गुणात्मक अनुसंधान

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

गुणात्मक अनुसंधान — वे अनुभवजन्य विधियों का परिवार जो अध्ययन करती हैं कि लोग किसी घटना का अनुभव किस प्रकार करते हैं, उसका निर्वचन करते हैं और उससे अर्थ बनाते हैं — आमतौर पर संख्याओं के बजाय शब्दों, प्रेक्षणों और कलाकृतियों के माध्यम से। शिक्षा में AI में, गुणात्मक विधियाँ यह प्रकट करती हैं कि छात्र और शिक्षक AI उपकरणों का अनुभव वास्तव में कैसे करते हैं — वे अर्थ, तनावें, हानियाँ और तंत्र जिन्हें मानकीकृत मापें चूक जाती हैं। क्योंकि शिक्षा में AI तेज़ी से बदल रहा है और इसके प्रभाव अक्सर संदर्भ, धारणा और भरोसा तथा शिक्षार्थी सक्रियता जैसे विवादास्पद निर्माणों से मध्यस्थ होते हैं, गुणात्मक कार्य मात्रात्मक डिज़ाइनों के साथ-साथ आवश्यक है (देखें AIED में शोध विधियाँ)।

प्रश्न जिन पर विचार करना चाहिए

• एक सर्वेक्षण आपको बताता है कि 40% छात्र एक AI शिक्षक पर भरोसा नहीं करते; एक फोकस समूह आपको बताता है कि वे ऐसा क्यों करते हैं। कौन सी संख्या आपको अधिक क्रियान्वयनीय लगती है, और प्रतिशत जो नहीं दे सकता वहाँ 'क्यों' क्या जोड़ता है?
• गुणात्मक निष्कर्ष आमतौर पर सांख्यिकीय रूप से सामान्यीकरणीय नहीं होते, फिर भी वे अक्सर 'वैचारिक रूप से सामान्यीकरणीय' होते हैं — तंत्र और गतिशीलताएँ जो कहीं और स्थानांतरित होती हैं। पढ़ने से पहले, किसी निष्कर्ष के 'अवधारणा में सामान्यीकरणीय लेकिन सांख्यिकी में नहीं' होने का क्या अर्थ है?
• पेज चेतावनी देता है कि मानव–LLM कोडिंग में सहमति कोडिंग गुणवत्ता के समान नहीं है जब मानव सहमति ही आधार-सत्य न हो। क्या आपने कभी 'दो समीक्षकों ने सहमति दी' को किसी चीज़ के सही होने का प्रमाण माना है? सहमति कब सत्य का संकेत होती है, और कब वह केवल साझा त्रुटि होती है?
• यदि AI अब बड़े पैमाने पर गुणात्मक कोडिंग में सहायता कर सकता है, तो क्या यह उस व्याख्यात्मक गहराई को खतरे में डालता है जो गुणात्मक अनुसंधान को मूल्यवान बनाती है, या केवल उसकी थकाऊ मेहनत को स्वचालित करता है? आप किसी दिए गए अध्ययन में यह कैसे तय करेंगे कि कौन हो रहा है?
• गुणात्मक कार्य कम प्रतिनिधित्व वाली आवाज़ों को केंद्र में रखता है — नस्लीय अल्पसंख्यक छात्र, संदेहवादी गैर-उपयोगकर्ता — जिन्हें बड़े सर्वेक्षण अक्सर चूक जाते हैं। शिक्षा में AI के किसी एक दावे के बारे में सोचें जिसे आपने सुना हो। उसके सुर्खियों वाली संख्या में संभवतः किसका अनुभव दर्ज नहीं है?
• कोई एक विवादास्पद निर्माण चुनें जिसकी आपको परवाह है — भरोसा, स्वायत्तता, या हानि। पढ़ने से पहले, यह रेखांकित करें कि आप उसका अध्ययन संख्याओं के बजाय शब्दों और प्रेक्षणों से कैसे करेंगे, और ऐसा करने पर आप क्या खोएँगे।

परिचय

गुणात्मक अनुसंधान एक एकल विधि नहीं बल्कि एक परिवार है, जो इस आधार पर संगठित है कि वे क्या अध्ययन करती हैं और कैसे साक्ष्य एकत्र और विश्लेषित किया जाता है। उन्हें जोड़ता है अर्थ-निर्माण, संदर्भ और विस्तार के बजाय गहराई पर ज़ोर। गुणात्मक निष्कर्ष आमतौर पर सांख्यिकीय अर्थ में सामान्यीकरणीय नहीं होते, लेकिन वे अक्सर वैचारिक रूप से सामान्यीकरणीय होते हैं — तंत्र, श्रेणियाँ और गतिशीलताएँ प्रकट करते हुए जो अन्य संदर्भों में स्थानांतरित होती हैं। ज्ञान आधार के संग्रह में, गुणात्मक कार्य AI स्वीकृति, भरोसा, हानि, शिक्षण अभ्यास और सीखने की प्रक्रियाओं के अध्ययन में प्रमुख है।

प्रमुख गुणात्मक दृष्टिकोण

विषयगत विश्लेषण

विषयगत विश्लेषण गुणात्मक आँकड़ों में पैटर्न ("विषय") की पहचान, कोडिंग और व्याख्या करता है — आमतौर पर साक्षात्कार या फोकस-समूह प्रतिलेख, खुले-अंत वाले सर्वेक्षण प्रतिक्रियाएँ, या दस्तावेज़। यह ज्ञान आधार के गुणात्मक अध्ययनों में सर्वाधिक व्यापक रूप से उपयोग किया जाने वाला दृष्टिकोण है। साक्षात्कार और खुले-अंत वाली प्रतिक्रियाएँ स्वयं स्व-रिपोर्टिंग आँकड़े हैं, इसलिए वे व्यवहार के बारे में किए जा सकने वाले दावों की सीमाएँ साझा करती हैं — स्व-रिपोर्टिंग साक्ष्य कहाँ मज़बूत है और कहाँ टूटता है, यह उस पेज पर देखें। भौतिकी में भरोसा–उपयोगिता अंतर का एक अध्ययन छात्र साक्षात्कार आँकड़ों के विषयगत विश्लेषण का उपयोग विषय-विशिष्ट संदेहवाद और अपनाने की वरीयताओं को सामने लाने के लिए करता है; GenAI और शिक्षक प्रतिपुष्टि की तुलना उपयोगिता और विश्वसनीयता की छात्र धारणाओं का विश्लेषण करती है; और वयस्क AI सीखने के लिए दिशानिर्देश विशेषज्ञ और शिक्षार्थी इनपुट के विषयगत कोडिंग से डिज़ाइन सिद्धांत निकालते हैं। AI शिक्षण कार्यप्रवाहों को कैसे बदलता है शिक्षकों के विवरणों के विषयगत विश्लेषण पर निर्भर है।

कोडिंग विश्वसनीयता को एक निरंतर प्रक्रिया बनाया जा सकता है, एक बार के जाँच के बजाय। Galiç et al. (2026) 304 टिप्पणी कथनों को Krippendorff के α = .803 पर कोड करते हैं, पाँच आंशिक रूप से ओवरलैप होने वाले मामलों पर सहमति की निगरानी करते हैं (पूल किया गया κ = 0.937), और पुनः आरंभ करने से पहले जब भी सहमति 0.85 पुनः-अंशांकन सीमा से नीचे गिरती है तो विवादित कथनों को पुनः कोड करते हैं; कोडित कथन तब एक ज्ञानात्मक नेटवर्क विश्लेषण में प्रवेश करते हैं जो यह मॉडल करता है कि कौन सी आयाम सह-घटित होती हैं, विषयों की सपाट सूची के बजाय।

आधारित सिद्धांत

आधारित सिद्धांत (grounded theory) सिद्धांत को आँकड़ों से निर्माण करता है, पूर्व-निर्धारित ढाँचे का परीक्षण करने के बजाय, पुनरावृत्त कोडिंग (खुला → अक्षीय → चयनात्मक) का उपयोग करता है जब तक सैद्धांतिक संतृप्ति न हो। यह उभरती हुई AI-शिक्षा घटनाओं के बारे में नया सिद्धांत बनाने के लिए आदर्श है। Liu et al. उपकरण, शिक्षक, या टेक का आधारित सिद्धांत विकसित करते हैं — यह एक तीन-मोड श्रेणीबद्धकरण है कि छात्र प्रोग्रामिंग शिक्षा में AI पर मेड़ा बढ़ाते या बोझ डालते हैं कैसे — सीधे संज्ञानात्मक ऑफलोडिंग का सैद्धांतिक रूप से निर्माण करते हुए। महत्वपूर्ण AI शिक्षकों का एक आधारित-सिद्धांत अध्ययन जाँचता है कि ऐसे शिक्षक शिक्षार्थियों को सशक्त बनाते हैं या दास बनाते हैं। मानव-केंद्रित GenAI प्रतिपुष्टि डिज़ाइन एक बहु-स्थल अध्ययन में आधारित विश्लेषण का उपयोग करता है। ऐसे आधारित सिद्धांत क्षेत्र के सिद्धांत निर्माण को कैसे पोषित करते हैं, यह शिक्षा में कृत्रिम बुद्धिमत्ता में सिद्धांत विकास में भी देखें।

घटनाविज्ञान और घटना-वर्णन

घटनाविज्ञानात्मक दृष्टिकोण किसी घटना के जीवित अनुभव का अध्ययन करते हैं — AI के साथ सीखना कैसा होता है — जबकि घटना-वर्णन (phenomenography) अध्ययन करती है कि लोग किसी घटना का अनुभव और समझ गुणात्मक रूप से भिन्न तरीकों से कैसे करते हैं ("वर्णन की श्रेणियाँ" उत्पन्न करते हुए)। अनुपस्थित संज्ञानात्मक आधाररेखा AI के अधीन स्व-मूल्यांकन के छात्रों के जीवित अनुभवों से एक संरचनात्मक अंतराल का सैद्धांतिक रूप से निर्माण करता है; एक घटनाविज्ञानात्मक अध्ययन AI के साथ कार्य पूरा करने के अनुभव को पकड़ता है जबकि जानबूझकर उसे समझे बिना; और एक सामाजिक-सांस्कृतिक, व्याख्यात्मक अध्ययन विश्लेषण करता है कि GenAI गणित शैक्षणिक अभ्यास में एक "भागा हुआ वस्तु" कैसे बनता है।

प्रवचन विश्लेषण

प्रवचन विश्लेषण जाँचता है कि उपयोग में भाषा अर्थ, पहचान और शक्ति कैसे निर्मित करती है — कक्षा की बातचीत, लिखित पाठ, या अन्योन्यक्रियात्मक अनुक्रमों का विश्लेषण करते हुए। NSPA दीर्घ-क्षितिज कक्षा प्रवचन विश्लेषण (यहाँ संगणकीय रूप से सहायित) करता है ताकि कक्षा अन्योन्यक्रिया को समझने में बोली पूर्वाग्रह को कम किया जा सके; नस्लीय अल्पसंख्यक तैयारी छात्रों का एक अध्ययन प्रॉम्प्ट इंजीनियरिंग कार्यों में सहयोगपूर्ण प्रवचन का विश्लेषण करता है। प्रवचन विश्लेषण गुणात्मक व्याख्या को संगणकीय विधियों से जोड़ता है जब उसे शैक्षिक एनएलपी के साथ जोड़ा जाता है।

Poudyal (2026) दिखाता है कि प्रवचन कोडिंग कैसे लेखा-परीक्षण योग्य बनती है जब उसे गणनीय नियमों के रूप में प्रस्तुत किया जाता है: 366 सार और 91,405 टोकन में, एक संबद्धता केवल तब गिनी जाती है जब एक कार्ता छह मध्यवर्ती शब्दों के भीतर एक विधेय से पहले आता है, और नामात्मक निकटता को बाहर रखा जाता है ताकि "AI शासन" कभी इस प्रमाण के रूप में न गिना जाए कि AI शासन करता है — एक नियम-आधारित सन्निकटन, न कि निर्भरता पदच्छेद, जिसकी सीमाएँ डिज़ाइन स्वयं बताता है।

प्रेक्षण और नृविज्ञान

प्रेक्षण अध्ययन संदर्भ में व्यवहार देखते हैं; नृविज्ञान (ethnography) इसे किसी सेटिंग के संतुलित, गहरे अध्ययन तक बढ़ाता है, अक्सर शोधकर्ता को सहभागी-प्रेक्षक के रूप में। एक त्रयी-नृविज्ञान LLM-समर्थित प्रोग्रामिंग शिक्षा का अन्वेषण करता है कि छात्रों की व्याख्याएँ कैसे विकसित होती हैं; एक कक्षा केस अध्ययन जीवविज्ञान में AI साक्षरता एकीकरण का प्रेक्षण करता है। प्रेक्षणात्मक विधियाँ वास्तविक व्यवहार (शिक्षार्थी AI के साथ क्या करते हैं) को पकड़ती हैं, रिपोर्ट किए गए व्यवहार के बजाय — उन स्व-रिपोर्टिंग सर्वेक्षणों को पूरक बनाते हुए जो दृष्टिकोणों के मात्रात्मक मापन में प्रधान हैं।

केस अध्ययन

एक केस अध्ययन किसी सीमित मामले (एक पाठ्यक्रम, एक संस्थान, एक एकल शिक्षार्थी) की गहरी जाँच है, जो कई आँकड़ा स्रोतों का उपयोग करती है। एक बिज़नेस-स्कूल केस अध्ययन GenAI के लिए एक छात्र-सूचित शिक्षण और सीखने का ढाँचा उत्पन्न करता है; एक जीवविज्ञान केस अध्ययन AI-साक्षरता एकीकरण का दस्तावेज़ीकरण करता है। केस अध्ययन विस्तार की बदले गहराई देते हैं और सामान्यीकरण के बजाय सिद्धांत निर्माण और स्थानांतरणीय अंतर्दृष्टि के लिए मज़बूत हैं। Khlaif et al. (2026) तीन फ़िलिस्तीनी विश्वविद्यालयों में 21 दृष्टिबाधित स्नातक छात्रों का एक गुणात्मक केस अध्ययन प्रस्तुत करते हैं, अर्ध-संरचित साक्षात्कारों के विषयगत विश्लेषण का उपयोग करते हुए यह दिखाने के लिए कि GenAI समावेशी सीखने के लिए एक सहायक तकनीक के रूप में कैसे काम करता है — केस-अध्ययन अनुसंधान का एक उदाहरण जो तंत्रों (वैयक्तिकृत अनुकूलन, शिक्षक संवर्धन, शैक्षणिक समानता) को सामने लाता है जिन्हें मात्रात्मक मापें चूक जाती हैं।

Swidan (2026) एक शिक्षक और आठ छात्रों के लिए वीडियो, चेतावनी प्रणाली की अपनी लॉग, और उद्दीपक-स्मृण साक्षात्कारों का त्रिकोणीकरण करता है, यह दिखाते हुए कि एक भावनात्मक संकेत ने अर्थ केवल शिक्षक की प्रतिक्रिया के माध्यम से प्राप्त किया; एक लेखक द्वारा दो-चरण एपिसोड कोडिंग, स्वतंत्र कोडिंग या मान्यकृत भाव पहचान के बिना, इस बात की सीमा को चिह्नित करती है कि एक-कोडर केस विश्लेषण क्या निश्चित कर सकता है।

साक्षात्कार और फोकस समूह

अर्ध-संरचित साक्षात्कार और फोकस समूह उपरोक्त सभी दृष्टिकोणों में प्राथमिक आँकड़ा-संग्रह उपकरण हैं। वे समृद्ध, संदर्भगत विवरण प्राप्त करते हैं। ज्ञान आधार का गुणात्मक संग्रह पर्याप्त हद तक साक्षात्कारों (उदा., विशेषज्ञता पथ) और फोकस समूहों (उदा., टेक्स्ट-से-छवि क्षमता विरोधाभास, Guidelines for Designing AI Technologies to Support Adult Learning) पर निर्मित है। गुणवत्ता सावधानीपूर्वक प्रश्न डिज़ाइन, विविधता के लिए प्रतिदर्श, और कठोर विश्लेषण पर निर्भर करती है।

ज्ञान आधार में गुणात्मक अनुसंधान कैसे दिखता है

• तंत्र और प्रक्रिया। गुणात्मक कार्य यह प्रकट करते हैं कि AI क्यों मदद करता है या हानि पहुँचाता है। Same AI, different pathways: Unpacking mechanisms of AI-mediated learning across discipline-institution contexts संदर्भों में AI-मध्यस्थ सीखने के तंत्रों को खोलने के लिए गुणात्मक धागों का उपयोग करता है
• भरोसा, स्वायत्तता, और पहचान। विवादास्पद, व्यक्तिपरक निर्माणों का अध्ययन अक्सर गुणात्मक रूप से सर्वोत्तम होता है। The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students यह सामने लाता है कि कला-और-डिज़ाइन छात्र सुगमता, जोखिम और सृजनात्मक पहचान का बर्ताव कैसे करते हैं; GenAI as a runaway object in higher education: A socio-cultural view on AI-influenced academic practice in mathematics AI की भूमिका को शैक्षणिक पहचान और अभ्यास के पुनर्गठन में पकड़ता है।
• समानता और कम प्रतिनिधित्व वाली आवाज़ें। गुणात्मक कार्य उन दृष्टिकोणों को केंद्र में रखते हैं जो अक्सर बड़े सर्वेक्षणों से बाहर रहते हैं — नस्लीय अल्पसंख्यक छात्र, संदेहवादी गैर-उपयोगकर्ता। यह समानता से जुड़ता है।
• श्रेणीबद्धकरण और वर्गीकरण निर्माण। ChatGPT अपनाने का एक गुणात्मक श्रेणीबद्धकरण व्यावहारिक उपयोगकर्ताओं को संदेहवादी गैर-उपयोगकर्ताओं से अलग करता है — श्रेणियाँ जो बाद के सर्वेक्षण उपकरण डिज़ाइन को सूचित करती हैं।
• दस्तावेज़ों में तुलनीय कोडिंग। Poudyal (2026) 20 विश्वविद्यालयों की सार्वजनिक नीतियों पर 15 निश्चित विनेट लागू करता है ताकि 300 तुलनीय वर्गीकरण प्राप्त हों, और रिपोर्ट करता है कि एक स्वतंत्र दूसरा कोडर ने उनमें से केवल 57.3% से मेल खाया (κ = 0.395) — कोडिंग योजना की नाज़ुकता को दृश्यमान बनाते हुए, सहमति को अनकहा छोड़ने के बजाय।

AI और गुणात्मक विश्लेषण

एक विशिष्ट हाल का विकास गुणात्मक कोडिंग में सहायता के लिए LLMs का उपयोग है। ज्ञान आधार का साक्ष्य सावधानीपूर्ण है: Comparing human and LLM ordered coding of qualitative data: How coding differences cascade through temporal analysis दिखाता है कि LLM और मानव कोडिंग अलग होती है, त्रुटियाँ कालानुक्रमिक विश्लेषण में उत्तराधिकारी होती हैं; सहमति गुणवत्ता नहीं है दिखाता है कि मानव–LLM कोडिंग सहमति कोडिंग गुणवत्ता के समान नहीं है जब मानव सहमति आधार-सत्य नहीं है। LLM-सहायित कोडिंग गुणात्मक विश्लेषण को बड़े पैमाने पर और तेज़ कर सकती है, लेकिन इसके आउटपुट को मानव निर्णय के विरुद्ध सत्यापन की आवश्यकता है — गुणात्मक अनुसंधान की शैक्षिक एनएलपी और AI शिक्षा मूल्यांकन के साथ एक महत्वपूर्ण प्रतिच्छेदन।

प्रवाही-आउटपुट समस्या और गारंटीयोग्यता। Holster (2026) यह तीखा करता है कि सटीकता और प्रकटीकरण AI-सहायित गुणात्मक कार्य के लिए अपर्याप्त मानक क्यों हैं। क्योंकि LLM संग्रहों को कुछ मिनटों में प्रवाही विषयों, उद्धरणों और प्रचलिता दावों में पुनर्गठित करते हैं, वे उस विश्लेषणात्मक मार्ग को छिपा सकते हैं जिसने उन्हें उत्पन्न किया — और लोग आसानी से संसाधित, प्रवाही आउटपुट को अधिक सत्य के रूप में मूल्यांकन करते हैं। Holster सटीकता और प्रकटीकरण के पूरक के रूप में गारंटीयोग्यता (warrantability) प्रस्तावित करता है: एक AI-सहायित व्याख्या तब गारंटीयोग्य है जब स्रोत आँकड़ों से दावे तक का मार्ग निरीक्षण योग्य, विवादित और संशोधन योग्य रहता है। इसका रचनात्मक तंत्र अर्थात्मक लेंस (सारों के पुनर्गठन जो सारों को अमूर्तता के स्तरों पर दस्तावेज़ित करते हैं) और गारंटी कलाकृतियों की दावा-सापेक्ष संग्रह — स्रोत-लिंकित विषय तालिकाएँ, लेंस ढेरी, और साक्ष्य नदियाँ — है जो उपकरणों में डिज़ाइनित हैं ताकि प्रवाही विश्लेषण एक पुनर्निर्देशित मार्ग रिकॉर्ड भी उत्पन्न करे। यह क्षेत्र की ऑडिट-पथ परंपरा को उत्पादक युग तक विस्तारित करता है और समीक्षकों को एक अंतिम व्याख्या से परे विवाद करने के लिए मूर्त कुछ देता है।

• विश्वसनीयता बहु-एजेंट LLM कोडिंग में सटीकता नहीं है। एक साहित्य-सूचित पाइपलाइन जिसमें दो AI कोडरों ने स्वतंत्र रूप से कोड किया, असहमतियों पर बहस की और उन्हें सामंजस्य बढ़ाया, ने हर आँकड़ा-समूह और लेबल पर Cohen के कप्पा 0.85 से अधिक कोडर-बीच सहमति उत्पन्न की जबकि मानदंड F1 0.31 से 0.89 तक था (औसत 0.68, SD 0.16) — उन एजेंटों के बीच उच्च सहमति जो दोनों गलत थे। लंबे कोडबुक (t = -11.702) और अधिक समान उद्धरण (t = -9.249) ने प्रारंभिक सटीकता को कम किया, और चर्चा चक्र सटीकता के साथ सकारात्मक रूप से सहसंबद्ध थे (t = 7.997) जबकि सही ढंग से हल किए गए संघर्ष और सहयोगात्मक मोड नकारात्मक रूप से सहसंबद्ध थे (t = -9.720 और -8.420), इसलिए अभिसरण सही होने का एक कमज़ोर प्रॉक्सी है। व्यावहारिक निहितार्थ यह है कि AI-सहायित कोडिंग को अपने गुणवत्ता संकेत के रूप में एजेंट-से-एजेंट सहमति के बजाय एक मानव संदर्भ के विरुद्ध चेकलिस्ट-स्तरीय निर्णय की आवश्यकता है। (How AI Coders Discuss, Disagree, and Reach Consensus: Challenges and Opportunities for LLM-Based Qualitative Coding)

शक्तियाँ और सीमाएँ

• शक्तियाँ: गहन पारिस्थितिक और वैचारिक अंतर्दृष्टि; अप्रत्याशित घटनाओं, जोखिमों और तंत्रों को सामने लाती है; सिद्धांत निर्माण के लिए आवश्यक (देखें शिक्षा में कृत्रिम बुद्धिमत्ता में सिद्धांत विकास); अर्थ, संदर्भ और विवादास्पद निर्माणों को पकड़ती है; कम प्रतिनिधित्व वाले दृष्टिकोणों को केंद्र में रखती है; तेज़ी से बदलती घटनाओं के अध्ययन में मज़बूत जहाँ मानकीकृत मापें पीछे रहती हैं।
• सीमाएँ: सीमित सांख्यिकीय सामान्यीकरणीयता; व्याख्यात्मक और शोधकर्ता-निर्भर (विश्वसनीयता चिंताएँ); छोटे प्रतिदर्श; कारणात्मक दावों के लिए कमज़ोर समर्थन; निष्कर्ष अध्ययनों में संश्लेषित करना कठिन हो सकता है; समय और श्रम-गहन।

गुणात्मक और मात्रात्मक विधियाँ पूरक हैं, प्रतिद्वंद्वी नहीं — देखें AIED में शोध विधियाँ यह कि वे कैसे विरोधाभास और त्रिकोणीकरण करती हैं, और मिश्रित विधियाँ उन डिज़ाइनों के लिए जो उन्हें जोड़ती हैं।

संबंधित अवधारणाएँ

• AIED में शोध विधियाँ
• मिश्रित-विधियों से संशोधन
• मात्रात्मक अनुसंधान
• शिक्षा में कृत्रिम बुद्धिमत्ता में सिद्धांत विकास
• एआई-सहायक शैक्षिक अनुसंधान — AI-सहायित शैक्षणिक अनुसंधान
• शैक्षणिक मापन
• शैक्षिक एनएलपी
• AI शिक्षा मूल्यांकन
• समानता
• भरोसा
• शिक्षार्थी सक्रियता
• संज्ञानात्मक ऑफलोडिंग
• स्वयं-रिपोर्ट मापन

संबंधित लेख

• The Chain Behind the Claim: Warrantability in AI-Assisted Qualitative Research — AI-सहायित गुणात्मक विश्लेषण के लिए गारंटीयोग्यता मानक
• Tool, Tutor, or Crutch?: A Grounded Theory of Cognitive Scaffolding and Offloading in AI-Assisted Programming Education — उपकरण, शिक्षक, या टेक: AI-सहायित प्रोग्रामिंग का एक आधारित सिद्धांत
• Beyond Perspectives: A Trio-Ethnography of Interpretation Evolution in LLM-Supported Programming Education — LLM-समर्थित प्रोग्रामिंग में व्याख्या विकास का एक त्रयी-नृविज्ञान
• The Absent Cognitive Baseline: Theorizing a Structural Gap in AI-Native College Students' Academic Self-Assessment — AI-मूल छात्रों के स्व-मूल्यांकन में एक संरचनात्मक अंतराल का सैद्धांतिक रूप से निर्माण
• The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students — टेक्स्ट-से-छवि GenAI उपयोग में क्षमता विरोधाभास
• Trust-utility gap in introductory physics education: Students' adoption, domain-specific skepticism, and preferences for AI integration — भौतिकी शिक्षा में भरोसा–उपयोगिता अंतर
• Comparing Generative AI and teacher feedback: student perceptions of usefulness and trustworthiness — GenAI और शिक्षक प्रतिपुष्टि की तुलना: छात्र धारणाएँ
• SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems — AI शिक्षक सुरक्षा और शैक्षणिक हानियाँ
• A Case Study of Integrating AI Literacy Education in a Biology Class — जीवविज्ञान कक्षा में AI-साक्षरता एकीकरण का केस अध्ययन
• Pragmatic users and skeptical nonusers: A qualitative typology of ChatGPT adoption in physics education — भौतिकी में ChatGPT अपनाने का एक गुणात्मक श्रेणीबद्धकरण
• Scaffolding critical engagement with GenAI: Transforming ethnic minority preparatory students' collaborative discourse — नस्लीय अल्पसंख्यक छात्रों में प्रॉम्प्ट इंजीनियरिंग में सहयोगपूर्ण प्रवचन
• Comparing human and LLM ordered coding of qualitative data: How coding differences cascade through temporal analysis — गुणात्मक आँकड़ों के मानव और LLM क्रमबद्ध कोडिंग की तुलना
• Agreement Is Not Quality: Blind Expert Verification of Human and LLM Qualitative Coding When Human Consensus Is Not Ground Truth — LLM गुणात्मक कोडिंग में सहमति गुणवत्ता नहीं है
• Same AI, different pathways: Unpacking mechanisms of AI-mediated learning across discipline-institution contexts — संदर्भों में AI-मध्यस्थ सीखने के तंत्रों को खोलना
• Generating a Student-Informed Teaching and Learning Conceptual Framework for GenAI in Business Schools: A Case Study — केस अध्ययन के माध्यम से छात्र-सूचित GenAI ढाँचा
• Critical AI Tutors: Empower or Enslave? — महत्वपूर्ण AI शिक्षक: सशक्त बनाएँ या दास बनाएँ
• GenAI as a runaway object in higher education: A socio-cultural view on AI-influenced academic practice in mathematics — उच्च-शिक्षा गणित में भागी हुई वस्तु के रूप में GenAI
• Assistive Generative AI for Visually Impaired Learners: Personalization and Inclusion in Higher Education — दृष्टिबाधित शिक्षार्थियों के लिए सहायक GenAI