अनुशंसा प्रणालियाँ और सीखने के पथ

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

अनुशंसा प्रणालियाँ और सीखने के पथ — अनुकूलनशील और व्यक्तिगत शिक्षा तकनीक का वह हिस्सा जो यह निर्णय करता है कि सीखने वाला आगे किस चीज़ का सामना करे और किस क्रम में: किस संसाधन, अभ्यास आइटम या पाठ्यक्रम को उनकी ओर रैंक किया जाए, और अवधारणाओं की कौन-सी अनुक्रमिका से गुजरा जाए। इसकी दो विधि वंशवाहिनियाँ व्यवहारवादी हैं — इंटरैक्शन लॉग पर सहयोगी फ़िल्टरिंग — और शब्दार्थ-आधारित हैं — अवधारणाओं, संसाधनों और पूर्वापेक्षित संबंधों के एक ज्ञान ग्राफ़ पर अनुक्रमण — जो तेज़ी से संकर मॉडलों में विलीन हो रही हैं। चूँकि आउटपुट एक संवाद के बजाय रैंक की गई सूची है, इसलिए विशिष्ट समस्याएँ चयनात्मकता और वैधता हैं: विरल आंकड़ों में शीत प्रारंभ और लोकप्रियता पूर्वाग्रह, पूर्वापेक्षाओं की दिशात्मक असममितता, और यह कि कोई शिक्षक या सीखने वाला अपने सामने रखी सूची को समझ सकता है, इसका ऑडिट कर सकता है और उस पर भरोसा कर सकता है या नहीं।

विचार के लिए प्रश्न

• एक अनुशंसा प्रणाली यह सीखती है कि सीखने वालों ने किस पर क्लिक किया, क्या देखा और क्या पूरा किया। यदि प्रणाली केवल व्यवहार देखती है, तो वह वास्तव में किसकी सीख का मॉडल बना रही है — और शांत, संघर्षरत, या पहले से पदार्थ जानने वाले विद्यार्थी के लिए यह क्या चूकती है?
• एक अध्ययन में शिक्षकों ने पाठ्यक्रम-भाषा वाली व्याख्याओं को फ़ीचर-महत्व चार्ट से अधिक समझने योग्य और भरोसेमंद पाया। किसी अनुशंसा की व्याख्या को क्या कहना होगा ताकि आप उस पर अमल करें?
• पूर्वापेक्षित संबंध केवल एक दिशा में चलते हैं — बी को जानने का मतलब ए को जानना नहीं है। एक ऐसा मॉडल जो अवधारणा युग्मों को स्वतंत्र रूप से स्कोर करता है, यह गलत क्यों कर सकता है, और यदि यह करे तो सीखने वाले के लिए आगे क्या गड़बड़ हो सकती है?
• पथ अनुकूलन अध्ययन छोटे पथ और बेहतर पोस्ट-टेस्ट स्कोर की रिपोर्ट करते हैं, जिसमें घटी हुई संज्ञानात्मक भार मुख्य मध्यस्थ है। क्या छोटा पथ हमेशा बेहतर पथ है, या दक्षता किसी सीखने वाले के लिए आवश्यक अभ्यास को हटा सकती है?
• एक शैक्षणिक अनुशंसा प्रणाली के ऑडिट में पाया गया कि निष्पक्षता और विविधता हस्तक्षेपों के बाद भी लोकप्रिय सामग्री सूचियों पर हावी रही। यदि लोकप्रियता लगातार जीतती रहे, तो री-रैंकर को ट्यून करने के बजाय उद्देश्य को पुनः डिज़ाइन करने के लिए क्या प्रेरित करेगा?
• 554 पाठ्यक्रमों के सीखने का डिज़ाइन आंकड़ों ने अधिगम (ज्ञान प्रसारण) को सबसे सामान्य गतिविधि प्रकार और सबसे सामान्य प्रवेश बिंदु दोनों के रूप में दिखाया। यदि AI उस आंकड़े से "अगला क्या आता है" की अनुशंसा करता है, तो वह किसके डिज़ाइन की आदतों को पुनरुत्पन्न करता है?

भूमिका

शैक्षणिक अनुशंसा प्रणालियाँ इसलिए मौजूद हैं क्योंकि सीखने की सामग्री की आपूर्ति किसी भी व्यक्ति की नेविगेट करने की क्षमता से आगे निकल गई है। केवल प्रोग्रामिंग का परिचय में ही हज़ारों अभ्यास गतिविधियाँ हैं, और उन्हें शैक्षणिक रूप से सार्थक बंडलों में व्यवस्थित करने के लिए सामान्यतः समय-गहन विशेषज्ञ क्यूरेशन की आवश्यकता होती है। एक अनुशंसा प्रणाली सीखने वाले के इतिहास, सामग्री के गुण, या दोनों को लेती है और एक रैंक की गई संक्षिप्त सूची या सामग्री से गुजरते क्रमबद्ध पथ का उत्पादन करती है।

जहाँ अनुकूली अधिगम सामग्री, गति और कठिनाई को एक सीखने वाले के मॉडल के अनुसार समायोजित करने की क्रियाविधि का वर्णन करता है, और इंटेलिजेंट ट्यूटरिंग उस मंच का वर्णन करता है जो यह संवाद में करता है, वहीं अनुशंसा अनुसंधान स्वयं के चयन और अनुक्रम निर्णय पर केंद्रित है: रैंकिंग फलन, वह संरचना जिस पर यह रैंक करता है, और वह प्रमाण जिसका यह उपयोग करता है। वह निर्णय परत अपने विफलता मोड लाती है, जिन्हें नीचे दिए खंडों में उठाया गया है।

शैक्षणिक अनुशंसा प्रणालियाँ कैसे काम करती हैं

व्यवहारवादी अनुशंसा प्रणालियाँ सहयोगी फ़िल्टरिंग के तर्क को विरासत में लेती हैं: समान इतिहास वाले सीखने वालों को समान संसाधनों की चाह मानी जाती है, इसलिए प्रणाली सामग्री के बजाय सह-उपस्थिति से भविष्यवाणी करती है। यह वहाँ शक्तिशाली है जहाँ आंकड़े घने हैं और वहाँ भंगुर है जहाँ नहीं हैं। Evangelista और Bukhari (2026) समस्या को स्पष्ट रूप से कहते हैं — सटीकता-केंद्रित अनुशंसा प्रणालियाँ सीमित भागीदारी इतिहास वाले विद्यार्थियों को कम विश्वसनीय सहायता देती हैं जबकि लोकप्रिय संसाधन सूचियों पर हावी रहते हैं — और इसका उत्तर एक Hybrid HKG-GRU ढाँचे से देते हैं जो पाठ्यक्रम सामग्री के विषम ज्ञान ग्राफ़ को एम्बेड करता है और सीखने वाले के अनुक्रमों को GRU से मॉडल करता है, फिर सीखने वाले समूहों में मज़बूती के लिए प्रशिक्षित करता है (GroupDRO) और एक्सपोज़र विविधता के लिए पुनः रैंक करता है (Maximal Marginal Relevance)। 152 विद्यार्थियों, 59 संसाधनों और लगभग 150,000 इंटरैक्शन के Moodle लॉग पर इसे HR@10 = 0.68 और MRR = 0.41 मिला, लेकिन कैटलॉग स्तर पर पर्याप्त लोकप्रियता पूर्वाग्रह बना रहा — यह प्रमाण कि पूर्वाग्रह शमन आंशिक है।

शब्दार्थ-आधारित अनुशंसा प्रणालियाँ सह-उपस्थिति को संरचना से बदलती हैं। Liu, Sun और Song (2026) शिक्षण संसाधनों, भाषा अवधारणाओं, कौशलों, सीखने वाले समूहों और शैक्षणिक गुणों का एक ज्ञान ग्राफ़ बनाते हैं, और प्रत्येक संसाधन को चार शिक्षणात्मक आयामों में विघटित करते हैं — शिक्षण संदर्भ, संज्ञानात्मक स्तर, तकनीकी विशेषता और सांस्कृतिक अनुकूलनीयता। अनुशंसा सीखने वाले के निर्दिष्ट आवश्यकताओं से ग्राफ़ पर k-hop का विस्तार करती है, उम्मीदवारों को फ़ीचर-आधारित सहयोगी फ़िल्टर से परिष्कृत करती है, और उन्हें एक फ़्यूज़न गुणांक से रैंक करती है जो सीखने वाले की क्षमता, प्रगति और रुचि सूचकांकों के साथ बढ़ता है, जिससे कम उन्नत सीखने वालों को ग्राफ़ से अधिक संरचित मार्गदर्शन मिलता है जबकि उच्च-क्षमता सीखने वाले अपने व्यवहारवादी पैटर्न पर भरोसा करते हैं। MARS डेटासेट के अंग्रेज़ी उपसमुच्चय पर (4,800 उपयोगकर्ता, 14,200 संसाधन, 132,000 इंटरैक्शन, विरलता 0.9981) इसे NDCG 0.625 और HR 0.751 मिला, जो सर्वोत्तम तंत्रिका बेसलाइन से लगभग 7–8% अधिक है, और इसने RippleNet और KGAT सहित ग्राफ़-जागरूक बेसलाइनों को कवरेज और क्रॉस-डोमेन सटीकता पर भी हराया। विघटन दिखाता है कि संकेत पूरक हैं (केवल CF का NDCG 0.584, केवल KG का 0.604), और लेखक उल्लेख करते हैं कि ये रैंकिंग मीट्रिक हैं, सीखने की प्रभावशीलता के प्रमाण नहीं।

तीसरा मार्ग प्रति-सीखने वाले इंटरैक्शन आंकड़ों को लगभग पूरी तरह से टालता है। Hoq और सहयोगी (2026) प्रत्येक कोड नमूने से पैटर्न-आधारित ज्ञान घटक निकालते हैं और संबंधित अभ्यास गतिविधियों की अनुशंसा उनके ज्ञान-घटक समुच्चयों की समानता से करते हैं। प्रोग्रामिंग Python सामग्री के एक विशेषज्ञ-संगठित संग्रह पर, यह दृष्टिकोण शिक्षकों के अपने अवधारणात्मक बंडलों के साथ मेल खाया और रैंकिंग मीट्रिक पर ज्ञान-घटक और एम्बेडिंग बेसलाइनों को हराया — यह प्रमाण कि जहाँ सीखने वाले के इतिहास पतले हैं, वहाँ शिक्षणात्मक संरेखण सामग्री के शब्दार्थ से आ सकता है।

चौथा मार्ग अनुशंसा को रैंकिंग के बजाय अनुक्रमिक निर्णय मानता है। ExRec (Ozyurt, Almaci, Feuerriegel और Sachan, 2025) एक शब्दार्थ-आधारित ज्ञान अन्वेषक बनाता है — एक बड़े भाषा मॉडल (LLMs) प्रत्येक प्रश्न को हल चरणों और ज्ञान अवधारणाओं से एनोटेट करता है, विरोधी सीख प्रश्न, चरण और अवधारणा एम्बेडिंग को संरेखित करती है, और एक कैलिब्रेशन हानि अन्वेषक को सीधे अवधारणा-स्तर का ज्ञान अवस्था भविष्यवाणी करने देती है — और फिर उस अन्वेषक को रीनफ़ोर्समेंट लर्निंग पर्यावरण के रूप में उपयोग करता है जिसमें एक नीति अगला अभ्यास चुनती है। अनुशंसा समस्या के लिए विशेष रूप से दो डिज़ाइन विकल्प मायने रखते हैं: विद्यार्थी अवस्था पूरे अभ्यास इतिहास के बजाय एक कॉम्पैक्ट आवर्ती एन्कोडिंग है, जिससे लंबे अनुक्रम रिप्ले बफ़र में प्रबंधनीय रहते हैं, और पुरस्कार भविष्यवाणी ज्ञान में परिवर्तन है, जो लक्ष्य अवधारणा के प्रत्येक प्रश्न पर अनुमान चलाए बिना गणना की जाती है। एक मॉडल-आधारित मूल्य आकलन आलोचक को अन्वेषक से प्रारंभ करता है, जिसने XES3G5 (2,048 परीक्षण विद्यार्थी) पर चार कार्यों में निरंतर मूल्य-आधारित एजेंटों को सुधारा और उन्हें सबसे कठिन कार्य पर विविक्त-क्रिया विधियों से आगे बढ़ाया — सीखने वाले की सबसे कमज़ोर अवधारणा के लिए अनुशंसा, जहाँ लक्ष्य प्रत्येक चरण में बदलता है। संख्याएँ एक सिमुलेटेड पर्यावरण से अधिकतम ज्ञान सुधार के प्रतिशत हैं, जो मापी गई सीख से कमज़ोर दावा है, और लेखकों का अपना परिशिष्ट उल्लेख करता है कि अधिकांश अन्वेषण डेटासेट केवल एक द्विआधारी शुद्धता लेबल दर्ज करते हैं, इसलिए उनके द्वारा रेखांकित भ्रांति-स्तर की अनुशंसा मौजूदा आंकड़ों पर अभी परीक्षणीय नहीं है।

पूर्वापेक्षाएँ और पथ अनुक्रमण

अगला आइटम रैंक करना एक पाठ्यक्रम को क्रमबद्ध करने से आसान है, क्योंकि सीखने की निर्भरताएँ दिशात्मक होती हैं। Cheng और सहयोगी (2026) तर्क देते हैं कि पूर्वापेक्षित खोज को साधारण लिंक भविष्यवाणी मानना संबंध के तीन गुणों पर विफल होता है: यह अपरिवर्तनीय है, इसका प्रमाण अक्सर बहु-हॉप (ci → ck → cj) होता है न कि एक-चरणीय सीखने वाले का संक्रमण, और इसकी प्रासंगिकता युग्म-विशिष्ट है, इसलिए किसी अवधारणा का प्रतिनिधित्व उसके साथ जोड़े जाने पर निर्भर करके बदलना चाहिए। उनका ProPRL मॉडल एक अपरिवर्तनीयता बाधा जोड़ता है — युग्म की दोनों दिशाओं में उच्च विश्वास को दंडित करने वाला एक प्रति-सममित नियमितकार — साथ ही एक युग्म-अनुकूलित द्वार जो अवधारणा-संसाधन हाइपरग्राफ़ से संसाधन-जागरूक प्रमाण को सीखने-व्यवहार ग्राफ़ से व्यवहार-जागरूक प्रमाण के विरुद्ध भारित करता है। इसने MOOC, LectureBank और University Course डेटासेट पर सभी नौ डेटासेट-मीट्रिक संयोजनों में पहला स्थान पाया, सर्वाधिक मज़बूत बेसलाइन से 1.96% से 6.11% तक सुधार किया, और बाधा ने सही ढंग से क्रमबद्ध संबंधों की हिस्सेदारी को 88.0% से 90.0% कर दिया।

एक बार निर्भरताओं के मॉडल बन जाने पर, पथ एक अनुकूलन समस्या बन जाता है। Feng और Huang (2026) बेय्सियन संज्ञानात्मक निदान, ज्ञान स्थान सिद्धांत और संज्ञानात्मक भार सिद्धांत को जोड़ते हैं: एक बेय्सियन DINA मॉडल 91.3% विरलता वाले EdNet आंकड़ों पर अभिसरित हुआ, और एक सबसे छोटा उपचार पथ एल्गोरिदम औसतन 3.82 चरणों के व्यक्तिगत पथों का उत्पादन किया — यादृच्छिक पथों से 22.4% अधिक कुशल और नियत पूर्ण-कवरेज पथों से 23.6% अधिक कुशल। 120 विद्यार्थियों के साथ एक यादृच्छिक संभावना-सीखने के प्रयोग में, व्यक्तिगत-पथ सीखने वालों ने नियंत्रण समूह के 73.8 मिनट के मुकाबले 57.6 मिनट में पूरा किया और प्री-टेस्ट को नियंत्रित करने के बाद पोस्ट-टेस्ट पर नियंत्रण समूह से बेहतर प्रदर्शन किया। अध्ययन क्यों की भी जाँच करता है: व्यक्तिगत पथों ने अनुकूलित NASA-TLX के सभी छह आयामों पर संज्ञानात्मक भार घटाया, और संज्ञानात्मक भार पोस्ट-टेस्ट प्रदर्शन पर प्रभाव का प्राथमिक मध्यस्थ था (बहु-मध्यस्थ मॉडल में अप्रत्यक्ष प्रभाव 0.28)। एक हिडन मार्कोव मॉडल ने विश्लेषणात्मक सोच को संकुचित गुण के रूप में पहचाना, जिसकी अग्रेषित संक्रमण संभावना सबसे कम (0.31) और अनुमान पैरामीटर सबसे अधिक (g = 0.28) था।

PersonaPath अनुक्रमण प्रश्न को निर्णय के इकाई को चुनकर आगे बढ़ाता है। Liu और सहयोगी (2026) अभ्यास-केंद्रित अनुशंसा — इंटरैक्शन लॉग से अगला आइटम अनुमानित करना — की तुलना ज्ञान-केंद्रित नियोजन से करते हैं, जिसमें एक नियोजक स्पष्ट सीखने वाले व्यक्तित्व, एक दक्षता अवस्था और एक निर्दिष्ट लक्ष्य इकाई को पढ़कर पाठ्यक्रम पदानुक्रम (77 विषयों में 347 पाठ्यपुस्तकें, 1,751 इकाइयाँ, 4,092 अवधारणाएँ, जिनमें 411 पूर्वापेक्षित किनारे Cohen के κ = 0.93 पर 99.5% परिशुद्धता तक सत्यापित) से अगली पाठ्यपुस्तक, इकाई और अवधारणा चुनता है। विशिष्ट मामला वही है जो लॉग नहीं देख सकते: समान शुद्धता अभिलेखों लेकिन भिन्न लक्ष्यों वाले दो सीखने वालों को भिन्न मार्गों की आवश्यकता होती है, और केवल लक्ष्य ही इसे दृश्यमान बनाता है। दस LLM (1B–30B+) की उनकी बंद-लूप मूल्यांकन उन आयामों को अलग करती है जिन्हें एक समेकित मीट्रिक मिश्रित करता है — DeepSeek-V3.1 पूर्वापेक्षित/मतिभ्रम वैधता पर 90.9% पहुँचता है लेकिन अनुकूलनशीलता पर केवल 44.3%, जो बुनियादी शिक्षा में 29.5% और उच्च शिक्षा में 14.6% अंतिम उत्तीर्ण दर है, और कोई भी मॉडल कहीं भी अनुकूलनशीलता पर 44.7% से अधिक नहीं होता। दो विघटन निदान को तीखा करते हैं: व्यक्तित्व से दक्षता फ़ील्ड हटाने पर अनुकूलनशीलता 26.1 अंक तक गिरती है जबकि वैधता तकरीबन नहीं बदलती, और एक-शॉट पथ उत्पादन वैधता को 30.8 अंक तक बढ़ाता है जबकि अनुकूलनशीलता 28.8 कटती है — पाठ्यक्रम-अनुरूप अनुक्रमण सीखने वाले-अनुकूलित अनुक्रमण से बहुत आसान लक्ष्य है, जो पथ गुणवत्ता को सीखने वाले-संरेखण बाधा के बिना रिपोर्ट करने के विरुद्ध एक चेतावनी है (PersonaPath: Towards Knowledge-Centric Personalized Learning Path Planning)।

पूर्वापेक्षित संरचना पाठ्यक्रम पर सीखने वाले के बजाय एक निदानक लेंस के रूप में भी काम करती है। Medhat और सहयोगी (2026) एक AI शिक्षण सहायक के विरुद्ध छात्र प्रश्नों को GPT-4-निकाले गए पूर्वापेक्षित ग्राफ़ में वर्गीकृत करते हैं, जिसमें 164 स्नातक छात्रों के 1,340 प्रश्न घटनाओं पर 43 लेबल में 80.0% सटीकता मिली, और पाया कि विषय-स्तर के प्रश्न आयतन छात्रों की स्व-रिपोर्टित कठिनाई से सहसंबद्ध थे (Spearman का ρ = 0.491, p = 0.008)। इंटरैक्शन लॉग एक नक्शा बन जाता है कि पाठ्यक्रम का क्रम कहाँ सीखने वालों को विफल कर रहा है, और इसके लिए कोई अतिरिक्त मूल्यांकन बोझ नहीं लगता।

अनुशंसाओं की व्याख्या और ऑडिट

रैंकिंग गुणवत्ता यह नहीं निर्धारित करती कि किसी को रैंकिंग का पालन करना चाहिए या नहीं। Feldman-Maggor, Cukurova, Kent और Alexandron (2025) Hoff और Bashir के स्वचालन-में-विश्वास मॉडल को AI अनुशंसाओं के लिए अनुकूलित करते हैं और इसे GrouPer अनुशंसा उपकरण के साथ 41 सेवारत रसायन शिक्षकों पर परखते हैं। व्याख्यायोग्यता ने भरोसा पर अप्रत्यक्ष रूप से प्रभाव डाला, समझने योग्यता बढ़ाकर, और व्याख्या की शैली उसकी उपस्थिति से अधिक मायने रखी: शिक्षकों को फ़ीचर-महत्व ("डेटा-चालित") व्याख्याओं से शब्दार्थ-आधारित, पाठ्यक्रम-भाषा ("डोमेन-चालित") व्याख्याओं की ओर ले जाने से समझने योग्यता (W = 80.5, p = 0.005), सीखा हुआ विश्वास (W = 52, p = 0.002) और स्वीकृति (W = 22.5, p = 0.003) में उल्लेखनीय वृद्धि हुई, और सभी सात ज़ोर से बोलने वाले शिक्षकों ने डोमेन-चालित व्याख्याओं को अधिक प्रभावशाली बताया। स्वीकृति के दो अन्य चालक दिखे, दोनों स्थितिजन्य न कि ज्ञानसाधक: शैक्षणिक संरेखण (11 में से 8 ने रिपोर्ट किया) और कार्यभार में कमी (11 में से 6)। कई शिक्षकों ने यह भी कहा कि केवल व्याख्या अपर्याप्त है — उन्होंने भरोसा करने से पहले उपकरण के साथ कक्षा अनुभव चाहा, यह एक मज़बूत दावा है कि अनुशंसा प्रणाली में विश्वास उपयोग के दौरान बनता है, किसी विवरण में वितरित नहीं होता।

निष्पक्षता ऑडिट एक अलग प्रश्न पूछता है: किसकी अनुशंसाएँ खराब हैं? Graph-GRU अध्ययन एक उपयोगी कार्य उदाहरण है क्योंकि यह नाम देकर बताता है कि इसका ऑडिट क्या नहीं देख सका। निष्पक्षता को भागीदारी-आधारित कोहोर्ट के माध्यम से परिचालित किया गया क्योंकि सार्वजनिक Moodle डेटासेट में उपलब्धि, पूर्व ज्ञान, सीखने की प्रोफ़ाइल और जनसांख्यिकीय गुण नहीं थे, इसलिए परिणाम संलग्नता स्तरों में व्यवहार का ऑडिट है न कि शैक्षणिक समानता का पूर्ण मूल्यांकन; कम-गतिविधि सीखने वाला संघर्ष कर रहा हो सकता है, विचलित हो सकता है, या पहले से सामग्री से परिचित हो सकता है। वहाँ व्याख्यायोग्यता पथ-आधारित और प्रतिवादी विश्लेषण के रूप में लेती है, जिसमें कई सीखने वालों के लिए मध्यिका प्रतिवादी स्थिरता CR@10 = 1.0 है लेकिन उच्च Gini एक्सपोज़र मीट्रिक में दिखाया गया कैटलॉग-स्तर का लगातार लोकप्रियता पूर्वाग्रह बना रहा। सबक यह है कि पूर्वाग्रह शमन को एक्सपोज़र और सीखने वाले समूहों के स्तर पर मापा जाना चाहिए, सटीकता से या व्याख्या मॉड्यूल की उपस्थिति से अनुमानित नहीं, और मानव-लूप-में निगरानी तभी सार्थक है जब मनुष्य समूह-स्तर के प्रमाण देखता हो।

अभ्यास में सीखने के पथ

पथ केवल गणना की गई नहीं होतीं; उन्हें डिज़ाइन किया जाता है। Divjak, Svetec और Horvat (2026) ने लर्निंग एनालिटिक्स को स्वयं के डिज़ाइन प्रक्रिया पर लगाया, एक मुफ़्त Balanced Design Planning उपकरण में योजनाबद्ध 554 पाठ्यक्रमों में 29,064 शिक्षण और सीखने की गतिविधियों के अनुक्रम का विश्लेषण किया। मार्कोफ शृंखलाओं और पैटर्न माइनिंग ने एक डिज़ाइन व्याकरण सामने लाया: अधिगम-प्रकार की गतिविधियाँ सबसे सामान्य सीखने का प्रकार (20% से अधिक) और सबसे सामान्य प्रवेश बिंदु थीं, उसके बाद अभ्यास, चर्चा और मूल्यांकन (प्रत्येक 15–20%), और सबसे मज़बूत संक्रमण मूल्यांकन → चर्चा (0.332) था, अभ्यास → अभ्यास (0.317) से आगे। नियम अधिगम → मूल्यांकन → अभ्यास → अभ्यास विश्वास 0.74 (लिफ़्ट 1.45) पर टिका, और सीखने का प्रकार इच्छित परिणाम के संज्ञानात्मक स्तर को ट्रैक करता रहा: अधिगम ब्लूम स्तर 1 पर गतिविधियों के लगभग 50% से स्तर 6 पर लगभग 20% पर गिर गया। लेखक चेतावनी देते हैं कि फ़्लिप्ड, जाँच-आधारित, या परियोजना-आधारित डिज़ाइनों से समानता इच्छा का प्रमाण नहीं है — लेकिन ऐसे डिज़ाइन आंकड़ों पर प्रशिक्षित अनुशंसा प्रणाली ये आदतें सीखती है, जिसमें संचरण-उन्मुख आरंभिक गतिविधियों की ओर पूर्वाग्रह भी शामिल है।

औपचारिक स्कूली शिक्षा के दूसरे सिरे पर, पथ संरचना एक AI शासन प्रश्न बन जाती है। Szekely, Gal-Ezer और Harel (2026) तर्क देते हैं कि ज्ञान तक AI-मध्यस्थ पहुँच नियत उच्च-शिक्षा पाठ्यक्रमों को पुनः सोचने का आधार बनाती है और "learnity ग्राफ़" प्रस्तावित करते हैं — ज्ञान, कौशल, अनुभव और कलाकृतियों के परस्पर जुड़े इकाइयों के रूप में सीखने के संरचित प्रतिनिधित्व — जो शैक्षणिक, व्यावसायिक और व्यक्तिगत सीखने को जोड़ते हैं। प्रस्ताव विश्वविद्यालय की भूमिका को नींव के ज्ञान में बनाए रखता है लेकिन रचनात्मकता और अंतरविषयक एकीकरण की ओर ज़ोर बढ़ाता है, और सीखने वाले को अपने ग्राफ़ का अनुरक्षक बनाता है, जहाँ यह स्व-निर्देशित अधिगम और स्व-नियंत्रित अधिगम से मिलता है। क्या स्व-निर्देशित नेविगेशन कहीं रचनात्मक जगह पहुँचाता है, यह निश्चित नहीं है: Shen और Arunrugstichai (2026) एक क्रॉस-संदर्भीय सर्वेक्षण (N = 508) में उच्च-विद्यालय सीखने के माहौल से विश्वविद्यालय में GenAI उपयोग के दो मार्गों का मॉडल बनाते हैं, रचनात्मक स्वायत्त उपयोग को बलपूर्वक निर्भरता से अलग करते हुए।

एक सीमा कहने योग्य है: अनुशंसा प्रणालियाँ अभी जो करती हैं वह सहयोग से अधिक परामर्श के निकट है। Mutlu Cukurova (2026) पुनर्निर्माण करता है कि ऐतिहासिक रूप से किसी इंटरैक्शन को सहयोगी मानने से पहले क्या आवश्यक था — एक बातचीत से बना, आंशिक रूप से सममित संबंध, साझा और बातचीत योग्य लक्ष्य, श्रम का कम और बदलता हुआ विभाजन, और पारस्परिक मॉडलिंग और सामाजिक रूप से साझा शिक्षा में AI विनियमन — और निष्कर्ष निकालता है कि अधिकांश वर्तमान मानव-AI इंटरैक्शन को बेहतर ढंग से परामर्श, शासन, प्रतिनियुक्ति, या निर्देश के रूप में वर्णित किया जा सकता है। उनकी पाँच-स्तरीय वर्गीकरण (लेनदेनिक, स्थितिजन्य, परिचालनिक, व्यावहारिक, सहक्रियात्मक) एक उपयोगी मापकंत्र है: अगला संसाधन सुझाना एक परिचालनिक व्यवस्था है, और इसे एक सहयोगी सीखने के साथी कहना दावे को फूला देता है।

यह पृष्ठ व्यक्तिगत, अनुकूलनशील और ट्यूटरिंग अनुसंधान से कैसे संबंधित है

तीन निकटवर्ती अवधारणा पृष्ठ निकटवर्ती ज़मीन को कवर करते हैं और इन्हें इसी के साथ पढ़ा जाना चाहिए। व्यक्तिगत शिक्षा लक्ष्य को कवर करता है — पूरे अनुभव को अनुरूप बनाना, जिसमें लक्ष्य, प्राथमिकताएँ और गति शामिल हैं, जिनमें पथ चयन एक घटक है। अनुकूली अधिगम क्रियाविधि को कवर करता है — माप-मॉडल-अनुकूल लूप जो सामग्री, गति और कठिनाई को वास्तविक समय में बदलता है। इंटेलिजेंट ट्यूटरिंग मंच को कवर करता है, वह मानक प्रणाली जो निदान को शिक्षणात्मक इंटरैक्शन के साथ जोड़ती है। यह पृष्ठ उस निर्णय परत को कवर करता है जो वे पृष्ठ पहले से मान लेते हैं: रैंकिंग और अनुक्रमण तकनीक स्वयं। यह सहयोगी-फ़िल्टरिंग और ज्ञान-ग्राफ़ अनुशंसा संरचनाओं, पूर्वापेक्षित संबंध खोज और पाठ्यक्रम क्रमबद्धता, रैंक किए गए आउटपुट की व्याख्यायोग्यता और निष्पक्षता, और अनुशंसा-विशिष्ट विफलता मोड — शीत प्रारंभ, लोकप्रियता पूर्वाग्रह, अति-संकरीकरण, अपारदर्शी रैंकिंग, और सीखने वाले समूहों में असमान अनुशंसा गुणवत्ता — का घर है। इंटरैक्शन लॉग पर NDCG या कवरेज रिपोर्ट करने वाला अध्ययन यहाँ आता है; ट्यूटरिंग संवाद से सीखने की प्राप्ति रिपोर्ट करने वाला अध्ययन ट्यूटरिंग या अनुकूलनशील-सीखने के पृष्ठ पर आता है।

जोखिम और खुले प्रश्न

प्रमाण आधार की एक संगत आकृति है: मज़बूत ऑफ़लाइन रैंकिंग मीट्रिक, सीखने के बारे में कमज़ोर प्रमाण। ऊपर के दोनों अनुशंसा अध्ययन ऐतिहासिक इंटरैक्शन लॉग पर मूल्यांकित हैं और ऐसा कहते हैं, और CF–KG लेखक शिक्षक मूल्यांकन, सीखने वाले अध्ययन, और परिणाम-आधारित प्रयोगों की स्पष्ट माँग करते हैं। एक प्रणाली में लोकप्रियता पूर्वाग्रह ने एक निष्पक्षता-जागरूक प्रशिक्षण उद्देश्य को भी टिका दिया, इसलिए क्षेत्र अभी तक कोई ऐसा पुनः-रैंकिंग या नियमितकरण उपाय नहीं इंगित कर सकता जो एक्सपोज़र को भरोसेमंद ढंग से बदलता हो, और निष्पक्षता ऑडिट उससे बंधे रहते हैं कि LMS लॉग में क्या है। शीत प्रारंभ संरचनात्मक रूप से, शब्दार्थ-आधारित संरचना के माध्यम से संबोधित है, लेकिन लाइव परिनियोजन में वास्तव में नए उपयोगकर्ताओं पर परीक्षण नहीं है। पथ दक्षता बेहतर प्रमाणित है, फिर भी दक्षता के आंकड़े अभी भी एक अध्ययन और एक एल्गोरिदम वंशवाहिनी पर टिके हैं, और छोटा पथ स्वतः बेहतर नहीं है यदि वह सीखने वाले के लिए आवश्यक उत्पादक संघर्ष को हटा दे। औपचारिक पथ-अनुकूलन कार्य बिंदु को दोनों दिशाओं में तीखा करता है: एक कठिन समस्या की गारंटी देना किसी विशेष संग्रह के बारे में बहुत कम कहता है, चूँकि एक हिल क्लाइम्बर NP-पूर्णता प्रमाणों के बावजूद हर वास्तविक प्रोफ़ाइल पर इंटरलीविंग रूब्रिक के शीर्ष पर पहुँचा, और एक सिद्धांत-व्युत्पन्न रूब्रिक पर 3.54 का ग्रेड पाने वाला पथ अभी भी एक पथ है जिसे किसी सीखने वाले ने नहीं आज़माया, इसलिए रूब्रिक गुणवत्ता परिणाम प्रमाण के बजाय डिज़ाइनर-आमुख प्रतिस्थापन है। शब्दावली भी अस्थिर है: Ikram और सहयोगी (2026), 31 स्कोपस-अनुक्रमित लेखों (2013–2025) के एक PRISMA समीक्षा में, AI-सक्षम अनुकूलनशील प्रणालियों के लिए मध्यम-से-बड़े संज्ञानात्मक प्रभाव (g = 0.50–0.70) रिपोर्ट करते हैं जिन्हें कार्यान्वयन गुणवत्ता और अध्ययन डिज़ाइन से भारी रूप से मॉडरेट किया जाता है।

उसी साहित्य ने संकरीकरण के लिए उपाय प्रस्तावित करना शुरू किया है, हालाँकि उन्हें परखना बाकी है। Najem, Zaoui Seghroucheni और Ziti (2026) 14,003 विद्यार्थी अभिलेखों को 12 स्व-रिपोर्टित व्यवहारवादी, मनोवैज्ञानिक और पर्यावरणीय इनपुट पर K-Means++ से छह प्रोफ़ाइलों में समूहित करते हैं, जिनमें मज़बूत पृथक्करण (Silhouette 0.62; अंतिम ग्रेड पर η² = 0.770, सबसे ऊँची और सबसे नीची प्रोफ़ाइल के बीच 40.17 अंक का औसत परीक्षा-स्कोर अंतर) है, फिर प्रोफ़ाइलों को एक सादृश्य स्कोर के माध्यम से सीखने की वस्तुओं से मिलाते हैं जिसे Felder-Silverman मैपिंग मैट्रिक्स और एक विविधता नियमितकरण पद (λ = 0.30) के साथ जोड़ा गया है, जिसका स्पष्ट उद्देश्य अनुशंसा प्रणाली को उसमें ढहने से रोकना है जो एक प्रोफ़ाइल पहले से पसंद करती है। डिज़ाइन योगदान है और प्रमाण नहीं: अनुशंसा परत वैचारिक है, जिसमें कोई परिनियोजन या परिणाम माप रिपोर्ट नहीं है, और लेखक कहते हैं कि समूहन इनपुट LMS इंटरैक्शन ट्रेस के बजाय स्व-रिपोर्टित प्रतिस्थापक हैं। यह इस पृष्ठ द्वारा उल्लिखित नियमितकरण अंतराल के एक उम्मीदवार उत्तर है, जो अभी उस सत्यापन की प्रतीक्षा कर रहा है जो पृष्ठ कहता है कि क्षेत्र में नहीं है।

संबंधित अवधारणाएँ

• ज्ञान ग्राफ़ — अवधारणाओं, संसाधनों और पूर्वापेक्षित संबंधों के संरचित प्रतिनिधित्व
• व्याख्यायोग्य कृत्रिम बुद्धिमत्ता — एक डिज़ाइन विशेषता के रूप में व्याख्या, जो समझने योग्यता और विश्वास को मध्यस्थ बनाती है
• पाठ्यचर्या डिज़ाइन — क्रमबद्ध निर्णय जिन्हें अनुशंसा प्रणालियाँ मॉडल करती हैं, अनुमानित करती हैं और पुनरुत्पन्न करती हैं
• सीखने का डिज़ाइन — गतिविधियों की नियोजित अनुक्रमिका जिस पर पथ विश्लेषण काम करते हैं
• लर्निंग एनालिटिक्स — अनुशंसा के पीछे के आंकड़े और विधियाँ, और ऑडिट की वस्तु
• संज्ञानात्मक निदान — उपचार पथों को बीज देने वाली ज्ञान अवस्थाओं का निदान
• ज्ञान अनुरेखण — यह निर्णय करने के लिए समय के साथ दक्षता का मॉडल बनाना कि सीखने वाला किसके लिए तैयार है
• शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण — सीखने वाले के प्रतिनिधित्व जिन्हें अनुशंसा उपभोग करती है
• व्यक्तिगत शिक्षा — व्यापक लक्ष्य; यह पृष्ठ चयन निर्णय को कवर करता है
• अनुकूली अधिगम — वास्तविक समय समायोजन क्रियाविधि; यह पृष्ठ रैंकिंग और अनुक्रमण को कवर करता है
• इंटेलिजेंट ट्यूटरिंग — वह मंच जो संवाद में अनुशंसाओं पर अमल करता है
• पूर्वाग्रह शमन — रैंकिंग और एक्सपोज़र में निष्पक्षता हस्तक्षेप
• समानता — अनुशंसा गुणवत्ता में समूह-स्तर के अंतर
• मानव-लूप-में — स्वचालित संसाधन नेविगेशन की निगरानी
• स्व-निर्देशित अधिगम — सीखने वाले द्वारा अनुरक्षित मार्ग और आजीवन नेविगेशन
• आजीवन शिक्षा — डिग्री अनुक्रम से परे ग्राफ़-संरचित सीखना
• विश्वास कैलिब्रेशन — अनुशंसा विश्वसनीयता के अनुसार निर्भरता का मिलान
• छात्र सहायता और सफलता — सहायता, संसाधनों और शैक्षणिक मार्गों की अनुशंसा

संबंधित लेख

• A Hybrid Collaborative Filtering and Knowledge Graph-Based Cross-Domain Recommendation Method for Multimodal Teaching Resources — बहु-माध्यमिक शिक्षण संसाधनों के लिए संकर सहयोगी फ़िल्टरिंग और ज्ञान ग्राफ़, क्षमता- और प्रगति-जागरूक फ़्यूज़न के साथ (Liu, Sun & Song 2026)
• Fair and explainable educational recommendations with a hybrid Graph-GRU framework — GroupDRO निष्पक्षता और प्रतिवादी व्याख्यायोग्यता के साथ विषम ज्ञान ग्राफ़ + GRU अनुशंसा प्रणाली (Evangelista & Bukhari 2026)
• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations — फ़ीचर-महत्व चार्ट से अधिक डोमेन-चालित व्याख्याएँ अधिक शिक्षक विश्वास बनाती हैं (Feldman-Maggor et al. 2025)
• ProPRL: Property-Aware Prerequisite Relation Learning in Educational Knowledge Graphs — दिशात्मक संगति के लिए अपरिवर्तनीयता बाधा के साथ पूर्वापेक्षित संबंध सीखना (Cheng et al. 2026)
• Automated Recommendation of Programming Learning Content Using Pattern-based Knowledge Components — पैटर्न-आधारित ज्ञान-घटक समानता से प्रोग्रामिंग अभ्यास की अनुशंसा (Hoq et al. 2026)
• Learning paths and patterns in learning design: Insights from 500+ courses — 554 पाठ्यक्रमों में 29,064 डिज़ाइन की गई गतिविधियों का मार्कोव और पैटर्न-माइनिंग विश्लेषण (Divjak, Svetec & Horvat 2026)
• Bayesian cognitive diagnosis optimizes personalized learning paths via mediation of cognitive load and Hidden Markov Model state transitions — संज्ञानात्मक भार से मध्यस्थ बेय्सियन DINA निदान और सबसे छोटे उपचार पथ (Feng & Huang 2026)
• Detecting Knowledge Gaps from Conversational AI Interactions Using Curriculum Prerequisite Graphs — पाठ्यक्रम-स्तर के अंतराल खोजने के लिए AI TA प्रश्नों को GPT-4-निकाले गए पूर्वापेक्षित ग्राफ़ से मिलाना (Medhat et al. 2026)
• Rethinking Higher Education: From Fixed Curricula to Learnity Graphs — नियत पाठ्यक्रमों के विकल्प के रूप में आजीवन सीखने के लिए learnity ग्राफ़ (Szekely, Gal-Ezer & Harel 2026)
• What do you mean by human-AI collaboration: Prerequisite functions and the affordances needed to achieve it — पाँच-स्तरीय वर्गीकरण जो दिखाती है कि अधिकांश मानव-AI इंटरैक्शन सहयोग नहीं, परामर्श है (Mutlu Cukurova 2026)
• How High-School Pressure and Autonomy Support Are Linked to Dual AI Learning Pathways: A Cross-Contextual SEM Analysis — स्वायत्तता सहायता बनाम दबाव, रचनात्मक या बलपूर्वक निर्भर AI मार्गों की भविष्यवाणी (Shen & Arunrugstichai 2026)
• Artificial Intelligence in Education: A Systematic Review of Personalized Learning Trends and Future Directions — व्यक्तिगत सीखने की रुझानों, मार्गों और अनुशंसा मॉडलों की PRISMA समीक्षा (Ikram et al. 2026)
• PersonaPath: Towards Knowledge-Centric Personalized Learning Path Planning — PersonaPath: एक ज्ञान-केंद्रित नियोजन बेंचमार्क जो दिखाता है कि LLM 90.9% वैधता पर पहुँचते हैं लेकिन केवल 44.3% अनुकूलनशीलता पर (Liu et al. 2026)
• Personalized Exercise Recommendation with Semantically-Grounded Knowledge Tracing — एक शब्दार्थ-आधारित अन्वेषक पर अनुक्रमिक निर्णय के रूप में अभ्यास अनुशंसा
• Behavioral clustering for adaptive learning object recommendation in higher education using learning analytics for personalized student success — 14,003 अभिलेखों का छह प्रोफ़ाइलों में व्यवहारवादी समूहन, विविधता-नियमित अनुशंसा ढाँचे के साथ सीखने की वस्तुओं से मिलाया गया (Najem et al. 2026)