सीखने के सिद्धांत

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

सीखने के सिद्धांत — वह सिद्धांतों का परिवार जो यह बताता है कि सीखना कैसे होता है, और इस ज्ञान-आधार के सिद्धांत-संबंधी विचारों के लिए छत्र अवधारणा। शिक्षा में AI में, सीखने के सिद्धांत यह निर्धारित करते हैं कि AI प्रणालियाँ कैसे डिज़ाइन की जाती हैं (वे किस शिक्षण-पद्धति को अपने में समाहित करती हैं) और यह क्षेत्र यह कैसे व्याख्या करता है कि AI "कारगर" है या नहीं: एक ही उपकरण कंस्ट्रक्टिविज़्म मान्यताओं के अंतर्गत एक सहारा (scaffold) हो सकता है, व्यवहारवाद के अंतर्गत एक सुदृढ़ीकरण इंजन, या संज्ञानात्मक भार सिद्धांत के अंतर्गत संज्ञानात्मक भार का संकट।

विचार करने योग्य प्रश्न

• किसी AI शिक्षक या अनुकूली प्रणाली के बारे में सोचें जिसका आपने उपयोग किया हो या जिसे आपने देखा हो। उसने लोगों की सीखने के तरीके के बारे में कौन-सी मान्यताएँ रखीं — क्या वह सही उत्तरों को पुरस्कृत करती थी (behaviorism), समझ बनाती थी (constructivism), या मानसिक प्रयास का प्रबंधन करती थी (संज्ञानात्मक भार)? क्या उसके निर्माताओं ने वे मान्यताएँ कभी स्वीकार की थीं?
• यह पेज एक बार-बार आने वाली खामोशी का वर्णन करता है: वार्ता constructivism की वकालत करती है जबकि AI कार्यान्वयन ड्रिल-और-फीडबैक यांत्रिकी पर चलते हैं। आपने कहाँ देखा है कि कोई उपकरण गहरी सीखने का दावा करता है लेकिन असल में केवल सतही प्रतिक्रियाओं को सुदृढ़ करता है?
• एक ही AI उपकरण एक सिद्धांत के अंतर्गत सफलता और दूसरे के अंतर्गत असफलता दिख सकता है — बढ़े हुए गृहकार्य अंक behaviorism के अंतर्गत सीखने के रूप में पढ़े जाते हैं लेकिन constructivism के अंतर्गत स्थायी समझ बनाने में असफलता के रूप में। यह आकलन करने के लिए कौन-सा लेंस अधिक न्यायसंगत है कि विद्यार्थियों ने वास्तव में सीखा है या नहीं?
• चूँकि हर AI शिक्षक एक सिद्धांत को अपने भीतर समाहित करता है, चाहे उसके डिज़ाइनर कहें या न कहें, 'क्या यह काम करता है?' शायद गलत प्रश्न है। किसी शैक्षणिक AI के बारे में पूछा जाने वाला बेहतर प्रश्न क्या है, जिन सिद्धांतों को वह अपना सकता है उसके आधार पर?
• जनरेटिव AI शिक्षकों को नए सिद्धांतों पर विचार करने के लिए प्रेरित कर रहा है — जैसे मनुष्यों और AI के बीच पुनरावृत्त सह-निर्माण के रूप में सीखना, या AI को जीवन-भर में एक संज्ञानात्मक साथी के रूप में। क्या AI का उदय वास्तव में नए सीखने के सिद्धांतों की माँग करता है, या मौजूदा सिद्धांत अब भी पर्याप्त हैं?
• सीखने की उपलब्धियों का मापन स्वयं 'सिद्धांत-लदा' हुआ है: एक सिद्धांत पर बना उपकरण वह उपलब्धियाँ नहीं पकड़ सकता जो दूसरा अनुमानित करता है। दो शोधकर्ता, जिनकी सैद्धांतिक प्रतिबद्धताएँ भिन्न हैं, एक ही डेटा को कैसे देखकर इस बात पर विपरीत निष्कर्ष पर पहुँच सकते हैं कि कोई AI उपकरण काम करता है या नहीं?

परिचय

यह इस ज्ञान-आधार की सीखने-सिद्धांत धारा के लिए छत्र अवधारणा है। सीखने के सिद्धांत शिक्षा में AI के केंद्र में हैं क्योंकि हर AI शिक्षक, अनुकूली प्रणाली और फीडबैक उपकरण लोगों की सीखने के तरीके के बारे में मान्यताएँ अपने भीतर समाहित करता है — चाहे डिज़ाइनर उन्हें स्वीकार करें या न करें। ज्ञान-आधार इन सिद्धांतों का दस्तावेज़ीकरण व्यक्तिगत रूप से करता है और उन्हें उस संकल्पनात्मक लेंस के रूप में देखता है जिसके माध्यम से AI के डिज़ाइन और प्रभावों का मूल्यांकन किया जाता है। उन ढाँचों का परीक्षण करने वाला शोध क्षेत्र एक अलग पेज है: शिक्षा-विज्ञान (learning sciences) सीखना अनुभवजन्य रूप से अध्ययन करते हैं — प्रयोग, कक्षा-परीक्षण और डिज़ाइन-आधारित शोध — और किसी सिद्धांत को पुष्टि या खंडन के लिए कुछ मानते हैं, जबकि यह पेज स्वयं ढाँचों को एकत्र करता है; इस ज्ञान-आधार में दोनों वाक्यांशों को अलग रखा गया है, एकवचन "learning science" इसी सिद्धांत-धारा को निर्दिष्ट करता है।

सीखने के सिद्धांतों का परिदृश्य

ज्ञान-आधार सीखने के सिद्धांतों के कई परिवारों का दस्तावेज़ीकरण करता है, प्रत्येक की अपनी अवधारणाएँ हैं:

• शास्त्रीय सीखने के सिद्धांत। व्यवहारवाद (सुदृढ़ीकरण और अभ्यास-और-पुनरावृत्ति के माध्यम से देखी जाने वाला व्यवहारगत परिवर्तन के रूप में सीखना) और constructivism (सक्रिय ज्ञान-निर्माण के रूप में सीखना) वे दो ध्रुव हैं जो AI शोध में सबसे अधिक बार आते हैं। क्षेत्र में बार-बार "नाम में constructivism, अभ्यास में behaviorism" की खामोशी दिखती है, जहाँ वार्ता निर्माण की वकालत करती है लेकिन AI कार्यान्वयन ड्रिल-और-फीडबैक यांत्रिकी पर चलते हैं।(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness) cognitivism तीसरा शास्त्रीय ध्रुव है — आंतरिक मानसिक प्रतिनिधियों में परिवर्तन के रूप में सीखना — और वह सिद्धांत जो AIED की विशिष्ट योगदानों के लिए सबसे अधिक उत्तरदायी है (ज्ञान अनुरेखण, संज्ञानात्मक निदान, शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण, इंटेलिजेंट ट्यूटरिंग)।
• सामाजिक-सांस्कृतिक और विकासात्मक सिद्धांत। सामाजिक-सांस्कृतिक अधिगम का मानना है कि सीखना और विकास सामाजिक भागीदारी के माध्यम से उत्पन्न होते हैं और सांस्कृतिक उपकरणों तथा अधिक जानकार लोगों के माध्यम से मध्यस्थ होते हैं — जिसमें निकटतम विकास क्षेत्र (Zone of Proximal Development), मड्गद, प्रशिक्षण, अभ्यास-समुदाय और वितरित संज्ञान (distributed cognition) शामिल हैं। AI युग में जनरेटिव AI को बढ़ते हुए एक मध्यस्थ एजेंट के रूप में ढाला जा रहा है जो गतिविधि को मध्यस्थता देता है और परस्पर क्रिया में आकस्मिक योगदान उत्पन्न करता है।(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)
• संज्ञान और संज्ञानात्मक वास्तुकला। संज्ञानात्मक मनोविज्ञान / cognitivism इस परिवार का छत्र है: संज्ञानात्मक भार सिद्धांत (कार्यशील स्मृति की सीमाएँ निर्देश को कैसे आकार देती हैं), द्वि-प्रक्रिया सिद्धांत (तेज़ सहज बनाम धीमा विवेकपूर्ण प्रसंस्करण), और मेटाकॉग्निशन (अपनी सीखने की निगरानी और नियमन) उन आंतरिक तंत्रों को समझाते हैं जिनसे AI उपकरण जुड़ते हैं या जिन्हें वे दरकिनार करते हैं।
• प्रेरणा और स्व-निर्देशन। स्वनिर्धारण सिद्धांत (स्वायत्तता, सामर्थ्य, संबद्धता), स्व-प्रभावशीलता (अपनी क्षमता में विश्वास), स्व-नियंत्रित अधिगम (लक्ष्य-निर्धारण, निगरानी और समायोजन), और प्रेरणा समझाते हैं कि शिक्षार्थी AI के साथ जिस तरह से जुड़ते हैं वह क्यों करते हैं।
• सीखने का संदर्भ और गतिविधि। अनुभवजन्य शिक्षा, सक्रिय अधिगम (Active Learning), परियोजना-आधारित अधिगम, सहयोगी शिक्षा, सीखने का अंतरण, वांछनीय कठिनाइयाँ, और अधिष्ठित शिक्षा उन गतिविधियों और संदर्भों का वर्णन करते हैं जो स्थायी सीखना उत्पन्न करते हैं।

सीखने के सिद्धांत और सीखने की उपलब्धियाँ

सीखने के सिद्धांतों का अंततः मूल्यांकन उनके परिणामों से होता है, और इस ज्ञान-आधार की अधिगम लाभ अवधारणा वह जगह है जहाँ सिद्धांत साक्ष्य से मिलते हैं। प्रत्येक सिद्धांत इस बारे में अलग अनुमान लगाता है कि क्या सीखने के रूप में गिना जाए और उसका मापन कैसे हो: behaviorism ड्रिल-और-फीडबैक कार्यों पर देखी जाने वाली प्रदर्शन-उपलब्धियों की भविष्यवाणी करता है; constructivism नवीन समस्याओँ में स्थानांतरित होने वाली गहरी समझ की भविष्यवाणी करता है; सामाजिक-सांस्कृतिक सिद्धांत भागीदारी और मध्यस्थ समस्या-समाधान में उपलब्धियों की भविष्यवाणी करता है; और संज्ञानात्मक भार सिद्धांत केवल तब उपलब्धियों की भविष्यवाणी करता है जब निर्देश कार्यशील स्मृति की सीमाओं का सम्मान करता है। यही कारण है कि अधिगम लाभ मापन सिद्धांत-लदा हुआ है — एक सिद्धांत पर बना उपकरण वह उपलब्धियाँ नहीं पकड़ सकता जो दूसरा अनुमानित करता है। AI युग में, AI-सहायता प्राप्त प्रदर्शन और असहाय सीखने की उपलब्धियों के बीच तीव्र विचलन (देखें Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build, The Generative AI Learning Penalty: Evidence from Chinese Secondary Education) को इस लेंस से पढ़ा जा सकता है: behaviorist पढ़ाई बढ़े हुए गृहकार्य अंकों को सफलता मानती है, जबकि स्थायी समझ पर केंद्रित constructivist पढ़ाई वही साक्ष्य सीखने में असफलता के रूप में देखती है। इसलिए सिद्धांतों को मूल्यांकन और मापे गए परिणामों से जोड़ना यह तय करने के लिए आवश्यक है कि किसी AI प्रणाली वास्तव में किस सैद्धांतिक लेंस को संतुष्ट करती है।

शिक्षा में AI के लिए सीखने के सिद्धांत क्यों महत्वपूर्ण हैं

सीखने के सिद्धांत तीन कारणों से महत्वपूर्ण हैं:

• वे AI के प्रभावों की भविष्यवाणी करते हैं। कोई AI उपकरण सीखने में सुधार करता है या नुकसान, यह इस बात पर निर्भर करता है कि वह किस तंत्र को सक्रिय करता है। एक शिक्षक जो उत्तर बाँट देता है, constructivist लेंस के अंतर्गत नुकसानदायक है (वह निर्माण को दरकिनार करता है), behaviorism के अंतर्गत तटस्थ है (वह सुदृढ़ करता है), और संज्ञानात्मक भार की चिंता बढ़ाता है (यह बोझ हटाता है, बनाता नहीं)। ज्ञान-आधार की संज्ञानात्मक ऑफलोडिंग और अति-निर्भरता (Over-Reliance) अवधारणाएँ इसके जोखिम पक्ष को पकड़ती हैं।
• वे सिद्धांत-अभ्यास अंतराल को उजागर करते हैं। अनुभवजन्य कार्य बार-बार पाता है कि AI कार्यान्वयन वार्ता के दावों से भिन्न सिद्धांतों को अपनाते हैं — विशेष रूप से behaviorist ड्रिल-और-अभ्यास यांत्रिकी के साथ constructivist भाषा।(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness) इसलिए AI का मूल्यांकन केवल यह नहीं पूछना है कि वह "काम करती है" या नहीं, बल्कि यह पूछना है कि प्रणाली किस सिद्धांत को वास्तव में अपनाती है।
• उन पर सक्रिय रूप से पुनर्विचार हो रहा है। जनरेटिव AI शिक्षकों को प्रेरित कर रहा है कि वे यह पुनर्विचार करें कि क्या शास्त्रीय सिद्धांत पर्याप्त हैं। Generativism प्रस्तावित करता है कि AI युग में सीखना बढ़ते रूप से मानवीय शिक्षार्थियों और AI प्रणालियों के बीच पुनरावृत्त सह-निर्माण के माध्यम से होता है, जो शास्त्रीय चारों (behaviorism, cognitivism, constructivism, connectivism) का विस्तार करता है न कि प्रतिस्थापन।(Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence)

हाल के AIED कार्य से नई सैद्धांतिक दिशाएँ

हाल का सैद्धांतिक कार्य शास्त्रीय धारा का विस्तार कई दिशाओं में करता है, जिनमें प्रत्येक मानव-AI संबंध को पुनः केंद्रित करता है न कि AI को तटस्थ उपकरण मानता है:

• मानव-AI सह-शिक्षा में AI विनियमन। एक विकासात्मक ढाँचा AI को बाहरी उपकरण नहीं बल्कि एक संज्ञानात्मक साथी के रूप में रखता है जो जीवन-भर सोचने, सीखने और स्व-नियंत्रण का सह-नियमन करता है।(Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning) कार्यपालक कार्य, मेटाकॉग्निशन, वितरित संज्ञान और सामाजिक-सांस्कृतिक विकास से प्रेरित होकर, यह AI को चार भूमिकाओं में ढालता है — सहारा (scaffold), संज्ञानात्मक सहायता, बाह्य स्मृति / संज्ञानात्मक ऑफलोडिंग प्रणाली, और निर्णय साथी — यह ढाँचा मध्य बचपन से आगे सबसे अधिक प्रासंगिक है।
• एंसंबल संज्ञान (Ensemble Cognition)। एक दार्शनिक ढाँचा सोच को मानवीय और कृत्रिम एजेंटों के गतिशील परस्पर क्रिया से उभरती बात के रूप में पुनर्कल्पित करता है, न कि केवल व्यक्तिगत मनों में निवास करती बात के रूप में।(Towards a philosophy of ensemble cognition: Reconceptualising agency and mind in AI-mediated educational environments) यह "चेतना प्रतिमान" (स्वायत्तता, चेतना और स्थिरता की मान्यताएँ) को चुनौती देता है और पाँच विशेषताएँ रेखांकित करता है — वितरित एजेंसी, गतिशील केंद्रीयता, संज्ञानात्मक व्यवस्था, बहु-प्रतिनिधि एकीकरण, और संदर्भ-संवेदी स्विचिंग — साथ ही AI की कार्यात्मक एजेंसी को नैतिक उत्तरदायित्व से अलग करता है।
• स्व-निर्देशित वृद्धि / A2PL। स्व-निर्देशित सीखने का एक विस्तार जनरेटिव AI को सीखने-विश्लेषण (learning analytics) के साथ एकीकृत करता है ताकि स्व-निर्देशित वृद्धि (Self-Directed Growth) विकसित की जा सके, जिसे Aspire to Potentials for Learners (A2PL) मॉडल के माध्यम से संचालित किया गया है।(Fostering Self-Directed Growth with Generative AI: Toward a New Learning Analytics Framework) यह शिक्षार्थी की आकांक्षाओं (मानवतावादी), जटिल सोच (constructivist), और स्व-मूल्यांकन (प्रयोगवादी) को एक ही सामर्थ्य में पुनर्गठित करता है, GAI को सामग्री प्रदाता के बजाय एक अनिर्धारित सहयोगी सहारे के रूप में रखता है।
• भ्रामक अति-सामान्यीकरण (Deceptive overgeneralization)। An, McLaren और Stamper (2026) ACT-R / ज्ञान-सीखने-निर्देश (Knowledge-Learning-Instruction) परंपरा का विस्तार करते हैं, यह सिद्धांत बनाते हुए कि कब देखी गई सहीता अधूरी सशर्त समझ को छिपाती है: शिक्षार्थी एक अति-सामान्यीकृत उत्पादन संकलित करते हैं जो एक अनुप्रयोग बाधा को छोड़ देता है फिर भी सही प्रदर्शन करता है — एक असफलता मोड जिसे अनुकूली दक्षता प्रणालियाँ, और यहाँ तक कि पारंपरिक निर्देश भी, चूक सकते हैं जब तक वे कब कोई क्रिया रोकनी है का परीक्षण न करें।
• निष्पादन-योग्य KLI सिद्धांत। Rachatasumrit, Koedinger और Carvalho (2025) ज्ञान-सीखने-निर्देश ढाँचे को एक निष्पादन-योग्य गणनात्मक मॉडल (Apprentice Learner ढाँचा, ACT-R शैली के स्मृति तंत्र के साथ) में स्थापित करते हैं जो मानवीय डेटा में एक क्रॉस-ओवर परस्पर क्रिया को पुनरुत्पादित करता है: शुद्ध अभ्यास शब्दशः तथ्य-स्मृति में सहायक है (बिस्मरण को विलंबित करके) जबकि उदाहरण-एकीकृत अभ्यास सामान्यीकरण-योग्य कौशल प्रेरण में सहायक है। चूँकि KLI स्थिरांक (तथ्य) ज्ञान को स्मृति प्रक्रियाओं से और चर (कौशल) ज्ञान को प्रेरण से जोड़ता है, परिणाम एक अनुमानित सामग्री-उपचार परस्पर क्रिया है, परीक्षण और हल-किए उदाहरणों की सिफ़ारिशों के बीच विरोधाभास नहीं — और मॉडल की सफलता केवल तब होती है जब स्मृति तंत्र मौजूद होता है, यह दर्शाती है कि अभ्यास और उदाहरण अलग, पूरक भूमिकाएँ निभाते हैं।
• AI के प्रतिमान के लिए एक सत्तात्मक चुनौती के रूप में मूर्तता (Embodiment)। Videla, Penny और Ross (2026) तर्क देते हैं कि एक सत्तात्मक खाई मूर्त, enactive संज्ञान को उस प्रतिनिधि भाषा से अलग करती है जिसे AI अपनाता है, इसलिए AI को ज्ञानमीमांसा केंद्र के रूप में विकेंद्रित किया जाना चाहिए न कि तटस्थ उपकरण माना जाना चाहिए।

यह ज्ञान-आधार इस धारा को कैसे संगठित करता है

सीखने के सिद्धांतों को अमूर्त दर्शन के रूप में देखने के बजाय, ज्ञान-आधार प्रत्येक को उस AI-in-education शोध में जड़ें देता है जो उसका उपयोग करता है। कंस्ट्रक्टिविज़्म और व्यवहारवाद पेज दर्ज करते हैं कि AI डिज़ाइन प्रत्येक सिद्धांत को कैसे अपनाते (या उससे विश्वासघात करते) हैं; संज्ञानात्मक भार सिद्धांत, स्व-नियंत्रित अधिगम, मेटाकॉग्निशन, और सीखने का अंतरण सिद्धांत को विशिष्ट AI तंत्रों और परिणामों से जोड़ते हैं। यह इस बात का अनुरूप है कि ज्ञान-आधार अन्य छत्र क्षेत्रों जैसे प्रतिपुष्टि और मूल्यांकन का कैसे व्यवहार करता है — परस्पर क्रिया करने वाली अवधारणाओं की एक संगत प्रणाली, अलग-थलग पेजों की नहीं।

सीखने के सिद्धांत और "AI के बारे में शिक्षा"

सीखने के सिद्धांत AI साक्षरता (AI literacy) पाठ्यक्रमों में सामग्री के रूप में भी दिखते हैं: शिक्षार्थी behaviorism, cognitivism, constructivism और connectivism का अध्ययन उन उपकरणों के पीछे की शिक्षण-पद्धति (pedagogical) मान्यताओं को समझने के लिए करते हैं जिनका वे उपयोग करते हैं।(Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence) इस धारा को पढ़ाना विद्यार्थियों (और शिक्षकों) को यह शब्दावली देता है कि यह आलोचना की जाए कि कोई AI उत्पाद उस तरह क्यों बना है — और क्या उसकी यांत्रिकी मौजूदा सीखने के लक्ष्य की सेवा करती है।

• मध्यस्थ एजेंट। Warschauer, Tate और Ritchie (2026) तर्क देते हैं कि जनरेटिव AI मध्यस्थ साधनों और सामाजिक परस्पर क्रिया के बीच सामाजिक-सांस्कृतिक भेद को तोड़ता है, मध्यस्थ एजेंट का प्रस्ताव करते हुए — एक ऐसी प्रणाली जो क्रिया को मध्यस्थता देती है और आकस्मिक, गैर-उत्तरदायी योगदान उत्पन्न करती है, एक उपकरण और सामाजिक साथी के बीच संकर स्थान पर रहती है। इससे पाँच मानव-प्रथम भागीदारी की आदतें मिलती हैं (मानवीय संज्ञान की प्रधानता, उद्देश्यपूर्ण भागीदारी (engagement), पर्यवेक्षी एजेंसी, ज्ञानमीमांसा सजगता, विचारशील स्व-नियमन)।(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)

AI युग के लिए प्रस्तावित सिद्धांत

शास्त्रीय परिवारों के साथ-साथ, ज्ञान-आधार उन सिद्धांतों का भी दस्तावेज़ीकरण करता है जो विशेष रूप से AI प्रणालियों के साथ सीखने के लिए लिखे गए हैं, और ये वे डिज़ाइन निहितार्थ लेकर आते हैं जिन्हें पुराने सिद्धांत खुला छोड़ते हैं। Agentivism (Yan और Gašević 2026) एक मध्य-श्रेणी का उदाहरण है: यह सीखना को सफल कार्य-पूर्णता के बजाय मानवीय क्षमता में स्थायी वृद्धि के रूप में परिभाषित करता है, चार तंत्रों का नामांकन करता है (प्रतिनियुक्त एजेंसी, ज्ञानमीमांसा निगरानी और सत्यापन, पुनर्निर्माणकारी आंतरिकीकरण, और कम सहायता के अंतर्गत स्थानांतरण), और छह परीक्षणीय प्रतिज्ञानप्तियाँ प्रस्तुत करता है, जिनमें यह भी है कि समस्या-रूपरेखा, मानदंड-निर्धारण और औचित्य के लिए शिक्षार्थी की उत्तरदायित्व को संरक्षित रखने वाला AI समर्थन, उत्तर देने वाले समर्थन से मज़बूत सीखना उत्पन्न करता है।

Elsayed (2026) का शिक्षण-सहजीवन (Pedagogical Symbiosis) एक मज़बूत सत्तात्मक दावा करता है: शिक्षार्थी एक Post-Human इकाई है जिसका संज्ञान उपकरण-सहायित नहीं बल्कि संकर है, जिसे चार सिद्धांतों द्वारा संगठित किया गया है: संज्ञानात्मक बोझ-हटाना और संवर्धन, ज्ञानमीमांसा सह-निर्माण, संज्ञानात्मक सहजीवन, और गतिशील पहचान-निर्माण; इसे Symbiotic Portfolio रूब्रिक और एक "Cognitive Choreographer" शिक्षक-भूमिका के रूप में संचालित किया गया है; यह स्पष्ट रूप से अपरीक्षित है।

संबंधित अवधारणाएँ

• व्यवहारवाद
• संज्ञानात्मक मनोविज्ञान
• कंस्ट्रक्टिविज़्म
• मेटाकॉग्निशन
• वितरित संज्ञान
• स्व-नियंत्रित अधिगम
• स्वनिर्धारण सिद्धांत
• स्व-प्रभावशीलता
• प्रेरणा
• सामाजिक-सांस्कृतिक अधिगम
• मड्गद
• सीखने का अंतरण
• अधिगम लाभ
• वांछनीय कठिनाइयाँ
• सक्रिय अधिगम (Active Learning)
• अनुभवजन्य शिक्षा
• सहयोगी शिक्षा
• अधिष्ठित शिक्षा
• संज्ञानात्मक ऑफलोडिंग
• सीखने का डिज़ाइन
• अधिगम विज्ञान
• शिक्षा में एआई का दर्शन
• शिक्षा में AI
• शिक्षाशास्त्र और शिक्षण रणनीतियाँ — छत्र: शिक्षा में AI की पाठ्यपुस्तकें और शिक्षण रणनीतियाँ

संबंधित लेख

• Agentivism: a learning theory for the age of artificial intelligence — मानव-AI परस्पर क्रिया के लिए एक मध्य-श्रेणी का सीखने का सिद्धांत, चार तंत्रों और छह परीक्षणीय प्रतिज्ञानप्तियों के साथ (Yan और Gašević 2026)
• Deceptive Overgeneralization: When Adaptive Learning Enables Systematic Misapplication — भ्रामक अति-सामान्यीकरण: अनुकूली दक्षता अभ्यास को रोक सकती है इससे पहले कि शिक्षार्थी जान लें कि कब कोई क्रिया रोकनी है (An, McLaren और Stamper 2026)
• AI-Augmented Inquiry and Regulation in Hybrid Systems: A Control Allocation Architecture for Preserving Epistemic Agency — संकर प्रणालियों में AI-संवर्धित जाँच और नियमन (AIRIS)
• AI-Mediated Learning and the Restructuring of Interpretive Cognition: A Developmental-Critical Model for Social Sciences and Humanities Education
• Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning — मानव-AI सह-नियमन में AI को संज्ञानात्मक साथी के रूप में रखता है; जीवन-भर का विकासात्मक ढाँचा
• Towards a philosophy of ensemble cognition: Reconceptualising agency and mind in AI-mediated educational environments — एंसंबल संज्ञान: सोच को मानव-AI परस्पर क्रिया के रूप में पुनर्कल्पित करने वाला एक दार्शनिक ढाँचा
• Fostering Self-Directed Growth with Generative AI: Toward a New Learning Analytics Framework — स्व-निर्देशित सीखने को GenAI से विस्तारित करने वाला स्व-निर्देशित वृद्धि और A2PL मॉडल
• Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence — जनरेटिव AI युग के लिए एक नया सीखने का सिद्धांत प्रस्तावित करता है, शास्त्रीय चारों पर पुनर्विचार करते हुए
• Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness — VET में AI के लिए constructivism/behaviorism सिद्धांत-अभ्यास अंतराल का दस्तावेज़ीकरण
• Generative AI technologies and educational outcomes: a comprehensive meta-analysis comparing traditional and AI-driven approaches
• Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI
• "If You Can't Dance Your Program, You Can't Write It": Challenges and Implications for AI in Education
• Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory — एक मध्यस्थ एजेंट के रूप में जनरेटिव AI
• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — उत्पादक-असफलता-आधारित सीखने का समर्थन के लिए AI प्रणालियाँ डिज़ाइन करना
• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — उत्पादक असफलता के लिए LLMs की शिक्षण-दिशा निर्धारण
• Clue before correction: ChatGPT-enhanced strategy for promoting autonomous and reflective language learning — संकेत से पहले सुधार: स्वायत्त भाषा सीखने के लिए ChatGPT
• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content