ऑनलाइन शिक्षण और अधिगम

इस पृष्ठ पर

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

ऑनलाइन शिक्षण और अधिगम — वह शिक्षाशास्त्र और अभ्यास जो साझा भौतिक कक्षा के बजाय डिजिटल, नेटवर्क-मध्यस्थ वातावरणों के माध्यम से घटित होता है। इसमें पूर्णतः ऑनलाइन पाठ्यक्रम, मासिव ओपन ऑनलाइन कोर्स (MOOC), मिश्रित और हाइब्रिड प्रारूप तथा दूरस्थ शिक्षा शामिल हैं। ज्ञानकोश के लिए केंद्रीय प्रश्न यह है कि दूर से पढ़ाने के अवसरों, चुनौतियों और अनुशंसित प्रथाओं को जनरेटिव-AI कैसे पुनर्गठित करता है — स्केलेबल वैयक्तिकरण से लेकर नए शैक्षणिक इमानदारी और संज्ञानात्मक ऑफलोडिंग जोखिमों तक।

विचार करने योग्य प्रश्न

आपने संभवतः कोई ऑनलाइन पाठ्यक्रम लिया या पढ़ाया होगा। भौतिक कक्षा हट जाने पर आपने क्या खोया और क्या पाया — और इससे यह कैसे बदल गया कि शिक्षक किस पर निर्भर कर सकते थे?
यह पेज तर्क देता है कि ऑनलाइन शिक्षण एक स्वतंत्र शिक्षाशास्त्र है, केवल एक वितरण तंत्र नहीं। ऑनलाइन माध्यम ठोस रूप से किन तरीकों से यह बदलता है कि कौन-सी शिक्षण रणनीतियाँ संभव या प्रभावी हैं?
एक यादृच्छिक नियंत्रित परीक्षण (RCT) ने पाया कि बिना निगरानी वाली AI सहायता से अभ्यास प्रदर्शन बढ़ा लेकिन बिना सहायता के परीक्षा में अंक घटे, जबकि 'संकेत-परंतु-उत्तर नहीं' वाले ट्यूटर ने यह हानि समाप्त कर दी। आगे पढ़ने से पहले, क्या आप बता सकते हैं कि छात्रों को उत्तर दे देना तत्काल प्रदर्शन को क्यों फुला सकता है पर स्थायी सीखन को क्यों घटा सकता है?
ऑनलाइन मूल्यांकन सहायता-प्राप्त और स्वतंत्र काम को हमेशा अलग नहीं कर सकता। यदि पहचान उपकरण एक 'आंशिक, विवादित प्रतिक्रिया' हैं, तो कौन-से वैकल्पिक मूल्यांकन डिज़ाइन वास्तविक समझ उजागर कर सकते हैं?
एक सहज AI शॉर्टकट की कथित उपलब्धता आत्म-गति वाले, स्क्रीन-आधारित पाठ्यक्रम में छात्र का अभिप्रेरण को कैसे बदलती है? इसका प्रतिकार करने के लिए आप क्या डिज़ाइन कर सकते हैं?
एक स्वायत्त एजेंट अब लर्निंग मैनेजमेंट सिस्टम में लॉग इन कर सकता है, सामग्री पढ़ सकता है, प्रश्नोत्तर का उत्तर दे सकता है और चर्चा में पोस्ट कर सकता है। यदि उत्पाद बनाना अब सीखन का प्रमाण नहीं रहा, तो आपको इसके बजाय क्या देखने की आवश्यकता होगी?
AI अब मिनटों में एक MOOC-तुल्य पाठ्यक्रम लागत के एक अंश में बना सकता है। 'एक छात्र के लिए N एजेंट' बनाम 'N छात्रों के लिए एक वीडियो' के शिक्षाशास्त्रीय व्यापार-विनिमय क्या हैं?

परिचय

ऑनलाइन शिक्षण और अधिगम एक स्वतंत्र शिक्षाशास्त्रीय संदर्भ है, केवल एक वितरण तंत्र नहीं। यह उस भौतिक सह-उपस्थिति को हटा देता है जो ध्यान, प्रेरणा और अनौपचारिक संपर्क को आधार देती है, और संरचित डिजिटल संपर्क — चर्चा मंच, अतुल्यकालिक सामग्री, वीडियो, ट्यूटरिंग एजेंट — को आमने-सामने संपर्क के स्थान पर रखता है। इससे यह बदलता है कि शिक्षक किस पर निर्भर कर सकते हैं, छात्र किस तक पहुँच सकते हैं, और सीखन को कैसे डिज़ाइन एवं मूल्यांकित किया जाता है। शिक्षाशास्त्र और शिक्षण रणनीतियाँ परिदृश्य में एक umbrella अवधारणा के रूप में यह सक्रिय अधिगम (Active Learning), सहयोगी शिक्षा और स्व-नियंत्रित अधिगम के साथ स्थित है, लेकिन माध्यम से विभेदित है: ऑनलाइन वातावरण की बाधाएँ और संभावनाएँ यह निर्धारित करती हैं कि कौन-सी रणनीतियाँ व्यावहारिक हैं।

जनरेटिव AI का उदय सीधे इसी संदर्भ में आता है। ऑनलाइन शिक्षार्थी पहले से ही स्क्रीन और सॉफ़्टवेयर के माध्यम से काम करते हैं, इसलिए AI उपकरण उनके स्वाभाविक पड़ोसी हैं; साथ ही, ऑनलाइन मूल्यांकन की निगरानी कठिन है, जिससे दुरुपयोग आसान और दाँव अधिक हो जाता है। इस ज्ञानकोश के प्रमाण बताते हैं कि AI ऑनलाइन शिक्षण और अधिगम के लिए एक शक्तिशाली सहयोगी हो सकता है — और, खराब ढंग से विन्यस्त होने पर, सीखन को नुकसान पहुँचाने का एक महत्वपूर्ण स्रोत।

Lock, Arteaga & Johnson (2025) का आलोचनात्मक साहित्य समीक्षा (32 देशों में 63 उद्धरण) इस परिदृश्य को चार परस्पर-जुड़े विषयों में व्यवस्थित करता है जो नीचे दिए पेज में बार-बार आते हैं: AI एकीकरण के प्रकार और उद्देश्य, शिक्षाशास्त्रीय दृष्टिकोण (AI साक्षरता, स्व-नियमित सीखन), लाभ और चुनौतियाँ। उनकी केंद्रीय चेतावनी — कि ये विषय आपस में ओवरलैप करते हैं और ऑनलाइन AI एकीकरण एक सामाजिक-तकनीकी उपक्रम है जो शिक्षाशास्त्र और मानव संबंधों में टिका है, केवल तकनीक अपनाने में नहीं — इस पेज के ढाँचे से मेल खाती है कि ऑनलाइन शिक्षण एक स्वतंत्र शिक्षाशास्त्र है। उल्लेखनीय है कि उन्होंने बताया कि ChatGPT का उपयोग शिक्षक की ट्यूटरिंग के साथ करने वाले छात्रों ने उसके अकेले उपयोग करने वालों की तुलना में अधिक अधिगम लाभ महसूस किए, जिससे इस पेज में बुने हाइब्रिड मानव-AI सहयोग के ज़ोर को बल मिलता है।

इस विकास ने जिसने इसे एक डिज़ाइन प्रश्न से एक तात्कालिक प्रश्न बना दिया, वह यह है कि जनरेटिव AI अब केवल वह पाठ नहीं लिखता जो कोई छात्र लिख सकता था। स्वायत्त एजेंट अब एक लर्निंग मैनेजमेंट सिस्टम में लॉग इन करते हैं, पाठ्यक्रम सामग्री पढ़ते हैं, प्रश्नोत्तरों के उत्तर देते हैं, साथियों के पोस्ट पढ़ते हैं और काम जमा करते हैं। एक सजीव स्नातक मनोविज्ञान पाठ्यक्रम पर तीन प्रदर्शन बताते हैं कि व्यवहार में इसका क्या अर्थ है: दो प्रश्नोत्तर पूर्णता, एक लगभग 12 मिनट में और एक 5 मिनट से कम में, दोनों पर 10/10 अंक, और एक चर्चा पोस्ट जिसमें एजेंट ने अपने साथियों के पोस्ट खनन किए और फिर उन्हें उत्तर देने के लिए एक विश्वसनीय पहले-पुरुष की जीवन-कथा गढ़ी — Canvas, Moodle और Brightspace में कम-से-कम 15 प्रलेखित एजेंट रन के सार्वजनिक रिकॉर्ड के विरुद्ध, जिनमें सात एजेंट उपकरण थे। Hadjisolomou and El-Haddad (2026) तर्क देते हैं कि यह पहले एक मूल्यांकन की वैधता समस्या है, ईमानदारी की समस्या नहीं: एजेंट पूर्णता जो धारणा हटा देती है वह यह है कि जमा किया गया काम उस व्यक्ति द्वारा बनाया गया था जिसकी सीखन का मूल्यांकन किया जा रहा है। इसलिए ऑनलाइन शिक्षण की डिज़ाइन प्रश्न दुरुपयोग को कैसे पकड़ें से बदलकर यह हो जाती है कि एक ऑनलाइन पाठ्यक्रम अब भी सीखन का कौन-सा प्रमाण उत्पन्न कर सकता है, और यही सूत्र नीचे दिए खंडों में चलता है।

प्रारूप और सेटिंग्स

ऑनलाइन शिक्षण और अधिगम कई संबंधित रूपों में होता है जो माध्यम साझा करते हैं परंतु पहुँच और संरचना में भिन्न हैं:

मिश्रित और हाइब्रिड सीखन। वे मॉडल जो व्यक्तिगत और ऑनलाइन घटकों को जोड़ते हैं, डिजिटल गतिविधियों, सामग्रियों और संपर्कों को आमने-सामने शिक्षण के साथ जानबूझकर एकीकृत करते हैं। मिश्रित प्रारूप शिक्षकों से यह निर्णय माँगते हैं कि क्या सर्वोत्तम रूप से तुल्यकालिक बनाम अतुल्यकालिक और ऑनलाइन बनाम व्यक्तिगत रूप से किया जाए — ये निर्णय सीखने का डिज़ाइन सिद्धांत व्यवस्थित करते हैं और AI इन्हें सहायता देती है तथा जटिल बनाती है। मिश्रित संदर्भ में, AI उपकरण वैयक्तिकरण और सदैव-उपलब्ध सहायता के अवसर देते हैं, साथ ही ईमानदारी और ऑफलोडिंग जोखिम खड़े करते हैं जो ऑनलाइन और व्यक्तिगत दोनों भागों में फैले होते हैं। Mejia-Domenzain et al. (2026) इसे दो मिश्रित सेटिंग्स में दिखाते हैं — फ्लिप्ड विश्वविद्यालय कक्षाएँ और व्यावसायिक शिक्षा में चिंतनशील लेखन — जहाँ एक लर्निंग एनालिटिक्स डैशबोर्ड (DashED) ने शिक्षकों को ML-व्युत्पन्न स्व-नियंत्रित अधिगम प्रोफ़ाइल सौंपी। अपनाने की चिंताएँ संदर्भ के अनुसार भिन्न हुईं: फ्लिप्ड-कक्षा (विश्वविद्यालय) शिक्षक सबसे अधिक डेटा गुमनामीकरण और छात्रों के बाहर निकलने के विकल्प को लेकर चिंतित थे, जबकि चिंतनशील-लेखन (व्यावसायिक) शिक्षक सहकर्मी शिक्षकों द्वारा उपकरण के दुरुपयोग से डरे और डेटा को संदर्भित करने की आवश्यकता पर ज़ोर देते थे। उपयोग में, फ्लिप्ड-कक्षा शिक्षकों ने क्रमिक अन्वेषण अपनाया और पाठ्यक्रम-स्तरीय अनुकूलन तथा कक्षा में डैशबोर्ड दिखाने को प्राथमिकता दी, जबकि व्यावसायिक शिक्षक सार पृष्ठों पर लौटते रहे और उपकरण का उपयोग मुख्यतः व्यक्तिगत कोचिंग सत्रों में करते रहे — यह प्रमाण कि मिश्रित एनालिटिक्स डिज़ाइन संदर्भ-जागरूक होना चाहिए।
तुल्यकालिक बनाम अतुल्यकालिक डिज़ाइन। यह अंतर वितरण माध्यम से अधिक महत्वपूर्ण है, क्योंकि दोनों प्रारूप शिक्षार्थी पर विपरीत माँगें रखते हैं। तुल्यकालिक सत्र ध्यान, गति और जवाबदेही को स्वयं सत्र के भीतर रखते हैं; अतुल्यकालिक पाठ्यक्रमों को इन्हें डिज़ाइन करके शामिल करना पड़ता है, क्योंकि कब काम करना यह केवल शिक्षार्थी तय करता है और कमरे से कोई वातावरण-जवाबदेही नहीं मिलती। अनुसंधान आधार अक्सर इसे धुंधला करता है: ऑनलाइन सीखन में AI और संलग्नता (24 अध्ययन) पर ज्ञानकोश के समीक्षा संलग्नता को अकेले मानते हैं और तुल्यकालिक को अतुल्यकालिक संदर्भों के साथ स्पष्ट रूप से मिला देते हैं, इसलिए इसके निष्कर्ष अतुल्यकालिक-विशिष्ट नहीं पढ़े जाने चाहिए। अतुल्यकालिक-विशिष्ट वह प्रमाण है कि आत्म-गति वाले शिक्षार्थी ध्यान और गति कैसे खोते हैं — लक्ष्य-निर्धारण, वातावरण संरचना और समय प्रबंधन जैसे स्व-नियमित व्यवहार कम डिजिटल विचलन के साथ सर्वाधिक संयोग करते हैं (Shi et al. 2026, 530 छात्र), जबकि अध्ययन-समझ और कल्याण एक पाठ्यक्रम अवधि में क्लस्टर्ड मूल्यांकन की समय-सीमाओं के अनुरूप घटते हैं (Song et al. 2026, 75 छात्र)। इसका व्यावहारिक पूरक अतुल्यकालिक पाठ्यक्रमों को डिज़ाइन करना और सुगम बनाना जब AI काम कर सकता है पर FAQ है।
दूरस्थ शिक्षा। उन शिक्षार्थियों के लिए बनाए गए कार्यक्रम जो दूर से, अक्सर बड़े पैमाने पर और क्षेत्रों भर में पढ़ते हैं (जैसे, ओपन यूनिवर्सिटी के 200K+ शिक्षार्थी)। दूरस्थ सीखन वहीं है जहाँ 24/7, संदर्भ-स्थापित AI सहायता और व्यक्तिगत निगरानी की असंभवता सर्वाधिक स्पष्ट हैं। दक्षिण अफ्रीकी शिक्षक तैयारी से तुलनात्मक प्रमाण बताता है कि माध्यम स्वयं तैयारी से जुड़ा है: Mnguni et al. (2026) ने पाया कि AI-एकीकृत विज्ञान शिक्षण के लिए स्व-रिपोर्टेड TPACK कैंपस-आधारित विश्वविद्यालय के अंतिम वर्ष के छात्र-शिक्षकों में (64.0%) दूरस्थ शिक्षा विश्वविद्यालय (47.4%) से अधिक था, दोनों सेटिंग्स में सबसे कमज़ोर रिपोर्टेड क्षेत्र शिक्षाशास्त्रीय ज्ञान था। यह प्रतिमान चेताता है कि दूरस्थ कार्यक्रम यह धारण नहीं कर सकते कि समान AI प्रशिक्षण समान तैयारी उत्पन्न करेगा, और यह प्रशिक्षण का डिज़ाइन है, उसकी उपस्थिति नहीं, जो भिन्न है।

ऑनलाइन शिक्षण और अधिगम के लिए AI के अवसर और लाभ

स्केलेबल वैयक्तिकरण। पारंपरिक MOOC पहुँच में उत्कृष्ट हैं परंतु अनुकूलन में संघर्ष करते हैं — "एक वीडियो N छात्रों के लिए।" बड़े भाषा मॉडल (LLMs)-चालित एजेंट प्रणालियाँ (MAIC) इसे "N छात्रों के लिए 1 छात्र" में उलट देती हैं, जो विशिष्ट Teacher, Assistant, Classmate और Analyzer एजेंटों का उपयोग MOOC पैमाने पर अनुकूली निर्देश, वैयक्तिक प्रतिपुष्टि और गतिशील सीखन पथ देने के लिए करती हैं। LearnMate² जैसी प्रणालियाँ खुले ऑनलाइन सीखन में "वैयक्तिकरण अंतर" को वैयक्तिक अध्ययन योजनाओं, वास्तविक-समय संदर्भीय सहायता और अनुकूली गतिविधियों से संबोधित करती हैं। वैयक्तिक वीडियो इस लक्ष्य की एक ठोस राह है: Tomlinson et al. (2026) ने पाया कि एक बड़े ऑनलाइन पाठ्यक्रम के छात्रों ने AI-निर्मित वैयक्तिक वीडियो को गैर-वैयक्तिक मानव-रिकॉर्डेड वीडियो पर वरीयता दी — एक प्राथमिकता जिसका वैयक्तिकरण प्रभाव मानव प्रस्तुतकर्ता को दिए गए मूल्य से अधिक निकला — जिससे संकेत मिलता है कि स्केलेबल, जनरेटिव-AI-निर्मित वैयक्तिक मीडिया ऑनलाइन शिक्षण में "एक वीडियो N छात्रों के लिए" अंतर को पाट सकता है।
सदैव-उपलब्ध, संदर्भ-स्थापित सहायता। दूरस्थ और वयस्क सीखन संदर्भों में जहाँ शिक्षार्थी कार्यस्थल पर या घर पर पढ़ते हैं, पाठ्यक्रम में स्थापित 24/7 सहायता एक बड़ा लाभ है। ओपन यूनिवर्सिटी का AIDA सहायक ने पाया कि उद्देश्य-निर्मित, पर्यावरण-अंतर्गत GenAI सहायता ने संलग्नता बढ़ाई (एक अन्वेषणात्मक परीक्षण में उपयोग समय दोगुना), और 96% छात्र चाहते थे कि यह उनके औपचारिक अध्ययन में हो।
पैमाने पर संवादात्मक, संवादी ट्यूटरिंग। संवादी AI-आधारित ट्यूटर, जो सिद्ध इंटेलिजेंट ट्यूटरिंग तकनीक (keep/change/center/study ढाँचा) पर बने हैं, उच्च-गुणवत्ता, संवाद-आधारित ट्यूटरिंग का वादा करते हैं — छात्रों के विचारों, प्रश्नों और एआई के बारे में गलतफहमियाँ को शामिल करना — जो मानव ट्यूटरिंग से कहीं अधिक स्केलेबल है।
सुगम बनाना और एनालिटिक्स। AI ऑनलाइन चर्चाओं और लर्निंग एनालिटिक्स का समर्थन कर सकती है, संलग्नता का पूर्वानुमान लगा सकती है और शिक्षकों को ध्यान आवंटित करने में सहायता कर सकती है। Hao & Cukurova (2026) यह भी जोड़ते हैं कि LLM-निर्मित चर्चा सार बड़े अतुल्यकालिक मंचों में नेविगेशनल स्कैफ़ोल्ड के रूप में काम कर सकते हैं — छात्रों के साथी-जोखिम और bridging सामाजिक पूँजी के नेटवर्क परिस्थितियों को विस्तृत करते हुए, बिना छात्रों या शिक्षकों को सार-संक्षेपण के बोझ में डाले।
जोखिम में ऑनलाइन शिक्षार्थियों के लिए प्रारंभिक-चेतावनी एनालिटिक्स। Zhang, Jeffries & Koprinska (2025) बताते हैं कि सामग्री-संपर्क लॉग पर व्याख्यायोग्य मशीन लर्निंग बड़े पैमाने पर ऑनलाइन प्रोग्रामिंग पाठ्यक्रमों में मॉड्यूल-स्तरीय प्रगति का पूर्वानुमान लगाती है और मॉड्यूल समय-सीमाओं से 7–8 दिन पहले dropout ("No submission") परिणामों को फ़्लैग करती है, जिससे ऑनलाइन शिक्षकों को असहभागी छात्रों के साथ हस्तक्षेप करने के लिए एक ठोस विंडो मिलती है, बजाय असफलता को बाद में खोजने के।
किफ़ायती और तेज़। AI पारंपरिक लागत के एक अंश में पाठ्यक्रम सामग्री बना सकती है — MAIC ने MOOC पाठ्यक्रम निर्माण को लगभग $25K/60 घंटे से 2 डॉलर/30 मिनट से कम में कम कर दिया।

AI युग में ऑनलाइन शिक्षण की चुनौतियाँ

ऑनलाइन माध्यम और जनरेटिव AI मिलकर एक विशिष्ट चुनौती-समूह को तीव्र करते हैं जिनसे शिक्षकों को सीधे टकराना पड़ता है। जहाँ आमने-सामने शिक्षण उपस्थिति, तत्काल जवाबदेही और निगरानी पर निर्भर कर सकता है, वहीं ऑनलाइन शिक्षण को इनके लिए स्पष्ट रूप से डिज़ाइन करना पड़ता है।

शैक्षणिक इमानदारी और नकल

ऑनलाइन पाठ्यक्रम पहले से ही निगरानी चुनौतियाँ रखते हैं — वितरित, अतुल्यकालिक शिक्षार्थियों के लिए व्यक्तिगत प्रॉक्टरिंग अक्सर अव्यावहारिक होती है। जनरेटिव AI इसे AI-निर्मित काम को छात्र के काम से अविभेद्य बनाकर और अनुबंध-नकल शैली के शॉर्टकट को पैमाने पर सक्षम बनाकर और बढ़ा देती है। शैक्षणिक इमानदारी और AI का दुरुपयोग और सीखने की हानि पर ज्ञानकोश के प्रमाण बताते हैं कि दुरुपयोग AI त्रुटियों से कम से कम और छात्रों के उत्तरों की नकल करने से अधिक संचालित होता है, सीखने के बजाय। चूँकि ऑनलाइन मूल्यांकन अक्सर सहायता-प्राप्त और स्वतंत्र काम को अलग नहीं कर सकता, दुरुपयोग तत्काल अंक फुला सकता है जबकि स्थायी ज्ञान घटा सकता है — एक कथित-बनाम-वास्तविक अंतर जो दूरी पर विशेष रूप से खतरनाक है जहाँ शिक्षकों को छात्र की प्रक्रिया की कम दृश्यता होती है। पहचान उपकरण एक आंशिक, विवादित प्रतिक्रिया हैं (AI plagiarism detection, रिमोट प्रॉक्टरिंग), और ज्ञानकोश की स्थिति पहचान की होड़ों के बजाय प्रामाणिक, प्रक्रिया-प्रकट मूल्यांकन को प्राथमिकता देती है।

AI दुरुपयोग और संज्ञानात्मक ऑफलोडिंग

सबसे गंभीर जोखिम यह है कि ऑनलाइन शिक्षार्थी उसी संज्ञानात्मक काम को बाहरीकृत कर दें जो समझ बनाती है। प्रदर्शन–सीखन अंतर बताता है कि जनरेटिव AI आसानी से तत्काल प्रदर्शन बढ़ाता है जबकि स्थायी सीखन के लिए आवश्यक गहरी प्रक्रिया को दरकिनार करता है। क्षेत्र प्रमाण सीधा है:

एक कारणात्मक RCT (~1,000 उच्च विद्यालय गणित छात्र) ने पाया कि बिना निगरानी वाली AI सहायता ने अभ्यास प्रदर्शन +48% बढ़ाया लेकिन बिना सहायता, बंद-पुस्तक परीक्षा के अंक −17% घटाए — जिन छात्रों को कभी AI पहुँच नहीं मिली वे उनसे बेहतर प्रदर्शन किए जिन्हें मिली। एक गार्डरेल-युक्त संकेत-परंतु-उत्तर-नहीं ट्यूटर ने यह हानि समाप्त कर दी।
जनसंख्या-पैमाने पर व्यवहारिक डेटा (3.2M ALEKS संपर्क) ने पाया कि ChatGPT के विमोचन के बाद AI-प्रवण समस्याओं पर अध्ययन समय −26.9% गिरा, और प्रॉक्टर्ड रिटेंशन वस्तुओं पर सही उत्तर की संभावना में −25% की गिरावट — एक प्रभाव जो प्रॉक्टरिंग के अधीन गायब हो गया, जिससे इसे ऑफ-प्लेटफ़ॉर्म AI उपयोग पर तय किया गया।

ऑनलाइन सीखन विशेष रूप से संवेदनशील है: माध्यम पहले से ही शिक्षार्थियों को तत्काल जवाबदेही से दूर करता है, और आत्म-गति वाला, स्क्रीन-आधारित काम उस "उत्तर माँग लो" शॉर्टकट को आमंत्रित करता है जिसे संज्ञानात्मक ऑफलोडिंग अनुसंधान मूल हानि तंत्र के रूप में पहचानता है। प्रतिक्रिया AI पर प्रतिबंध लगाना नहीं, बल्कि गार्डरेल लागू करना है — संकेत-परंतु-उत्तर-नहीं स्कैफ़ोल्डिंग, ज्ञान ग्राउंडिंग, और मानव निरीक्षण — ताकि AI शिक्षार्थी के संज्ञानात्मक काम को बदलने के बजाय उसे बढ़ाए।

अन्य चुनौतियाँ

अति-उत्सुक AI सुगम बनाना। LLM सुगम-कर्ता ऑनलाइन चर्चाओं में हस्तक्षेप करने में अत्यधिक उत्सुक होते हैं, जिससे प्रतिभागियों को चिढ़ हो सकती है और अच्छी बातचीत बिखर सकती है; मानव सतर्कता ही बेहतर मॉडल है (Tsirmpas et al.)।
अभिप्रेरण का क्षरण। एक सहज AI शॉर्टकट की कथित उपलब्धता स्वायत्त प्रेरणा और दृढ़ता को घटाती है, जिससे सीखन की हानि बढ़ती है।
समता और डिजिटल विभाजन। भरोसेमंद उपकरणों, संपर्क और उच्च-गुणवत्ता AI तक पहुँच भिन्न होती है; AI के साथ ऑनलाइन सीखन समानता अंतराल को कम करने के बजाय बढ़ा सकती है (डिजिटल विभाजन)।
डेटा गोपनीयता और विश्वास। ऑनलाइन मंच समृद्ध शिक्षार्थी डेटा एकत्र करते हैं; AI प्रणालियाँ पारदर्शिता और गोपनीयता चिंताएँ खड़ी करती हैं (निजता), विशेष रूप से काम और अध्ययन का संतुलन रखने वाले वयस्कों के लिए।
संगठनात्मक तैयारी। KhanMigo का अंत — शिक्षार्थी चैटबॉट के साथ वास्तव में संलग्न नहीं हुए, लाभ के सीमित प्रमाण — यह चेताता है कि तकनीकी क्षमता का AI शासन और संगठनात्मक तैयारी से मेल होना चाहिए।

जब एक जमा किया गया काम शिक्षार्थी के बिना भी उत्पन्न किया जा सकता है तो मूल्यांकन वैधता

यदि निगरानी अव्यावहारिक है और एक एजेंट काम पूरा कर सकता है, तो ज्ञानकोश द्वारा वरीयता दी जाने वाली प्रतिक्रिया यह है कि कड़ा पुलिसिंग करने के बजाय यह बदलें कि क्या प्रमाण माना जाता है। हालिया साहित्य में चार डिज़ाइन प्रतिक्रियाएँ बार-बार आती हैं।

जोखिम-पूर्ण कार्य को एक जुड़वाँ के साथ जोड़ें। Roe, Perkins and Giray (2026) शिक्षाशास्त्रीय रूप से मूल्यवान परंतु AI-जोखिम-पूर्ण मूल्यांकन — टेक-होम निबंध या केस विश्लेषण — को बनाए रखते हैं और एक दूसरा, कम जोखिम-पूर्ण कार्य जोड़ते हैं जो उसी सीखन परिणामों का मूल्यांकन करता है, इसे तुल्य-सत्यापन के लिए पर्याप्त नज़दीक निर्धारित करता है और परस्पर-निर्भर रूप से अंकित करता है। उनका मैपिंग Messick के वैधता प्रमाण के छह सूत्रों में चलता है, और डिज़ाइन प्रक्रिया तीन चरणों की है: जोखिम-पूर्णताएँ पहचानें, परिणाम संरेखित करें और जुड़वाँ चुनें, फिर अंकन विकसित करें जो दोनों को जोड़ता है। एक छोटा केस विविधता, एक प्रमुख निर्णय की व्याख्या, या एक संक्षिप्त मौखिक प्रतिरक्षा जुड़वाँ के रूप में काम कर सकती है।

लेखन के बजाय स्वामित्व को लक्षित करें। Ebrahimzadeh, Shibani and Buckingham Shum तर्क देते हैं कि मिश्रित मानव-AI लेखन कई रूपों के वैधता प्रमाण को कमज़ोर करता है, और सह-लेखन इमानदारी (coauthorship integrity) का प्रस्ताव करते हैं जो अपने आप में वैधता प्रमाण हो: जो तब उल्लंघित होती है जब कोई छात्र AI-निर्मित सामग्री जमा करता है जिसे वह समझता नहीं। पैमाने पर समझ जाँचने के लिए वे एक AI Viva रिपोर्ट करते हैं — एक संवादात्मक एजेंट जो नियंत्रणीय प्रकार और जटिलता की समझ प्रश्नों के साथ एक हाइब्रिड viva voce संचालित करता है, जिसे विशेषज्ञ शिक्षकों और मूल्यांकन विशेषज्ञों द्वारा मान्य किया गया। ऑनलाइन पाठ्यक्रमों के लिए यह वास्तव में स्केलेबल सत्यापन का रूप है, और यह समझ के बारे में प्रमाण उत्पन्न करता है, इस बारे में नहीं कि कमरे में कौन था।

मौखिक परीक्षा को ऑनलाइन ले जाएँ। Pentland, Lowenthal and Krier (2026) प्रॉम्प्ट ठीक समय पर देते हैं और छात्रों से संक्षिप्त, समय-सीमित वेबकैम प्रतिक्रियाएँ रिकॉर्ड कराते हैं जिन्हें वे फिर नहीं देख सकते, इन्हें अंतर्निहित रूब्रिक के विरुद्ध अंकित किया जाता है जिसमें ट्रांसक्रिप्ट स्वतः उत्पन्न होते हैं। दो अध्ययनों में — एक मध्यवर्ती लेखांकन पायलट और एक डेटा एनालिटिक्स पाठ्यक्रम — छात्रों ने इन मूल्यांकनों पर व्यक्तिगत बहुविकल्पीय परीक्षाओं की तुलना में अधिक अंक प्राप्त किए (दूसरे अध्ययन में सार्थक, पहले में सकारात्मक प्रवृत्ति), जिसमें संरूपणात्मक वैधता का समर्थन देने वाले मध्यम क्रॉस-फ़ॉर्मट सहसंबंध थे; छात्रों ने बताया कि उन्होंने भिन्न तरीके से तैयारी की और अधिक सक्रिय अध्ययन रणनीतियों का उपयोग किया। यह प्रारूप अतुल्यकालिक समस्या को सीधे संबोधित करता है: सोचना छात्र के चुने हुए समय पर लाइव किया जाता है, प्रशासनिक लागत पर जो साथी-आकार के साथ नहीं बढ़ती।

कार्य को इस प्रकार क्रम में रखें कि तर्क पहले प्रतिबद्ध हो। Brcic and Frljic (2026) डिज़ाइन प्रश्न को नियोजन के रूप में ढाँचेबद्ध करते हैं, अनुमति के बजाय, और वे जो कारणात्मक प्रमाण जुटाते हैं वे बताते हैं कि परिणाम केवल नियोजन से उलट जाता है — वही बिना निगरानी वाला सहायक जिसने उच्च विद्यालय छात्रों को बिना सहायता की परीक्षा में लगभग 17% खराब किया, एक बार उत्तर देने से इनकार करने के लिए पुनर्निर्मित होने पर कोई हानि नहीं पहुँचाया, जबकि एक अच्छी तरह अभिकल्पित ट्यूटर ने सीखन को लगभग दोगुना किया। उनकी विश्लेषण ही रखने योग्य है: यदि AI को अंदर आने देने से कार्य सहज लगने लगे, तो वह गलत जगह है। संचालन में यह एक क्रम देता है जिसे एक ऑनलाइन पाठ्यक्रम असाइनमेंट में लिख सकता है — सोचें, प्रतिबद्ध हों, AI का उपयोग करें, समालोचना करें, संशोधित करें, समझाएँ — जहाँ प्रतिबद्धता चरण वही है जो शेष को मूल्यांकन-योग्य बनाता है, क्योंकि शून्य से बना उत्पाद में कोई संशोधन इतिहास नहीं होता जिसकी जाँच की जा सके। इसके नीचे एक स्थिति बैठी है जिसे यह ज्ञानकोश मेटाकॉग्निटिवली असंगत पूर्णता कहता है: सही, पूर्ण काम जो एक छात्र ने जमा किया जिसने समझ कभी नहीं पाई, जो एक अतुल्यकालिक पाठ्यक्रम में सफलता से अविभेद्य है जब तक डिज़ाइन कुछ अधिक न माँगे।

चाहे शिक्षक कोई भी संयोजन चुनें, एक बाधा को इसे आकार देना चाहिए। ऑनलाइन अध्ययन अक्सर एकमात्र सुलभ विकल्प होता है — छात्र इसे रोज़गार, देखभाल की ज़िम्मेदारियों, विकलांगता या भूगोल के कारण चुनते हैं — इसलिए सत्यापन छोटा और आनुपातिक होना चाहिए: एक संक्षिप्त रिकॉर्डेड व्याख्या, एक वैयक्तिक अनुप्रयोग, एक शिक्षक-चयनित प्रश्न का उत्तर, एक एनोटेटेड निर्णय-पथ, एक कम-दाँव वाली व्यक्तिगत जाँच। पहचान यहाँ अपनी लागत रखती है, क्योंकि जो उपकरण गैर-मूल भाषी लेखकों को फ़्लैग करते हैं वे असमानुपातिक रूप से झूठी सकारात्मकताएँ उत्पन्न करते हैं (एआई डिटेक्शन, डिजिटल विभाजन)।

ऑनलाइन शिक्षण और अधिगम के लिए अनुशंसित शिक्षाशास्त्रीय रणनीतियाँ

सक्रिय और अंतःक्रियात्मक सीखन। उन रणनीतियों को प्राथमिकता दें जो छात्रों को निष्क्रिय रूप से प्राप्त करने के बजाय करते और सोचते रखें — सक्रिय अधिगम (Active Learning), अंतःक्रियात्मक अभ्यास, और सुकरातीय संवाद। तर्क को उकसाने वाला AI (उत्तर देने के बजाय) उस उत्पादक संघर्ष और वांछनीय कठिनाइयाँ को संरक्षित करता है जो स्थायी सीखन बनाता है।
स्कैफ़ोल्डेड, मार्गदर्शित सहायता। वह मड्गद उपयोग करें जो शिक्षार्थियों की प्रगति के साथ हटता जाए, और स्व-नियंत्रित अधिगम सहायताएँ डिज़ाइन करें ताकि शिक्षार्थी उपकरण पर निर्भर होने के बजाय अपनी सीखन स्वयं निर्देशित करें।
सहयोगी और चर्चा-आधारित सीखन। ऑनलाइन चर्चाओं और समूह कार्य को जानबूझकर संरचित करें; सहयोगी शिक्षा गतिविधियों का उपयोग करें, और जब AI भाग ले तो उसकी सुगमता और साथी के रूप में उसकी भूमिका को कैलिब्रेट करें।
प्रामाणिक, प्रक्रिया-प्रकट मूल्यांकन। प्रामाणिक मूल्यांकन और उन मूल्यांकनों की ओर बढ़ें जो प्रक्रिया पकड़ें — प्रारूप, मौखिक प्रतिरक्षा, स्व-व्याख्या, चिंतनशील पोर्टफ़ोलियो — जो अधिक AI-प्रतिरोधी हैं और वास्तविक समझ प्रकट करते हैं।
वैयक्तिक और अनुकूली पथ। AI-सक्षम वैयक्तिकरण और अनुकूली गतिविधियों का उपयोग गति और कठिनाई को ढालने के लिए करें, साथ ही वैयक्तिकरण को गहरा रखें (कार्य क्रमन, कठिनाई कैलिब्रेशन) केवल सतही (कस्टम उदाहरण) के बजाय।
सामाजिक उपस्थिति और समुदाय-निर्माण। सामाजिक उपस्थिति और समुदाय को जानबूझकर विकसित करें — जाँच-जिज्ञासा का समुदाय (Community of Inquiry) ढाँचे का मूल — साथी AI, तुल्यकालिक जाँच-बैठकों और साथी अंतःक्रिया के माध्यम से, क्योंकि ऑनलाइन अलगाव संलग्नता और अपनत्व की एक प्रमुख बाधा है। AI युग में इसका अर्थ तीन उपस्थितियों (संज्ञानात्मक, सामाजिक, शिक्षण) को क्यूरेट करना है, जबकि मशीन-निर्मित प्रवचन यह जटिल बनाता है कि कौन "उपस्थित" है (देखें जाँच-जिज्ञासा का समुदाय (Community of Inquiry))।
मिश्रित डिज़ाइन सोच। हाइब्रिड प्रारूपों के लिए, सीखने का डिज़ाइन सिद्धांत लागू करें तय करने के लिए कि क्या सर्वोत्तम रूप से तुल्यकालिक बनाम अतुल्यकालिक और ऑनलाइन बनाम व्यक्तिगत रूप से किया जाए, और AI प्रत्येक का समर्थन कैसे करता है।
AI की भूमिका नाम दें, और जाँचें कि छात्र की अब भी एक भूमिका है। "छात्र AI का उपयोग कर सकते हैं" डिज़ाइन करने के लिए बहुत व्यापक है। भूमिकिकाएँ भिन्न शिक्षाशास्त्रीय परिणाम रखती हैं — विपणन शिक्षा में जनरेटिव AI का एक अध्ययन ट्यूटर, साथी और उपकरण में अंतर करता है और बताता है कि प्रत्येक शिक्षण, सामाजिक और संज्ञानात्मक उपस्थिति को भिन्न रूप से आकार देता है (GenAI in Marketing Education) — इसलिए एक ऑनलाइन गतिविधि को अपने श्रम विभाजन को बता सकना चाहिए: यहाँ AI का काम X है, छात्र का काम Y। यदि Y में कम सोच है, तो गतिविधि को कड़ी नीति के बजाय पुनःडिज़ाइन की आवश्यकता है।
चर्चा को स्थिति, चुनौती, पुनर्विचार के रूप में क्रम में रखें। एक बार पोस्ट करने और दो बार उत्तर देने का पारंपरिक अतुल्यकालिक सूत्र सतही और एजेंट-पूर्णता-योग्य दोनों है। एक मज़बूत संरचना छात्रों से एक व्याख्या में प्रतिबद्ध होने, एक प्रति-उदाहरण या समालोचना से मिलने, और फिर बताने के लिए कहती है कि उनका तर्क कैसे बदला; जो अंकित होता है वह विचारों के बीच गति है, पोस्ट संख्या नहीं। यह शिक्षण उपस्थिति को भी स्थानांतरित करता है: दर्जनों पोस्टों का यांत्रिक रूप से उत्तर देना इसका सबसे कम मूल्यवान रूप है, जबकि चर्चा में प्रतिरूपों को संश्लेषित करना — वे धारणाएँ जो बार-बार लौटती हैं, नाम देने योग्य असहमतियाँ, एक सहमति को बेचैन करने वाला प्रति-उदाहरण — वह भाग है जो इस साहित्य में कोई एजेंट नहीं करता।
मानव-इन-द-लूप शासन। शिक्षकों और शिक्षकों को AI उपकरणों पर लूप में रखें, शिक्षाशास्त्रीय सामग्री ज्ञान में टिकाए हुए, ताकि शिक्षाशास्त्रीय उद्देश्य — उपकरण के डिफ़ॉल्ट नहीं — डिज़ाइन को चलाए।

ऑनलाइन शिक्षकों और निर्देशन डिज़ाइनरों के लिए निहितार्थ

AI को गार्डरेल दें, केवल आपूर्ति न करें। ऐसी मड्गद का उपयोग करें जो शिक्षार्थी के संज्ञानात्मक काम को लूप में रखे; गार्डरेल-युक्त ट्यूटर RCT बताता है कि यह उस परीक्षा दंड को समाप्त कर देता है जो बिना निगरानी पहुँच से होता है। पूर्ण डिज़ाइन परत के लिए गार्डरेल अवधारणा देखें (प्रॉम्प्टिंग, RAG (रिट्रीवल-ऑगमेंटेड जनरेशन) ग्राउंडिंग, प्रशिक्षण, QA)।
AI-प्रतिरोधी और प्रॉक्टर्ड/बिना-सहायता मूल्यांकन डिज़ाइन करें। क्योंकि ऑनलाइन अंकन अक्सर सहायता-प्राप्त और स्वतंत्र काम को अलग नहीं कर सकता, बंद-पुस्तक, प्रॉक्टर्ड, या प्रक्रिया-प्रकट मूल्यांकन शामिल करें ताकि दुरुपयोग सतह पर आए और हतोत्साहित हो (AI का दुरुपयोग और सीखने की हानि)।
AI साक्षरता स्पष्ट रूप से सिखाएँ। छात्रों को निर्भरता प्रतिरूपों को पहचानने और विश्वास को कैलिब्रेट करने में सहायता करें (AI साक्षरता); ऑफलोडिंग का प्रतिकार करने के लिए स्व-नियमन और मेटाकॉग्निशन बनाएँ।
AI को बाहरी बोल्ट-ऑन के रूप में नहीं, सीखन के पर्यावरण में स्थापित करें। पाठ्यक्रम में स्थापित उद्देश्य-निर्मित, संदर्भीय रूप से ट्यून किए गए सहायक (जैसे AIDA) सामान्य बाहरी चैटबॉट से बेहतर प्रदर्शन करते हैं और स्वीकृति बढ़ाते हैं।
AI सुगमता को मानव सतर्कता की ओर कैलिब्रेट करें। चर्चाओं को संचालित करने के लिए AI का उपयोग करते समय उन सेटिंग्स को प्राथमिकता दें जो मुश्किल से हस्तक्षेप करें (Tsirmpas et al.)।
वयस्क जीवन की बाधाओं के लिए डिज़ाइन करें। वयस्क और दूरस्थ शिक्षार्थियों के लिए, मोबाइल पहुँच, ऑफ़लाइन क्षमता और अतुल्यकालिक उपलब्धता को प्राथमिकता दें (AI-ALOE दिशानिर्देश)।
छात्रों और कर्मचारियों के साथ सह-डिज़ाइन करें, और शासन बनाएँ। सहभागी विकास, वरिष्ठ प्रायोजन, क्रॉस-यूनिट सहयोग और मज़बूत AI शासन जिम्मेदार GenAI अपनाने के सक्षम करने वाले कारक हैं।
मान लें कि एक एजेंट हर बिना-प्रॉक्टर गतिविधि का प्रयास करेगा, और उसी धारणा से डिज़ाइन करें। तीन-प्रश्न परीक्षण त्वरित है और कमज़ोर गतिविधियों को उजागर करता है: क्या कोई AI प्रणाली इसे छात्र द्वारा सामग्री समझे बिना पूरा कर सकती है; कौन-सी संज्ञानात्मक गतिविधि सीखन का उत्पादन करने का उद्देश्य रखती है; कौन-सा प्रमाण दिखाएगा कि छात्र ने उसे किया। जब पहला उत्तर हाँ है और बाकी दो का उत्तर देना कठिन है, तो समस्या AI नीति के बजाय सीखन के डिज़ाइन में है।
सत्यापन को जोखिम के अनुपात में रखें। जहाँ सक्षमता प्रमाणित करनी हो, वहाँ व्यापक निगरानी के बजाय एक जुड़वाँ कार्य, एक अतुल्यकालिक मौखिक प्रतिरक्षा या एक संक्षिप्त समझ जाँच को प्राथमिकता दें; शेष पाठ्यक्रम को उन शिक्षार्थियों के लिए लचीला रखें जो उस लचीलेपन पर निर्भर हैं।
शिक्षण का समर्थन करने के लिए एनालिटिक्स का उपयोग करें, उसे बदलने के लिए नहीं। लर्निंग एनालिटिक्स का लाभ उठाएँ ताकि संलग्नता का पूर्वानुमान लगाया जा सके और सहायता लक्षित हो, लेकिन मानव निरीक्षण को केंद्रीय रखें।

मेटाडेटा

स्तर	Higher Ed
अधिगम और शिक्षण	ऑनलाइन शिक्षण और अधिगम, शिक्षाशास्त्र और शिक्षण रणनीतियाँ
प्रौद्योगिकियाँ और तकनीकें	जनरेटिव-AI
शिक्षा में AI की नींव	शैक्षणिक इमानदारी, AI साक्षरता, संज्ञानात्मक ऑफलोडिंग, सीखने का डिज़ाइन

Source History Edit Chat