मड्गद

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

मड्गद — संरचित सहायता जो शिक्षार्थियों को वे कार्य पूरे करने में मदद करती है जो वे अभी स्वतंत्र रूप से पूरे नहीं कर सकते, जिसमें सहायता क्षमता बढ़ने के साथ कम होती जाती है। शिक्षा में AI में, मड्गद यह सुनिश्चित करने के लिए प्राथमिक डिज़ाइन सिद्धांत है कि AI उपकरण सीखने का समर्थन करते हैं न कि उसका प्रतिस्थापन।

विचार करने योग्य प्रश्न

• किसी ऐसे समय के बारे में सोचो जब किसी ने उस चीज़ में आपकी 'मदद' की जो आप सीख रहे थे, और उस सहायता ने काम इतनी अच्छी तरह किया कि आपने कम सीखा। वह रेखा कहाँ है जो आपको बढ़ने देती है और वह जो आपका प्रतिस्थापन करती है? यह पृष्ठ तर्क देता है कि यह AI ट्यूटरों के लिए केंद्रीय डिज़ाइन प्रश्न है।
• मड्गद सामीपस्थ विकास क्षेत्र में निहित है — प्रगति को सक्षम करने के लिए पर्याप्त सहायता, इतनी अधिक नहीं कि सीखना बायपास हो जाए। एक AI ट्यूटर में 'बहुत अधिक सहायता' कैसी दिखती है, और क्या आप इसे केवल छात्र के व्यवहार से पहचान सकते हैं?
• एक मुख्य निष्कर्ष: छात्र प्रायः अधिक निर्देशात्मक AI ट्यूटर भूमिकाओं को पसंद करते हैं भले ही वे सहयोगात्मक सहकर्मी और शिक्षक-सहायक भूमिकाओं के साथ बेहतर प्रदर्शन करते हैं। क्या शिक्षार्थी की पसंद भरोसेमंद रूप से सीखने के लिए सर्वोत्तम को ट्रैक करती है — और यह विचलन छात्रों को अपना मड्गद चुनने देने के लिए क्या निहितार्थ देता है?
• मड्गद जो कभी कम नहीं होता वह निर्भरता बनाता है। यह पृष्ठ नोट करता है कि स्वचालित मड्गद स्थिर रहने का जोखिम उठाते हैं न कि क्षमता बढ़ने के साथ वापस लिए जाने के। क्यों 'कम होना' आवश्यक है, और एक AI प्रणाली इसे क्यों विफल हो सकती है यदि इसे जानबूझकर इसके लिए डिज़ाइन नहीं किया गया है?
• डिज़ाइन सिद्धांत है 'मड्गद दें, प्रतिस्थापन न करें।' छात्रों ने स्वयं ऐसे AI के लिए कहा जो 'आपको कोई समाधान प्रदान नहीं करता — आप अभी भी सीखते हैं क्योंकि आपको सही उत्तर स्वयं खोजना होता है।' क्या वह इससे मेल खाता है कि आपने प्रभावी सहायता का कैसे अनुभव किया है, या आपने उस शॉर्टकट को पसंद किया है यह जानते हुए भी कि इसने आपको क्या खर्च किया?
• पढ़ने से पहले एक लक्ष्य निर्धारित करें: एक कार्य चुनो जो आप सिखाते हैं, और यह स्केच करो कि एक संकेत कैसा दिखता है जो शिक्षार्थी के प्रयास को संरक्षित करता है बनाम एक उत्तर जो इसे हटा देता है। आप कैसे जानेंगे कि आपके संकेत उत्पादक-संघर्ष क्षेत्र में हैं?

परिचय

AIED में मड्गद कैसे दिखता है

• प्रॉम्प्ट-आधारित मड्गद: निर्देशित LLM मड्गद संरचित प्रॉम्प्टिंग को एक सीखने के हस्तक्षेप के रूप में सिखाता है। महत्वपूर्ण जुड़ाव मड्गद सांस्कृतिक रूप से प्रत्युत्तरीय दृष्टिकोणों का उपयोग करता है।

• उन अंतरालों के लिए मिश्रित-पहल मड्गद जिन्हें शिक्षार्थी नाम नहीं दे सकता: सन सहित (2026) लेखक को कथा संश्लेषण के प्रभार में रखते हैं जबकि प्रणाली केवल डोमेन खोज पर पहल लेती है, सक्रिय रूप से उन ज्ञान अंतरालों को ध्वजांकित करती है जिन्हें लेखक प्रश्नों के रूप में सुससित नहीं कर सकते।

• सुकरातीय मड्गद: सुकरातीय AI संवाद सीधे उत्तरों को रोकता है, खोज को मार्गदर्शित करने के लिए प्रश्नों का उपयोग करता है — वांछनीय कठिनाइयों मड्गद का एक रूप। एक सीमा शर्त के रूप में, पूछना शुरुआत में मदद करता है लेकिन गहराई के साथ क्षीण होता है, इसलिए कम होने का नियम उकसाने से त्रुटि को संबोधित करने में बदलता है: लाभ शुरुआत में एक 20-बिंदु लाभ से चौथी अटके हुए चरण तक 3 अंकों में गिरता है, जबकि त्रुटि को संबोधित करना +5 से +12 तक बढ़ता है अहतिशम सहित (2026)))।

• अनुकूली कमी: बुद्धिमान ट्यूटरिंग प्रणालियाँ ज्ञान अनुरेखण अनुमानों के आधार पर मड्गद को समायोजित करती हैं, अनधिगत अवधारणाओं के लिए अधिक सहायता और ज्ञात के लिए कम प्रदान करती हैं।

• फ़ंक्शन, टूल नहीं, यह तय करता है कि सफलता क्या है: Vasileiou et al. (2026) विशेष शिक्षा में AI सहायता के लिए एक तीन-फ़ंक्शन ढाँचा प्रस्तावित करते हैं। मुआवजा एक क्रियान्वयन मांग को कम करता है ताकि शिक्षार्थी भाग ले सके (सफलता = सहायता बनी रहने के दौरान पहुँच)। स्कैफोल्डिंग वर्तमान क्षमता से थोड़ा आगे प्रदर्शन का समर्थन करती है (सफलता = लक्षित सहायता के साथ निर्णय)। विकास बिना टूल के उपयोग योग्य रणनीतियाँ बनाता है (सफलता = कम होने या स्थानांतरण के बाद रणनीति उपयोग)। प्रत्येक फ़ंक्शन एक भिन्न मूल्यांकन मानक वहन करता है, और क्षेत्र की बार-बार होने वाली गलती सहायता के दौरान टास्क पूर्णता को विकास के रूप में रिपोर्ट करना है। यह एक कथात्मक समीक्षा है जिसमें व्याख्यात्मक श्रेणियाँ हैं, पूल किया गया प्रभाव अनुमान नहीं।

• नैदानिक साक्षात्कार प्रशिक्षण में आवश्यकता-उत्प्रेरित अनुकूली मड्गद: MeduAI-SP यादृच्छिक परीक्षण (यांग सहित, 2026; N = 100 तीसरे वर्ष के चिकित्सा छात्र) ने मड्गद को अनुकूली, आवश्यकता-उत्प्रेरित सहायता के रूप में परिचालित किया: एक चरण-स्तर मूल्यांकनकर्ता एजेंट ने ध्वजांकित किया जब एक शिक्षार्थी अटक गया, एक मुख्य इतिहास छोड़ दिया, असमय बंद का जोखिम उठाया, या संबंध बिगाड़ा, और केवल तभी एक ट्यूटर एजेंट ने एक सुकरातीय प्रॉम्प्ट जारी किया। 207 परामर्शों का विशेषज्ञ एनोटेशन दिखाया कि मड्गद आवश्यकता मजबूती से चरण-निर्भर थी, सामना की शुरुआत में छात्र उच्चारणों के लगभग 16.1% से देर में 34.8% तक बढ़ते हुए (कुल 24.1% ध्वजांकित) — यह अनुभवजन्य साक्ष्य कि नौसिखिया परामर्श सहायता की सबसे अधिक आवश्यकता एकीकरण और निदान तर्क के दौरान है, प्रारंभिक सूचना एकत्र करने में नहीं। मड्गद शर्त ने एक संरचित प्रगतिशील-प्रकटीकरण नियंत्रण पर अंतिम OSCE-संरेखित परीक्षा में बेहतर प्रदर्शन किया (71.8% बनाम 55.6%; β = 16.4 प्रतिशत बिंदु; P = 3.30e-4), संचार में सबसे बड़ा लाभ (हेजेज़ का g = −0.79)।

• संकेत प्रणालियाँ: AI ट्यूटर संकेत शोध यह जाँचता है कि संकेत कब मदद करते हैं बनाम कब वे अति-निर्भरता को प्रोत्साहित करते हैं।

• त्रुटि-बाद की सुधार बढ़ाने वाले मड्गद। एक 6,000-छात्र माध्यिका विद्यालय फील्ड प्रयोग में, AI सहायता ने प्रगति को धीमा किया और प्रयास किए गए प्रश्नों को कम किया लेकिन त्रुटियों के बाद अगले-प्रयास सहीता बढ़ाई और सही उत्तर पर लौटने के लिए आवश्यक प्रयासों को कम किया — उत्तर आपूर्ति के बजाय एक "उत्पादक धीमापन" (ओरेओपुलोस सहित (2026)))।

• शिक्षार्थी को प्रशिक्षित करना स्वयं एक मड्गद है। एक 45-मिनट सत्र जो छात्रों को SRL चरण द्वारा एक मॉडल को प्रॉम्प्ट करना और इसकी दृश्य और तर्क त्रुटियों को सुधारना सिखाता है उसने भौतिकी संशोधन सटीकता (d = 0.81) बढ़ाई बिना रिपोर्टित कुल संज्ञानात्मक भार बढ़ाए (हुआंग सहित (2026)))।

• संकल्पनात्मक और प्रतिनिधित्वक मड्गद: कॉन्सेप्ट कैटालिस्ट और LLM ट्यूटर पुनर्विचार संज्ञानात्मक सहायता के लिए डिज़ाइन पैटर्न खोजते हैं। डावोर (2026) एक डोमेन आपूर्ति करता है जहाँ प्रतिनिधित्वक सहायता और उत्तर-देना अलग होना चाहिए: ज्यामिति प्रमाण विज़ुअलाइज़ेशन संसाधनों में समृद्ध है, फिर भी एक संबंध से जो देखा जा सकता है एक वैध निगमनात्मक तर्क में वह कदम जो शिक्षार्थी बनाने में विफल होते हैं, इसलिए मड्गद को उन्हें प्रतिनिधित्वों के पार पहुँचाना चाहिए न कि उन्हें एक और तस्वीर देना। 86 घाना वरिष्ठ उच्च विद्यालय छात्रों के साथ उसका अर्ध-प्रयोग ने जनरेटिव-AI को प्रॉम्प्ट करने और प्रश्न पूछने के लिए कॉन्फ़िगर किया न कि हल करने के लिए — शिक्षार्थियों से यह औचित्य देखने के लिए कहते हुए, प्रासंगिक प्रमेयों का नाम देते हुए, और अपने तार्किक चरणों को क्रमबद्ध करते हुए, शिक्षक को चर्चा को स्टीयर करने के लिए AI के प्रतिनिधित्वों का उपयोग करते हुए — और AI-समर्थित कक्षा ने पूर्व-परीक्षा प्रदर्शन को नियंत्रित करने के बाद भी पारंपरिक निर्देश पर प्रमाण निर्माण को हराया। प्रतिक्रिया और स्पष्टीकरण गुणवत्ता की अनुभूतियाँ अनुकूल थीं, हालाँकि केवल प्रयोगात्मक समूह सर्वेक्षित था। मड्गद यहाँ दृश्य अंतर्दृष्टि से निगमनात्मक तर्क के पुल के रूप में रखा गया है, और पेपर कभी मॉडल या एक संग्रह विंडो का नाम नहीं लेता है, इसलिए यह एक प्रतिकृति व्यवधान से अधिक एक डिज़ाइन वारंट प्रदान करता है।

• डिज़ाइन सिद्धांत के रूप में "मड्गद दें, प्रतिस्थापन न करें": फावेरो सहित (2026) तर्क देते हैं कि शिक्षा में AI का केंद्रीय जोखिम असंरेक्षण है — AI जो मानव प्रयास का प्रतिस्थापन करता है वह उन क्षमताओं का कटाव करता है जिन्हें शिक्षा बनाने का अर्थ रखती है — और एक एकल डिज़ाइन सिद्धांत व्युत्पन्न करते हैं, मड्गद दें, प्रतिस्थापन न करें। मड्गद AI प्रणालियों की एक प्रथम-श्रेणी क्षमता होनी चाहिए: यह जानना कि एक उत्तर कब रोकना है, एक प्रश्न पूछना है, अनिश्चितता सामने लानी है, या वैकल्पिक परिप्रेक्ष्य प्रस्तुत करने हैं। छात्र निबंधों का उनका विश्लेषण दिखाता है कि शिक्षार्थी स्वयं इस पर आते हैं — ऐसे AI के लिए कहते हुए जो "आपको कोई समाधान प्रदान नहीं करता, आप अभी भी सीखते हैं क्योंकि आपको सही उत्तर स्वयं खोजना होता है।" सिद्धांत मड्गद को संज्ञान, शिक्षार्थी सक्रियता, भावना और नैतिकता में प्रतिस्थापन के एक स्व-सुदृढ़ हानि चक्र के विकल्प के रूप में रखता है।

• एक शोध प्रक्रिया के लिए मार्गदर्शन के रूप में मड्गद। वांग सहित (2026) एक व्यवस्थित समीक्षा को एक जानबूझकर सीखने के अनुभव के रूप में मानते हैं जिसमें मार्गदर्शन एकीकृत कार्यप्रणाली और भावनात्मक मड्गद आपूर्ति करता है, जबकि स्वचालन को सार पर्खन और डेटा निष्कर्षण जैसी प्रक्रियात्मक भार तक सीमित किया जाता है, और सुधारणा और संश्लेषण मानव समीक्षकों के साथ रहती है।

• माध्यम में सन्निहित मड्गद, न कि बोल्ट-ऑन: वांग, डू और जिन (2026) एक वीडियो प्लेयर के भीतर चार मड्गद सिद्धांतों को परिचालित करते हैं — टिप्पणी गहराई का ZPD-आधारित समायोजन, कम होने वाला मड्गद (ज्ञान सहायता समयरेखा पर पतली होती जाती है), वितरित मड्गद (हर टिप्पणी या तो ज्ञान या भावनात्मक सहायता है), और संज्ञानात्मक-भार-व्युत्पत्त समय — फ्रेम-स्तर वीडियो एन्ट्रॉपी की गणना करके और टिप्पणियों को केवल कम-सूचना अंतरालों में सम्मिलित करके। 20 शिक्षार्थियों के साथ उनका चार-शर्त विघटन ने पाया कि एन्ट्रॉपी-समय मॉड्यूल ने हटाए जाने पर अनुभूत गुणवत्ता पर सबसे मजबूत और सबसे मजबूत प्रभाव पैदा किया (Z = −2.85, r = 0.45, p = .004), जो मड्गद की अनुसूची को एक पैकेजिंग विवरण के बजाय एक मापने योग्य डिज़ाइन चर बनाता है। अध्ययन स्वचालित मड्गद के लिए एक चेतावनी भी वहन करता है: ChatGPT-निर्मित टिप्पणियाँ लगातार निर्देशक टिप्पणियों से पढ़ने में कठिन, शब्दावली में कम विविध और कम विषय-संरेखित थीं, भावनात्मक सहायता में सबसे बड़ा प्रासंगिकता अंतराल (प्रतिक्रिया गुणवत्ता)।

• पसंदीदा मड्गद हमेशा सबसे प्रभावी नहीं: झू, यांग और यांग (2026) ने एक भीतरी-विषय प्रयोग में पाया कि छात्र सहकर्मी और शिक्षण सहायक AI भूमिकाओं के साथ सबसे अच्छा प्रदर्शन करते हैं (जो सहयोगात्मक तर्क को बढ़ावा देती हैं) फिर भी अधिक निर्देशात्मक ट्यूटर और उत्कृष्ट छात्र भूमिकाओं को पसंद करते हैं — एक पसंद और प्रदर्शन के बीच विचलन जो AI-समर्थित गणितीय मॉडलिंग में शिक्षार्थी की पसंद को प्रभावी मड्गद के बराबर मानने से चेतावनी देता है।

• एक अधिक संरचित मड्गद स्वतः एक अधिक एजेंटिक नहीं: एक विशेषज्ञ डिज़ाइन बॉट ने सादे ChatGPT के सापेक्ष बातचीत की लंबाई और स्व-लेखित प्रॉम्प्ट बढ़ाए, लेकिन सहयोगात्मक समस्या-समाधान एजेंसी दोनों शर्तों में गिरी, आलोचना के बजाय सहमति सबसे कम-एजेंसी व्यवहार था जो देखा गया (क्रुशिंस्काया सहित (2026)))।

• जानबूझकर मड्गद के रूप में स्वचालित स्कोरिंग: चेन और लियू (2026) ने एक स्वचालित अनुवादक-स्कोरिंग प्रणाली को रचनात्मक मड्गद के रूप में माना न कि एक माप उपकरण के रूप में, 46 अंग्रेज़ी अनुवाद और व्याख्या द्वितीय वर्ष के छात्रों के साथ एक 14-सप्ताह तुलना में। मड्गद केवल उस स्थान पर लाभ में बदला जहाँ उसके द्वारा लक्षित कमी विघटनकारी, भरोसेमंद रूप से स्कोर की गई और संवेदनशील रूप से मापी गई थी: भाषाई सटीकता और तार्किक सुसंगति बढ़ी, जबकि सूचना निष्ठा और वितरण प्रवाह समान रहा, निष्ठा वह आयाम था जिस पर स्वचालित और मानव रेटिंग सबसे अधिक असहमत थीं (r = 0.12)। जिस चक्र को यह सुदृढ़ किया वह भी आंशिक था। केवल अभ्यास-चरण निष्पादन और निगरानी स्कोर लाभों के साथ सहसंबद्ध था (r = 0.42), जबकि पूर्व-सीखना नियोजन स्केल मध्य बिंदु के पास बैठा था (M = 3.01) और छात्रों ने आगे के कार्य के बजाय पिछले स्कोर से लक्ष्य निर्धारित किए। एक मड्गद प्रदर्शन चरण के भीतर अच्छी तरह रखा जा सकता है और फिर भी वह नियोजन अछूता छोड़ सकता है जो इसे अनावश्यक बनाता।

• शिक्षार्थी के वर्तमान सीमा पर बंद-लूप मड्गद: झू, लुओ और ली (2026) ने एक संगीत-शिक्षा लूप बनाया जिसमें प्रदर्शन ऑडियो और स्कोर पर बहुमाध्यमी AI त्रुटि पहचान वह पुरस्कार बन जाती है जो प्रबलन-निर्मित अभ्यास पथों को स्टीयर करता है, इसलिए कठिनाई एक निश्चित पाठ्यक्रम के बजाय शिक्षार्थी के वर्तमान सीमा का अनुसरण करती है: निर्मित अभ्यास प्रक्षेपवक्र शिक्षार्थी कौशल प्रोफ़ाइलों के साथ 0.962 के शीर्ष कोसाइन समानता पर मेल खाए, और समूह × समय बातचीत ने 120 स्नातकों के साथ एक 12-सप्ताह अर्ध-प्रयोग में मड्गद समूह का पक्ष लिया (बीटा = 0.52, 95% CI [0.31, 0.73])। स्वचालित मड्गद के लिए दो सीमाएँ अनुसरण करती हैं। पहचान निर्णय के बजाय ट्रिएज है, क्योंकि ताल गलती परिशुद्धता 89.7% का मतलब है कि लगभग एक में से एक ध्वजांकित गलती एक झूठा अलार्म है, और अंधा विशेषज्ञ समीक्षा ने संगीतिक अभिव्यक्ति के लिए सहायता को प्रणाली का सबसे कमज़ोर क्षेत्र रेट किया, व्याख्या को शिक्षक पर छोड़ते हुए।

ZPD संबंध

व्यगोत्स्की का सामीपस्थ विकास क्षेत्र सैद्धांतिक नींव प्रदान करता है: मड्गद उस स्थान को लक्षित करता है जो यह है कि शिक्षार्थी स्वतंत्र रूप से क्या कर सकते हैं और सहायता के साथ क्या हासिल कर सकते हैं। AI उपकरणों को इस क्षेत्र में संचालित होना चाहिए — प्रगति को सक्षम करने के लिए पर्याप्त सहायता, इतनी अधिक नहीं कि सीखना बायपास हो जाए। अनुकूलन के सामान्य दिशा को उलटने वाला एक कॉन्फ़िगरेशन सिडोरकिन के (2026) स्नातकोत्तर पाठ्यक्रम में दिखता है, जहाँ प्रणाली के बजाय शिक्षार्थी ने सहायता स्तर निर्धारित किया: साप्ताहिक पाठ्य सामग्री मांग पर निर्मित थी और छात्रों ने पुनरावृत्त प्रॉम्प्टिंग के माध्यम से समझ स्तर को डायल किया (गति, परिभाषाएँ, शब्दावली घनत्व, गहराई)। तीन पढ़ने के लॉग का विश्लेषण पाया कि परिभाषात्मक संकेतक AI प्रतिक्रियाओं में समझ-उन्मुख प्रॉम्प्ट का अनुसरण करने वाले में आधारभूत स्पष्टीकरण पाठ की तुलना में 3.4x से 8.7x अधिक बार थे, सबसे स्पष्ट मामले एक परिभाषात्मक परत और फिर एक क्रमांकित प्रक्रियात्मक एक बनाते हुए, जो मड्गद घनत्व को केवल एक प्रणाली के महारत अनुमान के बजाय शिक्षार्थी के अनुरोध का एक मापने योग्य गुण बनाता है। प्रति पाढ़ने के लिए कम से कम तीन अनुवर्ती प्रश्नों की आवश्यकता ने उस डायलिंग को दिनचर्या बनाया, पाठ को एक बातचीत में बदलते हुए जिसमें वे समझ अंतराल सामने आए जो निर्देशक अन्यथा नहीं देखते।

मड्गद रूप को यह मेल खाना चाहिए कि शिक्षार्थी पहले से क्या रख सकता है, न कि केवल कार्य क्या मांगता है। 6 से 15 वर्ष के बच्चों में रचनात्मक सोच पर 24 साक्ष्य स्रोतों की एक व्यवस्थित स्कोपिंग समीक्षा में, निउ सहित (2026) रिपोर्ट करते हैं कि छोटे बच्चों में वह सटीक भाषाई और मेटा-संज्ञानात्मक नियंत्रण कम था जो पाठ-आधारित प्रॉम्प्टिंग मांगती है और उन्हें बहु-माध्यम, वयस्क-सुविधित इंटरफ़ेस की आवश्यकता थी, जबकि पाठ-आधारित LLMs ने पुराने बच्चों और युवा किशोरों के साथ मजबूत रिपोर्टित परिणाम दिखाए। प्रॉम्प्ट निर्भरता निचली कक्षाओं में सबसे मजबूत थी, और कोई शामिल अध्ययन विकासात्मक तैयारी सीमाओं की जाँच नहीं करता था, इसलिए लेखक माध्यम और मड्गद चुनाव को एक खुला डिज़ाइन प्रश्न मानते हैं जो सुविधा के बजाय शिक्षार्थी की क्षमता से निपटारा होना चाहिए।

संबंध

मड्गद अति-निर्भरता (मड्गद जो कम नहीं होता वह निर्भरता बनाता है), संज्ञानात्मक भार सिद्धांत (मड्गद संज्ञानात्मक भार का प्रबंधन करता है), प्रतिक्रिया लूप (मड्गद रचनात्मक प्रतिक्रिया प्रदान करता है) और AI साक्षरता (शिक्षार्थियों को यह पहचानना चाहिए कि मड्गद कब लाभकारी है बनाम कब यह सीखने को विस्थापित करता है) से जुड़ता है।

एजेंटों को गतिशील रूप से मड्गद देना चाहिए, स्थिर रूप से नहीं: वुलास्टन सहित (2026) पहचानते हैं कि स्वचालित मड्गद क्षमता बढ़ने के साथ वापस लिए जाने के बजाय स्थिर रहने का जोखिम उठाते हैं, और एजेंटिक AI के लिए एक मुख्य गार्डरेल के रूप में ऐसे गतिशील मड्गद की सलाह देते हैं जो अनुकूलित और कम हों। CoMeT (हौ सहित 2026) कब कम करना है इसके लिए पृथकता और वारंट दोनों आपूर्ति करता है: इसका समर्थन हर बार एक कदम चढ़ता है जब एक शिक्षार्थी इसका उपयोग नहीं करता और स्वीकारृति पर सबसे हल्के कदम पर गिरता है, मेटा-संज्ञानात्मक मांग को एक रोकने वाले ट्यूटर के सांख्यिकीय रूप से समान रखते हुए (p_TOST = .004) जबकि 23.7% के विरुद्ध 48.1% सत्रों में एक कलात्मक उत्पाद वितरित करता है — अधिक प्रणाली श्रम, कम नहीं। जिस ट्रिगर को इसे सत्यापित किया वह गहराई के बजाय लक्ष्य है: एक पूर्ण प्रदर्शन के बाद ट्यूटर ने बाद में जो अभी भी खुला था उसमें से 30.3% को स्वीकारा, एक चिपकाए गए कलात्मक उत्पाद के बाद 25.9%, एक नंगे दावे के बाद 20.4% और बनाने के अनुरोध के बाद 33.7%, जबकि सहायता के तहत निर्णय पर लक्षित नहीं चरणों ने लक्षित चरणों के विरुद्ध 40.3% समय एक बाद की छूट खींची बनाम 28.8% (11.5-बिंदु अंतर, 95% बूटस्ट्रैप अंतराल [2.1, 22.4])। स्वीकृति विरल थी — पहले पूछने के बाद 37.0% और तीसरे पूछने के बाद 21.8% — इसलिए शिक्षार्थी प्रयास से कुंजीबद्ध एक कम होने का नियम एक गैर-उत्तर को तैयारी के रूप में पढ़ेगा।

एक चौथा क्षेत्र मड्गद के स्रोत को दृश्यमान बनाता है: त्सिम और गुतोरेवा (2025) व्यगोत्स्की के क्षेत्रों में "जनरेटिव-AI को ज्ञात" जोड़ते हैं, इसलिए एक कार्य प्रतिस्थापित, पूरक, सहायक या गैर-परक्राम्य में गिरता है — और गैर-परक्राम्य वह रखता है जिसे एक व्यक्ति की आवश्यकता होती है क्योंकि यह मानदंड-संबंधी, अप्रत्यक्ष या सौंपने के लिए बहुत जोखिमपूर्ण है।

• विचार के चरण द्वारा AI को रखें, पाठ्यक्रम द्वारा नहीं। छह-चाल रखने का फ्रेम AI को पहले कठिन प्रयास और अंतिम असहायित जाँच से बाहर रखता है जबकि उनके बीच संकेतों, उदाहरणों और ड्रिल के लिए इसे लाइसेंस देता है; यदि AI कार्य को सहज महसूस कराता है, तो यह गलत जगह में है (ब्रचिच और फ्र्लिच, 2026।

मड्गद स्थिति-उचित होना चाहिए, अधिकतम नहीं: झांग सहित (2026) ट्यूटरमोमेंट्स पेश करते हैं, जो यह मूल्यांकित करता है कि LM ट्यूटर केवल तभी मड्गद देते हैं जब सहायता की आवश्यकता हो, छात्र तैयार होने पर कठोरता के लिए धकेलते हैं, और अति-मड्गद से बचते हैं (सांज्ञानात्मक मांग को स्थिति की तुलना में अधिक कम करना)। न्यूनतम रूप से प्रॉम्प्ट किए गए अग्र-पंक्तु मॉडल उत्पादक संघर्ष की कीमत पर अति-मड्गद के लिए डिफ़ॉल्ट होते हैं।

• उत्पादक संघर्ष का मड्गद देने वाला AI। किम सहित (2026) AI डिज़ाइन सिद्धांत (गैर-निर्देशात्मक सहायता, प्रतिबिंबित डिज़ाइन, मानव-लूप-में) व्युत्पन्न करते हैं जो मड्गद को उत्तर-देने में गिरने के बजाय उत्पादक-संघर्ष क्षेत्र में रखते हैं; पुएच सहित (2025) दिखाते हैं कि बड़े भाषा मॉडल (LLMs) ट्यूटरों को केवल तब सहायता देने के लिए स्टीयर किया जा सकता है जब यह सख्ती से आवश्यक हो — मड्गद जो शिक्षार्थी के अपने प्रयास को संरक्षित करता है।

सत्यापन के लिए प्रवर्तन तंत्र के रूप में मड्गद वापसी। कुमार, वोंगसिरिचोट और नंथामोर्नफोंग (2026) 72 कंप्यूटिंग-शिक्षा अध्यायनों को संश्लेषित करते हैं और मड्गद वापसी को, गार्डरेल उपकरणों और स्व-नियंत्रित अधिगम डिज़ाइनों के साथ, उन तीन तरीकों में से एक के रूप में रखते हैं जिनसे पाठ्यक्रम AI आउटपुट के साथ महत्वपूर्ण जुड़ाव को लागू करते हैं — संरचनात्मक रूप से (उपकरण क्या लौटाता है उसे बाधित करके), प्रक्रियात्मक रूप से (प्रतिबिंब लॉग, स्व-परीक्षण) और कालानुक्रमिक रूप से (प्रगतिशील रूप से उन शर्तों को बहाल करते हुए जिनमें स्वतंत्र तर्क आवश्यक है)। उनका साक्ष्य यह है कि AI सहायता के तहत दक्षता लाभ असहायित प्रदर्शन में स्थानांतरित नहीं होते, और कि विफलता तरीका — छद्म-शिष्यवृत्ति पैटर्न, जहाँ छात्र कार्य करे बिना AI को कोड उत्पन्न करते हुए देखते हैं — बिल्कुल समग्र-कार्य अभ्यास के बिना मॉडलिंग है। क्रमिक पहुँच इसलिए एक शक्तिशाली नए सहायता रूप के लिए एक कम होने का शेड्यूल के रूप में काम करता है, और समीक्षा इसे 4C/ID में आधारित करती है: सहायता केवल तभी मदद करती है जब शिक्षार्थी के पास उसके साथ महत्वपूर्ण रूप से जुड़ने के लिए पर्याप्त स्कीमा पहले से हो (सामीपस्थ विकास क्षेत्र, संज्ञानात्मक ऑफलोडिंग)।

क्रमबद्धता मड्गद का दूसरा लीवर है: वेंड्रेल और जॉनस्टन (2026) किसी भी AI परामर्श से पहले एक शिक्षार्थी के स्वतंत्र प्रयास की आवश्यकता होने और फिर उत्तरों के बजाय प्रतिपक्ष तर्क उत्पन्न करने के लिए मॉडल का उपयोग करने की सलाह देते हैं, जानबूझकर AI-मुक्त चरणों के साथ, इसलिए सहायता तर्क को प्रतिस्थापित करने के बजाय इसे बढ़ाती है।

नियम-निर्देशित बनाम तात्कालिक मड्गद

• नियम-निर्देशित बनाम तात्कालिक मड्गद। लूई, लियू और सन (2026) मड्गद डिज़ाइन के लिए केंद्रीय एक भेद को औपचारिक रूप देते हैं: नियम-निर्देशित मड्गद, जिसमें ट्यूटरिंग एक ऑडिट करने योग्य तीन-परत वास्तुकला (निदान → इरादा चयन → बाधित प्रतिक्रिया निर्माण) द्वारा शासित होती है, बनाम तात्कालिक मड्गद, जहाँ सहायक चालें ऑडिट और प्रतिकृति करना मुश्किल होती हैं। उनका प्राथमिक विद्यालय गणित अध्ययन दिखाया कि नियम-निर्देशित मड्गद बातचीत संगति में सुधार करता है, असमय उत्तर-देना और शीघ्र बंद को कम करता है, और संज्ञानात्मक जुड़ाव को बनाए रखता है — यह साक्ष्य कि प्रक्रियात्मक डोमेन में संगति और सीखना दोनों के लिए मड्गद चालों की स्पष्टता और ऑडिट-योग्यता मायने रखती है।
• बायपास और ऑफलोडिंग के बीच बाधित मार्ग के रूप में मड्गद। न्यूरोप्लास्टिसिटी-AI बातचीत मॉडल LLM सहायता के तीन मार्गों में से तीसरे के रूप में मड्गद का नाम देता है, सीधे बायपास और संज्ञानात्मक ऑफलोडिंग के साथ, और इसे इस आधार पर परिभाषित करता है कि क्या मॉडल उस प्रयासशील प्रसंस्करण को संरक्षित करता है जिसे कार्य प्रशिक्षित करने का अर्थ रखता है (Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning)। मॉडल का कैलिब्रेशन साक्ष्य मड्गद बाधा में एक प्राकृतिक प्रयोग है: लगभग 1,000 उच्च विद्यालय गणित छात्रों के अध्ययन में अप्रतिबंधित GPT-4 पहुँच ने एक 48% अभ्यास लाभ पैदा किया लेकिन असहायित परीक्षा पर एक 17% कमी, जबकि संकेत-बाधित GPT ट्यूटर ने 127% अभ्यास लाभ पैदा किया जिसमें परीक्षा कमी बड़े पैमाने पर समाप्त हो गई। डिज़ाइन पाठ ऊपर के नियम-निर्देशित बनाम तात्कालिक भेद से एक मोटे अनाज पर मेल खाता है: यह ट्यूटर को आपूर्ति करने की अनुमति देने पर बाधा है, ट्यूटर की उपस्थिति नहीं, जो निर्धारित करता है कि मड्गद सफलतापूर्वक हटाया जाता है या नहीं।

नियम-निर्देशित बनाम तात्कालिक भेद ट्यूटर से आगे असाइनमेंट में तक पहुँचता है। एक अनु-संस्थागत संकाय सहयोगशाला ने पाया कि AI आउटपुट की आलोचना अपने आप नहीं हुई, इसलिए निर्मित सामग्री के ऑडिट, तुलना, संशोधन और औचित्य देने की आवश्यकताओं को कार्य में लिखा जाना था, और जिन्होंने AI के प्रवेश से पहले स्वतंत्र अनुशासनात्मक विश्लेषण की रक्षा की उन्होंने पाया कि उम्मीदवार AI आउटपुट का अधिक महत्वपूर्ण रूप से मूल्यांकन कर सकते थे। रिहर्सल साक्ष्य सहमत है: AI साझेदारों के साथ अभ्यास करने वाले पूर्व-सेवा शिक्षकों ने अधिक जाँचने और अन्वेषण करने वाले प्रश्नों का उपयोग किया जब संरचित पश्चात-रिहर्सल प्रतिक्रिया प्रदान की गई। दोनों मामलों में सहायता पहले निर्दिष्ट की जाती है न कि तात्कालिक रूप से की जाती है, डिज़ाइन किए गए मार्गदर्शन को उस तात्कालिक सहायता से अलग करते हुए जिसे ऑडिट और प्रतिकृति करना कठिन है।

• एक सही ढंग से बाधित मड्गद अभी भी विफल होता है यदि बाधा प्रशासित नहीं की जाती। अज़ीमी (2026) ने वह बनाया जो ऊपर का भेद नुस्खा देता है — प्रति सत्र 25 संकेतों का एक बजट, AI उपयोग पर एक 15-मिनट कैप, एक आवश्यक सत्र-अंत प्रतिबिंब, और कोई निर्मित कोड नहीं — और 33 स्नातक छात्रों को इसे और अप्रतिबंधित जनरेटिव-AI उपयोग के बीच सात सप्ताह में यादृच्छिकृत किया। असाइनमेंट प्रदर्शन और संकल्पना-भंडार लाभ शर्तों के बीच भिन्न नहीं थे। संकेत बजट ने एक राशन तंत्र के रूप में काम नहीं किया: कुछ छात्रों ने इसका अधिकांश पहली समस्याओं पर खर्च किया और मांग वालों के लिए कोई नहीं बचा, दूसरों ने अधिकांश अप्रयुक्त पूरा किया, और कोच शर्त के भीतर यह वे छात्र थे जिनके पास पहले से एक संकेत खर्च करने की एक जानबूझकर रणनीति थी जिन्होंने उच्च स्कोर किया। बाधा ने रिपोर्टित आत्मविश्वास बढ़ाया और एक स्व-पूछने की आदत के रूप में छात्रों को कक्षा से बाहर लिया (क्या एक प्रश्न उपकरण से पूछने योग्य था), लेकिन इसने मौजूदा स्व-शासन को पुरस्कृत किया न कि इसे विकसित किया। एक मड्गद की ऑडिट-योग्यता और एक शिक्षार्थी की इसे उपयोग करने की क्षमता अलग शर्तें हैं।

• जिस मड्गद को शिक्षार्थी सत्यापित नहीं कर सकता वह एक प्रवाहशील प्रतिस्थापन है। क्योंकि रसायन देखे गए घटनाओं, कण मॉडलों और प्रतीकात्मक संकेतन में तर्क करता है, एक निर्मित उत्तर स्थानीय रूप से प्रेरक और वैश्विक रूप से गलत हो सकता है। वेगा-बौद्रिट और रिवेरा अल्वारेज़ (2026) अपने प्रीसेज-प्रोसेस-प्रोडक्ट विश्लेषण में मड्गद को उत्पादक पक्ष और बिना-आलोचना प्रतिलिपि को विफलता पक्ष पर रखते हैं, और मड्गदों को दोनों दिशाओं में प्रतिनिधित्वक अनुवाद की मांग करने की आवश्यकता होती है, क्योंकि एक प्रतिक्रिया जो उदासीनीकरण का सही ढंग से वर्णन करती है वह अभी भी दावा कर सकती है कि हर तुल्यांक बिंदु का pH 7 है। सत्यापन कार्य में डिज़ाइन किया जाता है न कि एक नियम के रूप में घोषित: छात्र एक झूठी धारणा की पहचान करते हैं, एक इकाई या तंत्र त्रुटि को सही करते हैं, एक प्रतीकात्मक संरचना की एक उप-सूक्ष्म मॉडल के साथ तुलना करते हैं, या एक निर्मित उत्तर को अस्वीकार करने का औचित्य देते हैं। क्योंकि छात्र वह सत्यापित नहीं कर सकते जो वे अभी नहीं समझते, पूर्व ज्ञान और मड्गद पहले आते हैं, और प्रॉम्प्टिंग को एक ज्ञान-बौद्धिक कार्य के रूप में माना जाता है जिसमें शिक्षार्थी उन बाधाओं को निर्दिष्ट करता है जिन्हें उत्तर संतुष्ट करना चाहिए।

संबंधित अवधारणाएँ

• शिक्षाशास्त्रीय पैटर्न — क्रम में सहायता कहाँ आती है, और क्यों प्रयास-से-पहले-सहायता भारवह नियम है
• समस्या-आधारित अधिगम — PBL असंरचित समस्याओं के इर्द-गिर्द कम होने वाले मड्गद सन्निहित करता है
• पढ़ाकर सीखना — स्पष्टीकरण के माध्यम से ज्ञान निर्माण का मड्गद
• सामाजिक-सांस्कृतिक अधिगम — व्यगोत्स्कीय नींव: ZPD और सामाजिक रूप से मध्यस्थित सीखना
• संज्ञानात्मक ऑफलोडिंग — मड्गद जो कभी कम नहीं होता वह अति-निर्भरता बनाता है
• प्रतिपुष्टि — मड्गद सहायता कम होने के रूप में रचनात्मक प्रतिक्रिया वितरित करता है
• AI साक्षरता — यह पहचानना कि मड्गद सीखने का समर्थन करता है बनाम इसे विस्थापित करता है
• इंटेलिजेंट ट्यूटरिंग — ITSs मड्गद तीव्रता को महारत अनुमानों के अनुसार अनुकूलित करती हैं
• सकरात पद्धति — सीधे उत्तरों को रोकने वाला पूछना
• मेटाकॉग्निशन — स्व-निगरानी और स्व-विनियमन बनाने वाले मड्गद
• अनुकूली अधिगम — अनुकूली प्रणालियाँ शिक्षार्थी के ZPD के भीतर सहायता को मॉड्यूलेट करती हैं
• सीखने का डिज़ाइन — मड्गद एक मूल निर्देशात्मक-डिज़ाइन रणनीति है
• सहायता खोजना — मड्गद यह आकार देता है कि शिक्षार्थी सहायता कब और कैसे मांगते हैं
• शिक्षण — शिक्षक मड्गद देते हैं, फिर क्षमता बढ़ने के साथ कम करते हैं
• शिक्षाशास्त्र और शिक्षण रणनीतियाँ — छत्र: AI शिक्षा में शिक्षाशास्त्र और शिक्षण रणनीतियाँ
• एजेंटिक AI
• उत्पादक विफलता — उत्पादक विफलता

संबंधित लेख

• Generative AI in computing education: A systematic review and a framework for responsible integration — सत्यापन को लागू करने वाले तंत्र के रूप में मड्गद वापसी (VIE ढाँचा)
• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — मूल्यांकन: नैदानिक साक्षात्कार प्रशिक्षण के लिए मड्गद-उन्मुख बहु-एजेंट बड़े भाषा मॉडल प्रणाली
• Assessing ChatGPT-Generated Comments for Video-Based Learning Content to Enhance Knowledge and Emotional Support Based on Scaffolding Theory — वीडियो में ज्ञान और भावनात्मक मड्गद के रूप में एन्ट्रॉपी-समयबद्ध AI टिप्पणियाँ (वांग, डू और जिन 2026)
• Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics — एक संरचित सीखने के हस्तक्षेप के रूप में निर्देशित LLM प्रॉम्प्टिंग
• Scaffolding critical engagement with GenAI: Transforming ethnic minority preparatory students' collaborative discourse — जनरेटिव-AI के साथ सांस्कृतिक रूप से प्रत्युत्तरीय महत्वपूर्ण-जुड़ाव मड्गद
• Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments — LLM ट्यूटरों में मड्गद के लिए डिज़ाइन पैटर्न
• Creating Learning Scaffolds for Engineering Design Using Concept Catalyst — संकल्पनात्मक परिवर्तन के लिए कॉन्सेप्ट कैटालिस्ट मड्गद
• Catching The Correct Answer Trap: Characterising AI Tutor Blind Spots When Analysing Student Reasoning — संकेत कब मदद करते हैं बनाम कब वे अति-निर्भरता को प्रोत्साहित करते हैं
• Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher — जनरेटिव-AI के साथ महत्वपूर्ण सोच का मड्गद
• VeriForge: Mitigating Latent Knowledge Gaps in Narrative Drafting via Mixed-Initiative Scaffolding — वेरिफोर्ज के साथ मड्गदित कथा मसौदा
• From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond) — प्रतिस्थापन से मड्गद तक: स्व-सुदृढ़ हानि चक्र को तोड़ना
• Preferred Scaffolding Does Not Lead to Better Learning Performance: Empirical Evidence from AI-Supported Mathematical Modelling — AI-समर्थित गणितीय मॉडलिंग में पसंदीदा मड्गद
• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — एजेंटिक AI के लिए गार्डरेल के रूप में गतिशील (कम होने वाले) मड्गद
• When Help is Unhelpful: Evaluating AI Tutors for Productive Struggle — जब सहायता असहायक हो: उत्पादक संघर्ष के लिए AI ट्यूटरों का मूल्यांकन
• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — उत्पादक-विफलता-आधारित सीखने का समर्थन करने के लिए AI प्रणालियाँ डिज़ाइन करना
• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — उत्पादक विफलता के लिए LLMs का शिक्षाशास्त्रीय स्टीयरिंग
• Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment — AI ट्यूटरिंग को उत्पादक बनाना: महारत-आधारित गणित अभ्यास
• The Effortless Trap: Productive Struggle, AI, and the Illusion of Learning — संरक्षित बनाम असंरक्षित AI: रखने का नियम (ब्रचिच और फ्र्लिच 2026)
• Supporting Undergraduate Students' Learning in Practical Chemistry Courses through AI-Supported Experimental Design — व्यावहारिक रसायन में AI-समर्थित प्रयोगात्मक डिज़ाइन
• Scaffolding Systematic Reviews in Learning Design and Technology Through Mentoring and AI Integration — मार्गदर्शन और AI के साथ व्यवस्थित समीक्षाओं का मड्गद (वांग 2026)
• Pre-service teachers' agency during their interactions with generative AI while designing for learning - a process view — सीखने के डिज़ाइन में जनरेटिव-AI बातचीत के दौरान पूर्व-सेवा शिक्षक एजेंसी (क्रुशिंस्काया, एलेन और रेस 2026)
• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — गणित शिक्षक शिक्षा में प्रथाओं के शिक्षाशास्त्रों में AI: संरचित रिहर्सल प्रतिक्रिया ने जाँचने वाले प्रश्न बढ़ाए (बोंडुरांट और शॉननेसी 2026)
• AI Integration as Instructional Design: Lessons from a Cross-Institutional Faculty Collaboratory in Teacher Preparation — निर्देशात्मक डिज़ाइन के रूप में AI एकीकरण: AI आउटपुट की आलोचना असाइन की जानी चाहिए, और अनुशासनात्मक विश्लेषण पहले आता है
• AI literacy over tool design: a mixed-methods study of scaffolded versus unrestricted generative AI in programming education — एक संकेत-बजट AI अध्ययन कोच: मड्गदित बनाम अप्रतिबंधित जनरेटिव-AI उपयोग, और क्यों बाधा अकेले ने सीखना पैदा नहीं किया (अज़ीमी 2026)
• SCAN: A Decision-Making Framework for Task Assignment with Generative AI — SCAN: मड्गद को यह तय करने के रूप में पुनःफ्रेम किया गया कि एक कार्य किस उप-क्षेत्र में आता है
• Impact of automated scoring on interpreting performance and self-regulated learning: evidence from a pedagogical experiment — रचनात्मक मड्गद के रूप में स्वचालित स्कोरिंग: यह केवल उस स्थान पर लाभ में बदलता है जहाँ लक्षित कमी विघटनकारी, विश्वसनीय और संवेदनशील रूप से मापी गई हो (चेन और लियू 2026)
• Adaptive teaching assistance model combining generative AI and big data analytics — संगीत अभ्यास में शिक्षार्थी के वर्तमान सीमा को ट्रैक करने वाला बंद-लूप अनुकूली मड्गद, त्रुटि पहचान को ट्रिएज के रूप में (झू सहित 2026)
• The role of generative AI in facilitating children’s creative thinking and cognitive development: a systematic scoping review — मड्गद रूप को बच्चों की विकासात्मक क्षमता से मेल खाना चाहिए, केवल कार्य से नहीं (निउ सहित 2026)
• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — मड्गदों को प्रतिनिधित्वक अनुवाद और सत्यापन की आवश्यकता होती है, क्योंकि छात्र वह सत्यापित नहीं कर सकते जो वे नहीं समझते (वेगा-बौद्रिट और रिवेरा अल्वारेज़ 2026)
• Generative AI-supported instruction as a cognitive scaffold: effects on senior high school students' geometric reasoning and proof construction — ज्यामिति में दृश्य अंतर्दृष्टि से निगमनात्मक प्रमाण के पुल के रूप में प्रॉम्प्टिंग मड्गद के रूप में जनरेटिव-AI, जहाँ अकेला दृश्यीकरण अपर्याप्त है (डावोर 2026)
• Examining Variation in How Guided AI Tutors Resolve Student Impasses — जाँच: निर्देशित AI ट्यूटर छात्र अड़चनों को कैसे हल करते हैं इसमें विविधता
• From answer machine to collaborative partner: impact of structured generative AI training on scientific problem solving in STEM education — STEM समस्या-समाधान में जनरेटिव-AI उपयोग के लिए मड्गद के रूप में शिक्षार्थी को प्रशिक्षित करना (हुआंग सहित 2026)
• A Conversational AI Framework for Teacher Training — शिक्षण भ्रांतियों के लिए साक्ष्य-आधारित संवाद के साथ संवादात्मक AI निदान (Miranda & Calvani 2026)