स्वयं-रिपोर्ट मापन

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

स्वयं-रिपोर्ट मापन — वे उपकरण जिनमें अध्ययन किया जा रहा व्यक्ति स्वयं आँकड़ों का स्रोत भी होता है: प्रश्नावलियाँ और सर्वेक्षण, साक्षात्कार, डायरियाँ, स्वयं-मूल्यांकित दक्षता, स्वयं-अनुमानित उपयोग, अनुभूत सीख, और संतोष। ये AI in education शोध का कामचलाऊ साधन हैं — इस ज्ञान आधार में 139 लेख पृष्ठों पर सर्वे मेथड टैग है, जो प्रयोग और बेंचमार्क के अलावा किसी भी डिज़ाइन से अधिक है — और दृष्टिकोण, विश्वास, इरादों तथा स्व-प्रभावशीलता तक पहुँचने का एकमात्र व्यावहारिक तरीका हैं। उनकी सीमा सांख्यिकीय नहीं बल्कि श्रेणीबद्ध है: स्वयं-रिपोर्ट व्यवहार या सीख नहीं माप सकती, केवल यह माप सकती है कि कोई व्यक्ति व्यवहार या सीख के बारे में क्या कहता है, और इस शोध आधार में ये दोनों इतनी बार अलग होते हैं कि यह स्वयं एक शोध-निष्कर्ष बन जाता है।

विचार करने योग्य प्रश्न

• यदि कोई अध्ययन कहता है कि विद्यार्थियों ने “उच्च सहभागिता रिपोर्ट की,” तो असल में क्या मापा गया — और यह निष्कर्ष निकालने के लिए कि उन्होंने वास्तव में सहभागिता की, आपको क्या देखना होगा?
• एक अध्ययन में, शिक्षकों की AI literacy के स्वयं-रिपोर्टित और वस्तुनिष्ठ मापन चार आयामों में केवल r = 0.07 से r = 0.24 तक सहसंबद्ध थे। उसी कौशल के किसी परीक्षण की तुलना में आपका अपना स्व-मूल्यांकन सबसे अधिक कहाँ भिन्न होगा, और क्यों?
• संतोष को मापना आसान है और इसे सुधारना भी आसान है — जिस प्रणाली को उपयोगकर्ताओं को प्रसन्न रखने के लिए समायोजित किया गया हो वह इसमें अच्छा प्रदर्शन करेगी। यह संतोष को सीख के लिए खराब परिणाम-मापन क्यों बना सकता है, और इसके बजाय आप क्या मापेंगे?
• “लगभग सभी विद्यार्थी पाठ्यक्रम के लिए AI का उपयोग करते हैं” — यह विद्यार्थियों से पूछने से आया है। पूछने से लॉग करने के बजाय किन दोनों दिशाओं में गड़बड़ी हो सकती है?
• एक सर्वे को 112 प्रतिक्रियाएँ मिलीं, 31% प्रतिक्रिया दर पर, या 572 निमंत्रणों में से 90 प्रतिक्रियाएँ। उसके प्रतिशतों को स्वीकार करने से पहले, आप उन लोगों के बारे में क्या जानना चाहेंगे जिन्होंने उत्तर नहीं दिया?
• जब कोई अध्ययन एक ही क्षण में मापे गए दो स्वयं-रिपोर्टित चरों के बीच सहसंबंध स्थापित करता है, तो आप उस सहसंबंध के कितने अलग-अलग स्पष्टीकरण बना सकते हैं — और कौन-सा डिज़ाइन उन्हें निरस्त करेगा?
• यदि आप किसी छोटे मूल्यांकन पर सलाह दे रहे हों, तो आप किन दावों को सर्वे से समर्थित होने देंगे, और किन दावों के लिए आप लॉग, प्रदर्शन या प्रेक्षण आधारित प्रमाण की माँग करेंगे?

परिचय

स्वयं-रिपोर्ट प्रश्नावली से कहीं अधिक विस्तृत है। इसमें Likert और अन्य रेटिंग प्रारूपों का उपयोग करने वाले cross-sectional surveys, qualitative researchers द्वारा संचालित साक्षात्कार और फोकस समूह, डायरियाँ और अनुभव नमूनीकरण, स्वयं-मूल्यांकित कौशल या आत्मविश्वास, किसी उपकरण के कितनी बार उपयोग हुए की स्मृति-आधारित अनुमानित आकड़े, तथा परिणाम के रूप में मानी गई अनुभूत सीख या संतोष शामिल हैं। इन्हें जोड़ने वाली चीज़ उत्तरदाता की ज्ञान-सैद्धांतिक स्थिति है: वे स्वयं के बारे में रिपोर्ट कर रहे हैं, न कि प्रेक्षित हो रहे हैं।

यह क्षमाप्रार्थनीय कमज़ोरी नहीं है। कई रुचिकर संरचनाएँ — अभिप्रेरणा, चिंता, trust, अनुभूत उपयोगिता, engagement के इरादे — आंतरिक अवस्थाएँ हैं जिन्हें कोई लॉग फ़ाइल दर्ज नहीं करती, और उन तक पहुँचने का एकमात्र औचित्य योग्य तरीका पूछना है। समस्या तब उठती है जब स्वयं-रिपोर्ट का उपयोग किसी ऐसे दावे को समर्थन देने के लिए किया जाता है जिसे वह संभाल नहीं सकती, जो मूल रूप से एक वैधता प्रश्न है: क्या उपकरण उसी संरचना को मापता है जिसका वह नाम लेता है, और क्या किया जा रहा दावा उस तरह की चीज़ के बारे में है जिसे स्वयं-रिपोर्ट देख सकती है। यह चिंता शैक्षणिक मापन और मूल्यांकन की वैधता के साथ जुड़ी है; यह पृष्ठ इस बात के बारे में है कि जब AI in education शोध विशेष रूप से स्वयं-रिपोर्ट पर निर्भर होता है तो क्या होता है, और प्रमाण आधार कहाँ टूटता दिखाई देता है।

यह पृष्ठ अपने पड़ोसियों से कैसे जुड़ता है. AIED में शोध विधियाँ डिज़ाइनों तथा उनकी शक्तियों और सीमाओं की सूची बनाता है, जिसमें सर्वे और SEM अध्यायन भी हैं। मात्रात्मक अनुसंधान संख्यात्मक विधियों के परिवार को कवर करता है। शैक्षणिक मापन उपकरण विकास, आइटम रिस्पॉन्स थ्योरी (IRT), और मानोमितीय सत्यापन को कवर करता है। यह पृष्ठ उन पृष्ठों के संकेत किए उस संकरीर्ण हिस्से का है: मापन उपकरण और आँकड़ों का स्रोत स्वयं — स्वयं-रिपोर्ट क्या स्थापित कर सकती है और क्या नहीं, लोग जो रिपोर्ट करते हैं और जो वे करते हैं उनके बीच बार-बार आने वाला अंतर, और एक स्वयं-रिपोर्ट निष्कर्ष को कैसे आलोचनात्मक रूप से पढ़ा जाए।

स्वयं-रिपोर्ट क्या स्थापित कर सकती है और क्या नहीं

स्वयं-रिपोर्ट दृष्टिकोणों, विश्वासों, इरादों, किसी उपकरण की धारणाओं, भावनात्मक अवस्थाओं, तथा स्वयं-निर्धारित आत्मविश्वास या कठिनाई के लिए अच्छी तरह उपयुक्त है। यह व्यवहार के लिए खराब ढंग से उपयुक्त है, और यह सीख को बिल्कुल नहीं माप सकती: किसी व्यक्ति का यह विश्वास कि उसने कुछ सीखा, स्वयं एक धारणा है, और ज्ञान आधार अनुभूत सीख को learning gains से एक अलग राशि के रूप में मानता है।

परिणामस्वरूप एक ऐसा दावों का समूह आता है जो परिणाम अनुभाग में एक जैसे दिखते हैं लेकिन शक्ति में भिन्न हैं:

• “विद्यार्थियों ने ट्यूटर को उपयोगी पाया” — एक धारणा, जिसे पूछकर उचित रूप से मापा जाता है।
• “विद्यार्थियों ने नियमित रूप से ट्यूटर का उपयोग किया” — एक व्यवहार, जिसे केवल पूछकर अनुमानित रूप से बाँधा जा सकता है।
• “विद्यार्थियों ने ट्यूटर के साथ अधिक सीखा” — एक परिणाम, जिसे पूछकर बिल्कुल भी स्थापित नहीं किया जा सकता।
• “शिक्षक AI का उपयोग करने में आत्मविश्वासी हैं” — एक स्वयं-विश्वास, दक्षता का प्रमाण नहीं।

इस शोध को पढ़ने या डिज़ाइन करने वाले किसी भी व्यक्ति के लिए दो निष्कर्ष निकलते हैं। पहला, कि क्या स्वयं-रिपोर्ट उपकरण अपनी नामित संरचना को माप भी रहा है, यह एक अनुभवजन्य प्रश्न है, जिसका उत्तर मदों की प्रत्याशितता से नहीं बल्कि सत्यापन से मिलता है। दूसरा, AI in education में प्रलोभन की दिशा सुसंगत है: उपकरणों का मूल्यांकन इस आधार पर किया जाता है कि उपयोगकर्ताओं को उनके बारे में कैसा लगता है, और भावना ठीक वही हिस्सा है जिसे स्वयं-रिपोर्ट सबसे कम में पकड़ लेती है। स्व-मूल्यांकन उस व्यापक परिवार का सदस्य है, उसका पर्याय नहीं: जहाँ स्वयं-रिपोर्ट मापन दृष्टिकोण, विश्वास और संतोष तक पहुँचते हैं, वहाँ स्वयं-मूल्यांकन शिक्षार्थी के अनुमान को विशेष रूप से उसकी अपनी कौशल, आत्मविश्वास, या सीख पर लगाता है।

एक दूसरी विफलता प्रकार दो स्वयं-रिपोर्ट संरचनाओं के बीच विभेदक-वैधता का पतन है: प्रभावशीलता के रूप में मापे गए अनुभूत व्यवहारिक नियंत्रण के साथ स्वयं-रिपोर्टित AI क्षमता को प्रतिगमित करना एक सामान्य-आत्मविश्वास कारक की तुलना उसी से कर सकता है, इसीलिए मापदंड पूर्व निर्धारित किए जाते हैं — .85 से कम का एक heterotrait–monotrait अनुपात और क्षमता–नियंत्रण सहसंबंध को एक के बराबर बाँधने वाला एक nested-model परीक्षण (Mnguni (2026)).

एक सत्यापित उपकरण उस सीमा को अस्पष्ट की बजाय स्पष्ट बना सकता है। Thianwan and Srikoon (2025) का AI Literacy Self-Assessment Questionnaire (AIL-SAQ) 15 मदों वाला स्केल है जो दो नमूनों में स्थिर तीन-कारक संरचना के साथ पुष्ट किया गया है (n = 335 अन्वेषणात्मक, n = 579 पुष्टिकारक) और इसका समग्र Cronbach's alpha .934 है। इसके लेखक स्पष्ट हैं कि यह प्रदर्शित कौशल के बजाय अनुभूत समझ, दृष्टिकोण और जागरूकता दर्ज करता है, और स्वयं-मूल्यांकन की सटीकता उस संज्ञानात्मक क्षमता पर निर्भर करती है जो बच्चों में अभी विकसित हो रही होती है, इसलिए बच्चे का स्वयं-अनुमान वयस्क की तुलना में कमज़ोर संकेत है।

विपरीत विकल्प भी औचित्य योग्य है: PAUSE एक चार-क्षेत्रीय offloading स्वयं-जाँच है जो कोई विश्वसनीयता या वैधता प्रमाण प्रकाशित नहीं करती, कोई समुच्चय प्रदान नहीं करती, और यह बताती है कि इसकी readings किसी भी महत्वपूर्ण निर्णय को औचित्य नहीं दे सकतीं, और इसके मद जानबूझकर किए गए scaffolding को प्रतिस्थापन के साथ मिला देते हैं — जो उत्तरदाता शुरुआत में scaffolding के लिए AI लाता है उसे offloading के रूप में पढ़ा जाता है (Alam, 2026).

धारणा–व्यवहार अंतर

इस ज्ञान आधार का सबसे मज़बूत स्वयं-रिपोर्ट निष्कर्ष यह नहीं है कि स्वयं-रिपोर्ट सामान्य रूप से पक्षपाती है, बल्कि यह है कि रिपोर्ट किया गया और प्रेक्षित व्यवहार विशिष्ट, प्रलेखित तरीकों से अलग होते हैं।

शिक्षकों की AI literacy के समानांतर स्वयं-रिपोर्ट और वस्तुनिष्ठ मापन बनाने वाला एक अध्ययन ने 288 शिक्षकों के नमूने में स्वयं-रिपोर्ट और वस्तुनिष्ठ कारकों के बीच कमज़ोर सहमति (r = 0.07 से r = 0.24) पाई, जिसमें पुष्टिकारक कारक विश्लेषण ने दोनों मापनों की संरचना वैधता का समर्थन किया, साथ ही स्वयं-रिपोर्ट और वस्तुनिष्ठ कारकों के बीच निम्न सहसंबंध भी दिखाया। दोनों उपकरण विश्वसनीय थे; उन्होंने बस अलग चीज़ें मापीं। 288 शिक्षकों के पूर्ण नमूने में वस्तुनिष्ठ और स्वयं-रिपोर्टित कारकों के बीच सहसंबंध r = 0.07 से r = 0.24 तक थे, और latent profile analysis ने 43 शिक्षकों को पाया जिन्होंने स्वयं को उच्च रेट किया लेकिन वस्तुनिष्ठ मापन पर कम अंक पाए, जबकि 59 ने उलटा पैटर्न दिखाया।

GLAT उसी निष्कर्ष तक दूसरी दिशा से पहुँचता है: इसके 20 मदों वाले प्रदर्शन-आधारित परीक्षण ने GenAI-समर्थित सीख के कार्यों पर 83 छात्रों के within-subject अध्ययन में प्रदर्शन की भविष्यवाणी की, जबकि स्वयं-रिपोर्टित ChatGPT literacy ने नहीं की। लेखकों की रूपरेखा सीधी है — इस क्षेत्र के उपकरण अपरिहार्य रूप से स्वयं-रिपोर्टित सर्वेक्षणों पर निर्भर हैं, "जो वास्तविक के बजाय अनुभूत दक्षता को कैप्चर करते हैं और पक्षपात तथा अति-आकलन के प्रवृत्त हैं।"

व्यवहारगत अनुमान वही विभाजन दिखाते हैं। एक बड़े पैमाने पर competitive-programming अध्यायन ने स्वयं-रिपोर्टित आत्मविश्वास और वास्तविक अभ्यास व्यवहार के बीच संबंध-विच्छेद रिपोर्ट किया, जहाँ पहला दूसरे का खराब प्रतिनिधि है। एक learner-modeling अध्यायन इस बात पर ईमानदार है कि उपयोग आवृत्ति स्वयं-रिपोर्टित थी, Never-to-Daily स्केल पर, न कि प्रेक्षित, और यह कि जब भविष्यवक्ता और परिणाम दोनों स्वयं-रिपोर्टित हों तो acquiescence या extremity bias जैसी प्रतिक्रिया शैलियाँ संबंध उत्पन्न कर सकती हैं।

कभी-कभी पूछना और प्रेक्षण करना आमने-सामने रखे जाते हैं। 33 अध्यायनों के 46 वर्गीकरणों का एक scoping review ने पाया कि साहित्य स्वयं-रिपोर्ट और interaction-log आँकड़ों के बीच लगभग बराबर बँटा है, और निष्कर्ष निकाला कि श्रेणियाँ "अक्सर मापन दृष्टिकोण को उतनी ही दर्शाती हैं जितनी सहभागिता को" — स्वयं-रिपोर्ट अध्यायन धारणाओं और इरादों को कैप्चर करते हैं जबकि लॉग-आधारित अध्यायन प्रेक्ष्य संवादी व्यवहार को कैप्चर करते हैं, और ये दोनों शायद ही कभी एकीकृत होते हैं। GenAI literacy पर प्रक्रिया-आँकड़ा कार्य इस बिंदु का रचनात्मक रूप प्रस्तुत करता है: क्या कोई छात्र पुनरावृत्ति से prompt करता है, आउटपुट को परिष्कृत करता है, और hallucinations को प्रबंधित करता है, यह interaction लॉग में प्रेक्ष्य है और प्रश्नावली में नहीं।

2026 की एक structured review और सक्षम जनरेटिव-AI उपयोग के मापनों के लिए एक exploratory meta-analysis उस अंतर पर दूसरी दिशा से एक pooled संख्या रखता है: तीन सीधे रिपोर्ट किए गए same-sample subjective–objective सहसंबंधों को pool करने पर (संयुक्त रिपोर्टित N = 2,765) r = .055 (Hartung–Knapp 95% CI [−.047, .156]) मिला, और एक चौथे अध्यायन के cross-factor सहसंबंध जोड़ने पर केवल r = .079 मिला। तीनों प्राथमिक प्रभाव एक ही शोध कार्यक्रम से आए, सबसे बड़े योगदानकर्ता का रिपोर्टित सहसंबंध और p-value सामंजस्य नहीं रख सके, और समीक्षा निष्कर्ष निकालती है कि स्वयं-रिपोर्ट वस्तुनिष्ठ प्रदर्शन अंकों का प्रतिनिधि नहीं बन सकती — यह भी नोट करते हुए कि प्रदर्शन उपकरण स्वयं संकरी हैं, जो काम पर मायने रखने वाले oversight और reliance व्यवहारों के बजाय आधारभूत ज्ञान को कवर करते हैं (Verí (2026)).

उपकरण साहित्य को स्वयं अंतर के पैमाने के प्रमाण के रूप में पढ़ा जा सकता है। Zainal, Mohd Matore and Maat (2026) ने शिक्षकों की AI literacy के 33 उपकरणों का आकलन किया और पाया कि 31 (93.9%) अनुभूत आत्मविश्वास के स्वयं-रिपोर्ट स्केल थे, केवल दो (6.1%) ने ज्ञान को वस्तुनिष्ठ रूप से परखा, और कोई भी 2019 से 2025 के बीच प्रदर्शन-आधारित कार्यों का उपयोग नहीं किया। उनका निष्कर्ष वही है जहाँ यह पृष्ठ दूसरी दिशाओं से पहुँचता रहता है: स्वयं-रिपोर्ट अंक आत्मविश्वास को सूचकांकित करते हैं, क्षमता को नहीं, इसलिए वे दक्षता के प्रतिनिधि नहीं बन सकते जब समूहों या कार्यक्रमों की तुलना की जाती है।

परिणाम मापन उसी अंतर को विरासत में पाते हैं। Pramod and Patil (2026) agentic AI से अभिप्रेरणा और सामाजिक उपस्थिति के माध्यम से उस पथ को मॉडल करते हैं जिसे वे 0.671 गुणांक के साथ learning performance कहते हैं — अध्ययन का सबसे मज़बूत संबंध — और उनकी अपनी सीमा अनुभाग में कहा गया है कि यह निर्भर चर शिक्षार्थियों की धारणाओं को दर्शाता है, परीक्षा परिणामों, असाइनमेंट प्रदर्शन या learning analytics को नहीं। पथ-मॉडल में सामान्य रूप से सावधानी से पढ़ने योग्य पैटर्न यही है: किसी अनुभूत परिणाम पर बड़ा गुणांक यह मात्रात्मक रूप से बताता है कि छात्र कितनी निरंतरता से मानते हैं कि कुछ मददगार रहा, और यह अभी कुछ नहीं बताता कि वह वास्तव में मददगार रहा या नहीं।

संतोष और अनुभूत सीख परिणाम के रूप में

संतोष इस संग्रह में सबसे अधिक बार स्वयं-रिपोर्टित परिणाम है, जो 63 लेख पृष्ठों पर दिखाई देता है। यह सीख के प्रतिनिधि के रूप में सबसे कमज़ोर भी है, और ज्ञान आधार में इस प्रभाव के पक्ष में स्पष्ट तर्क मौजूद हैं।

• क्रमबद्ध AI फीडबैक पर कार्य डिज़ाइन सिद्धांत को सीधे कहता है: उपयोगकर्ता संतोष और व्यवहारगत सहभागिता learning gains के विश्वसनीय प्रतिनिधि नहीं हैं, इसलिए सीख को सीधे मापा जाना चाहिए।
• शैक्षणिक steering पर नोट किया गया है कि वर्तमान भाषा मॉडल उपयोगी सहायक बनने के लिए instruction-tuned हैं जो उपयोगकर्ता संतोष को अधिकतम करते हैं, जबकि ट्यूटर का लक्ष्य सीख को अधिकतम करना है — ये दोनों उद्देश्य टकरा सकते हैं, जिससे संतोष संभावित रूप से भ्रमित करने वाला लक्ष्य बन जाता है, न कि केवल कमज़ोर।
• एक scaffolding अध्ययन तर्क देता है कि अनुभूत उपयोगिता, उपयोग में सरलता, और तत्काल संतोष को मड्गद प्रभावशीलता के पर्याप्त संकेतक नहीं माना जाना चाहिए।
• व्यक्तित्व-संरेखित छात्र मॉडलिंग पर यह प्रेक्षण किया गया है कि उपयोगकर्ता संतोष के लिए अनुकूलन करना सीख के परिणामों के लिए अनुकूलन करने के समान नहीं है, और ये दोनों अलग हो सकते हैं।

साथ ले जाने योग्य पैटर्न: जब लक्ष्य सीख हो तो संतोष गलत चीज़ों के प्रति उत्तरदायी होता है। जो प्रणाली तेज़ी से उत्तर देती है, सहजता से सहमत होती है, और प्रयास कम करती है वह उच्च रेटिंग पाएगी, और ये वही गुण हैं जिन्हें ज्ञान आधार कम productive struggle और AI-सहायता प्राप्त कार्य पर फुली हुई उपलब्धि से जोड़ता है। रिपोर्टित संतोष और मापी गई सीख एक-दूसरे के शत्रु नहीं हैं; वे बस प्रतिस्थापक नहीं हैं, और पहले को दूसरे के प्रमाण के रूप में मानना यह इस पृष्ठ द्वारा दर्ज किया गया सबसे सामान्य चूक है।

स्वयं-रिपोर्ट उपकरण को विश्वसनीय क्या बनाता है

चार गुण एक ऐसे सर्वे को अलग करते हैं जो दावे को समर्थन दे सकता है, उससे जो नहीं दे सकता।

• संरचना वैधता. यह दिखाया जाना चाहिए कि मद नामित संरचना को मापते हैं, आदर्श रूप से कारक विश्लेषण के साथ। ऊपर का समानांतर-मापन अध्ययन दोनों उपकरणों को सत्यापित करता रहा और फिर भी पाया कि वे अलग होते हैं — किसी उपकरण की वैधता यह नहीं बताती कि वह व्यवहार को कैप्चर करती है या नहीं।
• विश्वसनीयता और संरचना. कारक-सत्यापित उपकरण इस संग्रह में बार-बार आते हैं, self-determination theory पर आधारित शिक्षक AI literacy मापनों से लेकर AI-सहायता प्राप्त भाषा उपकरणों के अध्यायनों में TAM और SEM के साथ मॉडल किए गए acceptance स्केलों तक।
• अनुरूपता, जब समूहों की तुलना की जाती है. जो स्केल अलग-अलग आबादियों में अलग व्यवहार करता है वह तुलना का समर्थन नहीं कर सकता। Multigroup SEM कार्य अपने अप्रत्यक्ष प्रभावों के साथ मापन अनुरूपता परीक्षण (configural, metric, scalar) रिपोर्ट करता है, और एक स्विट्ज़रलैंड–चीन तुलना ने पाया कि केवल intrinsic value ही metric अनुरूपता तक पहुँचा, scalar अनुरूपता तक नहीं — यह सीमा कही गई है, न कि छिपाई गई, और यह इस बात को सीमित करती है कि इसके देशों के बीच के अंतरों का क्या अर्थ हो सकता है।
• जहाँ दक्षता ही संरचना हो वहाँ प्रदर्शन का विकल्प. GLAT के 20 बहुविकल्पीय मद ठीक इसलिए मौजूद हैं क्योंकि स्वयं-रिपोर्ट दक्षता के दावे को नहीं ढो सकती।

नमूनीकरण, प्रतिक्रिया और अनुत्तर

चूँकि सर्वे संचालित करने में सस्ते हैं, सामान्यीकरण दावा सामान्य रूप से नमूनीकरण समस्याओं में ही विफल होता है। यह संग्रह उन्हें स्पष्ट और शिक्षाप्रद ढंग से रिपोर्ट करता है:

• विद्यार्थियों के GenAI उपयोग का एक UK सर्वे 7 संस्थाओं पर सुविधाजनक नमूना रिपोर्ट करता है, संस्थागत प्रतिक्रिया दरें तेज़ी से भिन्न होती हैं, और गैर-प्रतिक्रिया पक्षपात सशक्त विचारों वाले विद्यार्थियों की ओर झुक सकता है — और नोट करता है कि लगभग 32% उत्तरदाताओं ने ऐसा व्यवहार वर्णित किया जो संभवतः नीति का उल्लंघन था, एक ऐसे प्रारूप में जहाँ सामाजिक वांछनीयता और संदर्भगत दबाव under-reporting को संभावित त्रुटि दिशा बनाते हैं।
• AI-सहायता प्राप्त ग्रेडिंग फीडबैक का एक अध्ययन 112 प्रतिक्रियाओं, 31% प्रतिक्रिया दर पर आधारित है।
• एक संकाय अध्ययन 572 निमंत्रित पुरस्कार प्राप्त लोगों में से 90 STEM संकाय पर आधारित है — 16%।
• एक समाजशास्त्रीय सर्वे ने 844 निमंत्रित लोगों में से 504 उत्तरदाता प्राप्त किए, और लेखक नोट करते हैं कि प्रतिक्रिया दरें प्रश्न के अनुसार भिन्न थीं।
• एक Delphi अध्ययन ने अपना पहला चक्र 17 उत्तरदाताओं के साथ पूरा किया, यह सीमा इसने स्पष्ट रूप से कही है।

स्वयं-चयन इसमें वृद्धि करता है। एक inoculation अध्ययन ने 782 प्रतिभागियों को भर्ती किया और स्वयं-रिपोर्टित ChatGPT उपयोगकर्ताओं के सुविधाजनक नमूने में से 100 वैध मामले बनाए रखे; एक भौतिकी अध्ययन में छात्रों ने स्वयं को अतिरिक्त-क्रेडिट कार्य में चुना, जो संभवतः विचारों को सहमतमत की ओर झुकाता है और संशयवादियों को बाहर करता है।

दो और स्वयं-रिपोर्ट-विशिष्ट त्रुटियाँ बार-बार आती हैं। आत्मनिरीक्षण की सीमाएँ और सामाजिक वांछनीयता पक्षपात को सहभागिता मूल्यांकन पर कार्य में और जिन अध्यायनों के गुणात्मक आँकड़े स्वयं-रिपोर्ट पर निर्भर हैं उनमें स्वयं-रिपोर्ट के आंतरिक रूप से नामित किया गया है। सामान्य-विधि विचरण तब उठता है जब भविष्यवक्ता और परिणाम एक ही समय पर एक ही उत्तरदाताओं से आते हैं: AI उपयोग और आलोचनात्मक सोच का एक moderated-mediation अध्यायन ने एक ही समय बिंदु पर उपयोग, संज्ञानात्मक भार, और self-regulated learning सभी को मानकीकृत स्वयं-रिपोर्ट उपकरणों के माध्यम से operationalize किया, और एक परिणाम के रूप में सामान्य-विधि पक्षपात उठाता है; अभिप्रेरणा और सहभागिता का एक PLS-SEM अध्यायन इसी प्रकार पूरी तरह स्वयं-रिपोर्ट पर आधारित है और अपने मध्यस्थों के बीच कालक्रमिक क्रम स्थापित नहीं कर सकता।

उपाय: गैर-स्वयं-रिपोर्ट प्रमाण जोड़ना

ज्ञान आधार के रचनात्मक उत्तर सुसंगत हैं, और उनमें से किसी के लिए भी सर्वे छोड़ने की आवश्यकता नहीं है।

• स्वयं-रिपोर्ट को trace या लॉग आँकड़ों के साथ जोड़ें. अनुकूली सीख प्रौद्योगिकी का एक 194-छात्र, आठ-सप्ताह का अध्ययन ने hierarchical linear modeling के अंतर्गत स्वयं-रिपोर्ट को trace आँकड़ों के साथ जोड़ा, और यही उसे self-regulated learning के चरणों को स्मृति के रूप में नहीं बल्कि उनके खुलते हुए रूप में देखने में सक्षम बनाया।
• जब दावा अभ्यास के बारे में हो तो अभ्यास को सीधे प्रेक्षित करें. एक screen-recorded मूल्यांकन कार्य के साथ video-stimulated साक्षात्कार ने स्वयं-रिपोर्टित AI उपयोग और प्रेक्षित अभ्यास के बीच के अंतर को पाटा, जिसमें सर्वे से असंभव metacognitive जागरूकता कैप्चर हुई।
• व्यवहार को रूब्रिक के विरुद्ध अंकित करें, उसके बारे में पूछने के बजाय। Retention कार्य अभ्यास प्रयास को interaction लॉग से व्युत्पन्न व्यवहारगत संकेतक के रूप में मानता है, स्पष्ट रूप से आंतरिक motivational अवस्था का मापन नहीं।
• त्रिकोणीकरण करें। Mixed-method डिज़ाइन और सामान्य रूप में mixed-methods research एक आँकड़ा स्रोत को दूसरे के विरुद्ध जाँचने की क्षमता के बदले नमूना आकार का व्यापार करते हैं; व्यावसायिक शिक्षा की एक व्यवस्थित समीक्षा इस असंतुलन के लिए शिक्षाप्रद है, यह नोट करते हुए कि उसके द्वारा जाँचे गए संख्यात्मक अध्यायनों में 2 केवल स्वयं-रिपोर्ट पर निर्भर थे जबकि 5 ने केवल वस्तुनिष्ठ मापनों का उपयोग किया।
• वह परिणाम मापें जिसकी आपको परवाह है। यदि दावा सीख के बारे में है, तो learning gains मापे जाने चाहिए, संतोष से अनुमानित नहीं।

स्वयं-रिपोर्ट दावे को कैसे पढ़ें

• पूछें कि यह किस प्रकार का दावा है। धारणाएँ उचित हैं; व्यवहार अनुमानित है; सीख और दक्षता इस रास्ते से पहुँच में नहीं हैं।
• जाँचें कि किसने उत्तर दिया और किसने नहीं दिया। प्रतिक्रिया दर, नमूनीकरण फ्रेम, और स्वयं-चयन यह निर्धारित करते हैं कि प्रतिशत किसका वर्णन करते हैं — किसी एक संस्थान के विद्यार्थियों का अध्ययन उस सेटिंग का वर्णन करता है, सामान्य रूप से विद्यार्थियों का नहीं।
• उपकरण जाँचें। क्या इसे इस संरचना और आबादी के लिए सत्यापित किया गया था, और यदि समूहों की तुलना की जाती है तो क्या अनुरूपता का परीक्षण किया गया था?
• एकल-स्रोत डिज़ाइनों पर नज़र रखें। यदि भविष्यवक्ता और परिणाम दोनों एक ही समय बिंदु पर एक ही प्रश्नावली से आते हैं, तो संबंध सामान्य-विधि विचरण के साथ-साथ प्रस्तावित सिद्धांत के साथ भी सुसंगत हैं।
• संतोष को डिज़ाइन संकेत के रूप में मानें, सीख के परिणाम के रूप में नहीं। उच्च संतोष के साथ अपरीक्षित सीख, AI उपकरण मूल्यांकन में मानक विन्यास है, और यह संग्रह दिखाता है कि ये दोनों अलग होते हैं।
• उन अध्यायनों को प्राथमिकता दें जो अपना काम दिखाते हैं: बताई गई प्रतिक्रिया दरें, बताई गई सीमाएँ, और प्रमाण का कम से एक स्रोत जो पूछने से नहीं आता हो।

संबंधित अवधारणाएँ

• AIEd शोध का व्याख्या और अनुप्रयोग
• शैक्षणिक मापन
• स्व-मूल्यांकन
• AIED में शोध विधियाँ
• मात्रात्मक अनुसंधान
• गुणात्मक अनुसंधान
• मिश्रित-विधियों से संशोधन
• मूल्यांकन की वैधता
• आइटम रिस्पॉन्स थ्योरी (IRT)
• AI साक्षरता
• विश्वास कैलिब्रेशन
• अधिगम लाभ
• छात्र सहभागिता
• स्व-प्रभावशीलता
• लर्निंग एनालिटिक्स

संबंधित लेख

• A Capability–Decision Model of teacher readiness for AI integration in teaching — स्वयं-रिपोर्टित AI क्षमता को प्रभावशीलता विश्वासों से अलग करने के विभेदक-वैधता मापदंड

• Agentic AI in educational environments and its association with social and motivational pathways to learning performance — एक agentic AI पथ-मॉडल में सहभागिता अनुभूत प्रदर्शन की भविष्यवाणी करती है, मापे गए प्रदर्शन की नहीं (Pramod & Patil 2026)

• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — शिक्षकों की AI literacy के समानांतर स्वयं-रिपोर्ट और वस्तुनिष्ठ मापन

• GLAT: The Generative AI Literacy Assessment Test — GLAT: स्वयं-रिपोर्ट का एक प्रदर्शन-आधारित विकल्प

• "It is a temptation to get it to do the work…" Student Experiences of Navigating the Generative AI Landscape in UK Higher Education: A Cross-Institutional Survey with International Comparison — UK संस्थानों में सर्वेक्षण किया गया छात्र GenAI उपयोग

• Toward Convergence in Student-LLM Interactions: A Rapid Scoping Review and Taxonomy for Learning-Oriented Use — यह निर्धारित करती वर्गीकरण कि आँकड़े स्वयं-रिपोर्ट से आए या लॉग से

• Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing — GenAI literacy को विशेषता देने वाले प्रक्रिया आँकड़े

• Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction — एक learner-modeling संकेत के रूप में स्वयं-रिपोर्टित उपयोग

• Predicting Student Attrition in Competitive Programming: A Large-Scale Study Integrating Survey Insights and Global Behavioral Logs — अभ्यास व्यवहार के मुकाबले स्वयं-रिपोर्टित आत्मविश्वास

• From AI Use to Critical Thinking Among Medical Students: A Moderated Mediation Perspective on Cognitive Load and Self-Regulated Learning — एक एकल-स्रोत मध्यस्थता मॉडल में सामान्य-विधि पक्षपात

• Examining the Impact of Generative AI on Student Motivation and Engagement: The Mediating Role of Autonomy-Support and Autonomous Motivation in Education — अभिप्रेरणा और सहभागिता का केवल-स्वयं-रिपोर्ट PLS-SEM

• Trust-utility gap in introductory physics education: Students' adoption, domain-specific skepticism, and preferences for AI integration — AI उपयोग और विश्वास पर 81 भौतिकी स्नातक छात्रों का सर्वे

• Summarize, elaborate, try again: exploring the effect of feedback literacy on AI-enhanced essay writing — एक स्वयं-रिपोर्ट उपाय के रूप में स्क्रीन रिकॉर्डिंग और stimulated recall

• Fostering self-regulated learning through adaptive learning technology: A differentiated perspective on the role of feedback — स्वयं-नियंत्रित सीख पर स्वयं-रिपोर्ट के साथ trace आँकड़े

• Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study — लॉग से व्युत्पन्न व्यवहारगत प्रयास संकेतक

• Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness — स्वयं-रिपोर्ट/वस्तुनिष्ठ-मापन असंतुलन रिपोर्ट करने वाली समीक्षा

• लिखाई के लिए GenAI के छात्र उपयोग और विचार — एक समाजशास्त्र विभाग में सर्वे के साथ साक्षात्कार

• Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use — Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use

• PAUSE: A Privacy-Preserving Self-Reflection Tool for AI-Associated Cognitive Offloading — PAUSE: A Privacy-Preserving Self-Reflection Tool for AI-Associated Cognitive Offloading

• Development of an AI literacy self-assessment questionnaire in upper primary school students — उच्च-प्राथमिक छात्रों के लिए एक 15-मद स्वयं-मूल्यांकन उपकरण, यह स्पष्ट करता है कि अनुभूत दक्षता क्या स्थापित कर सकती है

• Assessing teachers' AI literacy: a systematic review of measurement tools — 33 में से 31 शिक्षक AI literacy उपकरण स्वयं-रिपोर्ट और कोई भी प्रदर्शन-आधारित नहीं पाने वाली समीक्षा