शिक्षाशास्त्रीय एजेंट

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

संश्लेषण: शिक्षाशास्त्रीय एजेंट AI-संचालित संवादी इंटरफ़ेस हैं जो शिक्षण वातावरण में एम्बेड होते हैं और शिक्षार्थी सहभागिता, चिंतन (reflection) और मेटाकॉग्निशन का समर्थन करने के लिए शिक्षाशास्त्रीय रणनीतियों (प्रेरित करना, बताना, स्कैफ़ोल्डिंग) का उपयोग करते हैं। डिज़ाइन सरल सूचना-प्रदाताओं से लेकर शिक्षार्थी की स्थितियों के अनुकूल होने वाले संवादी साझेदारों तक भिन्न होते हैं।

विचार करने योग्य प्रश्न

• एक बार की बात सोचिए जब किसी चैटबॉट या ट्यूटर ने आपको एकदम सही उत्तर दे दिया और आप उससे कुछ भी नहीं सीख पाए। AI को 'सिखाता' क्या बनाता है, केवल 'हल करने वाला' नहीं — और बेंचमार्क स्कोर इस अंतर को क्यों नहीं पकड़ पाता होगा?
• पेज यह पाता है कि ट्यूटरिंग 'समाधान' स्कोर और 'शिक्षाशास्त्र' स्कोर मॉडलों में केवल कमजोर रूप से सहसंबद्ध हैं। इससे आप AI ट्यूटर का प्रश्नों के उत्तर देने की क्षमता पर मूल्यांकन कैसे करें, इस बारे में क्या निष्कर्ष निकालें?
• कुछ डिज़ाइन AI को अलग-अलग भूमिकाएँ देते हैं — टीचर, क्लासमेट, मेंटर — और यहाँ तक कि माता-पिता को केंद्रीय रूप से शामिल रखते हैं (जैसा ParaTutor में)। आपके अनुभव में, क्या किसी एजेंट को स्पष्ट भूमिका देना बदलता है कि शिक्षार्थी उसके साथ कैसे बातचीत करते हैं?
• असली छात्र अक्सर चैटबॉट के शिक्षाशास्त्रीय ढाँचे को 'बायपास' कर देते हैं जब एजेंट के लक्ष्य शिक्षार्थी के अपने लक्ष्यों से टकराते हैं। शिक्षार्थी अच्छे स्कैफ़ोल्डिंग को तर्कसंगत रूप से क्यों नज़रअंदाज़ कर सकता है, और 'अगर हम बना देंगे तो वे संलग्न होंगे' इस धारणा के लिए इसका क्या अर्थ है?
• क्या आप ऐसे AI से सीखना चाहेंगे जो आपको बातें बताए, जो आपसे प्रश्न पूछे, या जो समूह चर्चा को संचालित करे? आपकी प्राथमिकता यह बात को आकार देती है कि आपके विचार में 'शिक्षाशासत एजेंट' क्या होना चाहिए?
• एक सरल सूचना-प्रदाता से लेकर पूरे पाठ्यक्रम का संचालन करने वाले विशेष एजेंटों के समूह तक — संवादी AI ट्यूटरिंग का मूल्य (और जोखिम) आपके विचार में वास्तव में कहाँ है?

परिचय

शिक्षाशासत एजेंट एक शिक्षण प्रणाली का एक संवादी AI घटक है जो संज्ञानात्मक और मेटाकॉग्निशन संबंधी प्रक्रियाओं का समर्थन करने के लिए संवाद, प्रश्नों या प्रॉम्प्ट के माध्यम से शिक्षार्थियों को संलग्न करता है। निष्क्रिय डैशबोर्ड या स्थिर फीडबैक के विपरीत, शिक्षाशासत एजेंट साक्ष्य-आधारित ट्यूटरिंग रणनीतियों — जैसे प्रतिपुष्टि देने से पहले शिक्षार्थी के स्व-मूल्यांकन को प्रेरित करना, या सुकरातीय संवाद के माध्यम से मड्गद समस्या समाधान — का उपयोग करते हैं। यह छाता अब एकल संवादी इंटेलिजेंट ट्यूटर से लेकर भूमिका-विशिष्ट एजेंटों के समूहों तक सब कुछ समेटे हुए है जो व्याख्यान देते हैं, मेंटर करते हैं, सहयोग को सुगम बनाते हैं, और यहाँ तक कि पाठ्यक्रम निर्माण का संचालन भी करते हैं — सब कुछ दशकों के इंटेलिजेंट-ट्यूटरिंग-सिस्टम अनुसंधान पर आधारित।

ज्ञान आधार में शिक्षाशासत एजेंट का अध्ययन कैसे किया जाता है

संवादी एजेंटों का डिज़ाइन और संरचना। एक बार-बार आता हुआ धागा यह है कि एजेंट कैसे संरचित हैं, न कि केवल वे किन मॉडलों पर चलते हैं। संवादी AI ट्यूटर ढाँचा तर्क देता है कि सिद्ध ITS तकनीकें — ज्ञान अनुरेखण, प्रभाव-पहचान, छात्र मॉडलिंग — जनरेटिव ट्यूटरों को आधार देनी चाहिए, निदान-पूर्ण रीढ़ को बनाए रखते हुए जबकि जनरेटिव-AI लचीला संवाद उपलब्ध कराए। बहु-एजेंट डिज़ाइन इसे और आगे बढ़ाते हैं: MAIC MOOC के "N छात्रों के लिए एक वीडियो" मॉडल को बड़े भाषा मॉडल (LLMs)-संचालित टीचर, असिस्टेंट, क्लासमेट और एनालाइज़र एजेंटों की कक्षा से बदलता है ताकि पैमाने पर व्यक्तिगत शिक्षण मिल सके, जबकि LecturaAgents एक व्यक्तित प्रोफेसर एजेंट जोड़ता है जिसका TASA एल्गोरिद्म दृश्यमान शिक्षण क्रियाओं (हस्तलेखन, हाइलाइटिंग) को शिक्षार्थी प्रोफ़ाइल के साथ संरेखित करता है। माता-पिता–बच्चे की ट्यूटरिंग भी ParaTutor में एक दो-एजेंट समस्या बन जाती है, जहाँ भूमिका-पृथक स्कैफ़ोल्डिंग माता-पिता को केंद्रीय रूप से शामिल रखता है, बजाय इसके कि एक सामान्य चैटबॉट उन्हीं की जगह ले ले। यही भूमिका-आधारित तर्क Instructional Agents में भी दिखता है, जहाँ टीचिंग फैकल्टी, डिज़ाइनर, TA और प्रोग्राम चेयर एजेंट ADDIE में सहयोग कर पाठ्यक्रम सामग्री बनाते हैं।

भूमिका-आधारित एजेंटों का एक पूरक उपयोग छात्र-शिक्षण के बजाय शिक्षक अभ्यास को लक्षित करता है: Mohne et al. (2026) शिक्षाशासत छात्र व्यक्तित्वों, वास्तविक पाठ्यक्रम सामग्री में आधारित स्मृति, और एक LLM-as-a-judge स्पीकर ओरेकल को जोड़ते हैं ताकि नए शिक्षक एक छोटे समूह अनुभाग का अभ्यास कर सकें — 254 वैकल्पिक सत्र, प्रत्येक औसतन लगभग 16 मिनट, प्रति सत्र लगभग $0.05–$0.10 पर।

शिक्षण बनाम समाधान व्यवहार। एक केंद्रीय अनुभवजन्य निष्कर्ष यह है कि उत्तर उत्पन्न करना शिक्षण-समर्थन नहीं है। LLM ट्यूटर सिखाते हैं या हल करते हैं, इसका मापन दिखाता है कि ट्यूटरिंग बेंचमार्क पर समाधान और शिक्षाशास्त्र स्कोर केवल कमजोर रूप से सहसंबद्ध हैं (आठ मॉडलों में r = 0.421), और तर्क देता है कि बेंचमार्क को शिक्षाशासत-उन्मुख मानदंडों — मार्गदर्शक प्रश्न, संतुलित संकेत, गैर-खुलासा करने वाली स्कैफ़ोल्डिंग — को अलग से रिपोर्ट करना चाहिए। यह ट्यूटरिंग-विशिष्ट बनाम सामान्य AI साक्ष्य के अनुरूप है: गार्डरेल वाले शिक्षाशासत रूप से डिज़ाइन किए गए ट्यूटर उन परीक्षा-स्कोर गिरावटों और दबाए गए तर्क को कम करते हैं जो कच्चे सामान्य-उद्देश्य चैटबॉट उत्पन्न करते हैं, और वांछनीय कठिनाइयों तथा उपयोगी संघर्ष को बनाए रखते हैं, उन्हें बीच में ही नहीं तोड़ते। फिर भी बेंचमार्क यह अधिक-आकलन कर सकते हैं कि स्कैफ़ोल्ड किए गए ट्यूटर भी वास्तविक दुनिया में कितने अच्छे काम करते हैं। LLM ट्यूटर में स्कैफ़ोल्डिंग पर पुनर्विचार पाता है कि असली छात्र बार-बार चैटबॉट के शिक्षाशासत ढाँचे को बायपास करते हैं, जो एजेंट के लक्ष्यों और शिक्षार्थी के अपने लक्ष्यों के बीच बेमेल का एक तर्कसंगत जवाब है — इसलिए अपनाना (uptake) का मूल्यांकन करना चाहिए, न कि इसे मान लेना चाहिए।

ट्यूटरिंग और सहयोग में भूमिका। एजेंट तेज़ी से उत्तर-दाताओं के रूप में नहीं, बल्कि सुगमकर्ताओं और मध्यस्थों के रूप में रखे जा रहे हैं। Niari का शिक्षाशासत मध्यस्थ ढाँचा सहयोगी शिक्षण में AI को एक अन्योन्यक्रियात्मक, ज्ञान-विषयक और नियामक मध्यस्थ के रूप में पुनर्विचारित करता है — सहभागिता और साझा शिक्षा में AI विनियमन को स्कैफ़ोल्ड करता है, बिना शिक्षक या शिक्षार्थी की सक्रियता को हटाए। ठोस रूप से, सहयोगी AI ट्यूटरिंग (ProPACT) स्वयं सहयोग को शिक्षण का विषय बनाता है, द्वि-सदस्यीय भंगों का 30 सेकंड पहले तक पूर्वानुमान लगाता है और न्यूनतम हस्तक्षेप वाली स्कैफ़ोल्ड देता है जो मेटाकॉग्निशन को बनाए रखती है। सुगमकर्ता के रूप में AI के साथ व्यक्तित अन्वेषण दिखाता है कि AI निर्मित मॉडल के अनुप्रयोग को सुगम बनाकर हाथों-से-करने वाले मॉडल निर्माण का पूरक बन सकता है, जबकि रोबोट-सहायित भाषा शिक्षण मेटा-विश्लेषण पाता है कि परिणाम इस बात पर अधिक निर्भर करते हैं कि शिक्षण में रोबोटिक एजेंट को कैसे स्थापित किया गया है (समूह-आधारित अन्योन्यक्रिया), न कि उसकी तकनीकी परिष्कृतता पर। क्या एजेंट की भूमिका ही पर्याप्त है, या उसे अपना व्यवहार अनुकूलित भी करना चाहिए — यह प्रश्न Liao (2026) उठाते हैं: एक प्राथमिक "बुक टॉक" अध्ययन में एक नियत "छात्र साथी" साथी ने लंबी अन्योन्यक्रियाएँ बनाए रखीं लेकिन छात्र की सक्रियता को दबाया और एक "भावनात्मक छत" (कमज़ोर भावनात्मक/भावी-उन्मुख चिंतन) पर पहुँचा, यह तर्क देते हुए कि भूमिका लेबलिंग को भूमिका-अनुकूली अन्योन्यक्रिया तर्क के साथ जोड़ना चाहिए, एक एकख़ट एक-भूमिका डिज़ाइन के बजाय।

नैतिकता प्रशिक्षण एजेंट (Seo et al., 2026) दिखाते हैं कि क्या होता है जब किसी शिक्षाशासत एजेंट को सिखाने के बजाय संचालन करने को कहा जाता है: एक LLM सुगमकर्ता जो बारी-विधि (15 सेकंड के हाथ-उठाने की खिड़कियों के साथ स्टैकिंग), समय प्रबंधन (9 मिनट के बाद समापन चरण पर स्वतः आगे बढ़ना), और वृद्धिशील बैच सारांशकरण संभालता है, ने प्रतिभागियों का संज्ञानात्मक बोझ घटाया और उन्हें यह अनुभव दिलाया कि चर्चा "पथ पर" है — एक प्रतिभागी ने इसे ChatGPT के साथ तुलना में अनुकूल रूप से अलग बताया, जो "अक्सर बेतरतीब लग सकता है या विचारों की प्रगति देखना कठिन बना सकता है।" यही अध्ययन व्यक्तित्व-आधारित एजेंटों की छत भी उजागर करता है: तीन अलग नैतिक-उन्मुखी एजेंटों को योगदान, विविधता और प्रभाव में मानव साथियों से काफ़ी कम रेट किया गया (Kruskal-Wallis p < .001), और प्रतिभागियों ने निष्कर्ष-उन्मुख आउटपुट के बजाय प्रक्रिया-उन्मुख ("एजेंट कैसे तर्क करता है") आउटपुट माँगा।

संवादी एजेंट कहाँ (और कहाँ नहीं) उपयोग होते हैं — छाती-समीक्षा की तस्वीर। संवादी AI एजेंटों की छाती समीक्षा (Ganguly et al. 2025, 34 समीक्षाएँ) CAI उपयोग को मात्रात्मक रूप दिखाती है: शिक्षण और शिक्षा-समर्थन (97.1% समीक्षाएँ), मनोवैज्ञानिक और प्रेरक समर्थन (91.2%), तथा मेटाकॉग्निशन और व्यक्तिगत विकास (88.2%) आगे हैं, जबकि प्रशासनिक समर्थन (50%), अनुसंधान और सूचना प्रबंधन (52.9%), और स्वास्थ्य/चिकित्सा समर्थन (41.2%) पीछे हैं। यह यह भी बताती है कि CAI अनुसंधान में अंत-से-अंत डिज़ाइन मार्गदर्शन, CAI-विशिष्ट उपयोगिता विधियों, और शिक्षक की भूमिका के लिए ठोस कक्षा-संचालन रणनीतियों का अभाव है — यह पुष्टि करते हुए कि शिक्षाशासत-एजेंट डिज़ाइन HCI-आधारित, साक्ष्य-आधारित और AI साक्षरता के प्रति सजग होना चाहिए।(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

भूमिका-उन्मुखी एक डिज़ाइन चर है, शैलीगत विकल्प नहीं। भौतिकी एजेंट तुलना (Wang et al. 2026, 59 शिक्षार्थी) प्रॉम्प्ट-निर्दिष्ट भूमिका को अलग करती है, मॉडल, प्लेटफ़ॉर्म और तापमान को स्थिर रखते हुए: एक शिक्षक-केंद्रित एजेंट जो सीमित पाठ्यपुस्तक स्रोत में आधारित है और शिक्षक के परिप्रेक्ष्य से उत्तर देता है, बनाम एक छात्र-केंद्रित एजेंट जो छात्रों की समझ के ज्ञान से विन्यस्त है और भ्रमों का निदान करने, संकल्पना का नाम बताने, और स्थानांतरण को एक समान प्रकरण में करने के लिए स्क्रिप्टेड है। छात्र-केंद्रित भूमिका हर मापे गए परिणाम पर जीती — पोस्ट-टेस्ट प्रदर्शन, कम बाह्य और अधिक सार्थक संज्ञानात्मक भार, प्रवाह अनुभव, और अनुभूत सहानुभूति — यद्यपि शिक्षक-केंद्रित एजेंट ही सटीकता और पाठ्यपुस्तक निष्ठा के लिए अनुकूलित था। यह भूमिका और अन्योन्यक्रिया पैटर्न को प्रॉम्प्ट और मॉडल चुनाव के साथ एक प्रथम-श्रेणी का डिज़ाइन पैरामीटर बनाता है, और दिखाता है कि सहानुभूति संवादी संरचना से इंजीनियर की जा सकती है, एक भिन्न रूप से प्रशिक्षित मॉडल से नहीं (अफ़ेक्टिव कंप्यूटिंग)।

लेखन इरादा संचालित शिक्षाशासत की गारंटी नहीं देता। जब 27 मिडिल स्कूल शिक्षकों ने एक शिक्षक-संमुख चैटबॉट लेखन उपकरण को विन्यस्त किया, तो 108 बॉट-स्तरीय मानदंड रेटिंगों के मूल्यांकन में पाया गया कि उत्पन्न उत्तर उत्तरदेहता (88.9%) और व्यक्तित्व (81.5%) के साथ नियमों (70.4%) या घोषित उद्देश्य (59.3%) से कहीं बेहतर संरेखित थे, जिसे लेखकों ने Norman के "निष्पादन की खाड़ी" और "मूल्यांकन की खाड़ी" के शिक्षाशासत रूपों के माध्यम से रखते हैं — केवल विन्यस्त योग्य नियंत्रणों ने शिक्षक का शिक्षणात्मक इरादा बॉट के व्यवहार में दृश्य नहीं बनाया (Riahi et al. (2026)).

इमर्सिव और विस्तारित-वास्तविकता वातावरण में एजेंट। Ross और Kaspar (2026) इस संकल्पना को विस्तारित वास्तविकता (AR, संवर्धित आभासी वास्तविकता और VR) तक ACLIME के साथ बढ़ाते हैं, एक संकल्पनात्मक ढाँचा जो — CAMIL, CATLM-VR और TICOL के विपरीत — एजेंट को मॉडल के भीतर रखता है। यह साहित्य से लिए गए दो अन्योन्यक्रिया मोड नामित करता है: ट्यूटर, जो मार्गदर्शन, प्रोत्साहन, चिंतनशील प्रश्न और व्याख्याएँ देता है, और भूमिका-निर्वाह करने वाला साझी, जो किसी परिदृश्य के भीतर एक निर्धारित भूमिका में रहता है जैसे जलवायु-परिवर्तन फील्ड ट्रिप पर एक स्थानीय या कॉर्पोरेट प्रशिक्षण में एक बातचीत का प्रतिपक्ष। एजेंट का शरीर (केवल सिर से पूरे शरीर तक) और व्यवहार को डिज़ाइन सतहों के रूप में माना जाता है: दृश्यमान बनाम व्यवहारिक यथार्थवाद, लचीला AI नियंत्रण बनाम नियत नियम-आधारित स्क्रिप्टिंग, संश्लेषित बनाम पूर्व-रिकॉर्ड किया गया भाषण, और गैर-मौखिक चैनल जिनमें दृष्टि, इशारा और प्रॉक्सिमिक्स शामिल हैं। इमर्शन और शरीर-आधारित अन्योन्यक्रिया को सामाजिक उपस्थिति के पीछे के सामाजिक संकेतों को गुणा करने वाला तर्क दिया गया है — व्यवहारिक यथार्थवाद, दृश्य यथार्थवाद नहीं, को निर्णायक पूर्वानुमेय प्रस्तावित किया गया है — जबकि शिक्षार्थी का अपना आभासी शरीर एक व्यक्तित्व आयाम जोड़ता है (शरीर स्वामित्व, आभासी स्वयं-शरीर सक्रियता, स्व-स्थान) और प्रोटीअस प्रभाव। ढाँचे का स्पष्ट समझौता संज्ञानात्मक है: इमर्शन और एजेंट की केवल उपस्थिति संज्ञानात्मक भार बढ़ा सकती है, भले ही एजेंट के साथ सामाजिक अन्योन्यक्रिया सामूहिक कार्यस्मृति प्रभाव के माध्यम से उसे घटाती है, और एक समयगत परत (परिचितकरण, परिपक्व मानव-एजेंट संबंध, नवीनता में गिरावट, साइबरसिकनेस का विकास) सामान्य डिज़ाइन चरों में जोड़ी गई है। इसकी स्थिति जानबूझकर अस्थायी है: अब तक लगभग कोई अनुभवजन्य कार्य इमर्सिव मीडिया में शिक्षाशासत एजेंटों का परीक्षण नहीं करता, और दीर्घकालिक शिक्षा परिणाम तथा शिक्षार्थी विशेषताएँ मॉडल के बाहर हैं।

मूल्यांकन और बेंचमार्क। किसी शिक्षाशासत एजेंट का मापन शिक्षाशासत का परीक्षण करना माँगता है, सामग्री का नहीं। द टीचिंग मॉन्स्टर चैलेंज शिक्षाशासत सामग्री ज्ञान का बेंचमार्क एजेंटों से एक निर्दिष्ट शिक्षार्थी व्यक्तित्व के लिए पाठ अनुकूलित कराकर करता है, और पाता है कि प्रणालियाँ सामग्री में मज़बूत हैं लेकिन उसके अनुकूलन में कमज़ोर — और यह उजागर करता है कि LLM-न्यायाधीश मज़बूत प्रणालियों को गलत क्रम में रखते हैं। EduAgentBench एजेंटों का मूल्यांकन व्यावसायिक शिक्षाशासत निर्णय, स्थित बहु-चरणीय ट्यूटरिंग, और कैनवास-शैली कार्यप्रवाह पूर्णता में करता है, और दिखाता है कि मॉडल व्यावसायिक शिक्षण मानकों से कम हैं। AI-जनित इंटरैक्टिव कथा एक डिज़ाइन-मूल्यांकन कोण जोड़ती है: छात्र अनुभव के लिए उपयोगिता को सुसंगति और क्विज़ एकीकरण सीमित करते हैं, जनरेशन क्षमता नहीं। कई चरणों में व्यक्तित्व मजबूती का तनाव-परीक्षण। Shouqi et al. (2026) ने भूमिका-निर्वाह करने वाले एजेंटों पर एक स्वचालित न्यायाधीश के साथ छह बढ़ते हुए हमले चलाए: बहु-रणनीति परीक्षण ने एकल-रणनीति आधार रेखा के मुकाबले मजबूती 0.17–0.20 कम की, और गंभीर विफलताएँ चरण 5–6 के बाद केंद्रित हुईं, इसलिए छोटे या एकल-चरण मूल्यांकन व्यक्तित्व स्थिरता और नैतिक अनुपालन का अधिक-आकलन करते हैं।

व्यावहारिक मार्गदर्शन

शिक्षार्थी की सक्रियता के लिए डिज़ाइन करें, मॉडल की सुविधा के लिए नहीं। कच्चे उत्तर-जनरेशन के ऊपर ट्यूटरिंग-विशिष्ट मड्गद, संकेतों, सुकरातीय प्रश्न, भ्रम-लक्ष्यीकरण को प्राथमिकता दें, क्योंकि समाधान और शिक्षण अलग होते हैं। एक ही सामान्य इंटरफ़ेस के बजाय उपयोगकर्ता भूमिका (माता-पिता बनाम बच्चा, साथी बनाम साथी) के अनुसार समर्थन वितरित करें, और सहयोग को स्कैफ़ोल्डिंग का एक वैध लक्ष्य मानें। यह न मान लें कि छात्र स्कैफ़ोल्डिंग अपनाएँगे; वास्तविक संदर्भों में अपनाने का मूल्यांकन करें। लेखन में मानव निगरानी शामिल करें — जैसा PromptDecipher बॉट उत्तरों की शिक्षक QA को एक प्रथम-श्रेणी की गतिविधि बनाकर करता है — और जहाँ गुणवत्ता बनी रहती है वहाँ सस्ते बैकएंड चुनें। शिक्षण और समाधान स्कोर अलग-अलग रिपोर्ट करें, और जनित सामग्री का उपयोगकर्ताओं से सत्यापन करें, न कि मान लें कि जनरेशन का अर्थ उपयोगिता है।

शिक्षार्थी की प्राथमिकता स्कैफ़ोल्डिंग गुणवत्ता का कमज़ोर प्रतिनिधि है: AI-समर्थित गणितीय मॉडलिंग में छात्र Peer और Teaching Assistant भूमिकाओं के साथ सर्वोत्तम प्रदर्शन करते थे, फिर भी उन्होंने अधिक निर्देशात्मक Tutor और Excellent Student भूमिकाओं को उपयोगिता और स्व-दक्षता में सर्वाधिक रेट किया (Zhu, Yang और Yang (2026))। कंप्यूटर-समर्थित सहयोगी शिक्षण में AI एजेंटों के 46 अध्ययनों की एक समीक्षा संज्ञानात्मक स्कैफ़ोल्डिंग, सामाजिक सुगमता और शिक्षणात्मक संचालन में अंतर करती है, और पाती है कि संज्ञानात्मक लाभ सुसंगत हैं जबकि व्यवहारिक, सामाजिक और भावनात्मक परिणाम संदर्भ-निर्भर हैं — इसलिए एजेंट का कार्य उसी परिणाम के लिए चुना जाना चाहिए जिसे उत्पन्न करना है (Ba et al. (2026))।

अन्य अवधारणाओं से संबंध

शिक्षाशासत एजेंट इंटेलिजेंट ट्यूटरिंग (उनकी ज्ञान अनुरेखण और छात्र मॉडलिंग की निदान-रीढ़) और जनरेटिव-AI/बड़े भाषा मॉडल (LLMs) (उनका वितरण इंजन) के चौराहे पर स्थित हैं। वे मड्गद और प्रतिपुष्टि को परिचालित करते हैं, मेटाकॉग्निशन और स्व-नियंत्रित अधिगम को लक्षित करते हैं, और तेज़ी से सहयोगी शिक्षा को लक्षित करते हैं। सुरक्षा चिंताएँ पाठ्य-सुरक्षा: शिक्षा में पेडागॉजिकल सेफ्टी, लेखन गुणवत्ता, और इस जोखिम में बार-बार आती हैं कि एजेंट शिक्षा का समर्थन करने के बजाय उसे अफ़लोड कर दें। यह सब AI शिक्षा मूल्यांकन और बेंचमार्क के माध्यम से मूल्यांकित होता है, जिन्हें केवल समाधान नहीं, शिक्षण मापना चाहिए।

महत्वपूर्ण रूप से, शिक्षाशासत एजेंटों का न्याय उनके शिक्षा लाभ से होता है, न कि इससे कि वे कितने धाराप्रवाह उत्तर देते हैं। ज्ञान आधार का साक्ष्य यह है कि एजेंट तब टिकाऊ लाभ पैदा करते हैं जब उन्हें स्कैफ़ोल्डिंग-विशिष्ट कोच के रूप में गार्डरेल के साथ डिज़ाइन किया जाता है — ट्यूटरिंग-विशिष्ट AI लगातार सामान्य-उद्देश्य चैटबॉट से बेहतर प्रदर्शन करता है — और शिक्षण को नुकसान पहुँचा सकते हैं जब वे शिक्षार्थी के प्रयास का स्थान लेते हैं (गार्डरेल RCT, LLM-निर्भरता और ग्रेड)। इसलिए किसी एजेंट के अधिगम लाभ का मापन असहाय, स्थानांतरणीय परिणाम मापदंडों से करना चाहिए, उपकरण-अंतर्गत प्रदर्शन से नहीं।

बेहतर फीडबैक बेहतर शिक्षण के समान नहीं है: किसी एजेंट को ज्ञान आधारों और कार्यप्रवाह के ज्ञान से अनुकूलित करने से फीडबैक की सटीकता और विशिष्टता बढ़ी लेकिन स्व-नियामक व्यवहार, शिक्षा अनुभव और परिणाम अपरिवर्तित रहे, और उसका लाभ-बेहतरि केवल निर्देशात्मक फीडबैक के तहत दिखा (Han et al. (2026))।

संबंधित अवधारणाएँ

• अधिगम लाभ
• पाठ्य-सुरक्षा: शिक्षा में पेडागॉजिकल सेफ्टी
• एजेंटिक AI
• शिक्षा में AI
• इंटेलिजेंट ट्यूटरिंग
• मड्गद
• मेटाकॉग्निशन
• प्रतिपुष्टि
• सहयोगी शिक्षा
• बड़े भाषा मॉडल (LLMs)
• जनरेटिव-AI
• छात्र अनुभव
• ज्ञान अनुरेखण
• स्व-नियंत्रित अधिगम
• मानव-लूप-में
• संज्ञानात्मक ऑफलोडिंग
• बेंचमार्क
• AI शिक्षा मूल्यांकन
• सकरात पद्धति
• शिक्षण

संबंधित लेख

• Comparing teacher-centered and student-centered agents based on prompt engineering: Effects on learning performance, cognitive load, flow experience, and empathy perception in physics learning — छात्र-केंद्रित एजेंट भूमिका प्रदर्शन, भार, प्रवाह और सहानुभूति में शिक्षक-केंद्रित भूमिका से बेहतर है (Wang et al. 2026)

• Learning with pedagogical agents in extended reality: A conceptual research-based framework of agent-centered learning in immersive media environments (ACLIME) — ACLIME: AR/VR में शिक्षाशासत एजेंटों के लिए संकल्पनात्मक ढाँचा — ट्यूटर बनाम भूमिका-निर्वाह साझी, यथार्थवाद, उपस्थिति, संज्ञानात्मक भार (Ross & Kaspar 2026)

• Face value: How avatar identity shapes epistemic trust in AI-mediated learning

• Artificial Intelligence and Student Engagement in Online Learning: A Literature Review

• AI-Generated Interactive Fiction for Educational Use: A Pilot Study of Perceived Comprehensibility, Coherence, and Engagement

• Embodied Inquiry with AI as Facilitator: An Exploratory Case Study

• Beyond Automation: AI as a Pedagogical Mediator in Collaborative Learning

• Adversarial Stress Testing of Role-Playing Language Agents using Multi-Agent Evaluation

• Findings of the First Teaching Monster Challenge: A Benchmark of Pedagogical Content Knowledge in AI Agents

• Advancing diagram-based reasoning in AI tutoring systems: a structural approach for STEM education

• TeachArena: Are Language Agents Ready for Realistic Teaching Work?

• From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents

• Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments

• LecturaAgents: A Multi-Agent Framework for Adaptive Personalized AI-Assisted Learning and Embodied Teaching

• Multimodality and Social Interactions in AI-Enhanced Embodied Robot-Assisted Language Learning: A Meta-Analysis

• Measuring Whether LLM Tutors Teach or Solve: A Diagnostic for Educational Impact

• ProPACT: A Proactive AI-Driven Adaptive Collaborative Tutor for Pair Programming

• The Path to Conversational AI Tutors: Integrating Tutoring Best Practices and Targeted Technologies to Produce Scalable AI Agents

• Instructional Agents: Reducing Teaching Faculty Workload through Multi-Agent Instructional Design

• The Evidence Base on AI in K-12: A 2026 Review

• ParaTutor: Coordinating Parent-Child Math Tutoring through Role-Separated LLM Scaffolding

• Agents That Teach: Towards Designing Incidental Learning Back into AI-Assisted Software Development

• PromptDecipher: Supporting AI Tutor Authoring Through Editable Simulated Interactions

• EducaSim: Interactive Simulacra for CS1 Instructional Practice — EducaSim: शिक्षणात्मक अभ्यास के लिए जनरेटिव छात्र एजेंट

• Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions — शिक्षा में संवादी AI एजेंटों की छाती समीक्षा

• Exploring Conversational Agents for Novice Programmers: A Scoping Review — नौसिखिया प्रोग्रामर के लिए संवादी एजेंटों की स्कोपिंग समीक्षा

• Artificial Intelligence Agents in Computer-Supported Collaborative Learning: A Systematic Literature Review — कंप्यूटर-समर्थित सहयोगी शिक्षण में AI एजेंटों की समीक्षा

• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — उपयोगी-विफलता-आधारित शिक्षण का समर्थन करने के लिए AI प्रणालियाँ डिज़ाइन करना

• Preferred Scaffolding Does Not Lead to Better Learning Performance: Empirical Evidence from AI-Supported Mathematical Modelling — AI-समर्थित गणितीय मॉडलिंग में पसंदीदा स्कैफ़ोल्डिंग

• Beyond the Traceback: Using LLMs for Adaptive Explanations of Programming Errors — प्रोग्रामिंग त्रुटियों के LLM अनुकूली स्पष्टीकरण

• Beyond a single role: Justifying a role-adaptive framework for AI companions through a comparative study in elementary book talk — प्राथमिक बुक टॉक के लिए भूमिका-अनुकूली AI साथी; नियत-भूमिका एजेंटों की भावनात्मक छत (Liao 2026)

• Ethics Training Agents: Facilitating Group-Based Ethics Education with Role-Playing and Discussion for Ethical Reflection and Exploration — नैतिकता प्रशिक्षण एजेंट: नैतिक चिंतन और अन्वेषण के लिए भूमिका-निर्वाह और चर्चा के साथ समूह-आधारित नैतिक शिक्षा को सुगम बनाना

• Will It Teach as Intended? How Teachers Configure Educational AI Chatbots — क्या यह इरादे के अनुसार सिखाएगा? शिक्षक शैक्षणिक AI चैटबॉट को कैसे विन्यस्त करते हैं

• The Effects of Agent Type and Feedback Style on Self-Directed Learning: A Mixed-Methods Study — अनुकूलित एजेंट ने फीडबैक गुणवत्ता बढ़ाई लेकिन स्व-नियमन या परिणाम नहीं; लाभ-बेहतरि केवल निर्देशात्मक फीडबैक के तहत