इंटेलिजेंट ट्यूटरिंग

इस पृष्ठ पर

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

AI ट्यूटरिंग / इंटेलिजेंट ट्यूटरिंग — व्यक्तिगत, अनुकूली और स्केलेबल निर्देशात्मक सहायता प्रदान करने के लिए AI का उपयोग: शास्त्रीय इंटेलिजेंट ट्यूटरिंग सिस्टम (ITS) से, जो छात्र के ज्ञान का मॉडल बनाते हैं, निर्देश को अनुकूलित करते हैं और समस्या समाधान को स्कैफोल्ड करते हैं, लेकिन LLM पर आधारित संवादी और एजेंट-आधारित ट्यूटर तक। प्रभावशीलता शैक्षणिक डिज़ाइन (मड्गद, फीडबैक की गुणवत्ता, स्वायत्तता का संतुलन) पर निर्भर करती है, केवल मॉडल पर नहीं — देखें Measuring Whether LLM Tutors Teach or Solve: A Diagnostic for Educational Impact और सकरात पद्धति।

विचार करने योग्य प्रश्न

कहा जाता है कि किसी AI ट्यूटर की प्रभावशीलता शैक्षणिक डिज़ाइन — स्कैफोल्डिंग, फीडबैक की गुणवत्ता, स्वायत्तता और मार्गदर्शन के संतुलन — पर निर्भर करती है, न कि अंतर्निहित मॉडल पर। यदि आपको एक चुनना हो, तो कौन-सा डिज़ाइन विकल्प सबसे अधिक निर्धारित करता है कि छात्र वास्तव में सीखता है या नहीं?
शास्त्रीय ITS को सटीकता और पारदर्शिता के लिए प्रशंसित किया जाता है लेकिन अलचीलेपन की आलोचना की जाती है, जबकि LLM ट्यूटर लचीले होते हैं लेकिन भ्रम (hallucinate) कर सकते हैं या सीखने को दरकिनार कर सकते हैं। आपके अनुसार सही संतुलन कहाँ है, और क्यों?
बड़े पैमाने पर फील्ड साक्ष्य में पाया गया कि छात्रों ने एक AI ट्यूटर आज़माया लेकिन शायद ही कभी उसका उत्पादक उपयोग किया — अपने गलती-सत्रों के एक छोटे अंश में ही उसके साथ जुड़े, अक्सर केवल सीधे उत्तर लेते हुए। छात्रों के पास एक शक्तिशाली ट्यूटर होने के बावजूद वे उसे उन तरीकों से क्यों न इस्तेमाल करें जो उनकी सीखने में मदद करते हों?
यह पेज उन पारंपरिक ITS के साथ विरोधाभास दिखाता है जो शिक्षार्थी का मॉडल बनाकर निर्देश को अनुकूलित करते हैं, और उन खुले संवादी ट्यूटरों के साथ जो ऐसा नहीं करते। जब कोई ट्यूटर स्वाभाविक संवाद कर सकता है लेकिन ठीक-ठीक नहीं जानता कि उसने निर्णय क्यों लिया, तो क्या प्राप्त होता है और क्या खोया जाता है?
एक अध्ययन में पाया गया कि AI ने एक "उत्पादक धीमापन" (productive slowdown) पैदा किया — प्रति प्रश्न अधिक समय — लेकिन सीखने में सुधार तभी हुआ जब इसे एक महारत-आधारित कार्यप्रवाह में एम्बेड किया गया जिसने गलतियों को परिणामपूर्ण बनाया। यह इस बारे में क्या सुझाव देता है कि प्रयास की संरचना कैसे बनाई जाए ताकि उसका फल मिले?
यदि संकेत (hint) डिज़ाइन अनजाने में छात्रों को सीखने को दरकिनार करने में सक्षम बना सकता है, तो एक सुविचारित संकेत प्रणाली कैसी दिखेगी जो संघर्ष का समर्थन करे बिना उत्तर खोए?

परिचय

AI ट्यूटरिंग में कृत्रिम बुद्धिमत्ता — विशेष रूप से बड़े भाषा मॉडल और संरचित इंटेलिजेंट ट्यूटरिंग सिस्टम — का उपयोग शिक्षार्थियों को व्यक्तिगत, अनुकूली और स्केलेबल निर्देशात्मक सहायता प्रदान करने के लिए शामिल है। AI ट्यूटर कई रूपों में आते हैं: सोक्रेटिक संवाद में संलग्न संवादी ट्यूटर, समस्या-समाधान का मार्गदर्शन करने वाले स्कैफोल्डेड फीडबैक सिस्टम, सामग्री के क्रम को व्यक्तिगत बनाने वाले अनुकूली शिक्षण मंच और दीर्घकालिक शिक्षार्थी मॉडल बनाए रखने वाले एजेंट-आधारित ट्यूटर। AI ट्यूटरिंग की प्रभावशीलता महत्वपूर्ण रूप से शैक्षणिक डिज़ाइन विकल्पों — स्कैफोल्डिंग, फीडबैक की गुणवत्ता और स्वायत्तता तथा मार्गदर्शन के बीच संतुलन — पर निर्भर करती है, न कि केवल अंतर्निहित मॉडल पर।

ऐतिहासिक रूप से, Mishra et al. ITS को AIED की वंशावली में 1960-70 के दशकों की विशेषज्ञ प्रणालियों और एंडरसन के ACT/ACT-R संज्ञानात्मक ट्यूटर से रिश्ते में रखते हैं, जिनकी संरचित नियंत्रणता पेपर्ट के कंस्ट्रक्शनवाद के विपरीत थी।

शिक्षार्थी-मॉडलिंग परिवार में ITS

इंटेलिजेंट ट्यूटरिंग शिक्षार्थी मॉडलिंग और अनुकूली निर्देश परिवार का शास्त्रीय अनुप्रयोग-पक्ष सदस्य है। इसकी मानक वास्तुकला — डोमेन मॉडल, शिक्षार्थी मॉडल और शैक्षणिक मॉडल — ठीक वही "शिक्षार्थी का मॉडल बनाएँ, फिर निर्देश को अनुकूलित करें" पाइपलाइन है जिसका वर्णन यह परिवार करता है। ITS, समस्याओं और स्कैफोल्डेड मार्गदर्शन का चयन करने के लिए ज्ञान अनुरेखण और संज्ञानात्मक निदान द्वारा उत्पादित शिक्षार्थी प्रतिनिधियों का उपभोग करते हैं, और यही कारण है कि ट्यूटरिंग इन मॉडलिंग विधियों से इतनी कसकर जुड़ी हुई है। इस परिवार के भीतर, ITS, अनुकूली शिक्षण (रीयल-टाइम अनुकूलन तंत्र) और व्यक्तिगत शिक्षण (व्यापक लक्ष्य) के साथ-साथ मंचों के रूप में अवस्थित है जो शिक्षार्थी मॉडल को निर्देश में बदलते हैं।

ITS बनाम LLM-आधारित ट्यूटरिंग

LLM के उदय ने ट्यूटरिंग के क्षेत्र में एक उत्पादक तनाव पैदा किया है। पारंपरिक इंटेलिजेंट ट्यूटरिंग सिस्टम (ITS) सटीकता और पारदर्शिता प्रदान करते हैं — आप ठीक-ठीक जानते हैं कि सिस्टम ने कोई विशेष निर्णय क्यों लिया — लेकिन लचीलेपन की कमी है। LLM ट्यूटर स्वाभाविक संवाद और व्यापक ज्ञान प्रदान करते हैं लेकिन भ्रम कर सकते हैं, अति-स्कैफोल्ड कर सकते हैं, या सीखने को पूरी तरह दरकिनार कर सकते हैं। आधुनिक अनुसंधान तेज़ी से संकर दृष्टिकोणों की खोज कर रहा है जो संरचित ITS घटकों को LLM की लचीलेपन के साथ जोड़ते हैं। Reddig, Arora & MacLellan (2025) इसे Apprentice Tutor कॉलेज बीजगणित ITS में ठोस रूप से प्रदर्शित करते हैं: प्रॉम्प्ट के भीतर ट्यूटर के इंटरफ़ेस संरचना और बेज़ियन ज्ञान अनुरेखण कौशल अनुमानों को GPT-4 को देने से गुणनखंडन पर तार्किक-त्रुटि निदान 40% से 81% तक बढ़ा (और समग्र त्रुटि पहचान 87.8% तक) और ~66% त्रुटि-लक्षित संकेत उत्पन्न हुए — यह प्रत्यक्ष साक्ष्य है कि किसी LLM को ITS के संरचित ढाँचे में एम्बेड करने से जनरेशन आधारभूत होता है, भ्रमपूर्ण निदान कम होते हैं, और संदर्भ-जागरूक सुधारात्मक फीडबैक मिलता है, हालाँकि लगभग एक-तिहाई संकेत अभी भी बहुत सामान्य, गलत, या उत्तर-प्रकट करने वाले रहे।

मॉडल में शिक्षण-पद्धति को प्रशिक्षित करना उसे प्रॉम्प्ट करने से एक अलग मार्ग है: LearnLM ने जेमिनी के पोस्ट-ट्रेनिंग में शैक्षणिक डेटा मिश्रित किया, और शिक्षा विशेषज्ञों ने इसे GPT-4o (+31%), Claude 3.5 Sonnet (+11%) और बेस जेमिनी 1.5 प्रो (+13%) के सापेक्ष प्राथमिकता दी — और, क्योंकि या बाद में फाइन-ट्यून नहीं बल्कि सह-प्रशिक्षित किया गया था, यह लाभ भविष्य के बेस-मॉडल रिलीज़ में भी बने रहते हैं (LearnLM टीम (2025)).

TeachLM का तर्क है कि दुर्लभ घटक प्रामाणिक शिक्षार्थी–ट्यूटर संपर्क है: इसे एक-पर-एक ट्यूटरिंग के 100,000 घंटों पर फाइन-ट्यून किया गया, और इसने छात्रों के बोलने के समय को लगभग दोगुना किया तथा संवाद अवसरों को 50% बढ़ाया, जबकि एक पहले के प्रॉम्प्ट-इंजीनियर्ड ट्यूटर मानव ट्यूटरों के साथ की खाई को पाट नहीं पाया था (Perczel, Chow & Demszky (2025)).

इंटेलिजेंट ट्यूटरिंग सिस्टम AI in education के सबसे पुराने और सबसे अधिक शोधित क्षेत्रों में से एक हैं। सामान्य-उद्देशीय LLM ट्यूटरों के विपरीत, ITS पारंपरिक रूप से संरचित दृष्टिकोणों का उपयोग करते हैं: डोमेन मॉडल (क्या पढ़ाना है), शिक्षार्थी मॉडल (शिक्षार्थी क्या जानता है), और शैक्षणिक मॉडल (कैसे पढ़ाना है)। ये घटक छात्र की प्रगति का सूक्ष्म-स्तरीय ट्रैकिंग, भ्रांति निदान और अनुकूली अनुक्रमण को सक्षम बनाते हैं।

मुख्य ITS अनुसंधान

एक ट्यूटरिंग मंच के माइक्रो-रैंडमाइज़्ड परीक्षण: Harrison et al. (2026) ने GCSE जीवविज्ञान, रसायन विज्ञान और भौतिकी में मेडली (Medly) का चार-सप्ताह का बहु-केंद्र, व्यक्तिगत-रूप से यादृच्छिकीकृत मूल्यांकन चलाया, जिसमें 929 में से 644 छात्रों ने पोस्ट-परीक्षण पूरा की; मंच पर आवंटन ने व्यवसाय-सामान्य स्व-निर्देशित पुनरावृत्ति के सापेक्ष Hedges' g = 0.33 (95% CI 0.18 से 0.48) दिया, तीनों विषयों में सकारात्मक अनुमान और असुविधा के आधार पर प्रभाव में अंतर का कोई साक्ष्य नहीं (प्यूपिल प्रीमियम g = 0.35 बनाम गैर-प्यूपिल प्रीमियम g = 0.28)।
संकेत बटन अनुसंधान दिखाता है कि पारंपरिक ITS संकेत डिज़ाइन अनजाने में बायपास रणनीतियों को सक्षम बना सकता है, जिससे अधिक परिष्कृत मड्गद दृष्टिकोणों की माँग होती है।
DeepTutor: Towards Agentic Personalized Tutoring एक पूर्ण ओपन सोर्स एजेंटिक ट्यूटरिंग ढाँचा प्रदान करता है जिसमें उद्धरण-आधारित ट्यूटरिंग और कठिनाई-अनुरूप प्रश्न निर्माण शामिल है।
व्याख्यायोग्य नॉलेज ट्रैसिंग अपारदर्शिता की समस्या का समाधान करती है, क्योंकि यह LLM लॉजिट्स से व्याख्यायोग्य संज्ञानात्मक मात्राएँ उत्पन्न करती है।
संलग्नता और संरचना, न कि क्षमता, बाध्यकारी बाधाएँ हैं (बड़े पैमाने पर फील्ड साक्ष्य): खानमिगो (Oreopoulos & Low 2026) — 18 मिडिल स्कूलों में एक दो-वर्षीय क्लस्टर यादृच्छिक नियंत्रित परीक्षण (RCT) — ने पाया कि 96% छात्रों ने AI ट्यूटर आज़माया, लेकिन मध्यिका ने उसके साथ केवल ~17% गलती-सत्रों में ही संलग्न हुआ (मुख्यतः केवल उत्तर या प्रॉम्प्ट क्लिक), इसलिए लाभ (~0.06–0.08 SD) AI के बिना अभ्यास के बराबर थे। NUMI (Oreopoulos et al. 2026) ने पाया कि AI ने एक "उत्पादक धीमापन" पैदा किया — प्रति प्रश्न अधिक समय और गलती-पश्चात सुधार में सुधार — लेकिन विलंबित सीखने में विश्वसनीय सुधार तभी हुआ जब इसे एक महारत-आधारित कार्यप्रवाह में एम्बेड किया गया जिसने गलतियों को परिणामपूर्ण बनाया। सबक: AI ट्यूटरिंग का मूल्य छात्रों को उसका उत्पादक उपयोग कराने और प्रयास का फल मिलने के लिए इसकी संरचना बनाने पर निर्भर करता है, कच्ची मॉडल क्षमता से अधिक।(Virtual Tutoring with Computer-Assisted Learning: An Experiment in Take-Up and Learning)
एक ट्यूटरिंग मंच कमज़ोर बैकबोन की मदद करता है लेकिन मज़बूत को नुकसान भी पहुँचा सकता है। RegulaTutor (Li et al. 2026) एक मॉडल को साक्ष्य-संबद्ध, SRL-आधारित चरणों में लपेटता है और चार स्थानीय जाँच-बिंदुओं पर ऐतिहासिक-साक्ष्य सटीकता में औसतन 25.7 अंक बढ़ाया। शिक्षण की न्यायित गुणवत्ता मात्र हिली (+0.016), और परखे गए सबसे मज़बूत बैकबोन (GPT-5.6-sol) पर साक्ष्य लाभ उलट गए (−4.87 अंक)।
OBE ट्यूटरों के लिए परिणाम-आधारित नॉलेज ट्रैसिंग। Pradeesh et al. (2026) एक पुनरावृत्त मॉडल से Outcome-Based-Education पाठ्यक्रम परिणामों की छात्र महारत का अनुसंधण करते हैं, जो सीखे गए संकल्पना संबंधों को पाठ्यक्रम-सत्यापित OBE "एफिनिटी मैपिंग" से बदलता है — पाठ्यक्रम और कार्यक्रम परिणामों के बीच — और पार-परिणाम प्रभाव के लिए मेमोरी ऑगमेंटेड न्यूरल नेटवर्क जोड़ता है। इसने लाइव इंजीनियरिंग-कार्यक्रम डेटा पर 89.81% AUC प्राप्त किया, DKT, DKVMN, EKT और SimpleKT बेसलाइन को हराया — यह एक महारत संकेत है जो किसी कार्यक्रम के अपने परिणामों से संरेखित है और परिणाम-आधारित ट्यूटरिंग में अनुकूली समस्या चयन को चला सकता है।
भविष्य के सत्रों पर महारत मॉडल को मान्य करें, पुनरावलोकन-फिट पर नहीं। ITS द्वारा समस्याओं के चयन के लिए उपयोग किए जाने वाले महारत अनुमान समय के साथ सामान्यीकृत नहीं हो सकते: Schuetze, Yan, और Carvalho (2025) ने पाया कि BKT, BKT-with-Forgetting और AFM सीखने की प्रवृत्तियों को केवल तब पुनरुत्पादित करते हैं जब उन्हें एक क्रमिक-पुनर्शिक्षण डेटासेट के सभी सत्रों के लिए पुनरावलोकन रूप से फिट किया जाता है — लेकिन समय-आधारित क्रॉस-वैलिडेशन के तहत (एक सत्र पर प्रशिक्षण लेकिन अगले की भविष्यवाणी, यानी वास्तविक ट्यूटरिंग सेटिंग) वे प्रदर्शन को 47–58% अधिक आँकते हैं, अंतराल प्रभाव को पकड़ने में विफल रहते हैं, और अभ्यास शर्तों को गलत क्रम में रख सकते हैं। ऐसे अनुसंधकों पर भरोसा करने वाले ट्यूटरों का मूल्यांकन वॉक-फ़ॉरवर्ड किया जाना चाहिए और प्रतिधारण अंतराल तथा सत्रों के बीच विस्मरण को ध्यान में रखना चाहिए, न कि यह मान लेना चाहिए कि महारत बनी रहती है।
असंरचित, हस्तलिखित-समाधान समस्याओं पर गलतियों का निदान। Arthur (Yin et al. 2026) एक इंजीनियरिंग अर्थशास्त्र पाठ्यक्रम में कैलकुलेटेड फ़ॉर्मूला प्रश्नों पर ITS-शैली के फीडबैक का विस्तार करता है, एक ऐसा क्षेत्र जहाँ पेन-एंड-पेपर समाधानों में वह संरचित डिजिटल डेटा नहीं होता जिस पर पिछला AI ट्यूटरिंग काम निर्भर था। एक सामान्य-उद्देशीय LLM के बजाय, प्रत्येक प्रश्न को अपना समर्पित XGBoost "समाधान निदान रीढ़" मिलता है — क्यूरेटेड, यादृच्छिक-मास्किंग-संवर्धित ग्रेडेड सबमिशन पर प्रशिक्षित, केवल छात्रों के जमा किए नंबरों से प्रशिक्षक रूब्रिक गलती लेबल की भविष्यवाणी करने के लिए (precision 0.81, recall 0.79) — जो एक संवाद-आधारित इंटरैक्शन से जोड़ा गया है, जो मध्यवर्ती उत्तरों की पुनरावृत्ति माँग तभी करता है जब निदान विश्वास 0.8 सीमा से नीचे गिरता है। यह ज्ञान आधार के उस सिद्धांत का एक ठोस उदाहरण है कि एक ज्ञान-आधारित वर्गीकर्ता समाधान निदान संभाल सकता है वहाँ भी जहाँ पूर्ण लिखित समाधान उपलब्ध न हों।
पृष्ठभूमि मूल्यांकक के साथ टर्न-स्तरीय अनुकूली ट्यूटरिंग। MeduAI-SP ट्यूटर एजेंट (Yang et al., 2026) टर्न-स्तरीय अनुकूली ट्यूटरिंग का उदाहरण है: एक पृष्ठभूमि मूल्यांकक ने प्रत्येक छात्र उच्चारण को 30-वस्तु OLDCARTS-लिंक्ड इतिहास चेकलिस्ट और संचार मानदंडों के विरुद्ध निगरानी किया, और केवल आवश्यक होने पर ही प्रॉम्प्ट ट्रिगर किए (4,815 संदेशों में से 24.1%)। कॉर्पस विश्लेषण ने उजागर किया कि ऐसी सहायता सबसे अधिक कहाँ ज़रूरी है — छात्र बोली 62.2% वर्तमान बीमारी के इतिहास की थी लेकिन सहानुभूतिपूर्ण/सहायक संचार केवल 4.3% और शारीरिक परीक्षण 2.6% — यह सुझाव देते हुए कि ITS-शैली के नैदानिक ट्यूटरों को लक्षण एकत्र करने के बजाय कम-उपयोग किए गए परामर्श घटकों और देर से आने वाले तर्क चरणों को लक्षित करना चाहिए, और यह कि सिम्युलेटेड-रोगी निष्ठा परिणाम अनुसंधान के लिए पर्याप्त ऊँची है (केवल ~0.68% रोगी उच्चारणों में स्पष्ट निष्ठा समस्याएँ दिखीं)।
कक्षा की अपनी शिक्षण-पद्धति से बना एक AI ट्यूटर ने उस कक्षा को पछाड़ दिया: सक्रिय शिक्षण के विरुद्ध एक RCT। हार्वर्ड के सबसे बड़े प्राथमिक भौतिकी पाठ्यक्रम में एक क्रॉसओवर यादृच्छिक नियंत्रित परीक्षण (RCT) (194 पात्र छात्र), एक कस्टम ट्यूटर जिसे इन-कक्षा पाठों के समान सात अनुसंधान-आधारित प्रथाओं से इंजीनियर किया गया था, ने पाठ्यक्रम के इन-कक्षा सक्रिय शिक्षण के सापेक्ष 3.5 के मुकाबले 4.5 का मध्यिका पोस्ट-टेस्ट दिया (बेसलाइन मध्यिका 2.75), रेखीय प्रतिगमन से 0.63 का प्रभाव आकार, कक्षा में 60 के मुकाबले कार्य पर मध्यिका 49 मिनट, अधिक रिपोर्टेड संलग्नता (4.1 बनाम 3.6) और प्रेरणा (3.4 बनाम 3.1) के साथ (Kestin et al., 2025।) लेखक इस लाभ को उन दो प्रथाओं में रखते हैं जिन्हें एक कक्षा नहीं बनाए रख सकती — माँग पर व्यक्तिगत फीडबैक और स्व-गति — और चेतावनी देते हैं कि ट्यूटर इन-कक्षा निर्देश का पूरक होना चाहिए, प्रतिस्थापन नहीं।
विशेषज्ञ मानव ट्यूटरिंग के साथ सांख्यिकीय समतुल्यता। 2,383 वयस्कों के 2,469 सत्रों में, संयुक्त AI ट्यूटरिंग ने GRE शिक्षण लाभ पर लाइव एक-पर-एक विशेषज्ञ मानव ट्यूटरिंग से मेल खाया (p=.015, ±0.25-SD सीमाओं के विरुद्ध; समायोजित अंतर -0.58 प्रतिशत बिंदु) और दोनों ने वीडियो नियंत्रण को लगभग छह बिंदु से हराया; बारह में से छह ट्यूटर व्यक्तिगत समतुल्यता परीक्षणों में उत्तीर्ण हुए, जेम्मा 4 31B प्रति प्रतिशत बिंदु 918× कम लागत पर मानव लाभ से मेल खाया (Northcutt et al. (2026))।
शिक्षक मध्यस्थता कार्यान्वयन निष्ठा को लगभग दोगुना करती है (पूर्ण-जिला फील्ड साक्ष्य): Goblins (Alam et al. 2026) — एक शिक्षक-मध्यस्थ बहु-माध्यम AI गणित मंच जो एक बड़े एरिज़ोना जिले के सभी कक्षा 6–8 गणित शिक्षकों में लागू किया गया — 6,065 छात्रों में से ~51% तक पहुँचा, एक मामूली 2-समस्याएँ-प्रति-सप्ताह संलग्नता बार पर, बनाम पूर्व मूल्यांकनों में 5% (खान एकेडमी) और 12% (IXL) सीमाओं के।
एक LLM ट्यूटर का प्रॉम्प्ट-आधारित सूक्ष्म-व्यक्तिगतकरण (2026): Basu, Kakar & Goel (2026) जिल वाटसन बड़े भाषा मॉडल (LLMs)/RAG (रिट्रीवल-ऑगमेंटेड जनरेशन) शिक्षण सहायक को पूरी तरह प्रॉम्प्ट इंजीनियरिंग के माध्यम से व्यक्तिगत प्रश्नों के स्तर पर व्यक्तिगत बनाते हैं — छह शिक्षार्थी आयामों (मेटाकॉग्निटिव स्व-मूल्यांकन, अमूर्तता, वाचालता, धारणा, प्रसंस्करण, समझ) पर प्रतिक्रियाओं को कंडीशन करना और एक Bloom के वर्गीकरण वर्गीकर्ता से प्रत्येक प्रश्न के संज्ञानात्मक माँग को वर्गीकृत करना, बिना किसी मॉडल पुनःप्रशिक्षण के 96 शिक्षार्थी प्रोफ़ाइल उत्पन्न करते हुए। 2,910 प्रतिक्रियाओं का NLP विश्लेषण और एक मानव अध्ययन ने प्रतिक्रिया अमूर्तता, वाचालता, जटिलता और प्रसंस्करण शैली में मापने योग्य, अनुभवजन्य अंतर पाए जो इच्छित प्रभावों से संरेखित थे। यह प्रतिक्रिया-रूप (सामग्री के बजाय) अनुकूलन को एक तैनात ट्यूटर में अनुकूली व्यवहार का एक स्केलेबल, मॉड्यूलर मार्ग के रूप में प्रदर्शित करता है।

मुख्य ITS संकल्पनाएँ

ज्ञान अनुरेखण — समय के साथ यह मॉडलिंग कि छात्र क्या जानता है (बेज़ियन, डीप लर्निंग, IRT-आधारित)
संज्ञानात्मक निदान — यह सूक्ष्म-स्तरीय मूल्यांकन कि शिक्षार्थी के पास कौन-से ज्ञान घटक और एआई के बारे में गलतफहमियाँ हैं; ट्यूटर की शैक्षणिक निर्णय को खिलाने वाला ज्ञान अनुरेखण का मूल्यांकन-पक्ष counterpart
शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण — व्यापक शिक्षार्थी प्रतिनिधित्व जिसमें प्रभाव, संलग्नता और भ्रांतियाँ शामिल हैं
अनुकूली अधिगम — शिक्षार्थी की स्थिति के आधार पर सामग्री के क्रम को व्यक्तिगत बनाने वाली प्रणालियाँ
मड्गद — उत्तर खोए बिना प्रगति सक्षम करने के लिए ठीक-ठीक पर्याप्त सहायता प्रदान करना
उत्पादक संघर्ष — अति-सहायता के बजाय छात्रों को कठिनाई से जूझने देना
फीडबैक लूप — ITS फीडबैक चक्र जो निदान करते हैं, मार्गदर्शन करते हैं और सत्यापित करते हैं

ऐतिहासिक संदर्भ

ITS क्षेत्र ने स्थलाकृति प्रणालियाँ (संज्ञानात्मक ट्यूटर, एंडीज़, ऑटोट्यूटर) तैयार की हैं और विकसित होता रहा है। Zerkouk et al. का व्यापक ITS समीक्षा इस विकास का विवरण देता है। संरचित ITS और खुले LLM ट्यूटरिंग के बीच तनाव का पता सही उत्तर जाल अनुसंधान और LLM ट्यूटरों के लिए स्कैफोल्डिंग पर पुनर्विचार में लगाया गया है।

LLM के साथ AI ट्यूटरिंग: व्यावहारिक मार्गदर्शन

AI ट्यूटर तैनात करने वाले प्रशिक्षकों और उन्हें बनाने वाले डेवलपर्स के लिए, ज्ञान आधार की खोजें ठोस अभ्यास में बदलती हैं:

ट्यूटरों का मूल्यांकन इस आधार पर करें कि वे सिखाते हैं या नहीं, न कि केवल हल करते हैं। कोई भी मॉडल जो हल-लीडरबोर्ड में शीर्ष पर है, ज़रूरी नहीं कि अच्छा ट्यूटर हो — कार्य-हल क्षमता और शिक्षण-सहायक व्यवहार केवल आंशिक रूप से सहसंबद्ध होते हैं (r ≈ 0.42), और कई मॉडल शिक्षण-पद्धति पर स्कोर होने पर क्रम बदल देते हैं। हल और शिक्षण-पद्धति स्कोर अलग-अलग रिपोर्ट और जाँचें, और उन ट्यूटरों को प्राथमिकता दें जो मार्गदर्शक प्रश्नों, कैलिब्रेटेड संकेतों और गैर-प्रकट स्कैफोल्डिंग पर स्कोर करते हैं, न कि उन्हें जो तेज़ उत्तर देते हैं।(Measuring Whether LLM Tutors Teach or Solve: A Diagnostic for Educational Impact)(Methodologies for Improving the Quality of AI Tutoring in K-12 Education)

शैक्षणिक गुणवत्ता एक फ़र्श है, सीखने का प्रमाण नहीं। 88 LLM-ट्यूटरिंग अध्यायनों का एक संरचित ऑडिट, जो क्षेत्र को एक पाँच-चरणीय लूप — शिक्षार्थी-अवस्था अनुमान, शैक्षणिक कार्य, ट्यूटर प्रशिक्षण, मूल्यांकन, छात्र सिमुलेशन — के रूप में कोड करता है, पाता है कि शैक्षणिक मूल्यांकन व्यापक है (77/88) लेकिन मानव सीखने के लाभ केवल 10 अध्ययनों में और स्थानांतरण या विलंबित प्रतिधारण एक में (Adak et al. (2026))।
एक बड़े बहु-विषय यादृच्छिकीकृत परीक्षण ने एक सुविचारित ट्यूटर से प्रतिकूल प्रभाव पाए। Liu et al. (2026) ने एक अमेरिकी सार्वजनिक विश्वविद्यालय के 12 विद्यालयों में से 11 में, 13 ब्लॉक में 2,379 स्नातक छात्रों और 30 प्रशिक्षकों को प्रत्येक प्रशिक्षक के अपने पाठ्यक्रम सामग्रियों पर पुनर्प्राप्ति के साथ एक GPT-4o ट्यूटर तक पहुँच दी, जो LMS में एम्बेड की गई थी, स्लाइड और व्याख्यान-वीडियो टाइमस्टैम्प के उद्धरणों के साथ। सटीक-मिलान नमूने में — एक ही पाठ्यक्रम के अनुभाग — पहुँच ने अंतिम ग्रेड 4.12 अंकों (0.37 SDs) और GPA-स्केल अक्षर ग्रेड 0.13 SDs तक घटाए, जबकि पूर्ण नमूने में उपलब्धि पर कोई महत्वपूर्ण प्रभाव नहीं था; संलग्नता दोनों नमूनों में गिरी (दर्ज सहभागिताएँ −0.90 SDs, सक्रिय दिन −0.51 से −0.61 SDs)। केवल ~15% उपचारित छात्रों ने उपकरण का उपयोग किया और उपयोगकर्ताओं ने औसतन लगभग चार सत्र किए, फिर भी कक्षा-स्तरीय व्यवहार अंतर बड़े थे, और 3,460 वर्गीकृत अनुरोधों में से 73.8% प्रत्यक्ष-उत्तर अनुरोध थे, न कि अभ्यास या छात्र के अपने प्रयास पर फीडबैक। लेखक इसे एक तकनीकी-बनाम-निर्देशात्मक एकीकरण खाई के रूप में पढ़ते हैं: किसी उपचार-समूह प्रशिक्षक ने उपकरण को असाइनमेंट में एकीकृत करने की सूचना नहीं दी और अधिकांश ने इसे डिफ़ॉल्ट प्रत्यक्ष-निर्देश मोड में छोड़ा, इसलिए पाठ्यक्रम आधारभूतता और सुविधाजनक पहुँच ने उत्पादक उपयोग उत्पन्न नहीं किया।

बारंबारता के लिए नहीं, शैक्षणिक संरचना के लिए डिज़ाइन करें। AI ट्यूटरिंग का शैक्षिक लाभ इस बात पर निर्भर करता है कि उपकरण का उपयोग कैसे किया जाता है और इसे कैसे डिज़ाइन किया गया है, न कि इस बात पर कि इसका उपयोग कितनी बार किया जाता है। पाठ्यक्रम उद्देश्यों, शिक्षार्थी दक्षता और क्यूरेटेड ज्ञान आधार तक सीमित प्रशिक्षक-डिज़ाइन किए गए ट्यूटर, असंरचित सामान्य-उद्देशीय चैटबॉट उपयोग से बेहतर प्रदर्शन करते हैं।(Instructor-Designed AI Tutors in University Foreign Language Education: A Mixed-Methods Study of Learner Motivation and Reflective Learning Experience Based on Self-Determination Theory) एक पूर्व-पंजीकृत यादृच्छिकीकृत फील्ड प्रयोग ने इस दावे को यथार्थवादी विकल्प के सापेक्ष परखा, न कि AI-रहित बेसलाइन के सापेक्ष: एक ऑनलाइन-MBA कॉर्पोरेट-फाइनेंस मॉड्यूल में 86 छात्रों को या तो मॉड्यूल के अपने व्याख्यान, पाठ्य सामग्री और समस्या सेटों में आधारित एक ट्यूटर दिया गया, या एक होल्डआउट जिसने उपभोक्ता AI को स्वतंत्र रूप से उपलब्ध रखते हुए मानक संसाधन बनाए रखे, और ट्यूटर किए गए छात्रों ने 55 में से 6.63 अधिक अंक अर्जित किए (95% CI [+1.95, +11.31], p = .007), जबकि संबंधी गुणवत्ता या बेहतर पर छोटे लिखित उत्तरों का हिस्सा 8% से 49% तक बढ़ा, बनाम 8% से 27%। चैनल शून्य मार्जिन थी — आवाज ने इंटरैक्शन घनत्व को लगभग दोगुना किया और वितरण में 2.8× अधिक खर्च हुआ, फिर भी साप्ताहिक महारत −0.01 अंकों (11 में से) में भिन्न रही (p = .98) — जिससे वितरण प्रारूप एक अपनाने और संलग्नता लीवर बनता है, शिक्षण प्रौद्योगिकी नहीं। होल्डआउट ने खाई भी नहीं पाटी: बाह्य-AI उपयोग रिपोर्ट करने वाले नौ छात्रों ने किसी उपयोग रिपोर्ट न करने वाले आठ छात्रों से अधिक नहीं अर्जित किया (55 में से +10.3 बनाम +12.8, p = .45)।

सुधार जारी रखने के लिए पुनरावृत्त लाइव मूल्यांकन का उपयोग करें। क्योंकि LLM अपारदर्शी हैं, मूल्यांकन को सुधार का इंजन मानें: गुणवत्ता और संलग्नता मीट्रिक के एक छोटे सेट को इंस्ट्रूमेंट करें, मॉडल, प्रॉम्प्टिंग, व्यक्तिगतकरण और एजेंटों पर लाइव प्रयोग चलाएँ, और डेटा को बदलाव चलाए दें — वही अनुशासन जो खान अकादमी अपने K-12 ट्यूटर (खानमिगो) पर लागू करता है।(Methodologies for Improving the Quality of AI Tutoring in K-12 Education)

शिक्षार्थी की स्वायत्तता, दक्षता और संबद्धता का समर्थन करें। AI ट्यूटर सबसे अच्छा काम तब करते हैं जब वे एक सुरक्षित, संरचित अभ्यास स्थान जैसे महसूस करें, एक उत्तर मशीन जैसे नहीं। तत्काल, गैर-आलोचनात्मक प्रतिपुष्टि प्रदान करें; ट्यूटर को शिक्षार्थी के स्तर तक सीमित करें ताकि दक्षता प्राप्त करने योग्य हो; और ट्यूटर को अन्य निर्देश का पूरक (प्रतिस्थापन नहीं) रखकर शिक्षार्थी की कार्यशीलता संरक्षित करें।(Instructor-Designed AI Tutors in University Foreign Language Education: A Mixed-Methods Study of Learner Motivation and Reflective Learning Experience Based on Self-Determination Theory)

उत्तर प्रकटीकरण के विरुद्ध सावधानी बरतें। LLM ट्यूटरिंग का केंद्रीय विफलता मोड उत्तर दे देना है, जो तत्काल प्रदर्शन को बढ़ाता है लेकिन टिकाऊ सीखने को कमज़ोर करता है। सोक्रेटिक प्रॉम्प्टिंग, कैलिब्रेटेड संकेत और गैर-प्रकट स्कैफोल्डिंग का उपयोग करें — और परिणामों को बिना-सहायता, स्थानांतरण कार्यों पर मापें, न कि केवल टूल-अंतर्गत प्रदर्शन पर।(Measuring Whether LLM Tutors Teach or Solve: A Diagnostic for Educational Impact)(सकरात पद्धति)

निदान को फीडबैक से अलग करें। LLM ट्यूटर विश्वसनीय रूप से सही चरणों की पुष्टि करते हैं लेकिन वैध-लेकिन-अनुकूलित नहीं तर्क को अति-अस्वीकार करते हैं और गलत समाधानों को अति-मान्य करते हैं — और सटीक निदान विश्वसनीय रूप से कार्रवाई योग्य फीडबैक नहीं देता।(Confirming Correct, Missing the Rest: LLM Tutoring Agents Struggle Where Feedback Matters Most) युग्मन दूसरी दिशा में भी काटता है: Reddig et al. (2025) ने पाया कि GPT-4 ने कभी-कभी ~74% समय प्रासंगिक, सामान्य-लेकिन-सही फीडबैक तैयार किया, एक त्रुटि का गलत निदान करने के बाद भी (संकल्पना या अपेक्षित उत्तर प्रारूप को फिर से बोलकर), फिर भी लगभग सभी तथ्यात्मक रूप से गलत फीडबैक गलत निदान के बाद आया — इसलिए त्रुटि पहचान कार्रवाई योग्य ट्यूटरिंग का सार बनी रहती है। एक संकर वास्तुकला सबसे अच्छा काम करती है: एक ज्ञान-आधारित वर्गीकर्ता को समाधान निदान संभालने दें जबकि LLM खुले स्कैफोल्डिंग और संवाद पर केंद्रित रहता है।

निष्पक्षता ऑडिटिंग ट्यूटर मूल्यांकन का हिस्सा बन रही है। EduFair-Bench सिम्युलेटेड छात्र को स्थिर रखता है और केवल जनसांख्यिकीय गुणों को बदलता है, यह दिखाते हुए कि ट्यूटरिंग गुणवत्ता शिक्षार्थियों में समान नहीं है और इनाम-ट्यूनिंग शिक्षण-पद्धति उन अंतरों को स्वतः हटाती नहीं है (EduFair-Bench: Evaluating Pedagogical Fairness of LLM Tutors Across Student Demographics)।
अधिक स्कैफोल्डिंग और अधिक संदर्भ स्वतः बेहतर नहीं हैं। 132 प्राथमिक Python छात्रों के साथ एक 2×2 यादृच्छिकीकृत परीक्षण ने चार GPT-4o शिक्षण सहायकों की तुलना की जो केवल सिस्टम प्रॉम्प्ट और आपूर्ति किए संदर्भ में भिन्न थे, और पूर्ण समस्या संदर्भ के साथ सोक्रेटिक सहायक — शैक्षणिक अंतर्ज्ञान के सबसे करीब व्यवस्था — को कार्य पूर्णता के समर्थन में उल्लेखनीय रूप से कम रेट किया गया (माध्य रैंक 48.63, μ = 3.53) बनाम बाकी तीन (χ²(3) = 12.14, p = .007)। सोक्रेटिक स्थितियों ने अधिक प्रश्न भेजे (प्रति समस्या μ = 11.1, संदर्भ के बिना) जबकि बिना-संदर्भ छात्रों ने लंबे संदेश लिखे, स्वयं संदर्भ कार्य किया, और पूर्ण-समझ पोस्ट-कार्य व्याख्याओं का सबसे कम हिस्सा (48%) तथा सबसे अधिक बाह्य-LLM उपयोग (23%) भी सोक्रेटिक + पूर्ण संदर्भ स्थिति में गिरा (Eastwood et al. 2026)।

संबंध-तीव्रता के रूप में AI ट्यूटरिंग का एक स्पेक्ट्रम

स्टैनफ़ोर्ड SCALE / NSSA संक्षिप्त (Turano et al. 2026) से एक एकीकृत लेंस AI ट्यूटरिंग को कोई एकरूप नहीं बल्कि एक स्पेक्ट्रम के रूप में फिर से तैयार करता है जो संबंध-तीव्रता से परिभाषित है — छात्र और ट्यूटर के बीच मानव संबंध की गहराई और निरंतरता। यह संक्षिप्त मॉडल को पूर्ण मानव-निर्देशित ट्यूटरिंग (व्यक्तिगत या दूरस्थ) से मैप करता है, AI समर्थन के साथ मानव-निर्देशित (AI पर्दे के पीछे ट्यूटर की सहायता करता है) और मानव समर्थन के साथ AI-निर्देशित (एक मानव निगरानी और हस्तक्षेप करता है) से, केवल-AI ट्यूटरिंग (कोई प्रत्यक्ष मानव निरीक्षण नहीं) तक। केंद्रीय खोज: जैसे-जैसे प्रत्यक्ष मानव संबंध घटते हैं, साक्ष्य आधार पतला होता जाता है, और छात्र सुरक्षा, विकासात्मक प्रभाव और दीर्घकालिक प्रभावशीलता के बारे में अनसुलझे प्रश्न जमा होते हैं।

AI मानव-प्रभावशाली ट्यूटरिंग को बढ़ाता है, प्रतिस्थापित नहीं करता। संक्षिप्त का मुख्य संदेश है कि AI का सबसे अच्छा उपयोग मानव-प्रभावशाली ट्यूटरिंग के भीतर ट्यूटर प्रभावशीलता और शिक्षक क्षमता बढ़ाने के लिए है (नियमित स्कूल-दिवस सत्र, छोटे-समूह अनुपात ≤ 1:4, अच्छी तरह प्रशिक्षित सुसंगत ट्यूटर, डेटा-चालित निर्देश, जाँचे गए सामग्री, मज़बूत छात्र-ट्यूटर संबंध) — न कि उस मानव-निर्देशित संबंध का प्रतिस्थापन करने के लिए जो शिक्षण लाभ को चलाता है। यह ज्ञान आधार की व्यापक खोज से संरेखित है कि शैक्षणिक रूप से डिज़ाइन किए गए AI ट्यूटर सामान्य-उद्देशीय चैटबॉट से बेहतर प्रदर्शन करते हैं (स्टैनफ़ोर्ड साक्ष्य आधार, छातरी समीक्षा)।
डोज़, न कि मॉडल क्षमता, बाध्यकारी बाधा है। संक्षिप्त रिपोर्ट करता है कि AI-निर्देशित ट्यूटरिंग डोज़ साक्ष्य आधार (~साप्ताहिक 90 मिनट) को तभी विरासत में लेता है जब इसे अनुसूचित, निरीक्षित और स्कूल-दिवस के भीतर संरक्षित किया जाता है; एक पूरक गणित मंच पर 181,000 छात्रों के अध्ययन में, केवल 5% अनुशंसित मिनट तक पहुँचे और 41% ने कभी लॉग-इन नहीं किया, जिसमें उपयोग विचलन का 57% शिक्षक/विद्यालय/ज़िले कारकों ने समझाया। यह ऊपर के फील्ड-प्रयोग साक्ष्य के साथ मिलता है (खानमिगो, NUMI) कि संलग्नता और एकीकरण, न कि कच्ची क्षमता, यह निर्धारित करती हैं कि AI ट्यूटरिंग मदद करती है या नहीं।
मानव निरीक्षण संलग्नता और संरेखण में सुधार करता है लेकिन डोज़ में नहीं। संक्षिप्त के RCTs ने पाया कि मानव चेक-इन ने प्राथमिक छात्रों की AI मंच के साथ संलग्नता बढ़ाई लेकिन न लाभ से संबद्ध डोज़ तक पहुँचा और न पढ़ने की उपलब्धि में सुधार किया। व्यावहारिक निहितार्थ: AI ट्यूटरिंग को मानव-निर्देशित ट्यूटरिंग के समान शर्तों पर अनुसूचित और निरीक्षित करें, और संलग्नता के प्रवर्तन के लिए डिज़ाइन करें — ऑप्ट-इन आवश्यकता जो ऑन-डिवाइस AI ट्यूटर फिर से लाता है, ठीक वही है जो लाइव स्कूल-दिवस ट्यूटरिंग समाप्त कर देती है।
संबंध अपरिहार्य तत्व है। संक्षिप्त इस बात पर ज़ोर देता है कि AI अभी मानव संबंधों की नकल नहीं करता, और संबंध-निर्माण (विशेष रूप से सुसंगत ट्यूटर-छात्र युग्मन) संलग्नता, उपस्थिति, प्रेरणा और परिणामों में सुधार करता है। डेवलपर AI की ताकतों का उपयोग करने का वर्णन करते हैं, संबंधों को बदलने के बजाय — एक डिज़ाइन रुख जो SafeTutors और प्रभावी ट्यूटरिंग अनुसंधान में प्रतिध्वनित होता है।
सुरक्षा और गोपनीयता अपरिहार्य गार्डरेल हैं। सीधे-छात्र AI के लिए, संक्षिप्त कड़े छात्र डेटा गोपनीयता सुरक्षा, छात्र सुरक्षा पर गार्डरेल, और अनिरीक्षित संपर्क की गहराई पर ध्यान देने का आह्वान करता है — AI साथियों के विकासशील मन और सामाजिक-लाभकारी विकास पर प्रभावों के बारे में खुले प्रश्न बने हुए हैं।

यह संबंध-तीव्रता रूपरेखा इस बात का "कोई एकरूप नहीं" प्रति-बिंदु है: किसी भी AI ट्यूटर का मूल्यांकन यह पूछकर शुरू होना चाहिए कि वह प्रभावी ट्यूटरिंग की कौन-सी शर्तों को पुनरुत्पादित, बदलती, या छोड़ती है — न कि यह पूछकर कि अमूम में "AI ट्यूटरिंग काम करती है या नहीं"। संक्षिप्त की मानव-निर्देशित बेसलाइन पूरी तरह अनुपस्थित भी हो सकती है: तीन क्वारा राज्य शिक्षण महाविद्यालयों में एक छह-सप्ताह का प्री-टेस्ट/पोस्ट-टेस्ट अध्ययन ने 240 तकनीकी-शिक्षा छात्रों को नाइजीरियाई तकनीकी पाठ्यक्रमों पर फाइन-ट्यून किया गया एक स्थानीयकृत ट्यूटर दिया और 120 पारंपरिक रूप से पढ़ाए गए साथियों के सापेक्ष व्यावहारिक-कौशल लाभ लगभग दोगुना रिपोर्ट किया। वहाँ व्यावहारिक 100:1 से अधिक छात्र-से-व्याख्याता अनुपातों पर चले, फीडबैक दिनों देर से मिला, इसलिए लेखकों का औचित्य संवर्धन नहीं बल्कि दुर्लभ निर्देशात्मक कर्मचारियों के लिए समान प्रतिस्थापन था — ट्यूटर को ग्रामीण महाविद्यालयों के लिए एक क्षमता सब्सिडी के रूप में ढालते हुए, न कि प्रचुर मानव ट्यूटरिंग के पूरक के रूप में। दो डिज़ाइन विकल्प व्यावसायिक सबक लेकर चलते हैं: ट्यूटर एक त्रुटि को केवल ध्वजांकित करने के बजाय समझाता है, और एक "स्पष्ट करें" विशेषता तकनीकी शब्दों को योरूबा या नुपे में फिर से बोलती है, शिक्षार्थी के ज्ञान स्थिति के बजाय उनकी भाषा संदर्भ के अनुकूल होती है; उत्तर के बजाय संकेत और एक असफल-होने-में-सुरक्षित स्थान को AI-सहायित समूह के अधिकांश में रिपोर्टेड आत्मविश्वास वृद्धि का श्रेय दिया गया, बनाम नियंत्रणों के आधे से कम। साक्ष्य केवल सूचक है — कोई प्रभाव आकार नहीं, एक अनाम बेस मॉडल, स्व-रिपोर्टेड आत्मविश्वास — लेकिन यह उस सीमा को चिह्नित करता है जो संक्षिप्त खुली छोड़ता है, वह सेटिंग जहाँ AI से अनुपस्थित निर्देशात्मक क्षमता का स्थान लेने के लिए कहा जाता है। यह ट्यूटरिंग पेज को K-12 नीति (शैक्षिक AI नीति), निजता, पाठ्य-सुरक्षा: शिक्षा में पेडागॉजिकल सेफ्टी, और सभी जगह के मानव-इन-द-लूप चिंताओं (Impact of real-time AI feedback on the technical skill acquisition of STEM students in Colleges of Education in Kwara State) से जोड़ता है।

व्यावहारिक डिज़ाइन और विकास मार्गदर्शन

प्रदर्शन के लिए नहीं, सीखने के लिए डिज़ाइन करें। सबसे मज़बूत कारणात्मक खोज यह है कि अनिरक्षित AI ट्यूटर सहायित अभ्यास प्रदर्शन बढ़ाते हैं लेकिन बिना-सहायता सीखने को घटाते हैं — प्रदर्शन–सीखने की खाई। उत्तर-कॉपी के विरुद्ध गार्डरेल करें उत्तर के बजाय संकेत स्कैफोल्ड करके (आउटपुट प्रकट करने से पहले छात्र प्रयास की आवश्यकता हो), और लाभ को बिना-सहायता, क्लोज़-बुक उपायों पर सत्यापित करें, न कि टूल-अंतर्गत प्रदर्शन पर।(Generative AI without guardrails can harm learning: Evidence from high school mathematics)(Distinguishing performance gains from learning when using generative AI)

संकेतों को वास्तव में उत्पादक बनाएँ, बायपास-योग्य नहीं। शास्त्रीय संकेत डिज़ाइन "बटन-थ्रू" रणनीतियों को सक्षम बना सकते हैं जो सीखने को छोड़ देती हैं। उन संकेतों को प्राथमिकता दें जो तर्क चरणों को क्रमिक रूप से प्रकट करते हैं (सोक्रेटिक प्रॉम्प्टिंग), उन संकेतों पर नहीं जो सीधे अगला उत्तर देते हैं, और अति-सहायता के बजाय उत्पादक संघर्ष संरक्षित करें।(Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)(Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments)

मानव को लूप में रखें। शिक्षकों को समस्या सेट और भ्रांति प्रॉम्प्ट लिखने या क्यूरेट करने दें जिन पर ट्यूटर निर्भर करता है, और ट्यूटर के तर्क को सामने लाएँ ताकि उसके निर्णय ऑडिट करने योग्य हों। व्याख्यायोग्य ज्ञान अनुरेखण और स्पष्ट, बाह्य डिडैक्टिकल परतें LLM ट्यूटर व्यवहार को ट्रेस करने और पुनरुत्पादित करने योग्य बनाती हैं।(Interpretable Knowledge Tracing)(A didactical-driven teacher assistant for a dimensional modeling course)

केवल संवाद नहीं, शिक्षार्थी का मॉडल बनाएँ। LLM संवाद से संरचित शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण और ज्ञान अनुरेखण घटक जोड़ें ताकि सिस्टम कठिनाई अनुकूलित कर सके और साक्ष्य से भ्रांतियों का निदान कर सके, न कि धाराप्रवाह लेकिन अंधाधुंध प्रतिक्रिया दे — गुणवत्ता बेस मॉडल और उसके अनुकूलन दोनों पर निर्भर करती है।(EduClaw-Bench: A Long-Horizon Benchmark for Pedagogical LLM Agents with Simulated Learners)

जहाँ संभव हो खुले उपकरणों से शुरू करें। ओपन-सोर्स एजेंटिक ट्यूटरिंग ढाँचे (जैसे DeepTutor: Towards Agentic Personalized Tutoring) एक उद्धरण-आधारित, कठिनाई-अनुरूप ट्यूटर बनाने की बाधा को कम करते हैं जिसे आप निरीक्षण और विस्तारित कर सकते हैं।(DeepTutor: Towards Agentic Personalized Tutoring)

ज्ञान-घटक मॉडल का सीखने की वक्र के विरुद्ध ऑडिट करें, फिर डेटा से दिखाई गई चीज़ों से फिर से डिज़ाइन करें। एक कक्षा क्रॉसओवर अध्ययन ने हुआंग एट अल. की डेटा-चालित फिर से डिज़ाइन प्रक्रिया को एक मिडिल-स्कूल गणित ITS की चार इकाइयों पर लागू किया, जो पुनःडिज़ाइन की उपयुक्तता के बजाय विषय द्वारा चुनी गई थीं। DataShop में सीखने-वक्र विश्लेषण ने एक अनमॉडलित इंटरपोलेशन कौशल और मिश्रित चिह्न-संचालन मामलों को उजागर किया; इन KC को विभाजित करना और महारत-चरण छोड़ने के साथ केंद्रित अभ्यास जोड़ने से अधिक उत्पादक कार्य-पर-समय (38.9 बनाम 31.6 सक्रिय मिनट, p < .001) और एक ही कक्षा समय में पांच अतिरिक्त कौशल महारत हासिल हुए — लेकिन सीखने-लाभ में कोई अंतर नहीं। शून्य को पतले अभ्यास डोज़ (दोनों स्थितियों में 70% AFM महारत से नीचे) और एक पोस्ट-टेस्ट से समझाया गया जिसमें नए विभाजित कौशल की वस्तुएँ नहीं थीं। डेवलपर्स के लिए दो सबक: पोस्ट-टेस्ट को नए खोजे गए कौशल को कवर करना चाहिए, और अनुकूली लाभ छात्रों द्वारा वास्तव में प्राप्त अभ्यास से सीमित हैं। (Evaluating a data-driven redesign process for intelligent tutoring systems)

प्रभावी ट्यूटरिंग के लिए निरंतर अनुकूलन आवश्यक है: Zhang et al. (2026) मूल्यांकन करते हैं कि LM ट्यूटर शिक्षार्थियों के विकसित होते समझ के अनुसार शिक्षक-एनोटेटेड निर्णय बिंदुओं पर अनुकूलित होते हैं या नहीं। वे पाते हैं कि अग्रणी मॉडल डिफ़ॉल्ट रूप से अति-सहायकतावाद की ओर जाते हैं और शायद ही कभी कठोरता के लिए दबाव डालते हैं, और मूल्यांकन-जागरूक प्रॉम्प्टिंग सुधार करती है लेकिन अनुकूलन को पूरी तरह हल नहीं करती। प्रत्येक अतिरिक्त अड़चन-टर्न ने अगले-टर्न पुनर्प्राप्ति की संभावना को 12.7% घटाया, और प्रश्नन गहराई के साथ मूल्य खोती रही (स्क्रिप्टेड प्रश्न × गहराई AOR = 0.78) जबकि छात्र की त्रुटि को संबोधित करना अधिक लाभदायक हुआ (AOR = 1.14) — एक ट्यूटर का उन्नयन, न कि केवल उत्तर-रोकना, एक अड़चन बनी रहने के साथ बदलना चाहिए (Ahtisham et al. (2026))। इस अनुकूलन के RL-चालित शाखा का एक व्यवस्थित दृश्य Riedmann, Schaper & Lugrin (2025) से आता है, जिनकी 89 RL-शिक्षा अध्ययनों की समीक्षा पाती है कि शास्त्रीय RL नीतियाँ Deep RL से अधिक निरंतर रूप से प्रभावी हैं और RL अनुकूलन अक्सर मार्गदर्शन-संबंधित कार्यों (संकेत, प्रतिपुष्टि) के लिए सामग्री अनुसूचन के बजाय उल्लेखनीय लाभ देता है — यह साक्ष्य कि कोई IT अनुकूलित करता है यह उतना ही महत्वपूर्ण है जितना कि वह कौन-सा एल्गोरिदम उपयोग करता है।

संज्ञानात्मक संलग्नता के प्रकार का अनुकूलन, न कि केवल तीव्रता का। Tithi et al. (2026) ने कठिनाई स्थिर रखी और वर्केड-उदाहरण रूप को बदला — मार्गदर्शित (सक्रिय) या बगी (रचनात्मक) — एक BKT नियम और एक डीप-RL नीति के माध्यम से, दोनों यादृच्छिक आवंटन को हराया (पोस्टटेस्ट 72.3 और 72.5 बनाम 65.7)।
भ्रामक अति-सामान्यीकरण (An et al. 2026) दिखाता है कि ITS महारत रोकने के नियम (BKT, 95% सीमा) अभ्यास को यहाँ समाप्त कर सकते हैं जहाँ शिक्षार्थियों ने किसी कौशल को कब रोकना है यह सीखा नहीं होता: जिन शिक्षार्थियों ने अति-सामान्यीकरण किया, उन्होंने पहली "न-करें" वस्तुओं पर क्रियाओं को 61.5%–100% तक गलत तरीके से लागू किया, और नाम-निर्धारण प्रतिपुष्टि के साथ लक्षित रुकने-का-अभ्यास ने इसे लगभग-निचले स्तर तक घटाया। सही-गलत-आधारित महारत निगमन ITS अनुकूलता के लिए आवश्यक लेकिन पर्याप्त नहीं है।
गतिशील डोमेन के लिए ग्राफ-आधारित ITS। एक ग्राफ-आधारित इंटेलिजेंट ट्यूटरिंग सिस्टम एक विकसित होने वाला नॉलेज स्पेस ग्राफ को जनरेटिव AI सामग्री निर्माण और बेज़ियन नॉलेज प्रसार के साथ जोड़ता है — जिसने सबसे ऊँचे ज्ञान लाभ दिखाए — गतिशील पाठ्यक्रमों में अनुकूली शिक्षण का समर्थन करते हुए।
प्रक्रियात्मक डोमेन के लिए नियम-एकीकृत LLM ट्यूटरिंग। Looi, Liu और Sun (2026) प्राथमिक गणित में LLM ट्यूटरों की असंगति और शैक्षणिक अपारदर्शिता को एक नियम-निर्देशित प्रणाली की डिज़ाइन विज्ञान अध्ययन से संबोधित करते हैं जो तीन-परत वास्तुकला — निदान → इरादा चयन → बाधित प्रतिक्रिया जनरेशन — के इर्द-गिर्द व्यवस्थित है। वे नियम-निर्देशित स्कैफोल्डिंग (ऑडिट करने योग्य, पुनरुत्पादित करने योग्य नियमों द्वारा शासित) और तदर्थ स्कैफोल्डिंग (सहायक कदम जिन्हें ऑडिट या पुनरुत्पादित करना कठिन है) के बीच अंतर को औपचारिक रूप देते हैं। व्यक्तित्व-आधारित सिम्युलेटेड संवाद और 40 ग्रेड 5 छात्रों के साथ एक कक्षा पायलट के माध्यम से मूल्यांकित, नियम-निर्देशित स्कैफोल्डिंग ने संपर्कीय निरंतरता में सुधार किया, समय से पहले उत्तर देने और शीघ्र समापन को कम किया, और संज्ञानात्मक संलग्नता बनाए रखी — जबकि कक्षा पायलट ने संपर्कीय जटिलताएँ, खंडित इनपुट और ध्यान उतार-चढ़ाव उजागर किए जिन्हें सिमुलेशन ने चूका। यह अच्छी तरह परिभाषित प्रक्रियात्मक डोमेन में गार्डरेलिंग बड़े भाषा मॉडल (LLMs) ट्यूटरों के लिए एक ठोस ब्लूप्रिंट है।
मल्टी-एजेंट ट्यूटरिंग और स्वचालित मूल्यांकन। मल्टी-एजेंट ट्यूटरिंग प्रणालियों का मूल्यांकन सिंथेटिक, ट्रेस-आधारित मूल्यांकन से किया जा रहा है। ASTRA अकेले-ट्यूटर, युगल-ट्यूटर और युगल-मल्टीएजेंट कॉन्फ़िगरेशन का समर्थन करता है, सामाजिक रूप से भिन्न एजेंटों के साथ, प्राथमिक प्रोग्रामिंग में संपर्क और सहभागिता संतुलन का पुनरुत्पादित विश्लेषण सक्षम करते हुए। समानांतर में, संदर्भ-जागरूक प्रॉम्प्टिंग प्रक्रिया डेटा से सहयोगी समस्या-समाधान कौशल की कोडिंग को स्वचालित करती है, बड़े पैमाने पर ट्यूटरिंग मूल्यांकन का समर्थन करते हुए।
केवल शिक्षार्थी प्रदर्शन के लिए नहीं, शिक्षार्थी के मूल्यों के साथ डिज़ाइन करें। मूल्य संवेदनशील डिज़ाइन कार्य विकासात्मक गणित में सामुदायिक कॉलेज छात्रों और प्रशिक्षकों के साथ दिखाता है कि ITS के नैतिक आयाम अलग-थलग सहायक नहीं हैं: छात्रों और प्रशिक्षकों को सीधे संलग्न करने से व्याख्यायोग्यता (समझ-जाँच व्याख्या, सीखने-पथ संबंध, मॉडल के आत्मविश्वास का संचार), शिक्षार्थी नियंत्रण (पुनः-मूल्यांकन, समीक्षा, गति और AI-सहायता स्तर पर नियंत्रण), और निजता (डेटा-पुनर्उपयोग नियंत्रण, शिक्षण विश्लेषिकी और प्रभावी स्थितियों की साझा करने के लिए अनुमति प्रॉम्प्ट) में फैले 16 मूल्य-संरेखित विशेषताएँ उत्पन्न हुईं। यह अध्ययन एक बने रहने वाले डिज़ाइन तनाव को रखता है — छात्र कार्यशीलता बनाम सिस्टम-निर्देशित स्कैफोल्डिंग — और ध्यान देता है कि अधिकांश संस्थाएँ अनुकूली ट्यूटरिंग को पूरी तरह अक्षम कर देती हैं, इसलिए मूल्य-सूचित डिज़ाइन इस बात पर भी निर्भर करता है कि ITS AI क्षमताओं को वास्तव में कैसे (और क्या) तैनात किया जाता है।
शिक्षण-योग्य एजेंट और असंलग्न संवाद का वर्गीकरण: Rho et al. (2026) ने मैथ नेशन (बीजगणित और ज्यामिति) में एक GPT-4-Turbo शिक्षण-योग्य एजेंट चलाया, जहाँ छात्र यह पहचानते थे कि दो वर्केड समाधानों में से किसमें एक भ्रांति थी, सुधार की औचित्य दिया, और एजेंट को सिखाया — एक अलग मेंटर एजेंट द्वारा व्याख्या गुणवत्ता स्कोर करने वाली सीखने-से-सिखाने की संरचना के साथ। 6,933 समस्याएँ खोली गईं और 22,143 संपर्क लॉग किए गए, उन्होंने एक छह-श्रेणी संवादीय-असंलग्नता वर्गीकर्ता बनाया (मानव-इन-द-लूप: 1,682 एनोटेटेड उच्चारण, फाइन-ट्यून LLaMA 3, भारित F1 = 0.910, मॉडल-बनाम-मानव κ = 0.624) और इसका उपयोग 246 मिडिल-स्कूल छात्रों का अध्ययन करने के लिए किया। विधिगत योगदान खोज जितना ही महत्वपूर्ण है: जब कोई वर्गीकर्ता कॉर्पस के अधिकांश को लेबल करता है, तो प्रचलता परिणामों को मानव-एनोटेटेड उपसमुच्चय के विरुद्ध तनाव-परीक्षण किया जाना चाहिए — और यहाँ मुख्य संबद्धता (गलत उत्तर देना और मज़ाक उड़ाना उच्च पोस्ट-टेस्ट की भविष्यवाणी करना) ठीक उसी परीक्षण के तहत उड़ गया।

मेटाडेटा

विषय क्षेत्र	Stem Education
स्तर	Higher Ed, K 12
अधिगम और शिक्षण	मड्गद
प्रौद्योगिकियाँ और तकनीकें	अनुकूली अधिगम, इंटेलिजेंट ट्यूटरिंग, ज्ञान अनुरेखण, शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण
मूल्यांकन और मापन	प्रतिपुष्टि

Source History Edit Chat