शिक्षाशास्त्रीय पैटर्न

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

शिक्षाशास्त्रीय पैटर्न — उन क्रमबद्ध गतिविधि-अनुक्रमों का संग्रह, जिन्हें इस ज्ञान-आधार में मौजूद शोध ने परीक्षण किया है, विशेष रूप से इस बात पर ध्यान देते हुए कि क्रम में कहाँ जनरेटिव AI प्रवेश करता है और कहाँ मानव निर्णय बना रहना आवश्यक है। जहाँ शिक्षाशास्त्र और शिक्षण रणनीतियाँ दृष्टिकोणों (सक्रिय शिक्षण, समस्या-आधारित शिक्षण, सहयोगात्मक शिक्षण) को सूचीबद्ध करता है और सीखने का डिज़ाइन यह वर्णन करता है कि एक पाठ्यक्रम किस प्रकार डिज़ाइन किया गया है, यहाँ यह सूचीबद्ध है कि छात्र और शिक्षक वास्तव में क्या करते हैं, किस क्रम में, और इसे आज़माने पर क्या हुआ। PAIRR — मसौदा, सहकर्मी समीक्षा, AI समीक्षा, चिंतन, पुनरीक्षण — इसका सर्वोत्तम प्रलेखित उदाहरण है, और इसके पीछे का पैटर्न सभी विषयों में पुनरावृत्त होता है: प्रयास पहले, AI बाद में, निर्णय के बिंदु पर मानव निर्णय।

विचार करने योग्य प्रश्न

• एक पैटर्न एक अनुक्रम है, कोई उपकरण नहीं। अपने किसी एक असाइनमेंट को लें और छात्र द्वारा किए गए चरणों का क्रम लिखें। उस क्रम में AI कहाँ मदद करेगा, और कहाँ वही काम करेगा जो छात्र से करवाना है?
• यहाँ कई पैटर्न जान-बूझकर AI को कमज़ोर भूमिका देते हैं — उत्तरों के बजाय संकेत, सुधारों के बजाय प्रश्न। जान-बूझकर कम सहायक ट्यूटर बेहतर शिक्षण क्यों उत्पन्न करेगा, और इसका आपके संस्थान द्वारा खरीदे जा रहे AI उपकरणों के बारे में क्या निहितार्थ है?
• इस पेज का सर्वोत्तम प्रमाणित पैटर्न (किसी AI को पढ़ाना — शिक्षण द्वारा अधिगम) छात्रों से व्याख्या करने को कहता है, और यह व्याख्या और प्रश्न-गुणवत्ता में सुधार करता है लेकिन वस्तुनिष्ठ स्मरण में नहीं। यदि आप इसे अपनाएँ, तो अपनी मूल्यांकन शैली में क्या बदलाव करेंगे?
• जब AI प्रतिक्रिया शिक्षक की प्रतिक्रिया से उच्च गुणवत्ता की थी, तब भी छात्रों ने अधिक पुनरीक्षण नहीं किया। यह प्रतिक्रिया उत्पन्न करने और छात्रों से उसका उपयोग करवाने के अंतर के बारे में क्या संकेत देता है?
• संदर्भ उत्तर बदल देते हैं: कुछ पैटर्न ऑनलाइन और असिंक्रोनस में परीक्षित हुए, अन्य प्रयोगशाला के साथ आमने-सामने। इनमें से किन्हें आप अपने परिवेश में नए उपकरणों के बिना चला सकते हैं, और किनके लिए ऐसी अवसंरचना चाहिए जो आपके पास नहीं है?
• यहाँ लगभग हर पैटर्न निर्णय के बिंदु पर एक मानव को बनाए रखता है — ग्रेडिंग, सत्यापन या व्याख्या में। यह एक डिज़ाइन विकल्प है, प्रमाण-आधारित आवश्यकता, या अब तक परीक्षित चीज़ों की एक सीमा?

परिचय

शिक्षाशास्त्र यह उत्तर देता है कि हमें कैसे पढ़ाना चाहिए; यह पेज एक संकुचित, अधिक क्रियात्मक प्रश्न का उत्तर देता है: चरण किस क्रम में होने चाहिए, और उस क्रम में AI की स्थिति कहाँ होनी चाहिए? यह अंतर महत्वपूर्ण है क्योंकि एक ही उपकरण क्रम में अपनी स्थिति के आधार पर विपरीत परिणाम उत्पन्न करता है। एक जनरेटिव-AI सहायक जो छात्र के किसी समस्या का प्रयास करने से पहले रखा जाए, वह बाद के बिना-सहायता प्रदर्शन को विश्वसनीय रूप से कम कर देता है; प्रयास के बाद रखा जाए, उत्तरों के बजाय संकेतों के साथ, तो उसी वर्ग की प्रणाली यह हानि हटा देती है।

नीचे प्रत्येक पैटर्न एक प्रमाण-स्थिति के साथ प्रस्तुत है, क्योंकि ज्ञान-आधार की कवरेज असमान है और यह अंतर हर उस व्यक्ति के लिए महत्वपूर्ण है जो यह निर्णय कर रहा है कि क्या अपनाना है:

• परीक्षित — कम से कम एक लेख एक नियंत्रित या तुलनात्मक परीक्षण की सूचना देता है।
• मिश्रित — परीक्षित, लेकिन नियंत्रण के बिना, विरोधाभासी परिणामों के साथ, या परीक्षित चर किसी अन्य चीज़ से उलझे हुए।
• डिज़ाइन प्रस्ताव — विचार केवल प्रस्ताव या ढाँचे के रूप में उपस्थित है, कोई परीक्षण सूचित नहीं। ये पेज के अंत में अलग से, डिज़ाइन प्रस्ताव (अभी परीक्षित नहीं) में एकत्र हैं, और ये प्रमाण नहीं हैं।

पैटर्नों को उस कार्य के आधार पर समूहीकृत किया गया है जो वे एक पाठ में निभाते हैं: सहायता से पहले प्रयास रखना, AI प्रतिक्रिया को मानव प्रतिक्रिया के साथ जोड़ना, आउटपुट के बजाय समझ का सत्यापन, शिक्षार्थी को शिक्षक बनाना, सहयोग की संरचना देना, और किसी विशिष्ट भ्रांति को सामना कराना। संदर्भ (ऑनलाइन, आमने-सामने, मिश्रित) और विषय प्रत्येक के साथ सूचित हैं, और अंत में सारांशित हैं।

प्रयास से पहले सहायता देने वाले पैटर्न

इन पैटर्नों में एक संरचनात्मक दावा साझा है: AI योगदान देने से पहले शिक्षार्थी को किसी प्रयास में प्रतिबद्ध होना चाहिए। यह ज्ञान-आधार का सर्वाधिक संगत रूप से समर्थित डिज़ाइन नियम है।

AI के उत्तर देने से पहले पुनर्प्राप्ति या प्रयास

प्रमाण: परीक्षित। अनुक्रम यह है: स्मृति से प्रयास करना, निर्देश या उदाहरण प्राप्त करना, अंतरालयुक्त सत्रों में अभ्यास करना, प्रयास में प्रतिबद्ध होने के बाद ही AI से परामर्श करना, प्रतिक्रिया-आश्रित प्रतिक्रिया प्राप्त करना जो भ्रांति की जाँच करती है, और केवल तभी आगे बढ़ना जब प्रतिक्रिया पर्याप्त संलग्नता दिखाए।

एक अनुकूली अंतरालयुक्त-पुनर्प्राप्ति शर्त ने उच्चतम पोस्टटेस्ट स्कोर (M = 78.19) उत्पन्न किए और एक मिश्रित सांख्यिकी पाठ्यक्रम में 89 छात्रों के बीच शिक्षार्थी-निर्देशित AI अध्ययन (M = 67.28, d = 0.92, p = .003) को उल्लेखनीय रूप से पछाड़ा, जबकि स्थिर अंतराल अनुकूली से सांख्यिकीय रूप से अपरिचित था (Akgun & Toker, 2026)। विपरीत मामला निर्णायक है: 120 छात्रों के एक यादृच्छिक प्रयोग में, जिस समूह ने अप्रतिबंधित ChatGPT के साथ अध्ययन किया, उसने 45 दिन बाद के एक आश्चर्य परीक्षण में कम धारण किया — 57.5% सही बनाम पारंपरिक शिक्षार्थियों के 68.5%, t(83) = −3.19, p = .002, d = 0.68 — और उसने लगभग 45% कम भी अध्ययन किया था, इस बुरी स्थिति के अध्ययन-समय सह-चर के बावजूद बने रहने पर (Barcaui, 2025)। एक ऑनलाइन MBA में प्री-पंजीकृत यादृच्छिक फील्ड प्रयोग ने पाया कि लाभ पूर्ण किए गए सप्ताहों के साथ चला, एक्सपोज़र के मिनटों के साथ नहीं (प्रत्येक अतिरिक्त पूर्ण ट्यूटरिंग सप्ताह पर +2.00 अंक, p = .018), जिसे अंतरालयुक्त अभ्यास की कुल समय से अधिक महत्वपूर्णता के रूप में पढ़ा गया (Yang et al., 2026)।

उत्पादक विफलता: निर्देश से पहले प्रयास

प्रमाण: मिश्रित, और इसकी प्रतिष्ठा से पतला। छात्र किसी अवधारणा पर एक समस्या का प्रयास करता है जो उसे पढ़ाई नहीं गई है, ट्यूटर समाधान रोककर कई प्रयास करवाता है, सहायता केवल सख्ती से आवश्यक होने पर आती है, और तुलना तथा प्रत्यक्ष निर्देश के साथ सुदृढ़ीकरण अनुसरण करता है।

एम लेखन के एक भाग के लिए पूर्ण अनुक्रम को निर्देशित ट्यूटर के साथ परीक्षित करने वाला एकमात्र फील्ड अध्ययन सिंगापुर के 17 हाई-स्कूल छात्रों का उपयोग करता है: निर्देशित शर्त ने उच्च उत्पादक-विफलता स्कोर प्राप्त किया, जो समस्या-संगतता के लिए महत्वपूर्ण था (p = .046), और छात्रों ने प्रति सत्र औसतन 2.6 प्रतिनिधित्व उत्पन्न किए (p = .05), लेकिन कोई शिक्षण परिणाम नापा नहीं गया (Puech et al., 2025)। सर्वाधिक समर्थन अप्रत्यक्ष है और 26 छात्रों के एक यादृच्छिक भीतर-विषय प्रयोग से आता है, जहाँ तत्काल-उत्तर मड्गद ने मॉडल अमूर्तता पर सहकर्मी, TA और ट्यूटर भूमिकाओं की तुलना में उल्लेखनीय रूप से खराब प्रदर्शन किया (β = −0.692, p = .015; β = −1.039, p < .001; β = −0.769, p = .005) भले ही छात्रों को निर्देशात्मक ट्यूटर अधिक पसंद आया — वरीयता दक्षता के विपरीत चली (Zhu et al., 2026)।

त्रुटि विश्लेषण और त्रुटिपूर्ण उदाहरण

प्रमाण: मिश्रित। छात्र किसी कलाकृति में त्रुटि का निदान करते हैं — संदर्भात्मक अखंडता का उल्लंघन करने वाली AI-जनित आरेख, एक जुड़ाव छोड़ने वाली क्वेरी, एक बड़े भाषा मॉडल (LLMs) कोड स्निपेट — ऐसे संकेत प्राप्त करते हैं जो उन्हें सुधार अनुमान लगाने के लिए विवश करते हैं बजाय सुधार सौंप देने के, उसे मरम्मत करते हैं, और इस पर चिंतन करते हैं कि आउटपुट के किन हिस्सों पर भरोसा नहीं किया जा सकता।

ऑनलाइन डेटाबेस पाठ्यक्रम में 13 छात्रों के एक पूर्व-पश्चात अध्ययन में स्कोर 7 में से 4.25 से 6.83 तक बढ़ा (t(12) ≈ 5.10, p < .001, d = 1.49), जो जान-बूझकर AI विफलता मामलों पर बनी साप्ताहिक समालोचना-और-परिष्कृत चक्रों का उपयोग करके हुआ, लेकिन नियंत्रण समूह के बिना इस लाभ को पाठ्यक्रम या प्रशिक्षक से अलग नहीं किया जा सकता (Hosseini, 2026)। 72 कंप्यूटिंग-शिक्षण अध्ययनों का एक व्यवस्थित समीक्षा सूचित करता है कि त्रुटि विश्लेषण एक अलग दक्षता है: छात्रों ने पारंपरिक प्रोग्रामिंग परीक्षा कार्यों की तुलना में LLM-जनित कोड सुधारने में उल्लेखनीय रूप से खराऔस प्रदर्शन किया (Kumar et al., 2026)। ज्ञान-आधार में कोई लेख त्रुटिपूर्ण-उदाहरण शिक्षण के स्वतंत्र रूप से नियंत्रित परीक्षण की सूचना नहीं देता।

स्व-व्याख्या के साथ हल किए गए उदाहरण

प्रमाण: मिश्रित — दोनों आधे अलग होते हैं। एक हल किया गया उदाहरण पूर्ण करने योग्य लापता औचित्यों के साथ अथवा खोजने योग्य त्रुटियों के साथ प्रस्तुत किया जाता है; छात्र इसे पूर्ण या मरम्मत करता है, अपने तर्क की व्याख्या करता है, और फिर अगली समस्या का प्रयास करता है।

एक कक्षा अध्ययन में 113 छात्रों के साथ अनुकूली रूप से निर्देशित और बगी उदाहरणों का असाइनमेंट करना यादृच्छिक समस्या-प्रकार असाइनमेंट को हराया (पोस्टटेस्ट M = 72.3 और 72.5 बनाम 65.7 नियंत्रण, A = .58, p = .005 और p = .002), और ज्ञान अनुरेखण प्रकार ने कम पूर्व ज्ञान छात्रों के लिए उपलब्धि अंतर को 77.1% तक संकीर्ण किया (β = 9.4, p = .001) (Dey Tithi et al., 2026)। लेकिन विस्तृत AI प्रतिक्रिया में स्व-व्याख्या चरण जोड़ना 302 प्रतिभागियों के एक प्री-पंजीकृत प्रयोग में हर माप पर हार गया: इसने प्रतिक्रिया समय दोगुना किया (4.1 बनाम 2.1 मिनट, p < .001), पूर्ण की गई समस्याएँ 40% कम कीं (2.0 बनाम 3.4, p < .001), प्रति एपिसोड कोई लाभ नहीं दिया (OR = 1.03, p = .486), और सत्र-अंत में दक्षता कम की (65% बनाम 79%, d = .41, p < .001) (Asher et al., 2025)।

AI प्रतिक्रिया को मानव प्रतिक्रिया के साथ जोड़ने वाले पैटर्न

AI प्रतिक्रिया के बारे में ज्ञान-आधार का सर्वाधिक पुनरुत्पादित निष्कर्ष यह है कि यह अकेले से बेहतर मानव प्रतिक्रिया के साथ मिलकर काम करती है — और यह उसकी गुणवत्ता नहीं है जो यह निर्धारित करती है कि छात्र इसे उपयोग करते हैं या नहीं।

PAIRR: चिंतन के साथ सहकर्मी और AI समीक्षा

प्रमाण: मिश्रित (व्यापक रूप से लागू, नियंत्रित नहीं)। छात्र यह पढ़ते और चिंतन करते हैं कि AI और प्रतिक्रिया कैसे काम करती है, मसौदा बनाते हैं, सहकर्मी समीक्षा देते और प्राप्त करते हैं, उसी मसौदे पर मापदंड-आधारित प्रतिक्रिया के लिए AI से प्रॉम्प्ट करते हैं, दोनों की तुलनात्मक आलोचना करते हैं, एक पुनरीक्षण योजना लिखते हैं, पुनरीक्षित करते हैं, और इस पर चिंतन करते हैं कि किस प्रतिक्रिया ने क्या बदला।

अब तक के विश्वविद्यालय छात्रों के AI प्रतिक्रिया उपयोग के सबसे बड़े अध्ययन ने दस लेखन पाठ्यक्रमों और तीन लेखन-गहन STEM पाठ्यक्रमों में 654 छात्रों का अनुसरण किया: 58% ने ChatGPT और सहकर्मी प्रतिक्रिया के संयुक्त रूप को वरीयता दी, 36% ने केवल सहकर्मी और केवल 6% ने केवल AI; 75% ने दोनों को समान और परस्पर पूरक पाया; AI प्रतिक्रिया को 31% ने "अत्यधिक सामान्य" कहा जबकि सहकर्मी प्रतिक्रिया 28% के लिए अधिक विशिष्ट थी; और केवल 5.3% ने AI प्रतिक्रिया में अतिरिक्त आत्मविश्वास दिखाया (Sperber et al., 2025)। मॉडल को एक उच्च-स्तरीय व्यापार लेखन पाठ्यक्रम में 34 छात्रों के साथ भी चलाया गया, जहाँ कोडित चिंतनों में लगभग एक चौथाई ने AI प्रतिक्रिया के बारे में संदेह या उसमें अशुद्धियों का उल्लेख किया (MacArthur et al., 2025)। दोनों धारणा डेटा सूचित करते हैं; दोनों में कोई नियंत्रण शर्त नहीं है, यही कारण है कि पैटर्न परीक्षित के बजाय मिश्रित है।

संयुक्त सहकर्मी और AI प्रतिक्रिया

प्रमाण: परीक्षित। तुलनात्मक प्रमाण PAIRR कार्यक्रम के बाहर से आता है। 122 चीनी EFL छात्रों के एक अर्ध-प्रयोग ने पाया कि AI-सह-सहकर्मी एकीकृत प्रतिक्रिया ने केवल-सहकर्मी प्रतिक्रिया के मुकाबले व्यवहारगत, affective, and cognitive संलग्नता बढ़ाई (सभी p < .001; आंशिक η² = 0.28, 0.28, 0.32) और लेखन सभी चार IELTS आयामों में सुधारा (F(1,119) = 42.68, p < .001, आंशिक η² = 0.26), सबसे अधिक कार्य-उपलब्धि पर (d = 1.41) — बिना विलंबित पोस्ट-टेस्ट, इसलिए टिकाऊपन अनापा (Liu, 2026)। 12 समूहों में 45 छात्र-शिक्षकों के एक यादृच्छिक अध्ययन में, GenAI-समर्थित सहकर्मी प्रतिक्रिया ने तर्क-वितर्क में साधारण सहकर्मी प्रतिक्रिया को हराया, और प्रॉम्प्ट-स्कैफोल्डेड प्रकार ने प्रतिपक्षी दृष्टिकोण के सम्बोधन और प्रत्युत्तर-डेटा जैसे उन्नत तत्वों पर सर्वोत्तम प्रदर्शन किया (Chang et al., 2026)।

AI आलोचना फिर पुनरीक्षण

प्रमाण: परीक्षित — एक महत्वपूर्ण शून्य परिणाम के साथ। मसौदा बनाएँ, रूब्रिक-आधारित प्रतिक्रिया के लिए AI से प्रॉम्प्ट करें, उस प्रतिक्रिया की रूब्रिक और स्रोतों के विरुद्ध आलोचनात्मक आकलन करें, एक पुनरीक्षण योजना लिखें, पुनरीक्षित करें, और चिंतन करें।

120 अंग्रेज़ी प्रमुख छात्रों के एक नियंत्रित 2 × 2 कारकीय प्रयोग ने पाया कि लेखन-गुणवत्ता लाभ उस समूह के लिए सर्वाधिक था जो फ़िल्टरिंग और आकलन दोनों में प्रशिक्षित था (M = 7.92), बनाम अन्य शर्तों के लिए 6.10, 4.56 और 3.10, गहन पुनरीक्षण 28% से बढ़कर 48% हुआ, और यह लाभ नए विषय पर और AI सहायता हटाए जाने के बाद भी बना रहा (Dai, 2026)। शून्य ही शिक्षाप्रद हिस्सा है: 70 छात्रों के एक यादृच्छिक तीन-समूह प्रयोग में, चेन-ऑफ-थॉट-प्रॉम्प्टेड AI प्रतिक्रिया zero-shot AI प्रतिक्रिया (p = .01) और शिक्षक प्रतिक्रिया (p = .008) दोनों से उल्लेखनीय रूप से उच्च गुणवत्ता थी, फिर भी इस गुणवत्ता लाभ ने अधिक पुनरीक्षण लाभ में अनुवाद नहीं किया — शिक्षक प्रतिक्रिया ने तुलनात्मक सुधार उत्पन्न किया (Farrokhnia et al., 2026)।

AI आउटपुट का मानव-पाश में समीक्षा

प्रमाण: मिश्रित — समीक्षा चरण शायद ही कभी परीक्षित चर होता है। AI मसौदा आउटपुट उत्पन्न करता है, स्वचालित सत्यापनकर्ता एजेंट इसे यथार्थता, पठनीयता या भ्रम के लिए जाँचते हैं, विफल जाँच परिष्कार के लिए वापस लूप करती है, और एक शिक्षक कुछ भी छात्रों तक पहुँचने से पहले समीक्षा, संपादन और स्वीकृति या अस्वीकृति करता है।

8 शिक्षकों के साथ एक चार-एजेंट लूप ने 212 समस्याएँ उत्पन्न कीं जिनमें से 166 को जैसी-की-तैसी स्वीकार किया गया, और यथार्थता जाँचें इच्छित रूप से काम कीं (10 यथार्थता समस्याएँ चिह्नित, 20 मात्रा या इकाई संपादन, अंतिम समस्या में कोई गणितीय त्रुटि नहीं मिली) — लेकिन रुचि-अनुकूलता कमज़ोर बिंदु थी, छात्रों ने 422 प्रतिक्रियाओं में से 160 में विषय अस्वीकार किया (Walkington et al., 2026)। 30 शिक्षकों द्वारा रेट किया गया एक शिक्षक-पाश में प्रतिक्रिया उपकरण नौ वस्तुओं पर कभी 4.1/5 से नीचे नहीं गया और प्रति असाइनमेंट माध्य समय 10–30 मिनट से 5 मिनट से कम कर दिया, लेकिन लेखक स्वीकारते हैं कि कोई छात्र मूल्यांकन नहीं है, इसलिए कोई शिक्षण दावा समर्थित नहीं है (Zhao et al., 2025)। एक रेड-टीम प्रयोग दांव को ठोस बनाता है: 5 प्रॉम्प्ट इंजेक्शन में से 2 ने बिना पकड़े एक ग्रेड बदला, 100% (9/9) और 94% (17/18) पर, शिक्षक को AI ग्रेडिंग आउटपुट पर एकमात्र वास्तविक जाँच के रूप में छोड़ते हुए (Humble, 2026)।

समझ को सत्यापित करने वाले पैटर्न, आउटपुट को नहीं

क्योंकि AI एक सक्षम कलाकृति उत्पन्न कर सकता है, ये पैटर्न मूल्यांकन को ऐसे प्रमाणों पर ले जाते हैं जो कलाकृति स्वयं नहीं दे सकती।

मौखिक और वiva सत्यापन

प्रमाण: एक प्रारूप के रूप में परीक्षित, लेकिन परिणाम स्कोर और प्रभाव के बारे में हैं, शिक्षण के नहीं। एक कोडिंग असाइनमेंट AI की अनुमति के साथ जमा किया जाता है, जिसके 48 घंटे के भीतर एक अनिवार्य 15-मिनट का मौखिक कोड समीक्षा अनुसरण करता है जिसमें छात्र प्रोग्राम समझाता है और एकीकरण परीक्षण लाइव चलाता है, समीक्षा पर 70% और रूब्रिक पर 30% ग्रेड किया गया।

96 छात्रों के एक तीन-सेमेस्टर अर्ध-प्रयोग ने नई नीतियों के बावजूद परीक्षा प्रदर्शन में कोई सांख्यिकीय रूप से महत्वपूर्ण परिवर्तन नहीं पाया (एक परीक्षा पर ~2% सुधार), जबकि चिपकाए गए कुल वर्णों का अनुपात 61.0% से 68.1% तक बढ़ा (p < 0.0001); 90% छात्रों ने कहा कि समीक्षाओं ने उन्हें अपना कोड बेहतर समझने के लिए प्रेरित किया और 65% ने कहा कि उन्होंने अति-निर्भरता टालने में मदद की (Fowles et al., 2026)। असिंक्रोनस रिकॉर्ड किए गए मौखिक उत्तर ने आमने-सामने बहुविकल्पीय की तुलना में उल्लेखनीय रूप से उच्च स्कोर उत्पन्न किए (मध्यावधि Md = 92.5 बनाम 70, p < .001; अंतिम Md = 94.2 बनाम 86.4, p = .002) केवल मध्यम क्रॉस-प्रारूप सहसंबंधों के साथ (τ = .44 और .25) — और लेखक चेतावनी देते हैं कि ये प्रारूप स्कोर अंतर हैं, शिक्षण लाभ का प्रमाण नहीं, चोरी करने के व्यवहार अनापे (Pentland et al., 2026)। दिशा एकसमान रूप से सकारात्मक नहीं है: छात्र चैट-आधारित viva में शांत थे (M = 6.50 बनाम 5.86, p = .028) लेकिन आमने-सामने viva को अपने काम को समझने के लिए उल्लेखनीय रूप से बेहतर रेट किया (p = .004) (Yusuf et al., 2026)।

चरणबद्ध चेकपॉइंट और प्रक्रिया प्रमाण

प्रमाण: मिश्रित — तंत्र स्वयं का कोई नियंत्रित परीक्षण नहीं। पाठ्यक्रम-कार्य चरणबद्ध मॉड्यूल के रूप में चलता है, प्रत्येक एक चेकपॉइंट पर समाप्त होता है जो आउटपुट और दृष्टिकोण दोनों को सत्यापित करता है — हार्डकोडिंग से पहुँचा सही परिणाम अस्वीकार कर दिया जाता है — एक पूर्व-प्रगति जाँच के साथ जो शिक्षार्थी को छोड़े गए चरणों पर लौटाती है।

स्व-गति वाले क्वांटम-सूचना पाठ्यक्रम में 5 स्नातक छात्रों के एक केस अध्ययन ने 75 इंटरैक्शन लॉग कीं और द्वि-आउटपुट-और-दृष्टिकोण चेकपॉइंट के इच्छित रूप से काम करने की पुष्टि की, नियंत्रण समूह के बिना (Elhaimeur & Chrisochoides, 2026)। स्टॉप-ब्लॉक चेकपॉइंट का उपयोग करने वाला एक 27-प्रतिभागी पायलट ने सभी दस मूल्यांकित कौशल क्षेत्रों में उल्लेखनीय स्व-प्रभावशीलता लाभ सूचित किए (p < 0.001) एक भीतर-विषय पूर्व-पश्चात डिज़ाइन में जहाँ लाभ को अभ्यास प्रभावों से अलग नहीं किया जा सकता (Naboulsi, 2026)। 248 जैव-चिकित्सा इंजीनियरिंग छात्रों के एक तीन-वर्षीय अर्ध-प्रयोग ने मील के पत्थर और रूब्रिक के साथ चार-मॉड्यूल समस्या-आधारित शिक्षण जोड़ने के बाद उच्च A-दर पाई (66.4% बनाम 39.1%, Δ = +27.3 अंक, p = 0.042), महामारी-प्रभावित वर्ष को बाहर करने के बाद भी बनी रही, लेकिन तुलना ऐतिहासिक और गैर-यादृच्छिक है (Nnamdi et al., 2026)।

शिक्षार्थी को शिक्षक बनाने वाले पैटर्न

एक AI tutee को पढ़ाने द्वारा अधिगम

प्रमाण: परीक्षित, और इस पेज का सर्वोत्तम प्रमाणित पैटर्न। छात्र सामग्री का अध्ययन करता है, फिर उसे एक AI को समझाता है जिसे नौसिखिया रुख अपनाने के लिए प्रॉम्प्ट किया गया है जो लक्ष्य व्याख्या कभी प्रकट नहीं करता; AI व्याख्याओं, उदाहरणों और सत्यापन तर्क के लिए पूछता है, निम्न- से उच्च-क्रम तक अनुक्रमित, और तब तक जारी रहता है जब तक व्याख्या संतोषजनक न हो।

68 प्री-सर्विस शिक्षकों के एक अर्ध-प्रयोग ने पाया कि एक GAI नौसिखिया शिक्षार्थी को समझाना उलटे वर्ग को परिभाषित करने में उच्च स्कोर रखा (M = 4.18 बनाम 3.29, p < 0.001, r = 0.474) और उसकी गतिविधियों में (M = 4.91 बनाम 3.06, p < 0.001, r = 0.642), अधिक और उच्च-गुणवत्ता प्रश्न उत्पन्न किए (दोनों p < 0.001) — लेकिन वस्तुनिष्ठ प्रश्नों पर कोई समूह अंतर नहीं दिखाया (M = 23.18 बनाम 21.57, p = 0.416) (Wang et al., 2026)। 41 छात्रों के एक यादृच्छिक प्रयोगशाला प्रयोग ने उच्च ज्ञान-परीक्षण स्कोर पाए (समायोजित 11.86 बनाम 10.53, F = 35.54, η² = 0.74) और स्पष्ट, अधिक पठनीय कोड, लेकिन कोड शुद्धता में कोई अंतर नहीं (Chen et al., 2024)। 546 छात्रों पर एक 11-सप्ताह की तैनाती ने पाया कि प्रत्येक अतिरिक्त गहन-अधिगम अधिक पूर्ण होने पर अपेक्षित क्विज़ प्रयासों में 2.7% की कमी संबद्ध थी (IRR 0.973, p < .001), तुलना समय-पर-कार्य और विलंबित-सेमेस्टर प्रतिरोध के द्वारा भ्रमित होने पर जो बाहरी सामग्री पुनर्उपयोग में 30–35% तक बढ़ा (Wang et al., 2026)। संगत आकार: व्याख्या और जनरेटिव कार्य में लाभ, वस्तुनिष्ठ स्मरण में नहीं।

सहयोग की संरचना देने वाले पैटर्न

एक साझा AI के साथ स्क्रिप्टेड भूमिकाएँ

प्रमाण: परीक्षित, लेकिन नियंत्रित या अनियंत्रित सेटिंग में, सामान्य कक्षाओं में नहीं। दो शिक्षार्थी एक AI साझा करते हैं और स्पष्ट भूमिकाएँ घूर्णन नियमों के साथ सौंपी जाती हैं; AI आवश्यकतानुसार एक भूमिका अपनाने के लिए विन्यस्त होता है और उसका आउटपुट पूरे समूह को जाता है। एक जोड़ी-प्रोग्रामिंग प्रकार में साझा AI जोड़ी के संयुक्त ध्यान और प्रयास का मॉडल बनाता है, 30 सेकंड पहले तक टूटने की भविष्यवाणी करता है, और कुछ न करने से निर्देशात्मक संकेत तक स्तरित स्कैफोल्ड बढ़ाता है।

26 जोड़ियों के एक भीतर-विषय प्रयोग ने पाया कि प्रतिक्रिया शर्त ने उच्च डिबगिंग सफलता प्राप्त की (t[49.96] = −13.51, p < .0001) और तेज़ी से समाप्त किया (t[44.70] = 4.39, p < .0001), हालाँकि इसमें दोहरी आँख-ट्रैकिंग और प्यूपिलोमेट्री हार्डवेयर चाहिए था और अनियंत्रित जोड़ी कार्य में स्थानांतरण का परीक्षण नहीं हुआ (Golrang et al., 2026)। 16 समूहों में 58 स्नातक छात्रों के एक अर्ध-प्रयोग ने पाया कि भूमिका डिज़ाइन ने 1–5 SOLO पैमाने पर माइंड-मैप सामग्री स्कोर 3.65 से 4.59 तक बढ़ाए (z = 3.771, p < 0.001) जबकि नोड और शाखा संख्याएँ समान रहीं — लेकिन नियंत्रण समूह के बिना, अभ्यास प्रभावों को बाहर नहीं किया जा सकता (Cheng et al., 2026)।

AI-सहायित चर्चा

प्रमाण: मिश्रित — एकमात्र प्रत्यक्ष कार्यान्वयन एक केस विवरण है। छात्र एक परिदृश्य का विश्लेषण करते हैं और निर्देशित प्रश्नों का उत्तर स्वतंत्र रूप से देते हैं, उन्ही प्रश्नों पर एक मानकीकृत प्रॉम्प्ट के साथ ChatGPT से प्रॉम्प्ट करते हैं, अपने उत्तरों के विरुद्ध सटीकता के लिए AI प्रतिक्रियाओं का मूल्यांकन करते हैं, अपना उत्तर परिष्कृत करते हैं, और एक पूर्ण-कक्षा चर्चा के साथ समाप्त करते हैं।

अर्थशास्त्र गतिविधि जान-बूझकर एक AI त्रुटि का शोषण करती है — ChatGPT गीत में दिखाए व्यवहार को "पूर्णतया लोचदार" माँग कहता है जबकि सही उत्तर अलोचदार है — AI आउटपुट के सत्यापन को चर्चा में बदल देती है (Beck & Brodersen, 2025)। यह प्रशिक्षक प्रभाव सूचित करता है, कोई नापा परिणाम नहीं। 67 शिक्षक-शिक्षा छात्रों के एक परीक्षित सहयोगी-चर्चा अनुक्रम ने पाया कि प्रायोगिक समूह ने एक व्याख्यान नियंत्रण को हराया (M = 51.45 बनाम 43.89, p = 0.001, g = 0.839) सह-नियमन बढ़ने पर (p = 0.043, g = 0.512) — लेकिन AI का उपयोग तकनीक को डिज़ाइन करने में हुआ, चर्चा को मध्यस्थता करने में नहीं (Tutal, 2026)।

किसी विशिष्ट भ्रांति को सामना कराने वाले पैटर्न

खंडन और संकल्पनात्मक परिवर्तन

प्रमाण: परीक्षित — सीधे विरोधाभासी परिणामों के साथ। शिक्षार्थी की विशिष्ट विश्वास प्राप्त करें, एक खंडन पाठ या एक व्यक्तिगत AI संवाद प्रस्तुत करें जो उसका सामना करता है, प्रतिपक्ष-प्रमाण और सही व्याख्या के साथ संलग्न हों, सही अवधारणा का पुनर्कथन करें, फिर विलंब के बाद पुनः परीक्षण करें।

375 वयस्कों के एक प्री-पंजीकृत प्रयोग ने पाया कि व्यक्तिगत भ्रांति AI संवाद ने पाठ्यपुस्तक-शैली खंडन और तटस्थ AI संवाद दोनों की तुलना में उल्लेखनीय रूप से बड़ा तत्काल विश्वास-निर्मूलन उत्पन्न किया, 10 दिनों तक बना रहा लेकिन 2 महीनों तक पाठ्यपुस्तक खंडन के साथ अभिसरित हुआ (Corbett & Tangen, 2026)। 413 दसवीं कक्षा के छात्रों के एक सॉलोमन चार-समूह अर्ध-प्रयोग ने विपरीत पाया: विशेषज्ञ-लिखित और AI-जनित संकल्पनात्मक-परिवर्तन पाठ दोनों इंटरैक्टिव ChatGPT संवाद से उल्लेखनीय रूप से अधिक प्रभावी थे, जिसने नियंत्रण पर कोई महत्वपूर्ण लाभ नहीं दिखाया, और लाभ लगभग विशेष रूप से उच्च-उपलब्धि वाले छात्रों तक सीमित थे (Akdogan, 2025)। दूसरा पत्र विरोधाभास को स्पष्ट रूप से चिह्नित करता है और उसे प्रॉम्प्ट डिज़ाइन और क्षेत्र के लिए जिम्मेदार ठहराता है। खंडन पाठ ने दोनों में नियंत्रण को हराया।

संदर्भ और विषय

पैटर्न यह निर्धारित करता है कि संदर्भ क्या आवश्यकता करता है, और कई पैटर्न केवल एक सेटिंग में परीक्षित हुए:

• ऑनलाइन और असिंक्रोनस। पुनर्प्राप्ति और अंतराल, सुकरातीय प्रकार, स्व-व्याख्या के साथ हल किए गए उदाहरण, प्रॉम्प्ट-स्कैफोल्डेड उपयोग, असिंक्रोनस मौखिक मूल्यांकन, और शिक्षण-द्वारा-अधिगम तैनातियाँ। असिंक्रोनस सेटिंग अनुक्रमण को भार-वहन करने वाला बनाती है, क्योंकि प्रणाली नहीं देख सकती कि छात्र ने पहले प्रयास किया या नहीं।
• आमने-सामने और मिश्रित। उत्पादक विफलता, त्रुटि विश्लेषण, उलटे प्रकार, मौखिक कोड समीक्षा, स्क्रिप्टेड सहयोग, और संकल्पनात्मक-परिवर्तन अध्ययन। कक्षा समय अक्सर पुनर्आवंटित होता है बजाय प्रतिस्थापित होने के — मौखिक-समीक्षा पैटर्न में, व्याख्यान वीडियो में चले गए ताकि कक्षा समय साक्षात्कार रख सके।
• परीक्षित प्रमाण में प्रस्तुत विषय। लेखन और भाषा अधिगम (PAIRR, संयुक्त सहकर्मी और AI प्रतिक्रिया, AI आलोचना फिर पुनरीक्षण), गणित (पुनर्प्राप्ति और अंतराल, उत्पादक विफलता, हल किए गए उदाहरण, त्रुटि विश्लेषण), कंप्यूटर विज्ञान (सुकरातीय सहायक, त्रुटि विश्लेषण, मौखिक कोड समीक्षा, शिक्षण द्वारा अधिगम, स्क्रिप्टेड जोड़ी कार्य), चिकित्सा (नैदानिक साक्षात्कार में सुकरातीय स्कैफोल्डिंग), शिक्षक शिक्षा (स्क्रिप्टेड तर्क-वितर्क, शिक्षण द्वारा अधिगम), व्यापार (उलटा MBA ट्यूटरिंग), और भौतिकी, विज्ञान और व्यावसायिक सेटिंग संकल्पनात्मक-परिवर्तन और मौखिक-मूल्यांकन अध्ययनों के लिए।

प्रमाण अभी तक जिन चीज़ों का समर्थन नहीं करता

साफ़ कहा गया, क्योंकि ये वे निष्कर्ष हैं जो सबसे अधिक संभावना है कि चुपचाप छोड़ दिए जाएँ:

• बेहतर AI प्रतिक्रिया अधिक पुनरीक्षण नहीं उत्पन्न करती। उच्च-गुणवत्ता चेन-ऑफ-थॉट प्रतिक्रिया ने गुणवत्ता में शिक्षक प्रतिक्रिया को हराया और कोई पुनरीक्षण लाभ नहीं उत्पन्न किया (Farrokhnia et al., 2026)।
• सुकरातीय प्रश्न स्वतः बेहतर नहीं है। 132 छात्रों के एक यादृच्छिक प्रयोग ने पाया कि पूर्ण संदर्भ के साथ सुकरातीय सहायक को कार्य पूर्णता के समर्थन में सभी अन्य विन्यासों की तुलना में उल्लेखनीय रूप से खराब रेट किया गया (माध्य रैंक 48.63, μ = 3.53, बनाम 4.27, 4.16 और 4.12; χ²(3) = 12.14, p = .007), सबसे अधिक बाहरी LLM उपयोग (23%) और सबसे कम पूर्ण-समझ प्रतिक्रियाओं के साथ (48% बनाम 67%) (Eastwood et al., 2026) — जबकि एक चिकित्सा RCT ने पाया कि एक बहु-एजेंट प्रणाली जिसमें एक सुकरातीय ट्यूटर है ने परीक्षा और संचार स्कोर पर अपने नियंत्रण को हराया (Yang et al., 2026)।
• छात्र कम प्रभावी भूमिका को वरीयता देते हैं। निर्देशात्मक ट्यूटरिंग को वरीयता दी गई जबकि तत्काल-उत्तर स्कैफोल्डिंग ने मॉडल अमूर्तता कम की (Zhu et al., 2026)।
• सत्यापन प्रारूप स्कोर बदलते हैं बिना शिक्षण प्रदर्शित किए। मौखिक प्रारूपों ने स्कोर बढ़ाए और चिंता कम की जबकि एक अध्ययन ने समझने के लिए आमने-सामने बेहतर पाया, और किसी अध्ययन ने चोरी करने का मापन नहीं किया।
• कोई नियंत्रित परीक्षण AI आउटपुट के मानव समीक्षा को अलग नहीं करता, और चेकपॉइंट तंत्र को कभी भी हेरफेर किए गए चर के रूप में परीक्षित नहीं किया गया।
• उत्पादक विफलता और त्रुटि विश्लेषण छोटे, अनियंत्रित अध्ययनों पर टिके हैं (n = 17 और n = 13) जो रणनीति निष्ठा या स्व-रिपोर्ट नापते हैं, शिक्षण परिणाम नहीं।

डिज़ाइन प्रस्ताव (अभी परीक्षित नहीं)

नीचे के पैटर्न ज्ञान-आधार अनुरक्षक द्वारा दिए गए एक संकाय मार्गदर्शिका (AI-Ready Course Design, सितंबर 2026) से आते हैं। वह मार्गदर्शिका स्पष्ट रूप से कहती है कि उसके उदाहरण डिज़ाइन प्रस्ताव हैं, परीक्षित हस्तक्षेप नहीं, और इस ज्ञान-आधार में कोई लेख उन्हें परीक्षित नहीं करता। ये यहाँ आज़माने और मूल्यांकित करने योग्य डिज़ाइन विचारों के रूप में दर्ज हैं, और इन्हें प्रमाण के रूप में नहीं पढ़ा जाना चाहिए।

• तर्क + पुनरीक्षण पगडंडी (रचना, मानविकी)। एक निबंध-मात्र जमा को प्रारंभिक थीसिस, दो टिप्पणीयुक्त स्रोत अनुच्छेद, एक पुनरीक्षित निबंध और एक 150-शब्दीय निर्णय टिप्पणी से बदलें; पहले मसौदे के बाद AI आलोचना की अनुमति दें। दावा–प्रमाण संबंध और स्रोतों के विरुद्ध औचित्यपूर्ण एक स्वीकृत या अस्वीकृत सुझाव का आकलन करें।
• डेटा + तर्कित दावा (विज्ञान, प्रयोगशाला पाठ्यक्रम)। एक चिकना प्रयोगशाला रिपोर्ट को कच्चे प्रेक्षणों, एक ग्राफ़, एक अनिश्चितता टिप्पणी और परिणामों को दावे से जोड़ने वाली व्याख्या से बदलें; AI किसी दी गई व्याख्या की आलोचना कर सकता है, और छात्र उस आलोचना को अपने डेटा के विरुद्ध सत्यापित करते हैं।
• प्रयास + त्रुटि विश्लेषण (प्री-कैलकुलस, कैलकुलस)। केवल-उत्तर होमवर्क को एक प्रारंभिक प्रयास, एक दोषपूर्ण हल किए गए समाधान का विश्लेषण, और एक सुधरी व्याख्या से बदलें; संकेत केवल प्रयास के बाद अनुमत हैं। यह ऊपर के त्रुटि-विश्लेषण पैटर्न का डिज़ाइन रूप है, और यह उस पैटर्न के कमज़ोर प्रमाण आधार को विरासत में लेता है।
• स्थिति + चुनौती + पुनर्विचार (मनोविज्ञान, समाजशास्त्र)। "एक बार पोस्ट करें, दो बार उत्तर दें" को एक पाठ्यक्रम अवधारणा का उपयोग करते हुए केस-आधारित दावे से बदलें; एक सहकर्मी एक प्रतिदृष्टांत प्रदान करता है और लेखक प्रमाण के साथ पुनरीक्षित या बचाव करता है।
• परियोजना + जुड़ी हुई जाँच (व्यापार, स्वास्थ्य व्यवसाय)। एक काल्पनिक संगठन या रोगी केस के लिए AI-अनुमत सिफ़ारिश को दो प्रमुख निर्णयों के संक्षिप्त विवरण और एक बदली गई बाधा के प्रति प्रतिक्रिया के साथ जोड़ें; दो घटकों के बीच ग्रेडिंग संबंध प्रकाशित करें।
• योजना + आज़माएँ + अनुकूलित करें (महाविद्यालय सफलता)। एक सामान्य समय-प्रबंधन चिंतन को एक सप्ताह के अध्ययन योजना, उसे आज़माने का संक्षिप्त रिकॉर्ड, और जो हुआ उससे जुड़ा एक पुनरीक्षण से बदलें; छात्र बाधाओं की पहचान करने के बाद AI समय-सारणी विकल्प सुझा सकता है।

मार्गदर्चन की अपनी चेतावनियाँ लागू होती हैं: रिकॉर्ड किया गया वीडियो, चिंतन और लॉग स्वयं AI-सहायित हो सकते हैं, इसलिए पूर्णतः असिंक्रोनस पाठ्यक्रमों में एक रिकॉर्डिंग को स्वतंत्र दक्षता के सत्यापन के रूप में नहीं माना जाना चाहिए। इसके दो ढाँचे — मूल्यांकन जुड़वाँ और एक धोखा रोकक के रूप में असिंक्रोनस मौखिक मूल्यांकन — प्रमाणीकरण की प्रतीक्षा में ढाँचे बने हुए हैं; ऊपर उद्धृत असिंक्रोनस मौखिक-मूल्यांकन अध्ययनों ने प्रारूप स्कोर नापे और धोखा बिल्कुल नहीं नापा।

संबंधित अवधारणाएँ

• शिक्षाशास्त्र और शिक्षण रणनीतियाँ — शिक्षण दृष्टिकोणों का छाता जिसे यह पेज अनुक्रमों में क्रियात्मक बनाता है
• सीखने का डिज़ाइन — जहाँ पैटर्न चुने जाते हैं, क्रमबद्ध होते हैं और एक पाठ्यक्रम में एम्बेड किए जाते हैं
• मड्गद — सहायता-और-क्षीणन का सिद्धांत जो नियंत्रित करता है कि AI सहायता कहाँ आती है
• प्रतिपुष्टि — वह प्रणाली जिसे इस पेज के प्रतिक्रिया पैटर्न उदाहरण देते हैं
• निर्माणकारक मूल्यांकन — वह मूल्यांकन उद्देश्य जिसकी इनमें से अधिकांश पैटर्न सेवा करते हैं
• सहकर्मी मूल्यांकन — PAIRR और संयुक्त-प्रतिक्रिया पैटर्न का मानव आधा हिस्सा
• एआई फीडबैक की गुणवत्ता — यह कि प्रतिक्रिया गुणवत्ता अकेले पुनरीक्षण को निर्धारित क्यों नहीं करती
• मूल्यांकनात्मक निर्णय — वह आकलन जो छात्रों को AI आउटपुट पर करना चाहिए
• फीडबैक साक्षरता — वह क्षमता जो आलोचनात्मक-आकलन चरण बना रहे हैं
• मानव-लूप-में — समीक्षा पैटर्न की निगरानी संरचना
• मौखिक आकलन — सत्यापन पैटर्न के अंतर्निहित प्रारूप
• प्रोसेस-ओरिएंटेड असेसमेंट — चरणबद्ध चेकपॉइंट के पीछे का तर्क
• उत्पादक विफलता — प्रयास-से-पहले-निर्देश के पीछे की अवधारणा
• पुनर्प्राप्ति, अंतराल और प्रक्षेपण — अंतरालयुक्त पुनर्प्राप्ति पैटर्न का प्रमाण आधार
• वांछनीय कठिनाइयाँ — यह कि प्रयासपूर्ण अनुक्रम प्रवाही अनुक्रमों को क्यों पछाड़ते हैं
• एआई के बारे में गलतफहमियाँ — वह जिस पर संकल्पनात्मक-परिवर्तन पैटर्न निशाना लगाते हैं
• खंडन पाठ — भ्रांति सामना करने का पाठ रूप
• पढ़ाकर सीखना — AI-tutee पैटर्न के पीछे का शिक्षाशास्त्र
• सकरात पद्धति — प्रश्न पैटर्न और उसका विरोधाभासी प्रमाण
• सहयोगी शिक्षा — स्क्रिप्टेड साझा-AI कार्य का संदर्भ
• संज्ञानात्मक ऑफलोडिंग — वह जोखिम जिससे बचने के लिए हर प्रयास-पहले पैटर्न डिज़ाइन किया गया है
• मेटाकॉग्निशन — वह जो इन अनुक्रमों में चिंतन चरण प्रेरित करना चाहते हैं
• प्रॉम्प्ट इंजीनियरिंग — संरचित-उपयोग पैटर्न में स्कैफोल्डिंग परत
• सीखने का अंतरण — वह परिणाम जिस पर अधिकांश पैटर्नों का अंतिम निर्णय किया जाता है
• मूल्यांकन की वैधता — वह कारण जिससे प्रक्रिया प्रमाण पहले प्रस्तावित है
• शैक्षणिक इमानदारी — मौखिक और प्रक्रिया सत्यापन के पीछे का प्रेरक
• AI साक्षरता — वह क्षमता जो AI आउटपुट की आलोचना से विकसित होती है
• ऑनलाइन शिक्षण और अधिगम — वह संदर्भ जो अनुक्रमण को भार-वहन करने वाला बनाता है
• उच्च शिक्षा — वह स्तर जहाँ इस प्रमाण का अधिकांश भाग उत्पन्न हुआ
• K-12 — उत्पादक-विफलता, संकल्पनात्मक-परिवर्तन और मौखिक-मूल्यांकन अध्ययनों का स्तर

संबंधित लेख

• Peer and AI Review + Reflection (PAIRR): A Human-Centered Approach to Formative Assessment — सहकर्मी और AI समीक्षा + चिंतन (PAIRR): प्रमुख अनुक्रम, N = 654 (Sperber et al. 2025)
• GIFT-AI: Teaching the Game and Leveling the Field: Peer and AI Review + Reflection in a Business Writing Course — एक व्यापार लेखन पाठ्यक्रम में लागू PAIRR (MacArthur et al. 2025)
• AI-peer integrated feedback in second language writing classes: exploring students' engagement and writing performance — एकीकृत AI-सह-सहकर्मी प्रतिक्रिया ने संलग्नता और सभी चार IELTS आयाम बढ़ाए (Liu 2026)
• Leveraging generative AI to facilitate peer feedback in collaborative argumentation learning — सहयोगी तर्क-वितर्क में प्रॉम्प्ट-स्कैफोल्डेड GenAI सहकर्मी प्रतिक्रिया (Chang et al. 2026)
• Dai (2026) — छात्रों को AI प्रतिक्रिया फ़िल्टर और आकलन करना सिखाना: FRAC और APCA शर्तें
• Generative AI offers more, but students revise less: comparing the effects of teacher and AI feedback on student essay revisions — उच्च-गुणवत्ता AI प्रतिक्रिया ने कोई अधिक पुनरीक्षण लाभ नहीं उत्पन्न किया (Farrokhnia et al. 2026)
• Guardrails or Roadblocks? Effects of Pedagogical Style and Context Awareness in AI Teaching Assistants for Programming — सुकरातीय और पूर्ण संदर्भ को हर अन्य सहायक विन्यास से खराब रेट किया गया (Eastwood et al. 2026)
• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — नैदानिक साक्षात्कार प्रशिक्षण में आवश्यकता-ट्रिगर सुकरातीय स्कैफोल्डिंग, N = 100 (Yang et al. 2026)
• Analyzing Undergraduate Problem-Solving in Physics Through Interaction With an AI Chatbot — परिचयात्मक यांत्रिकी में सुकरातीय चैटबॉट: प्रश्न विशिष्टता 10–15% से 100% तक बढ़ी (Hashmi et al. 2025)
• The Effects of Agent Type and Feedback Style on Self-Directed Learning: A Mixed-Methods Study — स्व-निर्देशित अधिगम में सुकरातीय बनाम निर्देशात्मक एजेंट प्रतिक्रिया, क्रम प्रतिसंतुलित नहीं (Han et al. 2026)
• Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study — अनुकूली अंतरालयुक्त पुनर्प्राप्ति ने शिक्षार्थी-निर्देशित AI अध्ययन को हराया (Akgun & Toker 2026)
• ChatGPT as a cognitive crutch: Evidence from a randomized controlled trial on knowledge retention — अध्ययन के दौरान अप्रतिबंधित ChatGPT ने 45-दिन की धारण कम की (Barcaui 2025)
• When AI Tutors Speak: Evidence from a Randomized Field Experiment — संरचित ट्यूटरिंग लाभ पूर्ण सप्ताहों के साथ चले, मिनटों के साथ नहीं (Yang et al. 2026)
• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content — उदाहरण बनाम अभ्यास ज्ञान प्रकार के अनुसार क्रॉस ओवर करते हैं (Rachatasumrit et al. 2025)
• Adaptive Scaffolding for Cognitive Engagement in an Intelligent Tutoring System — एक बुद्धिमान तर्क ट्यूटर में अनुकूली निर्देशित और बगी उदाहरण (Dey Tithi et al. 2026)
• Benefit or Bottleneck? Assessing the Impact of Structured Reflection on Learning from AI-Driven Explanatory Feedback — AI प्रतिक्रिया में स्व-व्याख्या जोड़ना हर माप पर हार गया (Asher et al. 2025)
• Generative AI without guardrails can harm learning: Evidence from high school mathematics — संरक्षित ट्यूटरिंग ने असुरक्षित GPT के कारण परीक्षा हानि हटाई, ~1,000 छात्र (Bastani et al. 2025)
• Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics — सांख्यिकी में निर्देशित बनाम अप्रतिबंधित LLM उपयोग (Amanlou et al. 2026)
• Preferred Scaffolding Does Not Lead to Better Learning Performance: Empirical Evidence from AI-Supported Mathematical Modelling — तत्काल-उत्तर स्कैफोल्डिंग ने मॉडल अमूर्तता कम की और पसंद की गई (Zhu et al., 2026)
• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — उत्पादक विफलता के लिए समाधान रोकने हेतु एक LLM ट्यूटर को निर्देशित करना (Puech et al., 2025)
• The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking — जान-बूझकर AI विफलता मामलों पर बनी साप्ताहिक समालोचना-और-परिष्कृत चक्र (Hosseini 2026)
• Generative AI in computing education: A systematic review and a framework for responsible integration — एक अलग दक्षता के रूप में त्रुटि विश्लेषण, 72 कंप्यूटिंग-शिक्षण अध्ययनों में (Kumar et al., 2026)
• Clue before correction: ChatGPT-enhanced strategy for promoting autonomous and reflective language learning — L2 पुनरीक्षण में सीधे त्रुटि सुधार के बजाय निर्देशित संकेत (Lukešová & Jennings 2026)
• The Contribution of Generative Artificial Intelligence as a Novice Learner to Students in the Learning by Teaching Model — एक AI नौसिखिया शिक्षार्थी को समझाना, N = 68 (Wang et al., 2026)
• Learning-by-Teaching with ChatGPT: The Effect of a Teachable ChatGPT Agent on Programming Education — प्रोग्रामिंग में एक ChatGPT एजेंट को पढ़ाने का यादृच्छिक परीक्षण (Chen et al., 2024)
• Turning 500+ Students into Teachers: A Semester-Long Study of an AI Teachable Agent in an Undergraduate Algorithms Course — शिक्षण द्वारा अधिगम 11 सप्ताह में 546 छात्रों तक तैनात (Wang et al., 2026)
• Learning by Teaching: Engaging Students as Instructors of Large Language Models in Computer Science Education — छात्र ऐसे प्रश्न डिज़ाइन करते हैं जिनका उत्तर एक LLM नहीं दे सकता (Yang et al., 2025)
• Combating Harms of Generative AI in CS1 with Code Review Interviews and a Flipped Classroom — CS1 में GenAI के प्रतिक्रियात्मक अनिवार्य मौखिक कोड समीक्षा साक्षात्कार (Fowles et al., 2026)
• Asynchronous Oral Assessments: Enhancing Integrity, Engagement, and Communication in the AI Era — असिंक्रोनस रिकॉर्ड मौखिक मूल्यांकन बनाम आमने-सामने बहुविकल्पीय (Pentland et al., 2026)
• Exploring student anxiety and experience in performance-based assessments using AIvaluate: an LLM-augmented emotionally — चैट-आधारित viva ने चिंता कम की जबकि आमने-सामने को समझने के लिए बेहतर रेट किया गया (Yusuf et al., 2026)
• Designing AI-Supported Oral Assessment in TVET — व्यावसायिक कार्यशालाओं में शिक्षक निर्णय के लिए AI रूब्रिक प्रमाण सतह पर लाना (Adams 2026)
• From Prototype to Classroom: An Intelligent Tutoring System for Quantum Education — स्व-गति स्नातक पाठ्यक्रम में आउटपुट-और-दृष्टिकोण चेकपॉइंट (Elhaimeur & Chrisochoides 2026)
• Agentic Education with AI Coding Assistants — स्टॉप-ब्लॉक चेकपॉइंट और एक पूर्व-प्रगति जाँच, N = 27 (Naboulsi 2026)
• Advancing Problem-Based Learning in Biomedical Engineering in the Era of Generative AI — मील के पत्थर और रूब्रिक के साथ चार-मॉड्यूल समस्या-आधारित शिक्षण (Nnamdi et al., 2026)
• Mathematics Teachers’ Interactions with a Multi-Agent System for Personalized Problem Generation — शिक्षकों के साथ एक चार-एजेंट समीक्षा लूप, और जहाँ रुचि-अनुकूलता विफल रही (Walkington et al., 2026)
• LearnLens: LLM-Enabled Personalised, Curriculum-Grounded Feedback with Educators in the Loop — सत्यापनकर्ता स्कोर के साथ शिक्षक-पाश में प्रतिक्रिया (Zhao et al., 2025)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — प्रॉम्प्ट इंजेक्शन जिन्होंने बिना पकड़े ग्रेड बदले, शिक्षक को एकमात्र जाँच के रूप में छोड़ते हुए (Humble 2026)
• ProPACT: A Proactive AI-Driven Adaptive Collaborative Tutor for Pair Programming — जोड़ी प्रोग्रामिंग में सहयोग टूटने की भविष्यवाणी करने वाला एक साझा AI (Golrang et al., 2026)
• Enhancing Human-Generative Artificial Intelligence Online Collaboration Outcomes: The Pivotal Function of Symbiotic Role Design — समूह ज्ञान निर्माण में स्क्रिप्टेड शिक्षार्थी और AI भूमिकाएँ (Cheng et al., 2026)
• ParaTutor: Coordinating Parent-Child Math Tutoring through Role-Separated LLM Scaffolding — माता-पिता–बालक ट्यूटरिंग में भूमिका-पृथक AI सहायता (Luo et al., 2026)
• AI tutors vs. tenacious myths: Evidence from personalised dialogue interventions in education — व्यक्तिगत AI संवाद ने पाठ्यपुस्तक खंडन को तत्काल हराया, दो महीनों तक अभिसरित (Corbett & Tangen 2026)
• Comparing the effectiveness of expert-written text, AI-generated text, and interactive AI dialogues on students' — संकल्पनात्मक-परिवर्तन पाठों ने इंटरैक्टिव AI संवाद को हराया, विपरीत परिणाम (Akdogan 2025)
• AI-Supported Inquiry-Based Learning in Photosynthesis and Respiration: Implications for Sustainable Science Teacher Education — AI-समर्थित निर्देशित जिज्ञासा और संकल्पनात्मक समझ (Aydin 2026)
• From Traditional Classroom to AI-Enhanced Flipped Classroom: A Three-Year Pedagogical Evolution for International Students in Pharmacology — पारंपरिक, उलटे और AI-उन्नत उलटे की तीन-कोहोर्ट तुलना (Liu et al., 2026)
• Integrating Flipped Learning and Generative AI for Practice-Based Design Education: Evidence from a Knit Yarn Design Course — पैरामीटर-निर्देशित प्रॉम्प्ट स्कैफोल्डिंग के साथ उल्टा स्टूडियो पाठ्यक्रम (Qu et al., 2026)
• The Impact of Generative Artificial Intelligence on Learning Outcomes in Higher Education: A Meta-Analysis — शिक्षण मॉडल ने परिणामों को मॉडरेट किया: उलटा g = 1.96 बनाम पारंपरिक g = 0.46 (Jing et al., 2026)
• Student Adoption of an AI Tutor for Statistical Programming: A Longitudinal Study — उल्टे पाठ्यक्रम में साप्ताहिक होमवर्क-ट्यूटर उपयोग ने स्थानांतरण-कार्य स्कोर की भविष्यवाणी की (Préau et al., 2026)
• Fostering Generative AI Literacy in Economics: A Hands-on Approach — एक AI त्रुटि पर बनी पांच-चरणीय AI-आलोचना चर्चा (Beck & Brodersen 2025)
• Artificial intelligence assisted design of a novel cooperative learning technique for higher education — असाइन की गई भूमिकाओं और गैलरी वॉक के साथ एक परीक्षित सहयोगी-शिक्षण अनुक्रम (Tutal 2026)
• Developing an AI-Assisted Seminar-Based Learning Platform With Embedded Librarian Support: Enhancing Information Literacy of Engineering Research Teams — एक AI पुनर्प्राप्ति सिफ़ारिशकर्ता के साथ सेमिनार और सहकर्मी-चर्चा मॉड्यूल (Huang 2026)