स्व-निर्देशित अधिगम

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

स्व-निर्देशित अधिगम (SDL) — वह प्रक्रिया जिसमें शिक्षार्थी अपनी सीखने की आवश्यकताओं का निदान करने, लक्ष्य निर्धारित करने, संसाधनों की पहचान करने, रणनीतियों का चयन और क्रियान्वयन करने तथा परिणामों का मूल्यांकन करने में पहल और उत्तरदायित्व लेते हैं, अक्सर बाह्य संरचना की सीमा के साथ। AI के युग में, SDL एक प्रमुख परिणाम (क्या AI का उपयोग शिक्षार्थियों की अपने अधिगम को निर्देशित करने की क्षमता का समर्थन करता है या उसे कमजोर करता है?) और एक कमज़ोरी (जनरेटिव AI की सुविधा उसी स्वायत्तता और स्व-प्रभावशीलता को कमज़ोर कर सकती है जिसकी SDL को आवश्यकता है) — दोनों है।

विचार करने योग्य प्रश्न

• स्व-निर्देशित अधिगम का अर्थ है बाह्य संरचना की सीमा के भीतर अपनी आवश्यकताओं का निदान करना, लक्ष्य निर्धारित करना और परिणामों का मूल्यांकन करना। पढ़ने से पहले, आप वास्तव में अपने अधिगम को निर्देशित करने में कितने सहज हैं — और क्या कभी कोई AI उपकरण ने आपको इस बात के बिना कि आपको पता चले, इसमें कम सक्षम बना दिया?
• यह पेज SDL को एक अपेक्षित परिणाम और एक कमज़ोरी — दोनों के रूप में प्रस्तुत करता है: जनरेटिव AI की सुविधा उसी स्वायत्तता और आत्म-प्रभावकारिता को कमज़ोर कर सकती है जिसकी SDL को आवश्यकता है। ऐसा उपकरण जो तुरंत उत्तर देता है, बाद में अपने अधिगम को निर्देशित करना कठिन क्यों बना देगा?
• GenAI का विचारहीन उपयोग — आलोचनात्मक मूल्यांकन के बिना उत्पादों को अपनाना — पाया गया कि यह SDL को सीधे और आत्म-प्रभावकारिता तथा अभिप्रेरणा के क्षरण के माध्यम से नुकसान पहुँचाता है। क्या आप किसी समय को याद कर सकते हैं जब आपने मूल्यांकन किए बिना कोई AI उत्तर स्वीकार किया? इसकी, यदि कोई, कीमत आपने क्या चुकाई?
• SDL और स्व-विनियमित अधिगम (SRL) घनिष्ठ रूप से संबंधित लेकिन भिन्न हैं: SRL का संबंध सीखने के क्षण-दर-क्षण शिक्षा में AI विनियमन से है, जबकि SDL का संबंध समय के साथ समग्र उत्तरदायित्व से है। अपने अभ्यास में 'इस कार्य का प्रबंधन' और 'अपने अधिगम का निर्देशन' के बीच सीमा आप कहाँ देखते हैं?
• विचारहीन AI उपयोग से हुई हानि कुछ शिक्षार्थियों के लिए अभिप्रेरणा को अधिक कठिन और दूसरों के लिए आत्म-प्रभावकारिता को अधिक कठिन प्रभावित करती रही। यदि इन मनोवैज्ञानिक संसाधनों का क्षरण शिक्षार्थियों में असमान रूप से होता है, तो यह इस बारे में कौन-सी समानता चिंता उठाता है कि AI की सुविधा से सबसे अधिक कौन नुकसान उठाता है?
• पढ़ने से पहले एक लक्ष्य निर्धारित करें: एक ऐसा अधिगम लक्ष्य नामित करें जिसे आप वर्तमान में मुख्य रूप से स्वयं आगे बढ़ा रहे हैं, और एक ऐसा तरीका जिसमें कोई AI उपकरण आपकी उसी ओर मदद करता है तथा एक तरीका जिसमें वह चुपचाप निर्देशन को आपसे छीन सकता है।

परिचय

स्व-निर्देशित अधिगम — स्व-विनियमित अधिगम (SRL) से घनिष्ठ रूप से संबंधित लेकिन उससे भिन्न है। जबकि SRL सीखने के क्षण-दर-क्षण संज्ञानात्मक, अभिप्रेरणात्मक और व्यवहारगत विनियमन (नियोजन, निगरानी, नियंत्रण, प्रतिबिंबन) पर ज़ोर देता है, SDL शिक्षार्थी के उस समग्र उत्तरदायित्व पर ज़ोर देता है जो उसके अपने अधिगम के निर्देशन और प्रबंधन का है, समय के साथ, अक्सर अनौपचारिक या स्वयं-चुने संदर्भों में। SDL, वयस्क अधिगम और आजीवन अधिगम का आधार है, और दूरी और ऑनलाइन शिक्षा में एक प्रमुख सिद्धांत है, जहाँ शिक्षार्थियों को निर्धारित कक्षा समय के बिना स्वायत्तता बनाए रखनी होती है। SDL अनुभवजन्य अध्ययन के लिए तेज़ी से अनुकूल भी हो रहा है: VERA में 315 ऑनलाइन शिक्षार्थियों के क्लिकस्ट्रीम का विश्लेषण करने वालों ने जिन्होंने 822 मॉडल बनाए, एन, हैमॉक और गोएल (2025) ने स्व-निर्देशन के तीन व्यवहारिक हस्ताक्षरों की पहचान की — अवलोकन (Observation), निर्माण (Construction) और अन्वेषण (Exploration) — और पाया कि शिक्षार्थी हाथों से निर्माण से अधिक पूर्ण, परिकल्पना-संचालित अन्वेषण की ओर बढ़ते हैं जबकि अवलोकन सभी चरणों में बना रहता है, यह दर्शाते हुए कि एक असंरचित ऑनलाइन कार्य में शिक्षार्थियों द्वारा प्रयुक्त स्वायत्तता की डिग्री और प्रकार को केवल उनके ट्रेस डेटा से अलग किया जा सकता है।

जनरेटिव AI स्व-निर्देशित अधिगम को कैसे बदल रहा है

ज्ञान आधार का अनुसंधान GenAI–SDL संबंध के दोनों पक्षों को दर्ज करता है।

• AI SDL का समर्थन कर सकता है। AI और आजीवन अधिगम और GenAI + लर्निंग एनालिटिक्स के साथ स्व-निर्देशित वृद्धि दिखाते हैं कि AI उपकरण स्वतंत्र जिज्ञासा को स्कैफोल्ड कर सकते हैं, माँग पर संसाधन प्रदान कर सकते हैं, और अधिगम पथों को ऐसे तरीकों से व्यक्तिगत बना सकते हैं जो शिक्षार्थी की स्वायत्तता को मज़बूत करते हैं। जनरेटिव AI के शैक्षणिक परिणामों पर मेटा-विश्लेषणात्मक साक्ष्य और अनौपचारिक अधिगम में संवादी AI सकारात्मक संभावना का संकेत देते हैं जब AI का उपयोग उस संसाधन के रूप में हो जिसे शिक्षार्थी निर्देशित करता है।

• शिक्षार्थी एक सोचने का साथी चाहते हैं, ओरेकल नहीं। साक्षात्कार किए गए वयस्क शिक्षार्थियों ने चाहा कि AI प्रतिबिंबन को प्रेरित करे और सत्यापित करे न कि उत्तर दे, और अधिगम पथ का नियंत्रण उनके हाथ में रहे न कि उसे निर्धारित किया जाए (किम एट अल. (2026)).

• विचारहीन उपयोग SDL को कमज़ोर करता है। झाओ और गु (2026) दिखाते हैं कि GenAI का विचारहीन उपयोग — आलोचनात्मक मूल्यांकन के बिना AI उत्पादों को अपनाना — स्नातक शिक्षार्थियों की SDL को महत्वपूर्ण रूप से नुकसान पहुँचाता है, सीधे और स्व-प्रभावशीलता तथा प्रेरणा के क्षरण के माध्यम से (मॉडल ने SDL विचरण का 75.3% समझाया; TUGA β = −0.42)। अभिप्रेरणा पर नकारात्मक प्रभाव पुरुष शिक्षार्थियों के लिए और आत्म-प्रभावकारिता पर महिला शिक्षार्थियों के लिए अधिक मज़बूत था। यह ज्ञान आधार में दर्ज अति-निर्भरता के व्यापक जोखिम से जुड़ता है।

• संज्ञानात्मक ऑफ़लोडिंग और प्रत्यायोजन। एंड्रैगॉजी और संज्ञानात्मक प्रत्यायोजन और GenAI से चैट करके अधिगम जाँचते हैं कि शिक्षार्थी संज्ञानात्मक कार्य को AI पर किस तरह प्रत्यायोजित कर सकते हैं जिससे वह उस प्रयासपूर्ण प्रोसेसिंग को बायपास कर दे जिसकी SDL को आवश्यकता है — अन्यथा स्वायत्तता-सहायक उपकरणों की एक विफलता। GenAI से आलोचनात्मक सोच का स्कैफोल्डिंग और टेस्ट-संचालित AI-सहायित अधिगम अधिक उत्पादक डिज़ाइनों को मॉडल करते हैं।

अभ्यास में SDL–SRL का अंतर

चूँकि SDL शिक्षार्थी-प्रारंभित निर्देशन पर ज़ोर देता है, इसकी रक्षा के लिए हस्तक्षेप केवल क्षण-दर-क्षण व्यवहार को विनियमित करने के बजाय शिक्षार्थी सक्रियता और आत्म-प्रभावकारिता के संरक्षण पर केंद्रित होते हैं। यह साक्ष्य कि विचारहीन AI उपयोग अभिप्रेरणा और आत्म-प्रभावकारिता — उन मनोवैज्ञानिक संसाधनों — को क्षरण करता है जिन पर SDL निर्भर करता है, संकेत करता है कि उत्तरदायी AI उपयोग को बढ़ावा देना केवल एक सत्यनिष्ठा मुद्दा नहीं बल्कि एक विकासात्मक मुद्दा है: शिक्षार्थियों की अपने अधिगम को निर्देशित करने की क्षमता की रक्षा।

अनुसंधान-आधारित अधिगम के लिए AI निष्कर्षण स्कैफोल्डिंग

• अनुसंधान-आधारित अधिगम के लिए एक स्कैफोल्ड के रूप में AI निष्कर्षण। एन और सहयोगी (2026) एक AI-संचालित सूचना निष्कर्षण प्रणाली डिज़ाइन करते हैं जो शोध प्रकाशनों को संरचित, ट्रेस करने योग्य डेटासेट में बदलती है ताकि STEM में स्नातक थीसिस पूरा करने में सहायता मिले, इसे एक संज्ञानात्मक स्कैफोल्ड के रूप में प्रस्तुत किया गया है जो कम-स्तरीय डेटा-प्रबंधन की माँग कम करते हुए साक्ष्य-दावा संबंधों के निरीक्षण को सक्षम बनाता है। 80 दस्तावेज़ों में एक 20-शिक्षार्थी मिश्रित-विधि पायलट में, शिक्षार्थियों ने लक्षित पैरामीटरों के 90% से अधिक निकाले, सह-रिपोर्टित साहित्य-समीक्षा समय में ~65% की गिरावट आई, और प्रभावशाली चरों की पहचान करने की उनकी क्षमता में 50% की वृद्धि हुई — यह विचार का समर्थन करते हुए कि AI संज्ञानात्मक भार को उच्च-क्रम के, स्व-निर्देशित शोध तर्क की ओर पुनर्संतुलित कर सकता है न कि नियमित सारांश के ओर।

संबंधित अवधारणाएँ

• स्व-नियंत्रित अधिगम
• शिक्षार्थी सक्रियता
• स्व-प्रभावशीलता
• प्रेरणा
• मेटाकॉग्निशन
• संज्ञानात्मक ऑफलोडिंग
• AI का दुरुपयोग और सीखने की हानि
• AI साक्षरता
• वयस्क शिक्षार्थी
• आजीवन शिक्षा
• उच्च शिक्षा

संबंधित लेख

• Thoughtless Use of Generative Artificial Intelligence and College Students' Self-Directed Learning: A Multi-Group SEM Analysis of Gender Differences — GenAI का विचारहीन उपयोग और स्व-निर्देशित अधिगम (SEM, लैंगिक अंतर)
• Artificial Intelligence in Lifelong Learning: Opportunities and Challenges in Adult Education Policy — AI और आजीवन अधिगम नीति
• Fostering Self-Directed Growth with Generative AI: Toward a New Learning Analytics Framework — GenAI और लर्निंग एनालिटिक्स के साथ स्व-निर्देशित वृद्धि
• Generative AI technologies and educational outcomes: a comprehensive meta-analysis comparing traditional and AI-driven approaches — जनरेटिव AI के शैक्षणिक परिणामों का मेटा-विश्लेषण
• What Remains Self-Directed? Revisiting Andragogy Through Cognitive Delegation in Generative AI-Mediated Adult Learning — GenAI के साथ एंड्रैगॉजी और संज्ञानात्मक प्रत्यायोजन
• Adult Learners' Perspectives of AI Applications in Supporting Andragogy — एंड्रैगॉजी के समर्थन में AI अनुप्रयोग (किम एट अल. 2026)
• How Online Learners Engage in Self-Directed Modeling: A Behavioral Analysis