लैटेंट प्रोफ़ाइल विश्लेषण

इस पृष्ठ पर

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

लैटेंट प्रोफ़ाइल विश्लेषण (LPA) — एक व्यक्ति-केंद्रित विधि है जो एक नमूने को अवलोकनात्मक रूप से दिखाई न देने वाले उपसमूहों (प्रोफ़ाइलों) में बाँटती है, जब प्रत्येक प्रकरण को एक साथ कई चरों से वर्णित किया गया हो। यह मिश्र-मॉडलिंग (mixture-modeling) परिवार की सतत-संकेतक सदस्य है; इसका सगा संबंधी लैटेंट क्लास विश्लेषण (LCA) वही तर्क वर्गीय संकेतकों पर लागू करता है। दोनों AI-in-education अनुसंधान में प्रभुत्व रखने वाले चर-केंद्रित मॉडलों से एक भिन्न प्रश्न पूछते हैं: "औसतन X, Y की भविष्यवाणी कितनी करता है" नहीं, बल्कि "उस औसत के भीतर कितने भिन्न प्रकार के शिक्षार्थी, शिक्षक, या प्रबंधक छिपे हुए हैं।" इस ज्ञानधार में यह विधि दिखाती है कि एक ही AI उपकरण उपसमूहों में बहुत अलग तरह काम करता है — घाना के स्नातक छात्रों में पाँच नैतिक-जागरूकता प्रोफ़ाइल, यूक्रेनी शिक्षा प्रबंधकों में छह तत्परता प्रकार, और ताइवानी पूर्व-सेवा शिक्षकों में चार जनरेटिव-AI-स्वीकृति प्रोफ़ाइल।

विचार करने योग्य प्रश्न

एक अध्ययन बताता है कि छात्रों की AI के प्रति औसत सहजता 5 में से 3.8 है। यदि एक समूह उत्साही है और दूसरा चुपचाप प्रतिरोधी है, तो वह औसत क्या छिपा सकता है?
LPA सतत स्कोर को मॉडल करता है; LCA श्रेणियों को। यदि आप साक्षात्कार के उत्तरों को "अति-निर्भरता का उल्लेख: हाँ/नहीं" के रूप में कोडित करें, तो आपको किसकी आवश्यकता है?
एक पाँच-प्रोफ़ाइल समाधान एन्ट्रॉपी 0.816 रिपोर्ट करता है; एक प्रतिस्पर्धी चार-प्रोफ़ाइल समाधान 0.929 स्कोर करता है लेकिन आँकड़ों का वर्णन कम समृद्ध रूप से करता है। आप कौन-सा प्रकाशित करेंगे?
प्रोफ़ाइल वर्णनात्मक हैं, कारणात्मक नहीं। यदि एक "प्रतिरोधी संशयवादी" प्रोफ़ाइल उच्च उपयोग में सहजता दिखाती है लेकिन अपनाने का निम्न इरादा, तो यह किसका समर्थन करती है और किसका नहीं?

परिचय

अधिकांश AI-in-education प्रमाण चर-केंद्रित है: यह औसत संबंधों का आकलन करता है, और औसत एकसमानता की माँग करते हैं। व्यक्ति-केंद्रित विधियाँ इसके बजाय विश्लेषण की इकाई के रूप में व्यक्ति को लेती हैं और पूछती हैं कि नमूने में गुणों की कितनी भिन्न व्यवस्थाएँ मौजूद हैं। LPA उसी परिवार से है, और यहाँ इसका लाभ यह है कि यह शिक्षार्थी विविधता को एक कथनी से एक मापने योग्य निष्कर्ष में बदल देता है: जब आरामदायक नमूना-माध्य के बावजूद नैतिक-जागरूकता प्रोफ़ाइल 26.1 प्रतिशत से 4.5 प्रतिशत तक फैली हुई हैं, तो विभेदन एक डिज़ाइन वरीयता नहीं रह जाता।

विधि क्या करती है, और यह कब सही उपकरण है

LPA यह मानती है कि नमूना उपसमूहों के एक मिश्रण से लिया गया है, जिनमें से प्रत्येक के संकेतकों पर अपने स्वयं के माध्य और प्रसरण हैं। शोधकर्ता संकेतकों और समूहों की संख्या प्रदान करता है; एल्गोरिदम प्रत्येक प्रकरण की सदस्यता की संभावना का आकलन करता है और उच्चतम संभावना के आधार पर असाइन करता है, और प्रत्येक समूह के लिए एक माध्य प्रोफ़ाइल, प्रति प्रोफ़ाइल एक आकार, तथा यह सारांश लौटाता है कि प्रकरण कितनी स्पष्ट रूप से अलग होते हैं। परिवार का कौन-सा सदस्य उपयोग करना है, यह संकेतकों पर निर्भर करता है, अनुसंधान प्रश्न पर नहीं:

LCA — वर्गीय संकेतक। Becker और सहयोगियों ने 1,189 भौतिक-विज्ञान छात्रों के खुले उत्तरों की कोडित उत्तर श्रेणियों को संकेतक चरों में बदला और दो वर्ग बरकरार रखे: व्यावहारिक उपयोगकर्ता (70 प्रतिशत) और संशयवादी गैर-उपयोगकर्ता (30 प्रतिशत); क्योंकि अनुल्लिखित विषय को "समर्थन नहीं" के रूप में गिना जाता है, लेखक विश्लेषण डेटाफ्रेम में शून्य-फुलाव (zero-inflation) को चिह्नित करते हैं।
LPA — सतत संकेतक जैसे स्केल स्कोर और निर्माण माध्य। Chen और सहयोगियों ने 128 ताइवानी पूर्व-सेवा शिक्षकों की पाँच TAM/UTAUT2 निर्माणों पर प्रोफ़ाइलिंग की; Acquah और सहयोगियों ने 509 घाना के स्नातक छात्रों की तीन नैतिक-जागरूकता विमाओं पर प्रोफ़ाइलिंग की; Schweder और सहयोगियों ने 2,464 छात्रों की प्रेरणात्मक आवश्यकता-संतुष्टि पर प्रोफ़ाइलिंग की।
लैटेंट (प्रोफ़ाइल) संक्रमण विश्लेषण इस परिवार को समय के साथ विस्तारित करता है, प्रति तरंग प्रोफ़ाइलों और उनके बीच गति की संभावना का आकलन करता है। Liang और सहयोगियों ने एक वर्ष में 2,086 छात्रों की AI शिक्षण प्रेरणा को ट्रैक किया; Wu ने 457 जापानी-भाषा शिक्षार्थियों को तीन तरंगों में अनुसरा, जिसमें अकुशल प्रोफ़ाइल 26.48 से 17.74 प्रतिशत तक सिकुड़ती रही।

साधारण क्लस्टरिंग (k-means और पदानुक्रमित) वही व्यक्ति-केंद्रित इरादा अपनाती है लेकिन प्रकरणों को संभावना मॉडल के आकलन के बजाय ज्यामितीय दूरी से विभाजित करती है। LPA या LCA तब पकड़ें जब प्रश्न उपसमूहों से संबंधित हो — कि क्या आपके नमूने के समुच्चयन स्तर पर "शिक्षार्थी" एक कल्पना है, और क्या उपसमूह केवल स्तर से नहीं, आकार से भी भिन्न हैं। यह तब न पकड़ें जब आपको एक औसत उपचार प्रभाव चाहिए: अनुकूली ट्यूटर के यादृच्छिक नियंत्रित परीक्षण के अंदर एक पाँच-प्रोफ़ाइल समाधान ने पोस्ट-टेस्ट अंतरों की भविष्यवाणी की (आंशिक η² = .27) लेकिन कोई स्थिति × प्रोफ़ाइल अन्योन्यक्रिया नहीं मिली (ps ≥ .198)।

कॉर्पस इसका उपयोग कैसे करता है

तीन उपयोग बार-बार आते हैं।

इसके लिए डिज़ाइन करने से पहले विषमता की स्थापना। 395 यूक्रेनी शिक्षा प्रबंधकों के Kremen और सहयोगियों के सर्वेक्षण ने व्यक्ति-केंद्रित LCA का उपयोग यह दिखाने के लिए किया कि "प्रबंधक" एक कल्पना है: छह प्रकार दक्षता-अभाव (25.6 प्रतिशत, इच्छुक लेकिन अकुशल) से लेकर बाधा-रहित संशयवादियों (उच्चतम तत्परता फिर भी 74 प्रतिशत AI अविश्वास) तक फैले हैं, और लेखक इन्हें विभेदित प्रशिक्षण के आदेश के रूप में पढ़ते हैं।
समान-प्रणाली संरेखण एक स्थायित्व जाँच के रूप में। Fang और Jin (2026) ने 49 शिक्षा प्रणालियों के 40,680 शिक्षकों में से चार विश्वास प्रोफ़ाइल बरकरार रखीं (उदासीन 6.13% से मापित अनुमोदन 56.29% तक), और संरेखण संदर्भ बदलने पर वर्गीकरण सहमति 99.62% पर रही — जबकि उपयोगिता ने प्रोफ़ाइलों को सभी 49 प्रणालियों में समान रूप से क्रमित किया, और जोखिम ने नहीं किया।
औसत जो छिपाता है उसे उपसमूह में पुनर्प्राप्त करना। Acquah और सहयोगियों ने व्यापक अति-उच्च (26.1 प्रतिशत) से निम्न नैतिक जागरूकता (4.5 प्रतिशत, परोपकार 2.06) तक पाँच नैतिक-जागरूकता प्रोफ़ाइल बरकरार रखीं, एक फैलाव जो नमूने के ठीक एक-चौथाई से बजाय कम से कम बीसवें हिस्से तक जाता है। Chen और सहयोगियों ने पाया कि प्रतिरोधी संशयवादियों ने उच्च समझी गई उपयोग में सहजता रिपोर्ट की लेकिन व्यवहारगत इरादा बहुत कम — यह कॉर्पस का सबसे स्पष्ट प्रदर्शन है कि सहजता/इरादा विरोधाभास माध्य-स्तरीय मॉडल के लिए अदृश्य है।
स्तर के बजाय अंशतुल्यता की प्रोफ़ाइलिंग। शिक्षक AI-साक्षरता अध्ययन ने स्व-रिपोर्ट और वस्तुनिष्ठ मापों के बीच सहमति पर LPA लागू किया, जिससे छह प्रोफ़ाइल मिलीं: अति-आकलन, अव-आकलन, संरेखण, और एक निम्न/निम्न समूह जो पूर्व AI साक्षरता अनुभव के बिना शिक्षकों में केंद्रित है। यहाँ प्रोफ़ाइल उपकरणों में एक प्रतिरूप का वर्णन करती हैं, किसी स्कोर बैंड का नहीं।

प्रोफ़ाइल तब एक स्वतंत्र चर के रूप में काम करती हैं: पूर्व-सेवा शिक्षकों में विषय ने सदस्यता को आकार दिया (Cramér का V = 0.532, STEM छात्र प्रौद्योगिकी अग्रदूतों में केंद्रित), और कॉर्पस में अन्यत्र सदस्यता ने बाद के स्व-प्रभावशीलता, बर्नआउट और AI चिंता की भविष्यवाणी की।

प्रोफ़ाइलों की संख्या चुनना

कोई एकल सांख्यिकी समाधान का चयन नहीं करती; कॉर्पस बरकरार रखने को एक साथ कई मानदंडों से लिया गया निर्णय मानता है।

सूचना मानदंड (BIC, AIC)। कम आमतौर पर बेहतर है, लेकिन एकरूप अवनति एक विजेता के बजाय समस्या का संकेत है। यूक्रेनी प्रबंधक अध्ययन में BIC दो से छह वर्ग की सीमा में एकरूप रूप से गिरा, कोई स्पष्ट न्यूनतम नहीं, और लेखक इस प्रमाण के आधार पर अपने छह-वर्ग समाधान को अन्वेषणात्मक कहते हैं।
एन्ट्रॉपी। वर्गीकरण निश्चितता का सारांश, 1 के करीब होने का अर्थ अधिक स्पष्ट असाइनमेंट। Chen और सहयोगी चार प्रोफ़ाइल के लिए 0.985 रिपोर्ट करते हैं; Acquah और सहयोगी पाँच प्रोफ़ाइल के लिए 0.816 और चार के लिए 0.929 रिपोर्ट करते हैं, और स्वयं अधिक स्थायी समूहीकरण के लिए समेकन का सुझाव देते हैं।
व्याख्यायोग्यता और प्रोफ़ाइल आकार। AI-विश्वास प्रोफ़ाइलिंग अध्ययन ने तीन क्लस्टर रखे, हालाँकि Calinski–Harabasz सूचकांक दो को प्राथमिकता देता था, क्योंकि तीन व्याख्यायोग्य थे, और यह बताता है कि 0.288 का सिल्हूट गुणांक कमज़ोर या सीमारेखा पृथक्करण का संकेत है। Chen और सहयोगी चेतावनी देते हैं कि उनकी सबसे छोटी प्रोफ़ाइल (128 प्रकरणों में से 14.06 प्रतिशत) अस्थायी हो सकती है, और घाना अध्ययन की सबसे छोटी प्रोफ़ाइल में केवल 23 छात्र हैं, जिन्हें लेखक विलय का प्रस्ताव देते हैं।
पुनः-प्रतिदर्श के अंतर्गत स्थायित्व। बूटस्ट्रैप स्थायित्व इसकी ईमानदार जाँच है कि प्रोफ़ाइल एक नए नमूने में दोबारा उभरेंगी या नहीं: यूक्रेनी छह-वर्ग समाधान के लिए औसत समायोजित Rand सूचकांक 0.385 था, लेकिन AI-विश्वास अध्ययन में 100 यादृच्छिक प्रारंभीकरणों में 0.989 — वही नाममात्र डिज़ाइन, बहुत भिन्न प्रमाणिक भार।
बूटस्ट्रैप संभाव्यता-अनुपात परीक्षण (BLRT) और Lo–Mendell–Rubin परीक्षण व्यापक मिश्र-मॉडलिंग साहित्य में BIC और एन्ट्रॉपी के मानक साथी हैं, लेकिन इस ज्ञानधार के प्रोफ़ाइल अध्ययन इन्हें रिपोर्ट नहीं करते। जहाँ एक पृष्ठ केवल BIC और एन्ट्रॉपी रिपोर्ट करता है, वहाँ वर्ग संख्या को अस्थायी मानें।
यह संभाव्यता-अनुपात जाँच जिसकी अन्यथा इस कॉर्पस में अनुपस्थिति है। Song और सहयोगी (2026) ने 379 व्यापार छात्रों में से चार प्रोफ़ाइल बरकरार रखीं (एन्ट्रॉपी 0.824) और Lo–Mendell–Rubin निर्णय रिपोर्ट किया: चार पर महत्वपूर्ण (p = 0.035) और पाँच पर गैर-महत्वपूर्ण (p = 0.376)।
प्रतिस्पर्धी समाधान और संभाव्यता-अनुपात परीक्षण से बरकरार रखने का बचाव। Suriá-Martínez और सहयोगी (2026) रिपोर्ट करते हैं कि एक चार-प्रोफ़ाइल समाधान 102 छात्रों के लिए थोड़ा बेहतर फिट हुआ लेकिन महत्वपूर्ण रूप से सुधार नहीं हुआ और सबसे छोटा वर्ग 12.7 प्रतिशत पर छोड़ गया, इसलिए वे तीन प्रोफ़ाइल (एन्ट्रॉपी .89) बरकरार रखते हैं, संख्यात्मक रूप से बेहतर फिट होने वाले मॉडल के बजाय। हारने वाले समाधान और उसे अयोग्य घोषित करने वाली बातों को रिपोर्ट करना ही बरकरार वर्ग-संख्या को पाठकों द्वारा जाँचने योग्य निर्णय बनाता है, और अध्ययन का उद्देश्य-निर्मित 12-मद AI-उपयोग माप — जिसे लेखक प्रारंभिक कहते हुए 85 के एक अलग नमूने पर मान्य किया गया — उसके प्रमाण की दूसरी सीमा को चिह्नित करता है।

केवल विजेता के बजाय तुलनाओं को रिपोर्ट करें: एक पृष्ठ जो केवल "हमने पाँच प्रोफ़ाइल बरकरार रखीं" कहे, बिना प्रतिस्पर्धी समाधान, एन्ट्रॉपी मानों और सबसे छोटी प्रोफ़ाइल के आकार के, पाठकों को विकल्प को न्यायालय में जाँचने का कोई तरीका नहीं देता।

परिणामों को पढ़ना और रिपोर्ट करना, और वे कहाँ गलत होते हैं

एक प्रोफ़ाइल को उसके स्तर के साथ-साथ उसके आकार से पढ़ें। घाना अध्ययन में प्रोफ़ाइल स्वायत्तता, परोपकार और न्याय की व्यवस्था में भिन्न हैं — सबसे बड़ी प्रोफ़ाइल मज़बूत स्वायत्तता अनुमोदन को कम परोपकार के साथ जोड़ती है — इसलिए दो प्रोफ़ाइल समान समग्र स्तर पर होने पर भी भिन्न शिक्षण की माँग कर सकती हैं।

चार सावधानियाँ, प्रत्येक स्रोत पृष्ठों में बताई गई:

प्रोफ़ाइल वर्णनात्मक हैं। वे बताती हैं कि नमूने में कौन है, क्यों नहीं, और अनुप्रस्थ-काट डिज़ाइन स्थायित्व या गति नहीं दिखा सकते (पूर्व-सेवा शिक्षक, घाना और भौतिक-विज्ञान अध्ययन)। केवल अनुदैर्ध्य विश्लेषण — एक वर्ष-लंबी संक्रमण अध्ययन और Wu की तीन तरंगें — गति के दावों का समर्थन करते हैं, और वहाँ भी गति संबंध है, हस्तक्षेप प्रभाव नहीं।
सदस्यता का आकलन की जाती है, अवलोकित नहीं। प्रकरणों को उच्चतम पश्चवर्ती संभावना के आधार पर असाइन किया जाता है, इसलिए सीमा के पास के व्यक्ति वास्तविक अनिश्चितता के साथ वर्गीकृत होते हैं; कम एन्ट्रॉपी और कमज़ोर सिल्हूट मानों का अर्थ है कि सीमाओं को नरम पढ़ा जाना चाहिए।
संकेतक चयन उत्तर को परिभाषित करता है। प्रोफ़ाइल पूरी तरह इस बात पर निर्भर करती हैं कि मॉडल में कौन-से चर प्रवेश करते हैं, इसलिए जो विषमता अध्ययन कभी नापता नहीं, वह विषमता उसे नहीं मिल सकती — घाना अध्ययन ने पृष्ठभूमि में केवल लिंग एकत्र किया और इसलिए नहीं कह सकता कि सदस्यता की भविष्यवाणी कौन करता है।
पाई गई विषमता पाया गया कारण नहीं है। ट्यूटर परीक्षण की प्रोफ़ाइल × स्थिति शून्य ही याद दिलाता है: एक परीक्षण के अंदर परिणाम की प्रोफ़ाइलिंग, उपचार का मध्यस्थता परीक्षण नहीं है।

AI शिक्षा के लिए निहितार्थ

हस्तक्षेप की सिफ़ारिश करने से पहले विषमता मापें। इस कॉर्पस की प्रोफ़ाइल बार-बार नमूने का एक चौथाई या अधिक हिस्सा शीर्षक औसत से नीचे रखती हैं; माध्य के बजाय मौजूद प्रोफ़ाइलों के लिए डिज़ाइन करें।
जब डिलिवरेबल विभेदन हो तो व्यक्ति-केंद्रित विधियाँ चुनें। पूर्व-सेवा शिक्षक और प्रबंधक अध्ययन दोनों उस बदलाव को अपनी विधिगत योगदान के रूप में प्रस्तुत करते हैं, क्योंकि औसत भविष्यवाणीकर्ता वे व्यवस्थाएँ नहीं उजागर कर सकते जो विभेदित समर्थन को न्यायसंगत बनाती हैं।
बरकरार रखने के प्रमाण को पूर्ण रूप से रिपोर्ट करें। BIC/AIC तुलनाएँ, एन्ट्रॉपी, प्रोफ़ाइल आकार और एक स्थायित्व जाँच प्रकाशित करें, और साफ़ कहें कि कब वर्ग संख्या अन्वेषणात्मक है।
प्रोफ़ाइलों को नैदानिक उपकरण मानें, लेबल नहीं। एक प्रोफ़ाइल एक अनुमानित सीमा वाला अनुसंधान निर्माण है, इसलिए व्यक्तियों को नामित श्रेणियों में असाइन करने वाला उपकरण किसी भी मापन उपकरण की सावधानी रखता है — और शिक्षार्थी समूहों में विभेदित प्रभाव किसी भी उपसमूह विश्लेषण की जाँच के योग्य हैं।

मेटाडेटा

शोध विधियाँ और मूल्यांकन	मात्रात्मक अनुसंधान, AIED में शोध विधियाँ

Source History Edit Chat