मानव-लूप-में

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

मानव-लूप-में — वह डिज़ाइन पैटर्न जिसमें शैक्षणिक AI प्रणालियाँ स्वचालित उत्पादन के साथ मानव विशेषज्ञ-निर्णयों को रणनीतिक रूप से बीच-बीच में रखती हैं, जिससे उत्पादन को बढ़ाते हुए भी शैक्षणिक गुणवत्ता और सुरक्षा बनी रहती है। मूल्यांकन, प्रतिपुष्टि या शिक्षण को पूरी तरह स्वचालित करने के बजाय, HITL एक मानव (शिक्षक, विषय-विशेषज्ञ या शिक्षार्थी) को निर्णय-लूप में उसी स्थान पर रखता है जहाँ उसके निर्णय की सीमांत मूल्य सबसे अधिक होती है — गुणवत्ता का मूल्यांकन करने, असामान्य मामलों (edge cases) का निपटारा करने, तथा शिक्षार्थी की स्वायत्तता और सुरक्षा की रक्षा करने के लिए। केंद्रीय डिज़ाइन प्रश्न यह नहीं है कि मनुष्यों को शामिल करना है या नहीं, बल्कि यह है कि पाइपलाइन में कहाँ उनकी देखरेख सबसे अधिक मूल्यवान और सबसे कम प्रतिस्थापनीय है।

विचार करने योग्य प्रश्न

• केंद्रीय HITL डिज़ाइन प्रश्न यह नहीं है कि मनुष्यों को शामिल करना है, बल्कि यह है कि पाइपलाइन में उनके निर्णय कहाँ सबसे अधिक मूल्यवान हैं। किसी AI मूल्यांकन या प्रतिपुष्टि प्रणाली में, आप किस बिंदु पर यह ज़ोर देंगे कि मानव लूप में रहे?
• AI प्रश्न निर्माण के अध्ययनों में पाया गया कि कंप्यूटर स्पष्टता और वैधता को अच्छी तरह संभालते हैं, लेकिन अर्थपूर्ण भ्रामक विकल्प (distractors) और अच्छी प्रतिपुष्टि के लिए मनुष्य की आवश्यकता अब भी बनी हुई है। शैक्षणिक निर्णय के कुछ हिस्से स्वचालन का विरोध क्यों कर सकते हैं?
• एक मूल्यांकन में पाया गया कि तीन LLM ने असंगत, संवेदनशीलता से रहित छात्र-सहायता सिफ़ारिशें दीं — यह निष्कर्ष निकाला गया कि छात्रों के बारे में सलाह देने से पहले मानव निर्णय अब भी आवश्यक है। जब AI किसी संघर्षरत छात्र के लिए सहायता का 'सुझाव' देता है, तो उसकी किसी मानव द्वारा समीक्षा न होने पर क्या गलत हो सकता है?
• पृष्ठ यह सुझाव देता है कि मनुष्य और एल्गोरिदम अलग-अलग प्रकार की समस्याओं को पकड़ते हैं — जो ठीक-ठीक सत्यापन योग्य है उसे स्वचालित करें, और जहाँ सूक्ष्मता अपरिवर्तनीय है वहाँ निर्णय को बनाए रखें। आपके अपने अभ्यास में इन दोनों के बीच की सीमा कहाँ है?
• लूप में मानव को रखना केवल गुणवत्ता के बजाय शिक्षार्थी की स्वायत्तता और सुरक्षा की रक्षा के रूप में ढाला गया है। पूर्ण स्वचालन छात्रों की इस भावना को किस प्रकार सूक्ष्म रूप से बदल सकता है कि उनकी सीखने की ज़िम्मेदारी किसकी है?
• यदि AI अधिक स्वायत्त होता जाए, तो HITL देखरेख को एक मुख्य सुरक्षा गार्डरेल के रूप में वर्णित किया गया है। AI की किस स्तर की स्वायत्तता पर आप असहज महसूस करेंगे — और यह असहजता आपको यह बताती है कि देखरेख कहाँ आनी चाहिए?

भूमिका

HITL पूरी तरह स्वायत्त AI in education की सीमाओं और जोखिमों का एक उत्तर है: स्वचालित प्रणालियाँ बड़े पैमाने पर उत्पन्न कर सकती हैं, लेकिन उनमें वह संदर्भगत, नैतिक और शैक्षणिक निर्णय नहीं होता जो शिक्षक और विशेषज्ञ लाते हैं। हाल की दो कार्यान्वयन अलग-अलग संरचनाओं को दर्शाते हैं:

निर्धारक सहायता (prescriptive support) एक ऐसा क्षेत्र है जहाँ मानव देखरेख को तेज़ी से अनिवार्य माना जा रहा है। López-Pernas et al. (2026) ने जाँचा कि क्या तीन LLM लर्निंग एनालिटिक्स संकेतकों से छात्र-सहायता योजनाओं की सिफ़ारिश कर सकते हैं, और उन्होंने आवश्यकता के प्रति सीमित संवेदनशीलता तथा मॉडलों के बीच तीखी असंगति पाई — यह निष्कर्ष निकाला गया कि बड़े भाषा मॉडल (LLMs) द्वारा दी जाने वाली निर्धारक सलाह को सुरक्षित और नैतिक रूप से तैनात करने से पहले मानव-लूप-में निर्णय अब भी आवश्यक है।

तीसरी संरचना मानव निर्णय को मॉडल के आउटपुट के बजाय उसके अपस्ट्रीम में रखती है। Lee, Atif & Kang (2026) के शिक्षार्थी-प्रश्न वर्गीकरण के अध्ययन में, तीन डॉक्टरेट-स्तरीय विशेषज्ञों ने पूरे पाइपलाइन का नियंत्रण किया: उन्होंने प्रत्येक कंस्ट्रक्टिविज़्म भूमिका के लिए परिचालन परिभाषाएँ परिष्कृत कीं, असहमतियों के निपटारे तक स्वतंत्र रूप से लेबलिंग की (जिससे Fleiss' kappa 0.60 से बढ़कर 0.83 हुआ), और प्रशिक्षण सेट को संतुलित करने के लिए प्रयुक्त बैक-ट्रांसलेटेड तथा पैराफ़्रेज़्ड आइटमों को मान्य किया।

CODE-GEN: HITL MCQ निर्माण

Duan et al. (2026) ने दो एजेंटों के साथ RAG (रिट्रीवल-ऑगमेंटेड जनरेशन)-आधारित एजेंटिक प्रणाली बनाई:

• जनरेटर एजेंट — पाठ्यक्रम के सीखने के उद्देश्यों के अनुरूप बहुविकल्पीय कोडिंग प्रश्न तैयार करता है
• वैलिडेटर एजेंट — सात शैक्षणिक आयामों में गुणवत्ता का आकलन करता है

मूल्यांकन: 6 SMEs ने 288 AI-निर्मित प्रश्नों का निर्णय किया। मानव-मान्यकृत सफलता दर: आयामों के अनुसार 79.9%–98.6%।

AI-मजबूत आयाम (कम मानव बोझ):

• प्रश्न की स्पष्टता, कोड की वैधता, अवधारणा संरेखण, सही उत्तर की वैधता

मानव-आवश्यक आयाम (अधिक मानव बोझ):

• शैक्षणिक रूप से अर्थपूर्ण भ्रामक विकल्पों का डिज़ाइन
• उच्च-गुणवत्ता वाले व्याख्यात्मक प्रतिपुष्टि

रणनीतिक अंतर्दृष्टि: मानव प्रयास वहीं केंद्रित किया जाना चाहिए जहाँ शिक्षण-निर्णय अपरिवर्तनीय है; संगणकीय सत्यापन को पूरी तरह स्वचालित किया जा सकता है।

MAIC: HITL स्क्रिप्ट निर्माण

Yu et al. (2024) ने Tsinghua University में एक बहु-एजेंट कक्षा (टीचर एजेंट, TA एजेंट, सहपाठी आर्किटाइप) को >500 छात्रों और >100,000 सीखने के रिकॉर्ड के साथ तैनात किया। मानव शिक्षक स्क्रिप्ट निर्माण और देखरेख में भाग लेते हैं, यह सुनिश्चित करते हुए कि बड़े पैमाने पर AI संवर्धन शैक्षणिक विशेषज्ञता को हटा न दे।

PedaCo: AI वीडियो निर्माण के लिए दोहरी निगरानी

Kim, Baek और Kwak (2026) HITL को PedaCo (Pedagogical Co-creation) के माध्यम से AI-निर्मित शिक्षण वीडियो तक विस्तारित करते हैं — यह एक पाइपलाइन है जिसमें दो परस्पर पूरक निगरानी परतें हैं जो Mayer's Cognitive Theory of Multimedia Learning (CTML) पर आधारित सिद्धांतगत प्रतिरोध को साकार करती हैं। पहली परत मानव को स्क्रिप्ट चरण पर रखती है: एक LLM मसौदा तैयार करता है, एक AI समीक्षक संभावित CTML उल्लंघनों को चिह्नित करता है (जैसे, "दृश्य 3 तकनीकी शब्दों को बिना पहले समझाए पेश करता है"), और शिक्षक स्वीकार करने, संशोधित करने या पुनः बनाने का निर्णय लेता है। दूसरी परत संश्लेषण के बाद सुसंगति, अतिरेक, अस्थायी सट्टापन, मोडैलिटी और छवि गुणवत्ता पर स्वचालित मेट्रिक चलाती है, जिन्हें शिक्षक समीक्षा करता है। एक within-subject अध्ययन (23 शिक्षकों के साथ) में, समीक्षा-आधारित दृष्टिकोण ने CTML के प्रत्येक सिद्धांत को सुधारा (माध्य रेटिंग 3.07→3.86, p<.01), और शिक्षकों ने उत्पादन दक्षता को 4.26/5 रेट किया — घर्षण को उत्पादक माना गया, बोझिल नहीं। डिज़ाइन सिद्धांत ज्ञान-आधार के HITL संश्लेषण का प्रतिध्वनि करता है: मनुष्य और एल्गोरिदम अलग प्रकार की समस्याओं को पकड़ते हैं, इसलिए सबसे प्रभावी प्रणालियाँ वहीं स्वचालित करती हैं जहाँ संगणकीय सत्यापन सटीक होता है (अस्थायी सिंक्रनाइज़ेशन) और वहीं मानव निर्णय बनाए रखती हैं जहाँ शैक्षणिक सूक्ष्मता अपरिवर्तनीय होती है (स्वर, श्रोता-उपयुक्तता)।

स्थान निर्धारण उपस्थिति से अधिक महत्वपूर्ण हो सकता है: व्यवसायों ने एक Social Story लेखन उपकरण को अत्यधिक उपयोगी (SUS 86.8) रेट किया, फिर भी रिपोर्ट किया कि समीक्षा बहुत देर आई, क्योंकि सांस्कृतिक और नैदानिक बंधन जो निर्माण से पहले निर्धारित होते हैं — पश्चिमी सड़क-वेश के बजाय अबाया — आउटपुट को बाद में संपादित करके पुनर्प्राप्त करना कठिन होता है (Enkhjargal et al. (2026))।

AI युग में HITL क्यों महत्वपूर्ण है

मानव-लूप-में डिज़ाइन कई संयुक्त कारणों से ज्ञान-आधार की एजेंटिक AI और उत्तरदायी AI उपयोग चर्चाओं के लिए केंद्रीय बन गया है:

• शैक्षणिक सुरक्षा। पाठ्य-सुरक्षा: शिक्षा में पेडागॉजिकल सेफ्टी यह आवश्यक करती है कि वास्तविक शिक्षण-अधिकार वाली AI मानव देखरेख बनाए रखे, ताकि त्रुटियाँ, पूर्वाग्रह या हानिकारक आउटपुट छात्रों तक पहुँचने से पहले पकड़े जाएँ। यह उन स्वायत्त एजेंटों के लिए विशेष रूप से महत्वपूर्ण है जो सक्रिय रूप से लक्ष्यों का अनुसरण करते हैं।

• देखरेख अभ्यास में दुर्लभ है, केवल सिद्धांत में नहीं। Wang et al. (2026) ने पाया कि 474 शैक्षणिक एजेंटिक-AI प्रणालियों में मज़बूत, अंतर्निहित शासन और मानव-लूप-में देखरेख दुर्लभ रूप से दिखाई दी, भले ही एकल-कार्य स्वायत्तता और बहु-एजेंट सहयोग बढ़े — यह डिज़ाइन सिद्धांत और तैनात अभ्यास के बीच की खाई है।

• महत्वपूर्ण प्रश्न यह है कि लूप को कार्यान्वयन-योग्य कैसे बनाया जाए, न कि मनुष्य कितना भाग लेते हैं। एक सीखने-विज्ञान दृष्टिकोण तर्क देता है कि सीखना को डेटा कैप्चर, संगणनात्मक व्याख्या और संभावित प्रतिक्रिया के इर्द-गिर्द व्यवस्थित करना शैक्षणिक कार्य को इस बात पर निर्भर करता है कि प्रणालियाँ क्या पता लगा सकती हैं और उस पर कार्य कर सकती हैं, और चेतावनियाँ और जुड़ाव वर्गीकरण किसी भी शिक्षक या छात्र के कार्य करने से पहले शिक्षार्थी की व्याख्या करती हैं (Pande (2026))।

• वैधता और गुणवत्ता नियंत्रण। HITL स्वचालित मूल्यांकन और निर्माण के लिए एक गुणवत्ता द्वार है — मनुष्य वहीं निपटारा करते हैं जहाँ स्वचालित स्कोरिंग अविश्वसनीय होती है (LLM निबंध ग्रेडिंग research देखें) और उत्पन्न आइटमों को मान्य करते हैं। 42 ग्रेडिंग और प्रतिपुष्टि अध्ययनों (2023–2025) के एक PRISMA-निर्देशित systematic review स्पष्ट रूप से उसी निष्कर्ष पर पहुँचता है: LLM छोटे, अच्छी तरह संरचित कार्यों पर मानव रेटर के बराबर प्रदर्शन करते हैं, लेकिन जटिल, खुले अंत या व्यक्तिपरक कार्यों पर मानव निर्णय को पूरी तरह प्रतिस्थापित नहीं कर सकते, और उच्चतम ग्रेडिंग प्रभावशीलता उन संकर प्रणालियों में प्राप्त होती है जो AI-संचालित ग्रेडिंग को शिक्षक की देखरेख और सत्यापन के साथ जोड़ती हैं (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback)। Falahat et al. (2026) ठोस रूप से दिखाते हैं कि यह सीमा कहाँ गिरती है: ChatGPT-5 ने फार्मेसी-परीक्षा के वस्तुनिष्ठ आइटमों पर संकाय के साथ मेल खाया (CCC 0.935–1.000) लेकिन लघु-उत्तर और निबंध आइटमों पर रूब्रिक देने पर भी अविश्वसनीय रहा, जिससे लेखकों ने जटिल, व्यक्तिपरक या उच्च-दांव वाले मूल्यांकन के लिए मानव समीक्षा के साथ संकर ग्रेडिंग की सिफ़ारिश की। पुनरावृत्ति उस देखरेख का विकल्प नहीं है: पाँच अलग-अलग दिनों पर एक ही प्रस्तुतियों का पुनः ग्रेडिंग करते हुए, उसी मॉडल ने अपने परिणामों को केवल Krippendorff's alpha 0.625 पर पुनरुत्पादित किया, जिसमें विचरण मध्यम ग्रेडों में केंद्रित था और A तथा F पाँच सत्रों की गणनाओं में अनुपस्थित थे (Brevik et al. (2026))।

• शिक्षार्थी की स्वायत्तता। लूप में मानव को रखना शिक्षार्थी सक्रियता को संरक्षित करता है और स्व-नियंत्रित अधिगम का समर्थन करता है, जो उस अति-निर्भरता का प्रतिकार करता है जो पूरी तरह स्वायत्त सहायता उत्पन्न कर सकती है।

• छात्र स्वयं मानव को उच्च-दांव वाले छोर पर रखते हैं। 93 स्नातक छात्रों में से, 81.7% ने 40% अंक वाले अंतिम पेपर के लिए मानव स्कोरिंग को प्राथमिकता दी, 93 में से 75 ने चाहा कि AI ग्रेडर को प्रतिस्थापित न करके सहायता करे, और 69 ने चाहा कि AI स्कोरिंग हमेशा मानव-समीक्षित हो (Yildirim-Erbasli et al. (2026))।

• विश्वास और अंशांकन। पारदर्शी मानव देखरेख विश्वास कैलिब्रेशन का समर्थन करती है — शिक्षार्थी और शिक्षक जानते हैं कि प्रणाली के पीछे एक योग्य मानव खड़ा है।

• समीक्षा से पहले दिखाए गए मापदंड सहमति बढ़ाते हैं। Coscia et al. (2026) ने पाया कि समीक्षकों को LLM प्रतिक्रियाओं की तुलना करते समय विश्वसनीयता मेट्रिक दिखाने से inter-rater agreement Krippendorff's alpha 0.3987 से 0.4931 तक बढ़ी, जबकि अतिरिक्त माप जोड़ने से संज्ञानात्मक बोझ बिना लाभ के बढ़ा।

• सीमित एजेंसी एक संरचना है, अस्वीकृति नहीं। Ilieva et al. (2026) का एजेंटिक सीखने-सहायता के लिए AGAI-HE ढाँचा देखरेख को मॉडल के भीतर ही एक तीसरी परत के रूप में शामिल करता है, शैक्षणिक-कार्यप्रवाह और एजेंटिक-सहायता परतों के साथ: यह स्वीकार्य AI उपयोग, शैक्षणिक सीमाएँ, निजता नियम, खुलासे की आवश्यकताएँ, स्रोत सत्यापन, शिक्षक चेकपॉइंट, integrity तंत्र, और अंतिम मानव उत्तरदायित्व निर्धारित करता है, और प्रत्येक एजेंटिक फ़ंक्शन को किसी सीखने की आवश्यकता, मूल्यांकन उद्देश्य या शासन नियंत्रण से जोड़ने की आवश्यकता रखता है। यह उस सिद्धांत का एक ठोस उदाहरण है कि HITL एक प्रणाली-डिज़ाइन गुण है, नीति-वक्तव्य नहीं — और लेखकों का 130-छात्र धारणा अध्ययन यह याद दिलाता है कि उस देखरेख के तहत एजेंटिक ऑर्केस्ट्रेशन जोड़ने से अपने आप में चैटबॉट से बेहतर सीखने-सहायता के रूप में पंजीकृत नहीं हुआ।

• मानव कितनी बार देखता है, यह स्वयं एक डिज़ाइन निर्णय है। Venetsanos (2026) देखरेख की आवृत्ति को उसके स्थान से अलग करता है: उच्च-आवृत्ति HITL, जो प्रत्येक AI आउटपुट को छात्रों तक पहुँचने से पहले समीक्षा करती है, गुणवत्ता नियंत्रण, त्वरित त्रुटि-पहचान, उत्तरदायित्व और निरंतर अंशांकन खरीदती है लेकिन स्वचालन को प्रेरित करने वाली दक्षता को समाप्त कर सकती है और अधिकतम मूल्यांकन अवधियों में अवरोध उत्पन्न कर सकती है; निम्न-आवृत्ति HITL, नमूनों का स्पॉट-चेक करना और केवल चिह्नित मामलों की समीक्षा करना, पैमाना बढ़ाती है और समय-चक्र छोटा करती है लेकिन त्रुटियों के बिना पकड़े प्रस्तुतियों में फैलने का जोखिम उठाती है, उत्तरदायित्व को कमज़ोर करती है, और एक समानता समस्या उत्पन्न करती है यदि कुछ छात्रों को दूसरों की तुलना में अधिक विस्तृत मानव समीक्षा मिलती है। एक सार्वभौमिक उत्तर निर्धारित करने के बजाय, ढाँचा इस व्यापर-विनिमय को अनुशासनात्मक त्रुटि-सहनशीलता, मूल्यांकन के गुणात्मक या सांगतात्मक होने, समूह के आकार और संस्थागत संसाधनों के सापेक्ष स्पष्ट रूप से तय करने की आवश्यकता रखता है — और सामान्य दक्षता तर्क के विपरीत दिशा में एक डिफ़ॉल्ट निर्धारित करता है: उच्च-आवृत्ति देखरेख से आरंभ करें और इसे तभी कम करें जब पर्याप्त प्रमाण स्वीकार्य विश्वसनीयता, सुरक्षा और निष्पक्षता दिखाएँ, इसलिए साबित करने का बोझ यह है कि कम देखरेख सुरक्षित है। पेपर यह भी चेताता है कि ऐसी देखरेख के पीछे के सिद्धांत कर्मचारियों के प्रयास को स्थानांतरित कर सकते हैं, घटा नहीं, जिससे शुद्ध दक्षता लाभ एक खुला अनुभवजन्य प्रश्न बना रहता है।

• तैनात मानव देखरेख का अर्थ गुणवत्ता निर्णय के बजाय अनुमोदन-मार्गनिर्देशन हो सकता है: एक संकर प्रश्न प्रणाली में स्वीकृति फ़ील्ड में केवल यह दर्ज था कि क्या हल-कर्ता प्रश्नकर्ता से भिन्न था, और किसी माप ने उत्तर की गुणवत्ता का आकलन नहीं किया Gupta et al. (2026)।

ज्ञान-आधार के अनुसंधान में HITL कहाँ दिखता है

• स्वचालित मूल्यांकन और ग्रेडिंग: HITL प्रणालियाँ लघु-उत्तर ग्रेडिंग (Confidence Estimation in Automatic Short Answer Grading with LLMs), स्व-व्याख्या मूल्यांकन (Exploring the Effectiveness of Using LLMs for Automated Assessment of Student Self Explanations in Programming Education), और निबंध स्कोरिंग (PsyScore: A Psychometrically-Aware Framework for Trait-Adaptive Essay Scoring and ZPD-Scaffolded Feedback) में AI निर्माण/स्कोरिंग को मानव मान्यता के साथ जोड़ती हैं। Cvengros & Kortemeyer इसे उच्च-दांव, हस्तलिखित सामान्य-रसायन ग्रेडिंग में साकार करते हैं: क्योंकि किसी बहुमाध्यमी AI LLM की विश्वसनीयता प्रतिक्रिया प्रारूप के अनुसार बदलती है (पाठ्य और रासायनिक-अभिक्रिया उत्तर विश्वसनीय हैं जबकि चित्रण और ग्राफ़िंग यादृच्छिक से भी खराब स्कोर करती हैं) और मिथ्या सकारात्मक परिणाम छात्रों से अज्ञात रह जाते हैं, वे कच्चे AI स्कोरों को आत्मविश्वास फ़िल्टरों का उपयोग करके एक चयनात्मक स्वीकार/स्थगन नीति में बदलते हैं — आंशिक-क्रेडिट सीमाएँ, एक IRT-आधारित जोखिम सीमा, और प्रश्न-प्रकार बहिष्करण — अनिश्चित और ग्राफ़िकल आइटमों को मनुष्यों को सौंपते हुए, एक ऐसा दृष्टिकोण जिसे लेखक उन नियामक ढाँचों से जोड़ते हैं जो शैक्षणिक मूल्यांकन में AI को उच्च-जोखिम निर्धारित करते हैं और प्रलेखित मानव देखरेख अनिवार्य करते हैं।

• प्रतिपुष्टि प्रणालियाँ: प्रलेखित मानव देखरेख अनिवार्य करते हैं।

• राष्ट्रीय मूल्यांकन में परिचालन HITL स्कोरिंग (2026): Curi et al. (2026) उरुग्वे के Acredita EB परीक्षा में HITL को संस्थागत पैमाने पर साकार करते हैं। क्योंकि LLM स्कोरर की त्रुटियाँ व्यवस्थित रूप से रूढ़िवादी हैं (कम ग्रेडिंग), वर्कफ़्लो एक निर्णय-बिंदु तर्क का उपयोग करता है जो मानव समीक्षा को ठीक उन्हीं उम्मीदवारों तक मार्गनिर्देशित करता है जिनका उत्तीर्ण/अनुत्तीर्ण नतीजा लेखन अनुभाग पर निर्भर करता है — AI-चिह्नित उत्तीर्ण प्रतिक्रियाओं को आत्मविश्वास से स्वीकार किया जाता है, जबकि AI-चिह्नित असफलताओं (15.3–16.5% मामलों) को विशेषज्ञ रेटर सत्यापित करते हैं, जिससे पूर्ण-स्कोरिंग कार्यभार ≥50% कटता है और केवल 0.2–0.6% की अवशिष्ट AI-त्रुटि उत्तीर्ण-जोखिम बची रहती है। यह HITL को संसाधन-आवंटन रणनीति के रूप में प्रस्तुत करता है: मनुष्य ठीक वहीं निपटारा करते हैं जहाँ AI के रूढ़िवादी पूर्वाग्रह के कारण अन्यथा उच्च-दांव परिणाम बदल जाते।

• रूब्रिक के अपने विभेदन से स्थगन सीमा निकालना (2026)। Cruz et al. (2026) ने AI–शिक्षक सहनशीलता 0.5 अंकों पर निर्धारित की — सबसे बड़ा विचलन जो किसी प्रस्तुति को एक एंकर बैंड के पार नहीं ले जा सकता — और 0.8 अंकों पर आउटलायर्स को एस्केलेट किया, जिससे 362 में से 11 प्रस्तुतियाँ (3.0%) प्रतिपुष्टि जारी होने से पहले मानव समीक्षा में गईं।

• एनोटेटरों के बीच सहमति मानव सत्य-सत्यापण नहीं है। Bernado et al. (2026) मॉडल एनोटेशन को ऑडिट परत में बिना कभी मानव सुनहरे लेबलों के विरुद्ध मान्यता किए धकेलते हैं, जिससे क्रॉस-मॉडल सहमति (माध्य 0.401) दावे की गुणवत्ता का एक प्रतिनिधि बनी रहती है जिसमें साझा मॉडल त्रुटियाँ बची रह सकती हैं। उनका डिज़ाइन देखरेख को नैतिक रूप से नहीं, नैदानिक रूप से रखता है: क्योंकि मध्यवर्ती निर्णय स्पष्ट हैं, एक समीक्षक देख सकता है कि कौन-से व्यवहार सक्रिय हुए और एक गलत-पढ़े गए व्यवहार को उस नियम से अलग कर सकता है जो संकल्पना को खराब ढंग से एन्कोड करता है।

• प्रतिपुष्टि प्रणालियाँ: मानव-लूप-में प्रतिपुष्टि डिज़ाइन सहयोगात्मक प्रतिपुष्टि प्रणालियों और आत्मविश्वास-जागरूक लघु-उत्तर ग्रेडिंग में दिखता है।

• कक्षा सहयोग सहायता। CoBi शिक्षक को एक AI प्रणाली में समीक्षा-करने वाले मानव के रूप में रखता है जो छोटे समूहों के उत्थापक संवाद का पता लगाती है: शिक्षकों ने स्पष्ट रूप से लाइव वास्तविक-समय प्रदर्शन की तुलना में पूर्व/पश्चात-कार्य समीक्षा को प्राथमिकता दी जो उन्हें "मौके पर" रखती, और प्रणाली का कक्षा-स्तरीय (व्यक्तिगत के बजाय) एकत्रित फ़ीडबैक ठीक वही है जो उसे निजता, निगरानी और छात्र शिक्षार्थी सक्रियता के बीच के तनाव से निर्वाह करने देता है।

• प्रश्न और सामग्री निर्माण: CODE-GEN के अतिरिक्त, HITL मूल्यांकन और मड्गद के लिए प्रश्न निर्माण का मार्गदर्शन करता है (CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation, From Evaluated Models to Evaluation Aids: A Multi-Evidence Study of LLM-Based Difficulty Calibration for Programming Examinations)।

• एजेंटिक और बहु-एजेंट प्रणालियाँ: जैसे-जैसे AI अधिक स्वायत्त होता जाता है, HITL देखरेख एक मुख्य डिज़ाइन गार्डरेल है (Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning, Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics)।

• निर्णय परिणाम से मार्गनिर्देशन, मॉडल अनिश्चितता से नहीं (2026)। 2026 का एक परिचालन अध्ययन उरुग्वे के Acredita EB राष्ट्रीय मान्यता परीक्षा (दो संस्करण, प्रत्येक में लगभग 5,000-6,000 उम्मीदवार) का मानव-लूप-में डिज़ाइन को तब दिखाता है जब इसे मॉडल अनिश्चितता के बजाय निर्णय परिणामों द्वारा संचालित किया जाता है। एक GPT-5 स्कोरर 15 रूब्रिक आइटमों में विशेषज्ञ रेटरों के साथ 60-80% समझौता करता था लेकिन व्यवस्थित रूप से रूढ़िवादी था, जिससे उत्तीर्ण/अनुत्तीर्ण तुलनाओं में 15.3% (2024) और 16.5% (2025) में मानव-उत्तीर्ण/AI-असफल विचलन उत्पन्न हुए और विपरीत लगभग कभी नहीं। इसलिए ढाँचा AI-उत्तीर्ण परिणामों को सत्य-मान्य के रूप में स्वीकार करता है और प्रत्येक AI-असफल परिणाम जो किसी उम्मीदवार के नतीजे को बदल सकता है, विशेषज्ञ समीक्षा तक मार्गनिर्देशित करता है — पहले उन उम्मीदवारों को छोड़कर जिनका उत्तीर्ण/अनुत्तीर्ण लेखन अनुभाग पर निर्भर नहीं हो सकता — जिससे पूर्ण मानव स्कोरिंग की आवश्यकता वाली प्रतिक्रियाएँ कम से कम 50% कटती हैं। एक दूसरा 2026 डिज़ाइन सीमा को दूसरी दिशा से खींचता है: एक बहु-एजेंट AI मानकीकृत-रोगी मंच (Yang et al.) में, मानव देखरेख केवल उसी के लिए सुरक्षित है जिसे AI अयोग्य निर्धारित किया गया, जहाँ संकाय और मानव मानकीकृत रोगी संदर्भगत व्याख्या, उपचार और तत्परता निर्णय उपलब्ध कराते हैं, और प्रणाली को स्पष्ट रूप से नैदानिक सक्षमता का स्वायत्त निर्धारण करने की अनुमति नहीं है।

संश्लेषण

मानव-लूप-में डिज़ाइन केवल एक सुरक्षा उपाय नहीं है — यह एक संसाधन-आवंटन रणनीति है। सीमांत प्रश्न यह नहीं है कि मनुष्यों को कहाँ शामिल करना है, बल्कि यह है कि पाइपलाइन में उनके निर्णय की उच्चतम सीमांत मूल्य कहाँ है। सबसे प्रभावी HITL प्रणालियाँ दुर्लभ मानव विशेषज्ञता को वहीं केंद्रित करती हैं जहाँ स्वचालित प्रणालियाँ सबसे कमज़ोर हैं (भ्रामक विकल्प डिज़ाइन, व्याख्यात्मक प्रतिपुष्टि, असामान्य मामलों का निपटारा, नैतिक निर्णय) और बाकी को स्वचालित करती हैं — उत्पादन को बढ़ाते हुए गुणवत्ता, सुरक्षा और विश्वास बनाए रखती हैं।

• AI-सहायित कार्य में मानव देखरेख बनी रहती है। व्यवस्थित-समीक्षा अनुसंधान ने पाया कि AI स्वचालन उपकरणों ने प्रक्रियात्मक बोघ घटाए (जैसे स्क्रीनिंग) लेकिन व्याख्यात्मक निर्णयों को अब भी पर्याप्त मानव देखरेख की आवश्यकता थी; एंड्रैगॉजी अनुसंधान मानव-लूप-में (साझा मानसिक मॉडल, सह-निर्माण) को एक मुख्य AI डिज़ाइन सिद्धांत बनाता है।
• संस्थागत पैमाने पर मानव-लूप-में। Qin (2026) यह वर्णन करता है कि Lingnan University ने एक मानव-लूप-में शैक्षणिक मॉडल कैसे विकसित किया जो नैतिक तर्क, आलोचनात्मक निर्णय और सामाजिक उत्तरदायित्व को अग्रिम रखते हुए GenAI पहुँच का लोकतंत्रीकरण करता है। मॉडल मनुष्यों को निर्णय और मूल्यों का केंद्र बनाता है तब भी जब AI पूरे पाठ्यक्रम में अंतर्निहित होता जाता है — उच्च शिक्षा में मानव-लूप-में सिद्धांतों का एक ठोस संस्थागत उदाहरण।
• अपने ही ट्यूशरिंग में शिक्षार्थी मानव-लूप-में के रूप में। सामुदायिक महाविद्यालय के छात्रों के साथ Value Sensitive Design ने एक ITS के लिए शिक्षार्थी-अभिमुख HITL सुविधाओं का पूरा परिवार उत्पन्न किया (पुनर्मूल्यांकन और समीक्षा पर नियंत्रण, व्यक्तिगत लक्ष्य/गति, समीक्षा के लिए बुकमार्किंग, महारत पर आत्मविश्वास की पुष्टि, और एक AI-सहायता संलग्नता-स्तर नियंत्रण), जो छात्र को अनुकूली निर्णयों के निष्क्रिय उपभोक्ता के बजाय ट्यूशरिंग लूप के सक्रिय नियंत्रक के रूप में स्थापित करता है। अध्ययन ने यह भी पाया कि शिक्षक इस बात पर विभाजित थे कि ऐसा शिक्षार्थी-नियंत्रण प्रणाली-निर्देशित सीखने के मार्ग की अखंडता को कमज़ोर कर सकता है — यह उस व्यापक संसाधन-आवंटन प्रश्न का एक उदाहरण है कि कहाँ मानव (शिक्षार्थी बनाम शिक्षक) निर्णय सबसे अधिक मूल्य जोड़ता है।
• AI से विशेषज्ञ तक एस्केलेशन एक मानव-लूप-में कदम है। SCAN ढाँचा चार जनरेटिव-AI मोडों को शिक्षार्थी की दूरी से कार्य सौंपता है, और सही ढंग से सौंपे गए AI कार्य के भीतर निष्क्रिय संलग्नता को एक mis-skilling संकेत के रूप में पढ़कर शिक्षार्थी को AI से विशेषज्ञ सहायता की ओर स्थानांतरित करता है, एक मानव को ज्ञानमीमांसक ऑडिटर के रूप में रखते हुए (Tsim et al. (2026))।
• AI अपनाने की सलाह की देखरेख। क्योंकि संदेहवादी उपयोगकर्ताओं द्वारा सलाह लिए जाने वाली संवादी AI प्रणालियाँ अपनाने को प्रोत्साहित करने की प्रवृत्ति रख सकती हैं, मानव देखरेख और स्वतंत्र मूल्यांकन आवश्यक हैं। एक ऑडिट जो दिखाता है कि अधिकांश अग्र-मॉडल संदेहवादी ग्रामीण K-12 कर्मचारियों को संलग्नता की ओर मोड़ते हैं, पारदर्शी, ऑडिट-योग्य AI सलाह की आवश्यकता पर बल देता है, आलोचनात्मक निर्भरता के बजाय।

संबंधित अवधारणाएँ

• शिक्षाशास्त्रीय पैटर्न — मानव समीक्षा कहाँ परीक्षित अनुक्रमों में बैठती है, और क्या कभी पृथक रूप से परीक्षित नहीं हुआ
• गार्डरेल
• निर्माणकारक मूल्यांकन
• स्वचालित मूल्यांकन
• मड्गद
• शिक्षण
• AI साक्षरता
• इंटेलिजेंट ट्यूटरिंग
• प्रतिपुष्टि
• छात्र अनुभव
• स्व-नियंत्रित अधिगम
• मेटाकॉग्निशन
• शैक्षिक विकास
• जनरेटिव-AI
• शिक्षार्थी सक्रियता
• पाठ्य-सुरक्षा: शिक्षा में पेडागॉजिकल सेफ्टी
• विश्वास कैलिब्रेशन
• एजेंटिक AI
• संज्ञानात्मक ऑफलोडिंग
• संज्ञानात्मक समर्पण
• छात्र सहायता और सफलता — स्वचालित सहायता प्रवाह के भीतर मानव निर्णय

संबंधित लेख

• Analysing AI utilisation in education through learner question types: A constructivist approach — विशेषज्ञ-लेबल किया गया प्रश्न वर्गीकरण: मनुष्य लेबलिंग, संवर्धन और त्रुटि विश्लेषण का शासन करते हैं (Lee, Atif & Kang 2026)

• Agentic Generative AI in Higher Education: Perceived Benefits, Risks, and Implications for Learning — एजेंटिक GAI पाठ्यक्रम डिज़ाइन की तीसरी परत के रूप में मानव देखरेख और शासन (Ilieva et al. 2026)

• Value-Sensitive Design in Action: Designing Student-Centered Intelligent Tutoring Systems with Community College Students and Instructors — छात्र-केंद्रित ITS का मूल्य-संवेदनशील डिज़ाइन (ट्यूशरिंग लूप में शिक्षार्थी)

• A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment — बड़े पैमाने के राष्ट्रीय लेखन मूल्यांकन में HITL AI-सहायित स्कोरिंग (Curi et al. 2026)

• AI as Teammate: Rethinking Task Distribution in Medical Training — SCAN ढाँचा: चिकित्सा प्रशिक्षण में AI कार्य वितरण पर पुनर्विचार (Tsim et al. 2026)

• A scoping review of generative AI-powered agentic AI in education: Research landscape, agentic capabilities, and insights from the frontier agent paradigm, exemplified by OpenClaw

• AICoFe: Implementation and Deployment of an AI-Based Collaborative Feedback System for Higher Education

• Calibrating Trustworthiness: Co-Designing Metrics and Visualizations for Evaluating LLMs in Education

• CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation

• Confidence Estimation in Automatic Short Answer Grading with LLMs

• TeachArena: Are Language Agents Ready for Realistic Teaching Work?

• From Evaluated Models to Evaluation Aids: A Multi-Evidence Study of LLM-Based Difficulty Calibration for Programming Examinations

• LLMs Do Not Grade Essays Like Humans — LLM निबंधों को मनुष्यों की तरह ग्रेड नहीं करते (Mathew et al. 2026)

• Adult Learners' Perspectives of AI Applications in Supporting Andragogy — एंड्रैगॉजी के समर्थन में AI अनुप्रयोग (Kim et al. 2026)

• Scaffolding Systematic Reviews in Learning Design and Technology Through Mentoring and AI Integration — मेंटरिंग और AI के साथ व्यवस्थित समीक्षाओं को स्कैफ़ोल्डिंग (Wang 2026)

• AI-assisted, instructor-supervised grading and feedback in higher education: Design and evaluation of an end-to-end pipeline — AI-सहायित शिक्षक-देखरेखित ग्रेडिंग और प्रतिपुष्टि

• Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation — क्या AI विविध छात्र प्रोफ़ाइल के लिए उचित सहायता दे सकता है? एक बड़े पैमाने का मूल्यांकन

• A Feasibility and Implementation Integrity Study of the Community Builder (CoBi): An AI-based Collaboration Support System in K-12 Classrooms

• Assisting the grading of a handwritten general chemistry exam with artificial intelligence

• Bridging technology and education: The use of ChatGPT in grading pharmacy student exams

• Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback

• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — नैदानिक साक्षात्कार प्रशिक्षण के लिए स्कैफ़ोल्डिंग-उन्मुख बहु-एजेंट LLM प्रणाली का मूल्यांकन

• A Tripartite Feedback Framework for AI-Assisted Assessment of Complex Reports in Higher Education — त्रिपक्षीय ढाँचा: ज्ञान-स्थिति के अनुसार प्रतिपुष्टि को क्रमबद्ध करना और AI संलग्नता के पाँच सीमा सिद्धांत (Venetsanos 2026)

• AI-Assisted Social Story Intervention for Special Education: The Design of AdaptED Stories — विशेष शिक्षा के लिए AI-सहायित Social Story हस्तक्षेप: AdaptED Stories का डिज़ाइन

• EduBehaviors: Assertion-based Schemas for Auditable Coding of Educational Dialogues — EduBehaviors: शैक्षणिक संवादों के ऑडिट-योग्य कोडिंग के लिए दावा-आधारित स्कीमा

• From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026 — भावना वर्गीकरण से कार्रवाई-योग्य और उत्तरदायी प्रतिपुष्टि तक: शिक्षण के छात्र मूल्यांकन में NLP का स्कोपिंग समीक्षा और प्रमाण मानचित्र, 2015–2026

• Large language models as grading assistants in public health education: a method-comparison study of essay-style exam assessment — अलग-अलग दिनों पर एक ही LLM ग्रेडिंग पुनरावृत्तियाँ केवल Krippendorff's alpha 0.625 पर पुनरुत्पादित करती हैं

• When Do Undergraduate Students Prefer AI? Insights into AI Scoring and Feedback — स्नातक छात्र उच्च-दांव कार्य के लिए मानव स्कोरिंग और AI को सहायक के रूप में प्राथमिकता देते हैं, प्रतिस्थापन के रूप में नहीं

• What Students Actually Ask: Demand Structure and Automation Potential in a Hybrid Support System — छात्र वास्तव में क्या पूछते हैं: एक संकर सहायता प्रणाली में मांग संरचना और स्वचालन क्षमता

• Rethinking "In-The-Loop" Approaches in Educational AI: A Learning Sciences Perspective — Rethinking "In-The-Loop" Approaches in Educational AI: A Learning Sciences Perspective