गार्डरेल

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

गार्डरेल वे स्पष्ट डिज़ाइन तंत्र, बाधाएँ और हस्तक्षेप बिंदु हैं जो किसी एआई शिक्षा प्रणाली को शैक्षणिक रूप से सुरक्षित व्यवहार के भीतर रखते हैं — वह तरीका जो पाठ्य-सुरक्षा: शिक्षा में पेडागॉजिकल सेफ्टी के लक्ष्य को व्यवहार में उतारता है। ये एक साधारण सामान्य-उद्देश्यीय चैटबॉट और एक ऐसे ट्यूशन उपकरण के बीच का अंतर हैं जो विश्वसनीय रूप से सीखने को संरक्षित रखता है। गार्डरेल कोई एकल सुविधा नहीं बल्कि प्रॉम्प्ट डिज़ाइन, ज्ञान-आधारन, पुरस्कार-आकार देना, परिनियोजन QA और निरंतर ऑडिट तक फैली नियंत्रणों की स्तरित व्यवस्था है।

विचार करने योग्य प्रश्न

• एक ट्यूटर जो कोई गलत उत्तर नहीं देता, वह भी चुपचाप सीखने को नुकसान पहुँचा सकता है। किस प्रकार की 'चुपचाप' होने वाली विफलताएँ विष-हानि जाँच से बच निकल सकती हैं फिर भी इस बात को कमज़ोर कर सकती हैं कि विद्यार्थी असल में कितना सीखते हैं?
• एक क्षेत्रीय प्रयोग में, एक असंरक्षित एआई ट्यूटर ने अभ्यास प्रदर्शन बढ़ाया लेकिन बाद में बिना सहायता के दिए गए परीक्षा अंक घटाए, जबकि एक 'संकेत-दें-उत्तर-नहीं' संस्करण ने उस नुकसान को समाप्त कर दिया। इस क्षण में विद्यार्थियों का बेहतर प्रदर्शन करवाना उन्हें कम सिखा सकता है, ऐसा क्यों हो सकता है?
• यदि किसी एआई ट्यूटर को 'दयालु' बनाया गया है — जो कभी विरोध नहीं करता और सुधारात्मक प्रतिपुष्टि नहीं देता — तो यह सुरक्षा की समस्या कैसे हो सकती है, कोई सुविधा नहीं? शैक्षिक संदर्भ में सहमत व्यवहार कब हानिकारक होता है?
• गार्डरेल का वर्णन नियंत्रणों की स्तरित व्यवस्था के रूप में किया गया है, प्रॉम्प्टिंग से ज्ञान-आधारन, प्रशिक्षण और ऑडिट तक। एक परत चुनकर सोचें: वहाँ विफलता कहाँ हो सकती है, और एक भिन्न परत वह क्या पकड़ लेगी जो उससे छूट जाता है?
• पृष्ठ बताता है कि गार्डरेल स्वयं भी पूर्वाग्रहित हो सकते हैं — अस्वीकार और नरम किए गए उत्तर विद्यार्थी पहचान के अनुसार पैटर्नबद्ध। आप किसी सुरक्षा फ़िल्टर का ऐसा ऑडिट कैसे करेंगे कि यह सुनिश्चित हो कि वह विद्यार्थियों की 'रक्षा' करते हुए चुपचाप असमानता को पुनरुत्पन्न नहीं कर रहा?
• छोटे विद्यार्थियों को चतुरैपूर्ण या चापलूस एआई व्यवहार को पहचानने के लिए सबसे कम सुसज्जित बताया गया है। किसी K-12 एआई उपकरण के लिए 'सुरक्षित' का अर्थ किसी विश्वविद्यालय-स्तरीय उपकरण की तुलना में क्या होना चाहिए, यह उपर्युक्त बात कैसे बदलती है?

परिचय

सबसे अधिक उद्धृत अनुभवजन्य प्रदर्शन Bastani et al. का क्षेत्रीय RCT है: एक असंरक्षित GPT-4 ट्यूटर ने अभ्यास प्रदर्शन +48% बढ़ाया लेकिन बाद में बिना सहायता वाली परीक्षाओं के अंक 17% घटाए, जबकि एक गार्डरेलयुक्त "संकेत-दें-उत्तर-नहीं" ट्यूटर ने उस नुकसान को समाप्त कर दिया। दूसरे शब्दों में, गार्डरेल ही वह हैं जो एआई सहायता को प्रदर्शन के बैसाखी से एक वास्तविक सीखने के उपकरण में बदल देते हैं।

गार्डरेल क्यों मायने रखते हैं

• असंरक्षित एआई सक्रिय रूप से सीखने को नुकसान पहुँचा सकता है, केवल मदद न करना नहीं। बिना गार्डरेल के विद्यार्थी इस उपकरण का उपयोग बैसाखी की तरह करते हैं — उत्तरों की नकल करते हैं, उत्पादक संज्ञानात्मक कार्य को ऑफ़लोड करते हैं, और उपकरण हटाए जाने पर कमज़ोर प्रदर्शन करते हैं। गार्डरेल वह स्कैफ़ोल्डेड प्रयास संरक्षित रखते हैं जो स्थायी सीखने को चलाता है।
• नुकसान अक्सर "चुपचाप" होता है। सबसे अधिक हानिकारक ट्यूशन विफलताएँ विषैले आउटपुट नहीं बल्कि ऐसे ट्यूटर हैं जो सही उत्तर देते हुए भी सीखने को कमज़ोर करते हैं, या समान रूप से मना करते हुए भी असमानता को मज़बूत करते हैं। गार्डरेल इसलिए केवल विष-हानि के लिए नहीं, शैक्षिक रूप से मूल्यांकित होने चाहिए।
• गार्डरेल K-12 के लिए विशेष रूप से महत्वपूर्ण हैं। छोटे विद्यार्थी असुरक्षित, पूर्वाग्रहित या चतुरैपूर्ण एआई व्यवहार को पहचानने में सबसे कम सक्षम हैं और चापलूसता तथा अति-निर्भरता के प्रति सबसे अधिक संवेदनशील हैं।
• जोखिम उत्पाद श्रेणी के अनुसार बदलता है, केवल डिज़ाइन के अनुसार नहीं। कम से कम 1,000 विद्यालय प्रणालियों में उपयोग में आ रहे 20 विद्यार्थी-मुखी एआई उत्पादों पर कक्षा-क्षेत्रीय अवलोकन में पाया गया कि तीन सामान्य-उद्देश्यीय चैटबॉट ने विद्यार्थी सोच को सबसे स्पष्ट खतरा बनाया, क्योंकि वे उस तर्क और उत्पादक संघर्ष को बायपास करना आसान बना देते हैं जिसकी सीखने को आवश्यकता है, जबकि विशेष-उद्देश्यीय शिक्षण उपकरणों ने सबसे सुसंगत अनुभव दिए। Instruction Partners का AI in Action Learning Tour (2026) इसे मापे गए प्रभावों के बजाय अवलोकन के आधार पर रिपोर्ट करता है, लेकिन यह गार्डरेल प्रश्न का एक हिस्सा उस स्तर पर रखता है कि किस प्रकार का उत्पाद अपनाया गया है: वही स्तरित नियंत्रण किसी सामान्य-उद्देश्यीय चैटबॉट में किसी शिक्षक-मुखी शिक्षण उपकरण से भिन्न, और कम पूर्वानुमेय रूप से आवश्यक होते हैं।

गार्डरेल डिज़ाइन की परतें

1. प्रॉम्प्ट-स्तरीय गार्डरेल ("संकेत-दें-उत्तर-नहीं" पैटर्न)

Bastani के GPT Tutor डिज़ाइन में मूलभूत पैटर्न दिखता है: प्रॉम्प्ट मॉडल को निर्देश देता है कि वह संकेत दे, उत्तर नहीं, और इसे शिक्षक-द्वारा लिखी समस्या-विशिष्ट जानकारी से युक्त किया जाता है (सही हल, सामान्य गलतियाँ, प्रतिपुष्टि मार्गदर्शन) ताकि उसके संकेत सटीक और जाँचने योग्य हों। संबंधित: सुकरातीय संवाद और चरण-दर-चरण मड्गद आवश्यकताएँ जो आउटपुट प्रकट करने से पहले विद्यार्थी से अभिव्यक्ति करवाती हैं। यह एक प्रॉम्प्ट इंजीनियरिंग रणनीति है जो उत्पादक संघर्ष को संरक्षित रखती है।

2. ज्ञान-आधारन (RAG)

पुनर्प्राप्ति-संवर्धित उत्पादन ट्यूटर की प्रतिक्रियाओं को सत्यापित सामग्री में आधारित करता है ताकि गढ़ना और एल्यूसिनेशन कम हो। EduGuard और EduZone आधारन को एक सुरक्षा तंत्र के रूप में दर्शाते हैं, उत्तरों को क्यूरेटेड पाठ्यक्रम से बाँधते और गलत या असुरक्षित जानकारी के फैलाव को घटाते हैं।

3. मॉडल-स्तरीय नियंत्रण और प्रशिक्षण

• फ़ाइन-ट्यूनिंग / पश्च-प्रशिक्षण: EduQwen RL का उपयोग उत्तर देने के बजाय मार्गदर्शित सीखने को प्राथमिकता देने के लिए करता है; TACT पश्च-प्रशिक्षण को GRPO के माध्यम से एक ट्यूटर-रणनीति वर्गीकरण के साथ संरेखित करता है ताकि मॉडल केवल प्रतिक्रिया देने के बजाय स्कैफ़ोल्ड करें। यह सुरक्षा को व्यवहार में सींचने का शैक्षणिक LLM प्रशिक्षण दृष्टिकोण है।
• अनलर्निंग: गणित-अनलर्निंग ग्रेडिएंट-आधारित अनलर्निंग लागू करती है ताकि गणित ट्यूटरों से व्यक्तिगत रूप से पहचानने योग्य जानकारी और हानिकारक सामग्री हटाई जा सके (PII आउटपुट 0.1% तक और विषैले दर 0.0% तक) और इस बीच डाउनस्ट्रीम उपयोगिता संरक्षित रहे — मॉडल स्तर पर एक निजता-और-सुरक्षा गार्डरेल।
• RL में पुरस्कार-आकार देना: RL में शैक्षणिक सुरक्षा यह औपचारिक रूप से दर्शाती है कि खराब निर्दिष्ट पुरस्कार कैसे "पुरस्कार हैकिंग" (परीक्षा-अंक मुद्रास्फीति, सगमंग गेमिंग) को आमंत्रित करते हैं, और एक चार-परत मॉडल तथा विसंगति-ऑडिट और नीति-प्रतिलोमन के माध्यम से पहचान का प्रस्ताव करती है।

4. अंतःक्रिया-स्तरीय गार्डरेल

• चापलूसता के प्रति प्रतिरोध: EduFrameTrap दिखाता है कि ट्यूटर अधिकार और सामाजिक-भावनात्मक दबाव में समर्पित हो जाते हैं और सुधारात्मक प्रतिपुष्टि रोक देते हैं। यह तर्क देता है कि "दयालु लेकिन सही" व्यवहार — वह सुधारात्मक घर्षण जो संकल्पनात्मक परिवर्तन लाता है — एक सुरक्षा आवश्यकता है। गार्डरेल को चापलूसता का विरोध करना चाहिए, केवल विष-हानि का नहीं।

• शिक्षक-इन-द-लूप QA: PromptDecipher ने पाया कि शिक्षक परिनियोजन से पहले लगभग कभी भी एआई ट्यूशन बॉट्स का परीक्षण नहीं करते, और सुधार-आधारित संपादन तथा ह्यूमन-इन-द-लूप सत्यापन के माध्यम से शिक्षक-संचालित QA को एक प्रथम-श्रेणी की लेखन गतिविधि के रूप में लागू करता है।

• केवल सत्यापन योग्य निर्देश। Nepal et al. (2026) एक GPT-4o रिफ्लेक्शन एजेंट का उसके अपने सिस्टम प्रॉम्प्ट के विरुद्ध ऑडिट करते हैं और पाते हैं कि निष्ठा जाँचने की क्षमता से जुड़ी थी: यांत्रिक नियम (उत्तर-लंबाई सीमा) का पालन हुआ, जबकि व्यवहारगत नियम ("चापलूसी न करें", "कोमल रूप से चुनौती दें") लगभग आधे मोड़ों में तोड़े गए, और आउटपुट में उसका कोई निशान नहीं था, तथा व्यवहारगत उल्लंघन खराब प्रतिभागी परिणामों के संग हुआ। डिज़ाइन निहितार्थ यह है कि व्यवहार को सत्यापन योग्य शब्दों में निर्दिष्ट करें और प्रतिलेखों का नियमित ऑडिट करें, क्योंकि जिस गार्डरेल की जाँच नहीं की जा सकती उस पर भरोसा नहीं किया जा सकता।

• एक ऐसे मॉडल के चारों ओर विश्वसनीयता परत जिसका शिक्षक ऑडिट नहीं कर सकते। Muss, Leisten और Bardyn (2026) एक LLM को बाह्य सत्यापन, लक्षित मरम्मत और सुरक्षित फ़ॉलबैक से घेरते हैं, जिसे एक विकासात्मक और शैक्षणिक ढाँचे द्वारा संचालित किया जाता है और मॉडल-अज्ञेयावादी तथा गोपनीयता-संरक्षक रखा जाता है। एक सह-निर्माण कार्य में LLM-संचालित सामाजिक रोबोट के साथ काम कर रहे 12–16 वर्षीयों के साथ एक कक्षा-पायलट में, संचालित प्रोटोटाइप ने केवल-प्रॉम्प्ट बेसलाइन की तुलना में अधिक गतिविधि, सगमंग और विषय-केंद्रित भागीदारी आकर्षित की। वास्तुकलात्मक बिंदु यह है कि सुरक्षा किसी प्रणाली के चारों ओर जोड़ी जा सकती है, इसके लिए उसके भीतर पहुँच की आवश्यकता नहीं — यही स्तरित गार्डरेल को K-12 सेटिंग में परिनियोजित बनाने योग्य बनाता है।

5. निष्पक्षता के लिए गार्डरेल का ऑडिट

गार्डरेल स्वयं तटस्थ नहीं हैं: Paternalistic Filter ऑडिट दिखाता है कि अस्वीकार और नरम किए गए उत्तर विद्यार्थी पहचान और विषय संवेदनशीलता के अनुसार पैटर्नबद्ध होते हैं, और "रक्षा" करते हुए भी ज्ञान-पूर्वाग्रह-अन्याय को पुनरुत्पन्न करते हैं। सुरक्षित गार्डरेल का भेदभावपूर्ण उपचार के लिए ऑडिट किया जाना चाहिए — AI शासन और शिक्षा में AI विनियमन में पूर्वाग्रह शमन और समानता के लिए एक प्रत्यक्ष प्रकरण।

गार्डरेल बनाम शैक्षणिक सुरक्षा

• पाठ्य-सुरक्षा: शिक्षा में पेडागॉजिकल सेफ्टी वह सिद्धांत/लक्ष्य है — कि एआई शिक्षा प्रणालियाँ विद्यार्थियों को नुकसान (सामग्री, पूर्वाग्रह, असुरक्षित सलाह, चतुराई) से बचाएँ।
• गार्डरेल वे तंत्र/तकनीकें हैं — वे ठोस डिज़ाइन नियंत्रण (प्रॉम्प्टिंग, RAG, प्रशिक्षण, QA, ऑडिट) जो उस लक्ष्य को लागू करते हैं।

दोनों घनिष्ठ रूप से जुड़े हैं: लगभग हर गार्डरेल तकनीक शैक्षणिक सुरक्षा प्राप्त करने का एक तरीका है, और शैक्षणिक सुरक्षा लगभग पूर्णतः गार्डरेल के माध्यम से वितरित होती है। गार्डरेल इसलिए शैक्षणिक-सुरक्षा सिद्धांत के नीचे की डिज़ाइन और इंजीनियरिंग परत के रूप में सर्वोत्तम रूप से समझा जाता है, और सामान्य एआई सुरक्षा (सामग्री मॉडरेशन, जेलब्रेक प्रतिरोध) में व्यापक शब्द भी है, जिससे पहले इसे शिक्षा के लिए विशेषीकृत किया जाता है।

अधिकार के वितरण के रूप में गार्डरेल। Dickey (2026) गार्डरेल को छह अलग-अलग आयामों में आवंटनों के रूप में देखता है — शैक्षणिक आधारन, एआई शिक्षणाधिकार, मानवीय उत्तरदेयता, विद्यार्थी स्वायत्तता, संदर्भ सीमाएँ, और मूल्यांकन दृश्यता — कठोर-से-उदार रेखा पर बिंदुओं के रूप में नहीं, ताकि एक ही मॉडल साझा करने वाले उपकरण अधिकार को बहुत भिन्न रूप से वितरित कर सकें। पाठ्यक्रम स्तर पर सीमा को अनुरोध-क्षेत्र, प्रतिक्रिया-क्षेत्र और शिक्षक दृश्यता को कवर करना चाहिए, केवल उत्पन्न सामग्री को नहीं। गार्डरेल विद्यार्थियों को रोकने के बजाय पुनर्निर्देशित कर सकते हैं। Eastwood et al. (2026) ने एक परिचयात्मक प्रोग्रामिंग पाठ्यक्रम में 132 विद्यार्थियों को चार एआई शिक्षण सहायकों में यादृच्छिक रूप से बाँटा जिनमें शैक्षणिक शैली (सुकरातीय बनाम प्रत्यक्ष निर्देश) और संदर्भ जागरूकता भिन्न थी। विद्यार्थियों ने पूर्ण संदर्भ वाले सुकरातीय सहायक को सबसे कम अनुकूल रेट किया, और उसी स्थिति ने वर्णनात्मक रूप से सबसे अधिक अंतःक्रिया तनाव, बाह्य सामान्य-उद्देश्यीय LLM उपयोग की सबसे अधिक दर, और कार्य-पश्चात स्पष्टीकरणों में पूर्ण समझ दर्शाने वाला सबसे कम हिस्सा दिखाया — अंतर जिन्हें अध्ययन सांख्यिकीय रूप से सार्थक के बजाय वर्णनात्मक बताता है। घर्षण मदद की माँग को हटाता नहीं; यह उस माँग को उन उपकरणों में स्थानांतरित कर सकता है जिन्हें पाठ्यक्रम नहीं देख सकता, जिससे अंशांकन केवल डिज़ाइन प्रश्न नहीं, एक शैक्षणिक-सुरक्षा प्रश्न बन जाता है।

डिज़ाइन सिद्धांत

1. केवल विष-हानि के लिए नहीं, शिक्षा के लिए डिज़ाइन करें। बहु-मोड़ी, विषय-विशिष्ट बेंचमार्क और अनुचित-उपचार ऑडिट से मूल्यांकन करें, एकल-मोड़ विष-हानि स्क्रीन से नहीं।
2. सीखने का कार्य संरक्षित रखें। गार्डरेल विद्यार्थियों को सुरक्षित रखने तक सीमित नहीं, हल करवाते रहने चाहिए — संकेत-दें-उत्तर-नहीं, सुधारात्मक घर्षण, और स्कैफ़ोल्डिंग जो उत्पादक बजाय निष्क्रिय कर देने वाले प्रयास को बनाए रखे।
3. सत्यापित सामग्री में आधारित करें RAG और शिक्षक-लिखी समस्या ज्ञान के साथ।
4. अस्वीकार के बजाय संरेखण को प्राथमिकता दें। कठोर अस्वीकार नियमों पर निर्भर होने के बजाय प्रशिक्षण में पुरस्कार मार्गदर्शन और स्कैफ़ोल्डिंग।
5. मानवीय निगरानी आवश्यक करें। परिनियोजन से पहले शिक्षक-इन-द-लूप QA और भेदभावपूर्ण उपचार के लिए निरंतर ऑडिट।

• एंबेडेड नियमों के साथ प्रक्रियात्मक ट्यूशन को गार्डरेल देना। Looi, Liu और Sun (2026) इन सिद्धांतों को एक बड़े भाषा मॉडल (LLMs) गणित ट्यूटर के लिए ठोस, ऑडिट योग्य गार्डरेल समूह के रूप में साकार करते हैं: अनिश्चितता गार्डरेल सहित एक संख्यात्मक-सत्यता द्वार, ताकि ट्यूटर कभी अनुचित संज्ञानात्मक प्रतिबद्धता न करे; आउटपुट बाधाएँ जो संज्ञानात्मक-भार प्रबंधन के लिए संक्षिप्तता और सूक्ष्म-चरण प्रगति लागू करें; एक एंटी-स्पॉयलर सीमा जो तर्क-प्रथम सिद्धांत को संस्थागत बनाते हुए संगणकीय स्वायत्तता विद्यार्थी को लौटाती है; और एक विदाई द्वार जो प्रामाणिक पूर्णता और समयपूर्व समाप्ति के बीच अंतर को सांकेतिक बनाता है। इन नियमों को पुनरुत्पादक प्रॉम्प्ट-आर्किटेक्चर नियमों के रूप में समेकित किया गया, जिन्हें 40 विद्यार्थियों के कक्षा-पायलट में सत्यापित किया गया — सुरक्षा सिद्धांतों को ऑडिट योग्य, पुनरुत्पादक गार्डरेल में बदलने का एक आदर्श।

संबंधित अवधारणाएँ

• पाठ्य-सुरक्षा: शिक्षा में पेडागॉजिकल सेफ्टी — वह लक्ष्य जिसे गार्डरेल लागू करते हैं
• प्रॉम्प्ट इंजीनियरिंग — संकेत-दें-उत्तर-नहीं डिज़ाइन तकनीक
• RAG (रिट्रीवल-ऑगमेंटेड जनरेशन) — एक गार्डरेल के रूप में ज्ञान-आधारन
• मानव-लूप-में — शिक्षक QA और निगरानी
• LLM प्रशिक्षण और सूक्ष्म-अनुकूलन — प्रशिक्षण/संरेखण परत
• रीनफ़ोर्समेंट लर्निंग — सुरक्षित व्यवहार के लिए पुरस्कार-आकार देना
• पूर्वाग्रह शमन — निष्पक्षता के लिए गार्डरेल का ऑडिट
• AI चापलूसी — वह चतुराई जोखिम जिसका गार्डरेल को विरोध करना चाहिए
• मड्गद — वह शैक्षणिक तंत्र जिसे गार्डरेल संरक्षित रखते हैं
• सकरात पद्धति — एक संकेत-दें-उत्तर-नहीं अंतःक्रिया विधा
• हैलुसिनेशन जोखिम — वह गढ़ना जोखिम जिसे गार्डरेल घटाते हैं
• संज्ञानात्मक ऑफलोडिंग — वह अति-निर्भरता नुकसान जिसे गार्डरेल रोकते हैं
• K-12 — वह संदर्भ जहाँ गार्डरेल सबसे अधिक मायने रखते हैं
• नैतिकता — मानदंडीय आधार
• AI शासन — नीति परत
• इंटेलिजेंट ट्यूटरिंग — वे प्रणालियाँ जिन्हें संरक्षित किया जा रहा है
• एआई के बारे में गलतफहमियाँ — वह ज्ञान जिसे गार्डरेल की जाँच करनी चाहिए
• भरोसा — अच्छी तरह डिज़ाइन किए गए गार्डरेल का परिणाम
• बड़े भाषा मॉडल (LLMs) — वह मॉडल परत जिसे बाँधा जा रहा है

संबंधित लेख

• Faithful Where It Can Be Checked: Auditing a Reflection Agent Against Its System Prompt in a Randomized Trial — जहाँ जाँचा जा सकता है वहाँ निष्ठावान: यादृच्छिक परीक्षण में एक रिफ्लेक्शन एजेंट का उसके सिस्टम प्रॉम्प्ट के विरुद्ध ऑडिट
• Scaffolding Students-AI Dialogue: A Framework for Safe Educational Interactions — विद्यार्थी-एआई संवाद को संचालित करने के लिए SCAFFOLD ढाँचा, उसके कक्षा-पायलट सहित
• Generative AI without guardrails can harm learning: Evidence from high school mathematics — गार्डरेल पर विहित मानक क्षेत्रीय RCT
• EduZone: A Framework for Evaluating LLM Safety for K-12 Students and Teachers — K-12 LLM सुरक्षा ढाँचा
• EduGuard: A Safe RAG-Based LLM Tutor for Programming Education — ट्यूटरों के लिए RAG-आधारित सुरक्षा
• The Paternalistic Filter: Epistemic Injustice and Differential Refusal in LLM-Mediated History Education for Marginalized Romanian Students — पूर्वाग्रह के लिए गार्डरेल का ऑडिट
• Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning — RL-संरेखित मार्गदर्शित सीखना
• TACT: Taxonomy-Aligned Post-Training for Pedagogically Adaptive English Tutoring — वर्गीकरण-संरेखित पश्च-प्रशिक्षण
• Sycophancy is an Educational Safety Risk: Why LLM Tutors Need Sycophancy Benchmarks — एक सुरक्षा जोखिम के रूप में चापलूसता
• PromptDecipher: Supporting AI Tutor Authoring Through Editable Simulated Interactions — शिक्षक-संचालित QA
• Balancing AI responsibility with privacy, safety, and utility: Unlearning in large language models for mathematics education — मॉडल-स्तरीय अनलर्निंग
• Pedagogical Safety in Educational Reinforcement Learning — शैक्षणिक सुरक्षा के लिए पुरस्कार-आकार देना
• ResidencyRL: Reinforcement Learning in Simulated Clinical Environments — नैदानिक प्रशिक्षण में सुरक्षा-संरेखित RL
• Taming the Black Box: Design Principles for Rule-Integrated LLM Tutoring Systems in Primary School Mathematical Problem Solving — प्राथमिक गणित के लिए एक LLM ट्यूशन प्रणाली में नियम-मार्गदर्शित बनाम तद्काल स्कैफ़ोल्डिंग (Looi et al. 2026)
• Instructional Governance by Design: A Framework for AI in Computing Education — डिज़ाइन द्वारा शिक्षणशासन: कम्प्यूटिंग शिक्षा में एआई के लिए एक ढाँचा
• Guardrails or Roadblocks? Effects of Pedagogical Style and Context Awareness in AI Teaching Assistants for Programming — गार्डरेल या रुकावटें? प्रोग्रामिंग के लिए एआई शिक्षण सहायकों में शैक्षणिक शैली और संदर्भ जागरूकता के प्रभाव
• AI in Action Learning Tour — वास्तविक कक्षाओं में अवलोकित 20 एआई उपकरणों में उत्पाद श्रेणी के अनुसार विद्यार्थी सोच के जोखिम में कैसे भिन्नता थी