लर्निंग एनालिटिक्स

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

लर्निंग एनालिटिक्स — शिक्षार्थियों और उनके संदर्भों के बारे में डेटा के मापन, संग्रह, विश्लेषण और रिपोर्टिंग, जिसका उद्देश्य सीखने को समझना और अनुकूलित करना है। एआई ने लर्निंग एनालिटिक्स को वर्णनात्मक डैशबोर्ड से पूर्वानुमानीय और निर्देशात्मक प्रणालियों में बदल दिया है।

विचार के लिए प्रश्न

• अधिकांश लोग मानते हैं कि अधिक शिक्षण-डेटा एकत्र करना स्वतः शिक्षा को बेहतर बनाता है। यह पेज तर्क देता है कि एनालिटिक्स केवल तभी सार्थक होते हैं जब वे किसी हस्तक्षेप में फीडबैक करते हों — अन्यथा वे केवल वर्णन करते या चेतावनी देते हैं, लेकिन सीखने को नहीं बदलते। आपने कहाँ ऐसा डेटा देखा है जो कभी किसी कार्रवाई में नहीं बदला?
• कल्पना कीजिए कि कोई डैशबोर्ड आपको बताता है कि एक छात्र 'जोखिम में' है — एक पूर्वानुमान। उसे वास्तव में कार्रवाई-योग्य मार्गदर्शन से क्या अलग करता है जिसे कोई शिक्षक या संस्था वास्तव में लागू कर सके? पेज सुझाव देता है कि केवल पूर्वानुमान ही पर्याप्त नहीं है।
• पेज बताता है कि एआई ने लर्निंग एनालिटिक्स को यह वर्णन करने से कि क्या हुआ, पूर्वानुमान लगाने में कि क्या होगा, और निर्देश देने में कि आगे क्या करना है, ले गया है। इन तीन पीढ़ियों में से आपने कौन-सी का अनुभव किया, और दूसरों में क्या गायब था?
• एक अध्ययन में, तीन अलग-अलग एआई मॉडलों ने एक ही छात्र डेटा के लिए तीखे रूप से भिन्न सहायता योजनाएँ बनाईं, और एनालिटिक्स संकेतकों से सुझाई गई सहायता के बीच संबंध ज्यादातर कमज़ोर थे। यह किसी एआई की सलाह को सामने से भरोसेमंद मानने के बारे में क्या सुझाव देता है?
• लर्निंग एनालिटिक्स एक गोपनीयता-तनाव में स्थित है: डेटा जितना अधिक सूक्ष्म, उतना ही अधिक प्रकट करने वाला — और हस्तक्षेप उतना ही अधिक शक्तिशाली। आप अपने या अपने छात्रों के बारे में क्या एकत्र किया जाए, इस पर रेखा कहाँ खींचेंगे, और यह तय कौन करे?

परिचय

एआई-संवर्धित एनालिटिक्स

• पूर्वानुमानीय एनालिटिक्स: मशीन लर्निंग शिक्षार्थी-इंटरैक्शन डेटा पर परिणामों की भविष्यवाणी करती है — जोखिम में छात्रों की पहचान से ज्ञान-स्थिति आकलन तक।

• सत्यापन भविष्यवाणी जितना ही महत्वपूर्ण है। Schuetze, Yan, and Carvalho (2025) दिखाते हैं कि पूर्वानुमानीय ज्ञान-स्थिति मॉडल (BKT, BKT-with-Forgetting, AFM) पूर्ण सत्र-इतिहास पर पश्चवर्ती रूप से फिट किए जाने पर सटीक दिखते हैं, फिर भी समय-आधारित क्रॉस-वैलिडेशन — पिछले सत्रों से अगले सत्र की भविष्यवाणी, जिस प्रकार एनालिटिक्स वास्तव में तैनात होते हैं — में वे शिक्षार्थी प्रदर्शन का अतिरिक्त आकलन करते हैं, रिक्ति/विस्मृति गतिशीलता को चूकते हैं, और अभ्यास परिस्थितियों को गलत क्रम में रख सकते हैं। एनालिटिक्स के लिए चेतावनी: पश्चवर्ती फिट अनुक्रमिक डेटा पर खराब अग्रसारित पूर्वानुमानीय वैधता को छिपा सकता है, इसलिए संकेतक और डैशबोर्ड मॉडल को वॉक-फॉरवर्ड सत्यापित किया जाना चाहिए।

• आकलन के पीछे आइटम-विशेषता मैपिंग को सत्यापित कीजिए। आइटम को विशेषताओं से जोड़ने वाला Q-matrix एक मान्यता है, डेटा नहीं: 918 विश्लेषणात्मक-सोच आइटम में से 14 के अस्वीकृत प्रविष्टियाँ, ठीक करने पर, एक झूठी ज्ञान-स्थिति पैटर्न को 14.2% से 3.8% तक घटा दीं — इसलिए महारत एनालिटिक्स को केवल अपनी पूर्वानुमानीय फिट नहीं, बल्कि अपने Q-matrix का ऑडिट करना चाहिए (Feng & Huang, 2026)।

• पाठ्यक्रम-आधारित पूर्वानुमानीय एनालिटिक्स: Pradeesh et al. (2026) परिणाम-आधारित शिक्षा (OBE) में ज्ञान-स्थितियों का आकलन करते हैं, LMS इंटरैक्शन और उपलब्धि डेटा से पाठ्यक्रम परिणामों को सीधे ट्रेस करते हुए, OBE साहचर्य मैपिंग (पाठ्यक्रम–कार्यक्रम परिणाम संबंध) का उपयोग अवधारणा संबंधों को संरचित करने और क्रॉस-परिणाम प्रभाव को मॉडल करने के लिए मेमोरी-संवर्धित नेटवर्क के साथ करते हुए — 89.81% AUC प्राप्त करते हुए और DKT, DKVMN, EKT, तथा SimpleKT को सजीव विश्वविद्यालय इंजीनियरिंग डेटा पर हराते हुए, जबकि सामान्य-उद्देश्य ASSISTments डेटा पर केवल प्रतिस्पर्धी (श्रेष्ठ नहीं) रहते हुए।

• कार्रवाई-खिड़की के साथ व्याख्या-योग्य प्रगति पूर्वानुमान: Zhang, Jeffries & Koprinska (2025) बड़े पैमाने के ऑनलाइन प्रोग्रामिंग पाठ्यक्रमों में मॉड्यूल-स्तरीय छात्र प्रगति की भविष्यवाणी सामग्री-इंटरैक्शन लॉग फीचर्स से करते हैं, ग्लास-बॉक्स निर्णय वृक्षों का उपयोग करते हुए जो ब्लैक-बॉक्स सटीकता (85–91%) के बराबर हैं, जबकि मॉड्यूल समय-सीमा से 7–8 दिन पहले "No submission" ड्रॉपआउट परिणामों को चिह्नित करते हैं — केवल जोखिम-चेतावनी के बजाय हस्तक्षेप के लिए एक स्पष्ट, वास्तविक-समय की खिड़की, और अनुत्तीर्ण-जोखिम में, अनुत्तीर्ण-पर-सफल, और संलग्न उच्च-प्रदर्शक प्रोफ़ाइलों की एक अन्वेषणात्मक टाइपोलॉजी।

• संस्थाओं के बीच संघीय, व्याख्या-योग्य जोखिम मॉडलिंग (2026)। Villegas-Ch et al. (2026) जोखिम मॉडलिंग को एकल-संस्था पूर्वानुमान से आगे बढ़ाते हैं, संघीय शिक्षा (federated learning) के माध्यम से सिमुलेटेड संस्थाओं में बहु-कार्य (प्रदर्शन + ड्रॉपआउट) मॉडल प्रशिक्षित करते हुए, जिससे कच्चा छात्र डेटा कभी किसी संस्था से बाहर नहीं जाता। नियंत्रित विषमता (लेबल तिरछापन, वर्ग असंतुलन, अस्थायी बहाव, संरचनात्मक अनुपस्थिति) के तहत मॉडल रैंकिंग सटीकता (OULAD AUC 0.918) और संरचनात्मक रूप से स्थिर फीचर-महत्व रैंकिंग संरक्षित करता है, फिर भी संभाव्यता कैलिब्रेशन बहता है — रैंकिंग प्रदर्शन को संभाव्यता विश्वसनीयता से अलग करते हुए। प्रारंभिक-चेतावनी प्रणालियों के लिए यह एक चेतावनी है कि सीमा-आधारित हस्तक्षेपों को प्रति-संस्था कैलिब्रेशन की आवश्यकता हो सकती है, और विभेदन, कैलिब्रेशन, मजबूती, और व्याख्या-योग्यता का एक साथ मूल्यांकन का तर्क।

• गोपनीयता-संरक्षण एनालिटिक्स के लिए सिंथेटिक-डेटा सत्यापन एक पूर्व-शर्त है। चार वार्षिक अध्ययन-आदत समूहों (अठारह सप्ताह में 117-120 शिक्षार्थी) के सिंथेटिक संस्करणों पर एक संरचनात्मक जाँच में विभाजन वर्णक चार में से दो समूहों में निकट रूप से सहमत मिले, जबकि साप्ताहिक भिन्नता बिना अपवाद के 2.6 से 4.9 गुना कम चली (वास्तविक समूहों के 0.399-0.539 के मुकाबले विविधता गुणांक 0.086-0.152), और सिंथेटिक पायलट डेटा पर पहुँचे निष्कर्षों में से केवल 36% ही पच्चीस सत्यापन अनुरोधों पर वास्तविक डेटा पर पुष्ट हुए (Inoue & Yasutake (2026))।

• संलग्नता एनालिटिक्स: संलग्नता मापन और तीव्रता मॉडलिंग यह मात्रात्मक रूप से निर्धारित करते हैं कि छात्र एआई प्रणालियों के साथ कैसे इंटरैक्ट करते हैं।

• फीडबैक एनालिटिक्स: फीडबैक वर्गीकरण और गुणवत्ता आकलन उस फीडबैक का विश्लेषण करते हैं जो छात्रों को मिलता है।

• नेटवर्क विश्लेषण: सह-घटना नेटवर्क विश्लेषण और ज्ञानवादी नेटवर्क विश्लेषण इंटरैक्शन पैटर्न प्रकट करते हैं।

• गोपनीयता तनाव: निजता चिंताएँ बढ़ती हैं क्योंकि एनालिटिक्स अधिक सूक्ष्म और एआई-संचालित होते जाते हैं।

• छात्र डेटा के लिए एक शासन समीक्षा ढाँचा। LEAGUE छह स्तंभ प्रस्तावित करता है — वैधता, समानता, स्वायत्तता, शासन, उपयोगिता, और डिज़ाइन द्वारा नैतिकता — FERPA और GDPR अनुपालन को न्यूनतम स्तर मानते हुए और मॉडल बहते जाने पर निर्धारित पुनर्मूल्यांकन की सिफ़ारिश करते हुए (Varadaraju & Vijayakumar (2026))।

मॉडल पाठ्यक्रम समवर्तिता, केवल क्रम नहीं। TRACE सेमेस्टर के प्रत्येक पाठ्यक्रम को एक ही स्थितीय एन्कोडिंग देता है, और पाठ्यक्रमों और ग्रेडों का संयुक्त रूप से पूर्वानुमान लगाने से ग्रेड-पूर्वानुमान त्रुटि 0.1339 MAE तक गिरी — केवल-ग्रेड ट्रांसफॉर्मर की तुलना में 46.4% कमी — दस वर्षों के संस्थागत डेटा पर (Savala (2026))।

लर्निंग एनालिटिक्स चक्र

लर्निंग एनालिटिक्स को पारंपरिक रूप से एक चक्र के रूप में रखा गया है जो शिक्षार्थी गतिविधि से आरंभ होता है जो डेटा उत्पन्न करती है, जिसे मापों और संकेतकों में संसाधित किया जाता है जो फिर हस्तक्षेपों में अनुवादित होते हैं — और हस्तक्षेप लूप बंद करने के लिए शिक्षार्थी गतिविधि में वापस फीडबैक करता है। हस्तक्षेप चरण ही वह है जो एनालिटिक्स को केवल निगरानी या पूर्वानुमान से अलग करता है: इसके बिना, एनालिटिक्स वर्णन करते और चेतावनी देते हैं, लेकिन सीखने को कभी नहीं बदलते। यह चक्र यह समझने की संगठनात्मक ढाँचा है कि एआई उपकरण (डैशबोर्ड, फीडबैक जनरेटर, निर्देशात्मक सिफ़ारिशकर्ता) पाइपलाइन में कहाँ स्थित हैं और वे कौन-सा चरण स्वचालित करते हैं।

शिक्षार्थी-उन्मुख डैशबोर्ड उतना ही अच्छा है जितनी उसकी पहुँच: एक हाँग काँग कक्षा 9 लेखन अध्ययन में एक प्रॉम्प्ट वर्गीकर्ता ने 0.757 का मैक्रो F1 प्राप्त किया, 46 छात्रों में से लगभग एक तिहाई ने तीन GenAI-उपयोग डैशबोर्ड खोले, और प्रतिलिपि-बनाने और सीखने-उन्मुख प्रॉम्प्टिंग में समूह अंतर विश्वसनीय नहीं थे (Fong et al. (2026))।

गुणात्मक डेटा की आवृत्ति एन्कोडिंग एक प्रवेश बिंदु है, निर्णय नहीं: एक दस-प्रतिभागी अध्ययन में, कुछ प्रशिक्षकों ने आवृत्ति एन्कोडिंग को उत्पादक प्रविष्टि के रूप में पढ़ा, जबकि दूसरों ने चेतावनी दी कि वे दुर्लभ लेकिन महत्वपूर्ण प्रतिक्रियाओं को छिपा देती हैं, इसलिए डिज़ाइन प्रत्येक समुच्चय दृश्य को छात्रों के शब्दशः पाठ से जुड़ा रखता है (Nguyen et al. (2026))।

वर्णन से हस्तक्षेप तक

ज्ञान-आधार में लर्निंग एनालिटिक्स तीन पीढ़ियों से विकसित हुआ है: वर्णनात्मक (क्या हुआ?), पूर्वानुमानीय (क्या होगा?), और निर्देशात्मक (हमें क्या करना चाहिए?)। एआई निर्देशात्मक स्तर को सक्षम बनाता है — एनालिटिक्स जो सीधे शिक्षणात्मक हस्तक्षेपों को ट्रिगर करते हैं। एक प्रमुख सीमा है कार्रवाई-योग्यता अंतराल: SC2R (Le, Abel & Laforge 2026) दिखाता है कि निर्णय-समर्थन के लिए केवल पूर्वानुमान अपर्याप्त है, और प्रतिवर्ती संसाधन (counterfactual recourse) केवल तभी परिचालनात्मक रूप से सार्थक होता है जब सिफ़ारिशें अर्थतः संभव और मशीन-जाँचने योग्य हों — समय, बजट, अपरिवर्तनीयता, और उपलब्धता द्वारा SHACL सत्यापन के माध्यम से बाधित, न कि केवल मॉडल-वैध। यह क्षेत्र को जोखिम-स्कोर से आगे उन सिफ़ारिशों की ओर ले जाता है जिन्हें संस्थाएँ वास्तव में लागू कर सकती हैं, मानव निगरानी संरक्षित रहती हुई।

निर्देशात्मक स्तर का एक प्रत्यक्ष अनुभवजन्य परीक्षण López-Pernas et al. (2026) से आता है, जिन्होंने तीन LLM से 4,500 सिंथेटिक छात्र विग्नेट्स के लिए सहायता योजनाओं की सिफ़ारिश करने को कहा।

एनालिटिक्स के कक्षा तक पहुँचने के एक पूरक, शिक्षक-केंद्रित परीक्षण Mejia-Domenzain et al. (2026) से आता है, जिन्होंने दो मिश्रित संदर्भों में शिक्षकों को ML-व्युत्पन्न स्व-नियंत्रित अधिगम प्रोफ़ाइल संप्रेषित करने के लिए एक लर्निंग एनालिटिक्स डैशबोर्ड (DashED) डिज़ाइन किया। उनका 100-शिक्षक अध्ययन दिखाता है कि एनालिटिक्स की प्रस्तुति स्वयं कार्रवाई की एक बाधा है: शिक्षकों ने व्यवस्थित रूप से सरल, अधिक पारंपरिक चार्ट (बार प्लॉट, पाई चार्ट) को प्राथमिकता दी, तब भी जब अधिक जटिल डिज़ाइन (जैसे, हीटमैप) ने समृद्ध अंतर्दृष्टि दी, और उच्च विज़ुअलाइज़ेशन साक्षरता ने गहरी, अधिक विस्तृत व्याख्या की भविष्यवाणी की (जैसे, अधिक शिक्षकों ने समय-श्रृंखला डेटा में रुझान पहचाने)। समूह तुलना के लिए, शिक्षकों ने संयोजन (superposition) को पार्श्व-विन्यास (juxtaposition) पर और पूर्ण-सूचना प्लॉट को स्पष्ट अंतर एन्कोडिंग पर प्राथमिकता दी। शिक्षकों द्वारा प्रस्तावित कार्रवाइयाँ प्रस्तुत सामग्री और उनके शिक्षण स्तर से आकारित हुईं, प्लॉट प्रकार से नहीं — विश्वविद्यालय शिक्षकों ने साप्ताहिक परीक्षाओं और पाठ्यक्रम-स्तरीय अनुकूलन को प्राथमिकता दी, जबकि व्यावसायिक शिक्षकों ने प्रत्यक्ष, व्यक्तिगत प्रशिक्षण प्रस्तावित किया — यह रेखांकित करते हुए कि निर्देशात्मक चरण अंतर्निहित मॉडल जितना ही इस पर निर्भर करता है कि एनालिटिक्स कैसे विज़ुअलाइज़ और संदर्भित होते हैं। उनकी खोज चेतावनीपूर्ण है: LA संकेतकों और सुझाई गई सहायता के बीच सहसंबंध ज्यादातर कमज़ोर थे, एक ही छात्र के लिए क्रॉस-मॉडल सिफ़ारिशें तीखे रूप से भिन्न हुईं, और सहायता बार-बार इस बात पर ध्यान दिए बिना आवंटित हुई कि उसे सबसे अधिक किसी की आवश्यकता थी। लेखक निष्कर्ष निकालते हैं कि वर्तमान LLM बड़े पैमाने पर छात्र सहायता के लिए निर्देशात्मक मॉडलों के रूप में अभी तक विश्वसनीय नहीं हैं, यह सुदृढ़ करते हुए कि निर्देशात्मक चरण को अभी भी सत्यापन, फ़ाइन-ट्यूनिंग, और मानव निगरानी की आवश्यकता है, तैयार-उपलब्ध स्वचालन नहीं।

स्कोर के बाद का चरण — किसे सहायता मिलती है, और क्या वह जहाँ आवश्यक था वहाँ आवंटित हुई — छात्र सहायता और सफलता में आता है, जो इस पेज के निर्देशात्मक स्तर को फीड करने वाले आउटरीच, रेफ़रल, और आवंटन साक्ष्यों को धारण करता है।

एक सत्यनिष्ठा परिणाम उसी पूर्वानुमानीय स्तर में प्रवेश करता है। Akçapınar (2026) Moodle और वीडियो-प्लेयर ट्रेस के पहले आठ सप्ताहों से एआई-सहायित नकल-जोखिम की भविष्यवाणी करता है, लॉजिस्टिक प्रतिगमन के साथ 0.763 AUC प्राप्त करता है, और तर्क देता है कि सिग्नल ठीक इसलिए उपयोगी है क्योंकि वह परीक्षा के दौरान नहीं, बल्कि उससे पहले पहुँचता है।

एक पूरक रेखा एनालिटिक्स की व्याख्या को लक्षित करती है। Marques et al. (2026) का FACTRIA ढाँचा एक संकेतक के पीछे के पूर्वाग्रहों को संगठित करता है — पाइपलाइन, संस्थागत, पाठ्यक्रम, और जनसांख्यिकीय — और एक प्रतिबिंब-प्रॉम्प्टिंग चैटबॉट ने प्रति मामले हितधारकों द्वारा तौले गए उप-कारकों को 1.41 से 3.45 तक बढ़ाया (d = 2.15), उन्हें प्रत्यक्ष पठनों से सशर्त पठनों की ओर बदलते हुए।

विधियाँ और नेटवर्क विश्लेषण

नेटवर्क विधियाँ लर्निंग एनालिटिक्स में मूल हैं: संक्रमण नेटवर्क विश्लेषण (TNA) शिक्षार्थी क्रियाओं के अस्थायी अनुक्रमों को मॉडल करता है (जैसे, चैटबॉट-स्कैफोल्डेड लेखन में संशोधन और चैट लूप), और ज्ञानवादी नेटवर्क विश्लेषण (ENA) मैप करता है कि कोड/संरचनाएँ गतिविधि में कैसे सह-घटित होती हैं — साथ मिलकर सीखने की प्रक्रिया और शिक्षार्थी-एआई इंटरैक्शन प्रकट करते हैं, न कि केवल उसका उत्पाद।(Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing)(Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing)

• स्व-निर्देशित व्यवहार का क्रम + मार्कोव-शृंखला विश्लेषण। An, Hammock & Goel (2025) ने 315 ऑनलाइन शिक्षार्थियों के क्लिकस्ट्रीम्स पर गतिविधि क्रम विश्लेषण, पदानुक्रमिक समूहन, और मार्कोव शृंखला मॉडलों को जोड़ा, जिन्होंने VERA में 822 पारिस्थितिक मॉडल बनाए, नौ सूक्ष्म, संक्रमण-आधारित व्यवहार समूहों को तीन व्यापक पैटर्न (अवलोकन, निर्माण, अन्वेषण) में अलग करते हुए। उनका काम प्रदर्शित करता है कि क्रम विश्लेषण को मार्कोव शृंखला मॉडलिंग के साथ जोड़ना असंरचित, स्व-निर्देशित कार्यों में सार्थक व्यवहार उजागर कर सकता है, जनसांख्यिकीय या संदर्भगत डेटा के पूर्ण अनुपस्थिति में भी।

• LA और GenAI शिक्षण डिज़ाइन को अलग-अलग आकार देते हैं (2026)। Claassen et al. (2026) ने 11 प्रशिक्षक फोकस समूहों पर ENA का उपयोग किया ताकि तुलना की जा सके कि लर्निंग एनालिटिक्स बनाम जनरेटिव-AI सीखने का डिज़ाइन निर्णय-निर्माण को कैसे सूचित करते हैं। LA चर्चाएँ संदर्भगत सूचना, पाठ्यक्रम-स्तरीय डिज़ाइन, और सृजनात्मक समस्या समाधान पर केंद्रित थीं (संलग्नता निदान और सहायता लक्षितीकरण के लिए LA), जबकि GenAI चर्चाएँ मूल्यांकन डिज़ाइन और छात्र स्व-निर्धारण के लिए डिज़ाइन पर केंद्रित थीं (विचार और मूल्यांकन विकास के लिए GenAI)। संदर्भ और रचनात्मकता दोनों में केंद्रीय थे — एक अनुस्मारक कि एनालिटिक्स डिज़ाइन को केवल शिक्षाशास्त्रीय संदर्भ और प्रशिक्षक स्वायत्तता के भीतर सूचित करते हैं।

• व्यवहारगत निशान संज्ञानात्मक अवस्था के माप नहीं हैं — विशेष रूप से विशेष-आवश्यकता वाले शिक्षार्थियों के लिए। Vasileiou et al. (2026) चेताते हैं कि अंतःक्रिया निशान (कार्य पर समय, बार-बार त्रुटियाँ, सहायता-माँगना, अनियमित प्रगति) शिक्षकों को यह पता लगाने में मदद कर सकते हैं कि किसी शिक्षार्थी को सहायता कहाँ चाहिए, लेकिन आंतरिक अवस्थाओं के पारदर्शी माप नहीं हैं: धीमा प्रतिक्रिया करना सावधान विचार, भाषा प्रोसेसिंग, विचलन, असुगम डिज़ाइन, या तकनीकी कठिनाई दर्शा सकता है। "एल्गोरिदम को व्यवहारगत डेटा से अकेले कार्यपालक कमी या निदान स्थिति का अनुमान नहीं लगाना चाहिए" — विश्लेषण शिक्षार्थी के साथ पेशेवर मूल्यांकन और संवाद के भीतर एक सूचना स्रोत के रूप में ही रक्षणीय हैं।

• डिज़ाइन एनालिटिक्स: ट्रेस के बजाय नियोजित गतिविधि क्रमों का खनन (2026)। Divjak, Svetec and Horvat (2026) ने मार्कोव शृंखलाओं और क्रमिक पैटर्न खनन को एक खुले शिक्षण-डिज़ाइन उपकरण में नियोजित 554 पाठ्यक्रमों में फैले 29,064 शिक्षण और शिक्षण गतिविधियों के डिज़ाइन किए गए क्रम पर लागू किया। संक्रमण मैट्रिक्स मूल्यांकन से चर्चा (0.332) पर अधिकतम था, स्व-संक्रमण ने अभ्यास (0.317) और अर्जन (0.292) पर प्रभुत्व किया, और सबसे मज़बूत लगातार नियम अर्जन से मूल्यांकन से अभ्यास से अभ्यास (confidence 0.743, lift 1.449) था, जबकि सबसे बार-बार चार-चरणीय मार्ग अर्जन, अभ्यास, अभ्यास, मूल्यांकन (120 बार) था। चर्चा और मूल्यांकन सबसे अधिक पहुँचने योग्य प्रकार थे और उत्पादन सबसे दूर और छिछला। अध्ययन एक अनुस्मारक है कि लर्निंग एनालिटिक्स को LMS ट्रेस से आरंभ करने की आवश्यकता नहीं: डिज़ाइन-समय डेटा किसी भी छात्र के आने से पहले पाठ्यक्रम की शिक्षाशास्त्रीय व्याकरण उजागर कर सकता है, हालाँकि लेखक बल देते हैं कि फ्लिप्ड, जाँच-आधारित या परियोजना-आधारित डिज़ाइनों से समानता इरादे का सबूत नहीं है।

• स्व-व्याख्या करने वाले डिस्टिल्ड LLM (2026): एक दो-चरणीय पाइपलाइन एक ब्लैक-बॉक्स लर्निंग-एनालिटिक्स अनुमानक और उसकी पोस्ट-हॉक व्याख्या को एक छोटे, खुले-वज़न बड़े भाषा मॉडल (LLMs) में डिस्टिल करती है जो व्यक्तिगत-स्तर का अनुमान और प्राकृतिक-भाषा व्याख्या दोनों लौटाता है। एक सत्यनिष्ठा-प्रथम ऑडिट मूल्यांकित करता है कि वर्णन वर्णित श्रेयों से मेल खाते हों या नहीं; सिमुलेशन लगभग-हानिरहित पुनर्प्राप्ति दिखाता है (r > .90) एक oracle मेंटर के साथ, एनालिटिक्स के लिए एक अधिक पारदर्शी, तैनाती-योग्य मार्ग प्रदान करते हुए (Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics)।

• LA-आधारित शैक्षणिक हस्तक्षेपों के सक्षमक (2026)। Svetec, Divjak & Kadoić (2026) विश्वसनीय LA-आधारित शैक्षणिक हस्तक्षेपों के सात सक्षमकों की पहचान और प्राथमिकता निर्धारित करते हैं Delphi + AHP + SNAP के माध्यम से: संस्थागत रणनीतिक अभिमुखीकरण, शिक्षाशास्त्रीय और अन्य अनुसंधान नींव, उपलब्ध संसाधन, शिक्षाशास्त्रीय सहायता, नीति और डेटा शासन, हितधारक संलग्नता, और गुणवत्ता आश्वासन। संस्थागत रणनीतिक अभिमुखीकरण सबसे ऊँचा (और अन्य सक्षमकों पर सबसे अधिक प्रभावशाली) रहा, उपलब्ध संसाधन दूसरे स्थान पर। विश्वसनीयता (नीतिगत अनुपालन, पारदर्शी/निष्पक्ष एल्गोरिदम, शिक्षाशास्त्रीय वैधता) को वह पूर्व-शर्त के रूप में रखा गया है जिसके बिना LA-आधारित हस्तक्षेप सार्थक नहीं हैं।

• LLM इंटरैक्शन गहराई कार्य गुणवत्ता की भविष्यवाणी करती है लेकिन स्मृति नहीं (2026)। Tsiligkiris (2026) टर्न-स्तरीय LLM संवादी टेलीमेट्री (गहराई/आयतन/गति) को सीखने के परिणामों से जोड़ता है: व्याख्या-तलब "गहराई" ने स्वतंत्र रूप से अंकित कार्य गुणवत्ता की भविष्यवाणी की (β = 6.27) लेकिन तत्काल स्मृति नहीं — विस्तार-संचालित बोध और पुनर्प्राप्ति-संचालित समेकन के बीच एक विच्छेदन, जिसका LA में इस बात पर प्रभाव है कि बड़े भाषा मॉडल (LLMs) इंटरैक्शन को कैसे मापा और मूल्यांकित किया जाता है।

• एक साझा इंटरैक्शन इकाई गायब है। 33 अध्ययनों की 46 वर्गीकरणों में कोई साझा मेटा-विशेषता नहीं है — समान लेबल भिन्न घटनाओं का नाम लेते हैं — इसलिए समीक्षा इंटरैक्शन प्रकरण का प्रस्ताव करती है, एक लक्ष्य-निर्देशित सीमित विनिमय, संवाद को कौशल अधिग्रहण के साथ सहसंबंधित करने की इकाई के रूप में (Borchers, Jansen & Weidlich (2026))।

• सहयोगी प्रवचन का सिमुलेशन लर्निंग एनालिटिक्स के लिए। Fang (2026) फ़ाइन-ट्यून्ड प्रतिभागी-विशिष्ट LLM एजेंटों का उपयोग सहयोगी समस्या-समाधान संवादों को पुनरुत्पादित करने के लिए करता है, ज्ञानवादी नेटवर्क विश्लेषण (ENA दूरी 0.17, क्रमचय p = 0.65) के साथ सत्यापित। यह दृष्टिकोण लर्निंग-एनालिटिक्स शोधकर्ताओं को इंटरैक्शन गतिशीलता, बारी-लेने, और विषयगत कोड प्रक्षेपवक्राओं का अध्ययन करने के लिए नया मानव डेटा एकत्र किए बिना प्रामाणिक सहयोगी प्रवचन उत्पन्न करने का एक स्केलेबल तरीका प्रदान करता है।

• खुला, पुनरुत्पादनीय डेटा और ट्रेस-तैयार एनालिटिक्स। ASTRA एक सिंथेटिक बेंचमार्क जारी करता है जिसमें ट्रेस-तैयार स्कीमा है (N=540; 360 सत्र; 1,440 प्रकरण) जो सहयोगी प्रोग्रामिंग में इंटरैक्शन और भागीदारी संतुलन का विश्लेषण करने के लिए है। लॉग और ट्रेस डेटा इस साहित्य में स्व-प्रतिवेदन का प्राकृतिक प्रतिपूरक हैं: एक ही संरचना अक्सर दो बार मापी जाती है, एक बार पूछकर और एक बार देखकर, और दोनों हमेशा सहमत नहीं होते। अलग से, एक अन्वेषणात्मक ML ढाँचा ने SHAP विश्लेषण के साथ विश्वविद्यालय छात्रों में इच्छित शैक्षणिक ChatGPT उपयोग से सबसे अधिक संबद्ध सीखने-संबंधी संरचनाओं की पहचान की, व्याख्या-योग्यता को प्राथमिकता देते हुए (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education)।

• पुनःप्रयोज्य एनालिटिक्स अधोसंरचना, केवल इन-हाउस सत्यापित (2026)। Bai et al. (2026) ने तीन जॉर्जिया टेक एआई सहायकों से प्रकाशित खोजों को कोड के बजाय कॉन्फ़िगरेशन मान बदलकर पुनरुत्पादित किया, हालाँकि दावा मौजूदा एकल-संस्था डेटासेट के पुनर्विश्लेषण और एक क्षमता विस्तार पर टिका है जो अंदरूनी लोगों ने किया।

संबंध

लर्निंग एनालिटिक्स ज्ञान अनुरेखण (मूल विश्लेषणात्मक), निर्माणकारक मूल्यांकन (एनालिटिक्स-संचालित मूल्यांकन), शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण (जो शिक्षार्थी प्रतिनिधित्व एनालिटिक्स भरते हैं), निजता (नीतिगत बाधा), और एडटेक प्लेटफ़ॉर्म (जहाँ एनालिटिक्स तैनात होते हैं) से जुड़ता है। क्योंकि निर्देशात्मक एनालिटिक्स को बढ़ते हुए सिमुलेटेड शिक्षार्थियों पर मूल्यांकित किया जाता है — जहाँ सिंथेटिक छात्र समूह नियंत्रित परीक्षणों में वास्तविक समूहों का स्थान लेते हैं — लर्निंग एनालिटिक्स छात्र सिमुलेशन से भी जुड़ता है।

• डैशबोर्ड जो दिखाते हैं वही तय करता है कि शिक्षक किस पर कार्रवाई करते हैं। Köroğlu et al. (2026) ने 27 अनुभवजन्य अध्ययनों (2016–2025) की समीक्षा की और आठ निर्णय प्रकारों में एआई-समर्थित व्याख्यातार निर्णय-निर्माण की एक सामाजिक-तकनीकी वर्गीकरण बनाई: शिक्षणात्मक, पाठ्यक्रम, मूल्यांकन, फीडबैक, शिक्षण-पर्यावरण, भावनात्मक, प्रशासनिक और नीतिगत। लर्निंग एनालिटिक्स डैशबोर्ड सबसे बार-बार रिपोर्ट की गई प्रणाली थीं, और कोडिंग दिखाती है कि सहायता उन शिक्षणात्मक, फीडबैक और मूल्यांकन निर्णयों पर केंद्रित थी जिन्हें व्यवहारगत पाठ और लॉग डेटा सूचित कर सकते हैं, जबकि भावनात्मक, नीतिगत, पाठ्यक्रम और शिक्षण-पर्यावरण निर्णय शायद ही समर्थित थे। लेखक इसे एक ध्यान-प्रभाव के रूप में पढ़ते हैं, क्षमता-सीमा के रूप में नहीं: क्योंकि प्रणालियों ने व्यवहारगत छात्र डेटा को दृश्यमान और कार्रवाई-योग्य बनाया, प्रेरणा, मेटाकॉग्निशन, भावना और पर्यावरण चिंताएँ उसके बाहर आ गईं जिस पर विचार करने के लिए डेटा ने व्याख्यातारों को आमंत्रित किया।

प्रक्रिया-स्तरीय उपकरणीकरण वर्णनात्मक स्तर का अगला नीचे का चरण है। Prol et al. (2026) ने एक ओपन सोर्स पार्सन-समस्या मंच का विस्तार किया ताकि प्रत्येक ब्लॉक रखने, हटाने और जमा करने को कालानुक्रमिक ट्रेस के रूप में दर्ज किया जा सके, प्रत्येक जमा को प्रति-ब्लॉक सत्यता रंगने और प्रयास इतिहास के साथ जोड़ा जा सके, और वैकल्पिक रूप से ट्रेस को एक बड़े भाषा मॉडल (LLMs) पाइपलाइन से गुज़ारा जा सके जो प्रशिक्षक समीक्षा के लिए बार-बार आने वाली कठिनाई पैटर्न को लेबल करती है। एक उच्च-श्रेणी जावा सॉफ़्टवेयर-डिज़ाइन पाठ्यक्रम में 68 छात्रों और एक परिचयात्मक पायथन पाठ्यक्रम में 36 छात्रों पर विश्लेषण ने वही तीन कठिनाइयाँ सामने लीं — गलत अपवाद प्रकार चुनना, throw के स्थान पर return प्रयोग करना, और गलत नियंत्रण-प्रवाह क्रम — जिसे सत्यता-और-प्रयास गणनाएँ उजागर नहीं कर सकतीं, क्योंकि वे यह उत्तर देती हैं कि व्यवस्था क्या सही थी नहीं, बल्कि प्रक्रिया क्या थी। एआई प्रशिक्षक के लिए एक व्याख्याकार के रूप में कार्य करता है, छात्र के मूल्यांकनकर्ता के रूप में नहीं, और उसका आउटपुट किसी वर्ग की कठिनाइयों के बारे में एक समीक्षा-योग्य परिकल्पना के रूप में रखा जाता है, किसी ग्रेड के रूप में नहीं।

• शिक्षण प्रणाली दीवार: लॉग डेटा मंचों के बीच सामान्यीकृत नहीं होता। MATHia, i-Ready, और IXL में से प्रत्येक यहाँ तक कि बुनियादी संरचनाओं — एक "प्रयास," एक "संकेत" — को अलग-अलग परिभाषित करता है, इसलिए मॉडल उनके बीच स्थानांतरित नहीं हो सकते। एक चल-रहे-कार्य प्रतिक्रिया समस्या पर वीडियो पक्ष से हमला करती है: एक Gemini पाइपलाइन ट्यूटरिंग स्क्रीन रिकॉर्डिंग को एक एकल स्क्रीनप्ले प्रतिलेख में डिस्टिल करती है, जिसे मूल MATHia लॉग के साथ सत्य-आधार के रूप में संरेखित किया गया है। जो वीडियो पुनर्प्राप्त करता है जो कोई एक स्ट्रीम नहीं: व्हाइटबोर्ड स्कैफोल्डिंग, बाहरी उपकरणों में मौन कैलकुलेटर कार्य, और ऑफ़-स्क्रीन संदर्भ जिसे मूल लॉग "निष्क्रियता" तक घटा देते हैं। अस्थायी एंकरिंग, घड़ी बहाव, और मंच घटनाओं को अन्य शिक्षण प्रक्रियाओं से अलग करने में खुले चुनौतियाँ बनी हुई हैं। (Towards breaking the learning system wall using multimodal tutoring transcriptions)

संबंधित अवधारणाएँ

• व्याख्यायोग्य कृत्रिम बुद्धिमत्ता
• ज्ञान अनुरेखण
• शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण
• निर्माणकारक मूल्यांकन
• निजता
• एडटेक प्लेटफ़ॉर्म
• छात्र सहभागिता
• AI शिक्षा मूल्यांकन
• प्रतिपुष्टि
• उच्च शिक्षा
• K-12
• बड़े भाषा मॉडल (LLMs)
• छात्रों का अनुकरण
• स्वयं-रिपोर्ट मापन
• अनुशंसा प्रणालियाँ और सीखने के पथ
• छात्र सहायता और सफलता — वह सहायता पक्ष जिसे पूर्वानुमान फीड करता है: रेफ़रल, आवंटन, और वे परिणाम जिन्हें वे हिलाते या नहीं हिलाते

संबंधित लेख

• Responsible Institutional Analytics: Interpreting Bias with AI Support — जिम्मेदार संस्थागत एनालिटिक्स: एआई सहायता से पूर्वाग्रहों की व्याख्या

• AI-Supported Lecturer Decision-Making in Higher Education: A Socio-Technical Perspective — उच्च शिक्षा में एआई-समर्थित व्याख्यातार निर्णय-निर्माण

• Federated and Explainable Learning Analytics for Privacy-Preserving Academic Risk Modeling Across Heterogeneous Educational Institutions — गोपनीयता-संरक्षण शैक्षणिक जोखिम मॉडलिंग के लिए संघीय और व्याख्या-योग्य लर्निंग एनालिटिक्स (Villegas-Ch et al. 2026)

• What Students Ask Matters: LLM Interaction Depth, Task Quality, and Immediate Recall in Higher Education — छात्र क्या पूछते हैं यही मायने रखता है: LLM इंटरैक्शन गहराई, कार्य गुणवत्ता, और तत्काल स्मृति (Tsiligkiris 2026)

• From Learning Analytics to Educational Interventions: Enhancing Decision-Making and Learning Design — लर्निंग एनालिटिक्स से शैक्षणिक हस्तक्षेपों तक: विश्वसनीय LA-आधारित हस्तक्षेपों के सक्षमक (Svetec, Divjak & Kadoić 2026)

• Understanding the Role of Learning Analytics and Generative Artificial Intelligence on Decision-Making and Learning Design Practice in Higher Education — शिक्षण डिज़ाइन निर्णय-निर्माण में LA और GenAI

• Analysis and Prediction of At-Risk Students Using Machine Learning Algorithms

• Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction

• Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies

• A Durability and Cross-Language Transfer Benchmark for a Validated Teaching-Feedback Classification Protocol

• Through the WordStream Glass: Revisiting Quantitative Encoding for Qualitative Learning Analytics

• Jointly Predicting Courses and Grades Using a Transformer-Based Model (TRACE)

• Toward Convergence in Student-LLM Interactions: A Rapid Scoping Review and Taxonomy for Learning-Oriented Use

• From Student Risk Prediction to SC2R: Semantics-Constrained Counterfactual Recourse for Educational Decision Support — छात्र जोखिम पूर्वानुमान से SC2R तक: प्रतिवर्ती संसाधन

• Bayesian cognitive diagnosis optimizes personalized learning paths via mediation of cognitive load and Hidden Markov Model state transitions — व्यक्तिगत शिक्षण मार्गों के लिए बेज़ियन संज्ञानात्मक निदान

• Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics — लर्निंग एनालिटिक्स के लिए स्व-व्याख्या करने वाले LM का डिस्टिलेशन

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

• Modelling Individual Participants as LLM Agents in Collaborative Problem Solving Simulations — सहयोगी समस्या-समाधान संवादों को पुनरुत्पादित करने वाले फ़ाइन-ट्यून्ड प्रतिभागी-विशिष्ट LLM एजेंट (Fang 2026)

• ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring — बहु-एजेंट ट्यूटरिंग और भागीदारी-संतुलित सहयोग के लिए ASTRA सिंथेटिक बेंचमार्क

• An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education — उच्च शिक्षा में भविष्य के ChatGPT उपयोग के ML/SHAP निर्धारक

• Making machine learning findings accessible to teachers in blended classrooms — मिश्रित कक्षाओं में शिक्षकों के लिए ML खोजों को सुलभ बनाना

• Outcome-based knowledge tracing with affinity mapping and memory augmented outcome impact — साहचर्य मैपिंग के साथ परिणाम-आधारित ज्ञान ट्रेसिंग

• How Online Learners Engage in Self-Directed Modeling: A Behavioral Analysis

• Capturing Session-to-Session Dynamics of Learning and Forgetting: Testing the Limits of Knowledge Tracing Models

• A Machine Learning Approach for Predicting Student Progress in Online Programming Education

• Learning paths and patterns in learning design: Insights from 500+ courses — 554 पाठ्यक्रमों में 29,064 नियोजित गतिविधियों के मार्कोव शृंखला और पैटर्न खनन, जो अर्जन द्वारा नेतृत्व और अभ्यास को समेकित करते हुए एक डिज़ाइन व्याकरण प्रकट करता है

• Pulla: A Parsons Problem Tool for Fine-Grained Behavioral Tracing and Instructor-Facing Problem-Solving Analysis — Pulla: पार्सन समस्याओं में प्रक्रिया-स्तरीय व्यवहार ट्रेसिंग और प्रशिक्षक-उन्मुख कठिनाई विश्लेषण (Prol et al. 2026)

• Generalizing a Highly Configurable Analytics Pipeline to Replicate and Support Educational Research Across Multiple Domains

• Beyond Compliance: A Proposed Framework for Ethical Governance of Student Data in Learning Analytics

• Using Learning Analytics to Support Secondary School Students' Writing with Generative AI — जनरेटिव एआई के साथ माध्यमिक विद्यालय छात्रों के लेखन का समर्थन के लिए लर्निंग एनालिटिक्स का उपयोग

• "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech — "हम इसे बाद में ठीक करेंगे": शिक्षा, एआई, और EdTech में छात्र गोपनीयता का टालना

• What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data — सत्यनिष्ठा मेट्रिक्स क्या चूकते हैं: सिंथेटिक शैक्षणिक डेटा पर एक संरचनात्मक जाँच

• Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics — Akçapınar (2026) — प्रारंभिक-सेमेस्टर LMS ट्रेस से एआई-सहायित नकल-जोखिम की भविष्यवाणी (AUC 0.763)

• Towards breaking the learning system wall using multimodal tutoring transcriptions — बहु-माध्यम ट्यूटरिंग प्रतिलेखन का उपयोग करके शिक्षण प्रणाली दीवार को तोड़ने की ओर (Thomas et al. 2026)