AIED में शोध विधियाँ

इस पृष्ठ पर

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

AIED में शोध विधियाँ — वे अनुभवजन्य डिज़ाइन, डेटा-संग्रह रणनीतियाँ और विश्लेषणात्मक तकनीकें जिनका उपयोग शोधकर्ता शिक्षा में AI का अध्ययन करने के लिए करते हैं: क्या और कैसे AI उपकरण सीखने का समर्थन (या नुकसान) करते हैं, और किस शर्तों में। ज्ञानकोष का संग्रह प्रयोगात्मक, सर्वेक्षण, गुणात्मक, डिज़ाइन-आधारित, कम्प्यूटेशनल-बेंचमार्क और समीक्षा विधियों में फैला है। प्रत्येक की अलग ताकत और सीमाएँ हैं, और उनमें चुनाव आंतरिक वैधता (कारणीय दावों में आत्मविश्वास), बाह्य वैधता (सामान्यीकरण), पारिस्थितिक वैधता (असली-दुनिया प्रामाणिकता) और तेज़ी से बदलते AI उपकरणों का अध्ययन करने की व्यवहार्यता के बीच व्यापार शामिल करता है।

विचार करने योग्य प्रश्न

पृष्ठ का केंद्रीय तनाव: कारणीय निष्कर्ष के लिए सबसे मजबूत डिज़ाइन (यादृच्छिक प्रयोग) असली कक्षाओं में चलाना सबसे कठिन हैं, जबकि सबसे प्रामाणिक निर्धारण कमज़ोर कारणीय नियंत्रण प्रदान करते हैं। यदि आपको यह तय करना होता कि एक AI ट्यूटर सीखने में मदद करता है, तो आप इन दो विफलताओं में से किसके साथ जीना पसंद करेंगे — और क्यों?
पढ़ने से पहले, क्या आप आंतरिक, बाह्य और पारिस्थितिक वैधता के बीच अंतर का नाम बता सकते हैं? यह पृष्ठ तर्क देता है कि हर डिज़ाइन इन्हें व्यापार करता है। एक कठोर रूप से कारणीय अध्ययन आपको एक असली कक्षा के बारे में लगभग कुछ भी उपयोगी कैसे नहीं बता सकता?
एक बेंचमार्क दिखाता है कि एक AI सटीकता पर उच्च स्कोर करता है, लेकिन यह पृष्ठ ज़ोर देता है कि उच्च बेंचमार्क सटीकता शैक्षिक प्रभावशीलता का निहितार्थ नहीं है। एक ऐसी प्रणाली जो 'परीक्षा उत्तीर्ण करती है' छात्रों को सीखने में मदद करने में क्यों विफल हो सकती है — और कौन प्रकार का साक्ष्य गुम है?
डिज़ाइन-आधारित शोध एक असली हस्तक्षेप पर पुनरावृत्त करता है लेकिन लाभों को एक विशिष्ट तंत्र को नहीं जोड़ सकता, जबकि एक RCT कारणों को अलग करता है लेकिन कृत्रिम शर्तों में चलता है। AI के तेज़ बदलाव को देखते हुए, आपको क्या लगता है कि एक कठोर RCT कब अप्रचलित होने से पहले कितनी देर प्रासंगिक रहता है?
डेल्फी विशेषज्ञ सहमति विशेषज्ञों के बीच सहमति स्थापित करती है, अनुभवजन्य प्रभाव नहीं। यह कब वैध है कि एक क्षमता ढाँचा इससे बनाया जाए कि विशेषज्ञ क्या मानते हैं, न कि इस डेटा से कि क्या काम करता है — और आप अभ्यास में अंतर को कैसे बताएँगे?
यह पृष्ठ त्रिकोणीकरण की वकालत करता है — यह न्याय करने के लिए कि एक उपकरण काम करता है और कैसे, बेंचमार्क मूल्यांकन, प्रयोग, माप और गुणात्मक काम को जोड़ना। पढ़ने से पहले, 'यह AI सीखना सुधराता है' जैसे दावे में प्रत्येक विधि कहाँ आवश्यक होगी ताकि आप आत्मविश्वास महसूस करें?

परिचय

AIED शोध में केंद्रीय तनाव यह है कि कारणीय निष्कर्ष के लिए सबसे मजबूत डिज़ाइन — यादृच्छिक प्रयोग — प्रायः असली कक्षाओं में प्रामाणिक AI उपकरणों के साथ चलाना सबसे कठिन हैं, जबकि सबसे प्रामाणिक निर्धारण (फील्ड तैनाती, केस अध्ययन, लॉग-डेटा विश्लेषण) कमज़ोर कारणीय नियंत्रण प्रदान करते हैं। कोई एकल विधि इसे हल नहीं करती है; क्षेत्र विधियों के बीच त्रिकोणीकरण करके, और यह स्पष्ट करके आगे बढ़ता है कि प्रत्येक डिज़ाइन किस प्रकार के दावे का समर्थन कर सकता है। हर विधि क्रॉस-कटिंग सीमाएँ भी वहन करती है — सामान्यीकरण, माप वैधता, AI के तेज़ बदलाव की गति, पुनरुत्पादकता और कमज़ोर सिद्धांत उपयोग — जिन्हें पाठक तौलना चाहिए; देखें AIEd अनुसंधान की सीमाएँ।

पृष्ठ का विषय विधि है न कि निष्कर्ष। अधिगम विज्ञान वह पदार्थ क्षेत्र है जिनकी इन विधियों सेवा करती हैं: जहाँ यह पृष्ठ यह कवर करता है कि एक अध्ययन को कैसे डिज़ाइन, माप और रिपोर्ट किया जाना चाहिए, वहाँ वह पृष्ठ यह कवर करता है कि क्षेत्र ने लोगों के सीखने के बारे में और सीखने के वातावरण को कैसे डिज़ाइन किया जाना चाहिए इस बारे में क्या स्थापित किया है, और यह डिज़ाइन-आधारित और मिश्रित विधियों को कई विकल्पों में से दो के बजाय सीखने के विज्ञानों के हस्ताक्षर दृष्टिकोणों के रूप में मानता है।

इस पृष्ठ के पड़ोसी है AI-सहायित शैक्षिक शोध, जो क्षेत्र के अपने काम के एक उपकरण के रूप में AI को कवर करता है: साहित्य खोज, स्क्रीनिंग, समीक्षा स्वचालन, गुणात्मक कोडिंग, विश्लेषण और लेखन। इसका दायरा शिक्षण और सीखने की छात्रवृत्ति जैसा व्यवहारिक शोध शामिल करता है, और यह इस पृष्ठ द्वारा वर्णित डिज़ाइनों से अलग रहता है।

मार्टिन, रोस्ट, कोनेन और ग्रौलिच (2026) क्षेत्र के ज्ञान उत्पादन पर स्वयं वही जाँच दबाते हैं, चांग के (2004) नोमिक-माप समस्या का उपयोग करते हुए: एक मात्रा को मापना इसके लिए एक कानून की आवश्यकता होती है जो इसे कुछ देखने योग्य से संबंधित करता है, फिर भी उस कानून को अनुभवजन्य रूप से परीक्षित नहीं किया जा सकता बिना पहले से मात्रा को जाने। वे तर्क देते हैं कि AI-व्युत्पत्त माप प्रकार्य, जो शोधकर्ता के बजाय प्रशिक्षण डेटा और अनुकूलन से उत्पन्न होती हैं, इसे कम करने के बजाय तीव्र कर सकती हैं। ऐसी प्रकार्य सटीक दिख सकती हैं फिर भी ज्ञान-बौद्धिक रूप से अपारदर्शी रह सकती हैं, इसलिए शोधकर्ता की भूमिका कम्प्यूटेशनल आउटपुट की व्याख्या और सत्यापन करने में बदलती है। उनका सात-चरण प्रतिबिंबित ढाँचा (समस्या फ्रेमिंग; उपकरण और माप; प्रयोग और साक्ष्य-आधारित निष्कर्ष; तुलनाएँ और प्रतिकृति; मानदंडों और सहमति का निर्माण; कार्यान्वयन और इसके परिणाम; और निरंतर परिष्करण) एक विश्लेषणात्मक सहायता के रूप में प्रस्तावित किया गया है, एक सत्यापित विधि नहीं, और वे तर्क देते हैं कि तुलनायोग्यता छात्र जनसंख्या में फैली रहनी चाहिए न कि उन उपसमुच्चयों में जिनकी एक मॉडल अच्छी तरह सेवा करता है।

रिपोर्टिंग कठोरता और TEP-AIED मॉडल

AI-शिक्षा अध्यायनों की रिपोर्टिंग गुणवत्ता स्वयं एक शोध चिंता है। TEP-AIED मॉडल (ह्वांग, ज़ी, वाह और गासेविक, 2026) AI-शिक्षा शोध को कठोरता के साथ प्रस्तुत करने के लिए एक संरचित ढाँचा प्रस्तावित करता है, एक अध्ययन रिपोर्ट के आवश्यक घटकों को व्यवस्थित करता है — सिद्धांत/प्रौद्योगिकी/शैक्षिक समस्या फ्रेमिंग, डिज़ाइन, डेटा, विश्लेषण और परिणाम — ताकि पाठक और समीक्षक यह मूल्यांकित कर सकें कि दावे समर्थित हैं और काम पुनरुत्पादक है। यह रिपोर्टिंग में क्षेत्र की पुरानी कमज़ोरियों का उत्तर देता है (अस्पष्ट उपकरण विवरण, अनिर्धारित मॉडल संस्करण, छोड़े गए मूल्यांकन विवरण) जो सीमाएँ पृष्ठ दस्तावेज़ित करता है। TEP-AIED जैसी रिपोर्टिंग ढाँचे स्थापित रिपोर्टिंग चेकलिस्ट (जैसे, परीक्षणों के लिए CONSORT-शैली मार्गदर्शन, समीक्षाओं के लिए PRISMA-शैली मार्गदर्शन) के साथ-साथ बैठती हैं कार्यप्रणालीय पारदर्शिता और पुनरुत्पादकता की ओर क्षेत्र के व्यापक बदलाव के हिस्से के रूप में।

RAISE (एलिसन, 2026) उसी समस्या को उलटी दिशा से संबोधित करता है — एक चेकलिस्ट के रूप में न कि एक कथा संरचना के रूप में। यह दस विषयगत डोमेन में 30 वस्तुएँ निर्धारित करता है (शैक्षिक औचित्य और सैद्धांतिक ग्राउंडिंग, AI प्रणाली विनिर्देश, AI भूमिका और बातचीत, सुगम्यता और सांस्कृतिक फिट, निर्धारण और प्रतिभागी, मानव भागीदारी, अध्ययन डिज़ाइन और मूल्यांकन, नैतिकता और विश्वसनीयता, पारदर्शिता और पुनरुत्पादकता, और सीमाएँ और निहितार्थ), एक संपादन योग्य संस्करण और एक साथी नैतिकता और जोखिम मैट्रिक्स के साथ जो शिक्षार्थी एजेंसी, समानता का पहुँच, डेटा AI शासन और एल्गोरिदमिक पारदर्शिता को कवर करता है। दोनों ढांचे एक-दूसरे को सीधे संबोधित करते हैं: TEP-AIED RAISE को व्यापक चिह्नित करता है लेकिन इसकी चौड़ाई पर दोष लगाता है, तर्क देते हुए कि "इसकी चौड़ाई और बारीकता इसे जटिल और नियमित अनुभवजन्य अनुप्रयोगों के लिए कम सुलभ बना सकती है," जबकि RAISE का अपना फ्रेमिंग यह है कि यह कोई विधि या मॉडल अनिवार्य नहीं करता और केवल यह आवश्यक है कि चुनाव दृश्यमान किए जाएँ। एक साथ पढ़े गए वे इस साहित्य में व्यापार को चिह्नित करते हैं — पूर्ण ऑडिट चेकलिस्ट बनाम लीन तीन-आयाम कथा — और वे उसी गैर-परक्राम्यों पर आते हैं: AI प्रणाली का नाम और संस्करण बताएँ, प्रॉम्प्ट और बातचीत डिज़ाइन का खुलासा करें, उपचार और तुलना शर्तें निर्धारित करें, नैतिक समीक्षा और जोखिम शमन की रिपोर्ट करें, और बताएँ कि परिणाम प्रदर्शन, प्रतिधारण या स्थानांतरण मापते हैं या नहीं। किसी अध्ययन को उन शर्तों पर न्यायित किया जाना चाहिए, रिपोर्टिंग उपकरण को डिज़ाइन समय पर अपनाया जाना चाहिए न कि पांडुलिपि चरण पर इकट्ठा किया जाना चाहिए, जो वह बिंदु है जिस पर दोनों ढांचे ज़ोर देते हैं। संग्रह-स्तर ऐतिहासिक विश्लेषण स्वयं एक कार्यप्रणालीय चुनाव है जिसमें पारदर्शिता दायित्व होते हैं: रिसमांचियन और डोरौदी अपने AI×Ed ढाँचे में प्रत्येक पेपर को सार और पूर्ण पाठों के लेखक निर्णय के आधार पर रखते हैं, स्पष्ट रूप से स्वीकार करते हैं कि यह एक व्यवस्थित या स्केलेबल डेटा-चालित वर्गीकरण नहीं है, और प्रतिकृति के लिए पूरक सामग्री के रूप में अपना पूरा डेटासेट सार्वजनिक रूप से उपलब्ध कराते हैं।

प्रयोगात्मक और अर्ध-प्रयोगात्मक डिज़ाइन

एक प्रभावशीलता अध्ययन यह परीक्षण करता है कि एक हस्तक्षेप अपना इच्छित सीखने का प्रभाव पैदा करता है या नहीं, प्रायः प्रयोगात्मक या अर्ध-प्रयोगात्मक डिज़ाइनों का उपयोग करके जो हस्तक्षेप के साथ और बिना परिणामों की तुलना करते हैं। प्रयोग शिक्षार्थियों को शर्तों में यादृच्छिक रूप से सौंपते हैं (जैसे, AI ट्यूटर बनाम मानव ट्यूटर, या AI-मड्गद बनाम असहायित) ताकि सीखने के लाभों, जुड़ाव, या प्रेरणा जैसे परिणामों पर कारणीय प्रभावों का अनुमान लगाया जा सके। यादृच्छिक नियंत्रित परीक्षण आंतरिक वैधता के लिए स्वर्ण मानक हैं। मानव सहायता साथ ही AI ट्यूटरिंग का एक यादृच्छिक फील्ड अध्ययन और शिक्षण में जनरेटिव-AI पर एक RCT कारणीय प्रभावों को अलग करने के लिए सौंपने का उपयोग करते हैं। अर्ध-प्रयोगात्मक डिज़ाइन (पूर्व/पश्चात, बीच-विषय, या यादृच्छिकीकरण के बिना मेल खाए समूह) अखंड कक्षाओं में अधिक व्यवहार्य हैं लेकिन कारणीय दावों पर कमज़ोर हैं।

उपकरण सत्यापन और आधाररेखा जाँचें प्रभाव अनुमान से पहले आती हैं। डावोर (2026) ने ज्यामिति मड्गद के रूप में जनरेटिव-AI पर दो अखंड घाना वरिष्ठ उच्च विद्यालय कक्षाओं (86 छात्र, प्रति समूह 43) की तुलना की, नमूने को एक G*Power विश्लेषण के साथ आकार देते हुए और ज्यामिति तर्क और प्रमाण परीक्षा को अध्ययन से पहले 0.859 के स्पीयरमैन-ब्राउन विभाजित-आधार विश्वसनीयता तक पाइलट करते हुए। समूह पूर्व-परीक्षा पर महत्वपूर्ण रूप से भिन्न नहीं थे, और पिछले प्रदर्शन के लिए समायोजित एक ANCOVA ने समूह प्रभाव बरकरार रखा (F(1, 83) = 50.30, p < .001, आंशिक η² = .377)। बिना यादृच्छिक सौंपने के, पाइलट विश्वसनीयता और आधाररेखा-तुल्यता जाँच वही है जो समायोजित तुलना को व्याख्यायोग्य बनाती है।
ताकत: सबसे मजबूत कारणीय निष्कर्ष; साफ परिणाम माप; प्रभाव-आकार अनुमान और प्रभावशीलता दावों का समर्थन।
सीमाएँ: महँगा और धीमा; कृत्रिम शर्तें पारिस्थितिक वैधता कम कर सकती हैं; तेज़ी से बदलते AI उपकरण लंबे प्रयोगों को तेज़ी से तारीख बना देते हैं; छोटे नमूने प्रायः सार्थक प्रभावों का पता लगाने के लिए कम-शक्ति वाले होते हैं; संभावित रूप से सहायक उपकरणों को रोकने पर नैतिक बाधाएँ।
उदाहरण: Access is Not Enough: Human Support Improves Engagement with AI Tutoring, Generative AI Can Harm Teaching, Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study, Exploring How Agent Voice Accents Shape Human-AI Collaboration in K-12 Group Learning, From AI Use to Critical Thinking Among Medical Students: A Moderated Mediation Perspective on Cognitive Load and Self-Regulated Learning।
पूर्व-पंजीकरण द्वितीयक विश्लेषणों पर भी लागू होता है, केवल परीक्षणों पर नहीं। श्रीवास्तव (2026) ने समान ASSISTments लॉग (12,716 छात्र, 985,813 स्कोर की गई घटनाएँ) पर चार ज्ञान अनुरेखण अद्यतन नियम चलाए जो केवल इस बात में भिन्न थे कि वे संकेतित पंक्तियों को कैसे स्कोर करते थे, एक फ़ाइल जिसमें पंजीकरण का URL मौजूद था उसके अस्तित्व तक पुष्टिकारक आधा सील रखा, और रिपोर्ट किया कि सभी चार पूर्व-पंजीकृत भविष्यवाणियाँ रहे। किसी भी पूर्णता को श्रेय देना एक कौशल-कठिनाई स्थिरांक के विरुद्ध बस ऊपर बाद के असहायित प्रदर्शन की भविष्यवाणी करता था (0.595 के विरुद्ध एकत्रित AUC 0.604) जबकि एक कठोर नियम के तहत 72.8% के विरुद्ध 93.9% छात्र–कौशल जोड़ों को महारत हासिल घोषित करता था। जब एक लॉग कई निष्कर्षों का समर्थन करता है, तो विश्लेषण को पहले से ठीक करना ही वह है जो तुलना को भरोसेमंद बनाता है।

सर्वेक्षण और संरचनात्मक-समीकरण-मॉडलिंग अध्यायन

अनुप्रस्थ-काट सर्वेक्षण स्व-रिपोर्टित दृष्टिकोण, अनुभूति, प्रेरणा, स्व-प्रभावशीलता, और तकनीक स्वीकृति को मापते हैं, प्रायः प्रतिगमन या संरचनात्मक समीकरण मॉडलिंग (SEM/PLS-SEM) के साथ मॉडलित ताकि परिकल्पित संबंधों और मध्यस्थों को परीक्षित किया जा सके। ये ज्ञानकोष के संग्रह पर प्रभुत्वित हैं, विशेष रूप से स्वीकृति, प्रेरणा और मनोवैज्ञानिक-तंत्र प्रश्नों के लिए।

ताकत: बड़े नमूने; व्यापक, कम-लागत कवरेज; मनोवैज्ञानिक तंत्रों के जटिल मध्यस्थ मॉडल परीक्षित कर सकते हैं; देखने में कठिन दृष्टिकोणों का अध्ययन करने के लिए व्यवहार्य।
सीमाएँ: अनुप्रस्थ-काट डेटा कारण स्थापित नहीं कर सकता; सामान्य-विधि/स्व-रिपोर्ट पूर्वाग्रह; सुविधा नमूनाकरण सामान्यीकरण सीमित करता है; मध्यस्थों को हेरफेर के बजाय सहप्रसरण से निष्कर्ष लगाया जाता है।

उपकरण स्वयं अलग जाँच पाता है। कि एक प्रश्नावली, साक्षात्कार या डायरी क्या स्थापित कर सकती है और क्या नहीं — और लोग जो रिपोर्ट करते हैं और जो वे करते हैं उसके बीच दस्तावेज़ित अंतराल — स्वयं-रिपोर्ट मापन पर एकत्रित है।

उदाहरण: Acceptance of AI-Assisted English Language Learning Tools in Higher Education: Psychological Correlates Across Disciplinary and Proficiency Groups, Examining the Impact of Generative AI on Student Motivation and Engagement: The Mediating Role of Autonomy-Support and Autonomous Motivation in Education, AI-Assisted Autonomous Learning and Reduced Academic Accomplishment in Vocational Higher Education: The Mediating Role of Hardiness, From Enhancement to Over-Reliance: A Mixed-Method Study of Generative AI and Sustainable Learning Performance, From AI Use to Critical Thinking Among Medical Students: A Moderated Mediation Perspective on Cognitive Load and Self-Regulated Learning।

गुणात्मक विधियाँ

साक्षात्कार, फोकस समूह और विषयगत विश्लेषण इस बात के समृद्ध, संदर्भगत विवरण उत्पन्न करते हैं कि छात्र और शिक्षक AI उपकरणों का अनुभव कैसे करते हैं, वे उनसे कौन अर्थ जोड़ते हैं, और वे तनाव और हानियाँ जिन्हें मानकीकृत माप चूकते हैं। AI ट्यूटर सुरक्षा पर शोध और AI शिक्षण कार्यप्रवाहों को कैसे बदलता है गुणात्मक साक्ष्य पर भारी निर्भर करते हैं। गुणात्मक दृष्टिकोणों के पूर्ण उपचार के लिए समर्पित गुणात्मक अनुसंधान अवधारणा पृष्ठ देखें — विषयगत विश्लेषण, ग्राउंडेड सिद्धांत, घटनाविज्ञान/घटनाविज्ञानलेखन, प्रवचन विश्लेषण, प्रेक्षण और नृविज्ञान, केस अध्ययन, और साक्षात्कार/फोकस समूह — प्रत्येक ज्ञानकोष उदाहरणों के साथ।

ताकत: गहरी पारिस्थितिक और संकल्पनात्मक अंतर्दृष्टि; अप्रत्याशित घटनाओं, जोखिमों और तंत्रों को सामने लाती हैं; सिद्धांत-निर्माण और भरोसा, स्वायत्तता और लेखकत्व जैसे विवादित संरचनाओं के अध्ययन के लिए आवश्यक।
सीमाएँ: सीमित सामान्यीकरण; व्याख्यात्मक और शोधकर्ता-निर्भर; छोटे नमूने; कारणीय दावों के लिए कमज़ोर समर्थन; निष्कर्ष अध्यायनों में संश्लेषित करना कठिन हो सकता है।
उदाहरण: SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems, How AI Is Changing Teaching Workflows, Scaffolding critical engagement with GenAI: Transforming ethnic minority preparatory students' collaborative discourse।

मिश्रित-विधि डिज़ाइन

मिश्रित-विधि अध्यायन मात्रात्मक और गुणात्मक धागों को जोड़ते हैं — प्रायः क्रमिक रूप से (जैसे, QUAL→QUAN→qual) — ताकि गुणात्मक डेटा मात्रात्मक निष्कर्षों को समझाए या संदर्भित करे। जनरेटिव-AI और टिकाऊ सीखने का एक मिश्रित-विधि अध्ययन तीन-तरंग सर्वेक्षणों को शिक्षक साक्षात्कार के साथ जोड़ता है; क्षमता-विरोधाभास अध्ययन निर्देशक फोकस समूह, एक छात्र सर्वेक्षण और अनुवर्ती साक्षात्कार का उपयोग करता है।

ताकत: त्रिकोणीकरण आत्मविश्वास बढ़ाता है; मात्रात्मक चौड़ाई साथ ही गुणात्मक गहराई; अप्रत्याशित परिणामों को समझा सकते हैं और तंत्र और परिमाण को जोड़ सकते हैं।
सीमाएँ: जटिल, संसाधन-गहन और कार्यप्रणालीय रूप से मांग वाला; एकीकरण उथला हो सकता है यदि सावधानी से डिज़ाइन नहीं किया गया; फिर भी प्रत्येक धाग की कमज़ोरियों को विरासत में लेता है (जैसे, स्व-रिपोर्ट)।
उदाहरण: From Enhancement to Over-Reliance: A Mixed-Method Study of Generative AI and Sustainable Learning Performance, The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students, Same AI, different pathways: Unpacking mechanisms of AI-mediated learning across discipline-institution contexts, Trust-utility gap in introductory physics education: Students' adoption, domain-specific skepticism, and preferences for AI integration।

डिज़ाइन-आधारित शोध (DBR)

DBR प्रामाणिक संदर्भों में एक शैक्षिक हस्तक्षेप को पुनरावृत्त रूप से डिज़ाइन, कार्यान्वित और परिष्कृत करता है, सिद्धांत, डिज़ाइन और असली-दुनिया प्रथा के बीच चक्र करता है। यह ज्ञानकोष में AI सीखने के वातावरणों और शिक्षाशास्त्रीय मॉडल विकसित करने के लिए प्रमुख है। पूर्ण DBR चक्र, उदाहरणों और इसकी ताकत/सीमाओं के लिए समर्पित डिज़ाइन-आधारित शोध अवधारणा पृष्ठ देखें। एक कैननिकल AIEd उदाहरण AI-सहायित सहयोगात्मक सीखने का मॉडल अध्ययन है (पुत्रा सहित), जिसने एक चार-चरण DBR चक्र चलाया — आवश्यकता विश्लेषण, मॉडल डिज़ाइन, आठ-सप्ताह कक्षा कार्यान्वयन और मॉडल परिष्करण — एक चार-चरण सीखने के चक्र (समस्या पहचान → AI-सहायित सहयोगात्मक जांच → सहयोगात्मक समस्या समाधान → चिंतन और प्रस्तुति) पर पुनरावृर्त। अन्य उदाहरण AI साक्षरता शिक्षक प्रशिक्षण (Development and evaluation of artificial intelligence literacy training for teacher education students) और जनरेटिव-AI मड्गद विकसित करते हैं महत्वपूर्ण सोच के लिए (Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher)।

ताकत: उच्च पारिस्थितिक वैधता और व्यावहारिक प्रासंगिकता; उपयोगी कलात्मक उत्पाद और सिद्धांत दोनों पैदा करती हैं; असली कक्षाओं और विकसित होते AI उपकरणों की जटिलता के प्रति प्रत्युत्तरीय; एक मॉडल विकसित करने और इसे प्रामाणिक कार्यान्वयन साक्ष्य के आधार पर परिष्कृत करने के लिए अच्छी तरह उपयुक्त।
सीमाएँ: कमज़ोर आंतरिक वैधता (कुछ/कोई नियंत्रण समूह नहीं); निष्कर्ष संदर्भ-बद्ध और सामान्यीकृत करना कठिन; लंबी समयरेखाएँ; यह अलग करना मुश्किल कि कौन डिज़ाइन तत्व ने परिणाम का कारण बना — DBR व्यवहार्यता और सुधार प्रदर्शित करती है लेकिन सीखने के लाभों को एक विशिष्ट तंत्र को नहीं जोड़ सकती।
उदाहरण: Design-Based Research for Developing an AI-Assisted Collaborative Learning Model to Enhance Critical Thinking and Problem-Solving Skills in Higher Education, Development and evaluation of artificial intelligence literacy training for teacher education students, Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher, Human-centered AI for teacher educators: Designing professional learning for critical AI literacy।

DBR प्रयोगों के कारणीय नियंत्रण को पारिस्थितिक प्रामाणिकता और पुनरावृत्त परिष्करण के लिए व्यापार करती है: यह "हम इस AI सीखने के वातावरण को अभ्यास में काम करने के लिए कैसे डिज़ाइन करें?" प्रश्नों के लिए सही उपकरण है, और इसका साक्ष्य कारणीय प्रभावशीलता के बजाय प्रमाण-अवधारणा और डिज़ाइन मार्गदर्शन के रूप में सबसे मजबूत है। DBR सीखने के लाभों को पढ़ने के लिए अन्य डिज़ाइनों की तरह वही सावधानी चाहिए — बिना एक असहायित, नियंत्रित परिणाम माप के, लाभ उसी AI-फुलाए-प्रदर्शन भ्रम को प्रतिबिंबित कर सकते हैं जो सीखने के लाभों के तहत दस्तावेज़ित हैं।

व्यवस्थित समीक्षाएँ और मेटा-विश्लेषण

समीक्षाएँ एक नया प्रयोग चलाने के बजाय साक्ष्य आधार को संश्लेषित करती हैं। व्यवस्थित और स्कोपिंग समीक्षाएँ एक पारदर्शी प्रोटोकॉल लागू करती हैं ताकि अध्यायनों के एक शरीर को खोजा, स्क्रीन किया, आकलित किया और संश्लेषित किया जा सके; मेटा-विश्लेषण अतिरिक्त रूप से अध्यायनों में प्रभाव आकारों को एकत्र करता है ताकि एक भारित सारांश अनुमान उत्पन्न हो और मध्यस्थों को परीक्षित किया जा सके। एक व्यापक ITS समीक्षा और उच्च शिक्षा में जनरेटिव-AI की एक व्यवस्थित समीक्षा दृष्टिकोण को उदाहरणित करती हैं।

ताकत: एक बड़े, खंडित साहित्य का कुशल संश्लेषण; मेटा-विश्लेषण एकत्रित प्रभाव अनुमान उत्पन्न करता है और मध्यस्थों का पता लगाता है; साक्ष्य-आधारित प्रथा और अंतरालों की पहचान के लिए आवश्यक।
सीमाएँ: शामिल अध्यायनों की गुणवत्ता पर निर्भर (कचरा-अंदर/कचरा-बाहर); प्रकाशन पूर्वाग्रह; विषम विधियाँ और परिणाम माप संश्लेषण को कठिन बनाते हैं; AI बदलाव की गति को देखते हुए तेज़ी से बूढ़ा हो रहा।
मेटा-शोध चेतावनी (2026): AIED संश्लेषण आधार की आलोचनाएँ दिखाती हैं कि कई प्रारंभिक मेटा-विश्लेषण संरचना असंगतता, प्रभाव आकारों में अनिर्धारित निर्भरता, अनुपबद्ध प्रकाशन-पूर्वाग्रह आकलन — शीर्षक AI प्रभाव आकारों को फुलाते हुए — द्वारा कमज़ोर किए गए हैं (Effect of Artificial Intelligence on Learning: A Meta-Meta-Analysis, Presumed Effective: The Manufacturing of an Evidence Base for AI-in-Education Through Flawed Meta-Analysis, और ChatGPT in Education: An Effect in Search of a Cause देखें)। एकत्रित AIED प्रभाव आकारों को ऊपरी सीमाओं के रूप में मानें।
उदाहरण: Comprehensive Review of Intelligent Tutoring Systems, Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025), The cognitive impact of ChatGPT in higher education: A systematic review of critical and creative thinking outcomes, Comprehensive Review of Intelligent Tutoring Systems, A scoping review of generative AI-powered agentic AI in education: Research landscape, agentic capabilities, and insights from the frontier agent paradigm, exemplified by OpenClaw।

शिक्षा में AI में व्यवस्थित समीक्षा और मेटा-विश्लेषण के पूरे उपचार के लिए समर्पित मेटा-विश्लेषण और व्यवस्थित समीक्षा अवधारणा पृष्ठ देखें — प्राथमिक डिज़ाइनों, PRISMA रिपोर्टिंग और उनकी ताकत और सीमाओं से उनके संबंध सहित।

कम्प्यूटेशनल और बेंचमार्क मूल्यांकन

कम्प्यूटेशनल मूल्यांकन AI प्रणालियों का सीधे आकलन करता है — बेंचमार्क, ग्राउंड-सच्चाई लेबल या मानव निर्णयों के विरुद्ध — न कि मानव शिक्षार्थियों का अध्ययन करके। इसमें बेंचमार्क, बड़े भाषा मॉडल (LLMs)-जैसे-न्यायाधीश दृष्टिकोण शामिल हैं। यह AI शिक्षा मूल्यांकन के सबसे करीब विधि है (नीचे का भेद देखें)।

ताकत: तेज़, स्केलेबल, पुनरुत्पादक; मॉडल और प्रणाली संस्करणों की सिर-से-सिर तुलना सक्षम; प्रणाली विकास और गुणवत्ता आश्वासन के लिए आवश्यक।
सीमाएँ: प्रणाली आउटपुट मापता है, सीखना नहीं — उच्च बेंचमार्क सटीकता शैक्षिक प्रभावशीलता का निहितार्थ नहीं है; ग्राउंड-सच्चाई और मानदंड गुणवत्ता स्वयं विवादित हैं; शिक्षाशास्त्रीय गुणवत्ता चूक सकती हैं जो मानव अनुभव करते हैं। रिसमांचियन और डोरौदी तर्क देते हैं कि LLMs की प्राकृतिक-भाषा लचीलापन पूरी तकनीकी मेट्रिक को अपर्याप्त बनाता है, मानव-प्रेरित मूल्यांकन दृष्टिकोणों की आवश्यकता होती है — सिमुलेटेड छात्र, AI-शिक्षक परीक्षण, और व्यवहारिक-विज्ञान विश्लेषण जो पहले मानव विषयों के लिए आरक्षित थे — सीखने-प्रासंगिक गुणवत्ता का न्याय करने के लिए, और यह कि LLMs का सावधानी से अध्ययन मानव सीखने में अंतर्दृष्टि उत्पन्न कर सकता है।
पहचानकर्ता मूल्यांकन में रिसाव रोकने के लिए असंबद्ध प्रतिभागी, यादृच्छिक विभाजन नहीं। कुमार सहित (2026) ने 90 लेखकों से एक स्टाइलोमेट्रिक पहचानकर्ता बनाया जिनमें से प्रत्येक ने एक असहायित और एक पुनर्वाक्यांशित नमूना पैदा किया, प्रत्येक विंडो को एक एकल फोल्ड में एक प्रतिभागी से रखा ताकि लेखक शैली विभाजन में रिसाव न कर सके और 18 लोगों को पूरी तरह बाहर रखा। यादृच्छिक वन ROC-AUC 0.870 तक पहुँचा F1 0.842 के साथ, लेकिन 18 में से 4 स्वतंत्र रूप से लिखे दस्तावेज़ों को GPT-सहायित के रूप में ध्वजांकित किया (22.2%); लेखक उस झूठे-सकारात्मक दर को तैनाती-प्रासंगिक परिणाम के रूप में मानते हैं और मॉडल को एक स्वचालित दुराचार स्क्रीन के बजाय निर्णय सहायता के रूप में फ्रेम करते हैं।
उदाहरण: TeachBench - Evaluating LLM Teaching Ability, ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents, Modernizing Ground Truth: Four Shifts Toward Improving Reliability and Validity in AI in Education, Confidence Estimation in Automatic Short Answer Grading with LLMs, The Aftermath of DrawEduMath: Vision Language Models Underperform with Struggling Students and Misdiagnose Errors।
स्वचालित पाइपलाइन के लिए रिपोर्टिंग मानक, और ऑडिट किए गए बेंचमार्क। दो 2026 पेपर कार्यप्रणालीय जवाबदेही को अध्ययन से आगे विस्तारित करते हैं। PRISMA-LLM 888 समीक्षा-स्वचालन पेपरों और 14,726 एनोटेशनों को मैप करता है, यह पाते हुए कि सॉफ्टवेयर या उत्पाद पेपरों के 38.0% ने कोई मूल्यांकन रिपोर्ट नहीं किया बनाम LLM पेपरों के 9.3% और कि सकारात्मक-केवल LLM मूल्यांकनों के 52% ने एक उच्च-दांव चिंता को अनुपबद्ध छोड़ा, और रिपोर्टिंग प्रस्तावित करता है जो यह पहचानती है कि समीक्षा कार्यप्रवाह में स्वचालन ने कहाँ कार्य किया (PRISMA-LLM: An Empirical Reporting Framework for AI-Assisted Systematic Reviews)। छह भौतिकी बेंचमार्क के एक विशेषज्ञ पुनः-ग्रेडिंग ऑडिट उपकरण स्तर पर वही समस्या दिखाता है: 250 ऑडिट किए गए अस्वीकृतियों में से केवल 12 (4.80%) असली मॉडल त्रुटियाँ थीं, जबकि 143 वस्तु दोष थे और 95 ग्रेडर त्रुटियाँ (How Good Are Frontier Models at Physics? Expert Re-Grading Reveals Broken Evaluations and Near-Saturation of Leading Benchmarks)। दोनों तर्क देते हैं कि कम्प्यूटेशनल मूल्यांकनों को एक ऑडिट किया गया त्रुटि बजट की आवश्यकता होती है इससे पहले कि उनके परिणाम शिक्षार्थियों या मॉडलों के बारे में निष्कर्षों के रूप में पढ़े जाएँ।
पहचानकर्ता विकास में मानव-सहमति जाँच बनाएँ, बाद में नहीं। बेकर और सहकर्मी (2026) संज्ञानात्मक संरचनाओं के पाठ्य पहचानकर्ताओं के लिए एक सात-चरण प्रक्रिया निर्धारित करते हैं — डेटासेट चयन, संरचना परिभाषा, कोडबुक मसौदा, मानव इंटर-रेटर जाँच, श्रेणी परिष्करण, पहचानकर्ता निर्माण और अनुप्रयोग — ताकि मानव-कोडित लेबल पर विश्वसनीयता किसी भी LLM-जैसे-न्यायाधीश तैनाती से पहले हो। इसके लिए संयोग-संशोधित सहमति मेट्रिक (कोहेन या फ्लेस का κ, क्रिपेंडोर्फ का α), छात्र-स्तर क्रॉस-सत्यापन और उपसमूह त्रुटि विश्लेषण को न्यूनतम मानकों के रूप में आवश्यकता होती है, और तर्क देता है कि एक बार ऐसे पहचानकर्ता तैनात प्लेटफ़ॉर्म के भीतर बैठने पर गलत-माप हानि का एक स्रोत बन जाता है।

अन्य डिज़ाइन: अनुदैर्ध्य, केस और सिमुलेशन अध्यायन

प्रमुख परिवारों से आगे, ज्ञानकोष अनुदैर्ध्य डिज़ाइनों का उपयोग करता है जो शिक्षार्थियों को समय के साथ ट्रैक करते हैं (एक अनुदैर्ध्य LMS अध्ययन), प्रामाणिक उपयोग के केस और प्राकृतिक-स्थिति में अध्यायन (असली छात्र बातचीत का बड़े पैमाने पर विश्लेषण), और सिमुलेशन अध्यायन जिनमें LLMs छात्रों या रोगियों के लिए खड़े होते हैं (सिमुलेटेड शिक्षार्थियों के रूप में LLMs, सिमुलेशन)। ये चौड़ाई या नियंत्रण को यथार्थवाद और उन घटनाओं तक पहुँच के लिए व्यापार करते हैं जो अन्यथा देखना कठिन हैं।

विशेषज्ञ-सहमति विधियाँ: डेल्फी तकनीक

डेल्फी विधि एक प्रश्न पर विशेषज्ञ सहमति स्थापित करने के लिए एक संरचित तकनीक है जहाँ उत्तर अनुभवजन्य रूप से अभी ज्ञात नहीं है — सबसे अधिक बार ज्ञानकोष में ढांचे, क्षमता सूचियाँ और परिभाषाएँ विकसित करने के लिए उपयोग की जाती हैं जिन पर व्यवहारिक और शोधकर्ता सहमत हो सकते हैं। एक डेल्फी अध्ययन में, विशेषज्ञों का एक पैनल लगातार प्रश्नावली के चक्रों का उत्तर देता है; प्रत्येक चक्र के बाद, समूह के प्रतिक्रियाओं का एक अनाम सारांश फीडबैक किया जाता है, और विशेषज्ञ अपने उत्तरों को संशोधित करते हैं जब तक समूह सहमति पर आते हैं (प्रायः एक पूर्व-निर्धारित सीमा द्वारा परिभाषित, जैसे, 75%)। यह एक एकल सर्वेक्षण या मतदान के बजाय पुनरावृत्त, अनाम परामर्श के माध्यम से संरचना वैधता और पेशेवर सहमति बनाने का एक तरीका है।

ताकत: व्यक्तिगत समूह दबावों के बिना विविध विशेषज्ञ पैनल से सहमति उत्पन्न करती है (गुमनामी प्रभुत्व प्रभावों को कम करती है); जब कोई सत्यापित माप मौजूद नहीं तब संरचनाओं, क्षमताओं और ढांचों को परिभाषित करने के लिए अच्छी तरह उपयुक्त; पुनरावृत्त चक्र विशेषज्ञों को परिष्कृत और आते हुए देते हैं; पूर्ण प्रयोगों या बड़े नमूनों के अव्यावहारिक होने पर व्यवहार्य।
सीमाएँ: सहमति विशेषज्ञ निर्णय को प्रतिबिंबित करती है, अनुभवजन्य साक्ष्य नहीं — यह सहमति स्थापित करती है, प्रभाव नहीं; परिणाम पैनल संरचना और (व्यक्तिपरक) सहमति सीमा पर निर्भर करते हैं; कई चक्रों में धीमा हो सकता है; एक एकल पैनल का निर्णय सामान्यीकृत नहीं कर सकता।
उदाहरण: SAIL ढाँचा अध्ययन (तीन चक्र, 17 विशेषज्ञ, AI-साक्षरता क्षमता स्तरों को परिष्कृत), HCAP ढाँचा अध्ययन (तीन चक्र, 30 शिक्षक, 25 AI-शिक्षक क्षमताओं को परिभाषित), AI साक्षरता सप्तकोण (जिसने विशेषज्ञ इनपुट/सहमति को एक PRISMA-निर्देशित समीक्षा के साथ-साथ उपयोग किया), और।

डेल्फी प्रायः अन्य विधियों के साथ जोड़ी जाती है — उदाहरण के लिए, विशेषज्ञ सहमति का उपयोग एक ढाँचे (जैसा कि SAIL और HCAP में) को सत्यापित करने के लिए किया जा सकता है जो फिर डिज़ाइन-आधारित शोध या सर्वेक्षण अध्यायनों के माध्यम से परीक्षित या कार्यान्वित किया जाता है। यह गुणात्मक और विशेषज्ञ-निर्णय दृष्टिकोणों के साथ-साथ बैठती है और वैधता के ढाँचा-आधारित उपकरणों में योगदान करती है।

शोध बनाम मूल्यांकन: संबंध और भेद

शोध और मूल्यांकन कसकर संबंधित हैं लेकिन अलग हैं। शोध सामान्यीकरण योग्य प्रश्न पूछता है कि AI सीखने को कैसे प्रभावित करता है — "क्या मड्गद सीखने के परिणामों में सुधार करता है?" — और सिद्धांत और साक्ष्य बनाने का लक्ष्य रखता है जो विशिष्ट अध्ययन से आगे स्थानांतरित होता है। मूल्यांकन (AI शिक्षा मूल्यांकन देखें) यह मूल्यांकित करता है कि एक विशिष्ट AI उपकरण या प्रणाली काम करती है या नहीं — सटीक है, विश्वसनीय है, शिक्षाशास्त्रीय रूप से स्वस्थ है और उद्देश्य के लिए फिट है — बेंचमार्क, मानदंडों या हितधारक-परिभाषित मानदंडों के विरुद्ध। शोध आंतरिक वैधता और सामान्यीकरण पर ज़ोर देता है; मूल्यांकन प्रणाली गुणवत्ता और स्थानीय निर्णय लेने पर ज़ोर देता है।

सीमाएँ धुंधली होती हैं: बेंचमार्क अध्यायन शोध को खिला सकने वाला मूल्यांकन हैं, और मूल्यांकन उपकरण (मानदंड, ग्राउंड-सच्चाई सेट, वैधता ढांचे) उन शैक्षणिक मापन और मूल्यांकन की वैधता चिंताओं पर निर्भर करते हैं जिन्हें शोध स्पष्ट करता है। इसके विपरीत, यह कि क्या सीखने का समर्थन करता है उस पर शोध निष्कर्षों को यह सूचित करना चाहिए कि AI उपकरणों को कैसे मूल्यांकित किया जाता है। ज्ञानकोष उन्हें पूरक मानता है: कम्प्यूटेशनल और बेंचमार्क मूल्यांकन (बेंचमार्क, AI शिक्षा मूल्यांकन) हमें बताता है कि एक AI प्रणाली तकनीकी रूप से स्वस्थ है या नहीं, जबकि प्रभावशीलता और सर्वेक्षण शोध (यादृच्छिक नियंत्रित परीक्षण (RCT)) हमें बताता है कि यह लोगों को सीखने में मदद करती है या नहीं।

विधियों में चुनाव

विधि चुनाव शोध प्रश्न का अनुसरण करता है। कारणीय-प्रभाव प्रश्न प्रयोगों का पक्ष लेते हैं (यादृच्छिक नियंत्रित परीक्षण (RCT)); तंत्र और अनुभूति प्रश्न सर्वेक्षण और गुणात्मक काम का पक्ष लेते हैं; प्रणाली-गुणवत्ता प्रश्न कम्प्यूटेशनल मूल्यांकन का पक्ष लेते हैं (बेंचमार्क, AI शिक्षा मूल्यांकन); संश्लेषण प्रश्न समीक्षाओं और मेटा-विश्लेषणों का पक्ष लेते हैं; डिज़ाइन प्रश्न DBR का पक्ष लेते हैं; और यह प्रश्न कि विशेषज्ञ क्या सहमत हैं कि एक संरचना, क्षमता या ढाँचा में क्या होना चाहिए वह डेल्फी तकनीक जैसी विशेषज्ञ-सहमति विधियों का पक्ष लेते हैं। क्षेत्र की विषमता और AI बदलाव की गति को देखते हुए, ज्ञानकोष का संग्रह त्रिकोणीकरण की ओर एक जानबूझकर बदलाव को प्रतिबिंबित करता है — कम्प्यूटेशनल मूल्यांकन को प्रभावशीलता, गुणात्मक और विशेषज्ञ-सहमति साक्ष्य के साथ जोड़ना ताकि यह न्याय किया जा सके कि एक उपकरण काम करता है और यह सीखने में मदद करता है या नहीं।

उतना ही महत्वपूर्ण है कि किसी भी एकल अध्ययन को उन क्रॉस-कटिंग सीमाओं के बारे में जागरूकता के साथ पढ़ा जाए जो AIED शोध को एक समग्र रूप से प्रभावित करती हैं — कार्यप्रणालीय बाधाएँ, धीमे प्रकाशन के विरुद्ध AI बदलाव की तेज़ गति, पुनरुत्पादकता और FAIR-प्रथा अंतराल, मालिकाना उपकरणों पर निर्भरता, और कमज़ोर या बिना-आलोचना सिद्धांत उपयोग। देखें AIEd अनुसंधान की सीमाएँ।

प्रमुख शोध परंपराओं का विरोधाभास

तीन प्रमुख शोध परंपराएँ — मात्रात्मक, गुणात्मक, और प्रयोगात्मक — मौलिक रूप से इस बात में भिन्न होती हैं कि वे क्या दावा कर सकती हैं, क्या त्यागती हैं, और प्रत्येक कब उचित है। इन विरोधाभासों को समझना AI-शिक्षा शोध को डिज़ाइन और पढ़ने दोनों के लिए आवश्यक है।

प्रत्येक परंपरा क्या स्थापित करती है

आयाम	मात्रात्मक / सर्वेक्षण	गुणात्मक	प्रयोगात्मक
मूल प्रश्न	कितना? कैसे संबंधित?	इसका क्या अर्थ है? इसका अनुभव कैसे होता है?	क्या X, Y का कारण बनता है?
प्राथमिक डेटा	संख्याएँ, स्केल, स्व-रिपोर्ट	शब्द, प्रेक्षण, कलात्मक उत्पाद	सौंपी गई शर्तों में परिणाम माप
निष्कर्ष लक्ष्य	पैटर्न, सहसंबंध, मध्यस्थता	अर्थ, तंत्र, श्रेणियाँ	कारणीय प्रभाव
आंतरिक वैधता	कमज़ोर (सहसंबंधात्मक)	कमज़ोर (कोई नियंत्रण नहीं)	मजबूत (यादृच्छिक सौंपना)
बाह्य वैधता	मजबूत (बड़े नमूने)	सीमित (छोटे, संदर्भ-बद्ध)	मध्यम (नियंत्रित शर्तें)
पारिस्थितिक वैधता	मध्यम	उच्च	कम (कृत्रिम शर्तें)

मात्रात्मक शोध चरों के बीच संबंधों को मापता और मॉडलित करता है — सर्वेक्षण, SEM/PLS-SEM, माप, अनुदैर्ध्य ट्रैकिंग। यह चौड़ाई, परिशुद्धता और सामान्यीकरण प्रदान करता है लेकिन अनुप्रस्थ-काट डेटा से कारण स्थापित नहीं कर सकता और माप सीमाओं को विरासत में लेता है (स्व-रिपोर्ट पूर्वाग्रह सहित)।
गुणात्मक शोध अर्थ और अनुभव की व्याख्या करता है — साक्षात्कार, फोकस समूह, विषयगत विश्लेषण, ग्राउंडेड सिद्धांत, घटनाविज्ञानलेखन, प्रवचन विश्लेषण, प्रेक्षण/नृविज्ञान, केस अध्ययन। यह गहराई, तंत्र और सिद्धांत-निर्माण प्रदान करता है (शिक्षा में कृत्रिम बुद्धिमत्ता में सिद्धांत विकास देखें) लेकिन सीमित सामान्यीकरण और कमज़ोर कारणीय समर्थन।
प्रयोगात्मक और अर्ध-प्रयोगात्मक डिज़ाइन (यादृच्छिक नियंत्रित परीक्षण (RCT) देखें) यादृच्छिक सौंपने या मेल खाए तुलना के माध्यम से कारणीय प्रभावों का अनुमान लगाते हैं — आंतरिक वैधता के लिए स्वर्ण मानक, लागत, गति और पारिस्थितिक वैधता की कीमत पर।

माप और मिश्रित-विधि कड़ियाँ

मात्रात्मक काम शैक्षणिक मापन पर निर्भर करता है — अध्ययन किए जा रहे संरचनाओं के लिए विश्वसनीय, वैध उपकरण। गुणात्मक काम उन तंत्रों और अर्थों को उजागर करता है जो वे उपकरण चूक सकते हैं। प्रयोगात्मक काम यह अनुमान लगाता है कि एक हस्तक्षेप उन परिणामों का कारण बनता है जिन्हें उपकरण मापते हैं। तीन पूरक परतें हैं: उपकरण संरचनाओं को मात्रात्मक रूप से व्यक्त करते हैं, प्रयोग कारण स्थापित करते हैं, और गुणात्मक काम संख्याओं के पीछे के कैसे और क्यों को समझाता है।

मिश्रित-विधि डिज़ाइन जानबूझकर मात्रात्मक और गुणात्मक धागों को जोड़ते हैं ताकि उनकी ताकत एक-दूसरे की कमज़ोरियों को ऑफसेट करे — मात्रात्मक चौड़ाई साथ ही गुणात्मक गहराई, त्रिकोणीकरण आत्मविश्वास बढ़ाते हुए।

उपयोगिता और HCI शोध

एक अलग कार्यप्रणालीय धाग — उपयोगिता और HCI शोध — यह मूल्यांकित करता है कि उपयोगकर्ता एक AI प्रणाली के साथ कैसे बातचीत करते हैं: इसकी उपयोगिता, उपयोगिता, सीखने की क्षमता और उपयोगकर्ता अनुभव, सोच-जोर से प्रोटोकॉल, संरचित उपयोगकर्ता अध्ययन, साक्षात्कार और प्रेक्षण का उपयोग करते हुए। यह AI शिक्षा मूल्यांकन के सबसे करीब है और एक पूर्वशर्त प्रश्न का उत्तर देता है: यहाँ तक कि एक शिक्षाशास्त्रीय रूप से स्वस्थ उपकरण विफल होता है यदि यह अप्रयोज्य है। उपयोगिता शोध गुणात्मक शोध के साथ डेटा-संग्रह विधियाँ साझा करता है लेकिन अर्थ की व्याख्या करने के बजाय एक कलात्मक उत्पाद का मूल्यांकन करने का लक्ष्य रखता है।

परंपराओं में लाभ और सीमाएँ

मात्रात्मक/सर्वेक्षण: लाभ — बड़े नमूने, व्यापक कवरेज, जटिल मध्यस्थों का परीक्षण, कुशल। सीमाएँ — कोई कारण नहीं, स्व-रिपोर्ट पूर्वाग्रह, सुविधा नमूनाकरण, उपकरण गलत संरचना माप सकते हैं।
गुणात्मक: लाभ — गहरी अंतर्दृष्टि, अप्रत्याशित घटनाओं और हानियों को सामने लाती हैं, सिद्धांत-निर्माण के लिए आवश्यक, कम-प्रतिनिधित्वित आवाज़ों को केंद्रित करती हैं। सीमाएँ — सीमित सामान्यीकरण, शोधकर्ता निर्भरता, छोटे नमूने, कमज़ोर कारणीय समर्थन, संश्लेषित करना कठिन।
प्रयोगात्मक: लाभ — सबसे मजबूत कारणीय निष्कर्ष, साफ परिणाम माप, प्रभाव-आकार अनुमान। सीमाएँ — महँगा/धीमा, कृत्रिम शर्तें, तेज़ी से बदलते AI परिणामों को तारीख बना देते हैं, कम-शक्ति छोटे नमूने, नैतिक बाधाएँ।
मिश्रित-विधि: लाभ — त्रिकोणीकरण, चौड़ाई + गहराई, अप्रत्याशित परिणामों को समझाती हैं। सीमाएँ — जटिल, संसाधन-गहन, एकीकरण उथला हो सकता है, प्रत्येक धाग की कमज़ोरियों को विरासत में लेती हैं।
उपयोगिता/HCI: लाभ — अपनाने की बाधाओं की पहचान, कार्यरत डिज़ाइन मार्गदर्शन, तेज़ और सस्ता। सीमाएँ — सीखने के प्रभाव स्थापित नहीं करता, छोटे नमूने, स्व-रिपोर्ट संतुष्टि भटका सकती है।

अभ्यास में, AI-शिक्षा शोध शायद ही कभी साफ रूप से एक परंपरा में गिरता है। सबसे मजबूत साक्ष्य त्रिकोणीकरण करता है: एक कम्प्यूटेशनल या उपयोगिता मूल्यांकन यह स्थापित करता है कि एक प्रणाली काम करती है, एक प्रयोग यह स्थापित करता है कि यह सीखने का कारण बनता है, मात्रात्मक उपकरण संरचनाओं को मापते हैं, और गुणात्मक काम तंत्रों और अर्थों को उजागर करता है — एक साथ यह उत्तर देते हुए कि एक उपकरण सीखने में मदद करता है और कैसे और क्यों।

मेटाडेटा

अध्ययन डिज़ाइन	Experiment
स्तर	Higher Ed
मूल्यांकन और मापन	शैक्षणिक मापन
शोध विधियाँ और मूल्यांकन	AI शिक्षा मूल्यांकन, बेंचमार्क, यादृच्छिक नियंत्रित परीक्षण (RCT), AIED में शोध विधियाँ
शिक्षा में AI की नींव	शिक्षा में AI
पृष्ठ का प्रकार	Evaluation

Source History Edit Chat