अधिगम विज्ञान

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

अधिगम विज्ञान — एक अंतर्विषयक अनुसंधान क्षेत्र जो यह अध्ययन करता है कि लोग कैसे सीखते हैं और सीखने वाले वातावरण कैसे डिज़ाइन किए जाएँ, जो असंज्ञानात्मक मनोविज्ञान, अधिगम सिद्धांत, कंप्यूटर विज्ञान और भाषाविज्ञान से प्रेरित होता है, और जो अपने डिज़ाइनों का आकलन केवल सिद्धांत के बजाय अनुभवजन्य प्रमाणों से करता है। इस ज्ञान-आधार में यह शिक्षा में AI के इर्द-गिर्द का अनुसंधान क्षेत्र है, न कि विद्यालय के विषयों में से एक: यह उन तंत्रों की आपूर्ति करता है जिन्हें AI प्रणालियाँ संचालित करती हैं (ज्ञान घटक, दक्षता की सीमाएँ, स्थानांतरण), उन डिज़ाइन वस्तुओं में जिनमें वे अंतर्निहित हैं (नियोजित पाठ्यक्रम अनुक्रम, ट्यूटर, प्रतिपुष्टि व्यवस्थाएँ) और उन मानकों में जिनसे उनका आकलन किया जाता है (अधिगम लाभ, मूल्यांकन की वैधता, समानता)। इसका संगठनात्मक प्रश्न यह नहीं है कि कोई उपकरण कितना अच्छा प्रदर्शन करता है, बल्कि यह है कि क्या शिक्षार्थी बदला।

विचार के लिए प्रश्न

• एक शिक्षार्थी हर अभ्यास प्रश्न पास कर लेता है, इसलिए दक्षता सीमा सेट को समाप्त कर देती है — फिर वहीं नियम को गलत लगाता है जहाँ क्रिया को रोका जाना चाहिए था। वह त्रुटि किसकी है: शिक्षार्थी की, मॉडल की, या रोकने के नियम की?
• अनुक्रम खनन 554 पाठ्यक्रमों को बिना किसी कक्षा का निरीक्षण किए पैटर्न के रूप में वर्णित कर सकता है। डिज़ाइनित इरादों के बजाय संचालित गतिविधि का अध्ययन करने से क्षेत्र क्या जीतता है, और क्या खोता है?
• एक LLM की प्रतिपुष्टि में जनसांख्यिकीय संवेदनशीलता तब अनुकूलन दिखती है जब वह शिक्षार्थी के बताए शिक्षा स्तर को ट्रैक करती है, और पक्षपात तब जब वह भावना बदलती है। क्या ऐसा क्षेत्र जो इन दोनों को अलग नहीं कर सकता, आकलन के लिए खुले मॉडलों का उपयोग करता रहे?
• क्या अधिगम विज्ञान की कारणात्मक डिज़ाइन की भूख — यादृच्छिक आवंटन, प्रतिवस्तु ऑडिट, शिक्षार्थी के निष्पादन योग्य मॉडल — शिक्षा में AI में प्रमाण के रूप में क्या गिना जाता है उसे संकुचित करती है?

भूमिका

अधिगम विज्ञान सीखने और सीखने के वातावरणों के डिज़ाइन का अध्ययन करते हैं, और इन्हें अपने विषयों जितना ही अपनी विधियों से परिभाषित किया जाता है: प्रयोग, कक्षा परीक्षण, छात्र डेटा के मात्रात्मक मॉडलिंग, डिज़ाइनों और संदर्भों के गुणात्मक विश्लेषण, और डिज़ाइन-आधारित अनुसंधान जो एक हस्तक्षेप बनाता है और उसका उपयोग में संशोधन करता है। यह विस्तारता इस पेज को उन पड़ोसियों से अलग करती है जो ढाँचे, अभ्यास और उपकरणों की आपूर्ति करते हैं; नीचे दिया गया अनुभाग प्रत्येक सीमा और उसकी दूसरी तरफ क्षेत्र द्वारा स्थापित किए गए तथ्यों को प्रस्तुत करता है।

यह पेज उस मौलिक ज्ञान को कवर करता है जो ऐसी विधियों ने उत्पन्न किया है — कि शिक्षार्थी एक जनरेटिव मॉडल के साथ क्या करते हैं, कौन-सी व्यवस्थाएँ परिणामों को बदलती हैं, और क्षेत्र के अपने उपकरण कहाँ असफल होते हैं। विषयों में AIEd इसके उलट कट लेता है, यह मानते हुए कि विषय-सामग्री बदलती है कि सहायता को क्या करना चाहिए; अधिगम विज्ञान क्रॉस-कटिंग दृष्टिकोण लेता है, और वे तंत्र जिनका वे परीक्षण करते हैं उन्हें संज्ञानात्मक मनोविज्ञान के अंतर्गत एकत्र किया गया है।

अधिगम विज्ञान में AI कैसे प्रकट होता है

• पहले तंत्र, फिर मॉडल। An, McLaren और Stamper (2026) ने Riichi Mahjong के इंटेलिजेंट ट्यूटरिंग प्रणालियों के साथ ग्यारह प्रयोग (N = 192) चलाए और दिखाया कि जिन शिक्षार्थियों ने एक अति-सामान्यीकृत उत्पादन संकलित किया — क्रिया के बिना उसका अनुप्रयोग बाधा — ने उसे पहले "do-not-act" आइटम पर 61.5%–100% पर गलत लगाया, जबकि बेज़ियन ज्ञान ट्रैकिंग के तहत अपेक्षित त्रुटि 12% थी। 95% दक्षता सीमा के साथ प्रणाली ने अभ्यास रोक दिया इससे पहले कि शिक्षार्थियों को कोई ऐसा मामला मिलता जिसमें क्रिया को रोका जाना चाहिए था, इसलिए दोष बरकरार रहा। लापता बाधा का नाम बताने वाली प्रतिपुष्टि के साथ छोटे do-not-act अभ्यास ने गलत लगाने को 0.0%–23.1% तक घटा दिया (Cohen's h 1.70–2.44), और तेरह K-12 Decimal Point डेटासेट के द्वितीयक विश्लेषण ने पूर्ण संख्या पूर्वाग्रह में वही संरचना पाई (तुलना त्रुटियों का 84%–88%)।

• इष्टतम सामग्री पर निर्भर करता है। Rachatasumrit, Koedinger और Carvalho (2025) उदाहरण–समस्या अनुपात को एक सामग्री–उपचार संपर्क के रूप में मानते हैं: ज्यामिति-क्षेत्रफल सामग्री पर 95 प्रतिभागियों के साथ एक 2×2 प्रयोग में, केवल-अभ्यास प्रशिक्षण ने शब्दशः तथ्यों के लिए बड़े अधिगम लाभ उत्पन्न किए जबकि उदाहरण-एकीकृत प्रशिक्षण ने सामान्यीकरण-योग्य कौशलों के लिए बड़े लाभ उत्पन्न किए (β = 0.41, p = .038, d = 0.38)। एक अनुकरणीय शिक्षार्थी (Apprentice Learner) ने क्रॉसओवर को केवल तब पुनरुत्पन्न किया जब उसे ACT-R-शैली के स्मृति-और-विस्मृति तंत्र दिया गया। अधिक अभ्यास एकसमान रूप से बेहतर नहीं है: स्मृति-उन्मुख सामग्री के लिए पुनर्प्राप्ति उचित है, और आगमन-उन्मुख कौशलों के लिए एकीकृत उदाहरण उचित हैं।

• डिज़ाइन एक विश्लेषण-योग्य वस्तु के रूप में। Divjak, Svetec और Horvat (2026) ने लर्निंग एनालिटिक्स को सीखने का डिज़ाइन पर ही लगाया, एक मुक्त पाठ्यक्रम-डिज़ाइन उपकरण में नियोजित 554 पाठ्यक्रमों में 29,064 गतिविधियों को कोडित किया। अधिगम (Acquisition) सबसे आम अधिगम प्रकार और सबसे आम प्रवेश बिंदु था; सबसे मज़बूत मार्कोव संक्रमण Assessment → Discussion (0.332) था और उच्चतम-विश्वास नियम Acquisition → Assessment → Practice → Practice (0.743, लिफ्ट 1.45) था। अधिगम प्रकार नियोजित परिणाम स्तर को ट्रैक करता था, Acquisition ब्लूम स्तर 1 पर लगभग 50% गतिविधियों से स्तर 6 पर लगभग 20% तक गिरता है। लेखक बल देते हैं कि ये क्रियान्वयन-पूर्व डिज़ाइन हैं: फ्लिप्ड, जाँच-आधारित या परियोजना-आधारित अनुक्रमों के साथ समानता इरादे का प्रमाण नहीं है।

• जो मॉडल आकलन करते हैं उनकी ऑडिटिंग। Rooein, Benedetto और Hovy (2026) ने छह LLMs की ऑडिट की — निबंध अंकन, रचनात्मक प्रतिपुष्टि और प्रश्नोत्तर में, कार्य इनपुट को स्थिर रखते हुए केवल जनसांख्यिकीय संदर्भ को बदलते हुए (192,480 कॉल)। स्पष्ट व्यक्तित्वों के तहत अंकन स्थिर था, लेकिन Llama-70B ने अस्पष्ट संवादी इतिहास के तहत अपने ही स्कोर में 1.57 अंक की वृद्धि की (p < 0.001), और उच्च शिक्षा ने कम पठनीय और अधिक सकारात्मक प्रतिक्रियाएँ दीं — लगभग चार मानक विचलन की भावना-अंतराल। पठनीयता प्रभाव घटे जबकि लंबाई प्रभाव बढ़े, और कुछ गुणांक शर्तों के बीच चिह्न बदलते रहे। लेखक इसे एक ऑडिट उपकरण के रूप में प्रस्तुत करते हैं, परिनियोजन फैसले के रूप में नहीं, और जनसांख्यिकीय और विषयगत संकेत के उलझाव को वैधता और समानता के लिए खतरा पढ़ते हैं।

• क्षमता को मापना, और उसकी सीमाएँ। Verí (2026) सक्षम जनरेटिव-AI उपयोग के लिए उपकरणों को चार क्षेत्रों में संगठित करता है — ज्ञान और उपयोग, संज्ञानात्मक निरीक्षण, निर्भरता अंशांकन, और उपकरण-उपयोग करने वाले एजेंटों पर नियंत्रण — और उन्हें एक दक्षता-सातत्य में संक्षिप्त करने से इनकार करता है। स्व-मूल्यांकन और प्रदर्शित AI साक्षरता के बीच तीन एक ही नमूने की सहसंबंध राशियाँ r = .055 (95% CI [-.047, .156], रिपोर्टेड N = 2,765) पर समूहित हुईं, जिसे लेखक स्व-मूल्यांकन को प्रदर्शन स्कोर के साथ विनिमेय मानने से इनकार करने के लिए पर्याप्त पढ़ता है, हालाँकि कोई कटऑफ़ निर्धारित करने के लिए पर्याप्त नहीं। कोई मान्य उपकरण उन सभी निर्णयों को कवर नहीं करता जो उपकरण-उपयोग करने वाले एजेंट बनाते हैं; प्रस्तावित स्तरित बैटरी एक डिज़ाइन परिकल्पना है।

• शिक्षार्थी के अपने ऑफ़लोडिंग के बारे में स्व-प्रतिवेदन। Alam (2026) संज्ञानात्मक ऑफलोडिंग साहित्य को PAUSE में अनुवादित करता है, एक केवल-ब्राउज़र स्व-जाँच जिसमें चार क्षेत्र हैं, हर LLM-युग का आइटम एक स्रोत से बँधा है, कोई संयुक्त स्कोर नहीं, कोई संग्रहण नहीं और कोई उत्पादन में मॉडल नहीं; उसकी पट्टियाँ वर्णनात्मक हैं नियत नहीं, और किसी पठन को मूल्यांकन, प्रवेश या नियुक्ति निर्णयों को औचित्य नहीं देना चाहिए। इसकी बताई सीमाएँ मायने रखती हैं: ऑफ़लोडिंग का स्व-प्रतिवेदन उसी शक्ति के प्रति संवेदनशील है जिससे वह संबंधित है, जो प्रतिवादी जानबूझकर AI को एक स्कैफ़ोल्ड के रूप में उपयोग करता है वह कई आइटमों पर ऑफ़लोडिंग के रूप में पढ़ा जाता है, और क्या AI-संबद्ध ऑफ़लोडिंग सामान्य प्रौद्योगिकी निर्भरता से भिन्न है यह खुला प्रश्न बना हुआ है।

• मानवीय विशेषज्ञता कहाँ स्थित है। Wang और सहयोगी (2024) श्रम विभाजन का सबसे स्पष्ट विभाजन रिपोर्ट करते हैं: लगभग 900 नौसिखिया K-12 ट्यूटरों और लगभग 1,800 छात्रों के साथ एक दो-माह की यादृच्छिक नियंत्रित परीक्षा में, अनुभवी ट्यूटरों की तर्कशक्ति से लिए गए वास्तविक-समय सुझावों ने विषय दक्षता में 4 प्रतिशत अंक की वृद्धि की (62% से 66%, p < 0.01), और कम-मूल्यांकित ट्यूटरों के लिए 9 अंक, लगभग $20 प्रति ट्यूटर प्रति वर्ष पर, जिससे शिक्षण मार्गदर्शक प्रश्नों की ओर बढ़ा। लाभ समीपस्थ थे — वर्ष-अंत परीक्षण नहीं हिलीं। Reichert और सहयोगी (2026) पाते हैं कि शिक्षक डिज़ाइन द्वारा उसी स्थिति तक पहुँचते हैं: छह माध्यमिक शिक्षकों ने चैटबॉट प्रोटोटाइप बनाते हुए एक सीमित विशेषज्ञ निर्दिष्ट किया, प्राधिकार सीमाएँ रखीं (सीखने और सुरक्षा के लिए ज़िम्मेदारी सौंपी नहीं जा सकती) और विशेषज्ञता सीमाएँ (मॉडल में व्यक्तिगत छात्रों का उनका ज्ञान नहीं है), और सामग्री प्रस्तुति, अभ्यास और सुधारात्मक प्रतिपुष्टि को सौंपते हुए लक्ष्य-निर्धारण और समुच्चय मूल्यांकन सुरक्षित रखा।

• क्षेत्र के स्तर पर क्षमता। Sutedjo, Chowdhury और Liu (2026) ने जनरेटिव AI के लिए अनुकूलित एक TPACK उपकरण से 127 संकाय सदस्यों का सर्वेक्षण किया: मज़बूत सामग्री और पदagogical सामग्री ज्ञान (M = 4.70–5.15) के साथ उल्लेखनीय रूप से कम प्रौद्योगिकी-एकीकृत ज्ञान, समग्र TPACK 2.55 पर सबसे कम, सामग्री ज्ञान किसी भी प्रौद्योगिकी-एकीकृत क्षेत्र से असंबद्ध, और तीन एकीकृत क्षेत्र इतनी अधिक सहसंबद्ध (r = .81–.91) कि वे एक कारक के रूप में कार्य कर सकते हैं। Perrotta (2026) शासन परत को एक बंद किए गए UK सिविल-सेवा प्रोटोटाइप के माध्यम से पढ़ता है जिसका कोडबेस एक सिस्टम प्रॉम्प्ट और व्यावसायिक मॉडलों पर एक पुनर्प्राप्ति पाइपलाइन था, यह तर्क देते हुए कि आधार मॉडलों की सामान्यता तेज़ पुनर्उद्देश्यन को नीति उपकरणों में सक्षम बनाती है और असामान्य आउटपुट को स्थायी रूप से केवल-शमनीय जोखिम बनाती है — निरीक्षण जो लूप के ऊपर झाँकता है न कि उसके भीतर बैठा है।

• एकीकरण अंतराल, मैप किया गया: Malik और Bashir (2026) ने 32 अध्यायनों (PRISMA 2020, विषयगत विश्लेषण) को चार विषयों में संश्लेषित किया: क्षेत्र के भीतर ज्ञान-बौद्धिक विखंडन, सिद्धांत–प्रौद्योगिकी विरोधाभास (संगणनात्मक प्रणालियाँ भविष्यवाणी और मापनीय व्यवहार पर चलती हैं जबकि शैक्षणिक सिद्धांत संदर्भ और सामाजिक अंतःक्रिया पर बल देते हैं), विश्लेषण के माध्यम से सीखने का डेटीकरण, और एक उभरते प्रतिमान के रूप में संकर बुद्धिमत्ता। उनका संकर बुद्धिमत्ता ढाँचा एक संकल्पनात्मक संश्लेषण है, एक मान्य मॉडल नहीं — लेखक बताते हैं कि यह अनुभवजन्य परीक्षण की प्रतीक्षा करता है — लेकिन चार-विषय नक्शा उस सिद्धांत-से-संगणन अनुवाद समस्या के लिए एक उपयोगी ऑडिट लेंस है जिससे यह क्षेत्र लगातार टकराता है।

अधिगम विज्ञान अपने पड़ोसियों से कैसे संबंधित हैं

डिज़ाइन-आधारित अनुसंधान वह विधि है जो इस क्षेत्र ने उधार लिए बजाय विकसित की: एक हस्तक्षेप को एक काम कर रही कक्षा के भीतर बनाया और संशोधित किया जाता है, इसका सैद्धांतिक औचित्य उसके साथ ही संशोधित होता है, इसलिए एक ही अध्ययन एक कलात्मक उत्पाद और एक डिज़ाइन सिद्धांत दोनों उत्पन्न करता है। यही इसे एक प्रयोगशाला प्रयोग से अलग करता है, जो संदर्भ को स्थिर रखकर कारण को पृथक करता है, और यही कारण है कि क्षेत्र की खोजें डिज़ाइन ज्ञान के रूप में आती हैं न कि प्रभाव आकारों के रूप में। AIED में शोध विधियाँ उलट कट लेता है: वह पेज पूरी विधि-शैली का सर्वेक्षण करता है — प्रयोग, सर्वेक्षण, गुणात्मक कार्य, बेंचमार्क, समीक्षाएँ, सहमति विधियाँ — उपकरणों के बीच एक विकल्प के रूप में, प्रत्येक दावे की वैधता के लिए तौला गया। यह पेज उसी संग्रह को मौलिक पक्ष से पढ़ता है, पूछता है कि विधि-शैली ने सीखने के बारे में क्या स्थापित किया है और किसी विधि का आकलन इस आधार पर करता है कि उसका डिज़ाइन दावा शिक्षार्थियों के संपर्क में बचता है या नहीं।

सीखने के सिद्धांत उम्मीदवार ढाँचों को एकत्र करता है — व्यवहारवाद, संज्ञानवाद, रचनावाद, सामाजिक-सांस्कृतिक विवरण, प्रेरणा और स्व-नियमन — को AI पढ़ने के लेंस के रूप में। अधिगम विज्ञान उस शब्दावली को साझा करते हैं लेकिन उस दृष्टिकोण को नहीं: यहाँ एक सिद्धांत तंत्र के बारे में एक दावा है जिसे एक डिज़ाइन को या तो उदाहरण देना चाहिए या खंडन करना चाहिए, और क्षेत्र की स्थिति अनुभवजन्य और डिज़ाइन कार्य पर टिकी है न कि किसी ढाँचे के सुसंगतता पर। सिद्धांत पेज वह है जो यह बताने के लिए खोला जाना चाहिए कि कोई ढाँचा क्या दावा करता है; यह पेज वह है जो यह बताने के लिए कि किसी ढाँचे ने कौन-सा प्रमाण जमा किया है।

क्षेत्र सिद्धांत भी बनाता है न कि केवल उधार लिए गए ढाँचों का परीक्षण करता है: शिक्षा में कृत्रिम बुद्धिमत्ता में सिद्धांत विकास उस संकल्पनात्मक कार्य को कवर करता है जो बताता है कि शिक्षार्थी, शिक्षक और AI प्रणालियाँ कैसे अन्योन्यक्रिया करती हैं, और यह वह जगह है जहाँ क्षेत्र के अपने निर्माणों को मापे जाने से पहले तर्कित किया जाता है। जो उसके डिज़ाइनों को आमतौर पर उत्पन्न करने के लिए कहा जाता है वह है स्थानांतरण — ज्ञान और कौशल जो उस ट्यूटर, विषय या कार्य से बचे रहते हैं जिसमें वे सीखे गए — जो कारण है कि किसी उपकरण के भीतर मापा गया लाभ उस लाभ से कमज़ोर दावा है जो उसके बिना मापा गया हो। और क्योंकि एक डिज़ाइनित वातावरण एक संयुक्त हस्तक्षेप है, किसी घटक को परिणाम का श्रेय देना क्षेत्र का स्थायी मापन समस्या है: शैक्षणिक मापन वह मानसिक मापन उपकरण आपूर्ति करता है जो श्रेय को बिल्कुल विवादित बनाता है, जो कारण है कि मापन प्रश्न यहाँ पश्चात नहीं बल्कि शीघ्र आते हैं।

संज्ञानात्मक मनोविज्ञान वह तंत्र-स्तरीय अनुशासन है जिस पर क्षेत्र सबसे अधिक भरोसा करता है, जो सीमित कार्यशील स्मृति, एन्कोडिंग और पुनर्प्राप्ति, विघटनीय ज्ञान घटक और शिक्षार्थी मॉडलिंग की निदान भाषा आपूर्ति करता है। अधिगम विज्ञान उन तंत्रों का उपयोग करते हैं उनमें घटे बिना: उनका विश्लेषण इकाई एक डिज़ाइनित वातावरण है जो सामाजिक, प्रेरक और संदर्भी चर ले जाता है जो स्मृति के प्रयोगशाला विवरण में नहीं होते, और उनके परीक्षण पूरे हस्तक्षेपों पर चलाए जाते हैं न कि पृथक संज्ञानात्मक प्रभावों पर।

शिक्षाशास्त्र और शिक्षण रणनीतियाँ और सीखने का डिज़ाइन अभ्यास को कवर करते हैं — कौन-सी शिक्षण रणनीति उपयोग करनी है, और उद्देश्यों, गतिविधियों और मूल्यांकन को किसी पाठ्यक्रम में कैसे क्रमबद्ध करना है। दोनों वह हैं जिसका अधिगम विज्ञान बाहर से अध्ययन करता है, वर्णन और मूल्यांकन की वस्तुओं के रूप में; क्षेत्र किसी शिक्षक को नहीं बताता कि अगली किस रणनीति तक पहुँचना है, यह रिपोर्ट करता है कि रणनीतियों को क्या दिखाया गया है। सीखने का डिज़ाइन निकट संबंधी है, क्योंकि दोनों कुछ ऐसा उत्पन्न करते हैं जिसे क्रियान्वित और परीक्षित किया जा सकता है, लेकिन डिज़ाइनर का उत्पादन एक शिक्षण-योग्य पाठ्यक्रम है और क्षेत्र का उत्पादन सामान्य रूप से डिज़ाइनों के बारे में ज्ञान है।

खोजें केवल तभी मायने रखती हैं जब वे शिक्षण तक पहुँचें, और वह यात्रा तीन पेजों से होकर गुज़रती है। शैक्षिक विकास वह संस्थागत अभ्यास है जो उन्हें ले जाता है — संकाय विकास, मानक, नीति और पहचान कार्य तय करते हैं कि कोई मान्य डिज़ाइन कभी कक्षा तक पहुँचता है या नहीं, जो कारण है कि क्षेत्र का प्रमाण नियमित रूप से उससे आगे जाता है जो संस्थाओं ने क्रियान्वित किया है। व्यावसायिक विकास वह जगह है जहाँ ज्ञान उतरना चाहिए इससे पहले कि कोई शिक्षक कक्षा में प्रवेश करे, और शिक्षण वह जगह है जहाँ यह बाद में उतरता है, क्षण-क्षण के निर्णय में कि कब हस्तक्षेप करना है, कौन-सा उपकरण उपयोग करना है, और कब किसी शिक्षार्थी को अकेले छोड़ना है। तीनों में से कोई भी अधिगम-विज्ञान की खोजें उत्पन्न नहीं करता; तीनों ही तय करते हैं कि वे खोजें अभ्यास को बदलती हैं या नहीं।

संबंधित अवधारणाएँ

• सीखने के सिद्धांत
• संज्ञानात्मक मनोविज्ञान
• शिक्षाशास्त्र और शिक्षण रणनीतियाँ
• सीखने का डिज़ाइन
• AIED में शोध विधियाँ
• शिक्षा में कृत्रिम बुद्धिमत्ता में सिद्धांत विकास
• डिज़ाइन-आधारित शोध
• व्यावसायिक विकास
• शैक्षिक विकास
• विषयों में AIEd
• इंटेलिजेंट ट्यूटरिंग
• लर्निंग एनालिटिक्स
• मूल्यांकन की वैधता
• शैक्षणिक मापन
• संज्ञानात्मक ऑफलोडिंग
• अधिगम लाभ
• सीखने का अंतरण
• शिक्षण
• समानता
• शैक्षिक AI नीति

संबंधित लेख

• Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use — सक्षम जनरेटिव-AI उपयोग के उपकरणों की समीक्षा और खोजी मेटा-विश्लेषण (Verí 2026)
• Deceptive Overgeneralization: When Adaptive Learning Enables Systematic Misapplication — अधूरा नियम छिपाना: अनुकूली अधिगम में दक्षता-रोकने के नियम (An, McLaren & Stamper 2026)
• The Role of Implicit and Explicit Demographic Signals in Large Language Model-based Student Assessment — LLM छात्र मूल्यांकन में जनसांख्यिकीय संकेतों का प्रतिवस्तु ऑडिट (Rooein, Benedetto & Hovy 2026)
• Learning paths and patterns in learning design: Insights from 500+ courses — 554 पाठ्यक्रमों में 29,064 गतिविधियों पर मार्कोव शृंखला और पैटर्न खनन (Divjak, Svetec & Horvat 2026)
• PAUSE: A Privacy-Preserving Self-Reflection Tool for AI-Associated Cognitive Offloading — AI-संबद्ध ऑफ़लोडिंग के लिए एक गोपनीयता-संरक्षण, अ-निदान स्व-जाँच (Alam 2026)
• Zero-shot governance — शून्य-उदाहरण शासन: Redbox कोडबेस के माध्यम से पढ़ी गई नीति में सामान्य-उद्देश्य AI (Perrotta 2026)
• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content — सर्वोत्तम उदाहरण–समस्या अनुपात सामग्री पर क्यों निर्भर करता है (Rachatasumrit, Koedinger & Carvalho 2025)
• Human-Centered Design of LLM-Powered Educational Chatbots: A Study with Secondary Teachers — शिक्षक सीमित-विशेषज्ञ चैटबॉट डिज़ाइन करते हैं, शिक्षण का चयनात्मक प्रत्यायोजन के साथ (Reichert और सहयोगी 2026)
• Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills — संकाय GenAI TPACK: मज़बूत सामग्री ज्ञान, कमज़ोर प्रौद्योगिकी-एकीकृत ज्ञान (Sutedjo, Chowdhury & Liu 2026)
• Tutor CoPilot: A Human-AI Approach for Scaling Real-Time Expertise — Tutor CoPilot: पैमाने पर मानव–AI लाइव ट्यूटरिंग का एक यादृच्छिक परीक्षण (Wang और सहयोगी 2024)