सहकर्मी मूल्यांकन

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

सहकर्मी मूल्यांकन — वह अभ्यास जिसमें छात्र एक-दूसरे के काम का मूल्यांकन, ग्रेडिंग या उस पर प्रतिपुष्टि देते हैं; यह लिखित सहकर्मी समीक्षा, सहकर्मी ग्रेडिंग, सहकर्मी कोड समीक्षा, या समूह और टीम मूल्यांकन के माध्यम से होता है। लेखन शिक्षाशास्त्र और शिक्षण रणनीतियाँ में यह एक दीर्घकालिक अच्छी अभ्यास रहा है: छात्र मानदंड-आधारित प्रतिपुष्टि प्राप्त करने से भी और उसे देने से भी सीखते हैं, और साझा काम पर सहकर्मियों की बातचीत गहरी सीख, श्रोता-जागरूकता और सामाजिक विकास से संबद्ध पाई जाती है। AI युग में इसे एक एकल गतिविधि के बजाय एक मूल्यांकन डिज़ाइन विकल्प के रूप में पुनः परखा जा रहा है — AI-जनित प्रतिपुष्टि का एक मानवीय पूरक, फीडबैक साक्षरता के लिए एक अभ्यास-मैदान, और एक ऐसा स्थान जहाँ शैक्षणिक इमानदारी और छात्र-एजेंसी का पुनः बातचीत होती है।

विचार करने योग्य प्रश्न

• कभी ऐसा समय याद करें जब आपका काम किसी सहकर्मी ने आंका हो — या आपने उसका आंका हो। आपने किससे अधिक सीखा: प्रतिपुष्टि देने से या उसे प्राप्त करने से, और क्यों?
• छात्र की प्रतिपुष्टि AI की प्रतिपुष्टि से अधिक संदर्भ-जागरूक और भावनात्मक रूप से सहायक क्यों हो सकती है, जबकि AI की प्रतिपुष्टि अधिक सुसंगत और रूब्रिक-आधारित होती है? दोनों एक-दूसरे को किस प्रकार पूरक बना सकती हैं?
• सहकर्मी प्रबल काम को कम ग्रेड देने की प्रवृत्ति रखते हैं और AI कमज़ोर काम को बढ़ा-चढ़ाकर आंकता है। यदि दोनों पूरी गुणवत्ता सीमा में विश्वसनीय रूप से सटीक नहीं हैं, तो किसी भी स्रोत के ग्रेड का उपयोग किस लिए किया जाना चाहिए?
• सहकर्मी मूल्यांकन मड्गद और स्पष्ट मानदंडों पर भारी निर्भर है, और मित्रता-पूर्वाग्रह तथा सामाजिक चिंता अप्रशिक्षित सहकर्मी समीक्षा को किसी समीक्षा से भी बद्तर बना सकते हैं। आपके संदर्भ में पर्याप्त प्रशिक्षण वास्तव में कैसा दिखता है?
• यदि AI संगठन और संरचना पर टिप्पणियों का मसौदा बना सकता है, तो क्या इससे सहकर्मी मूल्यांकन अनावश्यक हो जाता है — या यह सहकर्मियों को उस विशिष्ट, श्रोता-जागरूक प्रतिपुष्टि देने के लिए मुक्त कर देता है जो केवल वे ही दे सकते हैं?
• एक अध्ययन में GenAI-समर्थित सहकर्मी प्रतिपुष्टि ने सादी सहकर्मी प्रतिपुष्टि से बेहतर प्रदर्शन किया, लेकिन केवल प्रॉम्प्ट-स्कैफोल्डिंग जोड़े जाने पर। वहाँ किसका स्कैफोल्डिंग किया जा रहा है — AI का, छात्र का, या मूल्यांकन का?
• AI-जनित प्रतिपुष्टि का आलोचनात्मक आकलन को AI साक्षरता और लेखक-एजेंसी का निर्माण बताया गया है। जब मशीनें बढ़ती हुई आपके काम पर टिप्पणी करती हैं, तो अपने ही काम पर एजेंसी रखने का क्या अर्थ है?

भाग

सहकर्मी मूल्यांकन एक मूल्यांकन-डिज़ाइन विकल्प है जिसमें छात्र उस मूल्यांकनात्मक कार्य का एक हिस्सा संभालते हैं जो सामान्यतः प्रशिक्षकों के लिए सुरक्षित रहता है। इसके रूप इस बात में भिन्न हैं कि छात्र क्या उत्पन्न करते हैं और क्या दाँव पर है: सहकर्मी प्रतिपुष्टि (मसौदे पर टिप्पणियाँ, सामान्यतः गठनात्मक और कम-दाँव वाली), सहकर्मी ग्रेडिंग (ग्रेड में योगदान करने वाला अंक), सहकर्मी कोड समीक्षा, और समूह या टीम मूल्यांकन (जहाँ सहकर्मी सामूहिक उत्पाद या एक-दूसरे के योगदान का आकलन करते हैं)। रूप यह निर्धारित करता है कि छात्र क्या अभ्यास करते हैं — मानदंड-आधारित टिप्पणी देना संख्या निर्धारित करने से भिन्न तरीके से मूल्यांकनात्मक निर्णय का निर्माण करता है, और अपना कोड मौखिक रूप से समझाना फिर कुछ और ही बनाता है। स्व-मूल्यांकन, इसकी सहोदर अभ्यास, उसी मानदंड-आधारित जाँच को शिक्षार्थी के अपने काम पर मोड़ती है, जबकि सहकर्मी मूल्यांकन उसे सहकर्मी के प्रस्तुत दस्तावेज़ और उसके साथ आने वाली श्रोता-जागरूकता पर केंद्रित करती है।

अनुसंधान आधार इस बात पर सहमत है कि सहकर्मी मूल्यांकन सीख उत्पन्न करता है, लेकिन इस पर असहमत है कि इसमें कितना अंश डिज़ाइन पर निर्भर करता है। यह छात्रों को एक प्रामाणिक श्रोता देता है, मानदंड-आधारित प्रतिक्रिया के माध्यम से मूल्यांकनात्मक निर्णय विकसित करता है, और सहभागिता तथा प्रेरणा का समर्थन करने वाला सामाजिक संदर्भ बनाता है। इसकी गुणवत्ता मड्गद पर भारी निर्भर करती है — यह कितनी संरचित है, और क्या छात्रों को स्पष्ट मानदंड और प्रशिक्षण मिलता है। वही निर्भरता वह स्थान है जहाँ AI प्रवेश करता है, सहकर्मियों की विशिष्ट, संदर्भ-जागरूक प्रतिपुष्टि का एक सुसंगत, रूब्रिक-आधारित पूरक के रूप में, और तेज़ी से सहकर्मी-मूल्यांकन प्रक्रिया के भीतर निर्मित एक स्कैफोल्ड के रूप में।

सहकर्मियों का मूल्यांकन करने से छात्र क्या सीखते हैं

सहकर्मी मूल्यांकन का सबसे मज़बूत तर्क यह है कि आंकने वाला सीखता है। Fowles आदि (2026) ने प्रत्येक CS1 प्रस्तुतीकरण को एक प्रशिक्षित शिक्षण-सहायक के साथ 15 मिनट की मौखिक कोड-समीक्षा साक्षात्कार के अधीन किया, जिसे असाइनमेंट ग्रेड के 70% वज़न दिया गया। चिपकाए-गए-से-कुल अक्षरों का अनुपात 61.0% से 68.1% बढ़ा (p < 0.0001), फिर भी परीक्षा अंक घटे नहीं और कार्य-पर-बिताया गया समय स्थिर रहा; 90% छात्रों ने कहा कि समीक्षाओं ने उन्हें अपना कोड बेहतर ढंग से समझने की प्रेरणा दी और 65% ने कहा कि उन्होंने AI पर अतिनिर्भरता से बचने में मदद की। प्रशिक्षित सहकर्मी को अपना काम समझाने की अपेक्षा ने संभावित ऑफ़लोडिंग को एक स्व-नियमित अभ्यास के अवसर में बदल दिया।

यह क्रियाविधि संपूर्ण साहित्य में बार-बार दिखती है। 203 छाँटे गए लेखों में से 22 लेखों के एक PRISMA 2020 व्यवस्थित समीक्षा में, Martínez-Peláez आदि (2025) ने पाया कि LLM सहयोग का समर्थन आंशिक रूप से सहकर्मी प्रतिपुष्टि में सहायता और रूब्रिक-आधारित मूल्यांकनों के अनुकरण से करते हैं, और जो छात्र मॉडल आउटपुट को सत्यापित और सुधारते हैं वे आलोचनात्मक चिंतन विकसित करते हैं। पढ़ाकर सीखना मशीनों के बीच भी दिखती है: 2.4 मिलियन से अधिक AI एजेंटों के बीच सहकर्मी-सीखने जैसी वार्ता अधिकतर पुष्टि थी, न कि पूछताच्छ (कथन-से-प्रश्न अनुपात 11.4:1, 28,683 पोस्टों के एक कोडित वर्गीकरण में मेटाकॉग्निशन प्रतिबिंब केवल 7%), जिसे Chen आदि (2026) एक सावधानी के रूप में देखते हैं कि सतही वार्ता यह स्थापित नहीं करती कि कुछ सीखा गया है।

प्रशिक्षण, अंशकलन और प्रतिपुष्टि साक्षरता

जब छात्र अप्रशिक्षित हों तो सहकर्मी मूल्यांकन अनुमानित रूप से विफल होता है। Gu, Chen और Yan (2026) ने चीन में 118 प्रथम-वर्षीय स्नातक छात्रों के साथ एक मिश्रित-तरीके अर्ध-प्रयोग किया, जिसमें प्री-ट्रेन्ड रूब्रिक के अंतर्गत ChatGPT-4o की तुलना उच्च-गुणवत्ता वाले उदाहरण के साथ संरचित सहकर्मी-समीक्षा कार्यपत्रिकाओं से की गई। प्रतिपुष्टि साक्षरता GenAI समूह में थोड़ी अधिक बढ़ी (ANCOVA p = 0.049, η²p = 0.03), लेकिन गुणात्मक निष्कर्ष अधिक मायने रखते हैं: सहकर्मी-समूह के छात्रों ने प्रतिपुष्टि स्रोतों को सामाजिक सुविधा से चुना — निकट के सहकर्मी, समान-प्रमुख के सहकर्मी, रूममेट — दुर्लभ ही उन्होंने विशिष्ट प्रतिपुष्टि लक्ष्य रखे, और प्रतिपुष्टि मांगने को लेकर सामाजिक चिंता का सामना किया। सहकर्मी मूल्यांकन अधिकतर मित्रता-पूर्वाग्रह और अनुमानित सहकर्मी दक्षता से विकृत हुआ, और सहकर्मी चिंतन प्रायः बाद के परीक्षाों तक टाला गया। लेखक गुमनाम सहकर्मी प्रतिपुष्टि के साथ बहु-चरणीय डिज़ाइनों की सिफ़ारिश करते हैं, क्योंकि सहकर्मी समीक्षा अभी भी अद्वितीय रूप से प्रतिपुष्टि देने के माध्यम से श्रोता-जागरूकता और मूल्यांकनात्मक निर्णय का निर्माण करती है।

डिज़ाइन ढाँचे उन अवरोधों को लक्षित करते हैं। Irwin और Muller (2026) बोलने पर EFL/ESL सहकर्मी प्रतिपुष्टि में GenAI की दो भूमिकाएँ प्रस्तावित करते हैं, एक मामला जिसे वे लेखन से कठिन बताते हैं क्योंकि समय-दबाव, क्षणभंगुर मौखिक प्रदर्शन और तीव्र भावनाएँ होती हैं: एक प्रशिक्षक (Trainer) जो उदाहरण-आधारित अंशकलन और प्रतिपुष्टि-पर-प्रतिपुष्टि के माध्यम से प्रतिपुष्टि देने वालों का समर्थन करता है, और एक संश्लेषक (Synthesizer) जो सहकर्मी टिप्पणियों को मानदंड-से-जुड़ी उपभोग रिपोर्ट में समेकित करता है, जो प्रारूपों को सामान्य बनाता है, अल्पमत रायों को सुरक्षित रखता है, और विरोधाभासों को चिह्नित करता है। उनके सिद्धांत हैं सावधान समय-निर्धारण और क्रमबद्धता, छोटे बार-बार प्रशिक्षक इकाइयाँ, देने वालों की आवाज़ का संरक्षण, और गार्डरेल जो शिक्षक को प्रक्रिया में रखते हैं बिना किसी स्वचालित ग्रेडिंग के। यह पेपर वैचारिक है, इसमें कोई नया आंकड़ात्मक आँकड़ा नहीं है।

वैधता, निष्पक्षता और ग्रेडिंग सटीकता: सहकर्मी बनाम AI बनाम प्रशिक्षक

जहाँ सहकर्मी मूल्यांकन ग्रेड उत्पन्न करता है, वहाँ प्रश्न यह है कि ग्रेड उचित है या नहीं। Usher और Faraon (2026) ने पाया कि सहकर्मी–प्रशिक्षक संरेखण कम-गुणवत्ता वाले काम के लिए सबसे मज़बूत था (कम-गुणवत्ता स्तर में r = 0.51) और उच्च-गुणवत्ता परियोजनाओं के लिए कमज़ोर हुआ, जिसे सहकर्मियों ने प्रायः कम आंका — संभवतः प्रबल काम की आलोचना करने में अनिच्छा को दर्शाता है। ChatGPT ने उलटा पैटर्न दिखाया: उच्च-गुणवत्ता वाले काम पर बेहतर संरेखण, लेकिन कमज़ोर प्रस्तुतियों के लिए फूले हुए ग्रेड। छात्रों ने सहकर्मियों के ग्रेड को सहकर्मियों की अपनी लिखित प्रतिपुष्टि से अधिक सुसंगत माना, और ChatGPT की तटस्थ सुसंगतता के साथ-साथ सहकर्मियों के संबंध-जागरूक निर्णय को महत्व दिया। सहकर्मी सटीकता गुणवत्ता-निर्भर और संबंध-संवेदी है, और कोई एक स्रोत पूरी सीमा पर विश्वसनीय नहीं है।

इससे यह निर्धारित होता है कि सहकर्मी ग्रेड का उपयोग किस लिए किया जाना चाहिए। वितरण के मध्य में अंशकलित अंक शीर्ष या तल पर अंशकलित होना ज़रूरी नहीं, इसलिए सहकर्मी ग्रेड किसी संयमित निर्णय के आदान-प्रदान के रूप में, या आंकने वाले के निर्णय के प्रमाण के रूप में प्रबल काम पर अंतिम अंक से अधिक उचित हैं। Suen और Hung (2026) इस बात पर बल देते हैं कि संस्थान मापनीय विकल्पों की खोज क्यों करते रहते हैं: सहकर्मी प्रतिपुष्टि और विशेषज्ञ कोचिंग समय-साध्य, महँगी और लगातार मापे जाने में कठिन हैं। उनकी बंद-लूप प्रणाली ने प्रस्तुति कौशल पर 204 वयस्क शिक्षार्थियों को एक XGBoost आधार के साथ आंका जो विशेषज्ञ-आंकने वाली विश्वसनीयता के निकट पहुँचता है (ρ = 0.69–0.78) और पूर्व–पश्चात लाभ Cohen के d = 0.39–0.90 — एक पूर्व–पश्चात फ़ील्ड अध्ययन, सहकर्मी मूल्यांकन से तुलना नहीं, जो सहकर्मी निर्णय को बढ़ाने के बजाय मशीन निर्णय को प्रतिस्थापित करता है।

AI-संवर्धित सहकर्मी मूल्यांकन: PAIRR और प्रशिक्षक/संश्लेषक विभाजन

प्रमुख डिज़ाइन पैटर्न सहकर्मी को केंद्रीय रखता है और उसके चारों ओर AI जोड़ता है। सहकर्मी और AI समीक्षा + प्रतिबिंब मॉडल इसका सर्वोत्तम दस्तावेज़ित उदाहरण है। Sperber आदि (2025) ने 10 लेखन पाठ्यक्रमों और तीन लेखन-प्रधान STEM पाठ्यक्रमों में PAIRR लागू किया, जिनमें 654 छात्र थे (37% प्रथम-पीढ़ी, 13% अंतर्राष्ट्रीय, 68% बहुभाषी)। छात्रों ने मसौदा तैयार किया, सहकर्मी समीक्षा का आदान-प्रदान किया, उसी मसौदे पर रूब्रिक-आधारित प्रतिपुष्टि के लिए ChatGPT से प्रॉम्प्ट किया, दोनों का आलोचनात्मक आकलन किया, संशोधन की योजना बनाई, और प्रतिबिंबित किया। 58% ने संयुक्त प्रतिपुष्टि को प्राथमिकता दी, 36% ने केवल सहकर्मी प्रतिपुष्टि को, और केवल 6% ने केवल AI प्रतिपुष्टि को। दोनों स्रोत प्रायः समान थे (75% ने समानताएँ बताईं, जिन्हें एक-दूसरे की पुष्टि और सुदृढ़ीकरण के रूप में वर्णित किया गया) और जब भिन्न थे तो पूरक थे: AI प्रतिपुष्टि को प्रायः अत्यधिक सामान्य (31%) कहा गया लेकिन संगठन और संरचना पर कार्रवाई योग्य संशोधन रणनीतियाँ दीं, जबकि सहकर्मी प्रतिपुष्टि अधिक विशिष्ट और विस्तृत थी (28%) और असाइनमेंट के संदर्भीय ज्ञान पर आधारित थी। AI आउटपुट का आलोचनात्मक रूप से मूल्यांकन करना AI साक्षरता का निर्माण करता था, और केवल 5.3% छात्रों में इसके प्रति अतिविश्वास दिखा।

यह पैटर्न पेशेवर लेखन तक सामान्यीकृत होता है। MacArthur आदि (2025) ने एक उच्च-स्तरीय व्यावसायिक लेखन पाठ्यक्रम में PAIRR लागू किया जहाँ पाँच प्रमुख असाइनमेंटों में प्रत्येक के लिए एक मसौदा, श्रोता विश्लेषण, 2–3 सहकर्मियों की समीक्षा और संशोधन आवश्यक था (46 नामांकित छात्रों में से 34 ने भाग लिया; 69% बहुभाषी)। छात्रों ने AI प्रतिपुष्टि को महत्व दिया लेकिन कभी-कभी इसे अत्यधिक सामान्य पाया, और सहकर्मियों के संदर्भीय ज्ञान को महत्व दिया — "मेरे सहकर्मियों ने इसे नियोक्ता के परिप्रेक्ष्य से देखा… ChatGPT ने वह इतना नहीं किया।" बड़े PAIRR अध्ययन में कोडित प्रतिबिंबों में से एक चौथाई ने AI प्रतिपुष्टि को लेकर संशय या अशुद्धियों का उल्लेख किया, जिसे लेखक विकसित होती AI साक्षरता के रूप में पढ़ते हैं। यह अध्ययन वर्णनात्मक और पाठ्यक्रम-विशिष्ट है।

सहकर्मी प्रतिपुष्टि और समूह मूल्यांकन के भीतर स्कैफोल्ड के रूप में GenAI

डिज़ाइन के महत्व की सबसे कठोर परीक्षा एक बहु-स्थल क्लस्टर-यादृच्छिक प्रयोग है। Ateş (2026) ने 4 विश्वविद्यालयों में 48 अनुभागों को — जीवविज्ञान, रसायन विज्ञान और भौतिकी में 1,176 प्रथम-वर्षीय स्नातक छात्रों को — वैज्ञानिक तर्क के लिए चार शर्तों में यादृच्छिक किया: केवल सहकर्मी प्रतिपुष्टि, प्रत्यक्ष GenAI प्रतिपुष्टि, प्रतिबिंबात्मक GenAI प्रतिपुष्टि (स्व-मूल्यांकन फिर AI आलोचना), और स्व-मूल्यांकन → सहकर्मी प्रतिपुष्टि → GenAI आलोचना का संकर। प्रत्यक्ष GenAI ने तत्काल तर्क गुणवत्ता पर सहकर्मी प्रतिपुष्टि को हराया लेकिन स्थानांतरण कमज़ोर दिखाया; प्रतिबिंबात्मक और संकर डिज़ाइनों ने प्रतिपुष्टि उपभोग और स्व-नियमित सीख मज़बूत बनाई; संकर ने संकल्पनात्मक सीख पर सबसे स्पष्ट लाभ दिखाया; दोनों ने विलंबित AI-रहित स्थानांतरण पर प्रत्यक्ष GenAI से बेहतर प्रदर्शन किया। GenAI का मूल्य, लेखकों का निष्कर्ष है, पहुँच से कम इस बात पर निर्भर करता है कि पर्यावरण संशोधन के दौरान छात्र-एजेंसी और स्वामित्व को सुरक्षित रखता है या नहीं।

AI प्रतिपुष्टि को सहकर्मी चर्चा के बजाय उससे पहले क्रमबद्ध करना भी परिणामों को बढ़ाता है: केवल सहकर्मी प्रतिपुष्टि के विरुद्ध, AI-प्लस-सहकर्मी एकीकृत प्रतिपुष्टि दिए गए 122 चीनी EFL छात्रों ने उच्च भावनात्मक, व्यवहारगत और संज्ञानात्मक सहभागिता बताई (partial η² = 0.29, 0.28, 0.32) और सभी चार IELTS लेखन आयामों पर बेहतर प्रदर्शन किया, सबसे अधिक कार्य-उपलब्धि में (d = 1.41) (Liu (2026))।

जब तुलना केवल GenAI के बजाय शिक्षक प्रतिपुष्टि और AI-सहायक सहकर्मी प्रतिपुष्टि के बीच होती है, तो यह पैटर्न — एक आरंभिक लाभ जो टिकता नहीं — बार-बार दिखता है। Tang, Li और Luo (2026) ने 61 चीनी L2 लेखकों (244 ग्रेड किए गए पाठ) के साथ एक आठ-सप्ताह का अर्ध-प्रयोग किया, जो एक पाँच-आयामी चेकलिस्ट से काम करते थे, जहाँ एक कक्षा को शिक्षक की लिखित प्रतिपुष्टि और दूसरी को AI-सहायक सहकर्मी प्रतिपुष्टि मिली। शिक्षक प्रतिपुष्टि ने कहीं अधिक टिप्पणियाँ दीं — पहले कार्य में 185 के मुकाबले 316 मदें, जो शब्दावली और तकनीकी विवरणों पर केंद्रित थीं — और थोड़ा अधिक तत्काल लाभ, लेकिन उसका सुधार दूसरे कार्य तक तेज़ी से गिरा जबकि AI-सहायक सहकर्मी वर्ग स्थिर रहा और अधिक संशोधन अंक के साथ समाप्त हुआ। AI-सहायक सहकर्मी टिप्पणियाँ कम थीं लेकिन सामग्री और संरचना में बंधी रहीं, और उनका आरंभिक शब्दावली-विविधता बढ़त टिकी नहीं; न एक ही तरीके ने वाक्य रचना की जटिलता को आगे बढ़ाया। लेखक दोनों को पूरक स्कैफोल्ड के रूप में पढ़ते हैं और एक AI–सहकर्मी–शिक्षक संकर प्रस्तावित करते हैं, जिसमें AI मसौदे के दौरान सतही त्रुटियाँ चिह्नित करता है, सहकर्मी संशोधन में सामग्री पर बातचीत करते हैं, और शिक्षक उस पर लक्षित करता है जो दोनों तक नहीं पहुँची।

प्रॉम्प्ट सहायता के साथ ही GenAI को जोड़ना सहकर्मी प्रतिपुष्टि की गुणवत्ता भी बढ़ा सकता है, लेकिन स्पष्टतः केवल प्रॉम्प्ट सहायता के साथ ही। Chang आदि (2026) ने 12 समूहों में 45 छात्र-शिक्षकों के बीच सहयोगी तर्क के चार दौरों पर तीन शर्तों की तुलना की: सादी सहकर्मी प्रतिपुष्टि, GenAI सहित सहकर्मी प्रतिपुष्टि, और प्रॉम्प्ट स्कैफोल्डिंग अंतर्गत GenAI सहित सहकर्मी प्रतिपुष्टि। GenAI-समर्थित समूहों ने तर्क प्रदर्शन पर सादी सहकर्मी प्रतिपुष्टि को हराया, और प्रॉम्प्ट-स्कैफोल्ड किया गया समूह "खंडन आँकड़े और वारंट" और "विरोधी दृष्टि को संबोधित करना" जैसे उन्नत तत्वों पर सर्वोत्तम प्रदर्शन किया। GenAI-समर्थित समूहों ने अधिक व्याख्याएँ, सुझाव और तटस्थ या नकारात्मक प्रतिपुष्टि दी, और स्कैफोल्ड किया गया समूह ने उच्च-क्रम की प्रतिपुष्टि सामग्री के साथ नकारात्मक भावनाओं को जोड़ा — आलोचनात्मक मूल्यांकन न कि निष्क्रिय स्वीकृति। यह एक छोटा एकल प्रयोग है, लेकिन यह सक्रिय तत्व के रूप में प्रॉम्प्ट स्कैफोल्डिंग को अलग करता है।

समूह मूल्यांकन समस्या बदल देता है, क्योंकि छात्रों को यह बातचीत करनी पड़ती है कि किसका AI उपयोग स्वीकार्य है। Chen और Zou (2026) ने एक पाठ्यक्रम में 52 पूर्व-सेवा शिक्षकों की 15 फोकस समूहों के साक्षात्कार लिए, जहाँ अंतिम ग्रेड के 30% वाले एक समूह प्रस्तुतीकरण में एकीकरण और सुसंगति आवश्यक थी। तीन पैटर्न उभरे: पाँच समूहों में सहयोग-उन्मुख एजेंसी, जिन्होंने काम को बाँधे रखने और साझा ग्रेड की रक्षा के लिए GenAI उपयोग बढ़ाया; सात समूहों में मानदंडात्मक एजेंसी, जिन्होंने प्रामाणिकता और निष्पक्षता की रक्षा के लिए उपयोग सीमित किया — एक छात्र ने तर्क दिया कि AI में एक भाग बनाना "अन्य साथियों के प्रति निष्पक्ष नहीं होगा"; और तीन समूहों में अप्रयुक्त एजेंसी जिनकी अभ्यास प्रथा व्यक्तिगत काम से कभी नहीं बदली। लेखक तर्क देते हैं कि व्यक्तिगत क्षमता स्वयं सामूहिक एजेंसी नहीं बनती और स्वीकार्य AI उपयोग की बातचीत को ही एक आंका जाने योग्य परिणाम बनना चाहिए, जिसमें सहकर्मी समीक्षा कार्य अंतिम उत्पाद को पोषित करें।

प्रतिपुष्टि संरचना, प्रकटीकरण और सहकर्मी मूल्यांकन के सामाजिक प्रसंग

सहकर्मी मूल्यांकन इस बात पर भी निर्भर करता है कि छात्र एक-दूसरे का क्या देख सकते हैं और वे क्या स्वीकार करेंगे। Hao और Cukurova (2026) ने तीन पुनरावृत्तियों में 128 छात्रों के साथ आठ सप्ताह तक एक AI-जनित सारांश अधिगम डिज़ाइन का परीक्षण किया। AI-समर्थित पुनरावृत्तियों के छात्रों ने आधाररेखा की तुलना में महत्वपूर्ण रूप से अधिक मानकीकृत बाह्य-डिग्री केंद्रीयता दिखाई (β = 0.547 और β = 0.438, दोनों p < 0.001): उन्होंने अधिक सहकर्मियों को देखा या उनके साथ संवाद किया। साक्षात्कारों ने सारांशों को एक नेविगेशन नक्शे के रूप में वर्णित किया जिसने खराब नामित थ्रेडों में दबे योगदानों को खोजने के प्रयास को घटाया, और छात्र विरोधी राय चुनने वाले सक्रिय योगदान देने वालों पर ध्यान दिए न कि मित्रता पर। इस डिज़ाइन ने बढ़ते कार्यभार के तहत घटती हुई देखने की गतिविधि को नहीं रोका, इसलिए केवल तकनीकी सुविधाएँ सहभागिता को टिकाए नहीं रखतीं।

सहकर्मी मानदंड ईमानदारी को भी आकार देते हैं, जो हर जगह मायने रखता है जहाँ सहकर्मी AI-प्रभावित काम का आकलन करते हैं। Qu और Wang (2026) ने 409 सिंगापुरी स्नातक छात्रों से पूछा कि प्रकटीकरण अनिवार्य होते हुए भी छात्र GenAI उपयोग क्यों छिपाते हैं, और पाया कि संबंधगत चर प्रभावी रहे: अनुमानित सहकर्मी प्रकटीकरण और प्रशिक्षकों के साथ सहजता सबसे मज़बूत भविष्यकथन थे, जबकि नैतिक विमुखता कमज़ोर थी। गैर-प्रकटीकरण अनुमानित सहकर्मी मानदंडों और कम व्याख्यात्मक विश्वास के प्रति रणनीतिक अनुकूलन था, नैतिक लापरवाही नहीं। सहकर्मी मानदंड इसलिए ईमानदारी का समर्थन कर सकते हैं, जैसे जब समूह-मूल्यांकन छात्रों ने साथियों के प्रति दायित्वबोध से AI उपयोग सीमित किया, या उसे दबा सकते हैं, जैसे जब सामूहिक अपनाने ने दुरुपयोग के अनुमानित जोखिम को घटा दिया। पारदर्शिता, लेखकों का तर्क है, अनुपालन से कम विश्वास और सकारात्मक मानदंडीय वातावरण पर निर्भर करती है — एक संबंधगत स्थिति जिसे सहकर्मी-मूल्यांकन डिज़ाइन या तो बनाते हैं या नष्ट करते हैं।

डिज़ाइन निहितार्थ और खुले प्रश्न

कई डिज़ाइन कदम इससे अनुसरण करते हैं। आंकने वालों को आंकने से पहले प्रशिक्षण, उदाहरण और मानदंड दें, क्योंकि अप्रशिक्षित सहकर्मी मूल्यांकन मित्रता-पूर्वाग्रह, सुविधा-आधारित स्रोत चयन और सामाजिक चिंता के प्रति संवेदनशील होता है। क्रमबद्धता ऐसी रखें कि स्व-मूल्यांकन सहकर्मी प्रतिपुष्टि और AI आलोचना से पहले हो, क्योंकि संकर शर्त ने सबसे मज़बूत संकल्पनात्मक सीख और सर्वोत्तम विलंबित स्थानांतरण उत्पन्न किया। जहाँ GenAI प्रवेश करता है, वहाँ यह स्कैफोल्ड करें कि छात्र उसे किस प्रकार प्रॉम्प्ट करते हैं। जो कुछ ग्रेड बन जाता है उसके लिए शिक्षक को प्रक्रिया में रखें, सहकर्मी ग्रेड को एकसमान अंकों के बजाय गुणवत्ता-निर्भर प्रमाण के रूप में मानें, और AI उपयोग को ही कुछ ऐसा बनाएँ जिस पर समूह बातचीत करें और दस्तावेज़ बनाएँ।

GenAI-मध्यस्थ समीक्षा उपकरण की भाषाई मानदंडों को भी विरासत में लेती है: एक विश्व अंग्रेज़ियों संवाद के योगदानकर्ता तर्क देते हैं कि GenAI का उपयोग करने वाले समीक्षक मॉडलों के समान प्रबल अंग्रेज़ी विविधताओं के पूर्वाग्रह के संपर्क में आते हैं, और उत्पन्न पाठ को लेखक की अपनी भाषाई पहचान को प्रतिबिंबित करने के लिए संपादित या पुनर्लेखित करने की सिफ़ारिश करते हैं (Ugwuanyi आदि (2026))।

खुले प्रश्न केवल डिज़ाइन के बारे में नहीं, प्रमाण की मज़बूती के बारे में हैं। सहकर्मी और AI का अधिकांश प्रमाण छोटा और संदर्भ-बद्ध है: एक पाठ्यक्रम में 45 छात्र-शिक्षक, एक व्यावसायिक लेखन पाठ्यक्रम में 34 छात्र, 15 फोकस समूहों में 52 पूर्व-सेवा शिक्षक। PAIRR सर्वेक्षण यहाँ सबसे बड़ा आँकड़ा समुच्चय है और यह छात्रों की धारणाएँ मापता है, उन AI आउटपुट की गुणवत्ता नहीं जिनका छात्रों ने आकलन किया। केवल बहु-स्थल प्रयोग के 1,176 स्नातक छात्र कारण-तुलनात्मक पैमाने के निकट पहुँचते हैं, और यह वैज्ञानिक तर्क के लिए प्रतिपुष्टि डिज़ाइन का परीक्षण करता है, सहकर्मी मूल्यांकन के अपने रूप में नहीं। इस बीच O'Neill (2026) ने 14 सहकर्मी-समीक्षित मेटा-विश्लेषणों का ऑडिट किया जिनमें दावा किया गया कि AI शिक्षा सुधारता है, और पाया कि किसी ने भी अपने दावों के लिए वैध आधार नहीं दिया — दो को छोड़कर सभी ने उपचार को एक उपकरण के रूप में परिभाषित किया, एक शैक्षणिक हस्तक्षेप के रूप में नहीं, I² रिपोर्ट करने वाले प्रत्येक मेटा-विश्लेषण में विषमता अधिक थी (77.2% से 94.4%), और 59 प्राथमिक अध्ययनों के एक ऑडिट में 61% में वैधता चिंताएँ थीं, अधिकतर मापे गए परिणाम और किए गए दावे के बीच बेमेल। सहकर्मी मूल्यांकन में AI क्या करता है, इस बारे में दावों को एक डिज़ाइन की गई गतिविधि के बारे में दावों के रूप में माना जाना चाहिए, जिनका परीक्षण उस गतिविधि की शर्तों में किया गया हो।

संबंधित अवधारणाएँ

• शिक्षाशास्त्रीय पैटर्न — PAIRR और संयुक्त सहकर्मी-प्लस-AI प्रतिपुष्टि: क्रमबद्धताएँ और उनका तुलनात्मक प्रमाण
• लेखन
• निर्माणकारक मूल्यांकन
• स्व-मूल्यांकन
• एआई फीडबैक की गुणवत्ता
• AI साक्षरता
• स्व-नियंत्रित अधिगम
• मेटाकॉग्निशन
• छात्र अनुभव
• सहयोगी शिक्षा
• शैक्षणिक इमानदारी
• फीडबैक साक्षरता
• प्रतिपुष्टि
• समूह कार्य
• मूल्यांकन
• मड्गद

संबंधित लेख

• AI-peer integrated feedback in second language writing classes: exploring students' engagement and writing performance — एकीकृत AI-प्लस-सहकर्मी प्रतिपुष्टि ने सभी तीन सहभागिता आयामों और सभी चार IELTS लेखन आयामों को बढ़ाया

• Who grades best? Comparing ChatGPT, peer, and instructor evaluations across varying levels of student project quality — परियोजना गुणवत्ता स्तरों पर ChatGPT, सहकर्मी और प्रशिक्षक ग्रेडिंग की तुलना (Usher और Faraon 2026)

• Peer and AI Review + Reflection (PAIRR): A Human-Centered Approach to Formative Assessment — सहकर्मी और AI समीक्षा + प्रतिबिंब (PAIRR)

• AICoFe: Implementation and Deployment of an AI-Based Collaborative Feedback System for Higher Education — AI सहकर्मी प्रतिपुष्टि प्रणालियाँ

• Unravelling undergraduates' development of evaluative judgments through AI-supported internal feedback — स्नातक छात्रों के मूल्यांकनात्मक निर्णय विकास का उद्घाटन

• Enhancing learner-centered feedback with AI: teachers'' practices and perceptions — AI के साथ शिक्षार्थी-केंद्रित प्रतिपुष्टि का संवर्धन

• Generative AI and linguistic diversity in academic writing and publishing: Perspectives from World Englishes — शैक्षणिक लेखन में जनरेटिव AI और भाषाई विविधता

• GIFT-AI: Teaching the Game and Leveling the Field: Peer and AI Review + Reflection in a Business Writing Course — एक व्यावसायिक लेखन पाठ्यक्रम में PAIRR: सहकर्मी समीक्षा, चैटबॉट प्रतिपुष्टि, प्रतिबिंब (MacArthur आदि 2025)

• Fostering feedback literacy by scaffolding self-regulated feedback: a comparative study of GenAI and human peers — स्व-नियमित प्रतिपुष्टि और प्रतिपुष्टि साक्षरता को स्कैफोल्ड करने के लिए GenAI बनाम मानव सहकर्मी (Gu आदि 2026)

• Positioning Generative AI in EFL Peer Feedback: Training Feedback Literacy and Enabling Uptake in Speaking Classes — बोलने पर EFL सहकर्मी प्रतिपुष्टि में प्रशिक्षक और संश्लेषक के रूप में GenAI (Irwin और Muller 2026)

• Human-centered GenAI feedback design in higher education: a multisite experiment on direct, reflective, and hybrid approaches to scientific argumentation — केवल-सहकर्मी, प्रत्यक्ष, प्रतिबिंबात्मक और संकर GenAI प्रतिपुष्टि की तुलना करने वाला बहु-स्थल प्रयोग (Ateş 2026)

• Leveraging generative AI to facilitate peer feedback in collaborative argumentation learning — सहयोगी तर्क में प्रॉम्प्ट-स्कैफोल्ड की गई GenAI सहकर्मी प्रतिपुष्टि (Chang आदि 2026)

• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — GenAI-मध्यस्थ समूह मूल्यांकन में एजेंसी: सहयोग, संयम, अप्रयोग (Chen और Zou 2026)

• Combating Harms of Generative AI in CS1 with Code Review Interviews and a Flipped Classroom — CS1 में GenAI के लिए हानि-न्यूनीकरण के रूप में मौखिक कोड-समीक्षा साक्षात्कार (Fowles आदि 2026)

• An Interpretable Closed-Loop Intelligent Tutoring System for Multimodal Affective Feedback in Asynchronous Presentation Training — सहकर्मी प्रतिपुष्टि का मापनीय विकल्प के रूप में स्वचालित बहु-माध्यम प्रस्तुति कोचिंग (Suen और Hung 2026)

• Enhancing Peer Exposure and Creating Opportunities for Bridging Social Capital Through an AI-Generated Summary-Driven Learning Design in Online Discussion Forums — AI-जनित चर्चा सारांश ऑनलाइन मंचों में सहकर्मी संपर्क का विस्तार करते हैं (Hao और Cukurova 2026)

• To disclose or not to disclose: Peer influence and psychological factors in students' use of generative artificial intelligence — छात्रों के GenAI प्रकटीकरण में सहकर्मी प्रभाव और संबंधगत विश्वास (Qu और Wang 2026)

• Can Large Language Models Foster Critical Thinking, Teamwork, and Problem-Solving Skills in Higher Education?: A Literature Review — आलोचनात्मक चिंतन, टीमवर्क और समस्या समाधान के लिए LLM की व्यवस्थित समीक्षा (Martínez-Peláez आदि 2025)

• When AI Agents Teach Each Other: Discourse Patterns Resembling Peer Learning in the Moltbook Community — 2.4 मिलियन AI एजेंटों के बीच सहकर्मी-सीखने जैसी वार्ता (Chen आदि 2026)

• Presumed Effective: The Manufacturing of an Evidence Base for AI-in-Education Through Flawed Meta-Analysis — 14 AIED मेटा-विश्लेषणों और 59 प्राथमिक अध्ययनों का ऑडिट (O'Neill 2026)

• Teacher feedback vs. AI-assisted peer feedback in L2 writing: A quasi-experimental study in a Chinese university — L2 लेखन में शिक्षक प्रतिपुष्टि बनाम AI-सहायक सहकर्मी प्रतिपुष्टि: मात्रा, फोकस और दो कार्यों में सुधार की प्रक्षेपवक्राएँ (Tang, Li और Luo 2026)