जनरेटिव-AI

इस पृष्ठ पर

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

जनरेटिव-AI — पाठ, कोड, चित्र और अन्य सामग्री उत्पन्न करने में सक्षम AI प्रणालियाँ, सबसे प्रमुख रूप से GPT-4 और Claude जैसे बड़े भाषा मॉडल। जनरेटिव-AI वह प्रौद्योगिकी है जो शिक्षा में AI शोध के वर्तमान तरंग को चला रही है।

विचार करने योग्य प्रश्न

जनरेटिव-AI मांग पर प्रवाहशील, आत्मविश्वासपूर्ण-ध्वनि सामग्री उत्पन्न करता है। क्या प्रवाहशीलता सहीता के बराबर है, और आपने कहाँ एक आत्मविश्वासपूर्ण-ध्वनि लेकिन गलत आउटपुट देखा — उसे पकड़ना क्या मुश्किल बनाता था?
प्रारंभिक नियम-आधारित या पुनर्प्राप्ति-आधारित प्रणालियों के विपरीत, जनरेटिव मॉडल संचित उत्तरों को पुनर्प्राप्त करने के बजाय नई सामग्री बनाते हैं। वह बदलाव जोखिमों को कैसे बदलता है — भ्रम, अति-निर्भरता, शैक्षणिक इमानदारी — एक खोज इंजन की तुलना में?
80+ लेखों के साथ, जनरेटिव-AI इस ज्ञानकोष का सबसे बड़ा धाग है, जो ट्यूटरिंग, मूल्यांकन, सामग्री निर्माण और सुरक्षा में फैला है। आपको कौन अनुप्रयोग सीखने के लिए सबसे अधिक आशाजनक लगता है, और कौन सबसे खतरनाक — और क्यों?
वही प्रौद्योगिकी जो एक सुकरातीय ट्यूटोरियल उत्पन्न कर सकती है वह एक 'सही-उत्तर जाल' भी उत्पन्न कर सकती है जो प्रतिलिपि को प्रोत्साहित करता है। कौन डिज़ाइन चुनाव उस जनरेटिव-AI को अलग कर सकते हैं जो सीखने को मड्गद देता है उस जनरेटिव-AI से जो इसे शॉर्ट-सर्किट करता है?

परिचय

शिक्षा के लिए जनरेटिव-AI को क्या अलग बनाता है

प्रारंभिक नियम-आधारित या पुनर्प्राप्ति-आधारित प्रणालियों के विपरीत, जनरेटिव-AI मांग पर प्रवाहशील, संदर्भगत रूप से उचित सामग्री उत्पन्न करता है। यह अभूतपूर्व अवसरों और नए जोखिमों दोनों पैदा करता है:

सामग्री निर्माण: LLMs निर्देशात्मक सामग्री, उदाहरण और स्पष्टीकरण बना सकते हैं। सिंथेटिक पाठ्यपुस्तकें, अनुकूली वीडियो, और निर्देशात्मक वीडियो शैक्षिक सामग्री निर्माण की शृंखला दिखाते हैं।
पाठ्यपुस्तक-योजना मसौदे जो प्लेटफ़ॉर्म- और भाषा-निर्भर हैं। AI-निर्मित विज्ञान पाठ योजनाओं का विशेषज्ञ AI मूल्यांकन दिखाता है कि सामग्री गुणवत्ता न एकसमान है न तटस्थ। कराइसमैलोग्लु, सुरमेली और यिल्डिरिम (2026) ने ग्यारह विज्ञान शिक्षा विशेषज्ञों को छठी कक्षा इंजीनियरिंग डिज़ाइन-आधारित सीखने के चरणों के विरुद्ध ChatGPT-4 और एक शिक्षा-केंद्रित उपकरण (टीचर'स बडी) को स्कोर किया: शिक्षा-केंद्रित प्लेटफ़ॉर्म ने सामान्य-उद्देश्यीय को सभी आठ गुणवत्ता मानदंडों पर हराया, फिर भी 11 में से 7 विशेषज्ञों ने योजनाओं को केवल "सुधार द्वारा लागू करने योग्य" रेट किया। दोनों प्लेटफ़ॉर्म ने तुर्की प्रॉम्प्ट की तुलना में अंग्रेज़ी में शिक्षाशास्त्रीय रूप से समृद्ध आउटपुट उत्पन्न किया यहाँ तक कि तुर्की के मेरसिन के लिए स्थानीयकृत करने के लिए कहा गया — एक डिजिटल-समानता चिंता जहाँ प्रॉम्प्ट भाषा निर्देशात्मक गुणवत्ता को आकार देती है।
ट्यूटरिंग और संवाद: AI ट्यूटरिंग प्रणालियाँ संवादात्मक निर्देश के लिए जनरेटिव-AI का उपयोग करती हैं। सुकरातीय संवाद और सहयोगात्मक ट्यूटरिंग शिक्षाशास्त्रीय बातचीत के लिए जनरेटिव क्षमताओं का लाभ उठाते हैं।
सिमुलेटेड रोगी और केस निरंतरता। MeduAI-SP प्लेटफ़ॉर्म से 4,815 छात्र-AI संदेशों के एक बहु-विशेषज्ञ एनोटेटेड संग्रह (यांग सहित, 2026) ने पाया कि LLM-निर्मित मानकीकृत-रोगी प्रतिक्रियाओं में केवल लगभग 0.68% में स्पष्ट निष्ठा समस्याएँ थीं, और प्रगतिशील प्रकटीकरण लगभग 99.3% रोगी संदेशों में चिकित्सकीय रूप से उचित रेट किया गया। यह इस दावे का समर्थन करता है कि जनरेटिव-AI सिमुलेटेड रोगी संरचित YAML स्क्रिप्टिंग (क्वेन-मैक्स) के तहत केस निरंतरता और जांच-निर्भर, गैर-असमय-प्रकटीकरण को बनाए रख सकते हैं, उन्हें परिणाम शोध के लिए एक पर्याप्त-स्थिर वातावरण बनाते हुए न कि केवल संभाव्यता प्रदर्शनों के लिए — जबकि प्रणाली ने जानबूझकर निदान और संक्षिप्त स्कोर सीखने के दौरान रोके रखे।
मूल्यांकन: निबंध स्कोरिंग, स्वचालित ग्रेडिंग, और निर्माणकारक मूल्यांकन तेज़ी से जनरेटिव मॉडल पर निर्भर होते हैं। बेंचमार्क खुले काम के लिए इस बदलाव को सुदृढ़ करते हैं: पेकुचोवा, बेंको और ड्र्लिक (2025) ने पाया कि संदर्भ-संवेदी जनरेटिव-AI मॉडल (GPTo1 मानव ग्रेडरों के साथ लगभग-पूर्ण सहमति तक पहुँचना) ने खुले छात्र प्रतिक्रियाओं के ग्रेडिंग पर प्रारंभिक वाक्य-एम्बेडिंग दृष्टिकोणों को तेज़ी से हराया, जो कठोर संदर्भ मिलान पर निर्भर थे और मान्य लेकिन अलग-शब्दों वाले उत्तरों को गलत वर्गीकृत करते थे। ओल्वेट सहित (2026) इसे पूर्व-क्लर्कशिप चिकित्सा शिक्षा तक विस्तारित करते हैं, जहाँ खुले प्रश्नों के GPT-4 स्कोरिंग ने संकाय के साथ पर्याप्त-से-लगभग-पूर्ण इंटर-रेटर सहमति तक पहुँची (भारित कप्पा 0.94 तक) — लेकिन केवल इसके बाद कि मानवों ने तीन चक्रों में पुनरावृत्त रूप से मानदंड को परिष्कृत किया और विसंगतियों का निपटारा करने के लिए लूप में रहे — जबकि सबसे सिंथेटिक, समग्र-मानदंड प्रश्न मध्यम (κw = 0.54) पर अटक गया। यह साक्ष्य है कि जनरेटिव मूल्यांकन विश्वसनीयता कच्चे मॉडल जितनी ही मानव मानदंड इंजीनियरिंग और त्रुटि-पैटर्न विश्लेषण से आकार लेती है। फिर भी वही प्रवाहशीलता वस्तु प्रकारों में सामान्यीकृत नहीं होती: फलाहत सहित (2026) ने पाया कि ChatGPT-5 ने उद्देश्यीय फार्मेसी-परीक्षा वस्तुओं पर मानव संकाय से मेल खाया (CCC 0.935–1.000) लेकिन संक्षिप्त-उत्तर (≈0) या निबंध (0.341–0.854) वस्तुओं पर नहीं, और एक संरचित मानदंड ने अंतराल को भरोसेमंद रूप से बंद नहीं किया।
जोखिम: भ्रम, अति-निर्भरता, संज्ञानात्मक ऑफलोडिंग, और शैक्षणिक इमानदारी चिंताएँ विशेष रूप से जनरेटिव-AI की प्रवाहशीलता और सुगम्यता से उत्पन्न होती हैं।
आउटपुट गुणवत्ता से आगे एक सीखना-सुरक्षा समस्या। रहिमी (2026) तर्क देता है कि जनरेटिव-AI एक शिक्षार्थी के काम की गुणवत्ता बढ़ा सकता है जबकि वह संज्ञानात्मक काम करता है जो उन्हें करना चाहिए, इसलिए सुरक्षा का न्याय मानव-विकास प्रक्षेपवक्र पर किया जाना चाहिए — सीखना सुरक्षा जो क्षमताओं की रक्षा करती है और सीखना स्वस्थता जो उनके विकास का समर्थन करती है — सटीकता, पूर्वाग्रह या गोपनीयता के बजाय।
प्रभावशीलता दावे प्रदर्शन मापते हैं, सीखना नहीं। क्षेत्र का सबसे बड़ा अनुमान — ChatGPT और समान उपकरणों के लिए g = 0.7 की रिपोर्ट करने वाले 69 अध्यायनों का एक मेटा-विश्लेषण — तत्काल कार्य सफलता को एकत्र करता है न कि विलंबित, असहायित प्रतिधारण, इसलिए यह साक्ष्य नहीं है कि जनरेटिव-AI सीखना पैदा करता है (यान सहित, 2025)।
सीखने के वातावरण निर्माण: विशेष जनरेटिव मॉडल अब एक पाठ्यक्रम संक्षेप को सीधे पूर्ण सीखने के कलात्मक उत्पादों में बदलते हैं। कोजेवोल (तू सहित 2026), संरचित स्लाइड और स्व-निहित इंटरैक्टिव HTML पृष्ठों के एकल-पास निर्माण के लिए प्रशिक्षित एक मॉडल परिवार, एक स्लाइड को 17 सेकंड के माध्यिका में और एक इंटरैक्टिव पृष्ठ को 59 में पूरा करता है — मिनटों-लंबे बहु-चरण एजेंट मड्गद को बदलते हुए। विश्वसनीयता एक उत्पादन पाइपलाइन के माध्यम से लागू की जाती है जो असली विफलताओं को 53,687 सत्यापित SFT नमूनों में बदलती है साथ ही GRPO-आधारित RL के लिए एक संकर नियम-साथ-VLM पुरस्कार। यह जनरेटिव-AI को एक सामग्री लेखन इंजन के रूप में रखता है जिसमें शिक्षक और पाठ्यक्रम उत्पादन कार्यप्रवाहों के लिए निहितार्थ हैं, और यह मूल्यांकन करने के लिए कि AI-निर्मित सीखने के वातावरण कार्यात्मक रूप से और शिक्षाशास्त्रीय रूप से स्वस्थ हैं न कि केवल दृश्य रूप से चमकीले।

शिक्षक उपकरण उपयोग की एक गणना दिखाती है कि ध्यान उत्पादन पर केंद्रित है निर्देश पर नहीं: छह में से नौ देशों के 211 शिक्षकों द्वारा नामित 50 उपकरणों में लगभग आधे चित्र, ऑडियो, वीडियो और प्रस्तुति उपकरण थे, जबकि ट्यूटरिंग और चैटबॉट उपकरण सबसे छोटी शिक्षण-मुँह वाली समूह बनाते थे (बॉवर, टॉरिंगटन और लाई (2026))।

ज्ञानकोष की जनरेटिव-AI कवरेज

80+ लेखों के साथ, जनरेटिव-AI ज्ञानकोष का सबसे बड़ा प्रौद्योगिकी धाग है। शोध प्रभावशीलता अध्यायनों (मेटा-विश्लेषण), सुरक्षा चिंताओं (ट्यूटर हानियाँ, गार्डरेलिंग) और डिज़ाइन सिद्धांतों (निर्देशात्मक मार्गदर्शन) में फैला है।

53 अध्यायनों में एकत्रित, जनरेटिव-AI-सहायित शिक्षा ने उपलब्धि पर गैर-जनरेटिव-AI दृष्टिकोणों को हराया (g = 0.40), उच्च-क्रम सोच (g = 0.72), प्रेरणा (g = 0.81) और लेखन (g = 0.76), हालाँकि खेल-सहायित जनरेटिव-AI ने कोई महत्वपूर्ण लाभ नहीं जोड़ा (g = 0.24) (डोंग (2026))।

एक अलग 42-अध्यायन प्रेरणा का अकेला मेटा-विश्लेषण एकत्रित प्रभाव को कम रखता है (g = 0.764) और एक 95% भविष्यवाणी अंतराल रिपोर्ट करता है जो [−0.689, 2.217] में फैला है, इसलिए प्रेरणात्मक लाभ एक नए निर्धारण के लिए भरोसेमंद रूप से सकारात्मक नहीं है (फ़ांग सहित (2026))।

जनरेटिव-UI इस धाग की नवीनतम क्षमता है: मॉडल जो एक काम करने वाला इंटरैक्टिव कलात्मक उत्पाद उत्सर्जित करते हैं — स्लाइडर, हेरफेर करने योग्य सिमुलेशन — गद्य के बजाय। कोवशोव सहित (2026), एक Google Research टीम, रिपोर्ट करती हैं कि तैयार जनरेटिव-UI जटिल संरचनाओं के लिए अभी शिक्षाशास्त्रीय रूप से पर्याप्त सटीक नहीं है, लेकिन कि एक सीखने के उद्देश्य को प्रगतिशील स्तरित लक्ष्यों में विघटित करना और निर्माण को आलोचना और स्व-सुधार लूप में लपेटना ऐसे इंटरैक्टिव पैदा करता है जिन्हें विशेषज्ञ शिक्षक स्वीकार्य रेट करते हैं। उनका एक संचालन डिज़ाइन है: शिक्षक उद्देश्य बताते हैं, उन्हें स्वीकृत करते हैं और उम्मीदवार सिमुलेशन में चुनते हैं, इसलिए बेसपोक इंटरैक्टिव सीखने की सामग्री पर बाधात्मक बाधा उत्पादन से विनिर्देशन में बदलती है, और शिक्षाशास्त्रीय गार्डरेल निर्माण पाइपलाइन में सन्निहित होते हैं न कि बाद में शिक्षक सतर्कता पर छोड़े जाते हैं।

इन मूल धागों से आगे, हाल का काम साक्ष्य आधार को संस्थागत, बातचीत और डोमेन संदर्भों में विस्तारित करता है। क्विन (2026) दस्तावेज़ित करता है कि लिंगनान विश्वविद्यालय ने एक डिजिटल उदार-कला परिवर्तन के हिस्से के रूप में सभी स्नातकों के लिए जनरेटिव-AI साक्षरता को संस्थागत किया। चांग और ली (2026) दिखाते हैं कि छात्र-AI संवाद अनुशासन-सहचारित संज्ञानात्मक जुड़ाव को एन्कोड करते हैं, जिसमें ~62% प्रॉम्प्ट उच्च-क्रम संज्ञानात्मक मांग को प्रतिबिंबित करते हैं। नेतो और सहकर्मी (2026) व्यवस्थित समीक्षा करते हैं कि परिदृश्य-आधारित स्वास्थ्य शिक्षा में जनरेटिव-AI, यह पाते हुए कि प्रॉम्प्ट डिज़ाइन निर्देशात्मक विनिर्देशन के रूप में कार्य करता है लेकिन शायद ही कभी निर्देशात्मक ढांचों के साथ संरेखित होता है (34.8%) या पुनरुत्पादक विवरण में रिपोर्टित होता है (34.8%)। जनरेटिव-AI अभ्यास-आधारित शिक्षक प्रशिक्षण के लिए शिक्षार्थियों की भूमिका-नाटक सिमुलेशन भी चलाता है: झुआंग और झांग (2025) ने स्टूडेंट GPT बनाया, एक कस्टम ChatGPT चैटबॉट जिसने एक माध्यिका विद्यालय छात्र का सिमुलेशन किया जो सामान्य अनुपात-तर्क गलतफहमियाँ रखता था, पूर्व-सेवा गणित शिक्षकों को छात्र सोच के निदान में सुलभ, सामग्री-विशिष्ट अभ्यास देते हुए — यह साक्ष्य कि प्रॉम्प्ट डिज़ाइन (एक साहित्य-आधारित प्रॉम्प्ट ने भरोसेमंद रूप से लक्ष्य संकल्पनात्मक त्रुटियों को उकसाया, 0.98 बनाम 0.40) एक तैयार जनरेटिव मॉडल को एक उपयोगी शिक्षाशास्त्रीय व्यक्तित्व में स्टीयर कर सकता है।

भाषा शिक्षकों की एक व्यवस्थित समीक्षा (ली सहित 2026) पाती है कि शिक्षक जनरेटिव-AI का सबसे अधिक मूल्य तैयारी सामग्री काम के लिए करते हैं — पाठ योजना, सामग्री निर्माण और लेखन सहायता — जबकि लाइव कक्षा उपयोग पर झिझकते हैं, चिंताएँ शैक्षणिक इमानदारी (साहित्यिक चोरी और मूल्यांकन वैधता), पेशेवर विस्थापन और तकनीकी तनाव पर केंद्रित; अपनाना पेशेवर-पहचान, शिक्षाशास्त्रीय, तकनीकी, संस्थागत और इमानदारी कारकों से आकार लेता है, और क्षमता अंतराल एपिस्टेम, टेक्ने और फ्रोनेसिस पर मैप होते हैं।

सामग्री निर्माण इसी तरह गणित से आगे शिक्षकों के साथ सीखने के संसाधनों के सह-डिज़ाइन तक पहुँचता है — उदाहरण के लिए, ड्रोन STEM सीखने के लिए शिक्षक-AI सह-डिज़ाइन किए गए सिमुलेशन मड्गद जो शिक्षाशास्त्रीय वैधता और संदर्भगत प्रासंगिकता को संरक्षित करते हैं। बच्चों के STEAM कला शिक्षा में, लुओ और ताहिर (2025) ने शिक्षक-निर्मित पाठ योजनाओं पर ChatGPT-सहायित के लाभों को प्रयोगात्मक रूप से मात्रात्मक किया (विशेषज्ञ-रेट किया गया माध्यिका 20.5 बनाम 17.6, p = .002, बड़ा प्रभाव) — फिर भी वही अध्ययन दस्तावेज़ित करता है कि प्रवाहशील आउटपुट कक्षा निर्माण के लिए असली विफलता तरीके वहन करता है: दैनिक शिक्षण के लिए आदर्शवादी या अव्यावहारिक योजनाएँ, छोटी-बच्चे सुरक्षा बाधाओं की चूक (जैसे, छोटे बच्चों के लिए नक्काशी चाकुओं का सुझाव), पश्चिमी-केंद्रित सांस्कृतिक पूर्वाग्रह, और तर्कसंगत रूप से दोषपूर्ण या अप्रासंगिक चित्र/संसाधन निर्माण। योगदान एक प्रॉम्प्ट ढाँचा है (भूमिका–निर्देश–अंत लक्ष्य साथ ही एक "चार अंक और एक रेखा" गुणवत्ता मानदंड) जो विश्वसनीयता प्रश्न को यह से बदलता है कि क्या मॉडल उत्पन्न कर सकता है यह कि शिक्षाशास्त्रीय उपयोग के लिए प्रॉम्प्ट और मूल्यांकन मानदंडों को इसे कैसे बाधित करना चाहिए। समानता-उन्मुख उपयोग कम खोजे गए हैं; यूरोप में एक सभी-लड़कियों जनरेटिव-AI मेकरस्पेस पहल ने कंप्यूटिंग भागीदारी में सतत लिंग असमानताओं को संबोधित करने के लिए दो जनरेटिव-AI उपकरणों को नारीवादी शिक्षाशास्त्र के साथ जोड़ा, लड़कियों के जनरेटिव-AI-निर्मित चित्रों और हितधारक प्रतिबिंबों का विश्लेषण किया। सहायक और समावेशी अनुप्रयोग एक बढ़ता धाग हैं: ख्लैफ सहित (2026) — फिलिस्तीन में 21 दृष्टिबाधित स्नातकों का एक गुणात्मक केस अध्ययन — पाया कि जनरेटिव-AI गति, सामग्री और वितरण को व्यक्तिगत सीखने की प्रोफ़ाइल के अनुसार अनुरूप बनाता है, जटिल शैक्षिक पाठों को सरल बनाता है, और सामग्री को माध्यमों में बदलता है, शिक्षार्थियों द्वारा इसे शिक्षकों को पूरक माना जाता है न कि उनका प्रतिस्थापन।

प्राथमिक महत्वपूर्ण मीडिया साक्षरता में एक शिक्षाशास्त्रीय एजेंट के रूप में जनरेटिव-AI। दमिर और अकार (2026) जनरेटिव-AI उपकरणों (प्रतिबिंबित प्रश्नों और प्रश्नोत्तर के लिए ChatGPT, सामग्री परिष्करण के लिए ग्रैमरली और कैनवा AI, सहकर्मी प्रतिक्रिया के लिए पैडलेट) के साथ 5E निर्देशात्मक मॉडल को चरण-दर-चरण सन्निहित करके परिचालित करते हैं न कि अलग-थलग जोड़ों के रूप में, चौथी कक्षा तुर्की छात्रों के लिए तुर्की भाषा और सामाजिक अध्ययन पाठ्यक्रमों के अनुरूप एक 18-घंटे महत्वपूर्ण मीडिया साक्षरता कार्यक्रम में। AI-समर्थित समूह ने मीडिया पढ़ने में बड़े लाभ दिखाए (+3.50), लेखन (+1.67), और कुल मीडिया साक्षरता (+5.17, सभी p < .01) जिसमें कोहेन के d = 1.12 (पढ़ना), 1.18 (लेखन) और 1.31 (कुल साक्षरता) के समूह-बीच प्रभाव आकार थे, जबकि नियंत्रण समूह केवल मामूली रूप से आगे बढ़ा। गुणात्मक विश्लेषण ने महत्वपूर्ण मीडिया साक्षरता वृद्धि के छह डोमेन सामने रखे — डिजिटल स्व-संरक्षण और डेटा गोपनीयता, उद्देश्यपूर्ण और जिम्मेदार मीडिया उपयोग, सुरक्षित संचार और सीमा जागरूकता, महत्वपूर्ण मूल्यांकन और गलत-सूचना जागरूकता, ऑनलाइन जोखिम जागरूकता, और मीडिया नैतिकता/डिजिटल नागरिकता — यह सचित्र करते हुए कि कैसे जनरेटिव-AI को एक मड्गद शिक्षाशास्त्रीय एजेंट के रूप में एक पाठ्यक्रम में डिज़ाइन किया जा सकता है जो महत्वपूर्ण मूल्यांकन को विकसित करता है न कि इसे शॉर्ट-सर्किट करता है।

विशिष्ट डोमेन में जनरेटिव-AI: डिस्लेक्सिया सहायता

एक 2026 अंतर-अनुशासनात्मक व्यवस्थित समीक्षा (डाबगी, ड'उर्सो और सियारोन, PRISMA-निर्देशित, 2018–2024, n=72) पाती है कि जनरेटिव-AI डिस्लेक्सिया-सहायता डोमेन में कम-उपयोग है। GAI शोध (सभी 2024 से) बुद्धिमान चैटबॉट, शिक्षक प्रशिक्षण सहायता और अन्वेषणात्मक अध्यायनों में क्लस्टर होता है, और तेज़ी से शास्त्रीय ML को उपकरण चुनाव के रूप में हरा रहा है — फिर भी कठोर प्रयोग और असली-दुनिया सत्यापन बड़े पैमाने पर अनुपस्थित हैं। समीक्षा का भविष्य-रुझान विश्लेषण GAI-संचालित व्यक्तिगत सामग्री और असली-समय अनुकूली प्रतिक्रिया, आंख-ट्रैकिंग, EEG और व्यवहारिक विश्लेषण को एकीकृत करने वाले बहु-माध्यम निदान मॉडल, NLP-चालित बुद्धिमान ट्यूटरिंग प्रणालियाँ और संवादात्मक एजेंट, और शिक्षक-मुँह सहायता उपकरणों की ओर इशारा करता है। यह एक विशिष्ट, उच्च-आवश्यकता डोमेन में सामग्री निर्माण और इंटरैक्टिव सहायता के लिए जनरेटिव-AI के वादे और उस जोखिम दोनों को सचित्र करता है कि इसकी अपनाना साक्ष्य आधार से आगे निकल जाता है।

मेटाडेटा

प्रौद्योगिकियाँ और तकनीकें	इंटेलिजेंट ट्यूटरिंग, बड़े भाषा मॉडल (LLMs), प्रॉम्प्ट इंजीनियरिंग, RAG (रिट्रीवल-ऑगमेंटेड जनरेशन)
समानता, नैतिकता और जिम्मेदार उपयोग	हैलुसिनेशन जोखिम
शिक्षा में AI की नींव	AI साक्षरता, संज्ञानात्मक ऑफलोडिंग

Source History Edit Chat