अवधारणाएँ
पूर्व ज्ञान
यह अंग्रेज़ी पेज का ऑटोमैटिक अनुवाद है और इसकी अभी तक किसी मूल भाषी ने समीक्षा नहीं की है।
पूर्व ज्ञान — वह विद्यमान ज्ञान, कौशल, विश्वास और मानसिक मॉडल जो कोई शिक्षार्थी किसी नई सीखने की कार्य के लिए लाता है। यह आगे होने वाली सीख का एकमात्र सबसे शक्तिशाली पूर्वानुमानक है: नई जानकारी का व्याख्यान उसके माध्यम से होता है — और उसके साथ एकीकृत होती है — जो शिक्षार्थी पहले से जानता है, इसलिए ऐसा शिक्षण जो पूर्व ज्ञान को सक्रिय करता है और उसके ऊपर निर्माण करता है, वह उस शिक्षण से मज़बूत और अधिक टिकाऊ सीख उत्पन्न करता है जो हर शिक्षार्थी को खाली स्लेट मानकर चलता है। AI in education में, पूर्व ज्ञान शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण (शिक्षार्थी की वर्तमान स्थिति के अनुसार instruction का अनुकूलन) के लिए, कंस्ट्रक्टिविज़्म सिद्धांत के लिए — कि ज्ञान विद्यमान मानसिक मॉडल के ऊपर सक्रिय रूप से निर्मित होता है — और इस जोखिम के लिए केंद्रीय है कि ऐसे AI उपकरण जो सामग्री को पहले से खींचकर सामने लाते हैं, वह retrieval practice को दरकिनार कर देते हैं जो पूर्व ज्ञान को सक्रिय करता है।
विचार करने योग्य प्रश्न
- आपने क्या गहराई से सीखा और क्या सीखने में संघर्ष किया? इस अंतर में कितना हिस्सा उस बात पर आता था कि आपने आरंभ करते समय पहले से क्या जानता था?
- पूर्व ज्ञान रखना ही पर्याप्त नहीं है — उसे सक्रिय रूप से स्मरण किया जाना और जोड़ा जाना चाहिए। कब आपने जो पहले से जानते थे उसे याद करना (या याद करने में विफल रहना) किसी नई चीज़ को सीखने के तरीके को बदल दिया?
- पेज कहता है कि पूर्व ज्ञान गलत होने पर हस्तक्षेप कर सकता है (एक भ्रांति)। क्या आप कोई ऐसा विश्वास याद कर सकते हैं जिसके कारण नई, सही जानकारी को सीखना कठिन हो गया?
- जनरेटिव AI जो उत्तरों को पहले से खींच लेता है, वह पूर्व ज्ञान को सक्रिय करने वाली स्मरण-अभ्यास को दरकिनार कर सकता है। ऐसा किसी उपकरण जो आपको सीखने में मदद करने के लिए बना है, वास्तव में आपको यह याद करने से कैसे रोक सकता है कि आप क्या जानते हैं?
- यदि किसी AI को व्यक्तिगत बनाने के लिए आपकी पूर्व-ज्ञान अवस्था का आकलन करना हो, तो जब वह आकलन गलत हो तो क्या होगा? आप कितने भरोसे हैं कि कोई प्रणाली यह सटीक रूप से जान सकती है कि आप पहले से क्या जानते हैं?
- 'पूर्व ज्ञान को सक्रिय करना' केवल teaching से पहले छात्रों से कोई प्रश्न पूछने से कैसे भिन्न है? क्या उस सक्रियण को सचमुच उस सीख को गहरा बनाता बनाएगा जो उसके बाद होती है?
परिचय
पूर्व ज्ञान सक्रियण the learning sciences के सबसे मज़बूत निष्कर्षों में से एक है: शिक्षार्थी नई सामग्री को निर्वात में अवशोषित नहीं करते बल्कि उसे विद्यमान स्कीमा पर मैप करते हैं, और उस मैपिंग की गुणवत्ता ही अवधारण और transfer को निर्धारित करती है। यह अवधारणा Ausubel के एडवांस ऑर्गनाइज़र, नए शिक्षण से पहले पूर्व ज्ञान की सक्रियता, ज्ञात को सक्रिय और मज़बूत बनाने के एक रूप के रूप में स्मरण-अभ्यास, और शिक्षार्थियों के पास मौजूद ज्ञान के नैदानिक मूल्यांकन का आधार है। AI युग में, पूर्व ज्ञान नई तात्कालिकता प्राप्त कर चुका है क्योंकि generative AI या तो सक्रियण का समर्थन कर सकता है (शिक्षार्थियों को याद करने और जोड़ने के लिए prompting करना) या उसे पूरी तरह दरकिनार कर सकता है (तुरंत कोई उत्तर या पहले से खींची गई सामग्री दे देना जिसे शिक्षार्थी को कभी स्मरण या एकीकृत नहीं करना पड़ा)।
पूर्व ज्ञान की भूमिका
- यह सीख का सबसे मज़बूत पूर्वानुमानक है। दशकों के research बताते हैं कि जो शिक्षार्थी पहले से जानता है वह किसी अन्य कारक से अधिक मज़बूती से learning outcomes से सहसंबद्ध है, क्योंकि नई जानकारी का एन्कोडिंग विद्यमान मानसिक मॉडल के सापेक्ष होता है। जो AI प्रणालियाँ हर शिक्षार्थी की पूर्व-ज्ञान अवस्था के अनुसार अनुकूलित होती हैं, वे इसलिए दक्षता और transfer के लिए विशेष आश्वस्त रखती हैं।
- सक्रियण मायने रखता है, केवल अधिग्रहण नहीं। पूर्व ज्ञान रखना पर्याप्त नहीं — उसे सक्रिय रूप से स्मरण किया जाना और नई सामग्री से जोड़ा जाना चाहिए। यही कारण है कि "पूर्व ज्ञान को सक्रिय करना" एक मानक instructional कदम है, और स्मरण-अभ्यास (इसमें जोड़ने से पहले जो आप जानते हैं उसे याद करना) साधारण पुनः-जोखे से परे सीख को सुधारता है।
- यह हमेशा यह पूर्वानुमान नहीं लगाता कि सीखने को चलाने वाला कार्य कौन करता है। 23 मिडिल-स्कूल ट्यूटर के साथ एक पाँच-दिवसीय लर्निंग-बाय-टीचिंग अध्ययन में, पूर्व परीक्षा अंकों ने यह पूर्वानुमान नहीं लगाया कि किसी ट्यूटर ने ज्ञान-निर्माण वाले प्रतिक्रियाओं का कितना हिस्सा उत्पन्न किया, और निम्न-पूर्व ट्यूटर जिन्होंने ज्ञान निर्मित किया, वे उच्च-पूर्व साथियों के साथ सांख्यिकीय रूप से बराबर स्तर पर समाप्त हुए (Ameen et al., 2026)।
- यह व्याख्या को आकार देता है। शिक्षार्थी नई जानकारी का व्याख्यान उसके माध्यम से करते हैं जो वे पहले से मानते हैं। जब वे विश्वास गलत होते हैं (एआई के बारे में गलतफहमियाँ), तो पूर्व ज्ञान सीखने में हस्तक्षेप कर सकता है, यही कारण है कि शिक्षण को भ्रांतियों को उजागर करके और उन्हें संबोधित करके चलना चाहिए न कि तटस्थ आरंभिक बिंदु मान लेना चाहिए।
- यह छात्र मॉडलिंग को चलाता है। व्यक्तिगत बनाने के लिए किसी AI प्रणाली को शिक्षार्थी की पूर्व-ज्ञान अवस्था का आकलन करना होगा — ज्ञान अनुरेखण, छात्र मॉडलिंग और अनुकूली मड्गद का आधार। इन आकलनों की गुणवत्ता यह निर्धारित करती है कि अनुकूलन सचमुच सहायक है या भ्रामक।
- ज्ञान सामग्री निर्धारित करती है कि कौन-सी प्रक्रिया अभ्यास को भर्ती करती है। यह सीख याददाश्त पर निर्भर है या आगमन पर, यह लक्ष्य की पूर्व-ज्ञान संरचना द्वारा निर्धारित होता है: Rachatasumrit, Koedinger & Carvalho (2025) KLI ढाँचे का अनुसरण करते हुए उन ज्ञान घटकों में अंतर करते हैं जिनकी शर्तें और प्रतिक्रियाएँ स्थिर हैं (तथ्य, याददाश्त और स्मरण-अभ्यास से अर्जित) और उनमें जिनकी शर्तें और प्रतिक्रियाएँ परिवर्तनशील हैं (कौशल, आगमन और नए इनपुट में सामान्यीकरण से अर्जित) — यही कारण है कि तथ्य सामग्री बनाम कौशल सामग्री के लिए कामकाजी उदाहरणों और अभ्यास का इष्टतम मिश्रण भिन्न होता है।
AI युग में पूर्व ज्ञान
जनरेटिव AI ने पूर्व ज्ञान को एक पृष्ठभूमि चर के बजाय एक केंद्रीय डिज़ाइन विचार बना दिया है:
- दरकिनार करने का जोखिम। Proactive agentic AI जो सामग्री को पहले से खींचकर सामने लाता है, वह स्मरण-अभ्यास को दरकिनार कर सकता है जो पूर्व ज्ञान को सक्रिय करता है — शिक्षार्थी को उत्तर पाने से पहले यह याद करने या एकीकृत करने की आवश्यकता नहीं होती कि वे क्या जानते हैं। यह agentic-शिक्षा सर्वोत्तम-अभ्यास ढाँचे में पहचाने गए छह शैक्षणिक जोखिमों में से एक है, और यह सीधे Over-Reliance और वांछनीय कठिनाइयाँ सिद्धांत से जुड़ता है कि प्रयासपूर्ण प्रसंस्करण टिकाऊ सीख का समर्थन करता है।
- पूर्व ज्ञान ऑफलोडिंग के पैटर्न को आकार देता है, केवल परिणामों को नहीं। एक सिंथेसिस-लेखन अध्ययन में उच्च-ज्ञान, न्यूनतम-ऑफलोडिंग क्लस्टर ने अपने निबंध का 80% लिखा, जबकि सबसे भारी ऑफलोडिंग क्लस्टर के लिए यह 2% था (माध्य 25.1 प्रॉम्प्ट), इसलिए प्रॉम्प्ट की मात्रा पूर्व ज्ञान को ट्रैक करती थी, प्रयास को नहीं (Poquet et al. (2026))।
- लाभ अंतराल संचित होता है। क्योंकि AI का उत्पादक उपयोग उस पर निर्भर करता है जो शिक्षार्थी पहले से जानता है, मज़बूत पूर्व ज्ञान वाले छात्र इसका बेहतर लाभ उठाते हैं जबकि नौसिखिए इसे सबसे अधिक स्थानापन्न मानने की संभावना रखते हैं — एक वितरणीय जोखिम जो समान पहुँच होने पर भी उपलब्धि अंतराल को चौड़ा कर सकता है (Lodge & Loble (2026))।
- डिज़ाइन के रूप में प्राइमिंग और सक्रियण। GenAI mindtool approaches जानबूझकर "सीखने के कार्य को प्राइम" करते हैं — पूर्व ज्ञान और जिज्ञासा को प्रॉम्प्टिंग प्रश्नों, AI-जनित दृश्यों और उदाहरणों (जैसे, "पारिस्थितिकी तंत्र के बारे में आप पहले से क्या जानते हैं?") के माध्यम से नई सामग्री पेश करने से पहले सक्रिय करके — उत्तर-आपूर्ति मार्ग के बजाय स्मरण-और-एकीकरण मार्ग को मॉडल करके।
- छात्र मॉडलिंग और स्मृति। AI प्रणालियाँ शिक्षार्थियों की पूर्व-ज्ञान अवस्था और अनुदैर्ध्य स्मृति का तेज़ी से मॉडल बनाती हैं (जैसे, ट्यूटरिंग स्मृति में पूर्व-ज्ञान अवस्था और विस्मृति वक्र को शामिल करना), जिससे वह जो हर शिक्षार्थी पहले से जानता है उसके ऊपर स्पेस्ड रिपिटिशन और अनुकूली समीक्षा संभव होती है।(PersonaVLM: Long-Term Personalized Multimodal LLMs)
- एक व्यक्तिगत-अनुकूलन उपकरण। क्योंकि शिक्षार्थी पूर्व ज्ञान में व्यापक रूप से भिन्न होते हैं, अनुकूलन को व्यक्ति के अनुसार ट्यून किया जाना चाहिए — व्यक्तिगत शिक्षा और अनुकूली मड्गद के लिए एक मूल तर्क जो शिक्षार्थियों को उनके वास्तविक वर्तमान राज्य में मिले, कक्षा-औसत मान्यता में नहीं।
AI शिक्षा में डिज़ाइन करने के लिए निहितार्थ
- आपूर्ति से पहले सक्रिय करें। AI इंटरैक्शन को इस प्रकार डिज़ाइन करें कि नई सामग्री या उत्तर देने से पहले शिक्षार्थियों को यह स्मरण और स्पष्ट करने के लिए प्रॉम्प्ट किया जाए कि वे पहले से क्या जानते हैं — स्मरण-अभ्यास को संरक्षित करना, उसे दरकिनार नहीं करना।
- शिक्षार्थी की पूर्व-ज्ञान अवस्था का मॉडल बनाएँ। छात्र मॉडलिंग और अनुकूलन का निर्माण अनुमानित पूर्व ज्ञान (और उसकी भ्रांतियों) पर करें, मानी हुई एकरूपता पर नहीं, ताकि व्यक्तिगतकरण सचमुच उत्तरदायी बने।
- भ्रांतियों को उजागर और संबोधित करें। जब पूर्व ज्ञान गलत होता है, तो यह हस्तक्षेप करेगा; शिक्षण को भ्रांतियों को उद्ग्राहित और सुधारना चाहिए, बजाय दोषपूर्ण नींव के ऊपर नई सामग्री जोड़ने के।
- घर्षण के व्यापार-विनिमय को तौलें। पूर्व ज्ञान को सक्रिय करना वांछनीय कठिनाई (स्मरण, एकीकरण) जोड़ता है जिसे AI की घर्षण-हटाने वाली डिफ़ॉल्ट प्रवृत्तियाँ मिटाने की कोशिश करती हैं — एक तनाव जिसे जानबूझकर प्रबंधित करना चाहिए, न कि स्वचालन को डिफ़ॉल्ट रूप से हल करने देना चाहिए।
संबंधित अवधारणाएँ
- शिक्षार्थी — Learners: शिक्षार्थी-पक्ष की अवधारणाओं के लिए छत्र
- कंस्ट्रक्टिविज़्म
- व्यक्तिगत शिक्षा
- शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण
- एआई के बारे में गलतफहमियाँ
- ICAP फ्रेमवर्क
- ज्ञान अनुरेखण
- मड्गद
- स्व-नियंत्रित अधिगम
- सीखने का अंतरण
- मेटाकॉग्निशन
- संज्ञानात्मक ऑफलोडिंग
- वांछनीय कठिनाइयाँ
- सीखने के सिद्धांत
- उत्पादक विफलता — Productive Failure
- पुनर्प्राप्ति, अंतराल और प्रक्षेपण — यह कि शिक्षार्थी पहले से क्या जानता है, यह निर्धारित करता है कि स्मरण-अभ्यास क्या कर सकता है
संबंधित लेख
- Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — स्वचालन और सीख के बीच तनाव (पूर्व ज्ञान सक्रियण जोखिम)
- Generative AI (GenAI) as a mindtool that supports generative learning (GL) — GenAI माइंडटूल के रूप में: प्राइमिंग और पूर्व ज्ञान को सक्रिय करना
- PersonaVLM: Long-Term Personalized Multimodal LLMs — LLM छात्र मॉडलिंग और स्मृति
- Artificial intelligence, cognitive offloading and implications for education — संज्ञानात्मक ऑफलोडिंग पर Lodge & Loble
- Profiling cognitive offloading in LLM-mediated synthesis writing: Volume vs. content — LLM सिंथेसिस लेखन में संज्ञानात्मक ऑफलोडिंग
- WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators — गणित के लिए एक शिक्षण-डिज़ाइन ढाँचा
- Beyond prior knowledge: the predictive role of knowledge-building in tutor learning — पूर्व ज्ञान के बजाय ज्ञान-निर्माण ट्यूटर सीख का पूर्वानुमान लगाता है, और ज्ञान निर्माण करने वाले निम्न-पूर्व ट्यूटर पकड़ लगाते हैं
- Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content