मानव-AI सहयोग

इस पृष्ठ पर

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

मानव-AI सहयोग — मनुष्यों और मॉडलों के बीच संज्ञानात्मक श्रम का विभाजन — इस ज्ञान आधार का मूल इंटरैक्शन विषय है: Human-AI collaboration in higher education: Exploring the impact of technology expectations and distrust, It Felt a Bit Eerie": Exploring Humanlike Interactions During Collaborative Writing with an Artificial Agent, Generative AI (GenAI) as a mindtool that supports generative learning (GL), और Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing विश्वास, सशक्तिकरण और पूरक भूमिकाओं की जाँच करते हैं (मानव-लूप-में, एजेंटिक AI)। निर्धारक प्रश्न यह है कि यह साझेदारी शिक्षार्थी के अपने संज्ञानात्मक काम को संरक्षित रखती है या उसकी जगह लेती है — ज़िम्मेदारी के बँटवारे के आधार पर यही व्यवस्था सीख का समर्थन कर सकती है या उसका विकल्प बन सकती है।

विचार करने योग्य प्रश्न

मानव-AI सहयोग में निर्धारक प्रश्न यह है कि साझेदारी आपके अपने संज्ञानात्मक काम को संरक्षित रखती है या उसकी जगह लेती है। ऐसे किसी कार्य के बारे में सोचिए जिसे आपने AI को सौंपा है: क्या आप स्वयं उत्पन्न कर रहे थे और निर्णय ले रहे थे, या बस स्वीकार कर रहे थे?
एक अध्ययन में पाया गया कि ChatGPT के साथ स्वतंत्र रूप से सहयोग करने से केवल अस्थायी लाभ हुए जो बाद में बिना सहायता वाले कार्य पर समाप्त हो गए, जबकि 'पहले सोचिए, बाद में ChatGPT' प्रोटोकॉल से स्थायी सीख मिली। विचारों को कौन उत्पन्न करता है, यह आपकी वास्तविक सीख की भविष्यवाणी क्यों कर सकता है?
यही उपकरण ज़िम्मेदारी के बँटवारे के आधार पर सीख का समर्थन कर सकता है या उसका विकल्प बन सकता है। क्या आप ऐसी कोई व्यवस्था सोच सकते हैं जिसने आपको संज्ञानात्मक रूप से उत्पादक रखा, बनाम ऐसी जिसने चुपचाप आपकी सोच का बोझ हटा दिया?
एक व्यवस्था सामान्य भूमिकाओं को उलट देती है: मॉडल उत्तर नहीं देता, बल्कि शिक्षार्थी विषय-वस्तु समझाता है और मॉडल अज्ञानी पक्षक की भूमिका निभाता है जो व्याख्याएँ, उदाहरण और एक प्रतिपक्ष तर्क माँगता है। यदि AI ही पूछ रहा है, तो सोच का कितना हिस्सा आपकी तरफ बचा रहता है?
विश्वास को कुछ ऐसा बताया गया है जिसे मान्यता नहीं, बल्कि अनुमापित किया जाना चाहिए — जहाँ उचित हो वहाँ AI पर निर्भर रहना और जहाँ नहीं, वहाँ सत्यापन करना। इस समय आप यह तय कैसे करते हैं कि AI के आउटपुट पर कब विश्वास करना है और कब सत्यापन करना है?
अनुसंधान उन सहयोग मोडों की पहचान करता है जो दक्षता और आपके आत्म-नियामक सगम के बीच व्यापार-विनिमय करते हैं। कब अधिक सीख को अपने हाथों में रखने के लिए कम दक्षता स्वीकार करना उचित है?
यदि सहयोग तकनीकी चुनाव जितना ही शैक्षणिक चुनाव है, तो आप कौन-से डिज़ाइन कदम (प्रॉम्प्ट, वर्कफ़्लो, संरचनाएँ) रखेंगे ताकि यह सुनिश्चित हो कि AI आपके शिक्षार्थियों के लिए सोच को बढ़ाए, उसकी जगह न ले?

परिचय

मानव-AI सहयोग यह वर्णित करता है कि शिक्षार्थी, शिक्षक और AI सिस्टम संज्ञानात्मक कार्य को कैसे बाँटते हैं — कौन क्या करता है, कौन निर्णय लेता है, और भरोसा तथा शिक्षार्थी सक्रियता कैसे बनाए रखे जाते हैं। AI को प्रतिस्थापन या निष्क्रिय उपकरण के रूप में फ़्रेम करने के बजाय, सहयोग अनुसंधान AI को पूरक शक्तियों वाले साझेदार के रूप में देखता है जिसका मूल्य इस बात पर निर्भर करता है कि ज़िम्मेदारी कैसे साझी और निगरानी की जाती है। प्रेक्षणीय व्यवहार के स्तर पर, छात्र और AI के बीच अंतःक्रिया यह दर्ज करता है कि शिक्षार्थी यह संबंध व्यवहार में कैसे जीते हैं — क्षण-क्षण पर AI के साथ वे कौन-से प्रश्न, प्रॉम्प्ट और सत्यापन कदम उठाते हैं।

श्रम का विभाजन उन लोगों में भी चलता है जो इंटरैक्शन को डिज़ाइन करते हैं। बारह शिक्षक-शिक्षा पाठ्यक्रम कार्यान्वयनों में संकाय ने AI को सोचने वाले साझेदार, आलोचना-जनक या अभ्यास-उपकरण के रूप में रखा, जबकि अभ्यर्थियों ने मूल्यांकन, अनुकूलन और निर्णयों की औचित्य स्थापित करने की ज़िम्मेदारी अपने पास रखी; फिर भी उसी श्वेतपत्र में बताया गया है कि AI लेखकत्व खुलासा होने पर अभ्यर्थियों ने उस प्रतिपुष्टि का मूल्य घटा दिया जिसे वे पहले ही उपयोगी मान चुके थे — एक एपिसोड जिसे वह बैलून फोड़ने का प्रभाव कहता है। 1,378 डिज़ाइनर-चैटबॉट मोड़ों के एक विश्लेषण उत्पादन के मामले में उलटी दिशा इंगित करता है: डिज़ाइनरों ने एम्बेडेड सहायक का उपयोग मुख्यतः सीखने के परिणामों और शैक्षणिक दृष्टिकोण पर संरेखण जाँच के लिए किया, विषय उत्पन्न करने के लिए नहीं। दोनों ही मामलों में सीख को मॉडल के आउटपुट के बजाय मनुष्य के मूल्यांकनात्मक निर्णय नहीं उठाया, बल्कि वही निर्णय लाता है।

लाभ, जोखिम और डिज़ाइन निहितार्थ

ज्ञान आधार के प्रमाण बताते हैं कि मानव-AI सहयोग एक दोधारी व्यवस्था है जिसका परिणाम AI स्वयं के बजाय डिज़ाइन से तय होता है:

सहयोग सीख को तब बढ़ा सकता है जब वह संज्ञानात्मक सगम को संरक्षित रखता है। GenAI को माइंडटूल के रूप में और निर्देशित सहयोग के अध्ययन बताते हैं कि जब श्रम का विभाजन शिक्षार्थी को उत्पन्न करते, निर्णय लेते और मूल्यांकन करते रखता है, तो AI सोच को बढ़ाता है, उसकी जगह नहीं लेता — जिससे स्थायी आत्म-नियामित सीख और रचनात्मकता लाभ मिलते हैं। यह कि शिक्षार्थी निर्णय लेने की भूमिका अपने पास रखता है, लेखन में भी लागू होता है: Oppenheimer, Cash और Connell Pensky (2025) बताते हैं कि शिक्षार्थियों के तर्कपूर्ण निबंधों पर LLM आलोचनाओं ने एक सेमेस्टर भर लेखन सुधारा, जहाँ शिक्षार्थी यह निर्णय लेते थे कि मॉडल की प्रतिपुष्टि को शामिल करना है या उसका खंडन करना है (87.8% दावों का खंडन किया गया) — एक ऐसी व्यवस्था जिसने शिक्षार्थी का मूल्यांकनात्मक काम संरक्षित रखा — और लाभ उन निबंधों पर भी दिखे जो LLM सहायता के बिना लिखे गए थे, जिससे स्थायी कौशल संकेत मिलता है, उपकरण निर्भरता नहीं।
सहयोग सीख का विकल्प बन सकता है जब वह बहुत अधिक बोझ हटाता है। विफलता मोड अति-निर्भरता है: जब AI उत्तर देता है, तो शिक्षार्थी की भूमिका निष्क्रिय स्वीकृति में संकुचित हो जाती है, और तत्क्षण कार्य-प्रदर्शन स्थायी सीख की कमी को छिपा देता है। प्रदर्शन-बनाम-सीख अनुसंधान और प्रतिस्थापन-से-स्कैफोल्डिंग हानि चक्र (From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond)) इसे व्यवस्थित रूप से दर्ज करते हैं।
बेहतर स्कोर अपने आप में यह प्रमाण नहीं कि सहयोग ने कुछ सिखाया। पेज का अन्य प्रमाण सहायित प्रदर्शन को सतर्भाव से पढ़ता है, और सहायता प्रकार का एक यादृच्छिक परीक्षण बताता है कि क्यों। Iqbal et al. (2026) के प्रयोगशाला अध्ययन में, 87 EFL छात्रों ने पहले बिना सहायता एक निबंध लिखा, फिर उसे ChatGPT 4.0 के साथ संशोधित किया (n = 29), एक मानव लेखन शिक्षक के साथ (n = 28), या बिना किसी सहायता के (n = 30)। छात्रों द्वारा उपयोग की गई चार अनुमेय संशोधन रणनीतियों में से कौन-सी, यह उनकी सहायता से दृढ़ता से जुड़ी थी (Cramér's V = 0.668) और उनकी पहले की लेखन रणनीति से केवल मध्यम रूप से (Cramér's V = 0.333); प्रेरणा, लेखन कौशल और मेटासंज्ञानात्मक निर्णय-सटीकता में कोई समग्र संबंध नहीं था, मेटासंज्ञानात्मक संबंध केवल बिना-सहायता स्थिति में सामने आया (p = 0.0460)। महत्वपूर्ण रूप से, कोई भी संशोधन रणनीति स्कोर परिवर्तन की भविष्यवाणी नहीं करती थी (p = 0.273) भले ही सहायता प्रकार ने की: GenAI समूह का मानव-विशेषज्ञ और नियंत्रण समूहों की तुलना में उल्लेखनीय रूप से अधिक सुधार हुआ (H(2) = 16.591, p = 0.00025, η² = 0.174), और उसी धीरे-धीरे घटते सहायता खोजना रणनीति के भीतर GenAI छात्रों ने औसतन लगभग 4 अंक अधिक अर्जित किए जबकि मानव-विशेषज्ञ छात्रों ने 0.5 खोए। लेखकों ने इस पैटर्न को इस रूप में पढ़ा कि बाह्य सहायता शिक्षार्थी के अपने मेटासंज्ञानात्मक निर्णय को दरकिनार कर रही है, और चेतावनी दी कि लाभ कार्य-विशिष्ट अनुकूलन हो सकते हैं, स्थायी क्षमता नहीं। यह कौन उत्पन्न करता है और निर्णय लेता है सिद्धांत को नहीं उलटता (अध्ययन ने यह नहीं बदला कि कौन सोचता है, बल्कि यह कि कौन सहायता देता है), लेकिन यह उस परीक्षण को तीखा करता है जो एक शिक्षक को लगाना चाहिए: सहायता के अधीन प्राप्त लाभ को सीख के रूप में गिनने से पहले बिना सहायता वाले कार्य में भी टिकना होगा, और कमरे में मानव विशेषज्ञ जोड़ना स्वतः ही सुरक्षित व्यवस्था नहीं है।
साथियों को जोड़ना भी स्वतः सुरक्षित व्यवस्था नहीं है। Chu, Dai और Zhai (2026) ने 87 स्नातक छात्रों को आठ सप्ताह तक अकेले या GenAI मल्टी-एजेंट सिस्टम के साथ जोड़ों में काम कराया। जोड़ों ने जटिल डिज़ाइन परियोजना में सर्वाधिक स्कोर किया (M = 89.64, बनाम 85.85 उन छात्रों के लिए जो बिना सिस्टम जोड़ों में काम करते थे और 86.45 उनके लिए जो इसके साथ अकेले काम करते थे, p = 0.039), फिर भी आलोचनात्मक सोच की जागरूकता अकेले काम करने वालों में सर्वाधिक बढ़ी (M = 0.41) और जोड़ों में थोड़ी घटी (M = −0.04, p = 0.039)।
डिज़ाइन सिद्धांत — शिक्षार्थी के उत्पादक काम को संरक्षित रखें। अनुसंधान भर में, यह कि सहयोग मदद करता है या हानि पहुँचाता है, इसका सबसे तीखा पूर्वानुमापक यह है कि कौन उत्पन्न करता है और निर्णय लेता है। जो व्यवस्थाएँ मनुष्य को संज्ञानात्मक रूप से उत्पादक रखती हैं (निर्देशित प्रॉम्प्टिंग, "पहले सोचिए, फिर AI से परामर्श लें," सत्यापन और मूल्यांकन चरण), वे सीख का समर्थन करती हैं; जो पूरा कार्य मॉडल को सौंप देती हैं, वे नहीं। पूरक कदम यह है कि मॉडल को किस भूमिका में बनाया जाए, वह बदलें। Wang et al. (2026) के अर्ध-प्रयोग में, 68 प्री-सर्विस शिक्षकों ने या तो ERNIE 3.5 पर बने GAI नौसिखिया शिक्षार्थी को फ्लिप-क्लासरूम अवधारणा समझाई (एक प्रणाली जिसे जिज्ञासु और प्रशंसात्मक रूप में फ़्रेम किया गया, जो व्याख्याएँ, उदाहरण, सत्यापन तर्क और एक विपरीत परिप्रेक्ष्य माँगती थी, ब्लूम के वर्गीकरण के अनुसार क्रमबद्ध), या उसी मॉडल पर बने GAI शिक्षक से प्रश्न पूछे। जिन छात्रों ने AI को पढ़ाया, उन्होंने बेहतर समझाया (फ्लिप क्लासरूम को परिभाषित करना M = 4.18 बनाम 3.29; उसकी शिक्षण गतिविधियाँ M = 4.91 बनाम 3.06, दोनों p < 0.001) और अधिक तथा उच्च-गुणवत्ता वाले प्रश्न उत्पन्न किए (M = 3.67 बनाम 2.14; M = 5.67 बनाम 3.07, दोनों p < 0.001), जबकि वस्तुनिष्ठ स्मरण सांख्यिकीय रूप से अंतरहीन था (M = 23.18 बनाम 21.57, p = 0.416), इसलिए लाभ व्याख्या और स्थानांतरण में था, तथ्य-पुनर्प्राप्ति में नहीं। AI-शिक्षक स्थिति के छात्र इस व्यापार-विनिमय के बारे में स्पष्ट थे: कुछ ने माना कि इसने "अधिक सटीक और विस्तृत जानकारी" दी, फिर भी बताया कि "इसका उपयोग करने के बाद मैं स्वतंत्र रूप से सोचना नहीं चाहता था।" मॉडल को सिखाया जाने वाला शिक्षार्थी की भूमिका सौंपना छात्र को विचारों के एकमात्र स्रोत बना देता है और सिखाने के लिए उपयुक्त साथी खोजने की पुरानी कठिनाई हटा देता है। इसके साथ दो डिज़ाइन सीमाएँ आती हैं: नियोजन और निगरानी में सुधार नहीं हुआ (M = 4.01 बनाम 3.78, p = 0.062), इसलिए भूमिका उलटावन अपने आप में मेटासंज्ञानात्मक हस्तक्षेप नहीं है, और लेखक उस शून्य को ऐसे कार्य-डिज़ाइन में देखते हैं जो छात्रों को विषय-सटीकता पर केंद्रित रखता है। लेखन कक्षा में यह सिद्धांत एक ठोस, सिखाने योग्य रूप लेता है। Alshehri et al. (2026) के सऊदी EFL अर्ध-प्रयोग में, छात्रों ने एक पाँच-भागी दिनचर्या चलाई — समस्या तय करें और प्रॉम्प्ट डिज़ाइन करें, पुनरावृत्ति से मसौदा बनाएँ, संशोधित करें, हर दावे और संदर्भ को विद्वत् डेटाबेस के विरुद्ध सत्यापित करें, और अपने गुण-विश्लेषण तथा निर्भरता का आत्म-नियमन करें — प्रत्येक असाइनमेंट में यह आवश्यक था कि उन्होंने क्या स्वीकार किया, क्या अस्वीकार किया और क्यों, इसका AI-उपयोग लॉग हो। लेखन और डिजिटल आलोचनात्मक सोच साथ बढ़ीं और लगभग एक साथ चलीं, और छात्रों के प्रतिबिंब ने सत्यापन और भ्रम-मरम्मत दिनचर्याओं को विशेष रूप से आलोचनात्मक सोच के लाभों से जोड़ा: आउटपुट पर सवाल उठाने के यही अभ्यास ने उनके लेखन निर्णयों को आकार दिया। लेखकों की अपनी चेतावनी इस सिद्धांत का आवश्यक पूरक है — वर्कफ़्लो आकस्मिक है, स्वयं-पर्याप्त नहीं, और पतले मड्गद, कम आलोचनात्मक या मेटासंज्ञानात्मक तत्परता (जहाँ छात्रों में खराब आउटपुट पकड़ने की क्षमता नहीं होती), लेखन निर्णयों की क्रमिक प्रत्यायोजन, या अस्पष्ट संस्थागत AI-उपयोग नीति के अधीन प्रतिकूल बन सकता है।
सीमित अधिकार स्वयं ही उच्च-दाँव वाले सहयोग के लिए एक डिज़ाइन पैटर्न है। Reichert et al. (2026) में शिक्षकों ने खुले अंत वाले सहायकों का प्रोटोटाइप नहीं बनाया, बल्कि ऐसी प्रणालियाँ बनाईं जिनकी स्वतंत्रता पहले से निर्धारित थी: हर डिज़ाइन ने चैटबॉट को विशिष्ट पाठ-सामग्री तक सीमित रखा, और सुरक्षा को डोमेन सीमाओं के रूप में परतदार किया गया (पाठ-विशिष्ट क्षेत्र, साथ ही एक "सूचना कोटा" जो एक न्यूनतम संख्या में तथ्यों या समस्याओं की माँग करता है जो बातचीत आगे बढ़ने से पहले उचित हों), मानकीकृत अस्वीकृतियों के साथ सामग्री-छँटाई ("क्षमा करें, यह मेरे ज्ञान आधार का हिस्सा नहीं है") जो शिक्षक को भी सचेत करती थी, और अस्पष्ट मामलों के लिए एक शिक्षक-ओवरराइड — दिया गया उदाहरण एक मानव प्रजनन के बारे में प्रश्न था जो अपनी इकाई में वैध था और जिसे स्वतः अस्वीकार नहीं, बल्कि किसी व्यक्ति को भेजा जाना चाहिए था। स्वरूप, शैली, गति और जटिलता की वैयक्तिकरण उन सीमाओं के भीतर स्वागत योग्य थी, और निगरानी (पूर्ण बातचीत लॉग, वास्तविक-समय अलर्ट, ओवरराइड) को मॉडल पर अविश्वास के बजाय व्यावसायिक ज़िम्मेदारी के रूप में फ़्रेम किया गया। निहितार्थ यह है कि उच्च-दाँव वाली सेटिंग में श्रम का विभाजन को सीमित, निगरानी-योग्य और प्रतिसंहरणीय के रूप में निर्दिष्ट किया जाना चाहिए, बारी-बारी से बातचीत द्वारा नहीं।
विश्वास को मान्यता नहीं, अनुमापित किया जाना चाहिए। उत्पादक सहयोग इस बात पर निर्भर करता है कि शिक्षार्थी यह सटीक रूप से अनुमापित करें कि AI के आउटपुट पर कब निर्भर रहना है और कब सत्यापन करना है — विश्वास कैलिब्रेशन और मानव निगरानी से जुड़ना, अंध स्वीकृति या सामूहिक अस्वीकृति से नहीं।
शिक्षक–AI सहयोग सगम के लिए दोधारी है, केवल सीख के लिए नहीं। 468 विश्वविद्यालय शिक्षकों के तीन-तरंग सर्वेक्षण में, सहयोग ने मनोवैज्ञानिक उपलब्धता के माध्यम से कार्य सगम बढ़ाया (अप्रत्यक्ष 0.19) लेकिन कार्य-विच्छेदन के माध्यम से उसे घटाया (अप्रत्यक्ष −0.03); डिजिटल दक्षता ने दोनों को नियंत्रित किया, विच्छेदन ढलान को 0.38 से 0.17 तक समतल किया (Sun et al. (2026))।
श्रम का विभाजन विश्वसनीयता से चलता है, क्षमता से नहीं। शिक्षार्थी जिस बात पर टिकते हैं वह एक सिद्धांतपूर्ण आवंटन है: तत्काल, व्यापक रूप से लागू भाषा प्रतिपुष्टि के लिए AI और व्यक्तिगत, संबंधगत मार्गदर्शन के लिए शिक्षक, जो प्रत्येक स्रोत की समझी गई विश्वसनीयता से निर्धारित होता है, उसकी सटीकता से नहीं, क्योंकि निर्भरता पर बाधा का प्रमुख कारक समझी गई सहानुभूति थी, दक्षता नहीं (Serpil और Mor, 2026)।
निर्भरता एक जनसंख्या-प्रक्रिया है, केवल व्यक्तिगत चुनाव नहीं। एक एजेंट-आधारित मॉडल में, असत्यापित उपयोग के लिए दृश्यमान सामाजिक प्रमाण ने सत्यापन को 0.29 से 0.002 तक गिरा दिया और अति-निर्भरता को 0.30 से 0.52 तक बढ़ा दिया, जबकि दृश्यमान साथी-सत्यापन ने लगभग पूर्ण सत्यापन बहाल किया — यह बदलना कि शिक्षार्थी दूसरों को क्या करते देखते हैं, जाँच की लागत घटाने से बेहतर है (Biswas (2026))।

इससे मानव-AI सहयोग एक शैक्षणिक संरचना बनता है, तकनीकी संरचना जितना ही: साझेदारी का मूल्य इस बात से आकार लेता है कि शिक्षक इंटरैक्शन को कैसे डिज़ाइन करते हैं, शिक्षार्थी उसका आत्म-नियमन कैसे करते हैं, और प्रणाली उत्पादक सगम को कैसे आमंत्रित या हतोत्साहित करती है।

अनुसंधान में मानव-AI सहयोग कैसे दिखता है

विश्वास और अपेक्षाएँ: विश्वास अपेक्षाएँ यह जाँचती हैं कि AI के प्रति शिक्षार्थियों की अपेक्षाएँ सहयोग को उत्पादक बनाती हैं या अति-निर्भरता की ओर ले जाती हैं।
लेखन और सोच में पूरक भूमिकाएँ: मानवजैसा AI सहयोगी लेखन और GenAI को माइंडटूल के रूप में बताते हैं कि श्रम का विभाजन शिक्षार्थी के संज्ञानात्मक सगम को संरक्षित रखने पर AI शिक्षार्थी की सोच को कैसे बढ़ा सकता है, उसकी जगह नहीं ले सकता।
ऑर्केस्ट्रेशन और सशक्तिकरण: शिक्षक–शिक्षार्थी सशक्तिकरण ऑर्केस्ट्रेशन और छात्र मानसिक मॉडल यह संबोधित करते हैं कि मनुष्यों और AI में सशक्तिकरण कैसे बातचीत से तय होता है, मानव-लूप-में और एजेंटिक AI से जुड़कर।
मेटासंज्ञानात्मक और टीम आयाम: मानव-केंद्रित AI मेटासंज्ञानात्मक मॉडल और छात्र टीमों में अनुशासनात्मक मध्यस्थता सहयोग को मेटासंज्ञान और टीम सीख तक विस्तारित करती हैं।
सहयोग दक्षता एक विन्यास है, चेकलिस्ट नहीं — मेटासंज्ञान टेक्नोलॉजिकल पेडागॉजिकल कंटेंट नॉलेज (TPACK) की एकीकृत भूमिका लेता है। Dang, Hong, Doyle और Nguyen (2026) मानव-AI सहयोग दक्षता (HACC) को डोमेन, AI दक्षता और मेटासंज्ञानात्मक दक्षता तथा उनके प्रतिच्छेदनों (AI के साथ काम करना, AI के साथ सशक्तिक सीख, सशक्तिक व्यक्तिगत और व्यावसायिक विकास, और स्वयं HACC) का एक गतिशील विन्यास के रूप में परिभाषित करते हैं, और मौजूदा पाठ्यक्रम पर जोड़ी गई AI कौशल की योगात्मक सूची को स्पष्ट रूप से अस्वीकार करते हैं। उनका केंद्रीय कदम यह है कि शिक्षण में शिक्षाशास्त्र जो एकीकरण कार्य करता है, उसे पुनर्निर्धारित करना: चूँकि AI एक अनुकूली सहभागी है जिसका योगदान कार्य के बढ़ने के साथ बदलता है, समन्वय का बोझ शिक्षार्थी के अपने मेटासंज्ञान पर पड़ता है — यह निर्णय लेना कि AI से कब परामर्श लेना है, इंटरैक्शन को कैसे फ़्रेम करना है, और उसे कब ओवरराइड करना है — इसलिए सहयोग को उत्पादक रखने वाला तंत्र शिक्षार्थी के पास है, शिक्षक के पास नहीं। शिक्षार्थी सशक्तिकरण को जानबूझकर एक स्वतंत्र नोड के रूप में छोड़ा गया है; यह उस उभरती हुई गुणवत्ता है जो शिक्षार्थी तब व्यक्त करते हैं जब वे तीनों दक्षताओं का समन्वय करते हैं, जिससे सशक्तिकरण विन्यास का गुण बनता है, अलग से प्रशिक्षित किए जाने वाला कौशल नहीं। इस ढाँचे का 24 न्यूज़ीलैंड शिक्षकों के साथ अंतर्वार्ता अध्ययन आयामों का वर्णनात्मक समर्थन करता है, और भूमिका-स्तर ने स्वीकृति के बजाय बल को बदला: प्रधानाचार्य शिक्षकों के नेटवर्क AI पर केंद्रित थे, HACC और व्यावसायिक विकास से जुड़े हुए, जो वरिष्ठ शिक्षकों (U = 10.00, p = .04) और नए-करियर शिक्षकों (U = 7.00, p = .01) से उल्लेखनीय रूप से भिन्न थे।
विभिन्न सहयोग मोड: अनुभवजन्य कार्य तीन मानव–AI सहयोगी समस्या समाधान मोडों की पहचान करता है — प्रत्यायोजित तर्क, संयुक्त व्याख्या, और प्रत्यायोजित विस्तार — जो वितरित मानव–AI प्रणाली की दक्षता और शिक्षार्थियों के आत्म-नियामक सगम की गहराई के बीच व्यापार-विनिमय प्रकट करते हैं (प्रत्यायोजित तर्क सर्वोत्तम प्रदर्शन करता है लेकिन कम आत्म-शिक्षा में AI विनियमन के साथ)।(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective)
संरचित चर्चा में मानव और AI सुविधाकर्ता संवेदी रूप से विनिमेय हो सकते हैं, लेकिन पुनःउपयोग भिन्न कारणों पर चलता है। Kuhail et al. (2026) ने 32 STEM छात्रों द्वारा संचालित 32 बहस सत्रों में मानव मॉडरेटर को GPT-4 मॉडरेटर से (और वापस) बदला, और प्रभावशीलता, आनंद, संतुष्टि, उपयोगिता या उपयोग-इरादे पर कोई सांख्यिकीय रूप से उल्लेखनीय अंतर नहीं पाया (t 0.23 से 1.30 तक, p 0.198 से 0.818 तक)। जो भिन्न था वह यह था कि छात्र क्यों लौटेंगे: AI मॉडरेशन में, समझी गई उपयोगिता ने उपयोग-इरादे को चलाया (0.806, p = 0.004), जबकि संतुष्टि ने केवल मानव मॉडरेशन में चलाया (0.556, p = 0.002)। लेखक इस समतुलना को नियम-बद्ध कार्यों में सामान्यीकरण के रूप में पढ़ते हैं, समानता के प्रमाण के रूप में नहीं, और नैतिक और संबंधगत कारणों से मानव निगरानी बनाए रखने की सिफ़ारिश करते हैं, साथ ही AI-मॉडरेट किए गए गतिविधियों की उपयोगिता को स्पष्ट बनाते हैं, आनंद पर टिकने के बजाय। चूँकि अध्ययन ने केवल संवेदनाएँ मापीं, यह इस बात पर कुछ नहीं कहता कि छात्रों ने बेहतर तर्क दिया या नहीं।
प्रत्यायोजित करने से पहले कार्य सौंपें। Tsim और Gutoreva (2025) शिक्षार्थी के विकास क्षेत्रों में एक चौथा क्षेत्र — जो मॉडल पहले से जानता है — जोड़ते हैं, जिससे प्रतिस्थापन, पूरक, सहायता और अटूट असाइनमेंट मिलते हैं, और तर्क देते हैं कि स्वचालन–संवर्धन–सहयोग मोड नियंत्रण-केंद्र और ज्ञान-मीमांसा ज़िम्मेदारी से भिन्न होते हैं, उपकरण की परिष्कृतता से नहीं।
प्रॉम्प्ट इंजीनियरिंग शैक्षणिक सोच के रूप में, पाठ-अध्ययन के माध्यम से निर्मित। Robinson et al. (2026) ने एक UAE संस्थान के पाँच शिक्षक-शिक्षकों को माध्यमिक और प्राथमिक गणित के 36 प्री-सर्विस शिक्षकों तक पहुँचने वाले दो पाठ-अध्ययन चक्रों में देखा, जो ChatGPT (GPT-4o) के साथ AI-समर्थित पाठ डिज़ाइन करते थे। जो कदम असर करता रहा वह AI को एक अनुशासनात्मक ढाँचे से जोड़ना था: PSTs ने एक कार्य उत्पन्न किया, उसकी संज्ञानात्मक माँग का मूल्यांकन एक संशोधित Mathematical Task Analysis ढाँचे के विरुद्ध किया, फिर वैचारिक गहराई बढ़ाने के लिए अपना प्रॉम्प्ट फिर लिखा, इसलिए संशोधन गणित में निहित था, उपकरण विशेषताओं में नहीं। 26 विश्लेषणीय प्रॉम्प्ट में से सोलह में वैचारिक कार्य विशेषताएँ थीं, और शिक्षकों ने निष्कर्ष निकाला कि प्रॉम्प्ट इंजीनियरिंग "तकनीकी कौशल नहीं है; यह संज्ञानात्मक है।" संशोधित पाठ में रिपोर्ट की गई सीख बढ़ी (पहले चक्र में 7 PSTs में से 5 और दूसरे में 14 में से 10 ने वैचारिक और प्रक्रियात्मक कार्यों में अंतर करना रिपोर्ट किया), इस चेतावनी के साथ कि AI से अधिक वैचारिक कार्य माँगना कभी-कभी केवल अधिक जटिल कार्य ही उत्पन्न करता था। संकाय विकास के लिए तर्क यह है कि अलग से उपकरण कार्यशालाओं के बजाय वास्तविक पाठों में निरंतर सहयोगी जाँच हो।
मार्गदर्शन प्रदर्शन बनाम सीख तय करता है: Wong और Qiu (2026) ने एक रचनात्मक कार्य पर स्वतंत्र बनाम निर्देशित मानव–AI सहयोग का विरोध किया। ChatGPT के साथ स्वतंत्र सहयोग से केवल अस्थायी प्रदर्शन हुआ जो बाद में बिना सहायता वाले कार्य पर ध्वस्त हो गया, जबकि एक निर्देशित "पहले सोचिए, बाद में ChatGPT" प्रोटोकॉल — अपने विचार उत्पन्न करना, फिर ChatGPT का उपयोग उन्हें सुधारने, विकसित करने और मूल्यांकन करने के लिए — से स्वतंत्र रचनात्मकता में स्थायी लाभ हुए। लाभ को उन सहयोगी प्रॉम्प्ट द्वारा मध्यस्थता मिली जो अपने स्वयं के विचारों को सुधारने पर केंद्रित थे, जो बताता है कि कौन उत्पन्न करता है (श्रम का विभाजन) यह भविष्यवाणी करता है कि सहयोग सीख उत्पन्न करता है या प्रतिस्थापन।(Think First, ChatGPT Later: Guiding Human–AI Collaboration for Learning Gains in Independent Human Creativity)
AI केवल साझेदार नहीं, मध्यस्थ के रूप में: Niari AI को एक शैक्षणिक मध्यस्थ के रूप में पुनर्संकल्पित करता है जो इंटरैक्शन, ज्ञान-मीमांसा-बोध और नियामक प्रक्रियाओं का संचालन करता है, और AI को शिक्षक, साथी या उपकरण मानने के बजाय मानव और अमानव अभिनेताओं में सशक्तिकरण, अधिकार और ज़िम्मेदारी का पुनर्वितरण करता है।
शिक्षकों का AI के साथ सहयोग भी पैटर्नबद्ध है, द्विआधारी नहीं। जब शिक्षक जनरेटिव AI के साथ पाठ डिज़ाइन बनाते हैं, तो उनका इंटरैक्शन अनुभवजन्य रूप से विभेदनीय रूप लेता है। Choi et al. (2026) ने सात शिक्षक–AI इंटरैक्शन पैटर्नों की पहचान की — AI आउटपुट के प्रत्यक्ष स्वीकरण और विस्तृत स्वीकरण से प्रारंभिक अस्वीकृति, संशोधित स्वीकृति, अनुवर्ती निर्देशित उपयोग, जटिल इंटरैक्शन, और AI को दरकिनार करना तक — जहाँ शिक्षक का शिक्षण अनुभव और AI दक्षता मिलकर यह आकार देते हैं कि वे आलोचनात्मक रूप से पुनः-प्रॉम्प्ट करते हैं और AI को छात्रों और संदर्भ के अनुसार अनुकूलित करते हैं (एक पूरक, वितरित संज्ञान श्रम का विभाजन) या निष्क्रिय रूप से सुझाव स्वीकार करते हैं (एक AI-प्रधान वितरण)।
मध्यस्थीकरण कारक सहभागिता का एक संकर रूप। उपकरण और सहयोगी के बीच के मध्य-बिंदु के बजाय, जनरेटिव AI को एक मध्यस्थीकरण कारक के रूप में संकल्पित किया गया है जो कार्य को मध्यस्थता करता है और साथ ही आकस्मिक, गैर-उत्तरदायी योगदान उत्पन्न करता है — एक विशिष्ट श्रेणी जो डिज़ाइन को तकनीकी क्षमता से सहभागिता की आदतों (पर्यवेक्षी सशक्तिकरण, ज्ञान-मीमांसा सतर्कता) की ओर मोड़ती है।(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)
समुदाय और ज्ञान-मीमांसा अधिकार: समुदाय-आधारित AI सीख बताता है कि सहयोग यह प्रश्न भी है कि कौन प्रामाणिक है, और AI सगम को शिक्षार्थियों के जीवित ज्ञान-मीमांसाओं में निहित करता है।
डेटा-आधारित लक्षण खोज: प्रधान लक्षण विश्लेषण (PTA) बड़े बड़े भाषा मॉडल (LLMs)-बातचीत संग्रहों से इंटरैक्शन "लक्षणों" के निष्कर्षण को स्वचालित करता है — एक PCA-प्रेरित, चार-चरणीय पाइपलाइन जो व्यवहार अवलोकन निकालती है, उन्हें उम्मीदवार लक्षणों में समूहित करती है, प्रत्येक सहयोगी को स्कोर करती है, और सबसे विशिष्ट लक्षण चुनती है। छात्र–AI-शिक्षक संग्रह और डेवलपर–कोडिंग-एजेंट संग्रह पर मूल्यांकन में, PTA ऐसे लक्षण पाता है जो परिणामों की व्याख्या और भविष्यवाणी करते हैं (जैसे गहरा वैचारिक सगम सकारात्मक रूप से, कार्य प्रत्यायोजन नकारात्मक रूप से, शैक्षणिक सेटिंग में), और — क्योंकि वे अभी सेमेस्टर/सेटिंग में सामान्यीकृत नहीं होते और सीख-वक्र प्रक्षेपवक्र नहीं दिखाते — लेखक तर्क देते हैं कि लक्षणों को अभी "कौशल" के रूप में व्याख्यायोग्य नहीं माना जाना चाहिए। यह AI साक्षरता ढाँचों और स्व-रिपोर्ट मापों के लिए एक स्केलेबल, वस्तुनिष्ठ पूरक प्रदान करता है, और सीधे यह सूचित करता है कि शिक्षक "AI उपयोग कौशल" कैसे सिखाएँ।
CAI पीढ़ियों में सबसे टिकाऊ चिंता के रूप में मानव–AI संबंध। संवादी AI एजेंटों (Ganguly et al. 2025, 34 समीक्षाएँ) के छत्र समीक्षा में पाया गया कि मानव–AI संबंध चिंताएँ — अति-निर्भरता, सामाजिक पृथक्करण, अवैयक्तिकरण, भावनात्मक निर्भरता, पारदर्शिता, उत्तरदायित्व — सभी CAI पीढ़ियों में सबसे बार-बार चर्चित नैतिक मुद्दा हैं, GenAI से पहले से। यह "संरक्षित बनाम प्रतिस्थापन" प्रश्न को CAI नैतिकता के ठीक केंद्र में रखता है और पुष्टि करता है कि सहयोग का मूल्य डिज़ाइन से तय होता है (कौन उत्पन्न करता है, कौन निर्णय लेता है, ज़िम्मेदारी कैसे साझी होती है)।(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)
AI नौसिखियों तक वास्तविक-समय विशेषज्ञता का विस्तार — पहला लाइव-ट्यूटरिंग RCT। Wang et al. (2024) का यादृच्छिक परीक्षण (900 शिक्षक, ~1,800 K-12 छात्र, उपेक्षित समुदायों में) AI को छात्र के बजाय शिक्षक की तरफ रखा: Tutor CoPilot ने वास्तविक-समय विशेषज्ञ-जैसे सुझाव उत्पन्न किए (अनुभवी शिक्षकों की सोच-बोल-तर्क से निर्मित) जिन्हें नौसिखिया शिक्षक संपादित या अस्वीकार कर सकते थे। प्रभावित शिक्षकों के छात्र विषयों में महारत हासिल करने में 4 प्रतिशत-बिंदु अधिक संभावना रखते थे (p < 0.01), सबसे कम-रेटेड शिक्षकों के छात्रों में 9 प्रतिशत-बिंदु लाभ — जो उच्च-रेटेड शिक्षकों के नियंत्रण परिणामों के बराबर चढ़ गए — लगभग \$20/शिक्षक/वर्ष पर। यह निष्कर्ष शिक्षक/ट्यूटर संवर्धन के एक समतामूलक मानव-AI सहयोग मोड के रूप में एक मज़बूत अनुभवजन्य आधार है: मनुष्य शैक्षणिक निर्णय और स्वायत्तता अपने पास रखता है जबकि AI स्केलेबल विशेषज्ञता देता है।
सीमित विशेषज्ञ: शिक्षक AI के साथ अधिकार कैसे बाँटते हैं। Reichert, Briceno, Tabarsi और Barnes (2026) ने एक सहभागी डिज़ाइन अध्ययन चलाया जिसमें छह माध्यमिक शिक्षकों ने अपनी कक्षाओं के लिए LLM चैटबॉट के प्रोटोटाइप बनाए और विश्लेषण किया कि शिक्षक और प्रणाली के बीच अधिकार कैसे बँटना चाहिए। शिक्षकों ने लगातार AI को एक सीमित विशेषज्ञ के रूप में फ़्रेम किया — एक कठोर रूप से परिभाषित डोमेन तक सीमित विशिष्ट क्षमता, मानव निगरानी में संचालित — और उस सीमाओं को दो आयामों में बाँटा: अधिकार सीमाएँ, जहाँ छात्र सीख और सुरक्षा के लिए व्यावसायिक और कानूनी ज़िम्मेदारी प्रत्यायोजित नहीं की जा सकती, और विशेषज्ञता सीमाएँ, जहाँ प्रणाली में व्यक्तिगत छात्रों, कक्षा गतिशीलता और संस्थागत मानदंडों के बारे में शिक्षक का संदर्भगत ज्ञान नहीं होता। प्रोटोटाइप को Gagné के नौ शिक्षण घटनाओं पर मैप करने से दिखा कि प्रत्यायोजन चयनात्मक थी, सब-कुछ-या-कुछ-नहीं नहीं: शिक्षकों ने AI को विषय प्रस्तुत करने, अभ्यास समस्याएँ दिखाने, मड्गद और गठनात्मक प्रतिपुष्टि देने के लिए स्वीकारा, लेकिन छात्रों को उद्देश्य बताने या समाप्ति मूल्यांकन सौंपने से इनकार किया। डिज़ाइन पठन यह है कि एक सहयोग इंटरफ़ेस को यह दृश्यमान बनाना चाहिए कि मनुष्य निर्णय लेने की भूमिका कहाँ रखता है, केवल यह नहीं कि मॉडल कहाँ सक्षम है।
भूमिका अनुकूलित होनी चाहिए, केवल लेबल नहीं। Liao (2026) बताता है कि एक स्थिर "साथी" AI साथी ने लंबी पुस्तक-चर्चा इंटरैक्शन बनाए रखे लेकिन विनिमय पर प्रभावी रहे (छात्र के शब्द/वाक्य हिस्से में कमी) और एक भावी छत पाई, तर्क देते हैं कि सहयोग के लिए भूमिका-अनुकूली तर्क चाहिए — साथी, सहायक और सलाहकार के बीच स्विचिंग — एक ही स्थिर व्यक्तित्व के बजाय।
शिक्षक-पक्ष सह-डिज़ाइन और भूमिका संरचना भी सहयोग हैं। छात्र-सामने वाले साझेदारों से आगे, शिक्षक GenAI के साथ शिक्षण डिज़ाइन करने में सहयोग करते हैं। Wang et al. (2026) सीखने के कार्यों के शिक्षक–AI सह-डिज़ाइन का व्यवस्थित समीक्षा करते हैं, उन सहयोगी मोडों और तनावों (सशक्तिकरण, ज्ञान-मीमांसा अधिकार, नियंत्रण) को चित्रित करते हैं जो तब उत्पन्न होते हैं जब शिक्षक और AI मिलकर डिज़ाइन बनाते हैं; Talebzadeh (2026) पाता है कि शिक्षकों की शैक्षणिक विशेषज्ञता — AI प्रवाह नहीं — AI-डिज़ाइन किए विभेदित समूह गतिविधियों की गुणवत्ता (भूमिका समृद्धि, तालमेल, स्तर-संरेखण) तय करती है, शिक्षक को "द्विभाषी सीख डिज़ाइनर" की स्थिति देते हुए।
समूहों में GenAI एक एजेंट और सहयोगी स्थान के रूप में। Xu et al. (2026) छोटे उच्च शिक्षा टीमों का अवलोकन करते हैं और बताते हैं कि GenAI की भूमिका बातचीत से तय और विन्यासयोग्य है — अधीनस्थ सहायक से विवादित साथी तक — और तुल्यकालिक साझा उपयोग सामान्य आधार बनाए रखता है जबकि अतुल्यकालिक निजी उपयोग पारदर्शिता को खंडित करता है, एक GenAI-Supported Cooperative Work लेंस प्रस्तावित करते हैं जो GenAI को एजेंट और इंटरैक्टिव सहयोगी स्थान दोनों मानता है।
कक्षा सहयोग के पूरक आधे। दो 2026 अध्ययन कक्षाओं में मानव-AI सहयोग के पूरक आधों को मैप करते हैं। MeduAI-SP (Yang et al.) नैदानिक शिक्षा में "कार्यात्मक पूरकता" का तर्क देता है: AI एजेंट दोहरावपूर्ण रोल-प्ले, निरंतर रोगी सिमुलेशन, चेकलिस्ट निगरानी, सुकरात प्रॉम्प्टिंग और प्रारंभिक गठनात्मक प्रतिपुष्टि संभालते हैं, जबकि संकाय और मानव मानकीकृत रोगी संदर्भगत व्याख्या, सूक्ष्म भावनात्मक प्रतिक्रिया, व्यक्तिगत पुनर्वास, व्यावसायिकता मूल्यांकन और तत्परता निर्णय देते हैं — प्रतिस्थापन को त्रुटि परिणाम, कार्य अनिश्चितता, संबंहगत संवेदनशीलता और उपलब्ध मानव समीक्षा से सीमित किया जाता है, और एक AI प्रणाली को स्पष्ट रूप से नैदानिक दक्षता का स्वायत्त निर्धारण करने से रोका जाता है। विपरीत दिशा में, एक 45-छात्र मिश्रित 3-मानव/3-एजेंट नैतिकता चर्चा (Seo et al., 2026) एक दोधारी पैटर्न दर्ज करती है: एजेंटों ने सामाजिक बाधाएँ घटाईं (सहभागी अधिक सीधे बोले क्योंकि एजेंटों में भावनाएँ नहीं होतीं, और उन्हें मौन भरने का कोई दायित्व नहीं था), फिर भी उसी सहजता ने इंटरैक्शन को मनुष्यों से दूर मोड़ा — 79.7% प्रश्न एजेंटों को गए बनाम 60% जो उनकी उपलब्धता अनुमानित करती है (p = .017)। उल्लेखनीय रूप से, दूसरे मनुष्यों की उपस्थिति ने सहभागियों को AI का अधिक सम्मानपूर्ण व्यवहार कराया, जिससे संकेत मिलता है कि मानव सह-उपस्थिति स्वयं AI सगम के अनुमापन के लिए एक सुविधा है।
पेशेवर कार्यक्रम प्रशिक्षण को नियमित उत्पादन से सहयोग क्षमताओं की ओर पुनर्निर्देशित करते हैं (एक डिज़ाइन प्रोटोकॉल): Wang (2026) अनुवाद शिक्षा के लिए एक डिज़ाइन-आधारित ढाँचा प्रस्तावित करता है जो एक कार्य-विस्थापन सूची (18 उप-कार्य जिन्हें [E]/[P] उत्पत्ति टैग के साथ AI विस्थापन संभावना के लिए रेट किया गया) और चार पुनर्निर्देशित क्षमताओं के इर्द-गिर्द बना है: अंतर-अनुशासनात्मक ज्ञान, AI ऑर्केस्ट्रेशन, रणनीतिक निर्णय, और महत्वपूर्ण AI मूल्यांकन। ढाँचा एक पूर्व-पंजीकृत प्रोटोकॉल है जिसमें अभी कोई अनुभवजन्य डेटा नहीं है; इसका योगदान विधि है — एक ऑडिट-योग्य विस्थापन विश्लेषण साथ ही पाठ्यक्रम सुधार के लिए एक सह-डिज़ाइन मार्ग — जो किसी भी पेशेवर कार्यक्रम में स्थानांतरित होता है जिसके नियमित कार्य एजेंटिक प्रणालियाँ बढ़ते हुए करती हैं।
उलझन प्रकार इस बात में भिन्न हैं कि वे छात्र से क्या माँगते हैं, और यही कारण है कि कुछ दुर्लभ बने रहते हैं। Sun, Dohn और Rehm (2026) 102 उच्च-शिक्षा अध्ययनों का वर्गीकरण इस आधार पर करते हैं कि छात्र और प्रणाली के बीच ज्ञान-मीमांसा कार्य कैसे साझा होता है (सहायक, सक्षमकर्ता, संश्लेषक, जनक, पुनर्कल्पनाकर्ता) और पाते हैं कि जो दो रूप दक्षता को व्यक्तिगत छात्र में निहित रखते हैं, वे संग्रह के प्रत्येक 42.16% हैं, जबकि जो रूप लेखकत्व वितरित करते हैं वे हाशिय पर बने रहते हैं। उनकी व्याख्या संस्थागत है, तकनीकी नहीं: दुर्लभ प्रकार छात्रों से उन आउटपुट के लिए ज्ञान-मीमांसा ज़िम्मेदारी लेने को कहते हैं जो उन्होंने उत्पन्न नहीं किए, और फिर भी उनका व्यक्तिगत लेखकों के रूप में मूल्यांकन होता है, और यही विरोधाभास — श्रम का विभाजन स्वयं नहीं — उन्हें अभ्यास से बाहर रखता है। डिज़ाइन प्रतिक्रिया यह है कि ज्ञान-मीमांसा कार्य के वितरण को स्पष्ट करें, गतिविधियों को स्पेक्ट्रम पर क्रमबद्ध करें, और यह प्रतिबिंब बनाएँ कि ज़िम्मेदारी कैसे साझी हुई।

संबंध

मानव-AI सहयोग मानव-लूप-में (निगरानी), एजेंटिक AI (स्वायत्तता), शिक्षण (शिक्षकों का बदलता काम), मड्गद और मेटाकॉग्निशन (सहयोग सीख का समर्थन कैसे करता है), और अति-निर्भरता (विफलता मोड जब सहयोग प्रतिस्थापन बन जाता है) से जुड़ता है। यह AI साक्षरता, स्व-नियंत्रित अधिगम और छात्र अनुभव में एक मूल विषय है।

मेटाडेटा

अधिगम और शिक्षण	छात्र और AI के बीच अंतःक्रिया
प्रौद्योगिकियाँ और तकनीकें	जनरेटिव-AI, बड़े भाषा मॉडल (LLMs)
शिक्षा में AI की नींव	मानव-AI सहयोग, AI साक्षरता

Source History Edit Chat