ओपन सोर्स

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

ओपन सोर्स — खुली लाइसेंस वाले मॉडल, कोड, डेटा और सामग्री का शिक्षा में एआई में उपयोग। खुलापन इस ज्ञान-आधार का वेंडर लॉक-इन और डेटा उजागरकरण के सामने मुख्य प्रतिवेहक है: ओपन-वेट मॉडल कैंपस हार्डवेयर पर चल सकते हैं ताकि FERPA, GDPR और EU AI Act के दायित्वों को पूरा किया जा सके, खुली लाइसेंस वाले कॉर्पस को प्रकाशक की अनुमति के बिना इंडेक्स और फ़ाइन-ट्यून किया जा सकता है, और खुले बेंचमार्क तथा डेटासेट विज्ञप्तियाँ अनुसंधान को पुनरुत्पादन-योग्य बनाती हैं। बोझ समान रूप से वास्तविक हैं: इंफ्रास्ट्रक्चर और सुरक्षा आश्वासन, अनुदान से बाहर तक चलने वाला रखरखाव, और गुणवत्ता जिसे खुलापन स्वयं नहीं सुनिश्चित करता।

विचार के लिए प्रश्न

• "ओपन सोर्स" को अक्सर "मुफ़्त और आसान" के रूप में सुना जाता है। नीचे दिए चारों स्तरों में — मॉडल, कोड, डेटा, या सामग्री — असल में आपके संस्थान को अपनाने के लिए किस पर सर्वाधिक लागत आती है, और क्यों?
• ओपन वेट स्थानीय परिनियोजन को संभव बनाते हैं, लेकिन किसी को अभी भी सिस्टम को होस्ट करना, पैच करना और मूल्यांकन करना होगा। प्रारंभिक परियोजना समाप्त होने के बाद वह कार्य कौन संभाले, और भुगतान कौन करे?
• यहाँ एक अध्ययन ने पाया कि 32B ओपन मॉडल ने बहुत बड़े स्वामित्व वाले सिस्टम से अधिक शैक्षणिक ज्ञान अंक प्राप्त किए, जबकि दूसरे में वैज्ञानिक-दृश्यीकरण साक्षरता पर मानव आधार रेखा से नीचे परखा गया प्रत्येक ओपन मॉडल मिला। आप कैसे तय करें कि आपके निर्णय के लिए कौन सा बेंचमार्क सही है?
• एक ही खुली लाइसेंस वाला कॉर्पस वही है जो एक स्कूल को अपने ही पाठ्यक्रम सामग्री पर एक ऑन-प्रिमाइसे सहायक चलाने देता है। उसके साथ कौन से दायित्व आते हैं — मूल लेखकों के प्रति, जिन छात्रों का डेटा इंडेक्स होता है उनके प्रति, और लाइसेंस के प्रति?
• यदि जनरेटिव एआई आधे घंटे से कम समय में कुछ डॉलर में एक पाठ्यक्रम बना सकता है, तो ओपन शैक्षणिक संसाधनों का शेष औचित्य क्या है — लागत, लाइसेंसिंग स्वतंत्रता, गुणवत्ता आश्वासन, या कुछ और?
• क्या संस्थानों को ओपन सोर्स अपनाने को एक खरीद निर्णय, एक इंफ्रास्ट्रक्चर निर्णय, या एक शैक्षणिक निर्णय मानना चाहिए? यदि इसे केवल एक माना जाए तो क्या टूटता है?

परिचय

लक्षणिक रूप से, एआई शिक्षा में "खुला" का अर्थ है कि चार प्रकार की कलाकृतियाँ निरीक्षण, पुनर्उपयोग और संशोधन के लिए उपलब्ध हैं: मॉडल वेट, स्रोत कोड, डेटा और मूल्यांकन उपकरण, और शैक्षणिक सामग्री। ज्ञान-आधार के लेख इन स्तरों पर असमान रूप से समूहित हैं, और परिणामी चित्र नारे से अधिक उपयोगी है: खुलापन विशिष्ट चीज़ें खरीदता है — स्थानीय नियंत्रण, ऑडिट करने की क्षमता, पुनरुत्पादकता और कानूनी स्पष्टता — और इसकी विशिष्ट लागत है — इंफ्रास्ट्रक्चर, विशेषज्ञता, रखरखाव, और एक गुणवत्ता-आश्वासन बोझ जो वेंडर से संस्थान की ओर बढ़ जाता है।

ओपन मॉडल और ओपन वेट

ओपन वेट सबसे अधिक मायने रखते हैं जहाँ छात्र डेटा कैंपस से बाहर नहीं जा सकता। LaTA उच्च-स्तरीय STEM पाठ्यक्रम के लिए एक ड्रॉप-इन, FERPA-अनुरूप स्थानीय-बड़े भाषा मॉडल (LLMs) ऑटोग्रेडर है, प्रशिक्षक-रचित रूब्रिक और संदर्भ समाधानों पर आधारित, प्रति सबमिशन शून्य सीमांत लागत के साथ। SCRIPT, बीलेफेल्ड विश्वविद्यालय में एक Python ट्यूटरिंग सिस्टम, जानबूझकर व्यावसायिक एलएलएम एपीआई से बचता है और GDPR तथा EU AI Act (जो शिक्षा में एआई के कुछ उपयोगों को उच्च जोखिम वर्गीकृत करता है) को पूरा करने के लिए ओपन-वेट Llama-70B मॉडल को स्वयं होस्ट करता है, आईपी लॉग को ट्यूटरिंग सिस्टम से अलग करता है, उपनाम का उपयोग करता है, और कुंजी दबाने को केवल स्पष्ट सहमति के साथ रिकॉर्ड करता है — एक चुनाव जिसे लेखक कम पर्यावरणीय प्रभाव और बेहतर पुनरुत्पादकता का श्रेय भी देते हैं।

गुणवत्ता अब खुलापन की स्वतः लागत नहीं रही। EduQwen एक ओपन मॉडल परिवार पर रिइन्फोर्समेंट लर्निंग (DAPO) और पर्यवेक्षित फ़ाइन-ट्यूनिंग लागू करता है, 440 कठिन नकारात्मक उदाहरण खनन करता है, 40,000 सिंथेटिक प्रतिक्रियाएँ उत्पन्न करता है जिन्हें कठिनाई-क्रम में 1,050 उदाहरणों तक चयनित किया जाता है, और शिक्षा-बेंचमार्क पर 96.52% तक पहुँचता है — Gemini-3 Pro के 90.55% से ऊपर — 32B घनी मापदंडों पर। AiAWE स्वचालित लेखन मूल्यांकन के लिए समान निष्कर्ष तक पहुँचता है: एक LoRA-अनुकूलित ओपन-वेट Gemma-3-27B-it, 480 TOEFL निबंधों पर LLaMA-3.3-70B और एक फ़ाइन-ट्यून किए गए GPT-3.5 आधार रेखा से बेहतर प्रदर्शन करता है और एक उपभोक्ता-श्रेणी के सर्वर पर चलता है, जिसमें चौंकाने वाली सहायक खोज यह है कि मापदंडों की संख्या LoRA अनुकूलन के अंतर्गत डाउनस्ट्रीम प्रदर्शन की विश्वसनीय भविष्यवक्ता नहीं है। प्रतिवादी प्रमाणों को समान महत्व मिलना चाहिए: छह MLLM का एक बेंचमार्क (तीन बंद, तीन खुले) ने वैज्ञानिक विज़ुअलाइज़ेशन साक्षरता पर मानव आधार रेखा से नीचे प्रत्येक ओपन-सोर्स मॉडल पाया, जबकि Gemini ने कई उपसमुच्चयों पर मानव औसत से अधिक किया। खुलापन नियंत्रण की छत बढ़ाता है, क्षमता की नहीं।

OmniEdu पूरी पाइपलाइन विज्ञप्त करता है, केवल वेट नहीं: एक 69,999-उदाहरण मिश्रण पर क्षमता-संतुलित पर्यवेक्षण ने एक खुले 4B/9B/27B K–12 परिवार के हर आकार को उठाया — ट्यून किया गया 4B मॉडल ने MathTutorBench स्कैफ़ोल्ड जय दर में अपने आधार पर 55 अंक अतिक्रमित किए — जबकि ज्ञान-अवस्था निदान 54.04% पर इसकी सबसे कमज़ोर क्षमता बनी रही (Liang et al., 2026)।

ओपन टूल, ट्यूटर और अनुसंधान इंफ्रास्ट्रक्चर

खुले कोड का सबसे स्पष्ट मामला पुनरुत्पादन है। OATutor — ITS सिद्धांतों पर निर्मित पहला पूर्णतः खुला अनुकूली ट्यूटरिंग सिस्टम — एक MIT-लाइसेंस कोडबेस को OpenStax बीजगणित पाठ्यपुस्तकों से लिए गए क्रिएटिव कॉमन्स (CC BY) सामग्री पुस्तकालय के साथ जोड़ता है, साथ ही नॉलेज ट्रेसिंग, A/B परीक्षण और LTI समर्थन; इसका स्पष्ट डिज़ाइन लक्ष्य यह है कि एक शोधकर्ता प्रयोग चला सके और फिर पूरे एंड-टू-एंड फ्रेमवर्क, सामग्री और प्लेटफ़ॉर्म को एक रिपॉजिटरी लिंक के रूप में प्रकाशित कर सके। StanBKT विधि स्तर पर वही तर्क देता है, अपेक्षा-अधिकतमीकरण बिंदु प्राक्कलनों को पूर्ण बेयज़ियन अनुमान (HMC, वेरिएशनल अनुमान, Pathfinder, अनुकूलन) से बदलता है एक खुले Python पैकेज में जो उस अनिश्चितता A/B तुलनाओं को उजागर करता है जिन पर अनुकूली हस्तक्षेप निर्भर हैं। DeepTutor: Towards Agentic Personalized Tutoring ट्रेस-फ़ोरेस्ट लर्नर मेमोरी के साथ एक पूर्ण एजेंटिक ट्यूटरिंग फ्रेमवर्क विज्ञप्त करता है — Apache 2.0, और 2026 के अंत तक एक पूर्ण शिक्षण कार्यक्षेत्र, केवल अपने पेपर द्वारा बेंचमार्क किए गए पाइपलाइन नहीं — और MAIC का कक्षा जनरेटर OpenMAIC, MIT के अंतर्गत उस अध्ययन के साथ आता है जो इसका मूल्यांकन करता है, ताकि एक पाठ्यक्रम उत्पन्न, स्वयं-होस्ट और निरीक्षित किया जा सके न कि केवल पढ़ा जा सके; VISMATIC प्रक्रिया-उन्मुख निगरानी के लिए अपना कंटेनरीकृत सैंडबॉक्स प्रकाशित करता है, ताकि अन्य संस्थान अखंडता मॉडल को अपना सकें न कि उसके वेंडर संस्करण को। खुला कोड पारदर्शिता का बोझ भी वहन करता है: MathBuddy के प्रभाव-जागरूक ट्यूटरिंग संकेतों की स्क्रिप्ट निरीक्षण और आगे के शैक्षणिक प्रशिक्षण कार्य के लिए प्रकाशित हैं। खुली इंफ्रास्ट्रक्चर इस बात का संदर्भ बिंदु तय करती है कि शैक्षणिक एजेंट क्या करने चाहिए: ज्ञान-आधार का 474 एजेंटिक-एआई अध्ययनों का स्कोपिंग समीक्षा एक तेज़ी से बढ़ते खुले-सोर्स एजेंट परियोजना को अपने "सीमांत एजेंट प्रतिमान" बेंचमार्क के रूप में उपयोग करता है और पाता है कि शैक्षणिक प्रणालियों में अभी भी शासित उपकरण ऑर्केस्ट्रेशन, स्थायी मेमोरी, दीर्घ-क्षितिज योजना और ऑडिट करने योग्य क्रिया का अभाव है।

खुले बेंचमार्क, डेटासेट और विधि पारदर्शिता

यहाँ कई योगदान खुले मूल्यांकन इंफ्रास्ट्रक्चर हैं, प्रणालियाँ नहीं। पेडगॉजी बेंचमार्क (CDPK + SEND, वास्तविक चिली शिक्षक-परीक्षा आइटमों से निर्मित) 97 मॉडलों तक फैला है: ओपन-वेट DeepSeek R1 ने अधिकतर बंद तर्क मॉडलों के शीर्ष-10 के विरुद्ध 86.65% प्राप्त किए, और लागत–सटीकता सीमा अप्रैल 2024 और जून 2025 के बीच ~50% से ~82% तक बढ़ी, इनपुट टोकन प्रति $0.10/M पर — 400× से अधिक कम लागत पर सर्वोत्तम अप्रैल-2024 बंद मॉडल के लगभग बराबर 3.5¢ पर खुला Qwen-3 8B के साथ। प्रदर्शन लगभग 8B मापदंडों से नीचे तेज़ी से गिरता है, जो कैंपस परिनियोजन के लिए एक व्यावहारिक आकार बाधा है। ASTRA सामाजिक रूप से बुद्धिमान बहु-एजेंट ट्यूटरिंग के ट्रेस-आधारित मूल्यांकन के लिए एक डेटासेट, स्कीमा और प्रोटोटाइप विज्ञप्त करता है (540 प्रतिभागी, 360 सत्र, 1,440 कार्य प्रकरण)। IKS-Instruct खुले डेटा की सांस्कृतिक स्थिति दिखाता है: सात भाषाओं में 24,795 निर्देश–प्रतिक्रिया जोड़े और 41 शैक्षणिक तकनीकें, वैदिक और शास्त्रीय स्रोतों से ली गईं, CBSE पाठ्यक्रम के अनुरूप, जिसने एक कॉम्पैक्ट 7B मॉडल को बहुत बड़े सामान्य-उद्देश्य संदर्भ मॉडल के करीब पहुँचाया (मध्यिका निर्णायक अंक 6.39 बनाम 6.54) परिनियोजन लागत के एक अंश पर। छात्र-रचित बेंचमार्क खुलापन का दूसरा मार्ग हैं: AcademiClaw 230 छात्र-प्रस्तुत उम्मीदवारों से (25+ पेशेवर क्षेत्रों में फैले, 16 में CUDA GPU आवश्यक, पृथक Docker सैंडबॉक्स में चले) 80 दीर्घ-क्षितिज शैक्षणिक कार्यों का संग्रह करता है और एक खुले एजेंट पारिस्थितिकी को शैक्षणिक-स्तरीय मूल्यांकन तक विस्तारित करता है। Eimler et al. (2026) तर्क देते हैं कि खुलापन एक पर्यावरणीय दायित्व भी है: सभी AIED 2025 पत्रों की समीक्षा करते हुए, उन्होंने एक "प्रकटीकरण के बिना एलएलएम अपनाना" पैटर्न पाया और एक खुले-सोर्स मापन विधि से प्रतिक्रिया दी — सॉफ्टवेयर उपकरण और एक सूत्र जो मापदंड संख्या अज्ञात होने पर भी संगणकीय व्यय का आकलन करता है।

ओपन शैक्षणिक संसाधन और खुली सामग्री

Shen et al. (2026) ज्ञान-आधार का एकमात्र लेख है जिसमें ओपन शैक्षणिक संसाधन केंद्रीय विषय हैं, कोई उल्लेखजन्य संदर्भ नहीं। वे कंप्यूटर विज्ञान शिक्षा के लिए उपभोक्ता-श्रेणी के हार्डवेयर (12 GB VRAM वाला एक RTX 3060) पर 82 OER दस्तावेज़ों से एक ऑन-प्रिमाइसे एआई ज्ञान-आधार सहायक बनाते हैं, जिसमें संरचित निष्कर्षण, रिट्रीवल-संवर्धित जनरेशन और NF4 4-बिट क्वांटाइज़ेशन-जागरूक फ़ाइन-ट्यूनिंग को मिलाया गया है। फ़ाइन-ट्यूनिंग ने रिट्रीवल से परे वास्तविक मूल्य जोड़ा (Qwen-7B 69.8%, +3.2 pp, p = 0.031; DeepSeek-MoE 78.6%, +12.0 pp, p < 0.001, जिसमें बहु-हॉप तर्क पर 82.3% शामिल); क्वांटाइज़ेशन-जागरूक ट्यूनिंग ने 4-बिट सटीकता अंतर को 1.7 और 1.2 pp तक रखा और VRAM को ~38% कम किया तथा ऊर्जा को प्रति क्वेरी 1.8 mWh तक (आधार रेखा से 43.8% कम); और क्वांटाइज़ेशन से बढ़ी हुई भ्रम को फ़ाइन-ट्यूनिंग ने आंशिक रूप से पुनर्प्राप्त किया (DeepSeek-MoE 10.4% → 8.1%), प्राप्त OER खंडों के विरुद्ध एक दो-चरणीय NLI प्रक्रिया द्वारा मापा गया। विश्लेषणात्मक बिंदु सामान्यीकरणीय है: एक खुली लाइसेंस वाला कॉर्पस को प्रकाशक अनुमतियों के बिना इंडेक्स, अनुकूलित और परोसा जा सकता है, और एक सहायक को प्राप्त OER में आधारित करना एक जाँच-योग्य उत्पत्ति पग दंड देता है — जो ठीक वही है जो एक स्वामित्व वाला पाठ्यपुस्तक कॉर्पस नहीं दे सकता।

सामग्री का खुलापन और मॉडलों का खुलापन अन्यत्र भी पूरक हैं। OATutor, CC BY OpenStax पाठ्यपुस्तकों को एक ऐसे सिस्टम में संग्रहित करता है जिसका कोड MIT-लाइसेंस है, इसलिए कोड और सामग्री के लाइसेंस शर्तों को डिज़ाइन द्वारा संगत रखा जाना चाहिए। पावर सिस्टम एआई के लिए एक खुली, निष्पादन योग्य मॉड्यूल पुस्तकालय Jupyter नोटबुक के साथ प्रवेश बाधा घटाता है जो स्थानीय रूप से या Colab में चलते हैं, एक IEEE ऑनलाइन पाठ्यक्रम के माध्यम से वितरित। और एक परियोजना-आधारित यांत्रिक इंजीनियरिंग पाठ्यक्रम अपना पाठ्यक्रम, डेटा और कोड खुले-उपलब्ध रिपॉजिटरी में प्रकाशित करता है ताकि अन्य संस्थान इसे अपना सकें (Giving Mechanical Engineers Intelligent Tools: A Project-Based AI Education Curriculum in Thermal Engineering)। OER के संलग्न, खुला पाठ्यक्रम वितरण वहाँ है जहाँ अर्थशास्त्र सबसे तेज़ी से बदल रहा है: MAIC बताता है कि MOOC उत्पादन लगभग $25,000 और प्रति पाठ्यक्रम 60 घंटे से गिरकर 30 मिनट से कम और $2 से कम हो गया है, एलएलएम-संचालित बहु-एजेंट जनरेशन के साथ। यदि सामग्री उत्पादन लगभग मुफ़्त हो जाए, तो OER तर्क उत्पादन लागत से हटकर लाइसेंसिंग स्वतंत्रता, सत्यापन योग्यता और गुणवत्ता आश्वासन की ओर बढ़ता है — जो उस प्रस्ताव से भिन्न है जिस पर OER वकालत बनी थी।

लाभ और बोझ

• लाभ। स्थानीय होस्टिंग के माध्यम से डेटा संप्रभुता और नियामक अनुपालन (निजता, शिक्षा में AI विनियमन); लागत नियंत्रण, क्योंकि स्थानीय अनुमान में कोई प्रति-क्वेरी शुल्क नहीं है और खुले मॉडल एक अंश कीमत पर स्वामित्व वाली गुणवत्ता के करीब पहुँचते हैं (Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning); पुनरुत्पादकता, क्योंकि फ्रेमवर्क, संकेत, सामग्री और डेटा पेपर के साथ भेजे जा सकते हैं (OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research, ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring); संस्थागत शासन के अंतर्गत ऑडिट करने की क्षमता और सुरक्षा समीक्षा; और एक विशिष्ट शिक्षाशास्त्र और शिक्षण रणनीतियाँ या एक विशिष्ट समुदाय के ज्ञान-आधार के लिए फ़ाइन-ट्यून करने की क्षमता (IKS-Instruct: A 24,000-Example Multilingual Dataset for Teaching Language Models Indian Knowledge Systems)।
• बोझ। स्थानीय होस्टिंग के लिए हार्डवेयर और विशेषज्ञता चाहिए जो कई संस्थानों के पास नहीं हैं; गुणवत्ता और सुरक्षा पहले से सुनिश्चित नहीं हैं — खुले मॉडल विशिष्ट साक्षरताओं पर मानव आधार रेखाओं से पीछे हो सकते हैं (Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy) और क्वांटाइज़ेशन भ्रम दर बढ़ाता है जब तक कि उसे शामिल न किया जाए (Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources); किसी को प्रकाशन के बाद सिस्टम को बनाए रखना होगा (Programming Intelligent Tutoring Systems एक छोटी पीएचडी-छात्र टीम, कार्य-प्रगति में सुरक्षा उजागरता और एक पर्याप्त अनुपालन बोझ का दस्तावेज़ीकरण करता है); और एक खुली लाइसेंस एक अनुमति है, एक कार्यशील उत्पाद नहीं — जो रखरखाव एक विज्ञप्त सिस्टम को उपयोगी रखता है वह उन शैक्षणिक प्रौद्योगिकी डेवलपर्स पर आता है जिन्होंने इसे बनाया, और उनकी निधी और प्रोत्साहन तय करते हैं कि जब अनुदान समाप्त होता है तो एक संस्थान को एक फोर्क योग्य रिपॉजिटरी, एक रखा गया उत्पाद, या कोई नहीं विरासत में मिलता है।

व्यवहार में खुलापन

• प्रशिक्षकों और संस्थानों के लिए: किसी सिस्टम को अपनाने से पहले सामग्री का साथ ही कोड का लाइसेंस जाँचें — OpenStax पाठ्यपुस्तकों पर MIT कोड पुनर्उपयोगी है, लेकिन एक उदार लाइसेंस यह गारंटी नहीं देता कि ट्यूटरिंग पथ, आइटम बैंक या अनुवाद मौजूद हैं। जब छात्र डेटा कानूनी रूप से कैंपस से बाहर नहीं जा सकता तो खुले मॉडल को प्राथमिकता दें (LaTA: A Drop-in, FERPA-Compliant Local-LLM Autograder for Upper-Division STEM Coursework, Programming Intelligent Tutoring Systems), लेकिन मॉडल को सामान्य लीडरबोर्ड पर भरोसा करने के बजाय आपके कार्य पर बेंचमार्क करें (Benchmarking the Pedagogical Knowledge of Large Language Models)। पायलट के बाद सिस्टम चलाने और मूल्यांकन करने के लिए किसी के लिए बजट बनाएँ।
• डेवलपर्स और शोधकर्ताओं के लिए: पूरी चीज़ भेजें — OATutor की एंड-टू-एंड विज्ञप्ति (कोड, सामग्री, प्रयोग हार्नेस) वह पुनरुत्पादकता मानक है जिसे यह साहित्य लगातार पुरस्कृत करता है। संकेत और निष्कर्षण स्कीमा को वेट के साथ विज्ञप्त करें (Programming Intelligent Tutoring Systems, MathBuddy: Affective Math Tutoring)। संगणन और कार्बन रिपोर्ट करें (The Environmental Cost of LLMs in AIED: Reporting and Practices)। सहायकों को खुली लाइसेंस वाले कॉर्पस में आधारित करें ताकि उत्पत्ति जाँच-योग्य और अनुकूलन विधिवत हो (Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources)। यदि सटीकता और ऊर्जा दोनों मायने रखती हैं तो साधारण क्वांटाइज़ेशन के बजाय क्वांटाइज़ेशन-जागरूक फ़ाइन-ट्यूनिंग का उपयोग करें, और कोड तथा सामग्री के लाइसेंस संगत रखें।

संबंधित अवधारणाएँ

• इंटेलिजेंट ट्यूटरिंग
• LLM प्रशिक्षण और सूक्ष्म-अनुकूलन
• अनुकूली अधिगम
• एडटेक प्लेटफ़ॉर्म
• निजता
• शिक्षा में AI विनियमन
• AI शासन
• एजेंटिक AI
• स्वचालित मूल्यांकन
• बेंचमार्क
• ज्ञान अनुरेखण
• RAG (रिट्रीवल-ऑगमेंटेड जनरेशन)
• पाठ्य-सुरक्षा: शिक्षा में पेडागॉजिकल सेफ्टी
• सस्टेनेबिलिटी
• AIED में शोध विधियाँ
• लेखन
• शैक्षणिक इमानदारी
• शैक्षणिक प्रौद्योगिकी डेवलपर्स

संबंधित लेख

• Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources — उपभोक्ता हार्डवेयर पर ऑन-प्रिमाइसे OER एआई ज्ञान-आधार सहायक (Shen et al. 2026)
• OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research — एक CC BY OpenStax सामग्री पुस्तकालय के साथ MIT-लाइसेंस अनुकूली ट्यूटर (Pardos et al. 2023)
• Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning — बहुत बड़े स्वामित्व वाले सिस्टम से बेहतर प्रदर्शन करने वाला खुला 32B शैक्षणिक मॉडल (Singh et al. 2026)
• LaTA: A Drop-in, FERPA-Compliant Local-LLM Autograder for Upper-Division STEM Coursework — ड्रॉप-इन FERPA-अनुरूप स्थानीय-एलएलएम ऑटोग्रेडर
• Programming Intelligent Tutoring Systems — एक Python ITS में GDPR/EU AI Act अनुपालन के लिए स्वयं-होस्ट किया गया ओपन-वेट एलएलएम
• AiAWE: An Open-Source LLM Automated Writing Evaluation System Using LoRA-Adapted Instruction-Tuned Models — स्वचालित लेखन मूल्यांकन के लिए LoRA-अनुकूलित ओपन-वेट मॉडल
• StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracing — पूर्ण बेयज़ियन नॉलेज ट्रेसिंग के लिए खुला Python पैकेज
• DeepTutor: Towards Agentic Personalized Tutoring — लर्नर मेमोरी के साथ पूर्णतः खुला-सोर्स एजेंटिक ट्यूटरिंग फ्रेमवर्क
• Securing the Sandbox: A Rootless Containerized Framework for Process-Oriented Monitoring in Computer Graphics Education — प्रक्रिया-उन्मुख मूल्यांकन के लिए खुला कंटेनरीकृत सैंडबॉक्स
• MathBuddy: Affective Math Tutoring — एक खुले कोडबेस के साथ प्रभाव-जागरूक गणित ट्यूटर
• Benchmarking the Pedagogical Knowledge of Large Language Models — 97 मॉडलों में खुला पेडगॉजी बेंचमार्क और लागत–सटीकता सीमा
• ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring — ट्रेस-आधारित बहु-एजेंट ट्यूटरिंग मूल्यांकन के लिए खुला डेटासेट और प्रोटोटाइप
• Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy — दृश्यीकरण साक्षरता पर मानव आधार रेखा से नीचे खुले मॉडल
• IKS-Instruct: A 24,000-Example Multilingual Dataset for Teaching Language Models Indian Knowledge Systems — सांस्कृतिक रूप से आधारित निर्देश के लिए खुला बहुभाषी डेटासेट
• The Environmental Cost of LLMs in AIED: Reporting and Practices — एलएलएम की पर्यावरणीय लागत रिपोर्टिंग के लिए खुला-सोर्स विधि
• Bridging Artificial Intelligence and Power Systems Education Using a Hands-On Executable Framework — इंजीनियरिंग एआई के लिए खुली निष्पादन योग्य मॉड्यूल पुस्तकालय
• Giving Mechanical Engineers Intelligent Tools: A Project-Based AI Education Curriculum in Thermal Engineering — सार्वजनिक रूप से उपलब्ध पाठ्यक्रम, डेटा और कोड
• From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents — एलएलएम-संचालित पाठ्यक्रम जनरेशन और पाठ्यक्रम उत्पादन के बदलते अर्थशास्त्र
• A scoping review of generative AI-powered agentic AI in education: Research landscape, agentic capabilities, and insights from the frontier agent paradigm, exemplified by OpenClaw
• AcademiClaw: When Students Set Challenges for AI Agents
• OmniEdu: Open Foundation Models for Learning and Teaching — OmniEdu: सीखने और पढ़ाने के लिए खुले फ़ाउंडेशन मॉडल