यादृच्छिक नियंत्रित परीक्षण (RCT)

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

यादृच्छिक नियंत्रित परीक्षण (RCT) — एक शोध डिज़ाइन जिसमें प्रतिभागियों को यादृच्छिक रूप से उपचार या नियंत्रण स्थिति में असाइन किया जाता है, ताकि किसी परिणाम पर हस्तक्षेप के कारणी प्रभाव का आकलन किया जा सके। शिक्षा में AI में, RCT यह स्थापित करने के लिए स्वर्ण-मानक हैं कि कोई AI उपकरण या शैक्षणिक दृष्टिकोण अधिगम लाभ, संलग्नता में परिवर्तन, या अन्य परिणामों का कारण बनता है, न कि केवल उनसे सहसंबद्ध होता है।

विचार करने योग्य प्रश्न

• यदि कोई विद्यालय आपसे कहे कि 'जिन विद्यार्थियों ने AI उपकरण का उपयोग किया उनके स्कोर अधिक थे', तो फिर भी यह सिद्ध करने में क्यों असफल हो सकता है कि उपकरण ने लाभ का कारण बनाया — भले ही अंतर बहुत बड़ा हो?
• यादृच्छिककरण ज्ञात और अज्ञात भ्रामक कारकों (confounders) को समूहों में संतुलित करता है। पढ़ने से पहले सोचिए, यादृच्छिक असाइनमेंन्ट वह करता है जो केवल दो अटूट कक्षाओं की तुलना नहीं कर सकती, चाहे वे कितनी ही मेल खाती हुई दिखाई दें?
• पेज RCT को स्वर्ण-मानक कहता है लेकिन इसकी वास्तविक लागतें भी सूचीबद्ध करता है: कृत्रिम सेटिंग्स, तेज़ी से बदलता AI जो परीक्षणों को जल्दी पुराना बना देता है, कमज़ोर (underpowered) छोटे नमूने, और सहायक उपकरणों को रोकने पर नैतिक बाधाएँ। इन समझौतों में से कौन-सा शिक्षा शोध के सुर्खियों में सबसे अधिक अनदेखा किया गया लगता है?
• 1,174 प्रतिभागियों वाले एक RCT ने पाया कि GenAI ने शिक्षा-आधारित उत्पादकता अंतराल का लगभग तीन-चौथाई भाग पाट दिया। लेकिन एक अच्छी तरह से संचालित RCT फिर भी किसी कृत्रिम सेटिंग में किसी संकुचित कार्य पर संचालित किया जा सकता है। कारणी दावे पर भरोसा करने से पहले आपको परिणाम माप के बारे में क्या जांचना चाहिए?
• नैतिकता की समस्या पर सीधे विचार करें: यदि आपको यह मानने का असली कारण हो कि कोई AI ट्यूटर विद्यार्थियों को सीखने में मदद करता है, तो क्या एक सेमेस्टर के लिए आधी कक्षा को यह यादृच्छिक रूप से अस्वीकार करना उचित है? आप एक नैतिक रूप से ठोस अध्ययन कैसे डिज़ाइन करेंगे जो फिर भी कारण को अलग करे?

परिचय

यादृच्छिककरण ही वह चीज़ है जो RCT को अन्य डिज़ाइनों से अलग बनाता है: शिक्षार्थियों को स्थितियों में यादृच्छिक रूप से असाइन करके, एक RCT ज्ञात और अज्ञात भ्रामक कारकों को समूहों में संतुलित करता है, जिससे परिणामों में देखा गया कोई भी अंतर उच्च आंतरिक वैधता के साथ हस्तक्षेप के लिए संबद्ध किया जा सकता है।

शोध में RCT कैसे दिखाई देते हैं

• तेज़ी से बदलती प्रौद्योगिकी के जवाब में माइक्रो-RCT: हैरिसन एट अल. (2026) का तर्क है कि पारंपरिक बड़े पैमाने के परीक्षण उन ट्यूटरिंग प्लेटफ़ॉर्म के साथ कदम नहीं मिला पाते जो अध्ययन के दौरान भौतिक रूप से बदल जाते हैं, और वे अंग्रेज़ी माध्यमिक विद्यालयों में शिक्षक-नेतृत्व वाले माइक्रो-यादृच्छिक नियंत्रित परीक्षणों (परीक्षण-पश्चात पूरा करने वाले 929 में से 644 विद्यार्थी, g = 0.33) का उपयोग कारणी आकलन को दोहराने योग्य रखने के लिए करते हैं। समझौते उनके अपने डिज़ाइन में ही बताए गए हैं: 30.7% ह्रास (attrition), पाठ्यक्रम-संरेखित परिणाम बजाय स्वतंत्र रूप से मानकीकृत परिणामों, और केवल चार हफ्तों का अनुवर्तन।

• कारणी प्रभावोत्त्पादकता (causal efficacy) के दावे: AIED में RCT यह जाँचते हैं कि कोई AI ट्यूटर, उपकरण या शैक्षणिक उपचार परिणामों में सुधार करता है या नहीं। 1,174 प्रतिभागियों वाले जनरेटिव AI पर एक यादृच्छिक प्रयोग ने पाया कि GenAI शिक्षा-आधारित उत्पादकता अंतरालों को काफ़ी हद तक संकुचित करता है, प्रारंभिक प्रदर्शन अंतर का लगभग तीन-चौथाई भाग बंद करता है — AI के प्रभाव का एक स्पष्ट कारणी आकलन।

• स्वर्ण-मानक से तुलना: शोध विधियाँ पेज RCT को आंतरिक वैधता के लिए सबसे मज़बूत डिज़ाइन के रूप में प्रस्तुत करता है, साथ ही इसकी कमियों को भी नोट करता है — लागत, कृत्रिम परिस्थितियाँ, तेज़ी से बदलता AI, छोटे कमज़ोर नमूने, और संभावित रूप से सहायक उपकरणों को रोकने पर नैतिक सीमाएँ।

• अंतर के बजाय समानता के लिए डिज़ाइन किया गया परीक्षण। नॉर्थकट एट अल. (2026) ने 2,383 वयस्कों को AI ट्यूटरिंग, सजीव मानव ट्यूटरिंग, या वीडियो नियंत्रण में यादृच्छिक रूप से बाँटा, प्रकाशित-परीक्षण संदूषण को बाहर रखने के लिए पूर्व ETS और कैपलन परीक्षण विकासकर्ताओं के साथ नए GRE आइटम लिखे, दोनों रूपों को काउंटरबैलेंस किया, और ±0.25 SD के सापेक्ष दो एकतरफा परीक्षणों (two one-sided tests) से अंतर के बजाय समानता की जाँच की — यही वे डिज़ाइन विकल्प हैं जो 'कोई सार्थक अंतर नहीं' को एक व्याख्या योग्य परिणाम बनाते हैं।

• समूह-यादृच्छिककरण, कम उपयोग (uptake), और फिर intent-to-treat आकलन का क्या अर्थ होता है। लिउ एट अल. (2026) ने 13 ब्लॉकों में 2,379 स्नातक छात्रों को यादृच्छिक रूप से असाइन किया, लेकिन छात्रों के बजाय प्रशिक्षकों को असाइन किया, जिससे किसी सेक्शन का हर छात्र उस प्रशिक्षक की स्थिति को विरासत में पाता था — यही वह डिज़ाइन है जो बहु-सेक्शन तैनाती परीक्षण को संभव बनाता है, और यही वह है जो अनुमान की वे समस्याएँ बनाता है जिनका अध्ययन फिर दस्तावेज़ीकरण करता है। उपचारित सेक्शनों में केवल लगभग 15% छात्रों ने कभी उपकरण का उपयोग किया, इसलिए सूचित प्रभाव उपकरण का उपयोग नहीं बल्कि पहुँच प्रदान करने का आकलन करते हैं; लेखक हस्तक्षेप को उसके परिचय से उत्पन्न व्यापक AI उपयोग के रूप में पढ़ते हैं, और व्यक्तिगत सत्रों को एक अलग प्रश्न मानते हैं। चूँकि उपचार प्रशिक्षक-स्तर पर असाइन किया गया था, अनुमान 34 समूहों (clusters) पर टिका है — एक ऐसी स्थिति जिसमें क्लस्टर-रोबस्ट मानक त्रुटियाँ परिशुद्धता को बढ़ा-चढ़ाकर बताती हैं — इसलिए पेपर उनके साथ-साथ यादृच्छिक अनुमान (randomization inference) भी रिपोर्ट करता है और अपने निष्कर्षों को मज़बूत पाता है। दो प्रमुख प्रभाव — सटीक-मिलान नमूने में अंतिम ग्रेड में 0.37 SD की गिरावट और दोनों नमूनों में दर्ज प्लेटफ़ॉर्म भागीदारी में 0.90 SD की गिरावट — सेक्शन-स्तर के परिणाम हैं जिन्हें उसी उपकरण की प्रति-छात्र यादृच्छिककरण उपचारित और नियंत्रण सहपाठियों के बीच संदूषण के बिना अलग नहीं कर सकती थी।

• उपयोग (take-up) वह सीमा तय करता है कि कोई परीक्षण क्या जाँच सकता है, और संलग्नता सहायता खुराक (dosage) नहीं है। रॉबिनसन एट अल. (2026) ने दो पठन-प्लेटफ़ॉर्म RCT चलाए जिनमें नियंत्रण समूह के केवल 60.7% और 53.3% छात्रों ने कभी प्लेटफ़ॉर्म का उपयोग किया; एक संलग्नता ट्यूटर ने पढ़ी गई कहानियों में 71–80% की वृद्धि की फिर भी कोई उपलब्धि लाभ नहीं दिया, जो प्रति सप्ताह पहुँचे गए 2–5 मिनट के साथ सुसंगत है।

• वह पैमिला जो शून्य परिणामों को साक्ष्य में बदलता है। माता एट अल. (2026) ने आठ सेमेस्टरों में 8,708 विद्यार्थियों का अनुवर्तन किया, जिसमें 0.05 SD प्रभावों का पता लगाने की शक्ति थी, और तिथि-निर्धारित द्विआधारी कार्यों पर बड़ी, तत्काल गति पाया — एक ही अनुस्मारक के बाद 16 अगस्त तक पंजीकरण में 34 प्रतिशत अंक अधिक — जबकि शैक्षणिक प्रदर्शन, निरंतरता और स्नातकता में कोई पहचानने योग्य प्रभाव नहीं मिला। पैमिला ही डिज़ाइन की सबक है: इस N पर शैक्षणिक शून्य परिणाम पता लगाने में विफलता नहीं बल्कि सटीक परिणाम हैं, जो इस निष्कर्ष को वैध बनाता है कि एक संप्रेषण उपकरण केवल उसी को हिलाता है जिसे वह संबोधित कर सकता है, न कि संचयी अधिगम परिणामों को।

• एक शून्य औसत ऑफसेट करने वाली विषमताओं (heterogeneity) को छिपा सकता है। एक पूर्व-पंजीकृत RCT ने 24 तुर्की विद्यालयों में 538 शिक्षकों को विद्यालय-विभाग स्तर पर यादृच्छिक रूप से असाइन किया, जिसमें माध्य-से-नीचे के शिक्षकों में उपलब्धि 0.129 SD गिरी जबकि माध्य-से-ऊपर वालों में 0.054 बढ़ी, और अभिप्रेरणा 0.111 SD गिरी, एक छत-संकुचित परीक्षा (नियंत्रण माध्य 89.2/100) के साथ जो शक्ति को सीमित करती थी।(सुंगु, लिरा और डकवर्थ (2026))

• पूर्व-पंजीकरण जो प्रश्न और पहचानने योग्य प्रभाव दोनों को तय करती है। मेयर एट अल. (2026) ने दोनों पाठ्यक्रम परीक्षणों को Efficacy and Effectiveness Studies के रजिस्ट्री के साथ पंजीकृत किया, पहले से intent-to-treat अनुमान और लगभग 0.157 की न्यूनतम पहचानने योग्य प्रभाव आकार के लिए प्रतिबद्ध हुए, और प्रत्येक अवधि में सहमत छात्रों को यादृच्छिक रूप से असाइन किया, जिसमें add/drop पर एक दूसरी लहर थी ताकि देर से नामांकित छात्र डिफ़ॉल्ट विश्लेषण नमूने के बजाय डिज़ाइन में शामिल हो सकें। दो पाठ्यक्रमों में 2,483 छात्रों को एकत्र करने पर प्रभाव A/B सीमा (चार प्रतिशत अंक) पर है जबकि एकत्रित संख्यात्मक-ग्रेड परिवर्तन बहु-तुलना सुधार (multiple-comparison correction) में बच नहीं पाता — यह एक अनुस्मारक कि पंजीकृत प्राथमिक परिणाम यह अनुशासित करता है कि कई सहसंबद्ध परिणामों में से किस पर विश्वास किया जाए।

• अपरिवर्तित सेक्शनों के भीतर यादृच्छिककरण, एक पूर्व-उपचार आधार रेखा के साथ। थोएनी और फ्रायर (2026) ने drop/add के बाद तीन अपरिवर्तित मार्केटिंग सेक्शनों के भीतर 454 स्नातक छात्रों को यादृच्छिक रूप से असाइन किया, और सभी चार परिणामों को T1 पर मापा, किसी भी छात्र के पास चैटबॉट पहुँच से पहले, ताकि पूरी अवधि की तुलना मापी गई आधार रेखा पर टिके बजाय किसी मान ली गई आधार रेखा पर। सपाट परिणाम (कोई भी समूह × समय इंटरैक्शन सार्थकता तक नहीं पहुँचा; सूचित सबसे बड़ा प्रभाव रुचि पर d = 0.050 था) को अपनाने के साथ रिपोर्ट किया गया — साप्ताहिक एक असाइनमेंट के विरुद्ध प्रति सप्ताह 0.89 लॉगिन — जो एक कमज़ोर रूप से उपयोग किए गए उपचार के बारे में शून्य को उपकरण के बारे में शून्य पढ़े जाने से बचाता है।

• विषय-अंतःस्थ (within-subject) क्रॉसओवर, और सर्वोत्तम प्रथा पर एक नियंत्रण सेट। केस्टिन एट अल. (2025) ने 194 हार्वर्ड जीवन-विज्ञान छात्रों में से प्रत्येक से दो भौतिकी पाठ करवाए — एक बार एक इन-क्लास सक्रिय अधिगम (Active Learning) सत्र में और एक बार पाठ्यक्रम के अपने AI ट्यूटर के साथ, प्रत्येक के चारों ओर पूर्व- और पश्चात-परीक्षण के साथ काउंटरबैलेंस क्रम में — जिससे हर छात्र अपना नियंत्रण बनता है और डिलीवरी मोड की तुलना इस बात से भ्रामित नहीं होती कि किसे क्या असाइन किया गया। डिज़ाइन का दूसरा विकल्प उतना ही मायने रखता है: तुलनात्मक शोध-आधारित सक्रिय अधिगम था बजाय किसी व्याख्यान के, जिससे लाभ (माध्य पश्चात-परीक्षण 4.5 बनाम 3.5) वर्तमान सर्वोत्तम प्रथा के विरुद्ध मापा जाता है और इसे 'AI शिक्षण से आगे' पढ़ा नहीं जा सकता।

ताकतें और सीमाएँ

• ताकतें: सबसे मज़बूत कारणी अनुमान; स्पष्ट परिणाम मापन; प्रभाव-आकार अनुमान का समर्थन; यादृच्छिककरण के माध्यम से भ्रामक कारकों का संतुलन।
• सीमाएँ: महँगी और धीमी; कृत्रिम सेटिंग्स पारिस्थितिक वैधता घटा सकती हैं; AI उपकरण परीक्षणों से तेज़ी से बदलते हैं; छोटे नमूने अक्सर सार्थक प्रभावों की पहचान के लिए अपर्याप्त शक्ति रखते हैं; नियंत्रण समूह से संभावित रूप से लाभदायक AI रोकने पर नैतिक बाधाएँ। इन सीमाओं में से दो तब आकार बदलती हैं जब असाइनमेंट समूहबद्ध (clustered) होती है: प्रभावी नमूना समूहों की संख्या बन जाता है न कि छात्रों की संख्या, जिससे कोई परीक्षण गिनती में बड़ा और इस माप में पतला हो सकता है — लिउ एट अल. के 2,379 छात्र 34 प्रशिक्षक-स्तरीय समूहों पर टिके हैं — और जब उपयोग स्वैच्छिक और कम हो, तो intent-to-treat आकलन यह उत्तर देता है कि उपकरण की पेशकश ने परिणाम बदले या नहीं, न कि यह कि उसका उपयोग ने बदले।

AI में शिक्षा के प्रयोगात्मक डिज़ाइन के अधिक पूर्ण उपचार के लिए — जिसमें यह कि RCT कब उचित है बनाम अर्ध-प्रयोगात्मक, सर्वेक्षण, या संगणनात्मक डिज़ाइन — देखें AIED में शोध विधियाँ।

संबंधित अवधारणाएँ

• AIED में शोध विधियाँ
• AI शिक्षा मूल्यांकन
• शैक्षणिक मापन
• जनरेटिव-AI
• उच्च शिक्षा
• शिक्षा में AI
• छात्र सहायता और सफलता — सबसे मज़बूत छात्र-सहायता साक्ष्य के पीछे का डिज़ाइन

संबंधित लेख

• Does generative AI narrow education-based productivity gaps? Evidence from a randomized experiment — क्या जनरेटिव AI शिक्षा-आधारित उत्पादकता अंतरालों को संकुचित करता है? एक यादृच्छिक प्रयोग से साक्ष्य
• Generative AI Can Harm Teaching — जनरेटिव AI शिक्षण को नुकसान पहुँचा सकता है: एक RCT
• Access is Not Enough: Human Support Improves Engagement with AI Tutoring — पहुँच ही पर्याप्त नहीं: मानव सहायता AI ट्यूटरिंग के साथ संलग्नता बढ़ाती है
• Evaluating AI Tutoring at the Speed of Innovation: Practitioner-Led Micro-Randomised Trials of an AI Tutoring Platform in GCSE Science — नवाचार की गति पर AI ट्यूटरिंग का मूल्यांकन: GCSE विज्ञान में एक AI ट्यूटरिंग प्लेटफ़ॉर्म के प्रैक्टिशनर-नेतृत्व वाले माइक्रो-यादृच्छिक परीक्षण
• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench: AI और मानव ट्यूटरिंग समकक्ष GRE अधिगम लाभ देते हैं
• The Effects of Course-Integrated AI Tutoring on Student Performance and Engagement: A Randomized University Trial — प्रशिक्षक द्वारा समूह-यादृच्छिककरण: अंतिम ग्रेड में 0.37 SD की गिरावट और प्लेटफ़ॉर्म भागीदारी में 0.90 SD की गिरावट, 15% उपयोग और 34 समूहों पर अनुमान के साथ (लिउ एट अल. 2026)