बड़े भाषा मॉडल (LLMs)

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

बड़े भाषा मॉडल (LLMs) — विशाल पाठ संग्रहों पर प्रशिक्षित तंत्रिका नेटवर्क मॉडल जो मानव-जैसा पाठ उत्पन्न करते हैं, अधिकांश आधुनिक शिक्षा में AI अनुप्रयोगों को शक्ति देते हैं। LLMs शिक्षा में जनरेटिव-AI ट्यूटरिंग, मूल्यांकन और सामग्री निर्माण की कम्प्यूटेशनल रीढ़ हैं।

विचार करने योग्य प्रश्न

जब एक AI चैटबॉट आपका उत्तर देता है तो आपको क्या लगता है कि वह क्या 'जानता' है? यह पृष्ठ LLMs को संभावित पाठ उत्पन्न करने वाले के रूप में फ्रेम करता है न कि सत्यापित तथ्यों को पुनर्प्राप्त करने वाले के रूप में — वह भेद आपके मॉडल के स्पष्टीकरणों पर कितना भरोसा करने को कैसे बदलता है?
LLMs का वर्णन अधिकांश आधुनिक AI शिक्षा उपकरणों के पीछे के इंजन के रूप में किया जाता है — ट्यूटरिंग, ग्रेडिंग, सामग्री निर्माण और यहाँ तक कि यह निदान करना कि छात्र क्या जानते हैं। इन उपयोगों में, आपको कौन एक संभाव्य पाठ जनरेटर के लिए सबसे अधिक और सबसे कम उचित लगता है, और क्यों?
यह पृष्ठ रिपोर्ट करता है कि तीन अलग-अलग LLMs ने एक ही सीखने-विश्लेषण इनपुट के लिए तेज़ी से भिन्न सहायता योजनाएँ पैदा कीं, प्रत्येक अलग जनसांख्यिकीय धारणाओं के साथ। यदि मॉडल सलाहकार के रूप में विनिमेय नहीं हैं, तो एक ऐसी संस्था के लिए जो एक को अपनाती है उसके लिए उसका क्या अर्थ है?
क्योंकि LLM आउटपुट प्रॉम्प्ट और सेटिंग्स के प्रति संवेदी है, दो लोग एक ही मॉडल से बहुत अलग परिणाम प्राप्त कर सकते हैं। यह इसे कैसे प्रभावित करना चाहिए कि आप — एक शिक्षार्थी या डिज़ाइनर के रूप में — अनुरोध कैसे वाक्यांशित करते हैं, और एक एकल आउटपुट पर आप कितना भरोसा करते हैं?
एक मुख्य सीमा भ्रम है — संभावित-ध्वनि लेकिन बिना-आधार सामग्री। एक ट्यूटरिंग या ग्रेडिंग संदर्भ में, मॉडल कुछ बना नहीं रहा है यह महसूस करने के लिए आपको क्या चाहिए होगा, और एक असली छात्र का मूल्यांकन करने देने से पहले आप कौन सुरक्षा उपायों की मांग करेंगे?

परिचय

AIED के इंजन के रूप में LLMs

LLMs ज्ञानकोष की सबसे अधिक संदर्भित अवधारणा (60+ लेख) हैं क्योंकि वे लगभग हर AI शिक्षा अनुप्रयोग को स्थिर करती हैं:

ट्यूटरिंग: AI ट्यूटर संवाद, स्पष्टीकरण और समस्या समाधान मार्गदर्शन के लिए LLMs का उपयोग करते हैं। प्रशिक्षण और सूक्ष्म-ट्यूनिंग शैक्षिक उपयोग के लिए सामान्य LLMs को अनुकूलित करता है।
मूल्यांकन: ग्रेडिंग प्रणालियाँ, निबंध स्कोरिंग, और वस्तु कठिनाई भविष्यवाणी LLM क्षमताओं का लाभ उठाते हैं। रज़ावी और पावर्स (2026) दिखाते हैं कि GPT-4o राश IRT मॉडल के तहत कैलिब्रेट K-5 गणित और पढ़ने की वस्तुओं (N = 5170) की कठिनाई का अनुमान लगा सकता है: शून्य-शॉट रेटिंग सच्ची कठिनाइयों के साथ मध्यम-से-मजबूती से सहसंबद्ध थीं (r = 0.83 गणित, r = 0.81 पढ़ना) लेकिन कक्षा द्वारा भिन्न थीं, जबकि एक सुविधा-आधारित रणनीति जिसमें LLM संज्ञानात्मक और भाषाई सुविधाओं को पेड़-आधारित मॉडलों के लिए निकालता है उसने r = 0.87 तक सहसंबंध पहुँचे — यह साक्ष्य कि संरचित सुविधा निष्कर्षण एक एकल समग्र LLM निर्णय को हरा सकता है। समग्र ग्रेडिंग साहित्य में, 42 अनुभवजन्य अध्यायनों (2023–2025) की एक PRISMA-निर्देशित व्यवस्थित समीक्षा का निष्कर्ष है कि LLMs विस्तृत मानदंडों के साथ संक्षिप्त, अच्छी तरह संरचित कार्यों पर मानव रेटरों से मेल खाते हैं फिर भी जटिल, खुले या व्यक्तिपरक काम पर मानव निर्णय को पूरी तरह बदल नहीं सकते, और मॉडल संस्करण ग्रेडिंग गुणवत्ता का एक प्रभुत्वित निर्धारक है (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback)। विश्वसनीयता वस्तु प्रकार से भी तेज़ी से भिन्न होती है: फलाहत सहित (2026) ने पाया कि ChatGPT-5 ने उद्देश्यीय फार्मेसी-परीक्षा वस्तुओं पर संकाय से कसकर मेल खाया (CCC 0.935–1.000) लेकिन संक्षिप्त-उत्तर (CCC ≈0) और निबंध (0.341–0.854) वस्तुओं पर अविश्वसनीय था, और एक मानदंड प्रदान करने ने सहमति को संगत रूप से सुधारा नहीं।
निर्मित वस्तु लेबल सतह रूप को ट्रैक करते हैं, कठिनाई नहीं। एक 378-वस्तु ऑडिट ने पाया कि एक LLM के आसान/मध्यम/कठिन लेबल इसकी स्वयं के सह-निर्मित ब्लूम स्तर (ρ=0.90) और तने की लंबाई (15.9 से 30.2 शब्द) के साथ तालमेल में बढ़े फिर भी 7,888 छात्र प्रतिक्रियाओं पर अनुभवजन्य वस्तु कठिनाई के साथ केवल ρ=0.06 पर सहसंबद्ध थे, यह साक्ष्य कि निर्माण-समय कठिनाई मेटाडेटा पूर्व ज्ञान पर मांग के बजाय स्वरूपण का वर्णन करता है (एन और वांग (2026)))।
निर्मित वस्तु अभी भी विशेषज्ञ वस्तुओं से मेल खा सकती हैं। एक उत्पन्न→न्याय→संशोधित लूप में o3-mini ने 71 कक्षाओं के लिए परीक्षाएँ बनाईं; एक बेज़ियन पदानुक्रमित 2PL IRT मॉडल के तहत AI वस्तु विशेषज्ञ AP सांख्यिकी वस्तुओं से आसान लेकिन अधिक विभेदक थीं (ᾱ = 1.3 बनाम 1.2) और अधिक सूचनाप्रद (I_max = 3.85 बनाम 2.61) (आइस्ले सहित (2025)))।
एनोटेशन गुणवत्ता एक डिज़ाइन परिणाम है, एक एकल-प्रॉम्प्ट गुण नहीं। बर्नाडो सहित (2026) ने एक पाँच-मॉडल पैनल को प्रत्येक उच्चारण के बारे में मानव-पठनीय दावों का न्याय करने के लिए प्रॉम्प्ट किया न कि सीधे एक लेबल उत्सर्जित करने के लिए, और उन बाइनरी निर्णयों पर एक पारदर्शी वर्गीकर्ता (मैक्रो-F1 0.673, कोहेन का κ 0.688) ने एक अग्र-पंक्तु मॉडल के सर्वोत्तम प्रकाशित सीधे प्रॉम्प्टिंग को हराया (0.61 मैक्रो-F1) जबकि एक सूक्ष्म-ट्यून किए गए RoBERTa-बेस एन्कोडर (0.76) से पीछे रहा; क्रॉस-मॉडल सहमति एक स्क्रीनिंग उपकरण के रूप में काम करती थी, न कि वैधता साक्ष्य के रूप में।
बहुमाध्यमी AI तर्क LLMs ग्रेडर के रूप में: जब एक बहु-माध्यम, तर्क-सक्षम LLM (GPT-o4-mini) ने 296 छात्रों के हाथ से लिखे सामान्य-रसायन परीक्षा को मानदंड चित्रों के विरुद्ध पृष्ठ-दर-पृष्ठ ग्रेड किया, एकल-चलन कुल स्कोर अत्यधिक पुनरुत्पादक थे (ICC(A,1) = 0.967; पाँच चलनों का औसत 0.993 तक पहुँचा) और TA कुल के साथ मजबूती से सहमत थे (R² = 0.91), फिर भी वस्तु-स्तर विश्वसनीयता तेज़ी से प्रारूप-निर्भर थी — पाठ्य और प्रतिक्रिया-समीकरण उत्तर अच्छी तरह ग्रेड हुए जबकि आलेखन और ग्राफिंग यादृच्छिक से भी बदतर थीं (पृष्ठभूमि ग्रिड AI दृष्टि को विचलित करते हैं)। यह दिखाता है कि एक LLM ग्रेडर की विश्वसनीयता प्रतिक्रिया प्रारूप और कार्य की एक प्रकार्य है, केवल कच्ची मॉडल क्षमता नहीं, और कि उच्च-दांव उपयोग के लिए चयनात्मक प्रत्यारोपण आत्मविश्वास फ़िल्टर के माध्यम से आवश्यक है (Assisting the grading of a handwritten general chemistry exam with artificial intelligence)।
सामग्री: जनरेटिव-AI सामग्री निर्माण LLMs पर निर्भर करता है। प्रश्न निर्माण और वीडियो निर्माण LLM-चालित हैं।
सुरक्षा: पाठ्य-सुरक्षा: शिक्षा में पेडागॉजिकल सेफ्टी, हैलुसिनेशन जोखिम, और SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems शोध LLM-विशिष्ट जोखिमों की जाँच करते हैं।
निदान: ज्ञान अनुरेखण और संज्ञानात्मक निदान तेज़ी से समृद्ध छात्र मॉडलिंग के लिए LLMs को शामिल करते हैं। त्रुटि निदान के लिए ग्राउंडिंग बेहद मायने रखता है: रेड्डिग, अरोड़ा और मैकलेलन (2025) ने दिखाया कि GPT-4 को ट्यूटर इंटरफ़ेस संरचना साथ ही बेज़ियन ज्ञान ट्रेसिंग कौशल अनुमान आपूर्ति करना कारक-निष्कर्षण पर तार्किक-त्रुटि पहचान को 40% से 81% तक बढ़ाया (समग्र त्रुटि निदान ~87.8%), जबकि बहु-चरण समस्याएँ और कई त्रुटियों वाली प्रतिक्रियाएँ कमज़ोर मामले बनी रहीं और भ्रमित "सामान्य-गलतफहमी" निदान बने रहे — यह साक्ष्य कि एक LLM का निदान मूल्य उतनी ही मात्रा में संरचित संदर्भ और शिक्षार्थी-मॉडल संकेतों की एक प्रकार्य है जो वह प्राप्त करता है जितनी कि मॉडल स्वयं की।
निर्माण से अलग सत्यापन — सहसंबद्ध विफलता तरीकों के साथ। होसैन सहित (2026) ट्यूटर पुनर्प्राप्ति को निर्देशक-स्वीकृत पाठ्यक्रम सामग्री तक सीमित करते हैं और दावों को एक वास्तुशिल्प रूप से अलग DeBERTa-v3-large-MNLI सत्यापक के माध्यम से रूट करते हैं, लेकिन चेतावनी देते हैं कि दोनों मॉडल व्यापक वेब प्रशिक्षण साझा करते हैं और सहसंबद्ध तरीकों से विफल हो सकते हैं, और सत्यापक कोड ट्रेस को निष्पादित किए बिना जाँच नहीं सकता।
मूल्यांकन मॉडल बदलाव (2017–2024): संक्षिप्त-उत्तर विज्ञान प्रश्नों के स्वतः-अंकन पर मॉर्ले सहित का स्कोपिंग समीक्षा क्षेत्र की गति को छोटे BERT मॉडलों (2021 तक प्रभुत्वित) को सूक्ष्म-ट्यूनिंग से बड़े LLMs (GPT-1/2/3.5/4) को प्रॉम्प्टिंग (लगभग 2022 से) की ओर ट्रेस करता है — प्रॉम्प्ट इंजीनियरिंग के माध्यम से अपनाया गया सूक्ष्म-ट्यूनिंग के बजाय — डोमेन-संवर्धित मॉडल, मानदंड-जागरूक प्रॉम्प्टिंग और सोच-श्रृंखला के साथ सटीकता बढ़ाते हुए। फिर भी GPT मॉडलों को शायद ही कभी मानक संग्रहों पर BERT के विरुद्ध बेंचमार्क किया गया, कुछ स्वतः-अंकनकर्ता अपने अंक समझा सकते थे, और पूर्वाग्रह शायद ही कभी जाँचा गया, चेतावनियाँ जो LLM मूल्यांकन पर सामान्य रूप से लागू होती हैं (Auto-marking short answer questions in science: The foundational years of transformer-based models from BERT to GPT-4)।

मॉडल-विशिष्ट शोध

ज्ञानकोष सामान्य-उद्देशीय LLMs (GPT-4, Claude) और शिक्षा-विशिष्ट अनुकूलन दोनों को कवर करता है। छोटे भाषा मॉडल बेंचमार्क ट्यूटरिंग के लिए SLM प्रदर्शन की तुलना करते हैं। और Suvernev et al. (2026) का तर्क है कि उपकरण-संवर्धित योजनाकारों के रूप में तैनात होने पर SLMs एजेंटिक ट्यूटरिंग के लिए स्थापत्य-रूप से उचित हैं — निर्धारित उपकरण वह बोझ वहन करते हैं जिसे एक छोटा मॉडल अन्यथा अंतर्निहित रूप से संभालता — जिसमें शैक्षणिक नियंत्रण मॉडल के बजाय उन्नयन नीति में निहित होता है। शैक्षिक संरेक्षण शोध यह संबोधित करता है कि LLMs को शिक्षाशास्त्रीय रूप से उचित कैसे बनाया जाए। तीन अग्र-पंक्तु परिवारों में एक कक्षा अध्ययन — ऑपेनहाइमर, कैश और कॉनेल पेन्स्की (2025) — ने पाया कि ChatGPT, Gemini, या Claude तर्कपूर्ण लेखन के लिए सहयोगात्मक आलोचना साझेदार के रूप में काम कर सकते हैं: एक सेमेस्टर की पुनरावृत्त निबंधों में, छात्रों ने तर्क गुणवत्ता, प्रॉम्प्ट इंजीनियरिंग, और LLM दावों का प्रत्युत्तर (AI-AI प्रतिक्रिया का प्रत्युत्तर) में प्रत्येक में लगभग एक पूर्ण मानक विचलन सुधारा (सभी p < .001) और गहराई से जुड़े (87.8% LLM दावों का प्रत्युत्तर देते हुए), सामान्य-उद्देशीय LLMs को केवल उत्तर जनरेटरों के बजाय व्यवहारिक सहयोगात्मक सीखना साझेदारों के रूप में रखते हुए। प्रतिक्रिया पर उच्च रेटिंग प्राप्त की और निरंतर उपयोग बढ़ाया — कोचिंग, ट्यूटरिंग या प्रतिक्रिया के लिए एक विफलता तरीका, जहाँ रचनात्मक चुनौती ही बिंदु है (पोटेल और कुमाशिरो (2026))।

एक पूरक काम की रेखा LLMs को स्थिर ग्रेडर से शिक्षाशास्त्रीय तर्क के अनुकारकों के रूप में पुनःफ्रेम करती है। यासार सहित (2026) ने दिखाया कि GPT-4, एक अर्थपूर्ण रूप से सटीक, पुनरावृत्त रूप से सह-परिष्कृत मानदंड के साथ मड्गदित, मूल्यांकनकारी निर्णय को डिज़ाइन-आधारित सीखना में अनुमानित कर सकता है: प्रारंभिक LLM–मानव सहमति खराब थी (क्रॉनबैच का अल्फा = 0.393; कप्पा −0.06 से 0.18), लेकिन पुनरावृत्त मानदंड परिष्करण ने माध्य सहमति को 54.75% से 81.25% तक बढ़ाया (अंतिम अल्फा = 0.798, कप्पा 0.40–0.55), और मानव और LLM स्कोर मैट्रिक्स का K-means क्लस्टरिंग ने अत्यधिक सहसंबद्ध केंद्रक दिखाए (r = 0.89)। अध्ययन मानदंड को मानव शिक्षाशास्त्रीय इरादे और मशीन निष्कर्ष के बीच एक मध्यस्थ अंतरापृष्ठ के रूप में रखता है — यह साक्ष्य कि तैयार LLMs मूल्यांकनकर्ताओं के रूप में भी विनिमेय नहीं हैं, और उनका मूल्यांकन व्यवहार एक डिज़ाइन परिणाम है जो उन्हें दिए गए मानदंड और प्रॉम्प्ट से आकार लेता है। कच्ची मॉडल क्षमता ग्रेडिंग को भी अंतर करती है: 1,885 खुले प्रतिक्रियाओं पर ग्यारह जनरेटिव-AI और वाक्य-एम्बेडिंग मॉडलों के बेंचमार्किंग, पेकुचोवा, बेंको और ड्र्लिक (2025) ने पाया कि केवल GPTo1 विशेषज्ञ मानव ग्रेडरों के साथ लगभग-पूर्ण सहमति तक पहुँचा (फ्लेस का कप्पा 0.82), Claude3 और PaLM2 थोड़ा पीछे, जबकि संदर्भ-संरेखित मॉडल जैसे BERT बहुत कम पड़े — यह दिखाते हुए कि विश्वसनीय खुले मूल्यांकन के लिए अग्र-पंक्तु मॉडल संदर्भ-संवेदनता मायने रखती है। मॉडल अंतर उच्च-दांव नीचे के उपयोगों के लिए भी मायने रखते हैं। लोपेज़-पर्नास सहित (2026) ने दिखाया कि तीन LLMs ने एक ही सीखने-विश्लेषण इनपुट के लिए तेज़ी से भिन्न छात्र-सहायता नुस्खे पैदा किए, और प्रत्येक ने उन शिक्षार्थी प्रोफ़ाइलों पर अलग जनसांख्यिकीय पूर्व अनुमान लगाए जो उन्होंने उत्पन्न कीं — यह साक्ष्य कि तैयार LLMs नुस्खात्मक सलाहकारों के रूप में विनिमेय नहीं हैं। इसी तरह, ओल्वेट सहित (2026) ने पाया कि GPT-4 का पूर्व-क्लर्कशिप चिकित्सा खुले प्रश्नों का स्कोरिंग संकाय के साथ पर्याप्त-से-लगभग-पूर्ण इंटर-रेटर सहमति (भारित कप्पा 0.94 तक) तक चढ़ा केवल तीन चक्रों के पुनरावृत्त मानदंड परिष्करण के बाद, और एक समग्र-मानदंड वस्तु पर मध्यम (κw = 0.54) पर गिरा — यह सुदृढ़ करते हुए कि मानदंड डिज़ाइन, केवल कच्ची क्षमता अकेले नहीं, LLM स्कोरिंग विश्वसनीयता का निर्णायक लीवर है। मॉडल-विशिष्ट व्यवहार यह भी दिखाता है कि LLMs संदेहवादी उपयोगकर्ताओं का उत्तर कैसे देते हैं: एक एल्गोरिदमिक ऑडिट ने दस अग्र-पंक्तु LLMs को एक ग्रामीण-मोंटाना K-12 AI-संदेहवादी व्यक्तित्व के साथ प्रत्येक 500 बार प्रश्नित किया ताकि यह परीक्षण किया जा सके कि संदेहवादी उपयोगकर्ताओं द्वारा परामर्शित AI प्रणालियाँ अपनाने को प्रोत्साहित करने के लिए पूर्व-अभिमुख हैं। दस में से आठ ने उपयोगकर्ता चिंताओं को स्वीकार किया फिर AI-जुड़ाव फ्रेमिंग की ओर पुनर्निर्देशित किया; संयुक्त स्कोर 3.85 (Claude Sonnet) से 7.52 (Gemini 3.1 Pro Preview) तक फैले थे, एक क्रॉस-परिवार AI स्कोरर पैनल के साथ कोहेन का कप्पा >= 0.70 साफ करते हुए। पैटर्न एक मॉडल-निर्भर डिज़ाइन परिणाम था। मॉडल क्षमता इस बात पर भी निर्भर करती है कि मॉडल कैसे जोड़े जाते हैं: बर्ड (2026) ने आठ अत्याधुनिक ट्रांसफॉर्मरों (BERT, ELECTRA, RoBERTa, XLNet, ERNIE, ALBERT, DistilBERT, Longformer) को UK मुख्य चरण द्वारा अंग्रेज़ी साहित्य को वर्गीकृत करने के लिए सूक्ष्म-ट्यून किया, सर्वोत्तम एकतरफा ट्रांसफॉर्मर (BERT) को केवल F1 0.75 तक पहुँचा — जबकि एक सूक्ष्म-ट्यून किए गए ELECTRA को एक कम्प्यूटेशनल-भाषाविज्ञान तंत्रिका नेटवर्क के साथ जोड़ने ने F1 को 0.996 तक बढ़ाया, यह दिखाते हुए कि अकेला ट्रांसफॉर्मर पाठ वर्गीकरण सीमित है और पूरक सुविधाओं के साथ संलयन वह जगह है जहाँ लाभ हैं।

मेटाडेटा

प्रौद्योगिकियाँ और तकनीकें	जनरेटिव-AI, इंटेलिजेंट ट्यूटरिंग, प्रॉम्प्ट इंजीनियरिंग, RAG (रिट्रीवल-ऑगमेंटेड जनरेशन)
मूल्यांकन और मापन	स्वचालित मूल्यांकन
समानता, नैतिकता और जिम्मेदार उपयोग	हैलुसिनेशन जोखिम, पाठ्य-सुरक्षा: शिक्षा में पेडागॉजिकल सेफ्टी
शिक्षा में AI की नींव	AI साक्षरता

Source History Edit Chat

बड़े भाषा मॉडल (LLMs)

विचार करने योग्य प्रश्न

परिचय

AIED के इंजन के रूप में LLMs

मॉडल-विशिष्ट शोध

संबंधित अवधारणाएँ

संबंधित लेख

संबंधित सामान्य प्रश्न

मेटाडेटा

इस पृष्ठ को एम्बेड करें