सहायता खोजना

इस पृष्ठ पर

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

सहायता खोजना — सहायता की आवश्यकता को पहचानने और उसे रणनीतिपूर्ण ढंग से मांगने की शिक्षार्थी की प्रक्रिया, और यह प्रक्रिया AI-समर्थित शिक्षण वातावरणों में कैसे बहती है। शिक्षा में AI में, सहायता खोजना इस बात के केंद्र में है कि AI उपकरण सीखने का समर्थन करते हैं या उसे कमज़ोर करते हैं: सहायता खोजने की गुणवत्ता (शिक्षार्थी कब, कैसे और किस चीज़ के लिए पूछते हैं) परिणामों को गहराई तक आकार देती है, और AI शिक्षक, संकेत तथा शिक्षाशास्त्रीय एजेंट ठीक उसी उद्देश्य से बनाए गए हैं कि उत्तर-खोज के बजाय उत्पादक सहायता खोज को प्रेरित करें।(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)(Warning About AI Fallibility Increases Help-Seeking in an Intelligent Tutoring System)

सक्रिय उपागम बिना शिक्षण सामग्री में किसी बदलाव के भी सहायता खोज बढ़ा सकता है। बड़े संख्या में नामांकित स्नातक पाठ्यक्रमों में एक पूर्व-पंजीकृत प्रयोग ने एक शैक्षणिक चैटबॉट के माध्यम से शिक्षार्थियों को संदेश भेजकर ट्यूटरिंग और पूरक शिक्षण के अधिक उपयोग को देखा; मध्यस्थता विश्लेषण ने ग्रेड प्रभाव का 17.8% उस बढ़ी हुई सहायता खोजने के लिए जिम्मेदार ठहराया (p = 0.041) (Let's Chat: Leveraging Chatbot Outreach for Improved Course Performance)।

विचार करने योग्य प्रश्न

जब आप किसी काम में अटक जाते हैं, तो क्या आप सीधा उत्तर मांगने या ऐसा मार्गदर्शन मांगने की प्रवृत्ति रखते हैं जिससे आप स्वयं उसे समझ सकें? आपके अनुसार प्रत्येक विकल्प आपके वास्तविक अवशोषण के साथ क्या करता है?
शोध बताते हैं कि शिक्षार्थी प्रायः AI के साथ सीखने का इरादा रखते हैं लेकिन डिफ़ॉल्ट रूप से उत्तर मांगते हैं — एक 'इरादा-व्यवहार अंतराल' जो ख़राब प्रदर्शन से जुड़ा है। अच्छे इरादे उत्तर-खोज में इतनी आसानी से क्यों बदल जाते हैं?
लगातार मौजूद एक 'संकेत बटन' सीखने के कार्य को प्रतिलिपि बनाने के अभ्यास में बदल सकता है, क्योंकि यह संकेत देता है कि सहायता हमेशा उपलब्ध है। क्या आप कोई ऐसा समय याद कर सकते हैं जब सहायता बहुत आसानी से मिलने से आपने वह सोच छोड़ दी जो आपको करनी थी?
एक अध्ययन में पाया गया कि केवल शिक्षार्थियों को चेतावनी देना कि AI गलतियाँ कर सकता है, वास्तव में उनकी सहायता खोज बढ़ा देता है। स्वस्थ संदेह शिक्षार्थियों के संबंध में किस प्रकार बदलाव ला सकता है — एक शिक्षक के साथ निर्भरता के स्थान पर, और अंध विश्वास के विपरीत?
संघर्षरत शिक्षार्थी प्रायः सहायता मांगने के सबसे कम संभावना वाले होते हैं। यदि सबसे अधिक ज़रूरत वाले शिक्षार्थी स्वयं संपर्क न करें, तो AI उपकरणों और शिक्षकों को कैसे जवाब देना चाहिए?
यह पेज संकेतों में विलंब करने और डिज़ाइन प्रश्न को 'क्या' से 'कैसे' सहायता देनी है, इस ओर स्थानांतरित करने का प्रस्ताव रखता है। आपके शिक्षार्थियों के लिए एक अच्छी तरह से डिज़ाइन किया गया सहायता अनुभव कैसा दिखेगा — और कौन-सी बात उन्हें वास्तव में उसे अपनाने के लिए उत्सुक बनाएगी?

परिचय

सहायता खोजना सीखने के अनुसंधान में एक अच्छी तरह से स्थापित संकल्पना है, जो स्व-नियंत्रित अधिगम और मेटाकॉग्निशन से घनिष्ठ रूप से जुड़ी है: इसके लिए शिक्षार्थियों को अपनी समझ की निगरानी करनी पड़ती है, एक अंतराल पहचानना पड़ता है, तय करना पड़ता है कि सहायता आवश्यक है, और एक प्रभावी अनुरोध तैयार करना पड़ता है। जनरेटिव AI शिक्षकों के उदय के साथ, सहायता खोज नई महत्वपूर्णता प्राप्त कर गई है — और नए विफलता-ढंग भी। शिक्षार्थी प्रायः AI को सीखने के लिए उपयोग करने का इरादा रखते हैं लेकिन डिफ़ॉल्ट रूप से सीधे उत्तर मांगते हैं; यह अंतराल इस ज्ञान आधार में विभिन्न क्षेत्रों और आयु-वर्गों में प्रलेखित है। शास्त्रीय मॉडल मानता है कि अनुरोध उस ज्ञान के लिए होता है जो पूछने वाले के पास नहीं है। परिचालन सहायता की मांग इस मान्यता को जटिल बनाती है: 4,093 प्रश्नों में कम से कम 20.4% लंबित सबमिशन की स्थिति के बारे में पूछते थे, ज्ञान के लिए नहीं — ऐसी श्रेणी जिसकी सेवा एक पुनर्प्राप्ति-सीमित सहायक केवल 1.3% समय कर पाता था Gupta et al. (2026)।(Regulating the AI Tutor: Intentions, Help-Seeking, and Self-Regulated Learning in Adolescent GenAI Use)(Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics)

उत्पादक बनाम ग़ैर-उत्पादक सहायता खोज

साहित्य में केंद्रीय विभेद सहायता खोज के उन दो रूपों के बीच है — एक जो सीखने का समर्थन करता है और दूसरा जो उसे दरकिनार कर देता है।

ग़ैर-उत्पादक सहायता खोजने के व्यवहार

इस ज्ञान आधार में शोध इंटेलिजेंट ट्यूटरिंग सिस्टम में ग़ैर-उत्पादक सहायता खोजने के ठोस, प्रेक्षणीय पैटर्न पहचानते हैं:

असमयबद्ध संकेत अनुरोध — किसी हल का प्रयास किए बिना ही सहायता मांगना। अनिश्चित शिक्षार्थी भी पहले प्रयास करके अधिक सीखते हैं।(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)
सतही संकेत पठन — संकेतों को इतनी तेज़ी से आगे बढ़ना कि उन्हें पढ़ा न जा सके (लगभग ~4 शब्द/सेकंड बेंचमार्क पर चिह्नित), और प्रायः सीधे उस अंतिम संकेत पर कूदना जो उत्तर खोल देता है।(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)
सीखने के बजाय उत्तर-खोज — AI को समझाने या मार्गदर्शन देने के बजाय उत्तर बनाने के लिए कहना। 98 कक्षा-9 के शिक्षार्थियों के एक अध्ययन में, जिन्होंने GenAI शिक्षक का उपयोग किया, संपर्क साधारण अनुरोधों से भरे रहे और अपनी सीखने की निगरानी या मूल्यांकन लगभग नहीं था — यहाँ तक कि शिक्षार्थियों ने पहले ही स्कैफ़ोल्डेड सहायता चुन ली थी। यह इरादा-व्यवहार अंतराल कम परीक्षा-पश्चात प्रदर्शन और अधिक बाह्य संज्ञानात्मक भार से जुड़ा था।(Regulating the AI Tutor: Intentions, Help-Seeking, and Self-Regulated Learning in Adolescent GenAI Use)
किसी स्वतंत्र प्रयास या मानव स्रोत से पहले AI से परामर्श। Manikonda et al. (2026) इस क्रम को सीधे प्रारंभिक निर्भरता के रूप में मापते हैं — स्वतंत्र सोच, पारंपरिक खोज, या शिक्षक से संपर्क से पहले GenAI से परामर्श — और इसे AI-संबंधित पाठ्यक्रमों के 118 शिक्षार्थियों में अधिक नकारात्मक प्रभाव (β = .402, p = .004) के साथ-साथ शैक्षणिक लाभ (β = .301, p < .001) से भी जुड़ा पाते हैं। हानि से यह संबंध कम मूल्यांकन साक्षरता पर अनुपस्थित था और उच्च मूल्यांकन साक्षरता पर सबसे मज़बूत (b = .688 at +1 SD, p < .001), अर्थात् AI आउटपुट को सबसे अच्छी तरह न्याय कर पाने वाले शिक्षार्थियों ने उसे पहले देखने की सबसे अधिक कीमत चुकाई: किससे पहले पूछना चुनना एक ऐसी कमी लेकर आता है जिसे उत्तर का न्याय करने की कुशलता भी नहीं रोद्ध सकती। यह भी दिखाता है कि AI का उपयोग समस्याओं को व्यवस्थित करने, मूल्यांकन करने और विघटित करने के लिए — संज्ञानात्मक रूप से, प्रारंभिक निर्भरता के बजाय — सकारात्मक प्रभाव से जुड़ा पैटर्न है, अतः सहायता खोजने की विफलता कभी-कभार पूछने की नहीं, बल्कि क्रम की विफलता है।
स्वीकृति के बिना लगातार पूछना — पूछना शुरू में उत्पादक है लेकिन अनिश्चित काल तक नहीं: सहायता अनुरोध आरंभ पर सबसे अधिक पुनर्प्राप्ती योग्य अड़चन प्रकार हैं (47.0%) लेकिन सहायता विफल होने के बाद सबसे अधिक गिरते हैं (छह या अधिक गहराई पर 12.5%), अतः ट्रैक करने योग्य संकेत अनुरोध नहीं, दृढ़ता है Ahtisham et al. (2026)।
संघर्षरत शिक्षार्थी बिना कहे सहायता मांगने के सबसे कम संभावना वाले होते हैं — सहायता खोजने की संलग्नता की ओर। एक द्विवर्षीय Khanmigo RCT (Oreopoulos & Low 2026) में, मुफ़्त पहुँच और अनिवार्य अभ्यास समय होने पर भी, मध्यिका संघर्षरत शिक्षार्थी ने केवल ~17% गलती सत्रों में AI शिक्षक को संदेश भेजा, और वह भी प्रायः केवल साधारण उत्तर या क्लिक के रूप में — यह शिक्षा-अर्थशास्त्र के उस निष्कर्ष के अनुरूप है कि पहल-निर्भर हस्तक्षेप उन शिक्षार्थियों तक सबसे कम पहुँचते हैं जिन्हें सबसे अधिक लाभ होता। TWiK (Oreopoulos et al. 2026) दिखाता है कि उपयोग घर्षण कम करने पर अत्यधिक अनुकूल होता है (नामांकन सरल करने के बाद प्रथम सत्र का उपयोग 45%→83% बढ़ा), लेकिन प्रवेश ≠ निरंतर भागीदारी (उपस्थिति बीच-बीच में रही)।

ग़ैर-उत्पादक सहायता खोजने से सीखने को क्या नुक़सान होता है

संवेदनशीलता (affordance) परिप्रेक्ष्य एक प्रमुख तंत्र समझाता है: जब कोई इंटरफ़ेस सहायता को लगातार और उल्लेखनीय रूप से उपलब्ध कराता है (जैसे लगातार मौजूद एक "संकेत बटन"), तो यह शिक्षार्थियों को संकेत देता है कि सहायता हमेशा है, जिससे एक अनपेक्षित संवेदनशीलता पैदा होती है जो कार्य को प्रतिलिपि बनाने के अभ्यास में ध्वस्त कर सकती है। संकेतों तक तुरंत पहुँच उस सक्रिय स्कीमा निर्माण को दरकिनार करती है जो सीखने के लिए आवश्यक है।(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)

सहायता खोजने की गुणवत्ता मापी जा सकती है

दो सरल, व्याख्या योग्य संकेतक — असमयबद्ध संकेत अनुरोध और सतही संकेत पठन — मानक ट्यूटरिंग लॉग से निकाले जा सकते हैं और कम अवशोषण लाभ के साथ पाठ्यक्रमों में निरंतर संबद्ध पाए जाते हैं, यहाँ तक कि पूर्व ज्ञान को नियंत्रित करने के बाद भी। यह इन्हें लर्निंग एनालिटिक्स डैशबोर्ड और वास्तविक समय के हस्तक्षेप के लिए व्यावहारिक बनाता है, जटिल मशीन-सीखे "सिस्टम गेमिंग" संसूचकों के विपरीत।(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)

उत्पादक सहायता खोज को बढ़ावा देने के लिए AI प्रणालियाँ डिज़ाइन करना

शिक्षार्थियों को कैसे पूछना है, यह स्कैफ़ोल्ड करना

तर्क-केंद्रित सहायता खोजने में स्पष्ट प्रशिक्षण — अंतिम उत्तर के बजाय चरणबद्ध संकेत और सत्यापन मांगना — बिना आलोचनात्मक निर्भरता के बेहतर परिणाम देता है। एक अर्ध-प्रायोगिक स्नातक सांख्यिकी अध्ययन में, मार्गदर्शित LLM पहुँच (तर्क-उन्मुख सहायता खोज पर प्रशिक्षण के साथ) ने प्रतिबंधित LLM पहुँच की तुलना में मज़बूत स्वतंत्र प्रदर्शन और बेहतर स्व-मूल्यांकन अनुकूलन दिया। सबक: अकेला LLM पहुँच एक अपूर्ण हस्तक्षेप है; डिज़ाइन की चुनौती यह स्कैफ़ोल्ड करना है कि शिक्षार्थी AI का कैसे उपयोग करते हैं, ताकि वह उत्तर-प्राप्ति उपकरण के बजाय एक तर्क-साथी के रूप में काम करे।(Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics)

परस्पर क्रिया की लागत इसी प्रश्न का हिस्सा है। Rhee et al. (2026) एक संदर्भबद्ध अड़चन और एक अभिव्यक्ति अड़चन पहचानते हैं जो पेन-आधारित शिक्षार्थियों को LLM से कुछ भी पूछने से रोकती हैं: किसी आरेख के क्षेत्र या समीकरण के पद पर इशारा करना टाइप की गई गद्य में व्यक्त नहीं किया जा सकता, और सूत्र बनाने का प्रयास ठीक उसी समय पड़ता है जब प्रश्न सबसे कमज़ोर होता है। उनकी Penquiry प्रणाली संदर्भ को दस्तावेज़ तत्वों से स्याही के निशान जोड़कर हल करती है और स्वतः पूर्णता से विरल स्याही कीवर्ड को पूरे प्रश्नों में विस्तारित करती है; 16-16 प्रतिभागियों के दो पुनरावृत्त अध्ययनों में पूछने की संज्ञानात्मक और भौतिक ओवरहेड उल्लेखनीय रूप से गिरा। कम पूछने की लागत बेहतर सहायता खोज पैदा करती है या केवल अधिक, यह खुला छोड़ा गया है, और लेखक कम घर्षण से समाप्त होती सहायता की ओर जाने के रास्ते के रूप में समयबद्ध अनुकूली स्वतः पूर्णता का प्रस्ताव करते हैं — सत्र के आरंभ में आधारभूत सत्यापन, बाद में उच्च स्तरीय संकेत — एक स्थायी टेके की तरह नहीं।

स्कैफ़ोल्डिंग कार्य के बाहर के बजाय कार्य के भीतर भी दी जा सकती है। Jin et al. (2026) ने HelpCoach बनाया, चैट इंटरफ़ेस का एक ऐड-ऑन जो आकलन करता है कि शिक्षार्थी कितनी विशिष्टता से सहायता मांगता है और प्रश्न बहुत अस्पष्ट होने पर संशोधन का संकेत देता है, जिससे ज्ञान घटक और स्कैफ़ोल्ड प्रकार स्पष्ट होते हैं। वेब प्रोग्रामिंग सीख रहे 40 महाविद्यालयीनों के एक बीच-विषय अध्ययन में, HelpCoach प्रतिभागियों ने अपने प्रथम प्रारूपों में कार्य-पूर्व प्रशिक्षण आधार रेखा (40.5%) की तुलना में विशिष्ट प्रश्नों का उल्लेखनीय रूप से अधिक अनुपात (57.3%) लिखा और एक सप्ताह बाद उल्लेखनीय रूप से अधिक ज्ञान बरकरार रखा (d = 1.100), जबकि तीसरे कार्य की विशिष्टता में अंतर अब उल्लेखनीय नहीं रहा (43.7% बनाम 32.1%)। लेखक चेतावनी देते हैं कि बरकरार रखने का लाभ अभी अधिक लक्षित चैटबॉट उत्तरों के लिए जिम्मेदार नहीं ठहराया जा सकता।

पूछने की लागत पर तीसरा लीवर यह है कि सहायता कहाँ से आती है। Gray and Hobbs (2026) ने Beacon बनाया, एक पाठ्यक्रम-विशिष्ट पुनर्प्राप्ति-संवर्धित सहायक जो एक प्रोग्रामिंग मॉड्यूल की अनुमोदित सामग्री में स्थापित है, और इसे 15 कम्प्यूटिंग शिक्षार्थियों और चार शिक्षाविदों के साथ आँका। 89% प्रतिभागियों ने इसके उत्तरों को पाठ्यक्रम सामग्री के साथ अत्यधिक संरेखित बताया और 66.7% ने कहा कि इसने उनकी सीखने का समर्थन किया, प्रतिस्थापित नहीं किया, यद्यपि केवल आधे से 60% ने समझ या आत्मविश्वास में लाभ बताया। प्रेरणा इस खंड में प्रलेखित अड़चन है: उन शिक्षार्थियों में से 62.5% ने कहा कि वे कभी-कभी ज़रूरत होने पर सहायता मांगने से बचते थे और 75% ने चिंता बताई जब कोई विषय समझ नहीं आता, अतः एक निजी, मॉड्यूल-स्थापित चैनल को शिक्षक से संपर्क से पहले की पहली सीढ़ी के रूप में पेश किया गया है। साक्षात्कार किए गए शिक्षाविदों ने विपक्ष को जीवित रखा — उन्होंने इस बात को महत्वपूर्ण माना कि Beacon ने पूरे हल नहीं दिए और चिंता व्यक्त की कि प्रतिबंधित उपकरण शिक्षार्थियों को किसी विकास चरण को छोड़ने देते हैं — और यही कारण है कि डिज़ाइन काम पूरा करने से मना करके अपनी जगह कमाता है।

पारदर्शिता से विश्वास का अनुकूलन

252 शिक्षार्थियों के एक कक्षा प्रयोग में पाया गया कि AI के अयोग्य होने के बारे में शिक्षार्थियों को चेतावी करना सहायता खोज बढ़ा देता है एक गणित ट्यूटरिंग प्रणाली में। संभावित प्रणाली त्रुटियों के बारे में पारदर्शिता ने शिक्षार्थियों की प्रणाली के साथ संलग्नता में सुधार किया — सहायता खोज को विश्वास कैलिब्रेशन और हैलुसिनेशन जोखिम से जोड़कर।(Warning About AI Fallibility Increases Help-Seeking in an Intelligent Tutoring System)

संकेत और स्कैफ़ोल्ड वितरण पर पुनर्विचार

सहायता हटाने के बजाय, शोध इसकी डिलीवरी को फिर से डिज़ाइन करने की सलाह देते हैं:

संकेत उपलब्धता में विलंब — संकेतों (विशेषकर अंतिम संकेतों) तक पहुँच से पहले न्यूनतम संलग्नता समय या हल प्रयासों की मांग करना।(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)
छतां क्या से कैसे की ओर — प्रमुख डिज़ाइन प्रश्न यह है कि संकेत वितरण को उत्पादक संघर्ष के सिद्धांतों के अनुरूप कैसे ढाला जाए, न कि क्या संकेत देनी है या नहीं।(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)

LLM शिक्षकों में उपयोग की समस्या

वास्तविक शिक्षार्थी प्रायः किसी चैटबॉट के मड्गद को दरकिनार कर देते हैं — ज़रूरी नहीं कि हानिकारक रूप से, लेकिन प्रायः इसलिए कि चैटबॉट के शिक्षाशास्त्रीय फ़्रेमिंग और शिक्षार्थी के अपने सीखने के लक्ष्यों में बेमेलपन है। मूल्यांकन पाइपलाइनों को इसलिए यह मापना चाहिए कि शिक्षक स्कैफ़ोल्ड करता है या नहीं केवल इतना ही नहीं, बल्कि यह भी कि शिक्षार्थी उस स्कैफ़ोल्डिंग को अपनाते हैं, न कि मान लेना कि वे अपना लेंगे।(Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments)

सहायता खोज और स्व-नियमित सीख

सहायता खोजना स्व-नियंत्रित अधिगम का एक अभिन्न अंग है: उत्पादक सहायता खोजने के लिए शिक्षार्थियों को समझ की निगरानी करनी पड़ती है, तय करना पड़ता है कि सहायता कब आवश्यक है, और उचित स्रोत चुनने पड़ते हैं। GenAI संदर्भों में यह और अधिक मांग वाला हो जाता है, क्योंकि शिक्षार्थियों को AI पर शिक्षार्थी सक्रियता भी प्रयोग करनी पड़ती है और उसके प्रति समर्पण के बजाय संज्ञानात्मक सतर्कता बनाए रखनी पड़ती है। इस ज्ञान आधार में शोध ऐसे स्कैफ़ोल्ड की आवश्यकता का समर्थन करते हैं जो AI के अधिक सशक्त और संज्ञानात्मक रूप से सक्रिय उपयोग को बढ़ावा दें, और जब सहायता खोज बिना शर्त उत्तर-खोज में बदल जाती है तब अति-निर्भरता और संज्ञानात्मक ऑफलोडिंग के जोखिम को उजागर करते हैं।(Regulating the AI Tutor: Intentions, Help-Seeking, and Self-Regulated Learning in Adolescent GenAI Use)(Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics)

LLM-मध्यस्थ सहायता खोज एक चार-चरणीय प्रक्रिया के रूप में

Viberg et al. (2026) दिखाते हैं कि रोज़मर्रा के STEM अध्ययन में, LLM सहायता खोज एक अकेला कार्य नहीं बल्कि चार चरणों की एक स्तरित, संदर्भ-निर्भर प्रक्रिया है: (1) तय करना कि सहायता आवश्यक है या नहीं — शिक्षार्थी सीखने का मूल्य बनाए रखने के लिए पहले स्वतंत्र रूप से कार्य करते हैं; (2) किससे पूछना है चुनना — ChatGPT एक कम-अड़चन पहला कदम के रूप में, फिर संकल्पनात्मक बातचीत के लिए सहपाठी, फिर जटिल या उच्च-दांव वाले मुद्दों के लिए शिक्षक; (3) सहायता का प्रकार तय करना — संकेत और व्याख्या से लेकर समस्या समाधान स्कैफ़ोल्डिंग, नियमित काम को सरल बनाने और सीखने का विस्तार करने तक; और (4) प्राप्त सहायता का न्याय करना — चयनात्मक विश्वास का प्रयोग करना और AI आउटपुट को पाठ्यक्रम के विरुद्ध या मानवों के साथ सत्यापित करना। महत्वपूर्ण रूप से, शिक्षार्थियों ने उपकरणात्मक सहायता खोज (समझ बढ़ाना) को प्रशासकीय सहायता खोज (हल प्राप्त करना) पर प्राथमिकता दी, एक ऐसा विभेद जिसे लेखक नए SRL-LLM मापन मदों में शामिल करने का प्रस्ताव करते हैं।

पूरी तरह ऑनलाइन रचना में, उपकरण की उपलब्धता अड़चन नहीं है। Reed (2026) ने देखा कि संघर्षरत शिक्षार्थी वे नहीं थे जिनके पास सहायता नहीं थी, बल्कि वे थे जो यह पहचान नहीं पाए कि सहायता कब आवश्यक है, कौन-सा संसाधन कार्य के अनुरूप है, या प्रतिपुष्टि मिलने पर उसका न्याय कैसे करें — और सहज जनरेटिव-AI आउटपुट को सरोकारवाले समर्थन के रूप में आसानी से गलत समझा जाता है। उनकी प्रतिक्रिया सहायता खोज को केवल उपलब्ध होने के बजाय संरचित बनाना था: अनिवार्य संपर्क बिंदु जो कार्य की मांग को समझाते हैं, तर्क के साथ संसाधनों का नक्शा बनाते हैं, प्रतिपुष्टि स्रोतों की तुलना करते हैं, और विचार के साथ चक्र बंद करते हैं।

व्यवहार संदर्भ को दृश्य बनाना: TutorTrace

Barron et al. (2026) AI-सहायक प्रोग्रामिंग शिक्षा में सहायता खोजने के व्यवहार पूर्ववर्ती को संबोधित करते हैं: मानव शिक्षक शिक्षार्थियों के प्रेक्षणीय व्यवहार के अनुकूल होते हैं, केवल उनके स्पष्ट अनुरोधों के अनुकूल नहीं, लेकिन AI शिक्षकों के पास वह संदर्भ नहीं होता। TutorTrace एक डेटासेट और पाइपलाइन है जो शिक्षार्थियों के व्यवहार संदर्भ को निम्न स्तरीय IDE दूरमापी (टेलीमेट्री) से वास्तविक समय में संख्यात्मक बनाता है (चार परिनियोजन, N=480; ~180K घटनाएँ, 13,633 व्यवहार खंड, 27 मापदंड), और शिक्षार्थी गतिविधि की एक वर्गीकरण निकालता है पहले AI प्रश्न से पहले, लगातार प्रश्नों के बीच, और पूरे सत्र में। यह प्रणालियों को यह वर्गीकृत करने में सक्षम बनाता है कि क्या कोई प्रश्न मार्गदर्शित सहायता खोज (जो स्वतंत्र काम से पूर्व है) या निर्भर सहायता खोज (जिसमें स्वतंत्र काम नहीं) दिखाता है — रोकी गई पूर्वानुमान पर AUROC=.717 — और आसन्न प्रश्नों का पूर्वानुमान (AUROC=.726)। एक प्रारंभिक कक्षा मूल्यांकन में पाया गया कि व्यवहार-जागरूक संकेतों ने स्वतंत्र काम के बिना प्रश्नों के बीच अंतराल को 50.0% से 20.7% कर दिया। यह लर्निंग एनालिटिक्स दूरमापी को अनुकूली ट्यूटरिंग से जोड़ता है, और दिखाता है कि व्यवहार संदर्भ को बड़े पैमाने पर संचालित किया जा सकता है ताकि शिक्षार्थियों के स्पष्ट प्रश्नों के उत्तर देने के बजाय कैसे सहायता खोजते हैं, यह स्कैफ़ोल्ड किया जा सके।

डिज़ाइन और अनुसंधान के लिए निहितार्थ

सहायता खोजने की संवेदनशीलताओं को जानबूझकर डिज़ाइन करें। लगातार, उल्लेखनीय सहायता बटन दरकिनार करने की रणनीतियों को सक्षम कर सकते हैं; पहुँच में विलंब करें और उत्पादक संघर्ष का समर्थन देने के लिए वितरण को ढालें।(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)
सहायता खोजने को ही स्कैफ़ोल्ड करें। शिक्षार्थियों को तर्क-केंद्रित अनुरोधों (चरणबद्ध संकेत, सत्यापन) में प्रशिक्षित करें, न कि मान लें कि पहुँच का अर्थ अच्छा उपयोग है।(Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics)
विश्वास अनुकूलित करने के लिए पारदर्शिता का उपयोग करें। AI के अयोग्य होने के बारे में चेतावनी देना उचित सहायता खोज और संलग्नता बढ़ा सकता है।(Warning About AI Fallibility Increases Help-Seeking in an Intelligent Tutoring System)
केवल स्कैफ़ोल्डिंग नहीं, उपयोग मापें। मूल्यांकन करें कि शिक्षार्थी वास्तव में शिक्षाशास्त्रीय फ़्रेमिंग के साथ संलग्न होते हैं, न कि केवल यह कि शिक्षक उसे प्रदान करता है।(Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments)
निगरानी और सशक्तता का समर्थन करें। सहायता खोज स्कैफ़ोल्ड को मेटाकॉग्निशन और स्व-नियंत्रित अधिगम मज़बूत करना चाहिए, और अति-निर्भरता से बचाव करना चाहिए।

मेटाडेटा

स्तर	Higher Ed, K 12
इच्छित पाठक	Learners
अधिगम और शिक्षण	सहायता खोजना, मेटाकॉग्निशन, मड्गद, स्व-नियंत्रित अधिगम
प्रौद्योगिकियाँ और तकनीकें	जनरेटिव-AI, इंटेलिजेंट ट्यूटरिंग, बड़े भाषा मॉडल (LLMs)
शिक्षा में AI की नींव	AI साक्षरता

Source History Edit Chat