अधिगम लाभ

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

अधिगम लाभ — शैक्षणिक हस्तक्षेपों, जिनमें AI-सहायक प्रवर्तन भी शामिल हैं, के परिणामस्वरूप छात्रों के ज्ञान, कौशल या योग्यताओं में मापने योग्य सुधार। शिक्षा में AI अनुसंधान में, अधिगम लाभ यह मूल्यांकन करने के लिए प्राथमिक परिणाम मापदंड के रूप में काम करते हैं कि AI उपकरण वास्तव में सीखना सुधारते हैं या नहीं — न केवल सहभागिता या संतोष।

विचार के लिए प्रश्न

• क्या आपने कभी ऐसा महसूस किया कि आपने किसी गतिविधि से बहुत कुछ सीखा, और फिर कुछ भिन्न मापने वाले परीक्षण में असफल रहे? यह पेज AI-सहायक तत्क्षण प्रदर्शन और स्थायी अधिगम को अलग करता है — आपके अपने अनुभव में ये दोनों किस प्रकार भिन्न हो सकते हैं?
• एक मुख्य निष्कर्ष यह है कि जनरेटिव AI AI-सहायक गृहकार्य पर अंकों को बढ़ा-चढ़ा कर दिखा सकता है, जबकि पर्यवेक्षित, बंद-पुस्तक मापदंडों पर अंक घटा सकता है। यदि आप यह मूल्यांकन कर रहे हों कि कोई AI उपकरण वास्तव में छात्रों की सीखने में मदद करता है या नहीं, तो आप किस परिणाम पर भरोसा करेंगे और क्यों?
• अनुसंधान बताते हैं कि AI पर बिना मार्गदर्शन निर्भरता खराब अधिगम लाभ की भविष्यवाणी करती है, जबकि संरचित उपयोग बेहतर लाभ की भविष्यवाणी करता है — वही उपकरण, विपरीत परिणाम। एक वास्तविक कक्षा में 'संरचित' और 'बिना मार्गदर्शन' उपयोग में क्या अंतर है?
• संकेत बटनों का अधिगम में कमी से संबंध है: अधिक संकेत, कम सीखना। क्या आपने कभी फँसने के क्षण पर तुरंत किसी संकेत या उत्तर तक पहुँचने की कोशिश की है? यह इस बारे में क्या बताता है कि सीखने के लिए कितना संघर्ष वास्तव में आवश्यक है?
• एक बड़े मेटा-विश्लेषण ने अनेक अध्ययनों को एकत्रित किया और पाया कि AI-सक्षम EdTech ने अधिगम को मामूली मात्रा में बढ़ाया, और जनरेटिव AI का पहले के अनुकूली उपकरणों पर कोई लाभ नहीं मिला। इस सतर्क, एकत्रित अनुमान को ध्यान में रखते हुए आप किसी एक AI उत्पाद की प्रभावशीलता के रोमांचक दावों को कैसे पढ़ें?

परिचय

अधिगम लाभ किसी भी शैक्षणिक प्रौद्योगिकी की परम परीक्षा हैं। इस ज्ञान-आधार के अनुसंधान में ये यादृच्छिक नियंत्रित परीक्षणों में आश्रित चरों के रूप में, अर्ध-प्रयोगात्मक अध्ययनों में पूर्व-पश्चात तुलनाओं के रूप में, तथा AI उपकरण उपयोग को शैक्षणिक परिणामों से जोड़ने वाले सहसंबंधात्मक विश्लेषणों के रूप में दिखाई देते हैं।

शब्दावली। उपलब्धि का परिणाम अर्थ — छात्र उपलब्धि, शैक्षणिक उपलब्धि, अधिगम उपलब्धि, पूर्व उपलब्धि, उपलब्धि अंतराल — यहाँ अधिगम लाभ का पर्यायवाची माना जाता है, और ये वाक्यांश इस पेज से जुड़े होते हैं। अनुभूत अर्थ ("एक उपलब्धि की भावना") एक प्रेरक अनुभव है, मापे गए परिणाम नहीं; देखें प्रेरणा और स्व-प्रभावशीलता। उपलब्धि-लक्ष्य सिद्धांत ("उपलब्धि लक्ष्य", लक्ष्य अभिमुखिकाएँ) भी एक प्रेरक संकल्पना है और प्रेरणा से जुड़ा है।

ज्ञान-आधार के मुख्य निष्कर्ष:

• अनुकूली पूर्व-परीक्षण अनुसंधान यह जाँचता है कि GenAI-सक्षम पूर्व-परीक्षण क्या स्थायी अधिगम लाभ उत्पन्न करती है जो तत्क्षण परीक्षण से आगे बने रहते हैं।
• प्रोग्रामिंग में GenAI के मेटा-विश्लेषण संरचित AI उपयोग से सकारात्मक अधिगम लाभ पाते हैं लेकिन बिना मार्गदर्शन निर्भरता से नकारात्मक प्रभाव पाते हैं — उत्पादकता और स्थायी अधिगम के बीच एक प्रमुख अंतर।
• संकेत बटन अनुसंधान संकेत के दुरुपयोग और अधिगम लाभ के बीच नकारात्मक संबंध दिखाता है — अधिक संकेत, कम सीखने से संबंधित।
• प्रवर्तनात्मक मार्गदर्शन अध्ययन दर्शाते हैं कि अधिगम लाभ इस बात पर निर्भर करते हैं कि AI का उपयोग कैसे किया जाता है, न कि केवल इस बात पर कि वह उपलब्ध है या नहीं।
• विश्व बैंक मेटा-विश्लेषण 14 RCT से 191 प्रभाव आकारों को एकत्रित करके अनुमान लगाता है कि अनुकूली और AI-सक्षम EdTech औसतन ~0.125 मानक विचलन से अधिगम बढ़ाता है — शिक्षा RCTs की माध्यिका से ऊँचा — जबकि जनरेटिव AI का पहले के अनुकूली उपकरणों पर कोई लाभ नहीं मिलता।
• लाभ सामग्री–उपचार अंतःक्रियाएँ हैं, स्थिरांक नहीं। Rachatasumrit एट अल. (2025) दिखाते हैं कि इष्टतम उदाहरण–समस्या अनुपात ज्ञान सामग्री पर निर्भर करता है: शुद्ध पुनर्प्राप्ति अभ्यास से शाब्दिक तथ्यों के लिए अधिक लाभ मिलते हैं, जबकि उदाहरण-एकीकृत अभ्यास (हल किए गए उदाहरणों और समस्याओं का बारी-बारी से लगाना) सामान्यीकरण योग्य कौशलों के लिए अधिक लाभ देता है — यह प्रत्यक्ष साक्ष्य है कि "अधिक अभ्यास" हमेशा बेहतर नहीं होता और लाभ प्रशिक्षण कार्यक्रम को सीखे जा रहे ज्ञान घटक से मिलाने पर निर्भर करते हैं।

AI-युग की मापन समस्या

ज्ञान-आधार की अधिगम-लाभ अनुसंधान में एक केंद्रीय थीम यह है कि जनरेटिव AI अधिगम लाभ उत्पन्न किए बिना प्रदर्शन को बढ़ा-चढ़ाकर दिखा सकता है — और यह कि परिणाम मापदंड का चयन यह निर्धारित करता है कि यह दिखाई देगा या नहीं। अनुसंधान और बड़े पैमाने पर क्षेत्रीय आँकड़े एक तीखे विचलन को दिखाते हैं: AI उपयोग AI-सहायक गृहकार्य पर अंक सुधारता है जबकि पर्यवेक्षित, बंद-पुस्तक, असहायक मापदंडों पर अंक घटाता है। प्रदर्शन-बनाम-अधिगम अनुसंधान और तेज़ समीक्षाएँ इसलिए तत्क्षण AI-सहायक प्रदर्शन को स्थायी अधिगम से अलग करती हैं, और असहायक योगपरक मापदंडों (देखें समापक मूल्यांकन) को वास्तविक अधिगम लाभ का विश्वसनीय संकेत मानती हैं।

प्रभावशीलता अनुसंधान क्या दिखाता है

ज्ञान-आधार के RCTs, मेटा-विश्लेषण और क्षेत्रीय अध्ययनों में अधिगम प्रभावशीलता (कौन से AI हस्तक्षेप वास्तव में अधिगम लाभ उत्पन्न करते हैं, और कितने बड़े) की एक सुसंगत तस्वीर उभरती है:

• मेटा-विश्लेषणात्मक साक्ष्य व्यापक रूप से सकारात्मक है लेकिन सशर्त। 53 अध्ययनों के एक व्यापक मेटा-विश्लेषण (Dong 2026) से पाता है कि जनरेटिव AI सामान्यतः शैक्षणिक उपलब्धि, उच्च-स्तरीय सोच और लेखन पर पारंपरिक दृष्टिकोणों से बेहतर प्रदर्शन करता है — AI प्रतिपुष्टि विशेष रूप से प्रभावी — हालाँकि खेल-सहायक GenAI कोई महत्वपूर्ण अतिरिक्त लाभ नहीं दिखाता और लाभ देश और परिणाम के अनुसार भिन्न होते हैं। GenAI-और-प्रोग्रामिंग मेटा-विश्लेषण बड़ी उत्पादकता लाभ पाता है लेकिन कोई महत्वपूर्ण अधिगम लाभ नहीं (g ≈ 0), जो कार्य-दक्षता को स्थायी अधिगम से अलग करता है। एक भाषा-सीखने का मेटा-विश्लेषण AI-उन्नत व्यक्तिकृत रोबोटों से सकारात्मक लेकिन मामूली अधिगम लाभ पाता है। AI साक्षरता के लिए विशेष रूप से, 59 अध्ययनों का एक तीन-स्तरीय मेटा-विश्लेषण एक बड़ा समग्र प्रभाव अनुमानित करता है (g = 0.837) — लेकिन व्यापक पूर्वानुमान अंतराल और यह निष्कर्ष कि ज्ञान-केंद्रित हस्तक्षेपों ने कौशल, दृष्टिकोण या नैतिकता को लक्षित करने वालों से बेहतर प्रदर्शन किया, सतर्क करता है कि मापा गया परिणाम प्रत्यक्ष लाभ को आकार देता है, यह व्यापक बिंदु का पुनरुक्ति है कि AI-संबंधी लाभ इस बात पर निर्भर करते हैं कि आप क्या और कैसे मूल्यांकन करते हैं।
• अच्छी तरह से डिज़ाइन किए गए AI ट्यूटर वास्तविक लाभ उत्पन्न करते हैं। एक दो-वर्षीय क्लस्टर RCT (Khanmigo) में पाया गया कि AI ट्यूटरिंग ने प्रति पाठ्यक्रम गणित उपलब्धि ~1.3 राष्ट्रीय प्रतिशतक श्रेणी बढ़ाई (~0.06–0.08 SD/विद्यालय वर्ष, पूरे वर्ष के लिए ~0.14 SD), लाभ AI के बिना अभ्यास जैसे — यह दर्शाता है कि सहभागिता, मॉडल क्षमता नहीं, बाध्यकारी बाधा है। NUMI ने दिखाया कि गलतियों के बाद AI सहायता ने अगले प्रयास की शुद्धता बढ़ाई, प्रति प्रश्न अधिक समय के साथ — एक "उत्पादक मंदी" जो स्थायी निपुणता बनाती है। आभासी ट्यूटरिंग में पाया गया कि बाध्यकारी बाधा स्वीकृति और निरंतर भागीदारी है, ट्यूटर की गुणवत्ता नहीं।
• कक्षा के अपने शिक्षाशास्त्र से बना ट्यूटर ने केवल व्याख्यान नहीं, बल्कि सक्रिय अधिगम को भी हराया। हार्वर्ड के प्रारंभिक भौतिकी पाठ्यक्रम में एक क्रॉसओवर यादृच्छिक नियंत्रित परीक्षण (RCT) में, एक अनुकूलित AI ट्यूटर से सीखने वाले छात्रों ने पश्चात परीक्षण में मध्यिका 4.5 अर्जित की, पाठ्यक्रम की इन-क्लास सक्रिय-अधिगम पाठों के 3.5 के विरुद्ध (आधार मध्यिका 2.75), रेखीय प्रतिगमन प्रभाव आकार 0.63 के साथ, और कार्य पर मध्यिका 49 मिनट बिताए, कक्षा में 60 के विरुद्ध (Kestin एट अल., 2025)। चूँकि नियंत्रण व्याख्यान के बजाय अनुसंधान-आधारित सक्रिय अधिगम था, यह परीक्षण ट्यूटर को एक कठिन तुलनकर्ता के विरुद्ध मापता है — यह वही डिज़ाइन जिसे लेखकों ने यह श्रेय दिया कि ट्यूटर को कक्षा जैसी ही अनुसंधान-आधारित प्रथाओं से इंजीनियर किया गया, साथ में माँग पर व्यक्तिगत प्रतिपुष्टि और स्व-गति।
• AI मानव सहायता के बराबर हो सकता है। ChatGPT-जनित सहायता गणित कौशल पर मानव ट्यूटर-रचित सहायता के बराबर अधिगम लाभ उत्पन्न करती है — यह साक्ष्य है कि जनरेटिव AI उचित रूप से उपयोग किए जाने पर मानव मड्गद के समान प्रभावी हो सकता है।
• लाभ इस बात पर निर्भर करते हैं कि कौन उसके साथ पढ़ा रहा है। AI सहायता दी गई कम-अनुभवी ट्यूटरों ने छात्र उत्तीर्ण दरों में 9 प्रतिशत अंक की वृद्धि की, अधिक अनुभवी ट्यूटरों के लिए छोटे लाभ — एक संवर्धन पैटर्न जो सबसे कम अनुभवी को सबसे अधिक बढ़ावा देता है (OECD, 2026)।
• अनिर्धारित AI सीखने को नुकसान पहुँचा सकता है। गार्डरेल RCT (PNAS 2025) में पाया गया कि अनिर्धारित ChatGPT-शैली ट्यूटर ने सहायक अभ्यास +48% बढ़ाया लेकिन असहायक परीक्षा अंकों में 17% की कमी की, जबकि गार्डरेल युक्त (संकेत-न-उत्तर) ट्यूटर ने नुकसान समाप्त कर दिया। यह सबसे तीखा प्रदर्शन है कि अधिगम प्रभावशीलता डिज़ाइन-निर्भर है: एक ही वर्ग का उपकरण इस बात पर निर्भर करते हुए मज़बूत अधिगम लाभ या शुद्ध नुकसान हो सकता है कि उसे कैसे विन्यस्त किया गया है।
• लेकिन अनिर्धारित पहुँच स्थायी रूप से मदद भी कर सकती है। एक तैयार ChatGPT खाते के साथ एक RCT में, पहुँच के दौरान असहायक परीक्षण स्कोरिंग 0.27 SD अधिक पाई गई, और लाभ एक सप्ताह बाद भी बना रहा — 747 शैक्षणिक RCTs में 0.10 SD माध्यिका से दोगुने से अधिक (Contractor और Reyes, 2026)।
• अनुभूत बनाम वास्तविक प्रभावशीलता में विचलन। स्व-रिपोर्ट किया गया प्रदर्शन मापे गए प्रदर्शन से मेल नहीं खाता, और अनुपस्थित संज्ञानात्मक आधार दिखाता है कि AI-मूल छात्र अपने अधिगम का आँकलन अधिक करते हैं — इसलिए स्व-रिपोर्ट पर आधारित प्रभावशीलता दावे उद्देश्यीय परिणाम मापदंडों के बिना अविश्वसनीय हैं। स्वयं-रिपोर्ट मापन वे मामले एकत्र करता है जहाँ रिपोर्ट किए और मापे गए परिणाम अलग होते हैं।
• लाभ शिक्षक समय का पुनर्विन्यास करने से आ सकते हैं, AI ग्रेडिंग से नहीं। 178 ब्राज़ीलियन विद्यालयों (~19,000 वरिष्ठ छात्रों) में एक यादृच्छिक प्रयोग में, AI और मानव निबंध ग्रेडिंग ने समान परीक्षा लाभ उत्पन्न किए, लेकिन AI कक्षाओं में लेखन पर एक-पर-एक शिक्षक बातचीत ~35% अधिक देखी गई, और निचली चौथाई दोनों स्थितियों में सुधरी नहीं (Ler, 2026)।

मुख्य निष्कर्ष: साक्ष्य का भार AI से मामूली, सशर्त और डिज़ाइन-निर्भर अधिगम लाभ का समर्थन करता है — वास्तविक जब AI को उत्तर देने के बजाय कोच करने के लिए संरचित किया जाता है, गार्डरेल लगाया जाता है, और असहायक परिणाम मापदंडों के साथ जोड़ा जाता है, और अनुपस्थित या नकारात्मक जब यह शिक्षार्थी के अपने प्रयास का प्रतिस्थापन करता है। यही कारण है कि एक परिणाम के रूप में अधिगम लाभ को वैध, AI-प्रतिरोधी उपकरणों से मापा जाना चाहिए और यह कि AI शिक्षा मूल्यांकन प्रभावशीलता दावों को कार्यपद्धिगत जाँच के साथ जोड़ता है।

• AI ट्यूटरिंग मानकीकृत परीक्षण लाभों में विशेषज्ञ मानव ट्यूटरिंग के बराबर हो सकता है। एक 2,383-प्रतिभागी मूल्यांकन में, एकत्रित AI ट्यूटरिंग GRE अधिगम लाभों पर विशेषज्ञ मानव ट्यूटरिंग के सांख्यिकीय रूप से समान थी (p = .015), दोनों बिना-ट्यूटरिंग नियंत्रण से ऊपर; लेखक ट्यूटरों की तुलना के लिए लाभ के प्रति प्रतिशत अंक लागत को इकाई के रूप में प्रस्तावित करते हैं (Northcutt एट अल., 2026)।

AI के सीखने और उपलब्धि पर प्रभावों का क्षेत्र-स्तरीय नक्शा

ज्ञान-आधार का संग्रह — मेटा-विश्लेषण, RCTs, अर्ध-प्रयोग और क्षेत्रीय अध्ययन — एक सूक्ष्म, कभी-कभी विरोधाभासी तस्वीर का समर्थन करता है। निष्कर्ष सकारात्मक, नकारात्मक और सशर्त प्रभावों में समूहित होते हैं।

सकारात्मक प्रभाव (AI वास्तविक अधिगम लाभ उत्पन्न कर सकता है):

• मेटा-विश्लेषणात्मक साक्ष्य व्यापक रूप से सकारात्मक है लेकिन सशर्त। 53-अध्ययन मेटा-विश्लेषण (Dong 2026) से पाता है कि जनरेटिव AI सामान्यतः शैक्षणिक उपलब्धि, उच्च-स्तरीय सोच और लेखन पर पारंपरिक दृष्टिकोणों से बेहतर प्रदर्शन करता है, AI प्रतिपुष्टि विशेष रूप से प्रभावी के साथ। 29 प्रयोगों के एक मेटा-विश्लेषण (Does Generative Artificial Intelligence Improve Students' Higher-Order Thinking? A Meta-Analysis Based on 29 Experiments and Quasi-Experiments) से उच्च-स्तरीय सोच पर मध्यम सकारात्मक प्रभाव मिलता है, समस्या समाधान के लिए सबसे मज़बूत, लेकिन रचनात्मकता के लिए सीमित।
• ट्यूटरिंग-विशिष्ट AI विश्वसनीय रूप से सामान्य-उद्देश्य AI से बेहतर है। स्टैनफ़ोर्ड SCALE समीक्षा और छत्र समीक्षा (Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025)) एकत्र होते हैं: संकेत और चरणबद्ध स्कैफ़ोल्डिंग के साथ शिक्षाशास्त्रीय रूप से डिज़ाइन किए गए एजेंट वास्तविक लाभ उत्पन्न करते हैं जहाँ खुले चैटबॉट अक्सर नहीं करते।
• अच्छी तरह से डिज़ाइन किए गए AI ट्यूटर वास्तविक, मापने योग्य लाभ उत्पन्न करते हैं। दो-वर्षीय Khanmigo RCT (One Click Away: AI Tutoring with Khanmigo in a Two-Year School Experiment) ने गणित उपलब्धि ~1.3 राष्ट्रीय प्रतिशतक श्रेणी प्रति पाठ्यक्रम बढ़ाई; NUMI ने गलतियों के बाद अगले प्रयास की शुद्धता सुधारी; आभासी ट्यूटरिंग ने दिखाया कि स्वीकृति बाध्यकारी बाधा है।
• AI मानव सहायता के बराबर हो सकता है। ChatGPT-जनित सहायता गणित कौशल पर मानव ट्यूटर-रचित सहायता के बराबर अधिगम लाभ उत्पन्न करती है।
• प्रतिपुष्टि-केंद्रित AI काम करता है। AI प्रतिपुष्टि सबसे प्रभावी GenAI अनुप्रयोगों में से एक है; लेखन के लिए AI प्रतिपुष्टि प्रवर्तन के साथ जोड़े जाने पर आलोचनात्मक सोच सुधारती है। एक क्षेत्रीय प्रयोग में, Geschwind एट अल. (2026) ने पाया कि खुले कार्यों पर व्यक्तिगत GPT-4 प्रतिपुष्टि पाने वाले छात्रों ने सबसे बड़ी सामग्री अधिगम लाभ दिखाए (~0.11, p < 0.10; पूर्व प्रतिपुष्टि वास्तव में पाने वालों में 0.16 तक बढ़कर) — एक प्रभाव जो विश्वसनीय, सुसंगत AI प्रावधान से संचालित था, न कि अंतर्निहित श्रेष्ठता से, क्योंकि उच्च-गुणवत्ता सहकर्मी प्रतिपुष्टि वास्तव में दिए जाने पर सहकर्मी परिणाम AI से मेल खाते थे। लेखन में LLM आलोचना साथी इसे पुनरावृत्त, सहयोगात्मक प्रतिपुष्टि तक बढ़ाते हैं: Oppenheimer, Cash और Connell Pensky (2025) ने तर्कसंगत लेखन, प्रॉम्प्ट इंजीनियरिंग और AI-प्रतिपुष्टि-प्रतिक्रिया गुणवत्ता पर पूरे सेमेस्टर में महत्वपूर्ण लाभ पाए (सभी p < .001, प्रति आयाम लगभग एक पूरा मानक विचलन), LLM सहायता के बिना लिखे निबंधों पर भी लाभ दिखे — स्थायी कौशल के साक्ष्य, केवल उपकरण निर्भरता नहीं, हालाँकि नियंत्रण स्थिति का अभाव कारणात्मक आरोपण को सीमित करता है।
• संरचित स्कैफ़ोल्ड लाभ देते हैं। स्कैफ़ोल्ड किया गया स्व-नियंत्रित प्रतिपुष्टि और अंतःक्रिया डिज़ाइन छोटे लेकिन महत्वपूर्ण लाभ दिखाते हैं जब AI को कोच करने के लिए डिज़ाइन किया जाता है।
• सहयोगात्मक और समस्या-आधारित संदर्भों में AI संरचित होने पर मदद करता है। AI-उन्नत PBL, AI-सहायक सहयोगात्मक अधिगम, और AI-डिज़ाइन किए गए सहयोगी तकनीकें सार्थक लाभ रिपोर्ट करते हैं।

नकारात्मक प्रभाव (AI सीखना घटा सकता है या सुधार नहीं सकता):

• अनिर्धारित AI सीखने को नुकसान पहुँचा सकता है। PNAS गार्डरेल RCT (Generative AI without guardrails can harm learning: Evidence from high school mathematics) में अनिर्धारित ChatGPT-शैली ट्यूटर ने सहायक अभ्यास +48% बढ़ाया लेकिन असहायक परीक्षा अंकों में 17% की कमी की; गार्डरेल ने नुकसान समाप्त कर दिया।
• तेज़ पूर्णता ≠ अधिगम। GenAI ने गणित समस्याओं पर अध्ययन समय और उनसे बनने वाले ज्ञान को कम किया; प्रदर्शन-बनाम-अधिगम अनुसंधान दिखाता है कि AI AI-सहायक प्रदर्शन को बढ़ाता है जबकि पर्यवेक्षित, बंद-पुस्तक, असहायक अंक घटाता है।
• गृहकार्य बाह्यीकरण सीखने को नुकसान पहुँचाता है। क्षेत्रीय आँकड़े जनरेटिव-AI अधिगम दंड दिखाते हैं जब छात्र गृहकार्य बाह्यीकृत करते हैं।
• बड़े भाषा मॉडल (LLMs) निर्भरता कम अंकों से संबंधित है। Jošt एट अल. ने कोड जनरेशन (rho = −0.305) और डिबगिंग (rho = −0.360) के लिए LLM उपयोग और अंतिम अंकों के बीच महत्वपूर्ण नकारात्मक सहसंबंध पाए।
• AI कुछ के लिए शिक्षण और उपलब्धि को नुकसान पहुँचा सकता है। एक शिक्षक-निर्देशित GenAI RCT में पाया गया कि माध्यिका से नीचे के शिक्षकों के छात्रों ने पैदावार खोई (−0.129 SD)।
• संकेत दुरुपयोग कम सीखने से संबंधित है। संकेत बटन अनुसंधान दिखाता है कि अधिक संकेत, अउत्पादक रूप से उपयोग किए गए, कम सीखने से संबंधित हैं।
• मेटा-विश्लेषणात्मक प्रोग्रामिंग लाभ भ्रमजनक हैं। GenAI-और-प्रोग्रामिंग मेटा-विश्लेषण बड़ी उत्पादकता लाभ पाता है लेकिन कोई महत्वपूर्ण अधिगम लाभ नहीं (g ≈ 0), जो कार्य-दक्षता को स्थायी अधिगम से अलग करता है।

सशर्त और मिश्रित प्रभाव (संदर्भ दिशा निर्धारित करता है):

• डिज़ाइन निर्णायक है। एक ही उपकरण वर्ग विन्यासन के आधार पर मज़बूत लाभ या शुद्ध नुकसान हो सकता है (Generative AI without guardrails can harm learning: Evidence from high school mathematics, The Evidence Base on AI in K-12: A 2026 Review)।
• AI का उपयोग कैसे होता है, यह इस बात से अधिक मायने रखता है कि वह होता है या नहीं। स्पष्टीकरण के लिए उपयोग हानिरहित था; कोड जनरेशन के लिए उपयोग हानिकारक था; अति-निर्भरता लाभों का क्षय करती है।
• अवधि और स्व-शिक्षा में AI विनियमन प्रभावों को मध्यम करते हैं। प्रभाव 8–16 सप्ताह पर सबसे मज़बूत थे और उच्चतर स्व-नियंत्रित अधिगम वाले शिक्षार्थियों के लिए।
• संगणकीय-सोच स्तर AI-सहायक लाभों को मध्यम करता है। एक चार-सप्ताहीय आठवीं कक्षा के AI कोडिंग-सहायक पाठ्यक्रम में, उच्च-CT छात्रों ने पश्चात परीक्षण में निम्न-CT सहकर्मियों से अधिक अंक पाए (72.54 बनाम 61.73, p = .031), तुलनीय पूर्व कोडिंग ज्ञान के बावजूद, सहायक का उपयोग कोड समझने के लिए किया जबकि निम्न-CT छात्रों ने उत्तर निकाले (Zhao एट अल., 2026)।
• AI-IBL रचनात्मकता का समर्थन करता है लेकिन आवश्यक रूप से समस्या-समाधान नहीं। Mujib एट अल. ने रचनात्मक प्रदर्शन और दृष्टिकोण सुधारे लेकिन आलोचनात्मक समस्या-समाधान नहीं।
• छात्र अनुभव मापे गए लाभों से भिन्न होता है। AI-मूल छात्र अपने अधिगम का आँकलन अधिक करते हैं, और स्व-रिपोर्ट प्रदर्शन से मेल नहीं खाता — लाभों की धारणाएँ उनका विश्वसनीय साक्ष्य नहीं हैं।

मेटा-विश्लेषणात्मक अधिगम-लाभ अनुमान फूले हुए हैं — सतर्कता से पढ़ें

इ पेज के प्रभावशीलता सारांश पर प्रभुत्व रखने वाले अधिगम-लाभ संख्याएँ — विशेष रूप से मेटा-विश्लेषणों से एकत्रित प्रभाव आकार — एक मज़बूत चेतावनी के साथ पढ़े जाने चाहिए: मेटा-अनुसंधान की एक लहर दिखाती है कि क्षेत्र के सकारात्मक संश्लेषण अनुमान प्रकाशन पूर्वाग्रह, संकल्पना असंगति और कार्यपद्धिगत शॉर्टकट से फूले हुए हैं।

• 67 मेटा-विश्लेषणों से 1,840 प्रभाव आकारों का एक अध्ययन-स्तरीय मेटा-मेटा-विश्लेषण पाता है कि प्रकाशन-पूर्वाग्रह-समायोजित औसत AI प्रभाव रिपोर्ट की गई मात्रा का लगभग एक-तिहाई है (SMD ≈ 0.196 बनाम 0.67 की माध्यिका), पूर्वानुमान अंतराल बड़े नुकसान से बड़े लाभ तक फैला हुआ है और कोई मध्यमक सुसंगत लाभ उत्पन्न नहीं करता। असमानता को देखते हुए एक भी चरम अध्ययन लगभग कोई सूचना नहीं देता — यह अर्थ कि वर्तमान प्रकार के अधिक अध्ययन प्रश्न को हल नहीं करेंगे; केवल उच्च-गुणवत्ता, पूर्व-पंजीकृत, पुनरुत्पादन-उन्मुख परीक्षण ही करेंगे।

• संश्लेषण परत का एक द्वितीय-क्रम मेटा-विश्लेषण। Emslander एट अल. (2026) सामान्य विश्लेषण इकाई को उलट देते हैं: 45 मेटा-विश्लेषणों को अपने डेटा के रूप में मानते हुए और अध्ययन ओवरलैप के लिए सुधार करते हुए (818 अद्वितीय प्राथमिक अध्ययन, अद्वितीयता द्वारा भारित न कि छोड़े गए), वे 129 मेटा-विश्लेषणात्मक प्रभाव आकारों को g = .57 [.50, .65] में एकत्रित करते हैं, परिणाम समूह STEM प्रदर्शन के लिए .35 से सामान्य शैक्षणिक परिणामों के लिए .68 तक। दो परिणाम ऊपर की संख्याओं पर लागू होते हैं। AI प्रकार ने प्रभाव को मध्यम नहीं किया (p = .63) — बुद्धिमान ट्यूटरिंग प्रणालियाँ, चैटबॉट और ChatGPT इस परत पर सांख्यिकीय रूप से अपरिचित हैं, इसलिए क्षेत्र के एकत्रित लाभ जनरेटिव AI से नहीं चल रहे हैं — और एकमात्र स्पष्ट मध्यमक शैक्षणिक स्तर था (उच्चतर शिक्षा .61 बनाम छोटे नमूनों के लिए .30), जो आंशिक रूप से एक अध्ययन-डिज़ाइन कलाकृति है क्योंकि संग्रह के 74% ने उच्चतर शिक्षा छात्रों का परीक्षण किया और K-12 साक्ष्य अपेक्षाकृत पतला है। इसकी गुणवत्ता समीक्षा संग्रह में सबसे तीखी है: 45 मेटा-विश्लेषणों ने AMSTAR-अनुकूलित स्केल पर 17 में औसत 9.3 अर्जित किए, कोई पूर्व-पंजीकृत नहीं, और केवल 45 में 23 के पास उस प्रभाव को पकड़ने की 80% शक्ति थी जो उन्होंने स्वयं रिपोर्ट किया। इसके दो प्रकाशन-पूर्वाग्रह परीक्षण भी असहमत हैं — एक सममित फ़नल प्लॉट (Kendall's τ = −.01, p = .868) PET-PEESE (B = 0.9, p = .009) के विरुद्ध, फूलाव को इंगित करते हुए — इसलिए SOMA का अपना मध्यम प्रभाव एक अनसुलझे पूर्वाग्रह बादल के साथ आता है।

• 14 उच्च-प्रभाव AIED मेटा-विश्लेषणों का एक फ़ोरेंसिक ऑडिट पाता है कि किसी ने भी अपने एकत्रित अधिगम-लाभ दावे के लिए वैध आधार नहीं दिया: किसी में सुसंगत परिणाम संकल्पना नहीं थी, सभी में अनसुलझी चरम असमानता थी (I² 77.2% से 94.4% तक थी, 13 मेटा-विश्लेषणों में जिन्होंने इसे रिपोर्ट किया, और उन 13 में 12 ने 80% पार किया), निर्भर प्रभाव आकारों को स्वतंत्र माना, और किसी ने प्रकाशन पूर्वाग्रह का वैध मूल्यांकन नहीं किया। यादृच्छिक जाँचे गए प्राथमिक अध्ययनों में बहुमत मेटा-विश्लेषणात्मक दावे से मेल नहीं खाते थे। त्रुटियाँ नीति तक पहुँचीं: ऑडिट किए गए दो मेटा-विश्लेषणों ने अध्ययन नमूना आकार को कक्षा आकार माना और, एक गलत गणना किए गए प्राथमिक अध्ययन की ताकत पर, निष्कर्ष निकाला कि 21 से 40 छात्र इष्टतम हस्तक्षेप आकार है और सिफ़ारिश की कि GenAI हस्तक्षेप उस संख्या के लिए डिज़ाइन किए जाएँ।

• एक 2026 STEM संश्लेषण जो ऑडिट किए गए दो दोषों को ठीक करता है — और तीसरा दिखाता है। Doğan और सहयोगी (2026) ने निर्भर-प्रभाव-आकार समस्या से बचने के लिए प्रति अध्ययन एक प्रभाव आकार के साथ 35 प्रयोगात्मक और अर्ध-प्रयोगात्मक STEM अध्ययनों को एकत्रित किया, और पूर्ण प्रकाशन-पूर्वाग्रह बैटरी चलाई (फ़नल प्लॉट, Begg's और Egger's परीक्षण, trim-and-fill, Rosenthal's fail-safe N = 2404) समरूपता का दावा करने के बजाय — वे दो शॉर्टकट जो ऊपर के ऑडिट ने जाँचे गए हर मेटा-विश्लेषण में पाए। दो सावधानियाँ बची रहती हैं। पहली, लेखकों ने कोई औपचारिक गुणवत्ता समीक्षा नहीं लागू की और समावेश मानदंडों को कठोरता सीमा माना, इसलिए बहुत भिन्न डिज़ाइन के अध्ययन गुणवत्ता द्वारा अभारित रूप में पूल में प्रवेश किए। दूसरी, शीर्षक असमानता पूरी तरह इस बात पर निर्भर करती है कि आप कौन सा मॉडल पढ़ते हैं: वही 35 अध्ययन स्थिर-प्रभाव मॉडल के तहत I² = 82.98% और यादृच्छिक-प्रभाव मॉडल के तहत I² = 15.75% के रूप में रिपोर्ट किए गए हैं, इसलिए एक पाठक जो संख्याओं को मॉडल लेबल के बिना देखता है निष्कर्ष निकाल सकता है कि संग्रह समरूप है जबकि वह नहीं है। इसका एकत्रित अनुमान (g = 0.670, 95% CI [0.491, 0.848]) इसलिए ऊपर के अनुभाग में वर्णित आकृति का प्रकार है: अधिकांश से बेहतर बना, और फिर भी एक ऊपरी सीमा।

• एक मीडिया/कार्यपद्धिगत आलोचना दिखाती है कि अनेक "अधिगम लाभ" वैध रूप से नहीं मापे गए थे — परिणाम अक्सर स्व-रिपोर्ट किए गए कौशल या AI सहायता के दौरान मापा गया प्रदर्शन थे, स्थायी, असहायक अधिगम नहीं।

• पहली ChatGPT संश्लेषण लहर ने प्रदर्शन मापा, सीखना नहीं। Fütterer et al. (2026) ने ChatGPT के शैक्षणिक प्रभावों को एकत्रित करने वाली पाँच मेटा-विश्लेषणों के साक्ष्य आधार का पुनर्निर्माण किया: 69 वर्गीकरणीय प्राथमिक अध्यायनों में, 79.7% ने विशेष रूप से प्रदर्शन मापा और केवल 11.6% ने सीखना मापा। उनका पुनरुत्पादित एकत्रित अनुमान (g = 0.83, 95% CI [0.68, 0.97], I² = 94.06%) इसलिए परीक्षा प्रदर्शन का वर्णन करता है, और इसकी भविष्यवाणी अंतराल [−0.75, 2.41] शून्य को पार करता है।

ऊपर की लाभ संख्याओं के लिए तलरेखा: बड़े एकत्रित AI प्रभाव आकारों को बिंदु अनुमानों के बजाय ऊपरी सीमाएँ मानें। अच्छी तरह से डिज़ाइन किए गए RCTs और असहायक, मानकीकृत परिणाम मापदंडों वाले क्षेत्रीय अध्यायनों से अधिगम-लाभ साक्ष्य को प्राथमिकता दें (ऊपर उद्धृत गार्डरेल RCT, Khanmigo और NUMI प्रयोग, और विश्व बैंक EdTech मेटा-विश्लेषण), और मेटा-विश्लेषणात्मक लाभों को अनंतिम और संभवतः अधिक बताए गए मानें जब तक संश्लेषण गुणवत्ता सुधर नहीं जाती। समस्या सुधार से भी बची रहती है: एक ऑडिट किए गए मेटा-विश्लेषण के वापस लिए जाने के बाद प्रकाशित पत्रों में से, 60% ने अभी भी इसे बड़े ChatGPT अधिगम लाभ के लिए प्रामाणिक समर्थन के रूप में उद्धृत किया और किसी ने वापस लेने को स्वीकार नहीं किया, इसलिए एक वापस लिया गया अनुमान फैलता रहता है। यही कारण है कि AIEd अनुसंधान में सीमाएँ पेज अब मेटा-विश्लेषणात्मक साक्ष्य संकट का विस्तार से विवरण देता है।

मायने रखने वाली चीज़ों को मापना

अधिगम लाभ मूल्यांकन की वैधता से जुड़े हैं — यदि मूल्यांकन गहरी समझ को पकड़ने में असफल रहें, तो अधिगम लाभ मापदंड भ्रामक होते हैं। ये अति-निर्भरता और संज्ञानात्मक ऑफलोडिंग से भी प्रतिच्छेद करते हैं, जहाँ प्रदर्शन में सुधार सीखने की हानि को छिपा सकता है, और यादृच्छिक नियंत्रित परीक्षण (RCT) से (कैसात्मक अधिगम लाभों का पता लगाने के लिए स्वर्ण-मानक डिज़ाइन के रूप में यादृच्छिक परीक्षण), और मेटा-विश्लेषण और व्यवस्थित समीक्षा से (क्षेत्र के प्रभावशीलता साक्ष्य को स्थापित करने के लिए अध्ययनों में प्रभाव आकार एकत्रित करना)।

• गलति-आधारित AI शिक्षाशास्त्र और शिक्षण रणनीतियाँ से महत्वपूर्ण पूर्व/पश्चात लाभ: Hosseini (2026) का डेटाबेस डिज़ाइन पाठ्यक्रम (n=13) ने समान पूर्व/पश्चात वस्तुओं पर बड़े, महत्वपूर्ण अधिगम लाभ दिखाए (माध्य 4.25→6.83/7, Cohen's d=1.49, p<.001), लाभ पूर्व AI या डेटाबेस विश्वास से असंबद्ध — AI-एकीकृत आलोचना-परिष्करण डिज़ाइन ने प्रारंभिक धारणाओं के बावजूद छात्रों को लाभ पहुँचाया।

संबंधित अवधारणाएँ

• यादृच्छिक नियंत्रित परीक्षण (RCT)
• मेटा-विश्लेषण और व्यवस्थित समीक्षा
• निर्माणकारक मूल्यांकन
• समापक मूल्यांकन
• संज्ञानात्मक ऑफलोडिंग
• गणित शिक्षा
• मानव-लूप-में
• भावनात्मक ट्यूटरिंग
• शिक्षा में कृत्रिम बुद्धिमत्ता में सिद्धांत विकास — AIEd में सिद्धांत विकास
• स्वयं-रिपोर्ट मापन
• AIED में शोध विधियाँ — AIED अनुसंधान कार्यपद्धियाँ (DBR अनुभाग)
• सामाजिक-भावनात्मक अधिगम — सामाजिक-भावनात्मक अधिगम
• छात्र सहायता और सफलता — प्रशासनिक परिणाम (कार्य पूर्णता, क्रेडिट, निरंतरता, स्नातक) जो अधिगम लाभ से भिन्न हैं

संबंधित लेख

• Experimental Evidence on the Learning Impact of Generative AI — तैयार चैटबॉट पहुँच ने असहायक परीक्षण अंक बढ़ाए जो एक सप्ताह बने रहे (Contractor और Reyes 2026)
• AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting — AI ट्यूटरिंग इन-क्लास सक्रिय अधिगम से बेहतर: एक मौलिक अनुसंधान-आधारित डिज़ाइन पेश करने वाला RCT एक प्रामाणिक शैक्षणिक सेटिंग में (Kestin एट अल. 2025)
• Distinguishing performance gains from learning when using generative AI — सहायक प्रदर्शन अधिगम परिणाम क्यों नहीं है (Yan एट अल. 2025)
• Virtual Tutoring with Computer-Assisted Learning: An Experiment in Take-Up and Learning — CAL के साथ आभासी ट्यूटरिंग: स्वीकृति और अधिगम में एक प्रयोग
• Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment — AI ट्यूटरिंग को उत्पादक बनाना: निपुणता-आधारित गणित अभ्यास
• One Click Away: AI Tutoring with Khanmigo in a Two-Year School Experiment — वन क्लिक अवे: एक दो-वर्षीय विद्यालय प्रयोग में Khanmigo
• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — AI साक्षरता मूल्यांकन: स्व-रिपोर्ट बनाम प्रदर्शन असंगति
• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build — तेज़ पूर्णता, कम अधिगम: जनरेटिव AI ने गणित समस्याओं पर अध्ययन समय और उनसे बनने वाले ज्ञान को कम किया
• A meta-analysis of the effect of generative AI on productivity and learning in programming — प्रोग्रामिंग में जनरेटिव AI के उत्पादकता और अधिगम पर प्रभाव का एक मेटा-विश्लेषण
• AI Literacy Interventions in Education: A Meta-Analysis of Effects and Moderators — AI साक्षरता हस्तक्षेप प्रभावों का मेटा-विश्लेषण
• ChatGPT-generated help produces learning gains equivalent to human tutor-authored help on mathematics skills — ChatGPT सहायता मानव ट्यूटर सहायता के बराबर अधिगम लाभ उत्पन्न करती है
• Generative AI without guardrails can harm learning: Evidence from high school mathematics — बिना गार्डरेल जनरेटिव AI सीखने को नुकसान पहुँचा सकता है (PNAS 2025 RCT)
• The Absent Cognitive Baseline: Theorizing a Structural Gap in AI-Native College Students' Academic Self-Assessment — अनुपस्थित संज्ञानात्मक आधार: AI-मूल महाविद्यालय छात्रों की शैक्षणिक स्व-मूल्यांकन में एक संरचनात्मक अंतराल का सिद्धांत
• OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education — OECD डिजिटल एजुकेशन आउटलुक 2026
• How AI Is Changing Teaching Workflows — AI शिक्षण कार्यप्रवाहों को कैसे बदल रहा है
• Multimodality and Social Interactions in AI-Enhanced Embodied Robot-Assisted Language Learning: A Meta-Analysis — AI-उन्नत व्यक्तिकृत रोबोट-सहायक भाषा सीखने का मेटा-विश्लेषण
• Generative AI technologies and educational outcomes: a comprehensive meta-analysis comparing traditional and AI-driven approaches
• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — तत्क्षण प्रदर्शन बनाम स्थायी अधिगम का अंतर
• The Generative AI Learning Penalty: Evidence from Chinese Secondary Education — जनरेटिव AI अधिगम दंड: गृहकार्य बाह्यीकरण सीखने को नुकसान पहुँचाता है
• Design-Based Research for Developing an AI-Assisted Collaborative Learning Model to Enhance Critical Thinking and Problem-Solving Skills in Higher Education — AI-सहायक सहयोगात्मक अधिगम मॉडल DBR (आलोचनात्मक सोच +24.1%, समस्या-समाधान लाभ)
• The Evidence Base on AI in K-12: A 2026 Review — ट्यूटरिंग-विशिष्ट बनाम सामान्य AI
• The Impact of Large Language Models on Programming Education and Student Learning Outcomes — कोडिंग में LLM निर्भरता और अंक (नकारात्मक सहसंबंध)
• Generative AI Can Harm Teaching — जनरेटिव AI शिक्षण को नुकसान पहुँचा सकता है (RCT)
• Does Generative Artificial Intelligence Improve Students' Higher-Order Thinking? A Meta-Analysis Based on 29 Experiments and Quasi-Experiments — GenAI और उच्च-स्तरीय सोच मेटा-विश्लेषण
• Evaluating the Impact of AI-Supported Inquiry-Based Learning on Students' Creative Mathematical Performance, Critical Problem-Solving Skills, and Attitudes Toward Mathematics — AI-समर्थित IBL और रचनात्मक गणित प्रदर्शन
• AI-Enhanced Problem-Based Learning Framework: Integrating ChatGPT as Adaptive Scaffolding to Improve Critical Thinking and Personalized Learning — AI-उन्नत PBL स्कैफ़ोल्डिंग लाभ
• Artificial intelligence assisted design of a novel cooperative learning technique for higher education — AI-डिज़ाइन किया गया सहयोगी अधिगम तकनीक
• Fostering feedback literacy by scaffolding self-regulated feedback: a comparative study of GenAI and human peers — स्कैफ़ोल्ड किया गया स्व-नियंत्रित प्रतिपुष्टि लाभ
• Patterns of Learner-AI Interaction and Academic Performance in an Object-Oriented Programming Course — OOP में अंतःक्रिया पैटर्न और अधिगम लाभ
• Using AI-Generated Feedback to Improve Critical Thinking and Writing Proficiency — लेखन में AI प्रतिपुष्टि और आलोचनात्मक सोच
• The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking — AI गलतियों का शिक्षाशास्त्र: उच्च-स्तरीय सोच को बढ़ावा देना (Hosseini 2026)
• Exploring the effect of computational thinking levels on students' learning performance, cognition, and behavior when — संगणकीय सोच स्तर और AI कोडिंग सहायक (2026)
• Can EdTech Close Learning Gaps? Global Evidence from Digital Interventions — मेटा-विश्लेषण: अनुकूली/AI EdTech अधिगम ~0.125 sd बढ़ाता है
• GPT-4 feedback increases student activation and learning outcomes in higher education
• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content
• You've Got AI Friend in Me: LLMs as Collaborative Learning Partners
• ChatGPT in Education: An Effect in Search of a Cause — शिक्षा में ChatGPT: कारण की खोज में एक प्रभाव (लाभ मापदंडों की मीडिया-तुलना आलोचना)
• Effect of Artificial Intelligence on Learning: A Meta-Meta-Analysis — मेटा-मेटा-विश्लेषण: पूर्वाग्रह-समायोजित AI अधिगम-लाभ प्रभाव रिपोर्ट आकार का ~1/3
• Presumed Effective: The Manufacturing of an Evidence Base for AI-in-Education Through Flawed Meta-Analysis — अनुमानित प्रभावी: दोषपूर्ण AIED मेटा-विश्लेषणों का ऑडिट
• The Impact of Artificial Intelligence-Supported Instruction on Student Learning in STEM: A Systematic Review and Meta-Analysis — एक STEM संश्लेषण जिसने निर्भर प्रभाव आकारों को नियंत्रित किया और प्रकाशन पूर्वाग्रह का परीक्षण किया, लेकिन कोई गुणवत्ता समीक्षा नहीं लागू की (Doğan एट अल. 2026)
• What Do We Know About the Effects of Artificial Intelligence in Education? A Second-Order Meta-Analysis — 45 AI-in-education मेटा-विश्लेषणों का द्वितीय-क्रम मेटा-विश्लेषण, ओवरलैप-सुधारित प्रभावों और संश्लेषण परत की गुणवत्ता समीक्षा के साथ (Emslander एट अल. 2026)
• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench: AI और मानव ट्यूटरिंग समान GRE अधिगम लाभ देती है
• A Critical Epistemological Audit of Early Evidence Syntheses in Generative AI Educational Research: A Systematic Review and Meta-Analysis — जनरेटिव AI शैक्षणिक शोध में प्रारंभिक साक्ष्य संश्लेषणों का एक महत्वपूर्ण ज्ञान-बौद्धिक ऑडिट (Fütterer et al. 2026)