। यह यह भी बताता है कि प्रतिपुष्टि गुणवत्ता अवलोकन के साथ कैसे क्रिया करती है: प्रतिपुष्टि जितनी अधिक विस्तृत और लक्षित होती है, किसी अतिरिक्त परत के लिए मूल्य जोड़ने की जगह उतनी ही संकरी होती है, जिससे डिज़ाइन का ध्यान एक एपिसोड को गहरा करने से हटकर दुर्लभ अभ्यास मिनटों को आयातन, समस्या विविधता, और चिंतन के समय पर खर्च करने की ओर बढ़ता है — जैसे किसी पकड़े गए संतुलन बिंदु पर — अध्ययन ने एक ही बिना जाँची गई वृद्धि को जाँचा, और लेखक ध्यान देते हैं कि ये रूप खुले बने हुए हैं।

• अनुकूलनशीलता और अनुकूलता प्रतिपुष्टि के अलग आयाम हैं। तीन विश्वविद्यालय लेखन पाठ्यक्रमों में शिक्षक और LLM टिप्पणियों के सात प्रतिपुष्टि फोकस प्रकारों के साथ एनोटेशन से पता चलता है कि अधिकांश मॉडल लगभग हर प्रकार को कवर करते हैं जबकि कोई भी उनके बीच शिक्षक के वितरण से मेल नहीं खाता, और कोई भी अपना फोकस प्रारूप चरणों में उस तरह नहीं बदलता जैसे एक विशेषज्ञ प्रशिक्षक करता है (Almousa एट अल., 2026)।
• समुच्चय लाभ बराबर-विरोधी बदलावों को छिपा सकते हैं। 260 चीनी छठी कक्षा के छात्रों के साथ तीन महीने की WISE Agent प्रतिपुष्टि ने कुल महत्वपूर्ण चिंतन अभिवृत्ति स्कोर को नहीं बदला (t=-0.854, p=0.394), फिर भी Truth-seeking बढ़ी (p<0.001) जबकि Cognitive Maturity गिरी (p=0.019) — एक गिरावट जिसे लेखक छात्रों द्वारा अति-आकलित समझ के पुनरंशांकन के रूप में पढ़ते हैं। (Zhu एट अल. (2026))

मूल्यांकन संदर्भों में प्रतिपुष्टि

ज्ञान आधार का प्रतिपुष्टि शोध मूल्यांकन संदर्भों की पूरी श्रृंखला में फैला है, जिनमें से प्रत्येक में भिन्न प्रतिपुष्टि गतिशीलता है:

• स्वरूपक प्रतिपुष्टि सीख-हेतु प्रतिपुष्टि का मानक स्थल है — स्वरूपक मूल्यांकन उस प्रतिपुष्टि के द्वारा स्व-नियंत्रित सीख को पोषित करता है जो सीख के चल रहने के दौरान पहुँचती है (स्वचालित स्वरूपक मूल्यांकन, प्रतिपुष्टि क्रियान्वयन)।

• सिंहावलोकन प्रतिपुष्टि सिंहावलोकन मूल्यांकन से जुड़ी प्रतिपुष्टि है — इकाई के अंत में परीक्षाएँ, मौखिक परीक्षाएँ, और निरीक्षित/बंद-पुस्तक परीक्षाएँ। AI युग में, सिंहावलोकन सेटिंग वह है जहाँ AI प्रतिरोध सबसे अधिक मायने रखता है (देखें समापक मूल्यांकन): निरीक्षित मौखिक परीक्षा या बंद-पुस्तक मूल्यांकन पर प्रतिपुष्टि वास्तविक सीख को जाँचती है, जबकि AI-सहायित गृहकार्य पर प्रतिपुष्टि बढ़ी हुई हो सकती है। मौखिक मूल्यांकन प्रतिपुष्टि के क्षण को एक जीवित, अंतःक्रियात्मक संवाद के रूप में पुनर्गठित करते हैं — प्रतिपुष्टि तत्काल, संभाषणात्मक, और मूल्यांकन से ही अविभाज्य बन जाती है, और ठीक यही कारण है कि वे AI प्रतिस्थापन का प्रतिरोध करते हैं।

• सहकर्मी प्रतिपुष्टि एक सामाजिक परत जोड़ती है — सहकर्मी प्रतिपुष्टि प्रतिपुष्टि साक्षरता विकसित करती है और तेज़ी से AI-संवर्धित हो रही है (AI सहकर्मी प्रतिपुष्टि, EFL सहकर्मी प्रतिपुष्टि में GenAI)। फिर भी सहकर्मी प्रतिपुष्टि उतनी ही अच्छी है जितनी उसकी वास्तविक वितरण: एक सेमेस्टर लंबे क्षेत्र प्रयोग में, जिन छात्रों को सहकर्मी प्रतिपुष्टि सौंपी गई थी उनमें से दो-तिहाई से कम को किसी भी पाठ्य प्रतिपुष्टि के बिना रहा, और जो वितरित हुई उसमें अधिकांश गैर-लक्षित प्रशंसा थी — इसलिए जब अलग-अलग GPT-4 प्रतिपुष्टि ने अविश्वसनीय सहकर्मियों को बदला, तो छात्रों ने सबसे अधिक सहभागिता बनाए रखी और सबसे बड़ी सामग्री सीख लाभ दर्ज किए (Geschwind एट अल., 2026), यह प्रमाण कि AI का बढ़त विश्वसनीयता का लाभ है, निहित श्रेष्ठता का नहीं।

• प्रॉम्प्ट सहायक ढाँचा GenAI को प्रतिपुष्टि सुविधादाता बनाता है। Chang एट अल. (2026) ने पाया कि जिन छात्रों को सहकर्मी प्रतिपुष्टि के लिए संरचित प्रॉम्प्ट (संदर्भ, उद्देश्य, भूमिका) दिए गए, उन्होंने अधिक व्याख्याएँ और सुझाव उत्पन्न किए, और केवल उसी समूह ने प्रत्याख्यान डेटा और विरोधी दृष्टिकोण को संबोधित करने में उत्कृष्टता दिखाई।

• स्वचालित प्रतिपुष्टि वितरण को विस्तार देती है — निबंध स्कोरिंग से लघु-उत्तर ग्रेडिंग तक स्वचालित स्कोरिंग और प्रतिपुष्टि। Arthur (Yin एट अल. 2026) इसे असंरचित मात्रात्मक समस्याओं तक विस्तारित करता है: एक प्रति-प्रश्न XGBoost निदान रीढ़ छात्रों द्वारा प्रस्तुत संख्यात्मक उत्तरों से रुब्रिक-लेबल की गई गलतियों का अनुमान लगाकर उन्हें प्राकृतिक-भाषा प्रतिपुष्टि में बदलता है, जबकि एक संवाद-आधारित योजना केवल विश्वास कम होने पर मध्यवर्ती उत्तर माँगती है — प्रतिपुष्टि शुद्धता और छात्रों पर संग्रह बोझ के बीच संतुलन बनाते हुए।

• स्वचालित लेखन मूल्यांकन एक वितरण-पक्षीय उपकरण है जिसकी मापी गई लागत है। 50 अनुभवजन्य अध्ययनों (2019–2024) की एक समीक्षा ने पाया कि स्वचालित लेखन मूल्यांकन ने 25 अध्ययनों में व्याकरण, विराम चिह्न और वाक्य रचना में सुधार किया और 15 में शिक्षकों के यांत्रिक सुधार कार्यभार को कम किया, जिससे तर्क, सुसंगति और संगठन के लिए समय मुक्त हुआ; लाभ केवल तब बने रहे जब उपकरण संरचित प्रारूपण और पुनरीक्षण चक्रों के भीतर थे, स्वतंत्र सहायता के रूप में नहीं, उन पर भारी निर्भरता कमज़ोर महत्वपूर्ण चिंतन और रचनात्मकता से जुड़ी थी, और उपकरणों ने मानकीकृत अंग्रेज़ी मानदंडों को पुनरुत्पादित किया जिन्हें EFL उपयोगकर्ताओं ने अपनी बयानी परंपराओं से मेल नहीं खाता बताया (Gres एट अल., 2026)।

एक प्रमुख अंतर-संदर्भ अंतर्दृष्टि यह है कि प्रतिपुष्टि की विश्वसनीयता उस मूल्यांकन की अखंडता पर निर्भर करती है जिससे वह जुड़ी होती है: प्रतिपुष्टि उतनी ही विश्वसनीय है जितनी वह माप जिसके अनुकूल वह प्रतिक्रिया करती है। AI युग में यह शिक्षकों को प्रामाणिक और AI-प्रतिरोधी सिंहावलोकन प्रारूपों की ओर धकेलता है जहाँ छात्र को मिलने वाली प्रतिपुष्टि वास्तविक सीख को दर्शाती है, AI-सहायित उत्पादन को नहीं।

"मूल्यांकन सीख के लिए" प्रतिपूर्णक प्रतिपुष्टि को एक घटक के बजाय एक व्यापक दर्शन के रूप में पुनर्गठित करता है। Mesny, Roberge-Maltais & Galy (2026) उस दर्शन के केंद्रीय होने के लिए स्वरूपक, निरंतर, और वैयक्तिकृत प्रतिपुष्टि को उच्च-शिक्षा साहित्य का संश्लेषण करके रूपांतरित करते हैं, स्वरूपक और सिंहावलोकन उद्देश्यों को संतुलित करते हुए और छात्र कार्यक्षमता, स्व-शिक्षा में AI विनियमन, और मेटासंज्ञानात्मक कौशल को उभारते हुए। वे हालाँकि ध्यान देते हैं कि प्रबंधन शिक्षा में प्रतिपुष्टि-समृद्ध अभ्यास असमान रूप से अपनाए गए हैं: स्व- और सहकर्मी-मूल्यांकन (सहकर्मी प्रतिपुष्टि का एक स्थल) साहित्य में प्रभावी हैं, जबकि पुनर्मूल्यांकन — जो सीख सुधारने के लिए प्रतिपुष्टि-चालित दूसरे अवसरों का उपयोग करता है — लगभग अनुपस्थित है।

• प्रदर्शित क्रियात्मकता लागू क्रियात्मकता नहीं है। शिक्षण के मूल्यांकन पर खुले छात्र टिप्पणियों में NLP लागू करने वाले 421 अध्ययनों की एक स्कोपिंग समीक्षा में, 61.3% ने प्रदर्शित परिणाम या उससे अधिक के स्तर पर आउटपुट उत्पन्न किया, लेकिन केवल 11.6% ने यह प्रमाण दिया कि इच्छित उपयोगकर्ताओं ने उसका मूल्यांकन या उपयोग किया (Eicher & da Silva, 2026)।

प्रदान-अवलोकन युग्म

ज्ञान आधार की मुख्य प्रतिपुष्टि अंतर्दृष्टि यह है कि प्रतिपुष्टि गुणवत्ता और प्रतिपुष्टि साक्षरता एक ही प्रणाली की दो तरफ़ें हैं: उच्च-गुणवत्ता वाली प्रतिपुष्टि साक्षर प्राप्तकर्ता के बिना निष्क्रिय है, और एक साक्षर छात्र खराब प्रतिपुष्टि से बहुत कम हासिल करता है। एआई फीडबैक की गुणवत्ता प्रदान पक्ष को कवर करता है (क्या प्रतिपुष्टि शुद्ध, समयबद्ध, क्रियात्मक है?), जबकि फीडबैक साक्षरता अवलोकन पक्ष को कवर करता है (क्या छात्र उसका निर्णय कर सकता है और उस पर अमल कर सकता है?)। प्रतिपुष्टि का चक्र वह है जो उन्हें जोड़ता है — वह तंत्र जिससे गुणवत्ता प्रतिपुष्टि, एक साक्षर शिक्षार्थी द्वारा प्राप्त, खाई को बंद करती है। प्रभावी AI प्रतिपुष्टि डिज़ाइन करना इसलिए प्रणाली और छात्र दोनों को डिज़ाइन करना है।

कौन-सी छात्र-पक्षीय क्षमताएँ महत्वपूर्ण हैं, यह अनुभवजन्य रूप से अलग करने योग्य है: 1,507 माध्यमिक छात्रों में, जिनमें से प्रत्येक को एक तर्कात्मक पाठ पर एक मानकीकृत स्वचालित प्रतिपुष्टि संदेश मिला, केवल प्रतिपुष्टि के साथ व्यवहारगत सहभागिता और उसके प्रति साधनात्मक अभिवृत्तियों ने पुनरीक्षण प्रदर्शन की भविष्यवाणी की — दोनों आयामों में 75वें प्रतिशतक पर खड़े छात्रों ने 25वें प्रतिशतक पर तुलनीय छात्रों से लगभग 0.10 या 0.11 WLE अंक अधिक सुधार किया, जो लगभग 46वें से 54वें प्रतिशतक के बराबर है — जबकि वैश्विक ग्रहणशीलता, संज्ञानात्मक सहभागिता और अनुभवात्मक अभिवृत्तियाँ उससे असंबंधित थीं और धारी उपयोगिता ने किसी भी आयाम के प्रदर्शन तक मार्ग को मध्यस्थता नहीं दी। उपयोगिता दूसरे परिणाम पर काम करती थी: स्थितिज सहभागिता पर वैश्विक ग्रहणशीलता का प्रभाव पूरी तरह धारी उपयोगिता से होकर चला (अप्रत्यक्ष β = 0.09, 95% CI [0.06, 0.13]), इसलिए पुनरीक्षण लाभ प्रतिपुष्टि पर अमल करने की स्थायी आदतों को ट्रैक करते थे जबकि सहभागिता किसी विशेष संदेश के आकलन को ट्रैक करती थी। (Automated feedback on argumentative writing: The role of secondary students' feedback receptivity and feedback perception)

कोई स्रोत इस बात में भिन्न हो सकता है कि वह कैसे अंशांकित करता है, न कि यह कितनी अच्छी तरह स्कोर करता है: एक यादृच्छिक प्रयोग में, चेन-ऑफ़-थॉट AI प्रतिपुष्टि ने रुब्रिक गुणवत्ता में एक अनुभवी शिक्षक को हराया फिर भी अधिक पुनरीक्षण लाभ नहीं दिए, जबकि शिक्षक की प्रतिपुष्टि प्रारूपों में अंशांकित बनी रही और GenAI प्रतिपुष्टि ने प्रारंभिक निबंध की ताकत को ट्रैक किया (Farrokhnia एट अल. (2026))।

एक दो-परत मॉडल दिखाता है कि युग्म को मशीन के चारों ओर कैसे व्यवस्थित किया जा सकता है, निर्णय को उसके प्रति प्रत्यायोजित किए बिना। El Khoury और Ma के किए गए उदाहरण में, एक एजेंट प्रत्येक प्रतिलेख पर एक प्रारूप रुब्रिक-आधारित प्रमाण रिपोर्ट तैयार करता है जिसमें हर रेटिंग उद्धृत अंशों से जुड़ी होती है, और प्रशिक्षक फिर रिपोर्ट की समीक्षा करता है, डिब्रीफ का नेतृत्व करता है और तय करता है कि उस छात्र के लिए प्रमाण का क्या अर्थ है — एक विभाजन जिसे लेखक इस प्रकार संक्षेपित करते हैं कि AI प्रमाण को व्यवस्थित करता है जबकि प्रशिक्षक उसकी व्याख्या करता है। अवलोकन के विषय में उनका दावा आकलन-आधारित है: छात्रों के साथ सहकर्मियों और प्रशिक्षकों से नेविगेट की जाने वाली सामाजिक पदानुक्रमों के बाहर प्रतिपुष्टि और पुनरावृत्ति करना आसान है, और छात्र की अपनी गति पर प्रशिक्षण ही वह है जो उनके तर्क में कभी-कभार की आत्मविश्वास को प्रतिपुष्टि में संलग्न होने की स्थिर आदत में बदल देता है।

AI शिक्षा में प्रतिपुष्टि क्यों महत्वपूर्ण है

प्रतिपुष्टि शिक्षा के सबसे महत्वपूर्ण और सर्वोत्तम प्रमाणित तंत्रों में से एक है, और AI उसे बढ़ाता है और उसे जटिल भी बनाता है। अच्छी तरह संरचित AI प्रतिपुष्टि मानव प्रतिपुष्टि के बराबर या उससे अधिक हो सकती है और समूहों में विस्तारित हो सकती है, लेकिन यह नई शिक्षार्थी क्षमताओं की माँग करती है (फीडबैक साक्षरता, AI साक्षरता) और जोखिम वहन करती है (अविवेचित स्वीकृति, अति-निर्भरता)। जैसे-जैसे AI-जनित प्रतिपुष्टि सर्वव्यापी होती है, ज्ञान आधार प्रतिपुष्टि को एक समग्र प्रणाली के रूप में — गुणवत्ता, चक्र, साक्षरता, और मूल्यांकन संदर्भ एक साथ काम करते हुए — रूपांतरित करता है, न कि किसी एक घटक के रूप में।

• प्रतिपुष्टि प्रतिपुष्टि-दाता को लक्षित कर सकती है। ट्यूटर प्रशिक्षण एक कम-खोजा गया प्रतिपुष्टि संदर्भ है: ऐसी स्वचालित प्रणालियाँ जो ट्यूटरों के खुले प्रतिक्रियाओं को क्रम-लेबलित करके प्रशंसा प्रकारों को चिह्नित करती हैं (प्रयास-आधारित प्रशंसा — वांछित प्रक्रिया-केंद्रित प्रकार — बनाम परिणाम-आधारित बनाम व्यक्ति-आधारित, सबसे कम वांछित गुण-आरोप प्रकार) वे ऐसी व्याख्यात्मक प्रतिपुष्टि वितरित कर सकती हैं जो ट्यूटरिंग व्यवहार बदलती है। बाध्यकारी बाधा विशेषज्ञ-लेबलित डेटा है। एक संवर्धन दृष्टिकोण — GPT-4o सिंथेटिक लेबलित प्रतिक्रियाएँ उत्पन्न करता है जो 13-उदाहरण के कम-संसाधन समूह को 520 तक विस्तारित करती हैं, फिर GPT-3.5 को सूक्ष्म-प्रशिक्षित करता है — अंतराल का अधिकांस हिस्सा पुनर्प्राप्त करता है: प्रयास-आधारित प्रशंसा पर F2 +20.5%, परिणाम-आधारित पर +17.3%, और अदृश्य व्यक्ति-आधारित श्रेणी पर +16.5%। अदृश्य प्रशंसा प्रकार के लिए सामान्यीकरण जाँच वह वैधता जाँच है जो इसे अति-अनुकूलन से अलग करती है, और तंत्र शास्त्रीय संवर्धन से अधिक शिक्षक-मॉडल अवतरण के निकट है। (Improving automated feedback systems for tutor training in low-resource scenarios through data augmentation)

संबंधित अवधारणाएँ

• शिक्षाशास्त्रीय पैटर्न — जाँचे गए प्रतिपुष्टि क्रम, जिसमें यह भी कि उच्च-गुणवत्ता वाली AI प्रतिपुष्टि ने अधिक पुनरीक्षण क्यों नहीं दिलाया
• ई-पोर्टफोलियो
• एआई फीडबैक की गुणवत्ता
• फीडबैक साक्षरता
• निर्माणकारक मूल्यांकन
• समापक मूल्यांकन
• सहकर्मी मूल्यांकन
• स्व-मूल्यांकन
• स्वचालित मूल्यांकन
• मूल्यांकन
• प्रामाणिक मूल्यांकन
• मूल्यांकन की वैधता
• स्व-नियंत्रित अधिगम
• AI साक्षरता
• मड्गद
• लेखन

संबंधित लेख

• Automated feedback on argumentative writing: The role of secondary students' feedback receptivity and feedback perception — तर्कात्मक लेखन पर स्वचालित प्रतिपुष्टि: माध्यमिक छात्रों की प्रतिपुष्टि ग्रहणशीलता और प्रतिपुष्टि धारणा की भूमिका
• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — AI एजेंट, आनंदमय मूल्यांकन, और तृतीय स्थान
• Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education — पारदर्शी AI-सहायित लेखन मूल्यांकन पर छात्रों के दृष्टिकोण (AlGhamdi 2026)
• Who grades best? Comparing ChatGPT, peer, and instructor evaluations across varying levels of student project quality — परियोजना गुणवत्ता स्तरों में ChatGPT, सहकर्मी, और प्रशिक्षक ग्रेडिंग की तुलना (Usher & Faraon 2026)
• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — GenAI-सहायित लेखन में परत-संवेदी संज्ञानात्मक अतिरेक (Chen 2026)
• Fostering self-regulated learning through adaptive learning technology: A differentiated perspective on the role of feedback
• Generative AI offers more, but students revise less: comparing the effects of teacher and AI feedback on student essay revisions — शिक्षक बनाम GenAI प्रतिपुष्टि: छात्र AI के साथ कम संशोधित करते हैं
• Supporting self-regulated learning through generative AI feedback in online higher education: the importance of student perceptions of the source of feedback — GenAI प्रतिपुष्टि और स्व-नियंत्रित सीख: धारी स्रोत महत्वपूर्ण है
• Leveraging generative AI to facilitate peer feedback in collaborative argumentation learning — सहयोगी तर्क में GenAI-सहायित सहकर्मी प्रतिपुष्टि
• Is It Ethical for Teachers to Use AI for Student Feedback? — छात्र प्रतिपुष्टि में AI की नीतियाँ
• Metacognitive Training Facilitates Optimal Cognitive Offloading — मेटासंज्ञानात्मक प्रशिक्षण इष्टतम संज्ञानात्मक अतिरेक को सुगम बनाता है (Ngai & Gilbert 2026)
• AI Feedback Literacy in Higher Education: Understanding, Measuring, and Predicting Student Feedback Uptake — AI प्रतिपुष्टि साक्षरता स्केल और अवलोकन भविष्यवाणी (Liu & Deris 2025)
• Generative artificial intelligence as an enabler of student feedback engagement: a framework — छात्र प्रतिपुष्टि सहभागिता के सक्षमकर्ता के रूप में GenAI (Zhan, Boud, Dawson & Yan 2025)
• Making sense of AI feedback: how students' feedback literacy moderates the link between ChatGPT acceptance and self-regulated learning — प्रतिपुष्टि साक्षरता AI प्रतिपुष्टि → SRL को संयमित करती है (Mendoza एट अल. 2026)
• Rethinking AI-assisted writing instruction: feedback literacy scripts, calibration training, and student writing development — AI-सहायित लेखन के लिए प्रतिपुष्टि साक्षरता स्क्रिप्ट (Dai 2026)
• Students' Perceptions of Generative AI-Powered Learning Analytics in the Feedback Process: A Feedback Literacy Perspective — प्रतिपुष्टि में GenAI लर्निंग एनालिटिक्स (Jin एट अल. 2025)
• Reconnecting relationships through technology: Developing feedback literacy capabilities through an AI automated feedback tool — प्रतिपुष्टि साक्षरता के लिए AI स्वचालित प्रतिपुष्टि उपकरण (Tubino & Adachi 2025)
• Positioning Generative AI in EFL Peer Feedback: Training Feedback Literacy and Enabling Uptake in Speaking Classes — प्रतिपुष्टि साक्षरता के लिए EFL सहकर्मी प्रतिपुष्टि में GenAI (Irwin & Muller 2026)
• Artificial intelligence and feedback in university education: effectiveness and student perceptions — उच्च शिक्षा में AI-जनित प्रतिपुष्टि
• The care-full craft of feedback in an age of generative AI — GenAI के साथ देखभाल-पूर्ण प्रतिपुष्टि डिज़ाइन
• How artificial intelligence transforms the feedback ecosystem in higher education — उच्च शिक्षा में प्रतिपुष्टि पारितंत्र: AI प्रतिपुष्टि संबंधों को पुनर्गठित करता है, और मनुष्य के रूप में चक्र (Bearman एट अल. 2026)
• Enhancing learner-centered feedback with AI: teachers'' practices and perceptions — शिक्षार्थी-केंद्रित AI प्रतिपुष्टि अभ्यास
• Human-centered GenAI feedback design in higher education: a multisite experiment on direct, reflective, and hybrid approaches to scientific argumentation — बहु-स्थलीय GenAI प्रतिपुष्टि डिज़ाइन
• Using AI-Generated Feedback to Improve Critical Thinking and Writing Proficiency — लेखन में AI प्रतिपुष्टि और महत्वपूर्ण चिंतन
• Using Generative AI to Promote Psychological, Feedback, and Artificial Intelligence Literacies in Undergraduate Psychology — GenAI मूल्यांकन मनोवैज्ञानिक, प्रतिपुष्टि, और AI साक्षरताएँ बनाता है
• LearnLens: LLM-Enabled Personalised, Curriculum-Grounded Feedback with Educators in the Loop — LearnLens: शिक्षक निगरानी के साथ पाठ्यक्रम-आधारित प्रतिपुष्टि (Zhao एट अल. 2025)
• Assessing the Impact and Underlying Pathways of Sequenced AI Feedback on Student Learning — अनुक्रमित AI प्रतिपुष्टि अध्ययन
• AICoFe: Implementation and Deployment of an AI-Based Collaborative Feedback System for Higher Education — AI सहकर्मी प्रतिपुष्टि सिस्टम
• The Effect of High-Frequency, Automatically-marked Formative Assessments on Student Outcomes in A-Level Sciences — A-स्तरीय विज्ञानों में स्वचालित स्वरूपक मूल्यांकन
• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — प्रामाणिक, AI-प्रतिरोधी मूल्यांकन के रूप में मौखिक परीक्षाओं का पुनर्विचार
• Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback — Marked Pedagogies: स्वचालित लेखन प्रतिपुष्टि में पूर्वाग्रह
• From Scoring to Explanations: Evaluating SHAP and LLM Rationales for Rubric-based Teaching Quality Assessment — रुब्रिक-आधारित शिक्षण प्रतिपुष्टि के लिए SHAP बनाम LLM औचित्य
• Beyond the Traceback: Using LLMs for Adaptive Explanations of Programming Errors — प्रोग्रामिंग त्रुटियों की LLM अनुकूली व्याख्याएँ
• Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study — छात्रों की कृत्रिम बुद्धिमत्ता उपकरणों के बारे में धारणाएँ: अध्ययन उत्पादकता और सीख पर एक खोजपूर्ण सर्वेक्षण अध्ययन
• From evaluation to emulation: LLMs as agents of iterative pedagogical design — पुनरावृत्त शिक्षाशास्त्रीय डिज़ाइन के एजेंट के रूप में LLM
• GPT-4 feedback increases student activation and learning outcomes in higher education
• Generating In-Context, Personalized Feedback for Intelligent Tutors with Large Language Models
• Arthur: An artificial intelligence powered teaching assistant system for Engineering Economics class
• Innovative assessment and grading practices in higher education: A critical exploration for management educators
• Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback
• A Tripartite Feedback Framework for AI-Assisted Assessment of Complex Reports in Higher Education — त्रिपक्षीय ढाँचा: संज्ञानात्मक स्थिति से प्रतिपुष्टि को छाँटना और AI भागीदारी के पाँच सीमा सिद्धांत (Venetsanos 2026)
• Benefit or Bottleneck? Assessing the Impact of Structured Reflection on Learning from AI-Driven Explanatory Feedback — लाभ या बाधा? AI व्याख्यात्मक प्रतिपुष्टि पर संरचित चिंतन (Asher, Gold & Carvalho 2025)
• Bounded Reliance: A Source Credibility Perspective on EFL Students' Engagement with AI-Generated Writing Feedback — Bounded Reliance: EFL छात्रों के AI-जनित लेखन प्रतिपुष्टि के साथ संलग्नता पर एक स्रोत विश्वसनीयता दृष्टिकोण
• From Content Generation to Learning Support: Pedagogy-Guided Generative Video Tutors for STEM Learning — सामग्री निर्माण से सीख सहायता तक: STEM सीख के लिए शिक्षाशास्त्रीय-निर्देशित जनरेटिव वीडियो ट्यूटर
• Evaluating Feedback Focus and Pedagogical Adaptivity in LLM-Generated Feedback on Student Writing — छात्र लेखन पर LLM-जनित प्रतिपुष्टि में प्रतिपुष्टि फोकस और शिक्षाशास्त्रीय अनुकूलनशीलता का मूल्यांकन
• From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026 — भावना वर्गीकरण से क्रियात्मक और उत्तरदायी प्रतिपुष्टि तक: शिक्षण के मूल्यांकन में NLP की स्कोपिंग समीक्षा और प्रमाण नक्शा, 2015–2026
• Who Gives Feedback Matters: Student Biases Towards Human and AI-Generated Formative Feedback — प्रतिपुष्टि कौन देता है यह महत्वपूर्ण है: पाठ को तुलनीय रखते हुए स्रोत लेबल रेटिंग बदलते हैं (Nazaretsky एट अल. 2025)
• AI-Powered Feedback System for Writing: A Review of Automated Writing Evaluation (AWE) Tools — लेखन के लिए AI-संचालित प्रतिपुष्टि प्रणाली: स्वचालित लेखन मूल्यांकन (AWE) उपकरणों की समीक्षा
• Human-written and AI-generated revisions: An appraisal analysis of dialogic positioning in argumentative writing — पुनरीक्षण लेखक के रुख के साथ क्या करता है: सहकर्मी प्रतिपुष्टि तर्कात्मक निबंधों को अधिक संकुचित बनाती है, AI पुनरीक्षण Contract/Expand संतुलन बनाए रखता है (Zhao & Ji 2026)
• Improving automated feedback systems for tutor training in low-resource scenarios through data augmentation — डेटा संवर्धन के माध्यम से कम-संसाधन परिदृश्यों में ट्यूटर प्रशिक्षण के लिए स्वचालित प्रतिपुष्टि प्रणालियों में सुधार (Xu एट अल. 2025)
• A Conversational AI Framework for Teacher Training — शिक्षण भ्रांतियों के लिए साक्ष्य-आधारित संवाद के साथ संवादात्मक AI निदान (Miranda & Calvani 2026)