मशीन लर्निंग

इस पृष्ठ पर

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

मशीन लर्निंग — शिक्षा में एआई का तकनीकी आधार: ऐसे एल्गोरिद्म जो शैक्षणिक डेटा से पैटर्न, भविष्यवाणियाँ और नीतियाँ निकालते हैं, न कि हाथ से लिखे गए नियमों से। इसमें सुपरवाइज़्ड लर्निंग (जोखिम में छात्रों का वर्गीकरण, अंकों की भविष्यवाणी), अनसुपरवाइज़्ड लर्निंग (शिक्षार्थी समूहों की खोज), रिइन्फोर्समेंट लर्निंग (ट्यूटरिंग और स्कैफोल्डिंग नीतियों को प्रेरित करना) तथा डीप लर्निंग (अनुक्रम, पाठ्यक्रम और दृश्य व्यवहार के लिए तंत्रिका मॉडल) शामिल हैं। जनरेटिव एआई इसका नवीनतम और सबसे अधिक दिखने वाला उपसमुच्चय है, लेकिन यह भविष्यसूचक और अनुकूली तंत्रों की बहुत पुरानी परतों के ऊपर बैठा है।

विचार के लिए प्रश्न

आपने संभवतः अनुशंसा प्रणालियों या जोखिम स्कोर देखे होंगे जिन्होंने डेटा से "सीखा" हो। यदि कोई मॉडल पूरी तरह से ऐतिहासिक डेटा के पैटर्नों के आधार पर आपके विषय में कुछ तय करे (जैसे कोई "जोखिम में" फ्लैग या कोई सुझाया गया मार्ग), तो आप कितने सहज महसूस करते हैं?
पेज जोखिम की भविष्यवाणी करने और वास्तव में हस्तक्षेप करने के बीच एक तीखा अंतर खींचता है — जोखिम स्कोर आपको बताता है कि कोई छात्र फेल हो सकता है, लेकिन यह नहीं कि उसके बारे में क्या किया जाए। आपने कहाँ ऐसी भविष्यवाणी देखी है जिसे मानो वही समाधान होकर पेश की गई हो?
मशीन लर्निंग अपने ही इनाम को "हैक" कर सकता है: जो एआई ट्यूटर जुड़ाव को अनुकूलित करता है, वह छात्रों को मनोरंजन में रख सकता है और उन्हें बहुत कम पढ़ा सकता है। यदि कोई प्रणाली मापने योग्य रूप से सफल दिखती है, लेकिन शैक्षणिक रूप से हानिकारक है, तो हमें उस संख्या के अलावा और किन उपायों पर नज़र रखनी चाहिए जिसे वह अनुकूलित करती है?
ऐतिहासिक अंकों पर प्रशिक्षित भविष्यसूचक मॉडल व्यवस्थागत पूर्वाग्रह को समाहित कर सकते हैं, और स्वचालित परीक्षा निगरानी झूठे-सकारात्मक जोखिम उठाती है जो सामान्य व्यवहार को गलत तरीके से चिह्नित कर सकती है। जब डेटा अतीत के पूर्वाग्रहों को अपने भीतर धारण करता हो, तो उच्च-दांव वाले शैक्षणिक निर्णय लेने के लिए उसका उपयोग करने वाले एआई पर हमें कितना भरोसा करना चाहिए?
कुछ एआई प्रणालियाँ मानव-व्याख्या-योग्य तरीकों से बेहतर प्रदर्शन करती हैं, फिर भी अस्पष्ट रहती हैं — आप देख सकते हैं कि वे काम करती हैं, लेकिन यह नहीं देख सकते कि क्यों। शिक्षा में व्याख्याशीलता कब "अच्छी बात" है और कब अस्वीकार्य?
जनरेटिव एआई को अक्सर पूरी तरह नया माना जाता है, लेकिन पेज इसे मशीन लर्निंग का नवीनतम उपसमुच्चय बताता है। ChatGPT को उसी भविष्यसूचक और अनुकूली तंत्रों का हिस्सा देखना, आपकी अपेक्षित सीमाओं और जोखिमों को किस प्रकार बदलता है?

भूमिका

मशीन लर्निंग ही शैक्षणिक निशानों को कार्रवाई योग्य बुद्धिमत्ता में बदलती है। यह अनुकूली प्रणालियों के पीछे छात्र मॉडल, लर्निंग एनालिटिक्स डैशबोर्ड जो जोखिम में शिक्षार्थियों को चिह्नित करते हैं, इंटेलिजेंट ट्यूटर जो अगली समस्या या स्कैफोल्ड चुनते हैं, तथा दूरस्थ परीक्षाओं की निगरानी करने वाली स्वचालित परीक्षा निगरानी प्रणालियों को चलाती है। यहाँ संश्लेषित लेखों में पैटर्न एकरूप है: शिक्षार्थियों पर डेटा एकत्र करें, उससे एक भविष्यसूचक या निर्णय मॉडल सीखें, और उस मॉडल पर कार्रवाई करें — चाहे वह कार्रवाई पूर्व-चेतावनी हो, पाठ्यक्रम अनुशंसा, अनुकूली स्कैफोल्डिंग, या परीक्षा निगरानी।

शिक्षा में मशीन लर्निंग क्या करती है

छात्र सफलता के लिए भविष्यसूचक मॉडलिंग। सुपरवाइज़्ड वर्गीकर्ता — लॉजिस्टिक रिग्रेशन, रैंडम फ़ोरेस्ट, SVM, K-निकटतम पड़ोसी — कोर्स छोड़ने से पहले जोखिम में छात्रों की पहचान करते हैं, और इसके लिए शैक्षणिक प्रदर्शन, जनसांख्यिकीय और नामांकन अभिलेखों का उपयोग करते हैं। अधिक उन्नत संरचनाएँ इससे आगे जाती हैं: TRACE ट्रांसफ़ॉर्मर अगले सेमेस्टर में एक छात्र जो पाठ्यक्रम लेगा और उसे कौन-कौन से अंक मिलेंगे, दोनों की संयुक्त भविष्यवाणी करता है, और साथ लिए जाने वाले पाठ्यक्रमों की समकालिकता को मॉडल करता है, न कि इतिहास को एक सपाट अनुक्रम मानकर आगे बढ़ता है। ऑप्टिमाइज़र-प्लस-सीक्वेंस संकर प्रकार, जैसे इंटरैक्टिव ऑनलाइन लर्निंग में DMO-GRU ढाँचा, स्वतः फ़ीचर चयन और हाइपरपैरामीटर ट्यूनिंग को आवर्तक तंत्रिका जालों के साथ जोड़कर जुड़ाव और प्रदर्शन भविष्यवाणी पर उच्च सटीकता और कम त्रुटि प्राप्त करते हैं। एक साझा लक्ष्य है "परिशुद्ध शिक्षा": निरंतर जोखिम-स्तरीकरण और छात्र डिजिटल ट्विन जो असफलता का अनुमान लगाएँ और मार्गों को परिणामों से जोड़ें, जिससे संस्थान प्रतिक्रियात्मक सुधार से निवारक सहायता की ओर बढ़ें। यहाँ ग्लास-बॉक्स मॉडल भी टिक सकते हैं: Zhang, Jeffries & Koprinska (2025) दिखाते हैं कि स्वयं व्याख्या-योग्य निर्णय वृक्ष — फ़ीचर चयन से केवल 3–5 पर्णनोडों तक छाँटे गए — बड़े पैमाने के ऑनलाइन प्रोग्रामिंग पाठ्यक्रमों में मॉड्यूल-स्तरीय छात्र प्रगति की भविष्यवाणी ब्लैक-बॉक्स रैंडम फ़ोरेस्ट और SVM के बराबर सटीकता (85–91%) के साथ करते हैं — यह प्रमाण है कि पूर्व-चेतावनी अनुप्रयोगों में व्याख्याशीलता को भविष्यसूचक शक्ति के बदले नहीं छोड़ना पड़ता। वृक्ष-आधारित मॉडल प्रश्न कठिनाई आकलित करने में भी प्रभावी सिद्ध होते हैं: Razavi and Powers (2026) ने LLM से निकाले गए संज्ञानात्मक और भाषाई फ़ीचर रैंडम फ़ोरेस्ट और ग्रेडिएंट बूस्टिंग मशीनों में डाले और K-5 गणित तथा पठन प्रश्नों (N = 5170) की कठिनाई की भविष्यवाणी की, जिसमें r = 0.87 तक सहसंबंध मिले — यह सीधे LLM आकलनों, डमी रिग्रेसरों, TF-IDF बेसलाइनों और केवल-मेटाडेटा मॉडलों से कम RMSE/MAE के साथ। वृक्ष-आधारित मॉडलों ने व्याख्या-योग्य फ़ीचर महत्व भी दिए — कक्षा स्तर और शब्द संख्या शीर्ष भविष्यवाणीकारक थे — यह दिखाते हुए कि संरचित फ़ीचर और व्याख्या-योग्य शिक्षार्थी मिलकर एक समग्र निर्णय से बेहतर कर सकते हैं। बहुमाध्यमी AI संलयन इस भविष्यसूचक उपकरण-भंडार को विस्तार देता है: Bird (2026) एक सूक्ष्म-अनुकूलित ELECTRA ट्रांसफ़ॉर्मर को गणनात्मक-भाषाविज्ञान फ़ीचर पर खोजे गए एक गहरे तंत्रिका जाल के साथ मिलाकर UK की स्तर-कुंजी (Key Stage) के अनुसार अंग्रेज़ी साहित्य को F1 0.996 पर वर्गीकृत करता है — यह सर्वश्रेष्ठ एकल-मोडल ट्रांसफ़ॉर्मर (BERT, 0.75) और सर्वश्रेष्ठ भाषाई-फ़ीचर जाल (0.392) से बहुत ऊपर — यह एक ठोस उदाहरण है जहाँ मॉडल परिवारों को जोड़ना किसी एक ही दृष्टिकोण से आगे निकलता है। Sukoon (Bashir & Afzal, 2026) शिक्षा-सन्निहित कल्याण सहायता में सुपरवाइज़्ड वर्गीकरण का एक संक्षिप्त अनुप्रयोगी उदाहरण है: 1,100-प्रतिक्रिया वाले छात्र तनाव सर्वेक्षण के मनोवैज्ञानिक, शारीरिक, पर्यावरणीय, शैक्षणिक और सामाजिक आयामों के 20 फ़ीचर पर एक रैंडम फ़ोरेस्ट (100 अनुमानक), जो डेटा रिसाव से बचने के लिए केवल प्रशिक्षण डेटा पर अनुरूपित स्केलर के साथ स्तरित 70/15/15 विभाजन पर प्रशिक्षित है, और उसी विभाजनों पर एक SVM से तुलना की गई (सटीकता 89.09% बनाम 88.48%)। दो बातें ध्यान देने योग्य हैं: लेखक भ्रम-मैट्रिक्स की व्याख्या त्रुटि की दिशा से करते हैं — मॉडल की मुख्य भूल कम तनाव को मध्यम मान लेना थी, जो तंदुरुस्तियोग्य तैनाती में छात्र को कम बजाय अधिक सहायता तक पहुँचाता है — और वे मूल फ़ीचर महत्वों को एक वास्तविक निष्कर्ष के रूप में उपयोग करते हैं (रक्तचाप 15.6%, शिक्षक-छात्र संबंध 10.0%), जबकि स्वीकार करते हैं कि एक एकल स्तरित विभाजन, बिना k-fold अंतराल के, और एक अप्रतिनिधि डेटासेट उन भारों के विश्वास को सीमित करता है।

अनुकूली निर्देश और ट्यूटरिंग। मशीन लर्निंग मॉडलिंग और शिक्षण के बीच लूप बंद करती है। इंटेलिजेंट ट्यूटरिंग सिस्टम में, संज्ञानात्मक जुड़ाव के भिन्न स्तर उत्पन्न करने के लिए कार्य-उदाहरणों के प्रकार को अनुकूली रूप से चुनने में बेज़ियन नॉलेज ट्रेसिंग युक्ति और एक गहरी रीनफ़ोर्समेंट लर्निंग नीति, दोनों ने गैर-अनुकूली नियंत्रण की तुलना में पोस्टटेस्ट प्रदर्शन में उल्लेखनीय सुधार किया — जबकि दोनों नीतियाँ शिक्षार्थी पूर्व ज्ञान के अनुसार भिन्न हुईं, जिससे व्याख्याशीलता के प्रश्न उठे। रिइन्फोर्समेंट लर्निंग शैक्षणिक-सुरक्षा एजेंडे का भी आधार है: चूँकि एक RL ट्यूटर एक प्रतिनिधि इनाम को अनुकूलित करता है, वह उस इनाम को "हैक" कर सकता है (जुड़ाव बढ़ाता है, शिक्षण कम करता है), और उसे सुरक्षित रखने के लिए पूर्वापेक्षा प्रवर्तन और न्यूनतम संज्ञानात्मक मांग पर वास्तुशिल्प बाधाएँ आवश्यक हैं। हल्के अनुकूली कार्यक्रम, जैसे छठी कक्षा के विज्ञान में नियम-आधारित STEM प्रणाली, दिखाते हैं कि मशीन लर्निंग का उपयोग थोड़ा भी किया जा सकता है — निगरानी के लिए, सीधे मार्ग-नियंत्रण के बजाय — और फिर भी गहरी सीख का समर्थन हो सकता है।

ज्ञान अनुरेखण की ओर से, Pradeesh et al. (2026) दिखाते हैं कि एक आवर्तक मॉडल किसी पाठ्यक्रम की अपनी संरचना के अनुसार ठीक किया जा सकता है: उनका OKT मॉडल परिणाम-आधारित शिक्षा के पाठ्यक्रम परिणामों को ज्ञान संकल्पनाओं के रूप में मानता है, पाठ्यक्रम-परिणाम संबंधों का प्रतिनिधित्व करने वाले विशेषज्ञ-प्रमाणित OBE आत्मीयता मैपिंग को क्रॉस-परिणाम प्रभाव के लिए मेमोरी संवर्धित तंत्रिका जाल के साथ जोड़ता है, और एक GRU रीढ़ को क्षेत्र-अनुकूली BERT एम्बेडिंग के साथ जोड़ता है — जिससे लाइव इंजीनियरिंग-कार्यक्रम डेटा पर 89.81% AUC मिलता है और यह DKT, DKVMN, EKT तथा SimpleKT से आगे निकलता है।

सारणीबद्ध संख्यात्मक उत्तरों से निदान। Yin et al. (2026) दिखाते हैं कि ग्रेडिएंट-बूस्टेड वृक्ष ट्यूटरिंग की निदान क्षेत्र को एक ऐसे क्षेत्र में हल करते हैं जो लंबे समय से एआई के लिए बंद रहा: इंजीनियरिंग इकोनॉमिक्स की गणना-सूत्र प्रश्नों में, जहाँ छात्रों के हस्तलिखित हलों में संरचित डिजिटल डेटा नहीं होता, वे प्रत्येक प्रश्न के लिए एक समर्पित XGBoost बहु-लेबल रीढ़ प्रशिक्षित करते हैं जो प्रस्तुत मध्यवर्ती और अंतिम संख्यात्मक उत्तरों को प्रशिक्षक के रूब्रिक त्रुटि-लेबल से जोड़ता है (औसत परिशुद्धता 0.81, रिकॉल 0.79, सटीकता 0.65)। यादृच्छिक-मास्किंग डेटा संवर्धन — इनपुट फ़ीचर को भिन्न संभावनाओं पर "NaN" बनाना — SMOTE जैसे अंतरवेशन तरीकों से बेहतर सारणीबद्ध हलों के तार्किक निर्भरताओं को बनाए रखता है और निदान में उल्लेखनीय सुधार करता है, और मध्यवर्ती उत्तरों को शामिल करना सबसे अधिक मदद करता है। यह प्रमाण है कि वृक्ष-आधारित मॉडल और संरचना-जागरूक संवर्धन वहाँ ट्यूटरिंग प्रतिपुष्टि बना सकते हैं जहाँ जनरेटिव तरीकों के पास प्रशिक्षण डेटा नहीं है।

RL उपसमुच्चय का एक क्षेत्र-स्तरीय दृश्य Riedmann, Schaper & Lugrin (2025) की व्यवस्थित समीक्षा देती है, जिसमें 89 RL-in-education अध्ययन हैं: यह पुष्टि करती है कि अनुकूली ट्यूटरिंग और स्कैफोल्डिंग नीतियों को प्रेरित करने के लिए RL एक प्रमुख ML वंश है, लेकिन पाती है कि शास्त्रीय (Q-learning) तरीके डीप RL से अधिक निरंतर प्रभावी हैं (61% बनाम 36% महत्वपूर्ण श्रेष्ठता) और चेतावनी देती है कि आधे से अधिक अध्ययनों में कोई सांख्यिकीय परीक्षण नहीं होता — यह एक कार्यपद्धतिगत सावधानी है जो नीचे दिए सत्यापन चिंताओं को दोहराती है।

भविष्यवाणी से कार्रवाई और जवाबदेही की ओर। एक निरंतर सीमा जोखिम स्कोर और व्यवहार्य हस्तक्षेप के बीच की खाई है। SC2R ढाँचा एक अंशांकित भविष्यसूचक मॉडल को पूर्णांक-प्रोग्रामिंग आधारित recourse उत्पादन और शब्दार्थ-सत्यापन के साथ जोड़ता है, और ऐसे हस्तक्षेप योजनाएँ बनाता है जो समय, बजट और उपलब्धता बाधाओं का सम्मान करती हैं, बजाय इसके कि वे केवल मॉडल-मान्य हों। "भविष्यवाणी से आगे" बाधा-सम्मानज्ञक, मशीन-जाँचने योग्य अनुशंसाओं की ओर यह कदम इस आरोप का उत्तर है कि भविष्यसूचक शिक्षा में एआई ऐसी कार्रवाइयाँ सुझा सकता है जिन्हें संस्थान नहीं या नहीं कर सकते।

मशीन लर्निंग और परीक्षा निगरानी

एक अलग अनुप्रयोग स्वचालित परीक्षा निगरानी है। डीप-लर्निंग प्रणालियाँ — नेत्र गति, सिर की मुद्रा और चेहरे के भावों का विश्लेषण करने वाली CNN और RNN/LSTM — पारंपरिक निगरानी की तुलना में नकल को अधिक विश्वसनीय रूप से पकड़ती हैं, लेकिन दशक-लंबी व्यवस्थित समीक्षा डेटासेट की निरंतर सीमाएँ, एकल-मॉडल मूल्यांकन, पुनरुत्पादकता की खाएँ और झूठे-सकारात्मक जोखिम पाती है जो सामान्य व्यवहार को गलत चिह्नित कर सकते हैं। इसका साथी शैक्षणिक बेईमानी की समीक्षा उन नकल तरीकों का दस्तावेज़ीकरण करती है जिनका प्रतिकार ऐसी प्रणालियों को करना होता है (पहचान की नकल, ब्राउज़र का उपयोग, कॉपी-पेस्ट) और उन व्यावहारिक बोझों का जो उनकी समानता को सीमित करते हैं — लागत, संपर्क, परीक्षार्थी की चिंता। दोनों मिलकर चेतावनी देती हैं कि ML निगरानी को निजता-संरक्षी, संदर्भ-जागरूक डिज़ाइन और सुलभ विकल्पों के साथ जोड़ा जाना चाहिए।

सीमाएँ और नैतिक चिंताएँ

संश्लेषित साहित्य मशीन लर्निंग की सीमाओं के बारे में खुला है। लाभ अक्सर बेंचमार्क या एकल-संस्थान के डेटा से आते हैं और बिना पुनः प्रशिक्षण के सामान्यीकृत नहीं हो सकते; SC2R और TRACE दोनों इसे स्वीकार करते हैं। ऐतिहासिक अंकन पर प्रशिक्षित भविष्यसूचक मॉडल व्यवस्थागत पूर्वाग्रह को समाहित कर सकते हैं, और संवेदनशील छात्र डेटा पर लगाए गए जोखिम स्कोर निजता और समानता की चिंताएँ उठाते हैं जिनके लिए AI शासन और मानव निगरानी आवश्यक है। व्याख्याशीलता एक बार-बार आती तनाव है — RL नीतियाँ व्याख्या-योग्य युक्तियों से बेहतर प्रदर्शन कर सकती हैं और फिर भी अस्पष्ट रह सकती हैं। और इनाम हैकिंग दिखाती है कि एक ML प्रणाली मापने योग्य रूप से सफल हो सकती है और फिर भी शैक्षणिक रूप से हानिकारक, यही कारण है कि वास्तुशिल्प सुरक्षा बाधाएँ और ऑडिट अधोसंरचना महत्वपूर्ण हैं।

सत्यापन प्रथा आत्मविश्वास की एक और स्रोत है। Schuetze, Yan, and Carvalho (2025) दिखाते हैं कि ज्ञान-अनुरेखण मॉडल (BKT, BKT-with-Forgetting, AFM) तब सीख के रुझान को पकड़ता प्रतीत होते हैं जब उन्हें सभी उपलब्ध सत्रों पर पश्चवर्ती रूप से अनुरूपित किया जाता है, फिर भी समय-आधारित (वॉक-फ़ॉरवर्ड) क्रॉस-सत्यापन में — पहले के सत्रों पर प्रशिक्षित होकर बाद के की भविष्यवाणी करना, जो वास्तविक तैनाती को दर्शाता है — वे भविष्य के प्रदर्शन को अधिक आँकते हैं, स्पेसिंग प्रभाव को चूकते हैं, और अभ्यास स्थितियों को गलत क्रम में रखते हैं; विस्मृति-रहित मॉडल तो विस्मृति-संवर्धित मॉडलों के बराबर भी निकले, यह संकेत देते हुए कि विस्मृति अन्य प्राचलों में अवशोषित हो गई थी, न कि सीखी गई। जब प्रशिक्षण और तैनाती वितरण समयानुसार अलग होते हैं — अनुदैर्ध्य छात्र डेटा के लिए यही नियम है — तो मजबूत इन-सैम्पल या पश्चवर्ती अनुरूपता भविष्यसूचक वैधता की कोई गारंटी नहीं है।

जनरेटिव एआई एक उपसमुच्चय के रूप में

जनरेटिव एआई — बड़े भाषा मॉडल और संबंधित LLM प्रणालियाँ — मशीन लर्निंग का उपसमुच्चय होने के दृष्टिकोण से सर्वश्रेष्ठ रूप से समझी जाती है: वही तंत्रिका और प्रशिक्षण आधार, लेकिन वर्गीकरण या भविष्यवाणी के बजाय सामग्री (स्पष्टीकरण, प्रतिपुष्टि, संवाद) उत्पन्न करने पर लागू। यह क्षेत्र की वैधता, पूर्वाग्रह और सुरक्षा चिंताओं को विरासत में पाती है, साथ ही हैलुसिनेशन जैसी नई चिंताएँ जोड़ती है। इस ज्ञान आधार के उद्देश्यों के लिए मशीन लर्निंग व्यापक तकनीकी छतरी है; जनरेटिव एआई उसका सबसे दिखने वाला समकालीन शाखा है।

शिक्षक प्रशिक्षण और मशीन-लर्निंग साक्षरता

मशीन लर्निंग शिक्षा में एक विषय के रूप में भी दिखती है। प्रारंभिक शिक्षक प्रशिक्षण में, Micro:bit और सुपरवाइज़्ड चित्र-वर्गीकरण परियोजनाओं का उपयोग करने वाले व्यावहारिक कोडिंग और रोबोटिक्स हस्तक्षेपों ने पूर्व-सेवा शिक्षकों के गणनात्मक संकल्पनाओं और प्रारंभिक मशीन लर्निंग के ज्ञान में, तथा उसे पढ़ाने के प्रति उनके दृष्टिकोण में उल्लेखनीय सुधार किया। जब एआई साक्षरता पाठ्यक्रमों में प्रवेश करती है, तो शिक्षकों को मशीन लर्निंग की कार्यशील समझ देना छात्रों को उसे पढ़ाने की पूर्व-अपेक्षित शर्त बन जाता है। एक विषम मार्ग बिना किसी सॉफ़्टवेयर के उन्ही संकल्पनाओं तक पहुँचता है: Sung and Gunpinar's (2026) ऑनलाइन व्यावसायिक विकास में, दस K-12 शिक्षकों ने हाथ से एक "व्याख्या-योग्य फ़ीचर मैट्रिक्स" बनाया — आकार फ़ीचर का हाँ/नहीं तालिका जो स्वयं वर्गीकर्तक है, जाँचने और संशोधन योग्य, अस्पष्ट नहीं — केवल Code.org की छँटाई खेल और Google Slides उपकरणों के रूप में रखते हुए। उनका एआई स्व-प्रभावशीलता निम्न-मध्यम (M = 3.13) से ऊपर-मध्यम (M = 3.71) तक बढ़ी और शब्द-साहचर्य कार्य में नकारात्मक विशेषणों ने प्रतिभागियों में से 30% से शून्य तक गिरावट दिखाई, हालाँकि यह प्रमाण छोटा, अनियंत्रित और पूरी तरह से स्व-रिपोर्ट किया गया है।

मेटाडेटा

प्रौद्योगिकियाँ और तकनीकें	प्रौद्योगिकियाँ, जनरेटिव-AI, लर्निंग एनालिटिक्स, मशीन लर्निंग, शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण

Source History Edit Chat