स्व-मूल्यांकन

इस पृष्ठ पर

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

स्व-मूल्यांकन — किसी मानदंड के सापेक्ष अपने ही काम, क्षमता या प्रगति का आकलन करना, और उसी कार्य पर आधारित अभ्यास तथा उपकरण। इस शब्द के दो चेहरे हैं जिन्हें आसानी से एक में मिला दिया जाता है। एक शिक्षण तकनीक के रूप में यह स्व-ग्रेडिंग, रूब्रिक-आधारित स्व-समीक्षा, स्व-जाँच और निर्देशित चिंतन है: ऐसी गतिविधियाँ जिनका उद्देश्य वह निगरानी और निर्णय-क्षमता विकसित करना है जिस पर स्व-नियंत्रित अधिगम चलता है। एक शैक्षणिक माप के रूप यह एक स्व-प्रतिवेदन उपकरण है, जिसमें किसी सीखने वाले की अपनी कौशल, विश्वास या अधिगम के बारे में अपनी अनुमानी राय उस अवलोकन का स्थान लेती है जो किसी ने नहीं किया। यह सहकर्मी मूल्यांकन के पास सहपाठियों-के-रूप-मूल्यांकनकर्ताओं के दूसरे आधे हिस्से के रूप में स्थित है, और मड्गद तथा स्पष्ट मानदंडों पर उसी निर्भरता को विरासत में पाता है। दोनों चेहरे एक ही शक्ति पर टिके हैं और एक ही दिशा में असफल होते हैं: अनुमान व्यवस्थित रूप से उदार होता है, और जितना अधिक किसी सीखने वाले के प्रस्तुत काम को किसी जनरेटिव AI उपकरण से बनाया जा सकता है, उतना ही कम वह काम यह बताता है कि वह शक्ति असल में उपस्थित है या नहीं।

विचार के लिए प्रश्न

जब आप अपने किसी काम को पूरा करते हैं, तो आपको क्या बताता है कि वह अच्छा है: जो मानदंड आपको दिए गए थे, जो मानदंड आपने आत्मसात कर लिए हैं, या यह कैसा महसूस होता है? क्या आप बता सकते हैं कि आपने असल में इनमें से कौन इस्तेमाल किया?
288 के-12 शिक्षकों के एक अध्ययन में, AI साक्षरता का एक स्व-प्रतिवेदित माप उसी कौशल के एक वस्तुनिष्ठ माप के साथ केवल r = 0.07 से r = 0.24 तक सहसंबद्ध था। आपके अपने अभ्यास में कहाँ स्व-अनुमान उसी कौशल के किसी परीक्षण से सबसे अधिक अलग हो सकता है, और किसी और जगह के बजाय ठीक वहाँ क्यों?
स्व-ग्रेडिंग शिक्षकों का समय बचा सकती है और निर्णय-क्षमता बना सकती है, और यह एक ऐसा अंक भी बाँट सकती है जो विद्यार्थी ने अर्जित नहीं किया। किसी स्व-अंक को आधार दिलाने के लिए कार्य, रूब्रिक और प्रशिक्षण के बारे में क्या सत्य होना चाहिए?
यदि किसी उपकरण निबंध तैयार कर सकता है, तो विद्यार्थी के लिए अपने ही अधिगम के बारे में मूल्यांकन करने के लिए क्या शेष रहता है? आप उनसे इसके बजाय क्या आकलित करवाएँगे?
जो विद्यार्थी सहपाठी के काम का मूल्यांकन करते हैं और जो अपने ही काम का, वे भिन्न काम कर रहे हैं। इनमें से कौन अगले कार्य में बेहतर स्थानांतरित होता है, और कौन-सा प्रमाण इसे निर्णय करेगा?

प्रस्तावना

स्व-मूल्यांकन शिक्षा के पुराने विचारों में से एक है और अभ्यास में अधिक भ्रमित करने वालों में से एक, क्योंकि इस नाम के नीचे दो भिन्न चीज़ें चलती हैं। पहली एक तकनीक है: विद्यार्थी मानदंडों के सापेक्ष अपने काम की समीक्षा करते हैं, उसे ग्रेड करते हैं, जाँचते हैं, उस पर चिंतन करते हैं। दूसरा एक मापन है: सीखने वाला अपने कौशल, विश्वास या अधिगम को स्वयं रेट करता है, और वह डेटा के रूप में प्रयोग होता है। तकनीक का आकलन इस आधार पर होता है कि वह सीखने वाले में क्या विकसित करती है; मापन का आकलन इस आधार पर होता है कि संख्या पर भरोसा किया जा सकता है या नहीं।

दोनों AI-युग के मूल्यांकन डिज़ाइन में महत्वपूर्ण हैं, और भिन्न कारणों से महत्वपूर्ण हैं। तकनीक वह स्थान है जहाँ मूल्यांकनात्मक निर्णय-क्षमता प्रशिक्षित होती है, और मूल्यांकनात्मक निर्णय-क्षमता ठीक वही क्षमता है जो दुर्लभ हो जाती है जब कोई भाषा मॉडल माँग पर सक्षम दिखने वाला काम उत्पन्न कर सकता है। मापन वह स्थान है जहाँ यह क्षेत्र नियमित रूप से यह अतिवर्णित करता है कि वह क्या जानता है, क्योंकि स्व-प्रतिवेदन अधिगम को नहीं माप सकता: वह केवल यह दर्ज कर सकता है कि कोई व्यक्ति उसके बारे में क्या कहता है।

शिक्षण तकनीक के रूप में स्व-मूल्यांकन

इस शीर्षक के अंतर्गत आने वाले अभ्यास परिचित हैं: रूब्रिक के विरुद्ध स्व-ग्रेडिंग, प्रस्तुत करने से पहले प्रारूप की स्व-समीक्षा, समस्या-समाधानों की स्व-जाँच, ऐसे चिंतन-प्रवक्ताएँ जो पूछते हैं कि सीखने वाला क्या अलग करता, और पूर्वानुमान कार्य जिनमें विद्यार्थी अपने प्रदर्शन का अनुमान लगाता है और फिर तुलना करता है। इनका उद्देश्य विकासात्मक है। जो विद्यार्थी मानदंडों के विरुद्ध अपने प्रारूप की समीक्षा करता है वह उसी आकलन का अभ्यास कर रहा है जिसे सहपाठी-समीक्षा और शिक्षक-प्रतिपुष्टि भी प्रशिक्षित करती है, और वह वह आंतरिक मानक बना रहा है जिसका उसका उपयोग तब होगा जब कोई नहीं देख रहा होगा।

यह प्रमाण कि तकनीक काम करती है, और कौन-सा संस्करण काम करता है, मुख्य रूप से लेखन और स्व-नियंत्रित अधिगम अनुसंधान से आता है। प्रतिपुष्टि-साक्षरता के एक तुलनात्मक अध्ययन में, प्रथम वर्ष के स्नातक छात्रों (चीन में N = 118, 56 जनरेटिव AI समूह में और 62 सहपाठी समूह में) ने एक सेमेस्टर में तीन स्व-मूल्यांकन चक्र पूरे किए। जनरेटिव AI समूह का सहपाठी समूह पर लाभ छोटा था, केवल 0.17 स्केल अंक (आंशिक ईटा वर्ग = 0.03), और अध्ययन का व्यावहारिक निष्कर्ष वही है जो बार-बार आता है: स्व-मूल्यांकन को अनुसंधानिक सहारे (scaffolding) की आवश्यकता होती है। पूर्व-प्रशिक्षित रूब्रिक, प्रवक्ता-निर्देश और कार्यपत्रक ही वह हैं जो एक ऐसे स्व-मूल्यांकन चक्र को जो फीडबैक साक्षरता बनाता है उससे अलग करते हैं जो अधिभार-हस्तांतरण उत्पन्न करता है।

स्व-मूल्यांकन वह स्थान भी है जहाँ स्व-नियंत्रित अधिगम का चक्र एक अभिवृत्ति के बजाय एक कौशल के रूप में दिखाई देता है। एक स्नातक सांख्यिकी अध्ययन में, जिन छात्रों को तर्क-केंद्रित सहारे (चरणबद्ध संकेत और सत्यापन प्रवक्ताएँ) में स्पष्ट प्रशिक्षण मिला, उन्होंने बिना किसी मॉडल सहायता के बाद के कार्य में बेहतर प्रदर्शन किया और उन छात्रों से बेहतर स्व-मूल्यांकन संकलन दिखाया जिन्होंने मॉडल पर असमीक्षित रूप से निर्भर रहा। रोचक भाग दूसरा माप है: प्रशिक्षित समूह का अपनी समझ का अनुमान उससे बेहतर मेल खाता था जो वे वास्तव में कर सकते थे। चिंतन पर निशाना साधने वाली एक तकनीक ने सीखने वाले के एक मापन गुण को बदल दिया।

संकलन प्रशिक्षण

सबसे प्रत्यक्ष तकनीक संकलन प्रशिक्षण है, जिसमें विद्यार्थी परिणाम देखने से पहले अपने अंक या विश्वास की भविष्यवाणी करता है और फिर उस भविष्यवाणी की तुलना परिणाम से करता है। एक AI-सहायित लेखन अध्ययन में, एक प्रतिपुष्टि-साक्षरता स्क्रिप्ट ने लेखन गुणवत्ता, प्रतिपुष्टि ग्रहण और गहरी संशोधन में सुधार किया, जबकि एक मूल्यांकन-प्रदर्शन संकलन गतिविधि ने मुख्य रूप से छात्रों के स्व-मूल्यांकन की शुद्धता में सुधार किया और आत्मविश्वास की अति-मात्रा को कम किया। दोनों को जोड़ने से सबसे बड़ा लेखन लाभ मिला और AI सहायता हटाए जाने के बाद सबसे मजबूत प्रतिधारण मिली, हालाँकि केवल संकलन गतिविधि सटीक स्व-अनुमानों का बेहतर मार्ग बनी रही। श्रम का यह विभाजन ही व्यावहारिक बिंदु है: प्रतिपुष्टि-साक्षरता उसमें सुधार करती है कि विद्यार्थी टिप्पणियों से क्या करता है, संकलन उसमें सुधार करता है कि वह अपनी स्थिति को कितनी अच्छी तरह जानता है, और ये दोनों एक ही हस्तक्षेप नहीं हैं।

एक ऑस्ट्रेलियाई विश्वविद्यालय में नैतिक AI उपयोग पर एक निबंध-स्तरीय पेपर ने निर्देशित स्व-मूल्यांकन को विषय के बजाय माध्यम के रूप में लिया: 2021 से 2025 तक के नर्सिंग, स्वास्थ्य विज्ञान, इंजीनियरिंग और विज्ञान के आरंभिक छात्रों के बीच, सेमेस्टर-पूर्व और सेमेस्टर-पश्चात स्व-मूल्यांकनों में लिकर्ट विश्वास मदों को एक खुली चिंतन-प्रवक्ता के साथ जोड़ा गया, और लेखकों ने तर्क दिया कि नैतिक अभ्यास एक ऐसी विकासात्मक क्षमता है जिसे अनुसरण के जरिए बनाया जाना चाहिए, न कि लागू करने के लिए एक अनुपालन नियम।

तकनीक में AI जोड़ता है क्या

AI तकनीक के बारे में तीन चीज़ें बदलता है। यह मद और रूब्रिक उत्पन्न कर सकता है, जिससे बार-बार स्व-मूल्यांकन चक्र सस्ते हो जाते हैं। यह वह चीज़ हो सकता है जिसका मूल्यांकन किया जाता है, और यही वह तरीका है जिससे मूल्यांकनात्मक निर्णय-क्षमता प्रशिक्षित होती है: किसी AI प्रारूप का आकलन करता विद्यार्थी असीमित सामग्री के साथ आकलन का अभ्यास कर रहा है। और यह सीखने वाले के निर्णय को प्रक्रिया-प्रमाण के रूप में दृश्यमान बना सकता है। इंटरैक्टिव शिक्षण डैशबोर्ड में, एक पारंपरिक विश्लेषणात्मक डैशबोर्ड को एक 'निर्णय-ज्ञान' (Judgment of Learning) स्व-मूल्यांकन सुविधा और एक संवादी एजेंट के साथ विस्तारित किया गया, इस तर्क पर कि सीखने वाले का अपना निर्णय प्राप्त करना उससे अधिक करता है जो डेटा क्या दिखाता है उसे बताना। संस्थागत ढाँचों ने उन्हीं प्रक्रिया-निशानों को, जिनमें संरचित स्व-मूल्यांकन और अधिचेतना-प्रवक्ताएँ शामिल हैं, उन अनुकूली क्षमताओं के प्रमाण के रूप में देखना शुरू किया है जिन्हें कोई ट्रांसक्रिप्ट नहीं दिखा सकता।

माप के रूप में स्व-मूल्यांकन

माप के रूप में प्रयुक्त स्व-मूल्यांकन आमतौर पर कुछ और के वेश में आता है: लिकर्ट स्केल पर एक विश्वास रेटिंग, एक पूर्वानुमानित अंक, एक 'निर्णय-ज्ञान' मद, या अनुभवित कौशल की कोई वर्गीकरण-आधारित सूची। यह व्यापक स्वयं-रिपोर्ट मापन समूह के भीतर एक परिवार है, और उस परिवार की वर्गीय सीमा को विरासत में पाता है। स्व-प्रतिवेदन अधिगम या व्यवहार को नहीं माप सकता; यह केवल यह माप सकता है कि कोई व्यक्ति अपने अधिगम या व्यवहार के बारे में क्या कहने को तैयार है, और इस अनुसंधान आधार में ये दो चीज़ें काफ़ी बार अलग होती हैं कि यह अपने आप में एक निष्कर्ष है।

अनुमान कितने सटीक हैं

शुद्धता प्रमुख समस्या है, और दिशा संगत है। सबसे साफ़ प्रमाण एक ऐसे अध्ययन से आता है जिसने एक ही ढाँचे के भीतर शिक्षकों की AI साक्षरता के समानांतर स्व-प्रतिवेदित और वस्तुनिष्ठ माप बनाए। 288 के-12 शिक्षकों के बीच, वस्तुनिष्ठ और स्व-प्रतिवेदित कारकों के बीच सहसंबंध r = 0.07 से r = 0.24 तक थे, और सतत प्रोफ़ाइल विश्लेषण ने छह प्रोफ़ाइल पाई: 43 शिक्षकों ने स्वयं को लगातार उच्च रेट किया जबकि वस्तुनिष्ठ माप पर उनके अंक कम थे, 59 ने उल्टा प्रतिरूप दिखाया, और शेष प्रोफ़ाइल माध्य के पास समूहित थीं या पूर्व AI साक्षरता अनुभव से विभाजित थीं। एक ही कौशल के दो माप, जो एक ही टीम ने एक ही संकल्पना पर बनाए, लगभग कुछ भी साझा नहीं करते।

क्षेत्र-स्तरीय तस्वीर उस एक अध्ययन से मेल खाती है। ज़ैनाल, मोहम्मद मातोर और मात का 2026 शिक्षक AI साक्षरता मापन उपकरणों का समीक्षा ने 2019 से 2025 के बीच प्रकाशित 33 उपकरणों का आकलन किया और पाया कि 31 (93.9%) अनुभूत विश्वास के स्व-प्रतिवेदन स्केल थे, केवल दो (6.1%) ने ज्ञान का वस्तुनिष्ठ परीक्षण किया, और किसी ने प्रदर्शन-आधारित कार्यों का उपयोग नहीं किया। लेखकों की पढ़ाई वही है जिस पर इस पेज का मापन चेहरा टिका है: एक स्व-प्रतिवेदन अंक सूचित विश्वास दर्ज करता है, क्षमता को नहीं, इसलिए वह कौशल का स्थान नहीं ले सकता, और वे स्व-मूल्यांकन के साथ-साथ प्रदर्शन कार्यों और मद-अनुक्रिया-सिद्धांत विश्लेषण की वकालत करते हैं ताकि प्रमाणित क्षमता को सूचित विश्वास से अलग किया जा सके।

शुद्धता उस बात पर भी निर्भर करती है कि क्या आकलित किया जा रहा है। एक वर्गीकरण-आधारित जनरेटिव AI साक्षरता स्व-मूल्यांकन के एक मानसिकमापीय विश्लेषण में, 158 विश्वविद्यालय कर्मचारियों और छात्रों के साथ एक उलटी प्रोफ़ाइल मिली, जिसमें उत्तरदाताओं ने उसके नीचे की वैचारिक नींव से पहले निर्माण में दावा की गई महारत बताई, और छात्र और शैक्षणिक प्रोफ़ाइल के बीच केवल एक कमज़ोर सहसंबंध (r = 0.188)। शिक्षक-शिक्षा के छात्रों के एक सर्वेक्षण में दूसरी ओर से वही आकार मिला: लगभग सभी (97.8%) ने समीक्षात्मक मीडिया विश्लेषण को महत्वपूर्ण रेट किया जबकि केवल 13.8% ने कहा कि उनका पाठ्यक्रम उससे निपटता है, और आधे से कम (44.9%) का मानना था कि उनके पास मीडिया सूचना का समीक्षात्मक रूप से विश्लेषण करने के कौशल हैं। स्व-आकलित मीडिया कौशल स्व-आकलित महत्व से पीछे रहा।

उदारता के दो तंट्रे हैं। पहला प्रेरक है और इस साहित्य के बाहर अच्छी तरह दर्ज है: लोग स्वयं को उदार रूप से रेट करते हैं, और सबसे कम सक्षम सबसे अधिक अति-अनुमान लगाते हैं। दूसरा AI-मूल समूहों के लिए विशिष्ट है। अनुपस्थित संज्ञानात्मक आधार रेखा पर एक 2026 के सैद्धांतिक पेपर में तर्क दिया गया है कि गठनकारी माध्यमिक और उच्च विद्यालय के वर्षों के दौरान सतत प्रतिस्थापित्मक AI उपयोग उन स्वतंत्र संज्ञानात्मक संपर्कों को कम करता है जिन पर किसी भी शैक्षणिक स्व-मूल्यांकन को निर्भरता होती है। दावा संरचनात्मक है, व्यक्तिगत नहीं: स्व-मूल्यांकन किसी वर्तमान प्रदर्शन की तुलना पिछले प्रदर्शनों के एक अभिलेख से करके काम करता है, और जहाँ वह अभिलेख कभी नहीं बना, वहाँ अनुमान के पास संकलन के लिए कुछ भी नहीं होता। इसे अधिभार-हस्तांतरण और आत्मसमर्पण से भिन्न बताया गया है, जो AI उपयोग के दौरान की प्रक्रियाएँ वर्णित करते हैं, क्योंकि यह अंतराल तब भी बना रहता है जब उपकरण अनुपस्थित हो।

विकासात्मक चरण शुद्धता पर एक सीमा निर्धारित करता है, और सबसे छोटे सीखने वाले वहाँ हैं जहाँ कोई प्रमाणित स्व-मूल्यांकन उपकरण सबसे दुर्लभ है। उच्च प्राथमिक छात्रों के लिए AI साक्षरता स्व-मूल्यांकन प्रश्नावली के थियनवान और श्रीकून के 2025 प्रमाणीकरण अध्ययन ने कक्षा 4 से 6 के लिए 'AI के बारे में सीखना', 'AI कैसे काम करता है यह सीखना', और 'AI के साथ जीवन के लिए सीखना' में एक 15-मद वाला माप बनाया, 335 और 579 छात्रों के नमूनों में तीन-कारक संरचना की पुष्टि की, समग्र क्रॉनबैच अल्फा .934 के साथ। लेखक इस विधा की सीमा के बारे में स्पष्ट हैं: स्व-मूल्यांकन की शुद्धता उस अधिचेतना-क्षमता पर निर्भर करती है जो बच्चों में अभी भी विकसित हो रही है, इसलिए अंक अनुभूत समझ को सूचित करते हैं, प्रदर्शित कौशल को नहीं, और उपकरण का उद्देश्य गठनकारी निदान है।

परिणाम चर के रूप में स्व-मूल्यांकन

मापन चेहरा मूल्यांकन डिज़ाइन में भी दिखाई देता है, जहाँ स्व-मूल्यांकन उपकरणों का उपयोग परिणाम-मापों के रूप में किया जाता है। उच्च शिक्षा में जटिल रिपोर्टों के AI-सहायित मूल्यांकन के एक अध्ययन ने स्पष्ट रूप से अधिगम का मूल्यांकन प्रमाणित प्रतिपुष्टि-साक्षरता और स्व-मूल्यांकन उपकरणों के साथ-साथ बाद के प्रदर्शन और एक नियंत्रण समूह से तुलना के साथ किया। यह तब सहनीय है जब उपकरण कोई ऐसा विश्वास मापता है जिसके बारे में अध्ययन वास्तव में है, जैसे स्व-प्रभावशीलता या अनुभूत कौशल, और भ्रामक है जब उसका उपयोग उपलब्धि का स्थानापन्न रूप माना जाता है। AI हस्तक्षेप अध्ययनों का बार-बार आने वाली आलोचना यहाँ पूरी ताकत से लागू होती है।

कार्य-पश्चात प्रश्नावलियों और कार्य-विशिष्ट स्व-प्रभावशीलता के माध्यम से साधितता को मापना पारस्परिक तर्क का जोखिम रखता है: सीखने वाले के अनुमान को उस क्षमता के प्रमाण के रूप में पढ़ा जाता है जिसका यह संकेत करना चाहता है, और विकल्प गतिशील विश्लेषण है जो लगातार चक्रों में स्व-मूल्यांकन के उपयोग को ट्रैक करता है (माओ (2025)).

जनरेटिव AI क्या बदलता है

जनरेटिव AI के नीचे दोनों चेहरे अभिसरित होते हैं, क्योंकि उपकरण उसी कड़ी पर हमला करता है जिस पर दोनों निर्भर करते हैं: कि सीखने वाले का प्रस्तुत काम सीखने वाले के बारे में प्रमाण है।

जहाँ काम माँग पर बनाया जा सकता है, वहाँ एक अच्छा निबंध उसके पीछे के निर्णय को अब प्रदर्शित नहीं करता, और किसी विद्यार्थी से ऐसे प्रारूप का मूल्यांकन करवाना जो उसने नहीं लिखा वह उस प्रारूप के मूल्यांकन से एक भिन्न कार्य है जो उसने लिखा। यही कारण है कि मूल्यांकन वैधता के तर्क पहचान से पुनर्निर्माण की ओर बढ़े हैं, और यही कारण है कि स्व-मूल्यांकन एक अध्ययन सहायक से मूल्यांकन डिज़ाइन के ही एक घटक में बदल जाता है: किसी AI आउटपुट के बारे में विद्यार्थी का किया गया निर्णय, अभिलेख पर और कारणों के साथ, एक ऐसा तरीके से प्रमाण है जैसा वह आउटपुट नहीं है।

यह एक नामकरण संकट भी लाता है जिसे स्पष्ट कहना उचित है। AI स्व-मूल्यांकन यह अवधारणा नहीं है। जब कोई पेपर बताता है कि कोई मॉडल अपने ही तर्क का आकलन करता है या अपने ही आउटपुट को ग्रेड करता है, तो वह मॉडल मूल्यांकन है और उसका स्थान स्वचालित मूल्यांकन के साथ और मॉडल प्रशिक्षण तथा अनुकरणित सीखने वालों के अध्ययन के साथ है; एक शिक्षण अध्ययन इस बिंदु का व्यावहारिक रूप प्रस्तुत करता है, यह तर्क देकर कि प्रतिपुष्टि को मॉडल के स्व-आकलित तर्क वैधता के बजाय एक अलग निदान वर्गीकक पर आधारित होना चाहिए। सीखने वाले के स्व-मूल्यांकन और मॉडल के स्व-मूल्यांकन में एक शब्दावली साझा है और उसके अतिरिक्त कुछ भी नहीं।

अभ्यास के लिए निहितार्थ

तकनीक को सहारा दें। रूब्रिक, प्रवक्ता-निर्देश और कार्यपत्रक ही वह हैं जो किसी स्व-मूल्यांकन चक्र को विकासात्मक बनाते हैं। नंगा स्व-मूल्यांकन, नंगी AI प्रतिपुष्टि की तरह, निर्णय के बजाय आश्वासन उत्पन्न करता है।
संकलन को प्रतिपुष्टि उपयोग से अलग प्रशिक्षित करें। भविष्यवाणी-और-तुलना गतिविधियाँ स्व-अनुमानों की शुद्धता बदलती हैं; प्रतिपुष्टि-साक्षरता कार्य यह बदलता है कि छात्र टिप्पणियों से क्या करते हैं। यदि लक्ष्य शुद्धता है, तो संकलन गतिविधि चलाएँ।
स्व-अंक कम-जोखिम वाले रखें जब तक प्रशिक्षन वास्तविक न हो। एक स्व-अंक अधिगम के बारे में एक दावा है जो उस व्यक्ति ने किया है जिसे उसका लाभ होता है, और AI-साक्षरता अध्ययन में अति-अनुमान प्रोफ़ाइल कोई छोटा पूर्वाग्रह नहीं हैं जिसे किसी योगात्मक अंक में समाहित किया जा सके।
वहाँ स्व-प्रतिवेदन का उपयोग करें जहाँ यह ईमानदार हो। विश्वास, अनुभूत कौशल, और AI उपयोग को खुलने की इच्छा पूछने से मापने के लिए वैध चीज़ें हैं। उपलब्धि नहीं।
निर्णय माँगें, राय नहीं। सबसे सहनीय AI-युग का स्व-मूल्यांकन किसी विद्यार्थी से किसी विशिष्ट काम का मानदंडों के विरुद्ध आकलन और अपने निर्णय का औचित्य सिद्ध करवाता है, जो प्रशिक्षणीय, निरीक्षणीय और मूल्यांकनात्मक निर्णय से जुड़ा हुआ है।
समूह प्रभाव पर नज़र रखें। जिन छात्रों के गठनकारी वर्षों में प्रतिस्थापित्मक AI उपयोग शामिल था, उनके लिए एक सटीक स्व-अनुमान अनुपलब्ध हो सकता है, केवल आशावादी नहीं, जिससे शिक्षणात्मक कार्य आत्मविश्वास की अति-मात्रा को ठीक करने से उसके लिए आवश्यक अनुभवात्मक अभिलेख के पुनर्निर्माण में बदल जाता है।

मेटाडेटा

स्तर	Higher Ed
इच्छित पाठक	Learners, Instructors
अधिगम और शिक्षण	मेटाकॉग्निशन, स्व-नियंत्रित अधिगम, मड्गद
मूल्यांकन और मापन	मूल्यांकन की वैधता, मूल्यांकनात्मक निर्णय, फीडबैक साक्षरता, निर्माणकारक मूल्यांकन, सहकर्मी मूल्यांकन, स्वयं-रिपोर्ट मापन
समानता, नैतिकता और जिम्मेदार उपयोग	विश्वास कैलिब्रेशन
शिक्षा में AI की नींव	AI साक्षरता

Source History Edit Chat