समस्या-आधारित अधिगम

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

समस्या-आधारित अधिगम (PBL) — एक शिक्षार्थी-केंद्रित शिक्षण पद्धति जिसमें छात्र एक वास्तविक, प्रायः असंरचित समस्या को समझने और हल करने के लिए प्रयास करते हुए ज्ञान और कौशल अर्जित करते हैं, जबकि एक सुविधा प्रदाता शिक्षण देने के बजाय अन्वेषण का मार्गदर्शन करता है। एआई युग में, पीबीएल की संरचनात्मक विशेषताएँ — समस्या-प्रेरित अन्वेषण, सहयोगी ज्ञान निर्माण, निर्देशन के ऊपर सुविधा प्रदान करना, और अध्यवसायी चिंतन — ठीक उन्हीं शर्तों के रूप में उभरी हैं जिनमें जनरेटिव एआई का एकीकरण प्रतिस्थापनकारी के बजाय शैक्षिक रूप से उत्पादक बनता है।

विचार के लिए प्रश्न

समस्या-आधारित अधिगम में, समस्या पाठ्यक्रम की प्रेरक शक्ति है—जहाँ और पढ़ाए गए कंटेंट का उदाहरण नहीं। क्या आप कोई ऐसा समय याद कर सकते हैं जब आपने कुछ गहराई से सीखा क्योंकि आप पहले एक वास्तविक समस्या हल कर रहे थे?
यह पेज तर्क देता है कि पीबीएल की विशेषताएँ (समस्या-प्रेरित अन्वेषण, सहयोग, सुविधा प्रदान करना, चिंतन) ठीक वे शर्तें हैं जिनमें एआई उपाय के बजाय उत्पादक साथी बनता है। ऐसा क्यों हो सकता है?
एआई प्रस्तुत कृति और उसे बनाने वाले प्रयास के बीच के संबंध को तोड़ देता है—'कृति-जैसी-प्रॉक्सी' समस्या। केवल उत्पाद के बजाय प्रक्रिया का आकलन करने से कैसे मदद मिलती है, और प्रक्रिया मूल्यांकन को कठिन क्या बनाता है?
पीबीएल चिकित्सा शिक्षा में आंशिक रूप से इसलिए उत्पन्न हुआ क्योंकि व्यावसायिक दक्षता के लिए अनुकूली निर्णय चाहिए, नियमित निष्पादन नहीं। इन दोनों में क्या अंतर है, और एआई यह बदलता है कि हम किसके लिए प्रशिक्षित करते हैं?
यदि एआई अब 'कठिन समस्याएँ' (wicked problems) और जटिल वास्तविक दुनिया के मामलों को अधिक छात्रों तक पहुँचने योग्य बना सकता है, तो जब चुनौती पहुँचने में आसान हो जाती है तो क्या खोया जा सकता है?
एक पीबीएल सेटिंग में एआई को समस्या, संकेत, या उत्तर देने के बीच रेखा कहाँ खींचनी चाहिए? किसी भी क्षण में सही कदम कौन तय करता है?

परिचय

पीबीएल चिकित्सा शिक्षा में उत्पन्न हुआ (मैकमास्टर विश्वविद्यालय, 1960 का दशक) और तब से स्वास्थ्य पेशेवरों, इंजीनियरिंग और K-12 में फैल गया। शिक्षार्थी सीखने की ज़रूरतों का निदान करने, संसाधनों की पहचान करने और समाधान बनाने की ज़िम्मेदारी लेता है, जबकि सुविधा प्रदाता प्रक्रिया को मंच प्रदान करता है। पीबीएल का विशिष्ट दावा यह है कि समस्या पाठ्यक्रम की प्रेरक है—जहाँ और पढ़ाए गए कंटेंट का उदाहरण नहीं, बल्कि वह संदर्भ जिसमें कंटेंट सीखा जाता है।

एआई युग में पीबीएल

ज्ञान आधार का अनुसंधान दिखाता है कि पीबीएल उत्पादक एआई एकीकरण के बारे में सोचने का एक केंद्रीय बिंदु बन गया है।

पीबीएल की संरचनात्मक शर्तें एआई एकीकरण को उत्पादक बनाती हैं। रो (2026) तर्क देते हैं कि पीबीएल की मुख्य विशेषताएँ — समस्या-प्रेरित अन्वेषण, सहयोगी निर्माण, सुविधा प्रदान करना, अध्यवसायी चिंतन — ठीक वे शर्तें हैं जिनमें एआई व्यावसायिक विकास में उपाय के बजाय साथी के रूप में काम करता है। यह संरेखण संरचनात्मक है, पश्चवर्ती नहीं: पीबीएल को एआई के आने से पहले ही इन शर्तों के इर्द-गिर्द डिज़ाइन किया गया था, इस मान्यता से प्रेरित कि व्यावसायिक दक्षता के लिए अनुकूली निर्णय चाहिए न कि नियमित निष्पादन।
एआई समस्या जटिलता की छत बढ़ाता है। वही तर्क है कि एआई उस समस्या श्रेणी का विस्तार करता है जिससे पीबीएल जुड़ सकता है, जिससे "wicked problems" और जटिल वास्तविक मामले उन छात्रों तक पहुँचने योग्य बन जाते हैं जो पहले उन तक नहीं पहुँच सकते थे।
कृति-जैसी-प्रॉक्सी की समस्या। एआई प्रस्तुत कृति और उसे बनाने वाली संलग्नता के बीच के संबंध को तोड़ देता है — एक ऐसी समस्या जिसे संबोधित करने में पीबीएल अच्छी स्थिति में है क्योंकि यह प्रक्रिया और प्रदर्शित समझ का आकलन करता है, केवल उत्पाद का नहीं। यह पीबीएल को प्रामाणिक और प्रक्रिया-आधारित आकलन से और ज्ञान आधार के अति-निर्भरता साहित्य से जोड़ता है।

तीन-स्तरीय मेटा-विश्लेषण जो जेएनएआई-समर्थित पीबीएल को प्रोजेक्ट-आधारित अधिगम के साथ जोड़ता है, उत्पाद और समाधान प्रदर्शन को एक अलग मॉडल में रखता है ठीक इसलिए क्योंकि यह मानव-एआई सहयोगी उत्पादन को मापता है न कि आंतरिकृत सीख को, और वह अनुमान समीक्षकों के रिपोर्ट किए सबसे बड़ा है (g = 1.958) जबकि यह केवल छह अध्ययनों पर आधारित है और इसमें [−0.740, 4.656] का अनुमानित 95% पूर्वानुमान अंतराल है जो शून्य को पार करता है — ऊपर की कृति-जैसी-प्रॉक्सी चेतावनी का मात्रात्मक रूप (चेन एट अल. 2026)।

ChatGPT अनुकूली मंच के रूप में। ला सुनरा एट अल. (2026) दिखाते हैं कि K-12 (120 आठवीं कक्षा के छात्रों) में समीक्षात्मक सोच और व्यक्तिगत अधिगम में सुधार के लिए अनुकूली मंच के रूप में एकीकृत ChatGPT। यह एआई को पीबीएल के भीतर सहायता के रूप में मानता है, उत्तर मशीन के रूप में नहीं।
एक विवाद-प्रविष्ट करने वाला एजेंट समूहचिंतन का मुकाबला कर सकता है। एक इंटरप्रोफेशनल पीबीएल सत्र में तीन निर्धारित बिंदुओं पर आवाज़ दिया गया एक जेएनएआई एजेंट विवादपूर्ण दृष्टिकोण प्रस्तुत करता है, और छात्रों ने बताया कि उसका खंडन करने से उन्हें बोलने का सामाजिक रूप से स्वीकार्य तरीका मिला, और असहमति ने चिंतन को प्रेरित किया भले ही उन्होंने एजेंट के उत्तर अस्वीकार कर दिए (विस एट अल. (2025)).
प्री-सर्विस शिक्षक तैयारी से अर्ध-प्रायोगिक प्रमाण। चेन और ओस्मान (2026) ने 130 तृतीय-वर्ष के प्री-सर्विस भौतिकी शिक्षकों (प्रति स्थिति 65) के लिए आठ सप्ताह के एआई-समर्थित CTD-PBL मॉड्यूल की पारंपरिक शिक्षण से तुलना की, जिसमें DeepSeek कार्य-विशिष्ट प्रॉम्प्ट टेम्पलेट के माध्यम से एक सीमित सहायक के रूप में उपयोग हुआ — पाठ-विचार निर्माण, संसाधन संगठन, व्याख्या तुलना, सहकर्मी-प्रतिपुष्टि प्रॉम्प्ट और संशोधन नियोजन — और हर एआई आउटपुट को कंटेंट सटीकता, शिक्षाशास्त्रीय उपयुक्तता, व्यवहार्यता और नैतिकता के विरुद्ध सत्यापन पास करना आवश्यक था, इससे पहले कि वह किसी शिक्षण कृति में प्रवेश करे। मॉड्यूल समूह ने उच्च पोस्ट-टेस्ट टीपैक (M = 4.04 बनाम 3.40, d = 1.02) और उच्च अनुभूत सहयोगी समस्या समाधान (M = 3.62 बनाम 3.05, d = 0.88) दर्ज किया, और सबसे बड़े इंटरैक्शन प्रभाव साझा ज्ञान निर्माण और सामाजिक नियमन पर पड़े — ठीक वे सहयोगी प्रक्रिया आयाम जिन्हें ऊपर के संरचनात्मक तर्क की भविष्यवाणी है कि एआई उन्हें मजबूत करे न कि उनका उपाय खोजे। लेखक स्पष्ट हैं कि एआई को एक स्वतंत्र चर के रूप में अलग नहीं किया गया: अंतरालीय परिवर्तन समस्या-आधारित कार्यों, संरचित सहयोग, प्रशिक्षक मंच, सहकर्मी प्रतिपुष्टि और चिंतनशील संशोधन की पूरी स्थिति से जुड़ा है, और दोनों परिणाम स्व-रिपोर्ट किए गए अनुभाव थे न कि अवलोकित अभ्यास।
उत्तरदायी उपयोग ढाँचे। उदेन और ह्वांग (2026) तंत्रिका-विज्ञान-सूचित LEARN ढाँचे (लाइफलॉन्ग लर्निंग, संलग्नता, सक्रिय प्रोसेसिंग, चिंतन, तंत्रिका-आधारित डिज़ाइन) का प्रस्ताव करते हैं जो पीबीएल के भीतर जनरेटिव एआई के उपयोग को नैतिक रूप से आधार बनाता है, संज्ञानात्मक अतिरिक्त भार हटाना और ईमानदारी के कम होने का मुकाबला करता है।
डोमेन कार्यान्वयन। बायोमेडिकल इंजीनियरिंग के लिए पीबीएल ढाँचे जनरेटिव एआई का उपयोग सारांश और कोडिंग सहायता के लिए रेप्लिकेशन पैकेजों के साथ करते हैं (न्नमदी एट अल. 2026); एआई-समर्थित पीबीएल रोबोटिक्स में कम्प्यूटेशनल सोच को बढ़ाता है (कम्प्यूटेशनल सोच के लिए एआई-समर्थित पीबीएल); और जेएनएआई-सक्षम आभासी रोगी चिकित्सा इतिहास लेने के ट्यूटोरियल का समर्थन करते हैं (मूल एट अल. 2026)।
प्रमाण संश्लेषण। अमदान एट अल. (2026) एक मानव-कंप्यूटर इंटरैक्शन ढाँचे के भीतर पीबीएल में एआई के साथ शिक्षकों की सहभागिता पर 50 अध्ययनों (2015–2024) का व्यवस्थित समीक्षा करते हैं।
परिदृश्य-आधारित पीबीएल में जेएनएआई। नेतो और सहकर्मियों (2026) ने स्वास्थ्य शिक्षा में जेएनएआई की व्यवस्थित समीक्षा में परिदृश्य-आधारित दृष्टिकोणों के बीच समस्या-आधारित अधिगम को शामिल किया, और पाया कि प्रॉम्प्ट डिज़ाइन शिक्षण विशिष्टीकरण के रूप में कार्य करता है और संकर मानव-एआई सहयोग पूर्णतः स्वचालित दृष्टिकोणों से बेहतर प्रदर्शन करता है। समीक्षा पीबीएल संदर्भों में उत्पन्न कंटेंट के शिक्षण ढाँचों के साथ मजबूत संरेक्षण और अधिक पुनरुत्पादनीय प्रॉम्प्टिंग प्रथाओं की आवश्यकता पर प्रकाश डालती है।
AI ट्यूटर के ज्ञान वितरण को ले जा सकता है लेकिन समूह सीखने के सामाजिक विनियमन को नहीं। एक चार-सप्ताह की फ़ार्माकोलॉजी अर्ध-प्रयोग में, Shetty & Rao (2026) ने पाया कि AI-मध्यस्थ PBL ने सुविधाकर्ता-नेतृत्व वाले शैक्षणिक लाभों से मेल किया (समूह-बीच p = 0.474), जबकि सुविधाकर्ता-नेतृत्व वाले समूहों ने समूह गतिशीलता (26.51 बनाम 24.74, p = 0.035) और महत्वपूर्ण सोच (14.75 बनाम 13.09, p < 0.001) में लाभ बरकरार रखा।

अन्य शिक्षाशास्त्रियों की तुलना में पीबीएल

पीबीएल प्रोजेक्ट-आधारित अधिगम से घनिष्ठ रूप से संबंधित है — दोनों शिक्षार्थी-केंद्रित और समस्या/संदर्भ-प्रेरित हैं — लेकिन पीबीएल एक असंरचित समस्या पर केंद्रित है जिसके समाधान के लिए अन्वेषण और ज्ञान निर्माण चाहिए, जबकि प्रोजेक्ट-आधारित अधिगम एक मूर्त कृति या प्रोजेक्ट के उत्पादन पर केंद्रित है। पीबीएल केस-आधारित और जाँच-आधारित अधिगम से भी संबंधित है, जो समस्या-प्रेरित, सुविधा-नेतृत्व वाली संरचना साझा करते हैं। ज्ञान आधार के मानचित्रण में, उत्पादक एआई एकीकरण के लिए संरचनात्मक तर्क इन सुविधाओं को साझा करने वाली किसी भी शिक्षाशास्त्र पर लागू होता है, केवल पीबीएल पर नहीं।

एआई एकीकरण के लिए पीबीएल महत्वपूर्ण क्यों है

चूँकि पीबीएल कृति उत्पादन के ऊपर प्रक्रिया, सहयोग और प्रदर्शित समझ को अग्रिम रखता है, यह जिम्मेदार एआई उपयोग का एक स्वाभाविक घर है: छात्र प्रतिस्थापक के रूप में एआई से सीखते नहीं, बल्कि साथी के रूप में एआई के साथ सीखते हैं। सुविधा प्रदाता की भूमिका और समस्या का डिज़ाइन वे लीवर बन जाते हैं जो यह निर्धारित करते हैं कि एआई सीख का समर्थन करता है या उसे विस्थापित करता है — वही मानव निरीक्षण और आकलन-डिज़ाइन चिंताएँ जो पूरे ज्ञान आधार में बार-बार आती हैं।

उत्पादक विफलता और पीबीएल

उत्पादक विफलता (PF) पीबीएल के कंस्ट्रक्टिविज़्म मूल — शिक्षार्थी निर्देशन से पहले समस्याओं में संलग्न होते हैं — को साझा करती है — लेकिन संरचना में भिन्न है: PF जानबूझकर निर्देशन और मंच को तब तक रोकता है जब तक बाद में शिक्षार्थी समाधान बनाने के लिए संघर्ष न कर लें, जबकि पीबीएल शुरू से अंत तक सुविधा प्रदान करता है। एआई युग के पीएफ साहित्य सीधे बताता है कि समस्या-आधारित सेटिंग के भीतर एआई को कैसा व्यवहार करना चाहिए: किम एट अल. (2026) दिखाते हैं कि एआई को पीएफ चरणों में अप्रत्यक्ष सहायता के साथ उत्पादक संघर्ष को संरक्षित रखना चाहिए; प्यूच एट अल. (2025) प्रदर्शित करते हैं कि बड़े भाषा मॉडल (LLMs) शिक्षकों को उत्तर रोकने और कई समाधान प्रयास उत्पन्न कराने के लिए निर्देशित किया जा सकता है; और प्रोडक्टिवमैथ उच्च गुणवत्ता वाली पीएफ/पीबीएल-शैली की समस्याओं को डिज़ाइन करने में मदद के लिए एआई का उपयोग करता है। डिज़ाइन प्रश्न — एआई को कब समस्या, संकेत, या उत्तर देना चाहिए — दोनों शिक्षाशास्त्रियों में साझा है।

मेटाडेटा

विषय क्षेत्र	Medical Education, Engineering Education
स्तर	Higher Ed
अधिगम और शिक्षण	सक्रिय अधिगम (Active Learning), सहयोगी शिक्षा, मड्गद
प्रौद्योगिकियाँ और तकनीकें	जनरेटिव-AI
शिक्षा में AI की नींव	आलोचनात्मक सोच

Source History Edit Chat