पढ़ाकर सीखना

इस पृष्ठ पर

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

पढ़ाकर सीखना (LbT) — वह शिक्षण ढाँचा, जो प्रोटेज़े प्रभाव (protégé effect) पर आधारित है और जिसमें छात्र किसी साथी, शिष्य या एजेंट को सामग्री समझाकर अपनी समझ गहरी करते हैं। पढ़ाकर सीखने और साथी-शिक्षण (peer tutoring) में दशकों के काम से पता चलता है कि अवधारणाएँ समझाना, संभावित गलतफ़हमियों का अनुमान लगाना और प्रश्नों के उत्तर देना समझ को मज़बूत करता है और स्थानांतरण (transfer) का समर्थन करता है। एआई के दौर में, सिखाने योग्य एजेंट (teachable agents) — और तेज़ी से बढ़ते हुए नौसिखिया शिष्य के रूप में विन्यस्त LLM — पढ़ाकर सीखना को बड़े पैमाने पर व्यवहार्य बनाते हैं, जिसमें छात्रों को शिक्षक की भूमिका में रखा जाता है जिन्हें समझाना, सुधारना और अंतराल भरना होता है।

विचार के लिए प्रश्न

किसी ऐसे समय को याद करें जब आपने किसी और को समझाने के बाद ही वास्तव में कुछ समझा। मानसिक स्तर पर तब क्या हो रहा था — और आपके अनुसार केवल अकेले पढ़ने के बजाय पढ़ाकर सिखाने से गहरी समझ क्यों पैदा होती है?
एक आम मत यह है कि पढ़ाना विशेषज्ञों के लिए है, और नौसिखियों के पास देने के लिए कुछ नहीं है। लेकिन 'पढ़ाकर सीखना' इसके ठीक उलट प्रस्ताव पर टिका है: पढ़ाने की तैयारी आपको ज्ञान को व्यवस्थित करने और अपने ही अंतरालों को खोजने के लिए मजबूर करती है। इससे यह किस प्रकार पुनर्परिभाषित करता है कि पढ़ाने से किसे लाभ होता है?
पेज 'सिखाने योग्य एजेंट' का वर्णन करता है — ऐसा सॉफ़्टवेयर जिसे छात्र सीखने के हिस्से के रूप में पढ़ाते हैं। किसी LLM के साथ, आप एक चैटबॉट को ऐसे गलतियाँ करने वाले नौसिखिया शिष्य के रूप में विन्यस्त कर सकते हैं जो प्रश्न पूछता है और गलतियाँ करता है। ऐसे शिष्य में आपको क्या डिज़ाइन करना होगा ताकि वह केवल बातचीत करने के बजाय वास्तव में सीखने में सुधार लाए?
एक चुनौती 'फ़ॉलिबिलिटी को इंजीनियर करना' है: एआई मॉडल को विशेषज्ञ-स्तरीय, धाराप्रवाह उत्तर देने के लिए प्रशिक्षित किया जाता है, जो उस संघर्षरत नौसिखिया के ठीक उलट है जिसे पढ़ाकर सीखने की प्रतिमान चाहती है। गलतियाँ करने वाला शिष्य सही शिष्य से सीखने के लिए अधिक प्रभावी क्यों हो सकता है?
एक ChatGPT-आधारित सिखाने योग्य एजेंट ने सीखने में सुधार किया, लेकिन सही कोड उत्पन्न करने की प्रवृत्ति ने त्रुटि-सुधार अभ्यास को सीमित कर दिया। ऐसा उपकरण जो हमेशा सही उत्तर दे, उस शिक्षार्थी को किस प्रकार घाटे में रख सकता है जिसे गलतियाँ पहचानने और सुधारने का अभ्यास चाहिए?
यदि आप अपनी कक्षा के लिए पढ़ाकर सीखने की एक गतिविधि डिज़ाइन करें, तो शिक्षण कार्य को कितना परिणामपरक बनाएँगे कि छात्र उसमें असली मेहनत करें, बजाय इसके कि कोई उत्तर कॉपी-पेस्ट कर लें?

परिचय

पढ़ाकर सीखना वह निष्कर्ष है, जो सामान्यतः प्रोटेज़े प्रभाव (protégé effect) से जुड़ा हुआ है, कि पढ़ाने की तैयारी — और किसी दूसरे व्यक्ति या सिखाने योग्य एजेंट को वास्तव में समझाना — केवल अकेले पढ़ने से गहरी प्रक्रिया उत्पन्न करता है। शिक्षण की माँगें शिक्षार्थियों को ज्ञान व्यवस्थित करने, गलतफ़हमियों का अनुमान लगाने और व्याख्याएँ उत्पन्न करने के लिए मजबूर करती हैं, जिससे उनकी अपनी समझ में अंतराल सामने आते हैं और मेटाकॉग्निशन मज़बूत होती है। एआई इस विचार में दोनों दिशाओं से प्रवेश करता है: ट्यूशनिंग सिस्टम और सिखाने योग्य एजेंट छात्र की भूमिका निभा सकते हैं, जबकि बढ़ती हुई साहित्य यह पूछती है कि जब मशीन, शिक्षार्थी के बजाय, व्याख्या देती है तो सीखने पर क्या असर पड़ता है (जनरेटिव-AI, CS शिक्षा)।

प्रोटेज़े प्रभाव

पढ़ाकर सीखना उस निष्कर्ष पर टिका है कि पढ़ाने की तैयारी और किसी दूसरे व्यक्ति को वास्तव में समझाना केवल अकेले पढ़ने से गहरी प्रक्रिया उत्पन्न करता है। शिक्षण की माँगें — विचारों को शब्दों में ढालना, गलतफ़हमियों का अनुमान लगाना और प्रश्नों के उत्तर देना — शिक्षार्थियों को ज्ञान व्यवस्थित करने, अपनी समझ में अंतराल पहचानने और ऐसी व्याख्याएँ उत्पन्न करने के लिए मजबूर करती हैं जो याद रखने और स्थानांतरण का समर्थन करती हैं। लाभ सबसे स्पष्ट रूप से सहयोगी शिक्षा संदर्भों में और उन अच्छी तरह संरचित क्षेत्रों में दिखते हैं जो सिखाने योग्य एजेंट का समर्थन करते हैं (जैसे, Betty's Brain)। प्रोटेज़े प्रभाव इस तंत्र को नाम देता है: छात्र किसी चीज़ को पढ़ाने के लिए ज़िम्मेदार महसूस करते ही अधिक प्रयास करते हैं और अधिक गहराई से चिंतन करते हैं, इसलिए वे व्याख्या और मेटाकॉग्निशन के माध्यम से एआई के बारे में गलतफहमियाँ स्पष्ट करते हैं और अंतराल भरते हैं।

सिखाने योग्य एजेंट: नियम-आधारित से संवादी तक

सिखाने योग्य एजेंट वे सॉफ़्टवेयर सिस्टम हैं जिनके माध्यम से पढ़ाकर सीखना व्यवहार्य बनाया जाता है — शिक्षार्थी सीखने के हिस्से के रूप में किसी सिस्टम को पढ़ाता है। पारंपरिक सिखाने योग्य एजेंट नियम-आधारित या पुनर्प्राप्ति-आधारित थे और केवल सीमित कमांड का उत्तर दे सकते थे; उनकी मुख्य सीमा प्राकृतिक-भाषा संवाद में संलग्न न हो पाना था। बड़े भाषा मॉडल इसे बदलते हैं: वे प्रॉम्प्टिंग के माध्यम से लचीले ढंग से भूमिकाएँ अपना सकते हैं — जिसमें ऐसी "शिष्य" की भूमिका भी है जो प्रश्न पूछती है या गलतियाँ करती है — और खुले संवाद में संलग्न हो सकते हैं, जिससे पहले से संभव से कम संरचित क्षेत्रों (लेखन, शब्दावली) में पढ़ाकर सीखना संभव होता है।

ज्ञान आधार के प्रमाण आधार इस बदलाव को संवादी, LLM-आधारित सिखाने योग्य एजेंट से जोड़ते हैं:

ChatGPT एक सिखाने योग्य एजेंट के रूप में (Chen et al.) प्रोग्रामिंग में पढ़ाकर सीखने का समर्थन करता है, ज्ञान लाभ, प्रोग्रामिंग क्षमता और स्व-नियमित सीखने में सुधार करता है — हालाँकि सही कोड उत्पन्न करने की प्रवृत्ति त्रुटि-सुधार अभ्यास को सीमित करती है।
बड़े पैमाने पर Explique (Wang et al.) ने एक एआई सिखाने योग्य एजेंट (Algorithm Apprentice) को 11 सप्ताह के सेमेस्टर में 546 छात्रों तक पहुँचाया, और पाया कि व्याख्या-उन्मुख संवाद कम गलत क्विज़ सबमिशन की भविष्यवाणी करता है, जबकि बाहरी सामग्री के पुनर्उपयोग से अधिक गलत सबमिशन होते हैं।
शब्दावली शिक्षण (Uchida et al.) ने गतिशील प्रश्न उत्पन्न करने के लिए एक LLM को छात्र के रूप में उपयोग किया, जिससे 3 और 7 दिनों पर याद रखने में सुधार हुआ।

फ़ॉलिबिलिटी को इंजीनियर करना: LLM नौसिखिया शिष्य के रूप में

LLM-आधारित सिखाने योग्य एजेंट के लिए एक केंद्रीय डिज़ाइन चुनौती यह है कि LLM को डिफ़ॉल्ट रूप से विशेषज्ञ-स्तरीय, धाराप्रवाह उत्तर उत्पन्न करने के लिए प्रशिक्षित किया जाता है — जो उस गलतियाँ करने वाले नौसिखिया के ठीक उलट है जिसे पढ़ाकर सीखने की प्रतिमान चाहती है। किसी LLM को अच्छा शिष्य बनाने के लिए फ़ॉलिबिलिटी को इंजीनियर करना आवश्यक है:

उत्पन्न की गई गलतियाँ असली जैसी लग सकती हैं। एक अंधा एनोटेशन अध्ययन में, विशेषज्ञों ने LLM-द्वारा उत्पन्न 196 में से 164 (83.7%) Java सबमिशन को मानव-लिखित मान लिया, इसलिए एक शिष्य डिबग करने के लिए वास्तविक बग दे सकता है, केवल सही कोड नहीं (Keramati et al. (2026))।
सिखाने योग्यता के लिए प्रॉम्प्टिंग (Miller & Bosch) ने पाया कि स्पष्ट रूप से त्रुटि उत्पादन को मजबूर करने वाले बाधा-आधारित प्रॉम्प्ट (जैसे, "गलत उत्तर दें" या "2–3 चीज़ें गलत करें") व्यक्तित्व-, गलतफ़हमी- या अनिश्चितता-आधारित प्रॉम्प्ट की तुलना में बहुत अधिक भरोसेमंद ढंग से नौसिखिया जैसा व्यवहार उत्पन्न करते हैं।
इंजीनियर किए गए ज्ञान अंतराल (Yang et al.) ऐसी समस्याएँ डिज़ाइन करते हैं जिन्हें LLM केवल उस ज्ञान के बिना हल नहीं कर सकता जो केवल छात्र के पास है, जिससे पढ़ाना एक आवश्यकता बन जाता है और LLM-के-रूप में-ट्यूटर उपयोग की निष्क्रिय अति-निर्भरता का मुकाबला होता है।
Explique के प्रशिक्षु (apprentice) बाधाएँ (Wang et al.) शिष्य को निर्देश देती हैं कि वह (a) नौसिखिया बना रहे, (b) जब तक छात्र की व्याख्या सही न हो जाए स्पष्टीकरण माँगता रहे, और (c) लक्ष्य व्याख्या कभी न खोले — और उन छात्रों का विरोध करे जो भूमिकाएँ उलटकर शिष्य से वापस समझवाना चाहते हों।
अनलर्निंग फ़ॉलिबिलिटी का एक वज़न-स्तरीय मार्ग है। मशीन अनलर्निंग Mistral-7B में 16 लक्षित ज्ञान घटकों को दबाती है, जिससे सटीकता लगभग 0.75 (10% विस्मरण अनुपात पर) से घटकर 40% पर 0.5 से नीचे चली जाती है, जबकि आधार मॉडल लगभग 0.85 के पास बना रहता है। दबाया गया ज्ञान पर्यवेक्षित पुनःसीखने और कोच-निर्देशित संवाद के माध्यम से लौट आता है, इसलिए शिष्य का ज्ञान स्तर एक घोंघे (dial) की तरह है, एक दावे की तरह नहीं (Song, Guo & Lin, 2026)।

प्रश्न पूछना, स्व-नियमन और सक्रिय सीखना

ज्ञान आधार में दो और सुविधाएँ बार-बार सामने आती हैं:

प्रश्न ज्ञान अंतराल पहचानते हैं। पढ़ाकर सीखने के सिस्टम अंतराल उजागर करने और समझ मज़बूत करने के लिए शिक्षार्थी-उत्पन्न प्रश्नों का उपयोग करते हैं, और LLM-द्वारा उत्पन्न प्रश्न कठोर टेम्पलेट-आधारित जनरेटरों की जगह लेते हैं।
टीच-बैक वह सामने आता है जो केवल स्पष्टीकरण चूक जाता है। एक 22 प्रतिभागियों वाले व्याख्यान-पश्चात समीक्षा सिस्टम में, एक Peer एजेंट की चिंतनशील टीच-बैक ने लगातार यह अंतराल उजागर किए कि शिक्षार्थी क्या समझते थे बनाम वे क्या शब्दों में ढाल सकते थे, जिसे केवल व्याख्यान-आधारित स्पष्टीकरण ने नहीं खोला था (Fang & Reidsma (2026))।
पढ़ाकर सीखना स्व-शिक्षा में AI विनियमन को स्कैफ़ोल्ड करती है। किसी संवादी एजेंट को पढ़ाने से स्व-प्रभावशीलता और स्व-नियमित सीखने की रणनीतियों के क्रियान्वयन को बढ़ावा मिलता है, और यह पढ़ाकर सीखना को वांछनीय कठिनाइयाँ से जोड़ती है — समझाने और सुधारने का प्रयासपूर्ण कार्य स्वयं एक उत्पादक संघर्ष है जिसे एआई की घर्षण-हटाने की प्रवृत्ति अन्यथा मिटा देती।
ट्यूटर सीखने की भविष्यवाणी करने वाली चीज़ ज्ञान-निर्माण है, पूर्व ज्ञान नहीं। 23 मध्य-विद्यालयीन ट्यूटरों में, उन प्रतिक्रियाओं का हिस्सा जिन्होंने ज्ञान का निर्माण किया बजाय इसके कि उसे दोहराएँ, उन्होंने संकल्पनात्मक पोस्ट-टेस्ट स्कोर की भविष्यवाणी की (β = .138, p < 0.05), जबकि पूर्व टेस्ट स्कोर ने यह भविष्यवाणी नहीं की कि कौन उन्हें उत्पन्न करेगा, और कम-पूर्व ज्ञान वाले ट्यूटर जिन्होंने ज्ञान निर्माण किया, वे उच्च-पूर्व साथियों के बराबर पूरे किए (Ameen et al., 2026)।

एआई शिक्षा में यह क्यों मायने रखता है

पढ़ाकर सीखना प्रबल LLM-के-रूप में-ट्यूटर पैटर्न का रचनात्मक, सक्रिय अधिगम (Active Learning) प्रतिपूरक है। जहाँ एक ट्यूटर उत्तर देता है (और अति-निर्भरता का जोखिम उठाता है), वहीं पढ़ाकर सीखने की व्यवस्था छात्र को शिक्षक बनाती है, जिससे व्याख्या, अंतराल-पहचान और ज्ञान निर्माण मजबूरी से होते हैं। यह पढ़ाकर सीखना को जेनरेटिव एआई को बैसाखी से गहरी सीखने के उपकरण में बदलने की एक प्रमुख रणनीति के रूप में स्थापित करता है, और इसे वांछनीय कठिनाइयाँ, सक्रिय अधिगम (Active Learning), और कंस्ट्रक्टिविज़्म शिक्षाशास्त्र और शिक्षण रणनीतियाँ से जोड़ता है।

पढ़ाकर सीखने का अभ्यास में उतारना

एक एआई शिष्य के लिए डिज़ाइन पैटर्न

ऊपर का शोध कुछ पुनःप्रयोज्य पैटर्नों पर आता है जो डिफ़ॉल्ट-विशेषज्ञ LLM को उत्पादक शिष्य में बदलते हैं:

बाधा-आधारित नौसिखिया प्रॉम्प्ट (सर्वाधिक भरोसेमंद)। मॉडल से "एक भ्रमित छात्र की नकल करो" कहने के बजाय, स्पष्ट रूप से फ़ॉलिबिलिटी और एक शिक्षण चक्र को मजबूर करें, जैसे: "तुम [concept] के बारे में सीख रहे एक नौसिखिया छात्र हो। मुझे अपने लिए इसे पढ़ाने को कहो। स्पष्टीकरण के प्रश्न पूछो और हमारी बातचीत के दौरान जान-बूझकर 2–3 चीज़ें गलत करो। सही उत्तर स्वयं कभी मत बताओ — मेरी व्याख्या का इंतज़ार करो, फिर मुझे बताओ कि मैंने समझ में पड़ा या नहीं।"
रिवर्स-टीचिंग गार्ड। एक नियम जोड़ें कि जब छात्र भूमिकाएँ उलटने की कोशिश करे तो शिष्य को उत्तर वापस समझाने से इनकार करना हो: "अगर मैं तुमसे समस्या हल करवाऊँ या अवधारणा समझाऊँ, तो मुझे याद दिलाओ कि शिक्षक मैं हूँ और इसके बजाय मुझे उसे समझाने को कहो।" Explique दिखाता है कि यही विरोध पढ़ाकर सीखने की अंतःक्रिया को बनाए रखता है।
इंजीनियर किए गए ज्ञान अंतराल। कार्य को इस तरह संरचित करें कि मॉडल केवल उस जानकारी के बिना उत्तर न दे सके जो केवल छात्र के पास है — छात्र का ज्ञान सचमुच आवश्यक बन जाता है, वैकल्पिक नहीं। यह अंतःक्रिया को वैकल्पिक गपशप से आवश्यक शिक्षण में बदल देता है।
एक बाहरी सफलता मानदंड। शिक्षण को एक असली परिणाम दें — एक गेटकीपर क्विज़ जो केवल छात्र के सफलतापूर्वक पढ़ाने के बाद खुले (Explique), या एक कोड-निर्णय प्लेटफ़ॉर्म जिसे छात्र को एजेंट के आउटपुट को पास कराना हो (Chen)। जवाबदेही ही असली मेहनत को बनाए रखती है और पूरे अभ्यास के केवल एक चेकबॉक्स बनने से रोकती है।

शिक्षकों के लिए सुझाव

शिक्षण कार्य को परिणामपरक बनाएँ, व्यस्त काम नहीं। भागीदारी के लिए सबसे मज़बूत प्रमाण उन गतिविधियों से आता है जो मायने रखती हैं — Explique ने एक अंकित क्विज़ को शिक्षण अभ्यास के पीछे गेट किया; Chen ने शिष्य के आउटपुट को एक निर्णय प्लेटफ़ॉर्म पास करने से जोड़ा। यदि पढ़ाना पूरी तरह वैकल्पिक हो, तो छात्र तर्कसंगत ढंग से कठिन हिस्से को छोड़ देंगे।
छात्रों को केवल चैट विंडो नहीं, एक शिक्षण प्रोटोकॉल दें। अंतःक्रिया को एक संरचना के साथ स्कैफ़ोल्ड करें — "अवधारणा समझाओ → एक ठोस उदाहरण दो → शिष्य के प्रश्नों का उत्तर दो → समझ की जाँच करो" — ताकि खुला संवाद एक जानबूझकर की गई शिक्षण अनुक्रम बने, निदानहीन बातचीत नहीं।
सामग्री-डंपिंग का सीधे सामना करें। Explique ने पाया कि बाहरी सामग्री को सीधे कॉपी-पेस्ट करना सेमेस्टर के अंत तक अंतःक्रियाओं के 15% से घटकर 30–35% हो गया। छात्रों को बताएँ कि पेस्ट करना उद्देश्य को हरा देता है, और एक जवाबदेही कदम पर विचार करें (जैसे, "एजेंट की गलतफ़हमी अपने शब्दों में समझाओ")।
पढ़ाकर सीखने को डिबगिंग अभ्यास के साथ जोड़ें। क्योंकि एआई सही कोड लिखता है, छात्र त्रुटि-सुधार अभ्यास खो सकते हैं। जान-बूझकर शिष्य से कुछ गलत तरीके से लागू करने को कहें, या शिक्षण सत्र के बाद एक बग-खोज कार्य कराएँ, ताकि डिबगिंग चक्र में बनी रहे।
मेहनत के ढलान पर नज़र रखें। तस्वीर के धुंधले होने (novelty fade) की अपेक्षा करें; संज्ञानात्मक मेहनत को पूरे टर्म में बनाए रखने के लिए लक्ष्य अवधारणाओं को बदलने, चुनौती जोड़ने, या यह घुमाने की योजना बनाएँ कि कौन से छात्र शिक्षक भूमिका लेते हैं।

डेवलपरों के लिए सुझाव

केवल व्यक्तित्व के बजाय कठोर बाधाएँ प्राथमिकता दें। "अनिश्चितता" या "एक छात्र व्यक्तित्व" के लिए प्रॉम्प्टिंग अविश्वसनीय है; स्पष्ट रूप से त्रुटियाँ और एक स्पष्टीकरण चक्र मजबूर करें। (देखें Prompting for Teachability: Designing Novice Personas in LLMs for Learning by Teaching Contexts।)
एक पूर्णता मानदंड बनाएँ। यह परिभाषित करें कि छात्र ने कब पर्याप्त समझा दिया (Explique ने अवधारणा के सीखने के उद्देश्यों से जुड़ा एक LLM टूल फ़ंक्शन उपयोग किया) ताकि अंतःक्रिया समझ पर समाप्त हो, समय सीमा या निश्चित बारी संख्या पर नहीं।
संवाद को लॉग और कोड करें। Explique ने शब्द-प्रति-मिनट पहचान के साथ LLM शब्दार्थ कोडिंग का उपयोग किया ताकि अंतःक्रियाओं को विस्तृत / न्यूनतम / बाहरी सामग्री उपयोग में वर्गीकृत किया जा सके — वही संकेत है जिससे आप चक्रा-व्यवहार (circumvention) और घटती भागीदारी को समस्या बनने से पहले पहचान सकते हैं।
शिक्षकों को एक डैशबोर्ड दें। शिक्षण अंतःक्रियाओं में पूर्णता दरें और गुणात्मक पैटर्न किसी मनुष्य को तब हस्तक्षेप करने देते हैं जब मेहनत घटती है (Explique के शिक्षकों ने ठीक यही निगरानी की)।

निहितार्थ और खुले प्रश्न

पढ़ाकर सीखना एआई अति-निर्भरता का एक स्केलेबल प्रतिकार है — यह ट्यूटर/छात्र भूमिका को उलट देता है और शिक्षार्थी को संज्ञानात्मक रूप से सक्रिय रखता है, जो इस दृष्टि से अधिक मायने रखता है कि एआई अधिक धाराप्रवाह और अधिक "सहायक" होता जा रहा है।
फ़ॉलिबिलिटी एक सुविधा है, बग नहीं। एक बहुत सही शिष्य वह त्रुटि-सुधार और अंतराल-पहचान हटा देता है जो पढ़ाकर सीखने को काम करने देती है; उत्पादक संघर्ष के पक्ष में डिज़ाइन करें, उसके विरुद्ध नहीं।
खुले प्रश्न शेष हैं: जब तस्वीर पूरी तरह मिल जाए तो पढ़ाकर सीखने की अंतःक्रियाएँ एक सेमेस्टर से आगे कैसे बनी रहती हैं? क्या पढ़ाकर सीखना गैर-CS, कम संरचित क्षेत्रों में उसी पैमाने पर स्थानांतरित होती है? क्या स्वचालित संवाद कोडिंग शिक्षकों के लिए एक व्यावहारिक, वास्तविक-समय भागीदारी निगरानी बन सकती है? और हम शिक्षक भूमिका को हर छात्र के लिए कुछ उत्साही छात्रों के बजाय कैसे सार्थक रखें?

मेटाडेटा

विषय क्षेत्र	Cs Education
अधिगम और शिक्षण	सक्रिय अधिगम (Active Learning), पढ़ाकर सीखना, मड्गद, स्व-नियंत्रित अधिगम
प्रौद्योगिकियाँ और तकनीकें	जनरेटिव-AI, इंटेलिजेंट ट्यूटरिंग
मूल्यांकन और मापन	प्रतिपुष्टि

Source History Edit Chat