बहुमाध्यमी AI

इस पृष्ठ पर

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

बहुमाध्यमी AI — AI प्रणालियाँ जो कई माध्यमों — पाठ, चित्र, ऑडियो, वीडियो और संरचित डेटा — में सामग्री को संसाधित, समझ या उत्पन्न करती हैं, तथा इन प्रणालियों से उठने वाले शैक्षणिक प्रश्न। शिक्षा में AI में, बहुमाध्यमी AI तीन अलग-अलग भूमिकाओं में उपस्थित होता है: उस सीखने की सामग्री के रूप में जिसे शिक्षार्थी बनाते और जुड़े रहते हैं (बहुमाध्यमी सीखना), उन ट्यूटरिंग प्रणालियों की क्षमता सीमा के रूप में जिन्हें आरेख और ग्राफ़ समझने पड़ते हैं (बहुमाध्यमी ट्यूटरिंग), और समझ का आकलन करने के लिए प्रयुक्त मूल्यांकन संकेत के रूप में (बहुमाध्यमी मापन)।

विचार के लिए प्रश्न

किसी ग्राफ़, बल-आरेख या योजना-चित्र के बारे में सोचिए जिसे शब्दों में समझाना कभी कठिन लगा हो। यह अनुभव चित्र-समृद्ध समस्याओं में मदद करने वाले केवल-पाठीय AI ट्यूटर की सीमाओं के विषय में क्या बताता है?
एक भौतिकी ट्यूटर लगभग 96% समय पाठ-आधारित समस्याओं का उत्तर देता है, लेकिन जिन समस्याओं में अर्थ आरेखों में निहित होता है उन पर यह 74% तक गिर जाता है। पढ़ने से पहले, आपके अनुसार इस 'बहुमाध्यमी हस्तक्षेप' का कारण क्या है — और क्या आप कोई ऐसा उपाय सोच सकते हैं जिसमें मॉडल को पुनः प्रशिक्षित करना न पड़े?
आपने संभवतः AI उपकरणों से पाठ और चित्र दोनों उत्पन्न किए होंगे। क्या आपने पाया है कि 'चित्रों के लिए प्रॉम्प्टिंग' पाठ के लिए प्रॉम्प्टिंग से भिन्न है? किसी अमूर्त विचार को स्पष्ट दृश्य प्रॉम्प्ट में बदलने के लिए शिक्षार्थियों को कौन-कौन सी क्षमताओं की आवश्यकता हो सकती है?
बहुमाध्यमी AI निबंधों को अंकित कर सकता है, ऑडियो वर्णन के साथ प्रतिपुष्टि उत्पन्न कर सकता है, और यहाँ तक कि चित्र-और-पाठ आइटमों से परीक्षा आइटम के आँकड़ों का पुनर्निर्माण कर सकता है। केवल-पाठ से बहुमाध्यमी मूल्यांकन संकेत में यह बदलाव निष्पक्षता और वैधता के लिए क्या संकेत (या जोखिम) है?
AI सहायता ठीक उन्हीं आरेख-भारी समस्याओं पर कम भरोसेमंद है जो गहरी STEM समझ बनाती हैं — यह तथ्य शिक्षार्थियों के बीच समानता का अंतर कैसे पैदा कर सकता है? सबसे अधिक प्रभावित कौन होता है?
बहुमाध्यमी प्रणालियाँ समावेशी सीखने के लिए पाठ को ऑडियो या दृश्य में बदल सकती हैं, लेकिन ये सूक्ष्म स्तर पर कक्षा की निगरानी भी सक्षम बनाती हैं। सहायक बहुमाध्यमी पहुँच और निगरानी के बीच रेखा कहाँ खींची जाए?

परिचय

AI में बहुमाध्यमिता का अर्थ केवल पाठ के बजाय विभिन्न प्रतिनिधित्व रूपों में काम करने की क्षमता है। आधुनिक जनरेटिव-AI और बड़े भाषा मॉडल (LLMs) प्रणालियाँ पाठ के अतिरिक्त तेज़ी से चित्र, ऑडियो और वीडियो स्वीकार और उत्पन्न करती हैं, जिससे शिक्षा के लिए नई संभावनाएँ और नए जोखिम खुलते हैं। सामाजिक-सेमियोटिक सिद्धांत पर आधारित — जो मानता है कि अर्थ केवल शब्दों ही नहीं, अन्य मोड्स में भी बनता है — बहुमाध्यमी AI यह बदलता है कि शिक्षण, सीखना और मूल्यांकन को कैसे डिज़ाइन और मूल्यांकित किया जाता है।(Multimodal Learning with Generative AI)

शिक्षा में बहुमाध्यमी AI के तीन रूप

1. बहुमाध्यमी सीखना और सामग्री निर्माण

बहुमाध्यमी AI शिक्षार्थियों को पाठ, चित्र, ऑडियो और वीडियो में सामग्री बनाने और उससे जुड़ने में सक्षम बनाता है। जनरेटिव AI के साथ बहुमाध्यमी सीखने पर एक शिक्षक-मार्गदर्शिका इन उपकरणों को "साइबर-सामाजिक" साझेदार के रूप में प्रस्तुत करती है: वे मानवीय अर्थ-निर्माण का पूरक हैं — पर प्रतिस्थापन नहीं कर सकते।(Multimodal Learning with Generative AI)

बहुमाध्यमी संदर्भों में AI साक्षरता स्तरित होती है: बहुमाध्यमी मंचों की बुनियादी जागरूकता, मध्यवर्ती सह-निर्माण और आउटपुट का महत्वपूर्ण मूल्यांकन, और बहुमाध्यमी गतिविधियों तथा मूल्यांकनों का उन्नत डिज़ाइन।(Multimodal Learning with Generative AI)
बहुमाध्यमी प्रॉम्प्टिंग स्वयं एक कठिन ज्ञानमीमांसात्मक अभ्यास है। जो शिक्षार्थी चित्रों के साथ-साथ पाठ के लिए भी प्रॉम्प्ट करते हैं, वे पाते हैं कि "चित्रों के लिए प्रॉम्प्टिंग में प्रॉम्प्ट साक्षरता पाठ के लिए प्रॉम्प्टिंग से भिन्न होती है" — अमूर्त अर्थ को मशीन-पठनीय बहुमाध्यमी प्रॉम्प्ट में बदलने के लिए स्पष्ट दृश्य शब्दावली आवश्यक होती है, और यह प्रणाली की सीमाओं तथा पूर्वाग्रहों को उजागर करता है।(Students' multimodal prompting practices as epistemic work in AI literacy development)
बहुमाध्यमी मूल्यांकन निबंधों से उन कृतियों की ओर बढ़ता है जिनमें पाठ, चित्र, ऑडियो और वीडियो सम्मिलित होते हैं, और शिक्षक शिक्षार्थी के स्वयं के निर्माण को बदलने के बजाय निर्माण और प्रतिपुष्टि में AI का सहारा उपयोग करते हैं।(Multimodal Learning with Generative AI)
महत्वपूर्ण चिंतन के सहारे के रूप में शिक्षार्थियों का बहुमाध्यमी संयोजन एक समझौते को साथ लेकर आता है। Lu et al. (2027) दिखाते हैं कि उच्च-प्राथमिक शिक्षार्थियों से लिखित कथाओं को AI-निर्मित चित्रों और छोटे वीडियो में बदलवाने से व्याख्या, विश्लेषण, मूल्यांकन और स्पष्टीकरण में निरंतर लाभ मिला — पर अनुमान में नहीं। क्योंकि दृश्य कथा के अर्थ को स्पष्ट कर देते थे, शिक्षार्थियों ने केवल पाठ से निहित अर्थ का अनुमान लगाने की कम आवश्यकता बताई; अनुमान के अवसर सहपाठी सहयोग ने बहाल किए, बहुमाध्यमी उपकरण ने नहीं। बहुमाध्यमी AI का अर्थ-निर्माण के साझेदार के रूप में मूल्य इस प्रकार विमान-विशिष्ट है और उस शिक्षण डिज़ाइन पर निर्भर करता है जो जानबूझकर उस अनुमानात्मक और स्व-नियमित कार्य को पुनः लाता है जिसे बाह्यकरण काट सकता है।
महत्वपूर्ण AI साक्षरता के रूप में शिक्षार्थियों का बहुमाध्यमी संयोजन। Burriss et al. (2026) ग्यारहवीं कक्षा के 22 शिक्षार्थियों द्वारा स्वयं-चुने AI नैतिकता मुद्दों — स्कूल-विनियमित लैपटॉप और इलेक्ट्रॉनिक "हॉल पास" के माध्यम से निगरानी, सूचित सहमति, और दंडात्मक एल्गोरिदमिक आरोप — पर बनाए 90 सेकंड से 3 मिनट के वीडियो जन-सेवा घोषणाओं का विश्लेषण करते हैं, इन्हें चल चित्र, ध्वनि, पाठ और शिक्षार्थियों के अपने शरीर में संयोजन द्वारा प्रकट महत्वपूर्ण AI साक्षरता के रूप में। सातों फिल्मों में हानि मानव-मशीन उलझन से उत्पन्न होती दिखाई गई, उपकरण से अकेले नहीं (सात में से तीन में "AI स्टॉलर" का मानवीकरण एक मानव अभिनेता द्वारा किया गया था), और 18 में से 15 इकाई-अंत प्रतिक्रियाओं ने कहा कि संयोजन ने AI नैतिकता की उनकी समझ बदल दी। लेखक तर्क देते हैं कि बहुमाध्यमी उत्पाद महत्वपूर्ण दक्षता को प्रदर्शित भी करते हैं और संप्रेषित भी करते हैं — उत्पादक कृतियाँ, प्रतिबिंब और नागरिक विमर्श मूल्यांकन प्रमाण के रूप में काम कर सकते हैं, जिसे केवल-पाठ साक्षरता संरचनात्मक रूप से चूक जाती है।

2. बहुमाध्यमी ट्यूटरिंग और क्षमता सीमा

जब LLM-आधारित ट्यूटरों को ऐसी समस्याएँ हल करनी पड़ती हैं जिनमें अर्थ ग्राफ़, बल-आरेख, योजना-चित्र या तालिकाओं में निहित है, तो उनकी सटीकता तेज़ी से गिरती है — यही बहुमाध्यमी हस्तक्षेप प्रभाव है।(Multimodal Dialogue in STEM Education)

OpenStax भौतिकी समस्याओं पर, केवल-पाठ सटीकता ~96% से चित्र-समृद्ध समस्याओं पर ~74% तक गिरती है, यह मॉडल-परिवारों में निरंतर दिखता है।(Multimodal Dialogue in STEM Education)
दृश्य प्रसंस्करण त्रुटियाँ — ग्राफ़ या आरेखों से सूचना निकालने में विफलताएँ — त्रुटि वर्गीकरण पर प्रभुत्व रखती हैं और सबसे अधिक सुधार-योग्य विफलता मोड हैं।
एक सरल संरचित-संवाद हस्तक्षेप (मॉडल से कहें कि वह क्या देखता है बताए, केवल दृश्यमान गलत पढ़ाई को ठीक करें बिना भौतिकी बताए, फिर पुनः प्रॉम्प्ट करें) बिना किसी पुनः प्रशिक्षण के सटीकता को ~95% तक बहाल करता है।(Multimodal Dialogue in STEM Education)
यह एक समानता की चिंता है: चित्र-समृद्ध समस्याओं पर काम कर रहे शिक्षार्थी — ठीक वही समस्याएँ जो STEM में गहरी संकल्पनात्मक समझ बनाती हैं — वर्तमान में केवल-पाठ अभ्यासों पर काम करने वालों की तुलना में कम भरोसेमंद AI सहायता प्राप्त करते हैं।
दृश्य सहायक बनाना उसे पढ़ने से कठिन है। GeoVAD-Bench पर, विशेषज्ञ सहायक आरेख उपलब्ध कराने से सटीकता बढ़ी (+3.3 से +7.0 अंक), लेकिन मॉडलों को अपनी सहायक रेखा बनाने देने से अंतर 10.0 से 13.5 अंक चौड़ा हो गया — दो मॉडलों ने बिना किसी दृश्य तर्क के मामले से भी खराब प्रदर्शन किया (Dong et al., 2026)।
सीमा एक स्तर नहीं, एक प्रोफ़ाइल है — और कलात्मक चित्रण उस क्षेत्र से बाहर है जिसे मॉडल अच्छी तरह संभालते हैं। MUSE (Zhu et al., 2026) 1,174 कमीशन की गई कलाकृतियों पर 12 कार्यों में 30 खुले और मालिकाना VLM का मूल्यांकन करता है, और विमानों में क्षमता का फैलाव किसी भी समुच्चय अंक से बताए गए से व्यापक है: दृश्य वर्गीकरण लगभग परिपक्व है (30 में से 23 मॉडल 75.0 से ऊपर, माध्यिका 81.0) जबकि भाव-पहचान 39.5 पर ही रुकती है, और खुले कार्य जिनमें मॉडलों से अपने प्रमाण व्यक्त करने की माँग होती है, वे semantic similarity पर 50.90 (दृश्य संकेत पहचान) और 49.18 (भाव कारण अनुमान) पर आते हैं। संयोजनात्मक और दृष्टि-निर्भर तर्क सबसे कठोर विफल होते हैं — जहाँ सत्य-डेटा कोई निश्चित पार्श्व या ऊर्ध्वाधर संबंध नहीं बताता, वहाँ 90.0% और 73.3% मॉडल फिर भी कोई एक दावा करते हैं, केवल 43.3% लड़की को गहराई में सही रखते हैं, और कोई भी मॉडल एक ही आइटम के तीनों विमानों को हल नहीं करता। विफलताएँ आगे भी फैलती हैं: गलत आधारित पात्र को फिर आस-पास की दृश्य अर्थविज्ञान (तितलियाँ, पक्षी) से बनी सहज औचित्य-कथा से सम्मानित किया जाता है, और ट्यूटरिंग में यही परिणाम सबसे खतरनाक है क्योंकि व्याख्या सक्षम प्रतीत होती है। चित्र-आधारित भाषा सीखने के लिए यह उस चित्रण पर विमान-स्तरीय सत्यापन का तर्क देता है जो कोर्स वास्तव में उपयोग करता है, किसी सामान्य बहुमाध्यमी अंक को आयात करने के बजाय, और नीचे वर्णित आधार-निर्धारण जाँच-बिंदु का विस्तार — तर्क से पहले बताएँ कि क्या और कहाँ देखा गया — स्थित कलात्मक सामग्री तक (MUSE: Benchmarking Large Vision-Language Models on Multi-Modal Understanding in Situated Education)।

व्यावहारिक डिज़ाइन निहितार्थ बहुमाध्यमी ट्यूटरिंग में एक दृश्य आधार-निर्धारण जाँच-बिंदु है: एक जानबूझकर किया गया चरण जहाँ प्रणाली समाधान करने से पहले बताती है कि वह क्या देखती है, जिससे शिक्षार्थी या मानव पर्यवेक्षक को धारणात्मक त्रुटियाँ ठीक करने का अवसर मिलता है।(Multimodal Dialogue in STEM Education)

Abreu et al. (2026) एक पूर्व बाधा जोड़ते हैं: किसी रिपोर्ट में समीकरण, ग्राफ़ या इकाई मौजूद हो सकती है पर संसाधित दस्तावेज़ से कभी पुनः प्राप्त न हो — अतः प्रशिक्षक से असहमति पुनर्प्राप्ति विफलता हो सकती है, तर्क विफलता नहीं — जिससे प्रस्तुति प्रारूप मूल्यांकन डिज़ाइन का हिस्सा बन जाता है।

3. बहुमाध्यमी मूल्यांकन और मापन

बहुमाध्यमी AI मूल्यांकन की सामग्री और उसे अंकित करने के संकेत दोनों को विस्तृत करता है।

बहुमाध्यमी प्रतिपुष्टि प्रणालियाँ संरचित पाठ, स्लाइड संदर्भ और प्रवाही ऑडियो वर्णन को एकीकृत करती हैं। एक अध्ययन में, AI बहुमाध्यमी प्रतिपुष्टि सीखने के लिए शिक्षक की प्रतिपुष्टि के बराबर रही और छात्रों की धारणाओं पर उससे काफ़ी आगे निकली।(LLM-based Multimodal Feedback Produces Equivalent Learning and Better Student Perceptions than Educator Feedback)
बहुमाध्यमी आइटम प्रतिक्रिया आकलन चित्र-और-पाठ आइटमों पर अनुमानित विकल्प प्रायिकताओं से सीधे आइटम विशेषता वक्र (IRT / 3PL) के पुनर्निर्माण के लिए सूक्ष्म-प्रशिक्षित बहुमाध्यमी LLM का उपयोग करता है, और बहुमाध्यमी AI को शैक्षणिक मापन तथा आइटम रिस्पॉन्स थ्योरी (IRT) से जोड़ता है।(Multimodal Item Parameter Estimation using Simulated Response Probabilities)
शैक्षणिक दृश्य-भाषा मॉडल मूल्यांकन और बहुमाध्यमी LLM साक्षरता इस क्षेत्र के मूल्यांकन उपकरण-संग्रह को बहुमाध्यमी तर्क और विज़ुअलाइज़ेशन तक विस्तारित करती है।(The Aftermath of DrawEduMath: Vision Language Models Underperform with Struggling Students and Misdiagnose Errors)(Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy)
हस्तलिखित रसायन के बहुमाध्यमी अंकन में प्रारूप-निर्भर क्षमता सीमा उजागर होती है: Cvengros & Kortemeyer ने 296 छात्रों के हस्तलिखित सामान्य-रसायन अंतिम पृष्ठ को रूब्रिक चित्रों के विरुद्ध पृष्ठ-दर-पृष्ठ एक बहुमाध्यमी, तर्कशील LLM से अंकित किया, जिसमें पाठीय उत्तर और रासायनिक-अभिक्रिया समीकरण भरोसेमंद रूप से अंकित हुए (सामान्यीकृत F1 उच्चतम) पर चित्रण और ग्राफ़ यादृच्छिक से भी खराब — पृष्ठभूमि जालकर दृश्य रूप से AI दृष्टि को विचलित करते हैं और वैज्ञानिक आरेख/रासायनिक संरचनाएँ समझना कठिन रहते हैं — यह पुष्टि करते हुए कि बहुमाध्यमी AI की दृष्टि प्रतिनिधित्व-भारी कार्य के लिए मज़बूत नहीं है और इसका सर्वोत्तम प्रयोग चित्र-आइटमों के लिए मानव निर्णय अनुमति के साथ होता है (Assisting the grading of a handwritten general chemistry exam with artificial intelligence)।
संरचना पहचान और तुलनात्मक निर्णय अलग क्षमताएँ हैं। Ma et al. (2026) छह मल्टीमीडिया-सीखने के सिद्धांतों को उलटने योग्य स्लाइड संपादनों और दृश्य-समतुल्य शम नियंत्रणों के रूप में व्यक्त करते हैं, और पाते हैं कि दोनों मॉडलों ने प्रत्येक संक्रिया, सिद्धांत और सुधार (8/8) पुनः प्राप्त किया पर गंभीरता अंकन पूरी तरह विफल रहा (0/8) — एक संयुक्त अंक यह छिपा देता कि कौन-सी परत विफल होती है।
निष्पक्षता लाभ अस्तित्व में सत्यापित किए जा सकते हैं। एक बहुमाध्यमी ध्यान आकलनकर्ता ने केवल-दृश्य आधाररेखा को केवल मामूली रूप से हराया, और उसका लिंग-लक्षित MAE-अंतर नियमक सत्यापन अंतर को 0.02 से 0.005 तक घटाया फिर भी रोके गए विषयों पर अंतर और सबसे-खराब-समूह त्रुटि बढ़ी — अतः तैनाती से पहले उपसमूह-जागरूक, बार-बार विषय-स्तरीय सत्यापन आवश्यक है (Fragkiadakis et al. (2026))।
बहुमाध्यमी अंकन आइटम-स्तरीय अंकन पीछे रहने पर भी चयन परिणाम को पुनरुत्पादित कर सकता है। 10,364 हस्तलिखित ओलंपियाड और विश्वविद्यालय पृष्ठों को अंकित करते हुए, एक LLM ने परीक्षक के कुल अंकों से r = 0.93–0.96 पर मेल किया और उन्हीं पाँच छात्रों को ओलंपियाड टीम में रखा, फिर भी भाग-सहमति 70% तक रहा: द्वितीय-पाठक प्रमाण, एक रिकॉर्ड-अंकक नहीं (Pathak et al. (2026))।
आरेख निर्माण एक हल नहीं, एक क्षमता सीमा है। बहुमाध्यमी आउटपुट को अंकित करने वाले 15,246-प्रश्न के भौतिकी बेंचमार्क पर, संरचित भौतिकी आरेखों का संश्लेषण या संपादन उत्तर देने से कठिन सिद्ध हुआ, और अग्रणी मॉडल 70% कठोर दक्षता से नीचे रहे — यह प्रमाण है कि दृश्य उत्पादन दृश्य समझ से पीछे है (Chen et al., 2026)।

भाषा और सुलभ सीखने के लिए बहुमाध्यमी AI

बहुमाध्यमी प्रणालियाँ पहुँच और व्यक्तिगतकरण का भी विस्तार करती हैं। AI-निर्देशित ऑडियो-वीडियो सीखने के उपकरण प्लेबैक गति अनुकूलित करते हैं, बहुमाध्यमी वीडियो सारांश बनाते हैं, और उच्चारण अभ्यास का समर्थन करते हैं।(AI-Guided Learning: Research on Knowledge and Skill Acquisition Support Methods Using Deep Learning Audio-Video Processing Techniques) बहुमाध्यमी ज्ञान-ग्राफ़ शैक्षणिक कार्यों के लिए चित्रों और पाठ में तर्क करते हैं,(Evidence-Grounded Multimodal Knowledge Graph Construction for Multi-Lecture Educational Reasoning) और बहुमाध्यमी प्रतिनिधित्व मोड्स में सूचना बदलकर समावेशी सीखना में सुधार करते हैं (जैसे, पाठ से ऑडियो या दृश्य में)। क्षेत्रीय अनुप्रयोगों में हस्तलिखित गणित का अंकन और निदान,(Benchmarking Large Language Models for Diagnosing Students' Cognitive Skills from Handwritten Math Work) बहुमाध्यमी संकेतों के साथ भावनात्मक ट्यूटरिंग,(An Interpretable Closed-Loop Intelligent Tutoring System for Multimodal Affective Feedback in Asynchronous Presentation Training)(MathBuddy: Affective Math Tutoring) विशिष्ट क्षेत्रों में पाठ-से-चित्र सीखना,(NuclearDiffusion: Text-to-Image Foundation Models for Learning Nuclear Energy Concepts) और गोपनीयता-जागरूक बहुमाध्यमी कक्षा संवेदना शामिल हैं।(Robust and Efficient Motion Reasoning for Privacy-Aware Classroom Incident Recognition) Bird (2026) बहुमाध्यमिता का एक पाठ-आंतरिक रूप प्रदर्शित करता है: यूनाइटेड किंगडम की की स्टेज के अनुसार अंग्रेज़ी साहित्य का वर्गीकरण करने के लिए सूक्ष्म-प्रशिक्षित ELECTRA ट्रांसफ़ॉर्मर की संगणनात्मक-भाषाविज्ञान विशेषता विश्लेषण के साथ संलयन, जहाँ संलयित मॉडल (F1 0.996) ने प्रत्येक एकल-मोड आधाररेखा को कहीं आगे छोड़ा — यह प्रमाण है कि प्रतिनिधित्व रूपों को जोड़ना, यहाँ तक कि पाठ के भीतर, एकल-मॉडल दृष्टिकोणों से बेहतर प्रदर्शन कर सकता है।

चुनौतियाँ और डिज़ाइन निहितार्थ

बहुमाध्यमी अंतर को पाटें। बहुमाध्यमी ट्यूटरिंग प्रणालियों में दृश्य आधार-निर्धारण और संरचित-संवाद सहारे शामिल होने चाहिए, यह मानने के बजाय कि दृष्टि क्षमताएँ मज़बूत हैं।(Multimodal Dialogue in STEM Education)
बहुमाध्यमी प्रॉम्प्टिंग को सिखाने योग्य कौशल मानें। AI साक्षरता पाठ्यक्रमों को माध्यम-विशिष्ट प्रॉम्प्टिंग, मोड्स में सुसंगति, और बहुमाध्यमी आउटपुट का महत्वपूर्ण मूल्यांकन संबोधित करना चाहिए।(Students' multimodal prompting practices as epistemic work in AI literacy development)
मानवीय अर्थ-निर्माण को बनाए रखें। बहुमाध्यमी AI को मोड्स में अर्थ के शिक्षार्थी के स्वयं के निर्माण और मूल्यांकन का पूरक होना चाहिए, प्रतिस्थापन नहीं।(Multimodal Learning with Generative AI)
मूल्यांकन को बहुमाध्यमी वैधता तक विस्तारित करें। मूल्यांकन वैधता, पूर्वाग्रह और विश्वसनीयता की जाँच तब करनी चाहिए जब AI बहुमाध्यमी कृतियों को अंकित या उत्पन्न करता है।(Multimodal Item Parameter Estimation using Simulated Response Probabilities)(AI शिक्षा मूल्यांकन)
समानता और गोपनीयता पर नज़र रखें। चित्र-समृद्ध समस्याओं पर अविश्वसनीय सहायता और बहुमाध्यमी संवेदना के डेटा माँगों — दोनों के समानता और गोपनीयता निहितार्थ हैं।(Multimodal Dialogue in STEM Education)(Robust and Efficient Motion Reasoning for Privacy-Aware Classroom Incident Recognition)
सामग्री के अनुसार पाइपलाइन चुनें। एक साइबरसुरक्षा प्रयोगशाला सहायक का बहुमाध्यमी LLM घनी दृश्य स्लाइडों को बेहतर संभाला, जबकि एक OCR-सहित-LLM पाइपलाइन ने पाठ-केंद्रित स्लाइडों पर तुलनात्मक शिक्षण मूल्य काफ़ी कम संगणकीय लागत पर दिया।(Patel et al. (2025))

मेटाडेटा

विषय क्षेत्र	Stem Education
स्तर	Higher Ed
प्रौद्योगिकियाँ और तकनीकें	जनरेटिव-AI, इंटेलिजेंट ट्यूटरिंग, बड़े भाषा मॉडल (LLMs), बहुमाध्यमी AI
मूल्यांकन और मापन	मूल्यांकन, शैक्षणिक मापन
शिक्षा में AI की नींव	शिक्षा में AI, AI साक्षरता

Source History Edit Chat