शिक्षार्थी

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

संश्लेषण: शिक्षार्थी AI शिक्षा के प्राथमिक दर्शक हैं — K-12, उच्च शिक्षा और वयस्क शिक्षार्थी के वे विद्यार्थी जिनका कार्य, समझ और आत्म-सम्मान अब AI आकार देता है। यह पेज ज्ञान आधार की शिक्षार्थी-पक्ष की कवरेज का छत्र है: शिक्षार्थी क्या अनुभव करते हैं (छात्र अनुभव), वे क्या बन रहे हैं (शिक्षार्थी पहचान), वे अब भी क्या चुनते हैं (शिक्षार्थी सक्रियता), वे उपकरण के साथ वास्तव में कैसे बातचीत करते हैं (छात्र और AI के बीच अंतःक्रिया), उनका प्रयास और स्व-नियमन उसके अधीन टिकता है या नहीं (संज्ञानात्मक ऑफलोडिंग), और AI प्रणालियाँ उन्हें कैसे मॉडल करती हैं (शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण)। उस अनुसंधान में बार-बार मिलने वाली खोज यह है कि एक ही उपकरण विभिन्न शिक्षार्थियों की अलग-अलग सहायता और हानि करता है — लाभ वहीं केंद्रित होते हैं जहाँ पूर्व ज्ञान, AI साक्षरता और सत्यापन की आदतें पहले से मौजूद हैं, और प्रतिकार वहीं केंद्रित होता है जहाँ AI उस सोच का विकल्प बन जाता है जिसे कार्य विकसित करने के लिए बनाया गया था।

प्रश्न विचारणीय

• आपके संदर्भ में कौन-से शिक्षार्थी एक नए AI उपकरण तक सबसे पहले पहुँचेंगे, और किन्हें वह पीछे छोड़ देगा — और आप यह क्यों मानते हैं?
• शोध अक्सर बताता है कि विद्यार्थी मानते हैं कि AI ने उनकी सहायता की, जबकि बिना सहायता के मापों से कोई लाभ नहीं, या घाटा दिखता है। यदि शिक्षार्थी का अपना विवरण अविश्वसनीय प्रमाण है, तो आप यह स्वीकार करने के लिए कौन-सा प्रमाण मानेंगे कि सीख हुई?
• शिक्षार्थी यहाँ दोनों रूपों में वर्णित हैं — AI का उपयोग करने वाले व्यक्ति और AI द्वारा मॉडल की जाने वाली वस्तु (शिक्षार्थी मॉडल, ज्ञान अन्वेषण, सिमुलेटेड विद्यार्थी)। एक शिक्षार्थी के मॉडल को कहाँ शिक्षण को सूचित करना चाहिए, और कहाँ उस पर भरोसा करना बंद कर देना चाहिए?
• स्व-नियमन और पूर्व ज्ञान तय करते हैं कि AI सहायता सीख बनती है या प्रतिस्थापन। क्या यह एक शिक्षार्थी-अभाव है जिसे सुधारना है, एक डिज़ाइन समस्या जिसे हल करना है, या एक मूल्यांकन समस्या जिसे ठीक करना है?
• यदि शिक्षार्थियों के एक समूह का AI उपकरण के साथ प्रदर्शन खराब है, तो उपकरण के डिज़ाइनर आमतौर पर सबसे अंत में जानते हैं। तैनाती से पहले और बाद में शिक्षार्थियों से सुनने की एक दिनचर्या आपके संस्थान में वास्तव में कैसी दिखती?
• शिक्षार्थी कार्यभाव और पहचान उपलब्धि के साथ ही दाँव पर हैं। इनमें से किसे आप मापने योग्य अंक लाभ के लिए सौदे से इनकार करेंगे — और क्या आपका मूल्यांकन डिज़ाइन उस इनकार को दृश्यमान बनाएगा?

भूमिका

शिक्षार्थी इस ज्ञान आधार में दो बहुत अलग रूपों में आते हैं, और उन्हें मिला देना इस क्षेत्र की अधिकांश भ्रांति का कारण बनता है। पहले में, शिक्षार्थी AI का उपयोग करने वाले व्यक्ति हैं: वे प्रश्न पूछते हैं, उत्तर स्वीकार या अस्वीकार करते हैं, अपनी पकड़ खोते या बनाए रखते हैं, और सहायता, अपराधबोध, चिंता और निर्भरता के अनुभव बताते हैं। दूसरे में, शिक्षार्थी वे वस्तु जिन्हें AI प्रणालियाँ मॉडल करती हैं: ज्ञान अन्वेषण में एक कौशल आकलन, संज्ञानात्मक निदान में एक गुप्त अवस्था, या एक सिमुलेटेड विद्यार्थी जो एक वास्तविक विद्यार्थी का स्थान लेता है। पहले के बारे में प्रमाण सर्वेक्षण, साक्षात्कार, लॉग विश्लेषण और प्रयोगों से आते हैं; दूसरे के बारे में प्रमाण मापन की यंत्रणा से ही आते हैं — और एक शिक्षार्थी का मॉडल एक दावा है, शिक्षार्थी नहीं।

यह पेज दोनों के लिए प्रवेश द्वार है। यह ज्ञान आधार द्वारा कवर किए गए शिक्षार्थी-पक्ष की अवधारणाओं को एकत्र करता है, बताता है कि वे कैसे संबंधित हैं, और उनके पीछे के अध्ययनों से जोड़ता है। हितधारक इसी क्षेत्र की दूसरी तरफ़ है — शिक्षक, प्रशासक, डिज़ाइनर और नीति-निर्माता — और दोनों पेजों को एक साथ पढ़ने का उद्देश्य है।

कौन एक शिक्षार्थी है

ज्ञान आधार औपचारिक शिक्षा की पूरी विस्तार में शिक्षार्थियों को देखता है: K-12 के विद्यार्थी, विश्वविद्यालय के विद्यार्थी, व्यावसायिक और व्यवसायित शिक्षार्थी, और वयस्क तथा आजीवन शिक्षार्थी, जिनमें दिव्यांग शिक्षार्थी, न्यूरोडाइवर्जेंट शिक्षार्थी और बहुभाषी शिक्षार्थी भी शामिल हैं। दो परंपराएँ महत्वपूर्ण हैं। पहली, "शिक्षार्थी" और "विद्यार्थी" उपयोगी अर्थ में परस्पर विनिमेय नहीं हैं: विद्यार्थी एक संस्थागत भूमिका का नाम है, शिक्षार्थी एक गतिविधि का नाम, और एक व्यक्ति दूसरे के बिना एक हो सकता है (कार्यस्थल प्रशिक्षण में एक कर्मचारी शिक्षार्थी है लेकिन विद्यार्थी नहीं)। दूसरी, शिक्षार्थी एकसमान समूह नहीं हैं, और यही विषमता है जो अनुसंधान बार-बार सामने लाता है — पूर्व ज्ञान, स्व-नियमन, भाषा, पहुँच और दिव्यांगता स्थिति सब बदलते हैं कि AI उपकरण सहायक है या नहीं।

शिक्षार्थी क्या अनुभव करते हैं

छात्र अनुभव AI शिक्षा के सर्वाधिक शोधित आयामों में से एक है, और इसका केंद्रीय पाठ यह है कि प्रभाव एकसमान नहीं, मिश्रित हैं। अध्ययन उत्पादकता पर सर्वेक्षण कार्य में पाता है कि शिक्षार्थी वास्तविक दक्षता लाभ बताते हैं — 92.3% ने कहा कि AI ने उनकी समझ सुधारी — इसके साथ एक अंतर जिसे मुख्य संख्याएँ छिपाती हैं: केवल 38.5% ने कहा कि इसने उनका कुल अध्ययन समय घटाया, और आधे ने बताया कि वे कभी-कभी स्वतंत्र रूप से सीखने के बजाय AI पर निर्भर होते हैं। निर्भरता पैटर्न के विश्लेषण आगे जाते हैं: विभिन्न स्तरों की AI साक्षरता और मूल्यांकन कौशल वाले विद्यार्थी उपकरण के साथ गुणात्मक रूप से भिन्न संबंधों में समाप्त होते हैं, इसलिए एक ही पाठ्यक्रम नीति विभिन्न शिक्षार्थियों के लिए भिन्न परिणाम उत्पन्न करती है — कुछ के लिए सहायता, दूसरों के लिए प्रतिस्थापन। विद्यार्थी कम से कम प्रयास की ओर खिंचाव का वर्णन अपने शब्दों में करते हैं, जिसे शैक्षणिक इमानदारी और एआई के बारे में गलतफहमियाँ पेज एक डिज़ाइन और नीति समस्या के रूप में देखते हैं, नैतिक समस्या के रूप में नहीं।

भावना संज्ञानात्मक कहानी के साथ-साथ चलती है: चिंता और तनाव और कल्याण पीछे छूट जाने, अनुशासनहीनता के आरोप में शिक्ष किए जाने और प्राप्त हो रहे डिग्री के मूल्य के बारे में चिंता का दस्तावेज़ करते हैं। AI के बारे में शिक्षार्थियों के मानसिक मॉडल — वे मानते हैं कि यह क्या है और यह किस लिए है — इसके ठीक से उपयोग से पूर्व हैं, यही कारण है कि एआई के बारे में गलतफहमियाँ और छात्रों के लिए AI उपयोग की फ्रेमिंग शिक्षार्थी-पक्ष के अनुसंधान में बार-बार दिखाई देते हैं।

शिक्षार्थियों के विवरण इमानदारी की कहानी को भी जटिल बनाते हैं जो इतनी शिक्षार्थी-पक्ष की नीति को ढाँचा देती है। एक इथियोपियाई विश्वविद्यालय के 27 स्नातक विद्यार्थियों के साक्षात्कार में GenAI का लगभग सार्वभौमिक उपयोग के साथ एक वास्तव में विभाजित नैतिक पठन मिलता है — अधिकांश उपकरणों को अपनी उपलब्धि बढ़ाने का श्रेय देते हैं, एक अल्पमत पाठ्यक्रम में उपयोग को अनुशासनहीनता कहता है, और लगभग सब एक असमान मैदान की सूचना देते हैं जिसमें AI उपयोगकर्ता परिश्रमी स्वतंत्र श्रमियों से ऊपर स्कोर करते हैं, एक प्रभाव को अपनी परिश्रम-भावना की हत्या के रूप में वर्णित करता है। अनुशासन कार्यवाही का विद्यार्थी पक्ष साहित्य में उपयोग के विद्यार्थी पक्ष से पतला है, लेकिन 1,162 GenAI आरोपों के केस-फ़ाइल विश्लेषण दिखाते हैं कि जब संस्थागत प्रतिक्रिया आती है तो शिक्षार्थियों का सामना क्या होता है: सर्वाधिक उद्धृत प्रमाण सबसे कमजोर-रेटेड प्रकार का है, कोई न्यूनतम साक्ष्य सीमा यह निर्धारित नहीं करती कि केस आगे बढ़े या नहीं, और जिन विद्यार्थियों के केस पतले प्रमाण पर टिके हैं उन्हें अपील की ओर धकेला जाता है।

पहचान, कार्यभाव और लेखन

शिक्षार्थी-पक्ष का अनुसंधान केवल परिणामों का नहीं है। शिक्षार्थी पहचान पूछता है कि एक शिक्षार्थी एक विषय और AI के संबंध में क्या बन रहा है, और प्रमाण दोनों दिशाओं में चलते हैं: अच्छी तरह डिज़ाइन किया गया उपयोग विषयगत अपनापन को स्कैफोल्ड कर सकता है, जबकि बाह्यीकरण इस भावना को क्षीण कर सकता है कि कार्य अपना है। शिक्षार्थी सक्रियता पूछता है कि शिक्षार्थी अब भी क्या नियंत्रित करता है। ज्ञान आधार दोनों को वास्तव में दाँव पर मानता है, उपलब्धि के कोमल सहायक के रूप में नहीं: एक शिक्षार्थी जो AI के साथ सही उत्पादन करता है और उसके पीछे का तर्क अब पहचानता नहीं, उसने कुछ खो दिया है जिसे अंक दर्ज नहीं करते। लेखन का प्रश्न वह जगह है जहाँ शिक्षार्थी स्वयं सबसे अधिक संघर्ष करते हैं: GenAI और इमानदारी पर साक्षात्कारित विद्यार्थी ने मौलिकता का दावा किया क्योंकि कोई अन्य लेखक मौजूद नहीं था — "यदि यह मेरा मौलिक विचार नहीं है, तो किसका है?" — जबकि दूसरों ने निष्कर्ष निकाला कि कार्य उनका प्रतिनिधित्व नहीं करता, और एक ने तर्क के माध्यम से उपकरण को एक सह-लेखक के रूप में पहचानने की ओर बढ़ा जिसा वह नहीं हो सकता, क्योंकि AI व्यक्ति नहीं है।

AI के साथ बातचीत: शिक्षार्थी वास्तव में क्या करते हैं

छात्र और AI के बीच अंतःक्रिया पेज यह एकत्र करता है कि शिक्षार्थी AI से क्या माँगते हैं, उनके प्रॉम्प्ट और संवाद कैसे विकसित होते हैं, और बातचीत की गुणवत्ता पहुँच से बेहतर सीखने के परिणामों की भविष्यवाणी क्यों करती है। 33 अध्ययनों से लिए गए 46 वर्गीकरणों का एक तेज़ स्कोपिंग समीक्षा उस प्रमाण आधार को संकल्पनात्मक रूप से खंडित पाता है — अध्ययन डेटा स्रोत, श्रेणी योजना और विश्लेषण इकाई में भिन्न हैं, इसलिए "गुणवत्तापूर्ण बातचीत" अभी उनके बीच तुलनीय संरचना नहीं है, और समीक्षा की अपील सीखने-उन्मुख बड़े भाषा मॉडल (LLMs) उपयोग के अभिसरणी वर्गीकरण के लिए है, इस दावे के लिए नहीं कि एक ऐसा मौजूद है। चैट सामग्री के अध्ययन पाते हैं कि विद्यार्थी स्वयं को विशेष्ट तरीकों से अनुशासित करते हैं, जिसमें संलग्नता दावों की जाँच और परीक्षण से लेकर पहला संभावित उत्तर स्वीकार करने तक फैली होती है। सहायता खोजना पुराना ढाँचा देता है: सहायता माँगना एक कौशल है, और गलत सहायक से गलत तरीके में माँगना एक ज्ञात विफलता मोड है जिसे AI हटाता नहीं।

प्रयास, स्व-नियमन और प्रदर्शन–सीख का अंतर

यह वह जगह है जहाँ शिक्षार्थी-पक्ष का प्रमाण सबसे अधिक परिणामकारी है, क्योंकि यह उस बात को अलग करता है कि शिक्षार्थी AI के साथ क्या कर सकते हैं उससे कि वे उसके बिना क्या कर सकते हैं।

संज्ञानात्मक ऑफलोडिंग अति-निर्भरता के प्रमाण को एकत्र करता है; Distinguishing performance gains from learning when using generative AI यह केंद्रीय पद्धतिगत बिंदु बताता है कि सहायित प्रदर्शन और असहाय क्षमता को अलग-अलग मापा जाना चाहिए; लेखन की परत-संवेदी अध्ययन सतही, संरचनात्मक, विचार और तर्क के बाह्यीकरण को अलग करते हैं, और सबसे कम सीमाबद्ध स्थिति में सर्वाधिक समर्थित प्रदर्शन पाते हैं, आठ हफ्ते बाद सबसे कम स्वतंत्र प्रदर्शन के साथ; और शॉ और नेवे का संज्ञानात्मक आत्मसमर्पण विवरण उस प्रवृत्ति का नाम देता है जो प्रत्यायोजन को रणनीतिक के बजाय आदतन बनाता है। मेटाकॉग्निटिव असहमति असहज मध्य मामले का दस्तावेज़ करता है — वे शिक्षार्थी जो नोटिस करते हैं कि वे समझ नहीं रहे और फिर भी जमा करते हैं — और सत्यापन अनुसंधान दिखाता है कि "जाँच" स्वयं एक क्रमिक कौशल है, एक द्विआधारी आदत नहीं। डिज़ाइन की तरफ़, उत्पादक कठिनाई और AI के दुरुपयोग में कमी उन हस्तक्षेपों को एकत्र करते हैं जो उस प्रयास को बहाल करते हैं जो कार्य से अपेक्षित था।

शिक्षार्थी के रूप में मॉडल

सबसे लंबी तकनीकी वंशावली वाले शिक्षार्थी-पक्ष की अवधारणाएँ वे हैं जो शिक्षार्थी को प्रणाली के प्रति प्रस्तुत करती हैं। शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण परिवार को कवर करता है: ज्ञान अनुरेखण समय के साथ कौशल अधिग्रहण का आकलन, संज्ञानात्मक निदान विशिष्ट गलत धारणाओं का स्थान निर्धारण, और अनुकूली तथा वैयक्तिकृत प्रणालियाँ जो उन आकलनों का उपभोग करती हैं। छात्रों का अनुकरण और इसका समीक्षा सिमुलेशन को शिक्षकों का परीक्षण और वास्तविक शिक्षार्थियों के अनुपलब्ध होने पर डेटा उत्पन्न करने के एक तरीके के रूप में देखते हैं — एक स्पष्ट अस्थायी विकल्प, प्रतिस्थापन नहीं। इस साहित्य में दो सावधानियाँ चलती हैं: मॉडल आकलन व्यवहार से निष्कर्ष हैं जो वस्तुओं और इंटरफेस के निर्माण तरीके से संवेदनशील हैं, और जनसांख्यिकीय संकेतों के अध्ययन दिखाते हैं कि मूल्यांकन प्रणालियाँ शिक्षार्थी पहचान (भाषा, पृष्ठभूमि) के प्रतिनिधि उठा सकती हैं जो कभी संरचना का हिस्सा होने का उद्देश्य नहीं थी। स्वयं-रिपोर्ट मापन अनुसंधान पक्ष की प्रतिबिंबी समस्या को कवर करता है: जो शिक्षार्थी अपनी सीख के बारे में कहते हैं वह अक्सर उससे भिन्न होता है जो वे कर सकते हैं।

शिक्षार्थियों में समानता

क्योंकि लाभ पूर्व लाभ का अनुसरण करते हैं, शिक्षार्थी-पक्ष का कार्य समानता से अविभाज्य है। डिजिटल विभाजन और सशुल्क मॉडल स्तरों तक पहुँच यह आकार देती है कि सबसे मज़बूत उपकरण किसे मिलते हैं; निष्पक्षता चिंताएँ यह नियंत्रित करती हैं कि सीखे गए मॉडल विभिन्न समूहों के साथ कैसा व्यवहार करते हैं; समावेशी सीखना, सुगम्यता, विशेष शिक्षा और न्यूरोडायवर्सिटी उन शिक्षार्थियों को कवर करते हैं जिनकी ज़रूरतों को डिफ़ॉल्ट डिज़ाइन अनदेखा करता है। इस अनुसंधान का व्यावहारिक पाठ यह है कि "AI विद्यार्थियों की सहायता करता है" एक खोज नहीं है — खोज हमेशा कौन-से विद्यार्थी, किन शर्तों में, किस पूर्व ज्ञान और पहुँच के साथ है। दो समूह उस जोखिम का एक विशिष्ट हिस्सा वहन करते हैं। राइट (2026) तर्क देता है कि "जनरेटिव AI" के बजाय फलन के इर्द-गिर्द लिखे निषेध उन ट्रांसक्रिप्शन उपकरणों को पकड़ते हैं जो एक शिक्षार्थी द्वारा पहले लिखे गए कार्य के प्रारूप को बदलते हैं, इसलिए परिणामी झूठी सकारात्मकताएँ उन दिव्यांग शिक्षार्थियों पर सबसे कठोर पड़ती हैं जो वॉयस-टू-टेक्स्ट और OCR पर निर्भर हैं, जिनमें AI-संचालित OCR ने बंद किए गए सहायक सॉफ्टवेयर की जगह ली है; रिमोट प्रॉक्टरिंग का एक स्कोपिंग समीक्षा मूल्यांकन शर्तों के बारे में समानांतर बिंदु बनाता है, पाता है कि कनेक्टिविटी, डेटा लागत और डिवाइस विफलता तय करते हैं कि किसका मूल्यांकन हो ही सकता है या नहीं — एक समानता खोज, तकनीकी नहीं, और कम और मध्यम आय वाले संदर्भों में केंद्रित।

यह पेज कहाँ स्थित है

हितधारक के साथ पढ़ें शिक्षार्थी के आस-पास के लोगों के लिए, और शिक्षाशास्त्र और शिक्षण रणनीतियाँ तथा सीखने का डिज़ाइन के साथ उन कार्यों के लिए जो शिक्षक इन खोजों से करते हैं। मूल्यांकन यह निर्धारित करता है कि शिक्षार्थी की कौन-सी क्षमताएँ कभी दृश्यमान बनती हैं; AIEd अनुसंधान की सीमाएँ बताता है कि इतने शिक्षार्थी-पक्ष के प्रमाण क्यों अल्पकालिक, स्व-रिपोर्टेड और सुविधा प्रतिदर्शों पर किए गए हैं; और एआई के बारे में गलतफहमियाँ शिक्षार्थियों के लिए स्वयं का सामान्य प्रवेश द्वार है।

संबंधित अवधारणाएँ

• अध्येताओं के वर्गों में असमान प्रभाव
• छात्र अनुभव — शिक्षार्थी AI को कैसे समझते, उसके साथ बातचीत करते और प्रभावित होते हैं
• शिक्षार्थी पहचान — शिक्षार्थी एक विषय और AI के संबंध में क्या बन रहे हैं
• शिक्षार्थी सक्रियता — शिक्षार्थी अब भी क्या नियंत्रित करते और चुनते हैं
• छात्र और AI के बीच अंतःक्रिया — शिक्षार्थी AI से वास्तव में क्या माँगते हैं और संवाद कैसे विकसित होते हैं
• संज्ञानात्मक ऑफलोडिंग — सोच के लिए AI का अति-निर्भरता और प्रतिस्थापन
• स्व-नियंत्रित अधिगम — अपनी सीख की योजना, निगरानी और समायोजन
• सहायता खोजना — सहायता ठीक से माँगना, और शिक्षार्थी न माँगें तो विफलता मोड
• मेटाकॉग्निशन — जानना कि कोई क्या समझता है और क्या नहीं
• प्रेरणा — शिक्षार्थी क्यों बने रहते हैं या रुक जाते हैं
• स्व-प्रभावशीलता — शिक्षार्थियों की अपनी क्षमता में विश्वास
• छात्र सहभागिता — व्यवहारगत, भावनात्मक और संज्ञानात्मक संलग्नता
• पूर्व ज्ञान — वह पृष्ठभूमि ज्ञान जो तय करता है कि सहायता सीख बनती है या नहीं
• शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण — शिक्षार्थी को प्रणाली के भीतर प्रस्तुत करना
• ज्ञान अनुरेखण — समय के साथ कौशल अधिग्रहण का आकलन
• छात्रों का अनुकरण — अस्थायी विकल्प के रूप में LLM-सिमुलेटेड शिक्षार्थी
• AI साक्षरता — वह क्षमता जो तय करती है कि शिक्षार्थी AI का उपयोग ठीक से करते हैं या नहीं
• समानता — किसे लाभ मिलता है और कौन बाहर रह जाता है
• कल्याण — AI-मध्यस्थ अध्ययन की चिंता, तनाव और भावनात्मक लागत
• एआई के बारे में गलतफहमियाँ — वे मानसिक मॉडल जो शिक्षार्थी AI के पास लाते हैं
• हितधारक — इसी क्षेत्र की दूसरी तरफ़: शिक्षक, नेता, डिज़ाइनर
• मूल्यांकन — शिक्षार्थी की कौन-सी क्षमताएँ कभी दृश्यमान बनती हैं

संबंधित लेख

• The Uneven Impact of Generative AI on Student Learning: Examining the Roles of Reliance, Evaluation Literacy, and Course Policy in AI-related Courses — निर्भरता पैटर्न और मूल्यांकन साक्षरता विद्यार्थी परिणामों को बाँटती हैं
• Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study — शिक्षार्थी निर्भरता चिंताओं के साथ दक्षता लाभ बताते हैं
• Toward Convergence in Student-LLM Interactions: A Rapid Scoping Review and Taxonomy for Learning-Oriented Use — सीखने-उन्मुख विद्यार्थी-LLM बातचीत का वर्गीकरण
• Chat as Learning: Student-AI Conversations as Discipline-Associated Cognitive Engagement Patterns — विद्यार्थी-AI चैट में विषय-विशिष्ट पैटर्न
• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — स्वतंत्र क्षमता के बिना सहायित प्रदर्शन लाभ
• Distinguishing performance gains from learning when using generative AI — सहायित प्रदर्शन और असहाय सीख को क्यों अलग मापा जाना चाहिए
• Thinking—Fast, Slow, and Artificial: How AI Is Reshaping Human Reasoning and the Rise of Cognitive Surrender — संज्ञानात्मक आत्मसमर्पण एक प्रवृत्ति के रूप में, दुर्घटना नहीं
• Metacognitively Discordant Completion and the Aware Pass-Through of Non-Understanding in Generative AI Learning — वे शिक्षार्थी जो नोटिस करते हैं कि समझ नहीं रहे और फिर भी जमा करते हैं
• Beyond checking: verification quality, reliance calibration, and learning in generative AI-assisted higher education — सत्यापन गुणवत्ता और निर्भरता अंशांकन
• Simulating Students with Large Language Models: A Review of Architecture, Mechanisms, and Role Modelling in Education with Generative AI — सिमुलेटेड विद्यार्थी: संरचना, तंत्र और सीमाएँ
• StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracing — बेज़ियन ज्ञान अन्वेषण में पैरामीटर आकलन
• The Role of Implicit and Explicit Demographic Signals in Large Language Model-based Student Assessment — LLM-आधारित मूल्यांकन में निहित और स्पष्ट जनसांख्यिकीय संकेत
• The impact of artificial intelligence literacy on learning engagement among university students: the mediating role of psychological capital and the moderating role of professional identity — AI साक्षरता, संलग्नता और मनोवैज्ञानिक पूँजी
• "It is a temptation to get it to do the work…" Student Experiences of Navigating the Generative AI Landscape in UK Higher Education: A Cross-Institutional Survey with International Comparison — विद्यार्थी कम से कम प्रयास की ओर खिंचाव का वर्णन करते हैं
• Tools facilitate cheating, or partner supports learning? GenAI and academic integrity issues from students' perspectives — विद्यार्थी यह कहते हैं कि GenAI एक धोखा उपकरण है या सीखने का साथी
• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — अनुशासनहीनता आरोप फ़ाइलें वास्तव में प्रमाण के रूप में क्या रखती हैं
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — अति-व्यापक AI नियम और वे विद्यार्थी जिन्हें वे पकड़ते हैं
• Educational integrity in GenAI-augmented assessment: making judgment visible — अनुपालन के बजाय मूल्यांकनात्मक निर्णय के रूप में इमानदारी
• Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review — रिमोट प्रॉक्टरिंग की विद्यार्थियों के लिए भावनात्मक और समानता लागत