निर्माणकारक मूल्यांकन

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

निर्माणकारक मूल्यांकन — ऐसा मूल्यांकन जिसका उद्देश्य चल रहे पाठ्यक्रम-संचालन और अधिगम को सूचना प्रदान करना है, न कि योगात्मक मूल्यांकन। शिक्षा में AI, निर्माणकारक मूल्यांकन AI द्वारा परिवर्तित होता है और उसके लिए आवश्यक भी है: AI प्रणालियाँ बड़े पैमाने पर निर्माणकारक प्रश्न और प्रतिपुष्टि उत्पन्न, सत्यापित और अनुकूलित कर सकती हैं, जबकि निर्माणकारक प्रतिपुष्टि एक प्राथमिक तंत्र है जिसके माध्यम से AI शिक्षक और अनुकूली प्रणालियाँ अधिगम का समर्थन करती हैं। ज्ञान-आधार का अनुसंधान AI-द्वारा उत्पन्न निर्माणकारक प्रश्नों, AI-द्वारा उत्पन्न प्रतिपुष्टि, और इन प्रणालियों के डिज़ाइन तथा मूल्यांकन की जाँच करता है।

विचार हेतु प्रश्न

• निर्माणकारक मूल्यांकन का उद्देश्य चक्र को बंद करना है — यह प्रकट करना कि विद्यार्थी क्या नहीं जानते और उन्हें ऐसी प्रतिपुष्टि देना जिस पर वे कार्य कर सकें जब अधिगम अभी चल रहा हो। यह योगात्मक मूल्यांकन से मूल रूप से कैसे भिन्न है, और व्यवहार में ये दोनों कब भ्रमित हो सकते हैं?
• AI सत्यापन-योग्य आयामों पर प्रभावशाली शुद्धता के साथ बहुविकल्पीय प्रश्न उत्पन्न कर सकता है, लेकिन शिक्षण-निर्णय आयामों पर सबसे कमज़ोर है। यदि मशीन सही उत्तरों में अच्छी है लेकिन शिक्षाशास्त्रीय निर्णय में कमज़ोर है, तो उसे क्या करने का विश्वास किया जाना चाहिए — और मनुष्यों को क्या करते रहना चाहिए?
• AI-द्वारा उत्पन्न प्रतिपुष्टि तभी मदद करती है जब विद्यार्थी वास्तव में उसे अमल में लाते हैं — 'एनैक्टेड प्रतिपुष्टि' स्थिति, जिसमें विद्यार्थी सुझावों को चुनते, मूल्यांकित और लागू करते हैं, ने केवल प्रतिपुष्टि दिए जाने से बेहतर प्रदर्शन किया। यदि प्रतिपुष्टि से अधिक महत्वपूर्ण है उसका अमल, तो इसका अर्थ निर्माणकारक प्रतिपुष्टि के डिज़ाइन के लिए क्या है?
• प्रतिपुष्टि को सूचना-हस्तांतरण के रूप में नहीं, बल्कि एक नैतिक, संबंधपरक अभ्यास के रूप में वर्णित किया गया है। जब निर्माणकारक मूल्यांकन 'AI slop' के रूप में बड़े पैमाने पर उत्पादित होता है तो क्या खो जाता है — और मानव टिप्पणी-संग्रह तथा संबंधपरक स्नेह क्या संरक्षित कर सकते हैं?

परिचय

निर्माणकारक मूल्यांकन शिक्षा में AI के लिए केंद्रीय है क्योंकि यह मूल्यांकन और अधिगम प्रतिपुष्टि के संगम पर स्थित है। इसका उद्देश्य चक्र को बंद करना है: प्रकट करना कि विद्यार्थी क्या जानते और क्या नहीं जानते, और उन्हें ऐसी प्रतिपुष्टि देना जिस पर वे सुधार हेतु कार्य कर सकें। AI इसे बड़े पैमाने पर संभव बनाता है — प्रश्न उत्पन्न करके, उत्तरों को अंकित करके, और व्यक्तिगत प्रतिपुष्टि देकर — लेकिन ज्ञान-आधार का अनुसंधान दिखाता है कि गुणवत्ता प्रश्न-प्रकारों के अनुसार नाटकीय रूप से भिन्न होती है, और प्रतिपुष्टि तभी मदद करती है जब विद्यार्थी वास्तव में उसे अमल में लाते हैं।

AI-द्वारा उत्पन्न निर्माणकारक प्रश्न

AI प्रणालियाँ विभिन्न माध्यमों में निर्माणकारक मूल्यांकन प्रश्न उत्पन्न करती हैं, जिनकी विश्वसनीयता प्रकार के अनुसार भिन्न होती है:

• बहुविकल्पीय प्रश्न: CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation दिखाता है कि सात शिक्षाशास्त्रीय आयामों पर सत्यापन किए जाने पर एजेंटिक AI कोडिंग-बोध हेतु विश्वसनीय रूप से बहुविकल्पीय प्रश्न उत्पन्न कर सकता है — अवधारणा-संरेखण हेतु सफलता दर 98.6% और प्रतिपुष्टि-गुणवत्ता हेतु 79.9% तक पहुँचती है — यह संकेत करता है कि AI सत्यापन-योग्य आयामों पर सबसे मजबूत और शिक्षण-निर्णय आयामों पर सबसे कमज़ोर है। यह व्यापक रूप से स्वचालित प्रश्न-निर्माण से जुड़ता है।
• सरल उत्पन्न प्रश्न-बैंक कोई निर्माणकारक संकेत नहीं देता। एक 10-सप्ताह के परिनियोजन में लगभग 70% AI-उत्पन्न अभ्यास प्रश्नों का सही उत्तर हर विद्यार्थी ने दिया (p = 1.0), इसलिए हर 15 से 20 मिनट में आयोजित निम्न-दायित्व क्विज़ें अच्छी तरह स्वीकृत हुईं लेकिन पाठ्यक्रम-संचालन के अनुकूलन हेतु लगभग कोई विभेदक सूचना नहीं दीं (An & Wang (2026))।
• स्वचालित निबंध-अंकन: बहु-एजेंट ढाँचे (जैसे, MASS) स्वतंत्र LLMs की तुलना में निबंध-अंकन में संगति सुधारते हैं, हालाँकि बहु-एजेंट अंकन-निर्णयों की व्याख्यात्मकता एक खुली चुनौती बनी हुई है।
• निर्माणकारक अंकन पाइपलाइनें: CoTAL Chain-of-Thought प्रॉम्प्टिंग को सक्रिय अधिगम और Evidence-Centered Design के साथ जोड़कर मानव-संलग्न प्रॉम्प्ट इंजीनियरिंग के साथ सामान्यीकरणीय निर्माणकारक मूल्यांकन-अंकन उत्पन्न करता है।
• उच्च-आवृत्ति, स्वचालित रूप से अंकित मूल्यांकन: A-स्तरीय विज्ञानों में स्वचालित निर्माणकारक मूल्यांकन उच्च-आवृत्ति, स्वचालित रूप से अंकित निर्माणकारक मूल्यांकन के अधिगम परिणामों पर प्रभाव की जाँच करता है। विज्ञान में लघु-उत्तर स्वतः-अंकन की एक स्कोपिंग समीक्षा (2017–2024 की शुरुआत) पुष्टि करती है कि यह निर्माणकारक लघु-उत्तर उपयोग-प्रकरण वास्तविक गति वाला क्षेत्र है: BERT-परिवार मॉडलों ने ~2022 से बड़े LLMs को प्रॉम्प्ट करने से पहले 2021 तक स्वतः-अंकन पर प्रभुत्व रखा, और डोमेन-संवर्धित, रूब्रिक-सचेत, तथा चेन-ऑफ-थॉट मॉडलों ने सर्वोत्तम प्रदर्शन किया — फिर भी समीक्षा के व्यापक मूल्यांकन के आह्वान और अनसुलझे निष्पक्षता तथा व्याख्यात्मकता अंतराल ऐसी प्रणालियों को अमध्यस्थ योगात्मक या उच्च-दायित्व उपयोग तक विस्तारित करने के विरुद्ध चेतावनी देते हैं (Auto-marking short answer questions in science: The foundational years of transformer-based models from BERT to GPT-4)।

AI-द्वारा उत्पन्न प्रतिपुष्टि

ज्ञान-आधार के अनुसंधान का एक बड़ा निकाय AI-द्वारा उत्पन्न निर्माणकारक प्रतिपुष्टि की जाँच करता है:

• अमल की समस्या: Making AI-Generated Feedback Matter (13,037 विद्यार्थी; 51,296 संसाधन) दिखाता है कि प्रतिपुष्टि का मूल्य इस पर निर्भर करता है कि विद्यार्थी उसे अमल में लाते हैं या नहीं — एनैक्टेड प्रतिपुष्टि स्थिति, जिसमें विद्यार्थी AI प्रतिपुष्टि सुझावों को चुनते, मूल्यांकित और लागू करते हैं, ने साधारण निर्देशित प्रतिपुष्टि से बेहतर प्रदर्शन किया।
• जब रूब्रिक मानदंडों को समेटे तब AI प्रतिपुष्टि विशेषज्ञ शिक्षकों के बराबर हो सकती है। स्रोत से अंधा और 47 विश्वविद्यालय परियोजना समूहों में यादृच्छिक रूप से, सह-निर्मित 0–30 रूब्रिक और उदाहरण दिए गए एक LLM विशेषज्ञ प्रतिपुष्टि की तुलना में निम्नतर नहीं और समकक्ष था (+0.23, 90% CI [−0.46, 0.91]) — मॉडल नहीं, रूब्रिक ने संतुलित किया (Grion et al. (2026))।
• प्रतिपुष्टि सूचना-हस्तांतरण नहीं है: The care-full craft of feedback तर्क देता है कि प्रतिपुष्टि एक नैतिक, संबंधपरक अभ्यास है, सूचना-संचरण नहीं — प्रतिपुष्टि केवल तभी प्रतिपुष्टि बनती है जब विद्यार्थी उसका अर्थ बनाते और उस पर कार्य करते हैं, और बड़े पैमाने पर उत्पादित "AI slop" का मानव टिप्पणी-संग्रह शॉर्टकट से विरोध करता है।
• क्रमबद्ध प्रतिपुष्टि उलटा असर डाल सकती है: Sequenced AI feedback (प्रोत्साहन → संकेत → सही उत्तर, स्वायत्तता बढ़ाने के लिए डिज़ाइन किया गया) ने एक यादृच्छिक प्रयोग (N=199) में सहभागिता और सकारात्मक धारणाओं को बढ़ावा देने के बावजूद वास्तव में अधिगम को नुकसान पहुँचाया — प्रतिपुष्टि डिज़ाइन के विषय में एक चेतावनीपूर्ण निष्कर्ष।
• शिक्षार्थी-केंद्रित उपकरण: PolyFeed ML सुझाव मॉडलों को शिक्षक अभ्यास के साथ जोड़ता है, दिखाता है कि शिक्षक AI प्रतिपुष्टि सुझावों को कैसे अपनाते और अनुकूलित करते हैं; AI-समर्थित आंतरिक प्रतिपुष्टि स्नातक विद्यार्थियों को मूल्यांकन-निर्णय विकसित करने में मदद करती है।
• रूब्रिक-निर्देशित प्रॉम्प्टिंग और भूमिका-सचेत प्रतिपुष्टि: Yaşar et al. (2026) ने दिखाया कि पुनरावृत्त रूब्रिक सह-परिष्करण — प्रदर्शन-विवरणकों को स्पष्ट करना और अधिगम के अंतर्निहित संकेतकों को स्पष्ट रूप से स्वीकार करना — ने विद्यार्थी डिज़ाइन कार्य पर LLM–मानव सहमति को 54.75% से 81.25% तक बढ़ाया (Cronbach's Alpha 0.393 से 0.798 तक बढ़ा), संज्ञानात्मक रूप से कठिन Iteration & Reflection श्रेणी में सबसे बड़ी वृद्धि के साथ। उसी मॉडल को शिक्षक, सहकर्मी-समीक्षक, और अनुदान-समीक्षक भूमिकाओं में प्रॉम्प्ट करने से विशिष्ट मूल्यांकन प्रतिपुष्टि उत्पन्न हुई, और संशोधन-पश्चात LLMs प्रदर्शन-देयको को लागू करने में कुछ मानव रेटरों से अधिक संगत थे — रूब्रिक-निर्देशित LLMs को निर्माणकारक प्रतिपुष्टि वातावरण में संतुलन और सह-डिज़ाइन साझेदारों के रूप में स्थापित करते हुए, मानव-संलग्न निगरानी आवश्यक बनी रहती है।
• सहमति आँकड़े एक दिशा छिपाते हैं: एक मॉडल मध्य श्रेणी की ओर हेज कर सकता है। संवाद-आधारित मूल्यांकन के भीतर संवाद-वारों को टैग करने वाले एक LLM मूल्यांकनकर्ता ने 155 घटनाओं में से 52.2% पर मानव कोडिंग से मेल खाया, लेकिन रेटरों की तुलना में अधिक बार हेज किए गए PARTIAL_CORRECT लेबल का उपयोग किया (53.5% बनाम 41.3%) और 5.4% वारों को IRRELEVANT चिह्नित किया जहाँ रेटरों ने कोई नहीं चिह्नित किया (Hou et al., 2025)।
• AI प्रतिपुष्टि सहभागिता बनाए रखती है और बड़े पैमाने पर लाभ दिलाती है: Geschwind et al. (2026) का सेमेस्टर-लंबा क्षेत्र प्रयोग स्नातक ट्यूटोरियल में पाया कि व्यक्तिगत GPT-4 निर्माणकारक प्रतिपुष्टि (तीनों Hattie & Timperley आयामों — Feed-Back, Feed-Up, Feed-Forward — को समेटते हुए) आठ खुले कार्यों में सर्वाधिक सहभागिता बनाए रखी, विद्यार्थियों के उत्तरों को लंबा किया, और सबसे मजबूत सामग्री-अधिगम लाभ उत्पन्न किए — यह प्रभाव विश्वसनीय, संगत AI प्रावधान से संचालित, क्योंकि जब उच्च-गुणवत्ता वाली पाठ्य सहकर्मी प्रतिपुष्टि वास्तव में प्राप्त हुई तो सहकर्मी परिणाम AI के बराबर रहे।
• प्रतिपुष्टि भविष्य: Feedback Futures एक विशेष अंक का संश्लेषण करता है और तर्क देता है कि प्रश्न यह नहीं है कि क्या GenAI प्रतिपुष्टि उत्पन्न कर सकता है, बल्कि यह है कि ऐसी प्रतिपुष्टि कैसे डिज़ाइन करें जो अधिगम का समर्थन करे, क्षेत्र भर में बार-बार आने वाली तनावों को संक्षेप में प्रस्तुत करते हुए।
• अधिकांश निर्माणकारक प्रतिपुष्टि क्षणिक है, टिकाऊ नहीं। 37 प्रामाणिक-मूल्यांकन अध्ययनों की एक स्कोपिंग समीक्षा में, 23 ने तात्कालिक सुधार हेतु निर्माणकारक प्रतिपुष्टि का उपयोग किया लेकिन केवल चार ने टिकाऊ प्रतिपुष्टि का उपयोग किया जिसे विद्यार्थी भविष्य के संदर्भों में स्थानांतरित करें — यह प्रतिक्रियात्मक पैटर्न वर्तमान AI प्रतिपुष्टि उपकरण पुनरुत्पादित करते हैं (Zhan, Boud & Du (2025))।
• खुले मात्रात्मक समस्याओं हेतु निदान-प्रथम प्रतिपुष्टि: Arthur (Yin et al. 2026) Engineering Economics Calculated Formula Questions पर वास्तविक-समय, व्यक्तिगत निर्माणकारक प्रतिपुष्टि प्रदान करता है, एक क्षेत्र जहाँ हस्तलिखित, असंरचित समाधानों ने पहले AI समर्थन को रोका था। प्रति-प्रश्न XGBoost रीढ़ विद्यार्थियों के प्रस्तुत संख्यात्मक उत्तरों से संभावित रूब्रिक-लेबलित त्रुटियों का निदान करता है (औसत परिशुद्धता 0.81, रिकॉल 0.79), और एक संवाद-आधारित योजना केवल तभी मध्यवर्ती उत्तर माँगती है जब पूर्वानुमान विश्वास कम हो — प्रश्न-बैंक वेब इंटरफ़ेस के भीतर प्रतिपुष्टि शुद्धता को संग्रह-दक्षता के विरुद्ध संतुलित करते हुए।
• LLM निर्माणकारक प्रतिपुष्टि का पैमाना और सीमाएँ (व्यवस्थित प्रमाण): 42 अनुभवजन्य अध्ययनों (2023–2025) की PRISMA-निर्देशित व्यवस्थित समीक्षा पाती है कि LLM शिक्षक कार्यभार कम कर सकते हैं और बड़े पैमाने पर तेज़, व्यक्तिगत प्रतिपुष्टि दे सकते हैं — विशेष रूप से बड़े या उच्च-शिक्षा समूहों में — लेकिन प्रतिपुष्टि कभी-कभी बहुत सामान्य होती है या निर्धारित ग्रेड के साथ असंरेखित होती है और लंबे, बहुभाषी, या सूक्ष्म कार्यों पर विश्वसनीयता घटती है, यह सुदृढ़ करते हुए कि निर्माणकारक AI प्रतिपुष्टि शिक्षक निगरानी के अधीन सर्वोत्तम रूप से परिनियोजित होती है (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback)।
• अनुकूलन एक अलग घटक है, सजावट नहीं: Sukjaitham, Schaaf, Brod & Breitwieser (2026) प्रत्यक्ष कारणिक परीक्षण प्रदान करते हैं जिसे अधिकांश LLM-प्रतिपुष्टि अध्ययन धारणा बनाकर छोड़ देते हैं, GPT-4 प्रतिक्रिया-निर्भर प्रतिपुष्टि को ढाँचे, स्वर, लंबाई और प्रेरक वाक्यांशों में मेल खाते विशेषज्ञ-लिखित सामान्य मार्गदर्शन के विरुद्ध रखते हुए (पाँच-आयाम गुणवत्ता रूब्रिक से सत्यापित, κ = .76–1.00)। एक पूर्व-पंजीकृत भीतरी-विषय प्रयोग में, 155 जर्मन पाँचवीं और छठी कक्षा के विद्यार्थियों (M = 12.08 वर्ष) ने छह if-then योजनाओं का संशोधन किया: अनुकूली प्रतिपुष्टि के अंतर्गत योजना-गुणवत्ता 2 → 5 की माध्यिका से बढ़ी बनाम सामान्य मार्गदर्शन के अंतर्गत 2 → 3 (भीतरी-व्यक्ति V = 10,440, p < .001, r = .86; स्थिति × समय अंतःक्रिया अनुमान = 1.68, SE = 0.14, p < .001, पूर्व-समर्थन अंतर नहीं)। बच्चों ने अनुकूली प्रतिपुष्टि को अधिक सहायक (r = .67) और अधिक प्रेरक (r = .74) दोनों रूप में रेट किया, और परीक्षण-स्तरीय धारणाओं ने संशोधन-लाभ के आकार की भविष्यवाणी की — धारणित उपयोगिता को मार्ग के हिस्से बनाते हुए, एक भावनात्मक उप-उत्पाद नहीं। चूँकि नियंत्रण स्वयं अच्छी तरह डिज़ाइन किया गया था, अध्ययन अच्छे गैर-निर्भर मार्गदर्शन से परे अतिरिक्त मूल्य दिखाता है, न कि प्रतिपुष्टि और कुछ नहीं के बीच का अंतर: सामान्य मार्गदर्शन एक वास्तविक लेकिन सीमित विकल्प है जो अपनी ही माध्यिका पर स्थिर हो जाता है। योजना-निर्माण परीक्षण-प्रकरण के रूप में सेवा किया क्योंकि यह स्व-नियामित अधिगम की एक मूल रणनीति है जिसमें स्पष्ट गुणवत्ता मानदंड हैं, जो निर्भरता — वह गुण जो मड्गद को स्थिर समर्थन से अलग करता है — को एक-वाक्य उत्तर पर सीधे मापने योग्य बनाता है। लेखक अनुकूलन की संकीर्ण परिभाषा करते हैं: शिक्षार्थी की ठोस प्रतिक्रिया के लिए प्रतिपुष्टि सामग्री का प्रतिक्रिया-निर्भर अनुकूलन, इसे संवाद-अंतःक्रियात्मकता, स्वर और स्थिर-स्वभाव अनुकूली अधिगम से अलग करते हुए।
• धारणित उपयोगिता कार्यवाह्यता को ट्रैक करती है: Mendonça et al. (2026) ने 144 प्रोग्रामिंग विद्यार्थियों से 893 LLM-उत्पन्न प्रतिपुष्टि उदाहरणों को पाँच आयामों पर और 237 समेकित रिपोर्टों को छह पर रेट कराया, डोमेन, कार्य और उपकरण को स्थिर रखते हुए जबकि शैक्षिक स्तर भिन्न रहा। रेटिंगें पूरे में अनुकूल रहीं, व्यक्तिगत उत्तरों हेतु विद्यार्थी-स्तरीय औसत 4.24 से 4.43 और रिपोर्टों हेतु 4.11 से 4.38, फिर भी कार्यवाह्यता और उपयोगिता ने सबसे कम रेटिंग प्राप्त की जबकि कार्यवाह्यता और धारणित शुद्धता ने सापेक्ष भारों में सबसे बड़ा वहन किया (32.6% और 29.0%) धारणित उपयोगिता में 76% विचरण का स्पष्ट करने वाले मॉडल में, और प्रेरणा तथा व्यक्तिगतकरण ने उपयोग-इच्छा का रिपोर्ट-स्तरीय मॉडल 53% का स्पष्ट करने वाला नेतृत्व किया। चूँकि कार्यवाह्यता वह आयाम है जिसे प्रतिपुष्टि अनुसंधान प्रदान करने में सबसे कठिन मानता है, यह पैटर्न प्रतिपुष्टि पर लागू प्रौद्योगिकी स्वीकृति के रूप में पढ़ा जाता है: उपयोगिता यह ट्रैक करती है कि शिक्षार्थी कार्य कर सकता है या नहीं, यह नहीं कि प्रतिपुष्टि कितनी परिष्कृत लगती है।
• ऑफ़लाइन सहमति लाइव प्रदर्शन को बढ़ा-चढ़ाकर बताती है: Cruz et al. (2026) का GPT-4o प्रतिपुष्टि पाइपलाइन 362 प्रस्तुतियों में से 83% में शिक्षक के अंकों के 0.5 अंक के भीतर पुनरुत्पादित हुआ, फिर भी संयोग-सुधरित सहमति केवल मध्यम थी (ICC(2,1) = 0.49) और ऐतिहासिक स्क्रिप्टों पर r = 0.92 से लाइव शिक्षक-निगरानी उपयोग में 0.57 तक गिरी।
• संशोधन के मार्ग पर बोध कार्यवाह्यता से आगे निकलता है: Yao and Fan (2026) ने समस्या-स्तरीय निदान को सुझावों से अलग किया और स्वतंत्र संशोधन से पहले विद्यार्थियों को एक लिखित व्याख्या-पत्र (पुनर्कथन, प्रभाव-स्पष्टीकरण, अनिश्चितता-पहचान, संशोधन योजना) दिया, संरचित शिक्षक समीक्षा, पुनर्मूल्यांकन और चिंतन के साथ। दो अखंड कक्षाओं में तीन लेखन-चक्रों में (96 विद्यार्थी; 288 चक्र-स्तरीय प्रेक्षण), प्रतिपुष्टि-बोध ने संशोधन-गुणवत्ता के साथ सबसे मजबूत संबंध दिया (r = 0.501, कार्यवाह्यता 0.480 और निदान-शुद्धता 0.445 से आगे), और निदान समूह ने 3.58 के विरुद्ध 5.92 लेखन-अंक अर्जित किए (Hedges' g = 1.12), निर्णायक कारक को विद्यार्थियों के निदान के बोध में रखते हुए, न कि केवल उसकी कार्यवाह्यता में।

पाठ्यक्रम-आधारित और शिक्षक-संलग्न डिज़ाइन

LearnLens AI निर्माणकारक मूल्यांकन में तीन स्थायी समस्याओं को संबोधित करता है: त्रुटि-सचेत मूल्यांकन (सतही त्रुटियों के बजाय सूक्ष्म तर्क-त्रुटियों को पकड़ना), विषय-संबद्ध स्मृति-श्रृंखलाएँ (संरचित पाठ्यक्रम-आधारित पुनर्प्राप्ति से शोरयुक्त समानता-आधारित RAG (रिट्रीवल-ऑगमेंटेड जनरेशन) को बदलना), और शिक्षक-संलग्न डिज़ाइन (शिक्षक अनुकूलन और निगरानी, पूर्ण स्वचालन नहीं)। यह मानव-लूप-में में व्यापक तनाव से जुड़ता है: विशेषज्ञ सत्यापन के साथ स्केलेबल स्वचालन।

Hoppe, Loibl & Leuders (2026) यह स्पष्ट करते हैं कि एक बार जब उपकरण अपने दावे उत्पन्न करता है, कच्चे प्रेक्षणों के बजाय, तो शिक्षक-संलग्न का क्या अर्थ है। उनकी संकल्पनात्मक विश्लेषण तर्क देता है कि AI-द्वारा उत्पन्न निदानात्मक अनुमान गुणात्मक रूप से भिन्न प्रमाण हैं, क्योंकि वे पहले से एल्गोरिदमिक व्याख्या का उत्पाद हैं, इसलिए शिक्षकों को एक अतिरिक्त परत की आवश्यकता होती है जिसे लेखक मेटा-निदान कहते हैं: एक अनुमान को जान-बूझकर स्वीकार, अस्वीकार या संशोधित करना और इसे अपने स्वयं के संदर्भगत ज्ञान के साथ एकीकृत करना। इसके लिए DiaCoM ढाँचे की निर्दिष्ट करना AI-द्वारा उत्पन्न अनुमानों को एक स्थिति-विशेषता और स्वीकार, अस्वीकार या संशोधन निर्णय को निदानात्मक व्यवहार के रूप में मानता है, जबकि शिक्षकों के लिए आवश्यक व्यक्ति-विशेषताओं का विस्तार AI प्रणालियों के वास्तविक संचालन के ज्ञान को शामिल करता है। चूँकि वर्तमान प्रणालियाँ अधिकतर कार्य-शुद्धता और पूर्णता-समय जैसे प्रदर्शन डेटा पर टिकी हैं, प्रेरक अवस्थाएँ और कक्षा-गतिशीलता बड़े पैमाने पर अनुपस्थित रहती हैं, इसलिए पेपर शिक्षकों को, डैशबोर्ड को नहीं, जिम्मेदार चिंतनशील एजेंटों के रूप में रखता है और एल्गोरिदमिक दावों का निर्णय करना व्यावसायिक विकास का एक लक्ष्य बनाता है।

AI की भूमिका को उपलब्धि स्तर से मिलानाना एक संबंधित डिज़ाइन कदम है: प्री-सर्विस विज्ञान शिक्षकों ने ChatGPT को निम्न उपलब्धि विद्यार्थियों हेतु धैर्यवान शिक्षक, मध्यम उपलब्धि विद्यार्थियों हेतु व्यक्तिगत कोच, और उच्च उपलब्धि विद्यार्थियों हेतु बौद्धिक तर्क-साथी के रूप में वर्णित किया, जबकि शिक्षक ने कठिन सामग्री की अंतिम व्याख्या अपने हाथ में रखी (Ratniyom et al., 2026)।

डिज़ाइन समझौते

मूल्यांकन, प्रतिपुष्टि और अधिगम

AI शिक्षा में निर्माणकारक मूल्यांकन स्वयं अधिगम प्रक्रिया से जुड़ता है:

• प्रतिपुष्टि चक्र: प्रतिपुष्टि चक्र वह तंत्र हैं जिसके द्वारा निर्माणकारक मूल्यांकन अधिगम को सूचित करता है; AI शिक्षक और अनुकूली प्रणालियाँ इन चक्रों को बड़े पैमाने पर बंद करती हैं।
• स्व-नियामित अधिगम: जब विद्यार्थी प्रगति की निगरानी और समायोजन करते हैं तो निर्माणकारक प्रतिपुष्क्षि स्व-नियामित अधिगम का समर्थन करती है; AI प्रतिपुष्टि को मूल्यांकन-निर्णय का विकास करना चाहिए, विस्थापित नहीं।
• स्वचालित अंकन चक्र के कुछ चरणों तक पहुँचता है, सभी नहीं: Chen & Liu (2026) ने एक 14-सप्ताह के अर्ध-प्रयोग में 46 अनुवाद विद्यार्थियों को एक स्वचालित अंकन प्रणाली में साप्ताहिक प्रस्तुतियाँ दीं, जिसने तत्काल अंक, प्रतिलिपि, चिह्नित त्रुटियाँ और एक संदर्भ प्रस्तुति लौटाई, जबकि नियंत्रण समूह को केवल पूरी कक्षा-स्तरीय शिक्षक प्रतिपुष्टि मिली। स्वचालित समूह समग्र रूप से अधिक सुधार (d = 1.03) दिखाया, लेकिन लाभ वहीं रहा जहाँ कमी विघटनीय थी, संकेत विश्वसनीय था और स्केल संवेदनशील था: भाषाई शुद्धता और तार्किक संगति बढ़ी जबकि सूचना-निष्ठा (मानव रेटरों से सहमति r = 0.12) और प्रस्तुति-प्रवाह नहीं हिले। स्व-नियामित अधिगम एक मेल खाती तरह असमान था, निष्पादन और निगरानी अंक-लाभ से सहसंबद्ध (r = 0.42) जबकि योजना और भावनात्मक प्रेरणा स्केल-मध्य बिंदु के पास रहे, और कई विद्यार्थियों ने निम्न अंकों के बाद कारणों का विश्लेषण करने के बजाय सहभागिता टाली। प्रणाली ने चक्र के प्रदर्शन चरण तक पहुँच बनाई, न कि उससे पूर्व की योजना तक।
• स्वचालित निदान से उत्पन्न अभ्यास तक: Zhu, Luo & Li (2026) संगीत शिक्षा के लिए एक बंद चक्र में ऑडियो-अंक संरेखण, त्रुटि-मात्रात्मकन और एक Proximal Policy Optimization परत वायर करते हैं, ताल-त्रुटि संकेतों (91.2% रिकॉल, 98.4% विशिष्टता) को पुरस्कारों में बदलते हैं जो उत्पन्न अभ्यास-ट्रैकों को मार्गदर्शन करते हैं, और 120 स्नातक संगीत प्रमुख विद्यार्थियों के साथ 12-सप्ताह के अर्ध-प्रयोग में प्रणाली समूह के पक्ष में एक उल्लेखनीय Group × Time अंतःक्रिया (beta = 0.52) रिपोर्ट करते हैं। लेखक इसे तकनीकी व्यवहार्यता के रूप में प्रस्तुत करते हैं, और व्यावहारिक पठन मूल्यांकन से अधिक ट्राइएज है: 89.7% की परिशुद्धता का अर्थ लगभग एक में से एक चिह्नित ताल-त्रुटि झूठी चेतावनी है, और अध्ययन के विशेषज्ञ समीक्षकों ने संगीतिक अभिव्यक्ति के समर्थन को सबसे कमज़ोर क्षेत्र के रूप में रेट किया, इसलिए स्वचालित चक्र तकनीकी अभ्यासों के लिए उपयुक्त हैं जबकि अभिव्यक्तिजन्य निर्णय शिक्षकों के पास रहता है।
• स्कैफोल्डिंग: मड्गद और निर्माणकारक मूल्यांकन साथ मिलकर काम करते हैं — AI समय-समय पर संकेत और प्रॉम्प्ट प्रदान कर सकता है, हालाँकि क्रमबद्ध प्रतिपुष्टि अनुसंधान अति-संरचना के विरुद्ध चेतावनी देता है।
• रूब्रिक गुणवत्ता मॉडल-चयन से अधिक स्वचालित-अंकन सहमति को बढ़ाती है। 1,200 Linux/bash परीक्षा उत्तरों पर, Alonso-Carracedo et al. (2026) ने पाया कि पूर्ण रूब्रिक और संदर्भ उत्तर जोड़ने ने प्रत्येक मॉडल को ऊपर उठाया (सर्वोत्तम: Gemini 3.0 Pro, मानव सीमा 0.949 के विरुद्ध ICC(3,1) = 0.888), जबकि सहमति प्रश्न के संज्ञानात्मक स्तर के बढ़ने के साथ एकरूप रूप से गिरी।
• AI-द्वारा उत्पन्न रूब्रिक मानव अंकन केवल एक सीमा के भीतर मिले। चार AI रूब्रिकों ने 308 प्रोग्रामिंग उत्तरों पर मानव आधार रेखा के ±5 अंक के भीतर समेकित समकक्षता प्राप्त की (सहसंबंध 0.948–0.973), लेकिन पाँच रूब्रिक–असाइनमेंट कक्षों ने इसे पार किया, और GPT-4.1/4o ने संरचित रूब्रिकों पर व्यवस्थित रूप से कठोर अंक दिए (−4.46 बनाम मुक्त-रूप हेतु −0.66) (Mendonça et al., 2026)।
• वैधता और गुणवत्ता: AI-द्वारा उत्पन्न निर्माणकारक प्रश्नों और प्रतिपुष्टि की गुणवत्ता और वैधता का मूल्यांकन किया जाना चाहिए; AI शिक्षा मूल्यांकन विधियाँ प्रदान करता है।
• AI अंकन एक वैधता खतरा जोड़ता है। चूँकि एक AI अंकक वैज्ञानिक तर्क के बजाय भाषा-प्रवाहता जैसी निर्माण-अप्रासंगिक विशेषताओं को पुरस्कृत कर सकता है, ~100-नेता सम्मेलन से संक्षेपित एक Stanford/ETS श्वेत-पत्र तर्क देता है कि मूल्यांकन को एकल-बार आउटपुट को प्रमाणित करने के बजाय निरंतर, संदर्भ-समृद्ध प्रमाण संचित करना चाहिए (McGee et al. (2026))।
• कमज़ोर कार्य बनाए रखें और एक जुड़वाँ जोड़ें। Roe, Perkins & Giray (2026) तर्क देते हैं कि घर-पर निबंध और अनुसंधान रिपोर्टें पर्याप्त निर्माणकारक मूल्य लेकर आती हैं और अधिगम हेतु बनाए रखी जानी चाहिए, उसी परिणामों का मूल्यांकन करने वाले दूसरे कार्य के साथ युग्मित जो विश्वसनीय योगात्मक प्रमाण प्रदान करे।

जोखिम: मूल्यांकन निगरानी के रूप में

निर्माणकारक मूल्यांकन प्रणालियाँ अधिगम-समर्थन उपकरणों से व्यवहार-निगरानी अधसंरचना में बदल सकती हैं। वही डेटा प्रवाह जो अनुकूली ट्यूटरिंग सक्षम करते हैं, कमज़ोर AI शासन होने पर दंडात्मक ट्रैकिंग भी सक्षम कर सकते हैं। यह निजता और विद्यार्थी कल्याण से जुड़ता है, और उन निर्माणकारक प्रणालियों के पक्ष में तर्क देता है जो अधिगम का समर्थन करें, निगरानी नहीं।

AI शिक्षा हेतु निहितार्थ

• प्रश्न प्रकार को AI विश्वसनीयता से मिलाएँ: सत्यापन-योग्य आयामों (अवधारणा संरेखण, शुद्धता) हेतु AI का उपयोग करें और शिक्षण आयामों (विचलक गुणवत्ता, प्रतिपुष्टि गहराई) हेतु मानव निर्णय बनाए रखें।
• केवल प्रावधान नहीं, अमल हेतु डिज़ाइन करें: AI प्रतिपुष्टि तभी मदद करती है जब विद्यार्थी उसे चुनें, मूल्यांकित और लागू करें — ऐसे कार्यप्रवाह संरचित करें जो अमल का समर्थन करें।
• प्रतिपुष्टि डिज़ाइन मात्रा से अधिक महत्वपूर्ण है: क्रमबद्ध या अति-संरचित प्रतिपुष्टि उलटा असर डाल सकती है; उन प्रतिपुष्टियों को प्राथमिकता दें जो विद्यार्थी के अर्थ-निर्माण और स्वायत्तता का समर्थन करें।
• शिक्षकों को चक्र में रखें: पाठ्यक्रम-आधारित, शिक्षक-संलग्न प्रणालियाँ प्रासंगिकता सुधारती हैं और शोर कम करती हैं।
• गुणवत्ता और वैधता का मूल्यांकन करें: AI-द्वारा उत्पन्न प्रश्नों और प्रतिपुष्टि का मूल्यांकन उत्पादन-गति के अतिरिक्त समता सहित गुणवत्ता और वैधता हेतु करें।
• निर्माणकारक मूल्यांकन को एक दर्शन के रूप में मानें, उपकरण-संग्रह नहीं। Mesny, Roberge-Maltais & Galy (2026) व्यापक उच्च-शिक्षा साहित्य का एक "अधिगम हेतु मूल्यांकन" प्रतिमान में संश्लेषण करते हैं जो निर्माणकारक, चल रहे और व्यक्तिगत प्रतिपुष्टि को एक व्यापक दर्शन के रूप में प्रस्तुत करता है, एक साधारण उपकरण-संग्रह नहीं — निर्माणकारक को योगात्मक उद्देश्यों के साथ संतुलित करते हुए और विद्यार्थी सशक्तिकरण, स्व-नियमन और अधिचेतनशीलता कौशल को अग्रिम रूप देते हुए। वे पाँच परस्पर सुदृढ़ अभ्यासों की पहचान करते हैं (प्रामाणिक मूल्यांकन, स्व- और सहकर्मी मूल्यांकन, पुनर्मूल्यांकन, मानक-आधारित ग्रेडिंग, अनग्रेडिंग) जिनके द्वारा यह दर्शन अमल में लाया जा सकता है, जबकि उल्लेख करते हुए कि उनकी अपनाना उच्च-शिक्षा क्षेत्रों में अत्यधिक असमान रहता है।
• निरंतर मूल्यांकन निर्माणकारक अभिलेख स्वयं को पुनर्निर्धारित करता है। AIM-CAI संदर्भ संरचना (एक स्थिति-पत्र, कार्यान्वयन नहीं) आवधिक मूल्यांकन को प्राथमिक प्रमाण-आधार के रूप में छह-परत अधसंरचना से बदलने का प्रस्ताव करता है: मंचों भर में प्रमाण-निर्माण, स्रोत संदर्भ संरक्षित करते हुए श्रृंखलाबद्धन, AI-मध्यस्थ अर्थवैज्ञानिक अनुवाद, मानदंडिक व्याख्या, अनुदैर्ध्य दक्षता-प्रोफ़ाइल, और संघीय शासन। इसकी बदलाव तालिका परिवर्तन को स्पष्ट करती है: प्रति-असाइनमेंट प्रतिपुष्टि सलाह और चिंतन का समर्थन करने वाली अनुदैर्ध्य प्रतिपुष्टि बनती है; ग्रेड विकसित होती दक्षता-प्रोफ़ाइल बन जाते हैं; प्रमाणपत्र पारदर्शी विकास-अभिलेख बन जाते हैं। शासन परत पेपर का ज़ोर है — सात नामित तनाव (अंतःसंचाल्यता बनाम स्थानीय स्वायत्तता, गोपनीयता बनाम उपयोगिता, शिक्षार्थी सशक्तिकरण बनाम पूर्वानुमानात्मक स्वचालन, निगरानी बनाम समर्थन, आदि) प्रत्येक को जोखिमों और प्रतिक्रियाओं से मैपित, उस चेतावनी के साथ कि अशासित निरंतर अनुमान प्रभुत्वशाली सांस्कृतिक मानदंडों को विशेषाधिकार देता है। नवीनता दावा एकीकृत है: घटक मौजूद हैं; योगदान संरचना और शासन नक्शा है। (AI-Mediated Continuous Assessment Infrastructure (AIM-CAI): Connecting Learning Evidence Across Contexts and Time)

संबंधित अवधारणाएँ

• शिक्षाशास्त्रीय पैटर्न — निर्माणकारक मूल्यांकन जिन क्रमबद्ध रूपों में प्रकट होता है जब AI प्रतिपुष्टि का एक हिस्सा आपूर्ति करता है
• मूल्यांकन
• शैक्षणिक मापन
• स्वचालित मूल्यांकन
• स्वचालित प्रश्न निर्माण
• मूल्यांकन की वैधता
• प्रतिपुष्टि
• एआई फीडबैक की गुणवत्ता
• फीडबैक साक्षरता
• स्व-मूल्यांकन
• लर्निंग एनालिटिक्स
• व्यक्तिगत शिक्षा
• अनुकूली अधिगम
• मड्गद
• स्व-नियंत्रित अधिगम
• मानव-लूप-में
• इंटेलिजेंट ट्यूटरिंग
• AI शिक्षा मूल्यांकन
• समापक मूल्यांकन — योगात्मक मूल्यांकन: AI-प्रतिरोधी प्रारूप (मौखिक, प्रॉक्टर्ड, बंद-पुस्तक परीक्षाएँ)

संबंधित लेख

• An LLM-Enhanced Multi-Agent Architecture for Conversation-Based Assessment — संवाद-आधारित मूल्यांकन हेतु एक चार-एजेंट संरचना जिसका मूल्यांकनकर्ता मध्य श्रेणी की ओर हेज करता है (Hou et al. 2025)
• Causal Modelling of Support Interventions for Student Competency Assessment — विद्यार्थी दक्षता मूल्यांकन हेतु समर्थन हस्तक्षेपों का कारणिक मॉडलिंग
• It Takes a Village... Program-Wide Approaches to Redesigning Assessment in a Time of Generative Artificial Intelligence (GenAI) — GenAI युग में मूल्यांकन के पुनर्लेखन हेतु कार्यक्रम-व्यापी दृष्टिकोण
• Making AI-Generated Feedback Matter: From Provision to Student Enactment — AI-द्वारा उत्पन्न प्रतिपुष्टि को महत्व देना: प्रावधान से अमल तक
• The care-full craft of feedback in an age of generative AI — GenAI युग में प्रतिपुष्टि का सजग शिल्प
• Feedback futures: beyond the limits of human and GenAI capacities — प्रतिपुष्टि भविष्य: मानव और GenAI क्षमताओं की सीमाओं से परे
• Assessing the Impact and Underlying Pathways of Sequenced AI Feedback on Student Learning — क्रमबद्ध AI प्रतिपुष्टि का प्रभाव और मार्ग
• Enhancing learner-centered feedback with AI: teachers'' practices and perceptions — AI के साथ शिक्षार्थी-केंद्रित प्रतिपुष्टि का संवर्धन
• From automated scoring to learning diagnosis: a mechanism study of AI-supported formative assessment in English writing — स्वचालित अंकन से अधिगम निदान तक: अंग्रेज़ी लेखन में AI-समर्थित निर्माणकारक मूल्यांकन का एक तंत्र अध्ययन
• Unravelling undergraduates' development of evaluative judgments through AI-supported internal feedback — AI-समर्थित आंतरिक प्रतिपुष्टि के माध्यम से मूल्यांकन-निर्णयों का विकास
• CoTAL: Human-in-the-Loop Prompt Engineering for Generalizable Formative Assessment Scoring and Feedback — CoTAL: मानव-संलग्न प्रॉम्प्टिंग के साथ निर्माणकारक मूल्यांकन अंकन
• The Effect of High-Frequency, Automatically-marked Formative Assessments on Student Outcomes in A-Level Sciences — उच्च-आवृत्ति स्वचालित निर्माणकारक मूल्यांकन
• Artificial intelligence and feedback in university education: effectiveness and student perceptions — उच्च शिक्षा में AI-द्वारा उत्पन्न प्रतिपुष्टि
• Designing Needs- and Attention-Aware AI Learning Tools for Engineering Education: Insights from Psychological Outcomes — LearnLens: पाठ्यक्रम-आधारित AI प्रतिपुष्टि
• Comparing Generative AI and teacher feedback: student perceptions of usefulness and trustworthiness — GenAI बनाम शिक्षक प्रतिपुष्टि तुलना
• Students' engagement with ChatGPT feedback: implications for student feedback literacy in the context of generative artificial intelligence — ChatGPT प्रतिपुष्टि और सहभागिता
• CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation — CODE-GEN: सत्यापित MCQ निर्माण
• Responsible Assessment in the AI Era: Key Insights from a Future-Focused Conference — AI युग में उत्तरदायी मूल्यांकन
• Designing for Authentic Assessment: A Scoping Review — प्रामाणिक मूल्यांकन हेतु डिज़ाइनिंग
• Automated Grading of Linux/Bash Examinations Using Large Language Models — Linux/bash परीक्षाओं का स्वचालित अंकन
• Instructor and AI Roles in the Chemistry Classroom: Future Science Teachers' Perceptions in a ChatGPT-Enhanced Formative Assessment — ChatGPT-संवर्धित निर्माणकारक मूल्यांकन में शिक्षक और AI की भूमिकाएँ
• 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
• Assessment twins: An approach for strengthening assessment validity in the age of generative AI — GenAI युग में मूल्यांकन वैधता को सुदृढ़ करने हेतु मूल्यांकन जुड़वाँ (Roe, Perkins & Giray 2026)
• A Hybrid Reasoning Framework for Artificial Intelligence Assessment Rubric Generation in Human and Automated Contexts: Evidence from an Undergraduate Programming Course — HARMOGEN-R: AI मूल्यांकन रूब्रिक निर्माण
• AI-assisted, instructor-supervised grading and feedback in higher education: Design and evaluation of an end-to-end pipeline — AI-सहायित शिक्षक-निगरानी अंकन और प्रतिपुष्टि
• Adaptive Scaffolding for Cognitive Engagement in an Intelligent Tutoring System — एक ITS में अनुकूली ICAP स्कैफोल्डिंग (BKT बनाम DRL)
• From evaluation to emulation: LLMs as agents of iterative pedagogical design — पुनरावृत्त शिक्षाशास्त्रीय डिज़ाइन के एजेंट के रूप में LLMs
• Auto-marking short answer questions in science: The foundational years of transformer-based models from BERT to GPT-4
• GPT-4 feedback increases student activation and learning outcomes in higher education
• 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
• Adaptivity Makes Feedback Effective: Evidence From AI-Generated Feedback on Children's Plans — अनुकूलन प्रतिपुष्टि को प्रभावी बनाता है: बच्चों की योजनाओं पर AI-द्वारा उत्पन्न प्रतिपुष्टि से प्रमाण
• Impact of automated scoring on interpreting performance and self-regulated learning: evidence from a pedagogical experiment — स्वचालित अंकन, प्रदर्शन की व्याख्या और स्व-नियामित अधिगम (Chen & Liu 2026)
• Rethinking teachers’ diagnostic skills in AI-supported formative assessment: from diagnosis to meta-diagnosis — AI-समर्थित निर्माणकारक मूल्यांकन में शिक्षकों के निदानात्मक कौशल: निदान से मेटा-निदान तक
• Perceived usefulness and intention to use large language model-generated feedback across three educational levels: a user-centred study in programming — तीन शैक्षिक स्तरों में प्रोग्रामिंग पर LLM-द्वारा उत्पन्न प्रतिपुष्टि की धारणित उपयोगिता और उपयोग-इच्छा
• Adaptive teaching assistance model combining generative AI and big data analytics — संगीत शिक्षा में जनक AI और बड़े डेटा विश्लेषण को जोड़ने वाला अनुकूली शिक्षण-सहायक
• Student Use of LLMs and the Limits of AI-Generated Question Difficulty in Data Science Courses — डेटा विज्ञान पाठ्यक्रमों में LLM का विद्यार्थी उपयोग और AI-द्वारा उत्पन्न प्रश्न कठिनाई की सीमाएँ
• AI-Mediated Continuous Assessment Infrastructure (AIM-CAI): Connecting Learning Evidence Across Contexts and Time — AI-मध्यस्थ निरंतर मूल्यांकन अधसंरचना (AIM-CAI): संदर्भों और समय के पार अधिगम प्रमाण जोड़ना (McNamara & Hasnine 2026)
• A Conversational AI Framework for Teacher Training — शिक्षण भ्रांतियों के लिए साक्ष्य-आधारित संवाद के साथ संवादात्मक AI निदान (Miranda & Calvani 2026)