इस पृष्ठ पर

यह पृष्ठ अंग्रेज़ी में पढ़ें

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

दीर्घकालिक शोध — ऐसे अध्ययन-डिज़ाइन जो समय के साथ बार-बार उन्हीं इकाइयों को मापते हैं, ताकि किसी व्यक्ति, कक्षा या संस्थान भीतर होने वाला परिवर्तन उनके बीच होने वाले अंतर से अलग किया जा सके। शिक्षा में AI में, दीर्घकालिक कार्य वही है जो अपनाने, कौशल-विकास और सहभागिता के दावों को क्षण-चित्रों से प्रवृत्तियों (trajectories) में बदलता है: शिक्षक-शिक्षा सर्वेक्षणों के चार सेमेस्टर जो GenAI उपयोग में बढ़ोतरी दिखाते हैं, आत्म-नियमन डेटा का एक सेमेस्टर जो दिखाता है कि मेटाकॉग्निटिव ज्ञान मूल्यांकन-दबाव में गिर रहा है, और सहभागिता डेटा की पाँच लहरें जिनकी ढलान साथ चलती हैं। इसका मूल्य इतना नहीं कि वह ज़्यादा मापता है, बल्कि इतना कि वह एक ऐसा प्रश्न पूछ सकता है जिसका उत्तर एकल माप नहीं दे सकता: क्या बदल रहा है, किसके लिए, और किस दर से।

विचार करने योग्य प्रश्न

  • क्रॉस-सेक्शनल सर्वेक्षण से पता चलता है कि जो छात्र AI का अधिक उपयोग करते हैं, वे उच्च आत्म-क्षमता की रिपोर्ट करते हैं। इसका और क्या समझा जा सकता है, और कौन-सा डिज़ाइन इन व्याख्याओं को अलग करेगा?
  • "दीर्घकालिक" शब्द अक्सर किसी भी अध्ययन के लिए प्रयुक्त होता है जिसमें दो समय-बिंदु हों। पूर्व/उत्तर (pre/post) जोड़ी क्या स्थापित करती है, और क्या खुला छोड़ती है?
  • Xu का पैनल मॉडल स्थिर विशेषता (trait) को अवसर-विशिष्ट उतार-चढ़ाव से अलग करता है। फीडबैक साक्षरता सहभागिता का कारण बनती है, इस दावे के लिए वह अलगाव क्यों महत्वपूर्ण है?
  • अध्ययन के दौरान AI उपकरण बदलते रहते हैं: मॉडल अपडेट होते हैं, सुविधाएँ जुड़ती हैं, लाइसेंस समाप्त हो जाते हैं। स्थिर उपचार (constant treatment) का अनुमान लेने वाले डिज़ाइन पर इसका क्या असर पड़ता है?
  • समाप्ति (attrition) यादृच्छिक नहीं होती। जिस सेमेस्टर में नमूने का एक-पाँचवाँ हिस्सा बाहर हो गया हो, अध्ययन को उस सेमेस्टर की रिपोर्ट कैसे करनी चाहिए?
  • कक्षा के लिए सेमेस्टर लंबा है और विकास के लिए छोटा। AI संबंधी किन दावों के लिए वर्षों की आवश्यकता है, और कौन-से सप्ताहों में उत्तरित हो जाते हैं?

परिचय

दीर्घकालिक शोध एकल विधि के बजाय डिज़ाइनों का एक परिवार है: एक ही कोहर्ट के बार-बार किए गए सर्वेक्षण, पैनल अध्ययन, विकास-वक्र (growth-curve) मॉडल, कोहर्ट-तुलनाएँ, अनुभव-नमूनाकरण, और टर्म भर में जमा होने वाले लॉग डेटा का विश्लेषण। इन्हें जोड़ती चीज़ विश्लेषण की इकाई (वही शिक्षार्थी, कक्षा या संस्थान जिसे एक से अधिक बार देखा गया) और उससे प्राप्त होने वाला अनुमान-लाभ है।

यह लाभ अक्सर अतिशयोक्ति किया जाता है। लगभग एक सौ लेख खुद को दीर्घकालिक कहते हैं, और वे चार-सेमेस्टर के रुझान-विश्लेषण से लेकर केवल एक पूर्व/उत्तर तुलना तक फैले हैं। यह लेबल एक गुणवत्ता-संकेत बन गया है, इसलिए यह सटीक कहना उचित है कि प्रत्येक डिज़ाइन क्या-क्या समर्थन करता है। बार-बार किया गया सर्वेक्षण यह दिखा सकता है कि वितरण सरा गया। पैनल मॉडल यह दिखा सकता है कि कोई व्यक्ति अपने स्वयं के आधार-स्तर की तुलना में सरा। विकास मॉडल यह दिखा सकता है कि गति की दर लोगों में भिन्न है और दो प्रक्रियाएँ साथ चलती हैं। केवल कुछ ही डिज़ाइन, जिनमें दोनों सिरों पर परिणाम-माप हो, यह संबोधित करने की शुरुआत कर सकते हैं कि क्या उपकरण ने परिवर्तन का कारण बनाया।

अधिक मजबूत अध्ययन अपने लेबल से कम स्थापित करते हैं, और डिज़ाइन-परिवारों में यह भिन्नता है कि प्रत्येक क्या समर्थन कर सकता है।

व्यक्ति-भीतर परिवर्तन बनाम व्यक्ति-बीच अंतर

सबसे अधिक कार्य करने वाला अंतर स्थिर विशेषता (stable trait) और अवसर-विशिष्ट अवस्था (occasion-specific state) के बीच है। Xu (2026) ने 480 चीनी स्नातक-पूर्व छात्रों में AI फीडबैक साक्षरता और सक्रिय सहभागिता (agentic engagement) को छह-सप्ताह के अंतराल पर तीन बार मापा, और दोनों स्तरों को अलग करने के लिए रैंडम-इंटरसेप्ट क्रॉस-लैग्ड पैनल मॉडल का उपयोग किया। स्थिर विशेषता सहसंबंध r = 0.315 (p < 0.001) था; व्यक्ति-भीतर क्रॉस-लैग्ड पथ इस बारे में एक अलग कहानी कहते थे कि कौन-सा निर्माण (construct) पहले सरा। इस अलगाव के बिना, दोनों के बीच क्रॉस-सेक्शनल सहसंबंध को संबंध का प्रमाण बताया जाता, और वह अस्पष्ट होता: जो लोग सामान्यतः अधिक फीडबैक-साक्षर होते हैं, वे सामान्यतः अधिक सहभागी भी हो सकते हैं, बिना किसी ने दूसरे को बदला हो।

यही इस डिज़ाइन का मूल योगदान है। इस साहित्य के अधिकांश प्रश्न (क्या AI फीडबैक सहभागिता बनाता है, क्या निर्भरता आत्म-नियमन को क्षीण करती है, क्या उपयोग कल्याण का पूर्वानुमान बताता है) परिवर्तन के प्रश्न हैं, और नमूना कितना ही बड़ा क्यों न हो, परिवर्तन का प्रश्न एकल माप से उत्तर नहीं देता।

प्रवृत्तियाँ और उनके साथ जुड़ा परिवर्तन

विकास-मॉडलन एक अलग प्रश्न पूछता है: न कि क्या कोई व्यक्ति अपने सामान्य स्तर से भिन्न है, बल्कि परिवर्तन की आकृति क्या है और क्या दो परिवर्तन-प्रक्रियाएँ जुड़ी हुई हैं। Zhang और Tang ने चीन के चार विश्वविद्यालयों के 850 संगीत स्नातक छात्रों का एक सेमेस्टर में पाँच बार सर्वेक्षण किया, जिसमें AI-सहायता-प्राप्त कक्षाओं में कक्षा-सहभागिता, फ़्लो (flow) और स्व-अनुभूत संगीतमय भावनात्मक बुद्धिमत्ता मापी गई। तीनों पाँच लहरों में बढ़े, और ढलान साथ चलीं: सहभागिता की ढलान फ़्लो की ढलान से 0.39 और भावनात्मक बुद्धिमत्ता की ढलान से 0.22 सहसंबद्ध थी।

यह निष्कर्ष ढलानों के बारे में सहसंबद्ध है, उपकरणों के बारे में कारणात्मक नहीं, और लेखक इसे उसी रूप में प्रस्तुत करते हैं। इसका मूल्य यह है कि यह परिवर्तन को स्तर (level) के बजाय दर (rate) में स्थित करता है, जो ऐसा दावा है जिस पर पाठ्यक्रम-डिज़ाइनर कार्य कर सकता है: यदि जहाँ फ़्लो तेज़ी से बढ़ता है वहाँ सहभागिता भी तेज़ी से बढ़ती है, तो डिज़ाइन-प्रश्न यह बन जाता है कि सबसे पहले फ़्लो क्या उत्पन्न करता है।

अपनाने और दृष्टिकोण के रुझान

तीसरा परिवार किसी विकास-प्रक्रिया के बजाय किसी जनसंख्या (population) का अनुसरण करता है। Parker, Loper, Carter, Hayes और Karakas ने मध्य-पश्चिमी अमेरिका के एक शिक्षक-शिक्षा कार्यक्रम के 300 से अधिक छात्रों से चार सेमेस्टर के सर्वेक्षण डेटा का विश्लेषण किया, ChatGPT के प्रकाशन के बाद GenAI उपयोग और नैतिक धारणाओं का पता लगाया। उपयोग काफी बढ़ा: मूल्यांकन-तैयारी 57% से 83%, अध्ययन 44% से 76%, जबकि नैतिक रुख स्थिर होने के बजाय अधिक अनिश्चित हो गए, और धारणाएँ उपसमूह (subgroup) के अनुसार भिन्न थीं।

यह बार-बार किया गया क्रॉस-सेक्शनल डिज़ाइन है: वही कार्यक्रम, ज़रूरी नहीं कि वही छात्र। यह किसी जनसंख्या में रुझान स्थापित करता है, जो नीति-प्रश्न को ठीक वैसा चाहिए, और यह व्यक्तिगत परिवर्तन स्थापित नहीं कर सकता। रुझान को विकास के रूप में पढ़े जाने पर यह अंतर महत्वपूर्ण हो जाता है: सेमेस्टरों में रिपोर्ट किए गए उपयोग का उत्थान उतना ही नए कोहर्ट के भिन्न मानदंडों के साथ प्रवेश करने से हो सकता है, जितना उसी छात्रों के बदलने से।

अवस्था, विशेषता और सेमेस्टर की आकृति

Song और सहयोगियों के 75 प्रथम-वर्ष विश्वविद्यालय छात्रों पर आधारित सेमेस्टर-लंबे अध्ययन से पता चलता है कि व्यक्ति-भीतर प्रश्न उन निर्माणों के बारे में पूछना क्यों उचित है जिन्हें सामान्यतः योग्यताएँ माना जाता है। छात्रों के आत्म-नियमित अधिगम के व्यक्तिगत आधार-स्तर स्थिर थे, लेकिन उनका मेटाकॉग्निटिव ज्ञान और कल्याण सेमेस्टर भर में व्यवस्थित रूप से गिरा, जो प्रमुख मूल्यांकन समय-सीमाओं जैसी पाठ्यक्रम-माँगों के साथ चला। एक प्रमाण-अवधारणा (proof-of-concept) ने दिखाया कि LLM को प्रति-छात्र संदर्भ दिया जा सकता है ताकि ज़रूरत के क्षण पर नियमन का समर्थन हो।

व्यावहारिक पठन यह है कि एक बार मापी गई विशेषता ने गिरावट को छिपा दिया होता। विधि-गत पठन यह है कि "स्थिर" और "अपरिवर्तनशील" अलग-अलग दावे हैं, और इन्हें अलग करने वाला केवल बार-बार किया गया माप है।

डिज़ाइन-परिवार और प्रत्येक की कीमत

  • कोहर्ट का बार-बार सर्वेक्षण। वही छात्र, कई लहरें। व्यक्तिगत परिवर्तन स्थापित करता है; समाप्ति (attrition) और परीक्षण-प्रभावों के प्रति आशंकित।
  • बार-बार क्रॉस-सेक्शन (रुझान)। वही जनसंख्या, प्रत्येक लहर में नया नमूना। जनसंख्या-परिवर्तन स्थापित करता है; व्यक्तियों का अनुसरण नहीं कर सकता।
  • लैग्ड प्रभावों वाला पैनल मॉडल। क्रम-मॉडलन के लिए अंतराल सहित लहरें, जिनमें विशेषता और अवस्था अलग की गई हों। समय-क्रमिक पूर्ववर्तिता (temporal precedence) स्थापित करता है; पर्याप्त अंतराल और नमूना-आकार चाहिए।
  • विकास-वक्र मॉडल। तीन या अधिक लहरें जो इंटरसेप्ट और ढलान मॉडल करती हैं। परिवर्तन की आकृति और दर तथा प्रक्रियाओं के बीच सह-बदलाव (covariation) स्थापित करता है।
  • दीर्घकालिक अर्ध-प्रयोगात्मक अध्ययन। बार-बार के मापों में शर्तों की तुलना, जैसे Melanou और सहयोगियों के तीन AI शर्तों में 87 छात्रों पर नौ-सप्ताह के अध्ययन में, जहाँ सभी समूहों में ज्ञान बढ़ा (F(1, 50) = 29.8) और पूर्व उपलब्धि ने लाभ को मध्यस्थ-बनाया। यह स्थापित करता है कि क्या किसी शर्त ने प्रवृत्ति बदली; फिर भी यह यादृच्छिक नियत्रण (random assignment) नहीं है।
  • अनुभव-नमूनाकरण और लॉग पैनल। बार-बार किए गए स्थान-अधीन (in-situ) माप या ट्रेस डेटा। सूक्ष्म-बुनियादी गतिशीलता (fine-grained dynamics) स्थापित करता है; प्रतिबिंब चाहने वाले निर्माणों पर कमज़ोर।

AI अध्ययनों में असरदार ख़तरे

चार समस्याएँ बार-बार उठती हैं, और अंतिम दो इस क्षेत्र के विशिष्ट हैं।

समाप्ति (Attrition). जो छात्र विमुख हो जाते हैं, वे अध्ययन छोड़ देते हैं, इसलिए बाद की लहरें सहभागियों का अति-प्रतिनिधित्व करती हैं। बचे हुए लोगों से अनुमानित प्रवृत्ति ऊर्ध्वमुखी दिख सकती है जबकि पूरी कोहर्ट ऐसा नहीं करती।

परीक्षण और उपकरण-प्रभाव। एक ही उपकरण के प्रति बार-बार संपर्क प्रतिक्रियाएँ बदल देता है, विशेषकर दृष्टिकोण और उपयोग के आत्म-रिपोर्ट मापों के लिए।

उपकरण-विस्थापन (Tool drift)। AI उपकरण स्थिर उपचार नहीं होता। मॉडल अपडेट होते हैं, इंटरफ़ेस बदलते हैं, संस्थागत लाइसेंस टर्म के बीच ही हटा लिए जाते हैं। सेमेस्टर फैला हुआ अध्ययन एक बहती हुई वस्तु को माप रहा है, और बहुत कम पेपर संस्करण-परिवर्तनों (version changes) की रिपोर्ट करते हैं।

सहायता-प्राप्त प्रदर्शन को अधिगम में गलत समझना। उपकरण उपलब्ध रहते हुए मापा गया लाभ यह दिखा सकता है कि शिक्षार्थी सहायता के साथ क्या कर सकता है, न कि उसने क्या आंतरिक कर लिया है। यह अंतर वही है जो स्कैफ़ोल्डिंग को विकास से अलग करता है, और जब तक बाद की लहरों में बिना-सहायता माप शामिल न हो, दीर्घकालिक डिज़ाइन इसे हल नहीं करते।

व्यावहारिक निहितार्थ

शिक्षक एकल अंत-सेमेस्टर सर्वेक्षण को यह साक्ष्य मानना बंद कर सकते हैं कि कोई परिवर्तन कार्यरत था। दो सेमेस्टरों के बीच सरा हुआ वितरण नए कोहर्ट, नई मूल्यांकन-व्यवस्था या ऐसे उपकरण को दर्शा सकता है जिसने अपनी नवीनता खो दी। उन्हीं छात्रों की उनके अपने पूर्व स्कोर से तुलना एक संकीर्ण किंतु अधिक उपयोगी प्रश्न का उत्तर देती है।

कार्यक्रम-निदेशक मूल्यांकन को लहरों में नियोजित कर सकते हैं। कार्यक्रम भर में तीन या अधिक माप विभाग को दो बिंदुओं की तुलना करने के बजाय ढलान का अनुमान लगाने देते हैं, और प्रत्येक लहर पर समाप्ति (attrition) की रिपोर्ट बढ़ते औसत को उन छात्रों के लुकाए रहने से बचाती है जो बाहर हो गए।

फ़ैकल्टी डेवलपर्स उसी तरीके से पेशेवर विकास का मूल्यांकन कर सकते हैं, जिसमें बार-बार के माप हों और कम से कम एक कार्य उपकरण के बिना पूरा हुआ हो। एक कार्यशाला-शृंखला जो आत्मविश्वास और उपयोग बढ़ाती है पर बिना-सहायता प्रदर्शन को स्थिर छोड़ती है, वह दृष्टिकोणों के बारे में कुछ दिखाती है, और यह अंतर उन लोगों को रिपोर्ट करने योग्य है जो अगली शृंखला का वित्तपोषण करते हैं।

प्रशासक अध्ययन या पायलट के दौरान क्या बदला, उसे दर्ज कर सकते हैं: मॉडल संस्करण, लाइसेंस-परिवर्तन, इंटरफ़ेस अपडेट। सेमेस्टर इतना लंबा है कि उपकरण एक अलग उपचार बन सकता है, और दस्तावेज़ीकरण अन-व्याख्यात कूद (unexplained jump) की व्याख्या करने की तुलना में सस्ता है।

शोधकर्ता अपने लेखन में दो दावों को अलग रख सकते हैं। समय-क्रमिक क्रम पूर्ववर्तिता (precedence) का समर्थन करता है, कारणत्व (causation) का नहीं, और पूर्व/उत्तर जोड़ी प्रवृत्ति नहीं बल्कि बार-बार मापी गई डिज़ाइन है।

दीर्घकालिक डिज़ाइन क्या नहीं कर सकते

वे अकेले कारणत्व स्थापित नहीं करते। समय-क्रमिक क्रम आवश्यक है पर पर्याप्त नहीं: एक अनमापित चर जो उसी समय-सारणी पर बदलता है (नई मूल्यांकन-व्यवस्था, पाठ्यक्रम-सुधार, कोहर्ट-प्रभाव) वही पैटर्न उत्पन्न कर सकता है। ये प्रतिभागियों के समय में महंगे हैं, जो नमूना-आकार को सीमित करता है और अक्सर आत्म-रिपोर्ट को अनिवार्य कर देता है। और सेमेस्टर छोटा है: विकाश-मनोविज्ञान की अवधारणा में विकासात्मक प्रश्नों के लिए वर्षों की आवश्यकता है, और इस साहित्य में लगभग कुछ भी उस सीमा में नहीं फैलता।

शोध में यह कैसे दिखता है

अधिक मजबूत उदाहरण उच्च शिक्षा में एकत्रित हैं, जहाँ सेमेस्टर एक प्राकृतिक ढाँचा प्रदान करता है: Xu का तीन-लहर पैनल, Zhang और Tang का पाँच-लहर विकास मॉडल, Song का आत्म-नियमन डेटा का सेमेस्टर, Melanou का नौ-सप्ताह अर्ध-प्रयोगात्मक अध्ययन। शिक्षक-शिक्षा से रुझान-अध्ययन आता है। स्कूल-स्तरीय दीर्घकालिक कार्य पतला है, और जिस मिडिल-स्कूल LMS पेपर के slug में "longitudinal" है, वह दीर्घकालिक अध्ययन नहीं बल्कि डिज़ाइन-प्रस्ताव है — यह अनुस्मारक है कि शीर्षक का लेबल डिज़ाइन नहीं है।

अन्य विधियों से संबंध

दीर्घकालिक डिज़ाइन मात्रात्मक शोध के भीतर स्थित हैं और उसकी माप-समस्याओं को साझा करते हैं। जब प्रश्न यह होता है कि किसी प्रवृत्ति ने क्यों मोड़ा, तो इन्हें अक्सर मिश्रित विधियों के साथ जोड़ा जाता है। ये यादृच्छिक प्रयोगों से इसलिए भिन्न हैं कि ये उत्परिवर्तन (variation) को नियत करने के बजाय समय के साथ होने वाले प्राकृतिक उत्परिवर्तन को देखते हैं, और डिज़ाइन-आधारित शोध से इसलिए कि ये किसी हस्तक्षेप पर पुनरावृत्ति नहीं करते। DBR यह व्याख्या करता है कि किसी चीज़ को संदर्भ में कार्यरत कैसे बनाया जाए, जबकि दीर्घकालिक कार्य यह व्याख्या करता है कि क्या बदला और कब। लर्निंग एनालिटिक्स वह ट्रेस डेटा प्रदान करता है जो सूक्ष्म-स्तरीय दीर्घकालिक विश्लेषण को बार-बार के सर्वेक्षणों के बिना संभव बनाता है।

सामान्य ग़लतफ़हमियाँ

  • "दो समय-बिंदु अध्ययन को दीर्घकालिक बना देते हैं।" पूर्व/उत्तर जोड़ी एक बार-बार मापी गई डिज़ाइन है; यह प्रवृत्ति का अनुमान नहीं लगा सकती, और सामान्यतः परिवर्तन को परीक्षण-प्रभावों से अलग नहीं कर सकती।
  • "दीर्घकालिक का अर्थ कारणात्मक।" समय में क्रम आवश्यक है पर पर्याप्त नहीं; कोहर्ट-प्रभाव, समवर्ती सुधार और उपकरण-अपडेट सभी उपचार के कारण बने बिना परिवर्तन उत्पन्न करते हैं।
  • "बड़ा नमूना छोटी खिड़की ठीक कर देता है।" नमूना-आकार सटीकता से संबंधित है, विकासात्मक या संस्थागत प्रक्रिया के खुलने के लिए आवश्यक समय से नहीं।
  • "वही कार्यक्रम का अर्थ वही लोग।" बार-बार किए गए क्रॉस-सेक्शन जनसंख्या का, व्यक्तियों का अनुसरण नहीं करते; ये दो अलग-अलग दावों का समर्थन करते हैं।
  • "आत्म-रिपोर्ट रुझान दृष्टिकोण-रुझान होते हैं।" रिपोर्ट किया गया उपयोग और रिपोर्ट किया गया रुख व्यवहार के साथ-साथ मानदंडों और उपकरण के साथ भी बदलते हैं।

संबंधित अवधारणाएँ

संबंधित लेख

इस पृष्ठ को एम्बेड करें

इस पृष्ठ को किसी सीखने के प्रबंधन प्रणाली या अन्य वेबसाइट में एम्बेड करने के लिए नीचे दिया गया कोड कॉपी करें। एम्बेड किया गया संस्करण केवल पृष्ठ की सामग्री दिखाता है — यह साइट का हेडर, नेविगेशन और फ़ुटर छिपाता है।