स्व-नियंत्रित अधिगम

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

स्व-नियंत्रित अधिगम (SRL) — शिक्षार्थियों को सक्रिय भागीदारों के रूप में परिभाषित करता है जो अपने संज्ञानात्मक और व्यवहारगत कार्यों को सफल तरीके से आकार दे सकते हैं और विकसित कर सकते हैं। AI उपकरण SRL के विकास में सहायक स्कैफोल्ड बन सकते हैं, या फिर अनजाने में उसे बीच में ही तोड़ सकते हैं — यदि वे वे नियामक माँगेँ हटा दें जो विशेषज्ञता का निर्माण करती हैं।(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)(The Evidence Base on AI in K-12: A 2026 Review) अनुदैर्ध्य साक्ष्य इस अंतर को और तीखा करता है: किसी AI उपकरण के इर्द-गिर्द चिंतनशील उपयोग ने आलोचनात्मक सोच की भविष्यवाणी की (β = 0.43), लेकिन ज्ञान-वृद्धि की नहीं, और केवल उपकरण तक पहुँच ने किसी भी को बदला नहीं।(Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study)

विचार करने योग्य प्रश्न

• SRL शिक्षार्थियों का वर्णन करता है जो तीन चरणों के माध्यम से सक्रिय रूप से अपना अधिगम प्रबंधित करते हैं: पूर्व-विचार (लक्ष्य निर्धारण, योजना, आत्म-प्रभावशीलता), प्रदर्शन (रणनीति, आत्म-अवलोकन), और आत्म-चिंतन (मूल्यांकन, अनुकूलन)। पढ़ने से पहले यह सोचिए कि आप वास्तव में कौन-सा चरण अच्छी तरह करते हैं — और कौन-सा छोड़ देते हैं, यद्यपि जानते हैं कि बेहतर क्या है?
• इस पेज का मूल तनाव: AI स्व-नियमन को सहायता दे सकता है या उसे तोड़ सकता है, यदि वे वे नियामक माँगेँ हटा दें जो विशेषज्ञता का निर्माण करती हैं। ऐसा उपकरण जो किसी कार्य को आसान बना देता है वह आपको अपने ही अधिगम का कमज़ोर नियामक कैसे भी बना सकता है — और क्या आप अपने ही उपयोग में यह अंतर महसूस कर सकते हैं?
• छात्र प्रायः 'उत्पादन-क्षमता की कमी' दिखाते हैं: उनके पास स्व-नियमन का ज्ञान होता है लेकिन वे उसे सहज रूप से तैनात नहीं कर पाते — चैटबॉट से 'मुख्य विचार निकालने' को कहते हैं और योजना तथा निगरानी को पूरी तरह छोड़ देते हैं। क्या आपने कभी अपने ऊपर इसका संज्ञानात्मक बराबर हालत देखी है, बेहतर रणनीति जानते हुए भी?
• जब सहायता उपलब्ध होती है, तो आपका अपना निर्णय चित्र से बाहर हो सकता है: एक ट्रेस-डेटा अध्ययन में उपलब्ध सहायता, न कि शिक्षार्थी की मेटा-संज्ञानात्मक सत्यापिता, यह निर्धारित करती थी कि कौन-सी पुनरीक्षण रणनीति चुनी गई। यदि बाहरी सहायता आपके अपने अधिगम पर आपकी समझ को चुपचाप ओवरराइड कर देती है, तो कौन-सा निर्णय आप जानबूझकर अपने हाथ में रखेंगे?
• शोध ने एक 'मिसकैलिब्रेशन की खाई' पाई: छात्र GenAI के साथ अधिक अधिगम को अनुभव कर सकते हैं, जबकि रिटेंशन कम होता है — कमज़ोर रिटेंशन के बावजूद नोट-टेकिंग के स्थान पर AI को वरीयता देते हैं। यदि आप किसी उपकरण का उपयोग करते हुए उत्पादक महसूस करते हैं, तो आप कभी कैसे जानेंगे कि आप वास्तव में अधिक नहीं सीख रहे?
• कि GenAI एक स्कैफोल्ड, शॉर्टकट, या साथी के रूप में काम करता है, यह उपकरण से अधिक शिक्षार्थी की नियामक क्षमता पर निर्भर करता है। लेकिन पेज यह भी दिखाता है कि स्व-नियमन गहरे संज्ञानात्मक ऑफलोडिंग के नुक़सान को कम करता है — हालाँकि रद्द नहीं करता। यह 'कम करता है लेकिन रद्द नहीं करता' कैविएट बेहतर AI उपकरणों के डिज़ाइन के लिए क्या अर्थ रखता है?
• पढ़ने से पहले एक लक्ष्य निर्धारित करें: ऐसा एक कार्य चुनें जिसके लिए आप नियमित रूप से AI का उपयोग करते हैं, और पहले तय कर लें कि SRL के तीनों चरणों (पूर्व-विचार, प्रदर्शन, चिंतन) में से कौन-सा आप स्वयं स्वचालित होने से बचाना चाहते हैं। कौन-सा नतीजा आपको बताएगा कि यह काम कर गया?

परिचय

SRL वह प्रक्रिया है जिसमें शिक्षार्थी तीन आपसी जुड़े चरणों के माध्यम से सक्रिय रूप से अपना अधिगम प्रबंधित करते हैं:

1. पूर्व-विचार: लक्ष्य निर्धारण, रणनीतिक योजना, स्व-प्रभावशीलता धारणाएँ
2. प्रदर्शन: रणनीति तैनाती, आत्म-अवलोकन, ध्यान केंद्रित करना
3. आत्म-चिंतन: स्व-मूल्यांकन, कार्यात्मक श्रेय-निर्धारण, अनुकूलन

दक्ष स्व-नियंत्रित शिक्षार्थी सफलता बढ़ाने के लिए संज्ञानात्मक रणनीतियों का उपयोग करते हैं और मेटाकॉग्निशन का लाभ उठाकर अपनी अधिगम प्रक्रियाओं को लगातार परिष्कृत करते हैं।(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

प्रौद्योगिकी-मध्यस्थ पाठ्यक्रम में प्रायोगिक कार्य चरण-संबंधों की पुष्टि करता है: एक आठ-सप्ताह के अनुकूली स्टोकेस्टिक्स अध्ययन (194 छात्र) में, पूर्व-कार्य चरण में कार्य-मूल्य, आत्म-प्रभावशीलता, लक्ष्य-अभिमुखीकरण और सकारात्मक भावनाओं ने कार्य-चरण के नियामक व्यवहार की भविष्यवाणी की, जबकि नकारात्मक भावनाओं ने उसे बाधित किया, और पश्चात-कार्य संतोष अगले पूर्व-कार्य चरण में आगे बढ़ता हुआ पाया गया (Mejeh & Fromm (2026)).

AI–SRL के 84 अध्ययनों का एक व्यवस्थित मैपिंग पाता है कि शोध उच्च-शिक्षा के छात्रों और स्व-नियमन के मेटा-संज्ञानात्मक तथा संज्ञानात्मक पहलुओं पर केंद्रित है, प्रेरक आयाम अपर्याप्त रूप से खोजा गया है, और एक-तिहाई से अधिक अध्ययनों ने कोई भी SRL सिद्धांत निर्दिष्ट नहीं किया (Banihashem et al. (2025)).

महत्वपूर्ण रूप से, AI के इर्द-गिर्द SRL को व्यवहार के साथ-साथ धारणा भी आकार देती है: Yilmaz et al. दिखाते हैं कि छात्र प्रतिपुष्टि को AI से आती या मानव से आती मानें या नहीं, इससे उनके स्व-नियंत्रित अधिगम और पुनरीक्षण व्यवहार पर उल्लेखनीय प्रभाव पड़ता है — यह एक अनुस्मारक है कि AI का सामाजिक फ्रेमिंग, केवल उसकी सामग्री नहीं, यह बदलता है कि शिक्षार्थी उसके इर्द-गिर्द कैसे नियमन करते हैं।

एक विफलता मोड नियमन शुरू होने से पहले आता है: GenAI-सहायित अधिगम टालमटोल — वास्तव में उसका उपयोग करने के ईमानदार इरादे के बावजूद GenAI-समर्थित काम शुरू करने में अनावश्यक विलंब। 1,243 चीनी स्नातक छात्रों में, अधिक बार-बार GenAI उपयोग इसके साथ कम हुआ (β = −0.195), और GenAI सीखने की चिंता ने इरादा-विलंब संबंध को मज़बूत किया (Li et al. (2026)).

जहाँ GenAI चक्र में प्रवेश करता है, वहीं इसका प्रभाव तय होता है: Zimmerman के पूर्व-विचार, प्रदर्शन और चिंतन चरणों को AI-मध्यस्थ पर्यावरणों पर मैप करते हुए, एक सह-एजेंसी ढाँचा तर्क देता है कि प्रवेश बिंदु यह निर्धारित करता है कि उपकरण शिक्षार्थी की नियंत्रण की भावना को बढ़ाता है या कमज़ोर करता है, और ऑफलोडिंग तभी परिवर्तनकारी अधिगम का समर्थन करती है जब निर्णय जानबूझकर लिया गया हो न कि दिनचर्या के रूप में (Poudyal (2026))。

पार्श्व-काट वैज्ञानिक सर्वेक्षण जिसमें 434 विशेष-शिक्षा स्नातक छात्र शामिल थे, एक ऐसी शृंखला मापता है: GenAI साक्षरता GenAI-सहायित स्व-नियंत्रित अधिगम व्यवहारों से सकारात्मक रूप से जुड़ी थी (कुल B = 0.701), जो मुख्य रूप से अधिगम शिक्षार्थी सक्रियता (B = 0.345) के माध्यम से चली, न कि चुनौती भावनाओं (B = 0.061) के माध्यम से (Yang et al. (2026)).

SRL के लिए डिजिटल सहायता

अधिगम जर्नल

अधिगम जर्नल एक आशाजनक SRL हस्तक्षेप हैं: अपनी अधिगम प्रक्रियाओं पर चिंतन करके, छात्र संज्ञान की जागरूकता बढ़ाते हैं और नियामक क्षमता मज़बूत करते हैं। प्रमुख डिज़ाइन विचार:

• संरचना मायने रखती है: खुले जर्नल प्रायः उथले प्रविष्टियाँ उत्पन्न करते हैं; निर्देशित प्रॉम्प्ट और उदाहरण मॉडल गहराई बढ़ाते हैं
• प्रेरणा में कमी: मोबाइल जर्नलिंग ऐप्स में कुछ दिनों के बाद सहभागिता में तेज़ी से गिरावट देखी जाती है
• स्कैफोल्डिंग का व्यापार-विनिमय: छात्रों के लिए चिंतन लिखने वाली AI सहायता SRL अभ्यास को कमज़ोर करती है; जो सहायता प्रॉम्प्ट को संरचित करती है लेकिन सामग्री नहीं लिखती, वह इसे संरक्षित रखती है

SRL प्रोफ़ाइल को शिक्षकों तक पहुँचाने वाले डैशबोर्ड

Mejia-Domenzain et al. (2026) डिजिटल SRL सहायता को शिक्षक पक्ष तक विस्तारित करते हैं: उनका लर्निंग एनालिटिक्स डैशबोर्ड (DashED) मिश्रित कक्षाओं में शिक्षकों तक ML-व्युत्पन्न स्व-नियंत्रित अधिगम प्रोफ़ाइल पहुँचाता है, और शिक्षक उन प्रोफ़ाइल पर कैसे कार्रवाई करते हैं यह संदर्भ-निर्भर होता है। उपयोग में, फ्लिप्ड-कक्षा (विश्वविद्यालय) शिक्षकों ने क्रमिक अन्वेषण को वरीयता दी और पाठ्यक्रम-स्तरीय अनुकूलन तथा कक्षा में डैशबोर्ड दिखाने को वरीयता दी, जबकि व्यावसायिक शिक्षकों ने सारांश पृष्ठों पर पुनः विचार किया और उपकरण का उपयोग मुख्य रूप से व्यक्तिगत कोचिंग सत्रों के लिए किया। शिक्षकों द्वारा प्रस्तावित कार्रवाइयाँ प्रस्तुत सामग्री और उनके शिक्षण-स्तर से आकारित हुईं, न कि प्लॉट प्रकार से — विश्वविद्यालय शिक्षकों ने साप्ताहिक परीक्षाओं और पाठ्यक्रम अनुकूलन को वरीयता दी, व्यावसायिक शिक्षकों ने सीधी, व्यक्तिगत कोचिंग को। यह डैशबोर्ड को शिक्षकों के अध्यापन-नियमन के लिए स्कैफोल्ड के रूप में स्थापित करता है, जिसमें डिज़ाइन ज़रूरतें एक ही इष्टतम इंटरफ़ेस के बजाय संदर्भ के अनुसार बदलती हैं।

छात्र-सामने का समकक्ष अधिक विरल है: एक डैशबोर्ड जिसने 46 माध्यमिक छात्रों को उनके अपने GenAI प्रॉम्प्ट और मॉडल की प्रतिक्रियाओं के साथ उनके पाठ के ओवरलैप दिखाए, उसे केवल लगभग एक-तिहाई कक्षा ने खोला, जिससे स्वैच्छिक एक्सपोज़र, न कि विज़ुअलाइज़ेशन स्वयं, बाध्यकारी बाधा बनी (Fong et al. (2026)))।

Scheu et al. का 2×2 प्रयोग (2026)

179 छात्रों के साथ 22 दिनों में एक यादृच्छिक फ़ील्ड प्रयोग में, दो डिज़ाइन सिद्धांतों की तुलना की गई:

मुख्य अंतर्दृष्टि: पाठ्यक्रम ने कौशल स्थानांतरण के माध्यम से SRL कौशल और आंतरिक प्रेरणा दोनों में सुधार किया, जबकि सहायक ने प्रेरणा को प्रभावित किए बिना सहभागिता बढ़ाई।(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement})

AI उपकरण और SRL–प्रेरणा का पारस्परिक लूप

SRL सिद्धांत का एक बुनियादी सिद्धांत यह है कि स्व-शिक्षा में AI विनियमन कौशल और प्रेरणा एक पारस्परिक संबंध बनाते हैं:

• बेहतर SRL → अधिक सफल अधिगम → उच्च आत्म-प्रभावशीलता → मज़बूत प्रेरणा
• उच्च प्रेरणा → अधिक प्रयासपूर्ण सहभागिता → बेहतर SRL अभ्यास

AI उपकरण इस लूप में अलग-अलग बिंदुओं पर प्रवेश कर सकते हैं:

• SRL-प्रथम डिज़ाइन (जैसे, संरचित पाठ्यक्रम, क्रमिक संकेत, चिंतन प्रॉम्प्ट): वास्तविक कौशल बनाकर लूप को मज़बूत करता है
• सहभागिता-प्रथम डिज़ाइन (जैसे, ऑटोकंप्लीट, सामग्री निर्माण): व्यवहारगत सहभागिता बढ़ा सकता है बिना प्रेरणा लूप में प्रवेश किए, जिससे उपकरण-निर्भरता का जोखिम पैदा होता है

SRL के रूप में GenAI की रणनीतिक नियामकता

Kim (2026) प्रभावी GenAI उपयोग को शैक्षणिक लेखन में रणनीतिक नियमन के रूप में पुनःफ्रेम करते हैं — AI आउटपुट को सत्यापित करने, पुनरीक्षित करने, चयनात्मक रूप से अपनाने या अस्वीकार करने का एक कार्यान्वित SRL अभ्यास। 107 छात्रों के एक मिश्रित-विधि अध्ययन में, उच्च AI चिंता सत्यापन और पुनरीक्षण से सकारात्मक रूप से जुड़ी थी (β=.24), जबकि मूल्यांकनात्मक क्षमता ने सक्रिय पुनरीक्षण और चयनात्मक एकीकरण की भविष्यवाणी की (β=.46)। छात्र चार नियामक प्रकारों में समूहित हुए — बिना-आलोचनात्मक निर्भरता (18.7%), चयनात्मक एकीकरण (34.6%), मूल्यांकनात्मक परिवर्तन (31.8%), और रणनीतिक अस्वीकार (14.9%) — यह दिखाते हुए कि AI साक्षरता उच्च शिक्षा में स्वीकृति से कम, मूल्यांकनात्मक निर्णय और नैतिक उत्तरदायित्व में निहित नियामक दक्षता के रूप में काम करती है। यह SRL को AI के आलोचनात्मक और बिना-आलोचनात्मक उपयोग में अंतर करने वाले मूल तंत्र के रूप में स्थापित करता है।

उपकरण का शासन स्वयं एक मापने योग्य पहलू है: चीनी EFL शिक्षार्थियों के साथ एक दो-तरंगा सत्यापन (EFA N = 305; CFA N = 342) छह नियामक आयामों को अलग करता है और पर्यावरणीय नियमन — उत्पन्न आउटपुट की सटीकता की जाँच, सुझाए गए संसाधनों की फ़िल्टरिंग, और निर्भरता पर सीमाएँ निर्धारित करना — को अपने हक में एक के रूप में नामित करता है (Wang, Zhang and Zhang (2026))。

वर्गीकृत करके सौंपें: Tsim and Gutoreva (2025) स्व-नियमन को एक प्रति-कार्य प्रोटोकॉल में बदलते हैं — प्रत्येक उपकार्य को प्रतिस्थापित करें, पूरक बनाएँ, सहायता दें या अत्यावश्यक का लेबल लगाएँ, इसे एक छोटे मेटा-संज्ञानात्मक नोट में सिद्ध करें, और प्रॉम्प्ट, मसौदों और मानव पुनरीक्षणों का ऑडिट ट्रेल रखें — चक्र दोहराता रहता है ताकि एक कार्य का निर्धारण अगले को सूचित करे।इंटरैक्शन स्वयं को नियमन की वस्तु मानें। Brunnström and Palmqvist (2026) दूसरी दिशा से वही नियामक माँग का दस्तावेज़ीकरण करते हैं: घर ले जाने योग्य परीक्षा के उत्तर तैयार करने के लिए चैटबॉट का उपयोग करने वाले आठ-दौर के प्रदर्शन में, AI की डिफ़ॉल्ट आउटपुट SOLO वर्गीकरण के मात्रात्मक, बहु-संरचनात्मक सिरे पर रही — चिकनी, जमा-योग्य और शैक्षणिक रूप से पतली — और बार-बार मेटा-स्तरीय हस्तक्षेपों ("यह भारी है, क्या आप इसे संक्षिप्त कर सकते हैं?") के बाद ही उपयोगी तीन-चरणीय अधिगम लूप तक पहुँची। उनका निष्कर्ष है कि उत्पादक उपयोग के लिए "वही स्व-नियामक कौशल आवश्यक थे जिनका समर्थन उपकरण से अपेक्षित था": शिक्षार्थी को वृद्धिशील लक्ष्य निर्धारित करने, कठिनाई समायोजन का अनुरोध करने, और जो अभी तक समझा नहीं गया उस पर चिंतन करने की आवश्यकता होती है, विषय-सामग्री के ऊपर से। वे इस क्षमता को AI-इंटरैक्शन साक्षरता नाम देते हैं और उपकरण से दूर होने को निरंतरता की विफलता के बजाय एक वैध नियामक निर्णय के रूप में मानते हैं (मेटाकॉग्निशन)।

• संतोष स्व-नियमन नहीं है। Liang et al. (2026) ने उद्योग-शिक्षा कार्यक्रमों में 689 स्नातक छात्रों का सर्वेक्षण किया और एक श्रेणीबद्ध मध्यस्थता मॉडल का परीक्षण किया जिसमें AI-निर्मित सामग्री की समझी गई उपलब्धियाँ AIGC स्व-प्रभावशीलता (beta = 0.583) को बढ़ाती हैं और उसके माध्यम से अधिगम प्रेरणा (beta = 0.565) और स्व-नियंत्रित अधिगम (beta = 0.250) को, जिसमें प्रेरणा SRL का सबसे भारी एकल भविष्यकर्ता है (beta = 0.527)। भार-वहन नकारात्मक नतीजे उन पथों के साथ मौजूद हैं: AI मूल्यांकन प्रतिपुष्टि की गुणवत्ता ने संतोष की मज़बूत भविष्यवाणी की (beta = 0.712) लेकिन आत्म-प्रभावशीलता की नहीं (beta = 0.131), और संतोष का स्व-नियंत्रित अधिगम पर कोई महत्वपूर्ण प्रभाव नहीं था (beta = 0.032)। इसलिए एक अच्छी तरह पसंद किया गया, अच्छी तरह काम करने वाला सहायक यह प्रमाण नहीं है कि नियमन सुधरा — तंत्र आत्मविश्वास और प्रेरणा के माध्यम से चलता है, न कि उपकरण के शिक्षार्थी अनुभव के माध्यम से।

SRL के रूप में GenAI-जागरूक चिंतन

The 5P Reflection Model (Kadel et al. 2026) GenAI युग में संरचित चिंतन को एक कार्यान्वित SRL अभ्यास के रूप में पुनःकेंद्रित करता है। क्योंकि शिक्षार्थी AI के साथ तेज़ी से अर्थ सह-निर्मित करते हैं, पारंपरिक चिंतन मॉडल छात्र चिंतन के प्रमाणीकरण में संघर्ष करते हैं, इसलिए 5P मॉडल (उद्देश्य, प्रक्रिया, उत्पाद, संकट, योजना) पूर्व-विचार-प्रेरित लक्ष्य निर्धारण, क्रिया-में-चिंतन (प्रॉम्प्ट और पुनरावृत्तियों का दस्तावेज़ीकरण), क्रिया-पर-चिंतन (संभाव्य आउटपुट को बाह्य स्रोतों के विरुद्ध सत्यापित करना), एल्यूसिनेशन, साहित्यिक चोरी, और अति-निर्भरता के लिए एक स्पष्ट संकट चरण, और आगे की ओर देखने वाली योजना — पूरे में भावनात्मक निगरानी अंतर्निहित करते हुए को मिलाता है। इसका "उत्पाद से ऊपर प्रक्रिया" दर्शन मानव-AI इंटरैक्शन के संरचित दस्तावेज़ीकरण को उस नियामक माँग के रूप में मानता है जो प्रामाणिकता, शिक्षार्थी सक्रियता, और मेटा-संज्ञानात्मक गहराई को संरक्षित करती है, जिससे GenAI-जागरूक चिंतन स्व-नियमन के लिए स्कैफोल्ड के रूप में स्थापित होती है, न कि उसका विकल्प के रूप में।

ट्यूटरिंग-विशिष्ट डिज़ाइन से संबंध

ट्यूटरिंग-विशिष्ट AI SRL-प्रथम डिज़ाइन के साथ संरेखित होता है: यह क्रमिक स्कैफोल्ड प्रदान करता है जो शिक्षार्थी सक्रियता को संरक्षित रखते हैं और रणनीतिक स्व-नियमन की माँग करते हैं। सामान्य-उद्देश्य AI प्रायः नियामक माँगों को पूरी तरह हटा देता है।(The Evidence Base on AI in K-12: A 2026 Review)

उदाहरण के लिए:

• Bastani et al. के ट्यूटरिंग-विशिष्ट चैटबॉट ने चरणबद्ध तर्क को संरक्षित रखा (SRL माँग)
• सामान्य-उद्देश्य GPT वेरिएंट ने बस उत्तर प्रदान किए (SRL बायपास)

संदर्भों में साक्ष्य

• मिश्रित साक्ष्य और मिसकैलिब्रेशन की खाई। PreK-12 GenAI शोध का एक त्वरित समीक्षा पाता है कि समर्थित कार्यों के दौरान मेटा-संज्ञानात्मक लाभ प्रायः टिकते नहीं जब सहायता हटा दी जाती है, और GenAI समझा गया अधिगम को बढ़ा सकता है जब टिकाऊ अधिगम अनुपस्थित होता है (मिसकैलिब्रेशन की खाई — छात्रों ने कमज़ोर रिटेंशन के बावजूद नोट-टेकिंग के स्थान पर GenAI को वरीयता दी)। छात्रों को यह तय करने के लिए स्पष्ट, चरण-उपयुक्त प्रशिक्षण चाहिए कि क्या सौंपना है और कब स्वतंत्र प्रयास मायने रखता है।(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)
• एजेंटिक पहल बनाम स्व-नियमन तनाव। Woollaston et al. (2026) नोट करते हैं कि जैसे-जैसे एजेंट किसी कार्य के अधिक हिस्से को स्वचालित करते हैं, शिक्षार्थी द्वारा किया जाने वाला स्व-नियंत्रित संज्ञानात्मक काम उतना ही कम होता जाता है — इसलिए डिज़ाइनों को एजेंट आरंभ पर शिक्षार्थियों को नियंत्रण देना चाहिए (गतिशील, लुप्त होता स्कैफोल्डिंग) ताकि स्व-नियामक क्षमता संरक्षित रहे, न कि उसे बाहर सौंपा जाए।
• स्व-नियमन AI कोडिंग-सहायक उपयोग को आकार देता है। AI कोडिंग सहायकों का एक अध्ययन पाता है कि उच्च-संगणकीय चिंतन छात्रों ने मज़बूत स्व-नियामक सुसंगति (योजना-निष्पादन-आत्म-चिंतन) दिखाई और AICA का उपयोग कोड समझने के लिए किया, जबकि कम-CT छात्रों ने इसका उपयोग तत्काल उत्तर पुनर्प्राप्ति के लिए किया।
• SRL ऑनलाइन अधिगम में कम डिजिटल व्याकुलता के साथ सह-घटित होता है। Shi et al. (2026), 530 विश्वविद्यालय छात्रों पर अनिरीक्षित डेटा माइनिंग का उपयोग करते हुए, पाते हैं कि SRL रणनीतियाँ — लक्ष्य निर्धारण, पर्यावरण संरचना, और समय प्रबंधन — ऑनलाइन अधिगम में कम डिजिटल व्याकुलता के साथ सबसे निरंतर रूप से सह-घटित हुईं, शिक्षार्थी-प्रशिक्षक और शिक्षार्थी-सामग्री सहभागिता के साथ। यह निष्कर्ष ठोस SRL प्रशिक्षण को केंद्रित ऑनलाइन अध्ययन के लिए उच्च-उत्तोलक हस्तक्षेप के रूप में स्थापित करता है।
• मेटा-संज्ञानात्मक जागरूकता, न कि उपकरण तक पहुँच, अनुकूली STEM प्रदर्शन का सबसे मज़बूत चालक है। Alatoai and Alshahri (2026) ने सऊदी अरब में 649 माध्यमिक छात्रों के साथ AI-STEM-MLCS का निर्माण और सत्यापन किया (CFI = 0.983, RMSEA = 0.019; McDonald's ω = 0.888 से 0.905) और पाया कि उसके चार आयामों ने स्व-नियंत्रित अधिगम प्रदर्शन में 68% विचलन की व्याख्या की (R² = 0.68)। AI-आधारित मेटा-संज्ञानात्मक जागरूकता सबसे मज़बूत भविष्यकर्ता थी (β = 0.38, p < 0.001), जिसके बाद संज्ञानात्मक स्थानांतरण और अनुकूलनशीलता (β = 0.29, p = 0.008) और AI-संवर्धित स्व-नियंत्रित अधिगम (β = 0.21, p = 0.040) आए, जबकि रचनात्मक और आलोचनात्मक AI-STEM तर्क ने मापदंड की भविष्यवाणी नहीं की (β = 0.14, p = 0.135)। लेखक इस पैटर्न को इस प्रमाण के रूप में पढ़ते हैं कि अनुकूली प्रतिपुष्टि मुख्य रूप से छात्रों को त्रुटियों की जाँच करने, पुनःकैलिब्रेट करने और रणनीतियों का पुनःउपयोग करने के लिए प्रेरित करके STEM प्रदर्शन बढ़ाती है, इसलिए यह उपकरण एक एकल वैश्विक स्कोर के बजाय मेटा-अधिगम की खाली जगहों को खोजने वाले नैदानिक के रूप में बेहतर काम करता है। यह एक स्व-रिपोर्ट माप है जो एक राष्ट्रीय प्रणाली में सत्यापित है, इसलिए गुणांक क्षणिक हैं।
• बाहरी सहायता शिक्षार्थी के अपने मेटा-संज्ञानात्मक निर्णय को दरकिनार कर सकती है। Iqbal et al. (2026) ने 87 EFL छात्रों को निबंध पुनरीक्षित करते हुए GenAI (ChatGPT 4.0), मानव-विशेषज्ञ, या कोई सहायता न होने की स्थिति में ट्रेस किया। सहायता स्थिति छात्र द्वारा चुनी गई पुनरीक्षण रणनीति का सबसे मज़बूत सहसंबंधक थी (Cramér's V = 0.668), पिछले लेखन कार्य से आने वाले कैरी-ओवर (V = 0.333) से कहीं आगे, जबकि मेटा-संज्ञानात्मक निर्णय सत्यापिता (p = 0.172), लेखन कौशल (p = 0.261) और प्रेरणा (p = 0.683) असंबद्ध थे। मेटा-संज्ञानात्मक निर्णय ने रणनीति का अनुसरण तभी किया जब कोई सहायता उपलब्ध नहीं थी (permutation test p = 0.0460)। GenAI सहायता वाले छात्रों को सबसे अधिक लाभ हुआ (घटती-सहायता-माँग रणनीति के तहत औसतन लगभग 4 अंक, उसी रणनीति के तहत मानव-विशेषज्ञ सहायता में −0.5 अंक के विरुद्ध), फिर भी कोई भी पुनरीक्षण रणनीति स्कोर परिवर्तन से संबद्ध नहीं थी (H(3) = 3.895, p = 0.273), इसलिए लाभ बेहतर स्व-नियमन के बजाय उपकरण से आया। लेखकों का अभिमुखीकरण यह है कि GenAI को सीधी सहायता देने के बजाय अपनी पुनरीक्षण रणनीति पर चिंतन के लिए प्रेरित करना चाहिए।
• चिंतनशील उपयोग आलोचनात्मक सोच को ट्रैक करता है, न कि ज्ञान-वृद्धि को। Melanou et al. (2026) ने व्यवसाय सूचना विज्ञान के तीन समानांतर वर्गों (N = 87) को नौ-सप्ताह के पाठ्यक्रम में फॉलो किया, जिसमें हर समूह में ज्ञान बढ़ा (F(1, 50) = 29.87, p < 0.001, η²p = 0.374) और कोई AI लाभ नहीं, कोई Time × Group इंटरैक्शन नहीं, और कोई Matthew प्रभाव नहीं (F(1, 48) = 2.46, p = 0.124; BF01 = 8.70)। चिंतनशील उपयोग (स्रोतों की जाँच और उन्हें अपनाने से पहले AI आउटपुट को सत्यापित करना) AI स्थिति में उल्लेखनीय रूप से अधिक था (3.72 बनाम 2.82; F(1, 40) = 20.21, p < 0.001) और आलोचनात्मक सोच की भविष्यवाणी की (β = 0.43, p < 0.001) लेकिन ज्ञान-वृद्धि की नहीं, जिसकी भविष्यवाणी प्रासंगिक संज्ञानात्मक भार ने की (β = 0.51, p = 0.001)। व्यावहारिक पठन यह है कि AI तक पहुँच स्वयं एक हस्तक्षेप नहीं है, और इसका मेटा-संज्ञानात्मक लाभ तर्क की गुणवत्ता में परीक्षण स्कोर में आने से पहले सामने आता है।
• संरचना, न कि अकेले AI, SRL लाभ चलाती है। ज़िमरमैन के चरणों को परियोजना-आधारित संकर निर्देश पर AI को अंतर्ज्ञानात्मक मड्गद के रूप में मैप करने ने पारंपरिक निर्देश के 0.28 के मुकाबले 0.72 का N-Gain उत्पन्न किया (t = 8.47, p < 0.001, Priyambudi et al. (2026)), जो तर्क देते हैं कि AI स्व-विनियमन को केवल कार्य संरचना के भीतर मज़बूत करता है — बेढंग उपयोग अंतर्ज्ञानात्मक आलस का जोखिम उठाता है।

LLM-मध्यस्थ SRL: स्कैफोल्ड, शॉर्टकट, या साथी?

Learning Letters के अध्ययनों का एक समूह (2026) एक केंद्रीय तनाव पर अभिसरित होता है: GenAI डिज़ाइन और यह पर निर्भर करता है कि शिक्षार्थी इसके उपयोग को कैसे नियमित करते हैं कि वह स्व-नियमन को स्कैफोल्ड कर सकता है, तोड़ सकता है, या उसका साथी बन सकता है। साक्ष्य इंगित करता है कि निर्णायक चर उपकरण नहीं, बल्कि स्वयं SRL है।

• Viberg et al. पाते हैं कि LLM एक स्तरीय सहायता खोजना पारितंत्र में बुने जाते हैं, न कि मानव सहायता को बदलते हैं: छात्र पहले स्वतंत्र रूप से कार्य आज़माते हैं, फिर कम-बाधा पहले कदम के रूप में ChatGPT से परामर्श करते हैं, संकल्पनात्मक बातचीत के लिए सहकर्मियों से, और उच्च-दाँव वाले मुद्दों के लिए प्रशिक्षकों से। वे साधनात्मक सहायता-माँग (संकेत, चरणबद्ध मार्गदर्शन) को कार्यपालक सहायता-माँग (सीधे समाधान) पर वरीयता देते हैं, चयनात्मक भरोसा का प्रयोग करते हैं और आउटपुट को पाठ्यक्रम सामग्रियों के विरुद्ध सत्यापित करते हैं — एक चार-चरणीय प्रक्रिया (यह तय करना कि सहायता चाहिए या नहीं, किससे पूछना है, सहायता का प्रकार निर्धारित करना, प्राप्त सहायता का निर्णय करना) जिसे मापा और सिखाया जा सकता है।
• Atif & Dickson-Deane GenAI उपयोग को संज्ञानात्मक ऑफलोडिंग के रूप में फ्रेम करते हैं जो या तो स्कैफोल्ड किया जा सकता है (शिक्षार्थी AI आउटपुट की आलोचना और अनुकूलन करते हैं, शिक्षार्थी सक्रियता और अर्थ-निर्माण बनाए रखते हैं) या प्रतिस्थापनात्मक (शिक्षार्थी न्यूनतम सत्यापन के साथ आउटपुट स्वीकार करते हैं, नियंत्रण उपकरण तक स्थानांतरित करते हैं)। 267 स्नातकोत्तर IT छात्रों के एक अध्ययन में, वही उपकरण शिक्षार्थी रणनीति के आधार पर SRL को स्कैफोल्ड या शॉर्टकट कर सकता था — आत्मविश्वासी उपयोगकर्ताओं ने लक्ष्य निर्धारण और निगरानी में एजेंसी दिखाई; कम आत्मविश्वासी उपयोगकर्ताओं ने GenAI को शॉर्टकट या दुराचार के रूप में देखा।
• Lim & Bannert जोखिम को ठोस रूप से दिखाते हैं: छात्रों ने स्वैच्छिक रूप से एक genAI चैटबॉट (73%) का उपयोग किया और निबंधों में अधिक स्कोर किया, लेकिन उन्होंने समझ और संश्लेषण ऑफलोड किए (चैटबॉट से "केवल मुख्य विचार निकालने" को कहकर) और लगभग कोई योजना या निगरानी नहीं की — प्रमुख नियामक निर्णयों को बाहर सौंपकर। यह एक उत्पादन-क्षमता की कमी को दर्शाता है: छात्रों के पास SRL ज्ञान होता है लेकिन वे उसे सहज रूप से तैनात नहीं कर पाते, इसलिए genAI उपकरणों को चिंतन के लिए प्रेरित करना चाहिए (एक निगरानी स्कैफोल्ड) जब प्रश्न ऑफलोडिंग का संकेत देते हैं।
• Song et al. दिखाते हैं कि SRL एक स्थिर अभिक्षमता और एक गतिशील अवस्था दोनों है: व्यक्तिगत आधार रेखाएँ निरंतर हैं, लेकिन मेटा-संज्ञानात्मक ज्ञान और कल्याण एक सेमेस्टर में व्यवस्थित रूप से गिरते हैं, जो मूल्यांकन की समय-सीमाओं से प्रेरित होता है। वे दिखाते हैं कि GenAI एक संदर्भ-जागरूक अधिगम साथी के रूप में काम कर सकता है जब उसे व्यक्तिगत, अस्थायी, और संदर्भगत डेटा दिया जाए — छात्रों का प्रयास बदले बिना उनका समर्थन करता है। यह केवल आधार अभिक्षमता पर आधारित "एक-बार-सभी-के-लिए" वैयक्तिकरण के विरुद्ध तर्क देता है।
• de Barba SRL को सैद्धांतिक रूप से विस्तारित करते हैं, तर्क देते हैं कि क्षेत्र कार्य-केंद्रित नियमन और शैक्षणिक प्रौद्योगिकी में अनुकूलन योग्य व्यवहारगत प्रॉक्सी तक संकुचित हो गया है। पेपर शिक्षार्थी एजेंसी के एक क्रॉस-स्केल खाते का प्रस्ताव करता है — नियमन (कार्यों के भीतर), एकीकरण (समय और संदर्भों में), और स्थिति-निर्धारण (अधिगम को फ्रेम करने वाली शर्तों के संबंध में आलोचनात्मक रूप से) — एल्गोरिदमिक रूप से मध्यस्थ पर्यावरणों के लिए एक डिज़ाइन अभिमुखीकरण के रूप में।
• स्व-नियमन ऑफलोडिंग नुक़सान को कम करता है लेकिन रद्द नहीं करता। Chen (2026) दिखाता है कि स्व-नियंत्रित लेखन GenAI-सहायित लेखन में गहरे संज्ञानात्मक ऑफलोडिंग और स्वतंत्र बिना-AI परिणामों के बीच नकारात्मक संबंध को कम करता है — हालाँकि समाप्त नहीं करता: ऑफलोडिंग-द्वारा-SRL इंटरैक्शन सकारात्मक था (B = 0.22), नुक़सान को −0.54 (कम SRL) के ढलान से −0.33 (उच्च SRL) तक समतल करते हुए, लेकिन इसे रद्द नहीं करते। एक सीमित-सहायता स्थिति जो प्रतिनिधिमंडल सीमाओं को अनिवार्य चिंतन के साथ जोड़ती है, ने सबसे मज़बूत स्वतंत्र प्रदर्शन उत्पन्न किया, यह प्रमाण है कि मेटा-संज्ञानात्मक नियमन आंशिक रूप से शिक्षार्थियों की रक्षा करता है फिर भी संज्ञानात्मक काम को सौंपने की पूरी क्षतिपूर्ति नहीं कर सकता।

जहाँ Winne के मॉडलों के भीतर किराया बैठता है। de Barba (2026) तंत्र को SRL पर उन संचालनों के रूप में मैप करता है जिन्हें प्रणाली शिक्षार्थी की जगह करती है: नोटिस करना, निगरानी और मूल्यांकनात्मक निर्णय उपकरण द्वारा किए जाते हैं, एक अड़चन खोज द्वारा हल होती है न कि शिक्षार्थी के अपने If-Then, Else विकल्प द्वारा, और वे मानक जिनसे शिक्षार्थी निर्णय करते हैं उधार लिए जाते हैं, न कि निर्मित। एक क्षमता जिसे शिक्षार्थी मानता है कि उसके पास है जबकि उपकरण उसे रखता है — छिपा किराया — उस त्रुटि संकेत को दबा देता है जो अन्यथा नियमन को प्रेरित करता, और दस प्रस्ताव निर्धारित करते हैं कि क्या परीक्षण करना है, जिसमें डोमेन अभ्यस्तता में बड़ी लागत और मानकों का मॉडल के अपने संदर्भ बिंदुओं की ओर बहता हुआ शामिल है।

सामूहिक सबक: SRL AI के आलोचनात्मक और बिना-आलोचनात्मक उपयोग में अंतर करने वाला मूल तंत्र है। कि GenAI एक स्कैफोल्ड, शॉर्टकट, या साथी के रूप में काम करता है, यह शिक्षार्थियों की नियामक क्षमता और इस बात पर निर्भर करता है कि उपकरणों को क्या उन नियामक माँगों को संरक्षित करने के लिए डिज़ाइन किया गया है (न कि हटाने के लिए) जो विशेषज्ञता का निर्माण करती हैं।

कौन-सी सहायता खेल में है यह तय करता है कि कौन-सा मध्यस्थ संबंध को ले जाता है: 3,003 चीनी पूर्व-सेवा शिक्षकों में, समझा गया AI उपकरण समर्थन नवाचारी दक्षता तक मुख्य रूप से AI स्व-प्रभावशीलता (उस पथ के कुल प्रभाव का 60.88%) के माध्यम से पहुँचा, जबकि समझा गया विद्यालय-आधारित बुद्धिमान पर्यावरण समर्थन मुख्य रूप से स्व-नियंत्रित अधिगम (29.64% बनाम 18.60%) के माध्यम से पहुँचा (Liu et al. (2026))。

निहितार्थ

• जर्नलिंग/चैटबॉट उपकरणों के लिए: प्रेरणा और सहभागिता दोनों के लाभ पाने के लिए SRL निर्देश (पाठ्यक्रम-आधारित) को वैकल्पिक लेखन सहायता के साथ जोड़ें
• उपकरण डिज़ाइनरों के लिए: मूल्यांकन को एक आवश्यक चरण बनाएँ, वैकल्पिक नहीं। Iqbal et al. ने पाया कि उपलब्ध सहायता, न कि शिक्षार्थी का मेटा-संज्ञानात्मक निर्णय, यह तय करता था कि छात्रों ने कौन-सी पुनरीक्षण रणनीति इस्तेमाल की और GenAI स्कोर लाभ बेहतर नियमन से नहीं आए, जबकि Melanou et al. ने पाया कि चिंतनशील उपयोग ने आलोचनात्मक सोच की भविष्यवाणी की जहाँ केवल उपकरण तक पहुँच ने नहीं की। जो इंटरैक्शन छात्रों को सत्यापित करने, तुलना करने और पुनः-रणनीति बनाने के लिए कहती हैं, वही अधिगम मूल्य ले जाती हैं।
• प्रशिक्षकों के लिए: AI-आधारित मेटा-संज्ञानात्मक जागरूकता को पहले लीवर के रूप में मानें और इसे स्पष्ट रूप से जाँचें। Alatoai and Alshahri ने इसे अनुकूली STEM प्रदर्शन का सबसे मज़बूत भविष्यकर्ता पाया (β = 0.38) और स्थानांतरण व अनुकूलनशीलता को दूसरे स्थान पर (β = 0.29), इसलिए ऐसी गतिविधियाँ जिनमें छात्र त्रुटियों की जाँच करें और किसी रणनीति को एक नए समस्या संदर्भ में ले जाएँ, आलोचनात्मक या रचनात्मक तर्क के लिए सामान्य प्रेरणा से अधिक करती हैं।
• AI नीति के लिए: खरीद मानदंड यह पूछना चाहिए कि कोई उपकरण स्व-नियमन विकसित करता है या विस्थापित करता है
• शोधकर्ताओं के लिए: दीर्घकालिक अध्ययन जो SRL परिणामों को मापते हैं (केवल तत्काल प्रदर्शन नहीं) आवश्यक हैं; Melanou et al. उस धैर्य का लाभ दिखाते हैं, क्योंकि एक सेमेस्टर का चिंतनशील उपयोग आलोचनात्मक सोच को बदला (β = 0.43) बिना ज्ञान-वृद्धि को बदले।

संवाद एजेंट और सिमुलेशन खेलों में SRL

• खेलों में स्व-नियंत्रित अधिगम का समर्थन करने वाले संवाद एजेंट। Wenzel, Geiger, और Liening (2026) दिखाते हैं कि एक व्यवसाय सिमुलेशन खेल में AI संवाद एजें (Lara) मीट्रिक-आधारित रूपरेखा प्रतिपुष्टि, माँग-पर मार्गदर्शन, और संरचित चिंतन के माध्यम से स्व-नियंत्रित अधिगम का समर्थन कर सकता है — उस सामान्य सीमा को संबोधित करते हुए कि सिमुलेशन खेल सीमित रूपरेखा प्रतिपुष्टि और चिंतन प्रॉम्प्ट प्रदान करते हैं। छात्र शिक्षकों और BSG प्रतिभागियों के साथ मूल्यांकनों ने एजेंट के संज्ञानात्मक और सामाजिक उपस्थिति और स्व-नियमन के लिए इसके समर्थन के बारे में सकारात्मक धारणाएँ रिपोर्ट कीं।

स्वचालित SRL पहचान: क्या स्थानांतरित होता है और क्या नहीं

• एम्बेडिंग-आधारित SRL वर्गीकर्तक एक डोमेन के भीतर भाषाओं के पार जाते हैं, लेकिन डोमेनों के पार नहीं। 26 छात्रों का एक अध्ययन (रसायन विज्ञान और औपचारिक तर्क; Winne-and-Hadwin मॉडल के साथ कोडित सोच-ऊँचा प्रोटोकॉल) पाता है कि अंग्रेज़ी पर प्रशिक्षित एम्बेडिंग-आधारित मॉडल (text-embedding-3-small) जर्मन SRL को ~0.8 AUC पर वर्गीकृत करते हैं, ~0.1 अपकर्षण के साथ — enacting (~0.7) को छोड़कर। क्रॉस-डोमेन स्थानांतरण विफल होता है: रसायन-से-तर्क ~0.6 पर गिरता है, enacting संयोग (~0.5) पर — डोमेन दीवार, न कि भाषा, बाँधती है।
• तीन विफलता मोड बताते हैं कि स्थानांतरण कहाँ टूटता है। (1) दैनिक अर्थ के बजाय डोमेन अर्थ पर संकल्पना संकल्प — "cancel" बनाम रसायन "kürzen" — enact वर्गीकरण को तोड़ता है। (2) मानवीकरण — एक भारी स्कैफोल्ड किए गए ट्यूटर से अपरिचित जर्मन छात्रों ने उसे एक व्यक्ति के रूप में संबोधित किया, जिससे वितरण-से-बाहर उक्तियाँ उत्पन्न हुईं; स्थानांतरण कम-स्कैफोल्ड किए गए मंचों पर बेहतर था। (3) संकेत-पढ़ना बनाम योजना-सूत्रीकरण की अस्पष्टता — मॉडल लॉग डेटा के बिना मेटा-संज्ञानात्मक संकेत पढ़ने को योजना बनाने से अलग नहीं बता सकते। त्रुटियों का एहसास हर स्थिति में मज़बूत है — यह समझना कि आप गलत हैं, संदर्भ-स्वतंत्र है। समाधान: डोमेन शब्दों के लिए विशेषज्ञ शब्दकोश या सूक्ष्म-ट्यूनिंग; संकेतों के लिए लॉग डेटा। (Large language models generalize SRL prediction to new languages within but not between domains)

संबंधित अवधारणाएँ

• शिक्षार्थी — शिक्षार्थी: शिक्षार्थी-पक्ष की अवधारणाओं के लिए छाता
• मेटाकॉग्निशन — वह संज्ञानात्मक निगरानी जिस पर SRL निर्भर करता है
• स्व-मूल्यांकन
• स्व-प्रभावशीलता — एक पूर्व-विचार चरण की धारणा जो प्रयास को चलाती है
• मड्गद — क्रमिक सहायता जो नियामक माँग को संरक्षित रखती है
• प्रतिपुष्टि — वह निवेश जिसके इर्द-गिर्द शिक्षार्थी नियमन करते हैं
• फीडबैक साक्षरता — प्रतिपुष्टि पर कार्रवाई करने की क्षमता
• सहायता खोजना — एक रणनीतिक SRL व्यवहार
• प्रेरणा — स्व-नियमन का पारस्परिक साथी
• संज्ञानात्मक ऑफलोडिंग — वह जोखिम जब AI नियामक काम हटा देता है
• जनरेटिव-AI — वह प्रौद्योगिकी जो SRL को स्कैफोल्ड या तोड़ सकती है
• AI साक्षरता — AI उपयोग में नियामक दक्षता
• स्व-निर्देशित अधिगम — व्यापक स्वायत्तता संरचना
• शिक्षार्थी सक्रियता — शिक्षार्थी की इरादे से कार्य करने की क्षमता, नियमन, एकीकरण और स्थिति-निर्धारण के लिए केंद्रीय
• अनुकूली अधिगम — वैयक्तिकरण जो नियमन का समर्थन कर सकता है
• निर्माणकारक मूल्यांकन — नियमन के लिए निरंतर प्रतिपुष्टि
• पढ़ाकर सीखना — स्व-नियमन बनाने वाली एक रणनीति
• इंटेलिजेंट ट्यूटरिंग — प्रणालियाँ जो SRL को स्कैफोल्ड करती हैं
• बड़े भाषा मॉडल (LLMs) — AI उपकरणों का अंतर्निहित मॉडल
• पुनर्प्राप्ति, अंतराल और प्रक्षेपण — अनुसूचीकरण, स्व-परीक्षण और अध्ययन-रणनीति विकल्प जो शिक्षार्थी बनाते हैं
• संज्ञानात्मक समर्पण

संबंधित लेख

• AIGC affordance and student self-regulation in private undergraduate education: a serial mediation model — AIGC उपलब्धियाँ और छात्र स्व-नियमन

• AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education — AI-इंटरैक्शन साक्षरता: चैटबॉट को मोड़ने के लिए उसी SRL की माँग थी जिसका समर्थन उससे अपेक्षित था (Brunnström & Palmqvist 2026)

• The 5P Reflection Model for Education in the Generative Artificial Intelligence (GenAI) Era — GenAI युग के लिए 5P चिंतन मॉडल (Kadel et al. 2026)

• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — GenAI-सहायित लेखन में परत-संवेदी संज्ञानात्मक ऑफलोडिंग (Chen 2026)

• Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education

• Learner Agency Across Scales: An Integrative Perspective on Self-Regulated Learning in Algorithmically Mediated Environments — पैमानों में शिक्षार्थी एजेंसी: नियमन, एकीकरण, स्थिति-निर्धारण

• The Rented Self: How AI-Enabled Tools Decouple Performance From Becoming — किराए का स्व: Winne के SRL मॉडलों पर मैप किया गया किराया, दस प्रस्तावों और शिक्षार्थी-भीतर सूचकांकों के साथ

• GenAI as a Learning Partner: Supporting Self-Regulated Learning Over Time Without Replacing Effort — समय के साथ संदर्भ-जागरूक अधिगम साथी के रूप में GenAI

• How Do Students Regulate Their Learning With a GenAI Chatbot? — छात्र genAI चैटबॉट के साथ अधिगम को कैसे नियमित करते हैं

• Scaffold or Shortcut? Postgraduate IT Students' Use of Generative AI and Self-Regulated Learning — स्कैफोल्ड या शॉर्टकट? SRL में GenAI की दोहरी भूमिका

• Efficiency vs. Effectiveness: Self-Regulated Learning with LLM-Mediated Help-Seeking — STEM में LLM-मध्यस्थ सहायता-माँग: स्तरीय, साधनात्मक और सत्यापित

• Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task

• Fostering self-regulated learning through adaptive learning technology: A differentiated perspective on the role of feedback

• A systematic mapping review at the intersection of artificial intelligence and self-regulated learning

• Supporting self-regulated learning through generative AI feedback in online higher education: the importance of student perceptions of the source of feedback — GenAI प्रतिपुष्टि और SRL: समझा गया स्रोत मायने रखता है

• From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource — AI चिंता से रणनीतिक नियमन तक

• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — GenAI के साथ मेटा-संज्ञान/स्व-नियमन पर मिश्रित साक्ष्य

• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — एजेंटिक AI और स्व-नियमन तनाव

• Decreasing Digital Distraction in College Students: Associated Online Learning Strategies Identified by Unsupervised — ऑनलाइन अधिगम में SRL और कम डिजिटल व्याकुलता (Shi et al. 2026)

• Making machine learning findings accessible to teachers in blended classrooms — मिश्रित कक्षाओं में शिक्षकों के लिए ML निष्कर्षों को सुलभ बनाना

• SCAN: A Decision-Making Framework for Task Assignment with Generative AI — SCAN: कार्य पहचान, औचित्य और कार्य-पश्चात चिंतन का एक शिक्षार्थी-सामने वाला लूप

• Using Learning Analytics to Support Secondary School Students' Writing with Generative AI — GenAI के साथ माध्यमिक विद्यालय के छात्रों के लेखन का समर्थन के लिए Learning Analytics का उपयोग

• Exploring the Impact of AI-Based Learning Environments on Student Self-Regulation and Adaptive STEM Learning — अनुकूली STEM अधिगम में AI-समर्थित स्व-नियमन के लिए एक सत्यापित उपकरण, जिसमें मेटा-संज्ञानात्मक जागरूकता सबसे मज़बूत भविष्यकर्ता है

• Human or GenAI Support? Conditions Impacting Students' Strategy Choices in an Essay Revision Task — एक निबंध-पुनरीक्षण प्रयोग में सहायता स्थिति, न कि मेटा-संज्ञानात्मक निर्णय, पुनरीक्षण रणनीति विकल्प को चलाई

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — अनुदैर्ध्य: चिंतनशील AI उपयोग ने आलोचनात्मक सोच की भविष्यवाणी की लेकिन ज्ञान-वृद्धि की नहीं, बिना Matthew प्रभाव के

• GenAI literacy and GenAI-assisted self-regulated learning behaviors: the roles of learning agency and challenge emotions — GenAI साक्षरता मुख्य रूप से अधिगम एजेंसी के माध्यम से स्व-नियंत्रित अधिगम व्यवहारों से संबद्ध

• Pre-Service Teachers' Perceptions of AI Technological Support and School-Based Intelligent Environment Support: Model-Based Indirect Associations with Innovative Competence via AI Self-Efficacy and Self-Regulated Learning — सहायता प्रकार मध्यस्थ को पलटता है: AI आत्म-प्रभावशीलता बनाम स्व-नियंत्रित अधिगम

• GenAI Use and GenAI-Assisted Learning Procrastination in University Students: The Roles of Planned Behavior Constructs and Learning GenAI Anxiety — GenAI-सहायित अधिगम टालमटोल: एक इरादा-व्यवहार खाई जिसे चिंता मज़बूत करती है

• Generative artificial intelligence-supported self-regulated learning (GenAI-SRL) in L2 writing: scale development, validation, and short-form construction — L2 लेखन के लिए एक सत्यापित छह-आयामी GenAI-SRL स्केल, जिसमें पर्यावरणीय नियमन अपने ही आयाम के रूप में और एक 12-वस्तु चींटी-कॉलोनी-अनुकूलित संक्षिप्त रूप

• Large language models generalize SRL prediction to new languages within but not between domains — Large Language Models Generalize SRL Prediction to New Languages Within But Not Between Domains (Borchers et al. 2025)

• A Project-Based Hybrid Learning Model Using Artificial Intelligence to Enhance Students' Self-Regulated Learning — छात्रों के स्व-नियंत्रित अधिगम को बढ़ाने के लिए AI का उपयोग करने वाला एक परियोजना-आधारित संकर अधिगम मॉडल