सिमुलेशन

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

सिमुलेशन — सुरक्षित, दोहराए जा सकने और अक्सर अन्यथा पहुँच से बाहिर संदर्भों में अभ्यास और प्रतिपुष्टि के माध्यम से सीखने को बढ़ावा देने के लिए मॉडल किए गए वातावरण, एजेंट या परिदृश्यों का उपयोग। सिमुलेशन शिक्षार्थियों को कार्य करने, त्रुटियाँ करने और वास्तविक-दुनिया की लागत के बिना परिणाम देखने देती हैं, और ये तेज़ी से AI तथा एजेंट-आधारित मॉडलिंग से संचालित होती जा रही हैं।

विचार करने योग्य प्रश्न

• किसी ऐसे समय को याद कीजिए जब आपने किसी सुरक्षित, कम-जोखिम वाले वातावरण में — प्रयोगशाला, मॉक अभ्यास, उड़ान या खेल सिमुलेटर में — कुछ करके सीखा। उस अभ्यास को प्रभावी किसने बनाया, और अगर सिमुलेशन बहुत अधिक यथार्थपूर्ण या पर्याप्त यथार्थपूर्ण न होती तो क्या खो सकता था?
• यह पेज तर्क देती है कि सिमुलेशन शिक्षार्थियों को त्रुटियाँ करने और 'वास्तविक-दुनिया की लागत के बिना' परिणाम देखने देती हैं। आपके विचार में जब किसी गलती की लागत लगभग शून्य हो जाती है तो क्या प्राप्त होता है और क्या खो सकता है?
• यदि कोई AI रोगियों, विद्यार्थियों या संवाद साथियों का अभ्यास के लिए अनुकरण कर सकता है, तो मूल्यवान अभ्यास और ऐसे अभ्यास के बीच जो वास्तविक मानवीय संवाद में स्थानांतरित नहीं होते, रेखा आप कहाँ खींचेंगे?
• किसी सिमुलेशन की सीमाओं के बारे में शिक्षार्थी की जागरूकता — उसकी विश्वसनीयता — यह कि वह यथार्थ को कितनी वफादारी से मॉडल करती है, उससे क्यों उतनी ही महत्वपूर्ण हो सकती है?
• ऐसी ही सिमुलेशन प्रौद्योगिकी जो किसी को सीखने में मदद करती है, वह उसे गुमराह कैसे भी कर सकती है, और इन दोनों परिणामों को अलग करने के लिए आपको क्या जानना होगा?

परिचय

सिमुलेशन अनुभवजन्य और सक्रिय अधिगम (Active Learning) शिक्षाशास्त्र के केंद्र में स्थित है। यह कौशल और निर्णय-क्षमता बनाने वाले जानबूझकर किए गए अभ्यास, उत्पादक विफलता, और प्रतिपुष्टि चक्र प्रदान करती है। AI ने सिमुलेशन को दो तरीकों से बदला है: यह अधिक यथार्थपूर्ण और अनुकूली सिमुलेटेड वातावरणों को संचालित करती है, और यह अनुकरणित शिक्षार्थियों, रोगियों या संवाद साथियों को उत्पन्न करती है जिससे अभ्यास स्केलेबल बनता है। व्यवहारगत साक्ष्य दिखाते हैं कि शिक्षार्थी सिमुलेशन के साथ कैसे जुड़ते हैं यह एकसमुत रूप से नहीं बल्कि व्यवस्थित रूप से भिन्न होता है: VERA में पारिस्थितिकी मॉडल बनाने वाले ऑनलाइन शिक्षार्थियों को ट्रेस करते हुए, An, Hammock और Goel (2025) ने सहभागिता को अवलोकन (बार-बार चलाना और पैरामीटर समायोजन, बिना मॉडल निर्माण के), निर्माण (हाथों से निर्माण, बिना सिमुलेशन के), और अन्वेषण (पूर्ण निर्माण–पैरामीटर–सिमुलेट चक्र) में वर्गीकृत किया, जिसमें अन्वेषकों ने सबसे जटिल और विविध मॉडल बनाए और अवलोकन-प्रधान शिक्षार्थियों ने बड़े पैमाने पर मौजूदा मॉडलों की नकल की — यह उन सिमुलेशन वातावरणों को डिज़ाइन करने का तर्क है जो शिक्षार्थियों को पूर्ण-चक्र गतिविधि की ओर धकेलें।

AI और सिमुलेशन

• AI-संचालित वातावरण: अनुकूली सिमुलेशन किसी शिक्षार्थी की स्थिति के अनुसार कठिनाई और परिदृश्यों को समायोजित करती हैं, जो अनुकूली अधिगम और रीनफ़ोर्समेंट लर्निंग-आधारित कोचिंग से जुड़ती हैं।

• प्रॉम्प्ट से उत्पन्न सिमुलेशन एक अनुरूप प्रयोगशाला पहुँच में लाती हैं। प्रशिक्षक किसी पुन: प्रयोज्य प्रॉम्प्ट टेम्पलेट से उस विषय के ब्राउज़र-चलित मॉडल बना सकते हैं जिसकी किसी पाठ्यक्रम को ज़रूरत है (स्लाइडर, एनिमेशन, समय-निर्भर ग्राफ), और प्रत्येक को दो बार सत्यापित कर सकते हैं — पहले तकनीकी रूप से, फिर ज्ञात विश्लेषणात्मक समाधान के विरुद्ध — न कि निकटतम प्रकाशित सिमुलेशन को स्वीकार करते हैं (Ben-Zion और सहयोगी, 2025)।

• मानव प्रतिपक्ष को स्वचालित बनाना। Chew और सहयोगी (2026) यातायात नियंत्रण सिमुलेशनों में लगे विशेषज्ञ मानव रोल-प्लेयरों की जगह स्वायत्त LLM सिम-पायलट रखते हैं, जिससे प्रशिक्षण-क्षमता की अवरोध हटती है; उनकी फ़ाइन-ट्यून की गई वाणी पाइपलाइन ने सिंगापुरीय-उच्चारित विमानन वाणी पर शब्द त्रुटि दर को 107.80% से घटाकर 23.45% कर दिया, हालाँकि सभी मूल्यांकन घटक-स्तरीय थे और किसी प्रशिक्षार्थी समूह पर नहीं चले।

• प्रशिक्षण साथी के रूप में प्रतिपक्षी सिमुलेटर। ResidencyRL (Liévin और सहयोगी, 2026) एक नीति एजेंट को 57,000-केस परिदृश्य पाइपलाइन में प्रतिपक्षी रूप से व्यवहार करने के लिए बनाइ गई LLM रोगी-सिमुलेटर से जोड़ता है; इनके विरुद्ध प्रशिक्षण से लाल झंडे मिस करने की दर लगभग एक-तिहाई घटी, और अंधे नैदानिक विशेषज्ञों ने 87.6% पक्ष-दर-पक्ष तुलनाओं में प्रशिक्षित एजेंट को प्राथमिकता दी।

• अनुपस्थित केस स्थितियों को स्पष्ट रूप से एन्कोड करें। एक बहु-एजेंट मानकीकृत-रोगी प्रणाली इरादा पहचान, केस-आधारित प्रतिक्रिया उत्पादन और सत्र-बाद मूल्यांकन को अलग रखती है, और अनुपस्थित सूचना की चार किस्मों — नैदानिक रूप से नकारात्मक, रोगी को अज्ञात, अभी निर्धारित नहीं, और केस में अनुपस्थित — के बीच भेद करती है, क्योंकि इन्हें "सामान्य" में समेटने से असमर्थित नैदानिक तथ्य शामिल हो जाते हैं (Gao और सहयोगी (2026))।

• अनुकरणित एजेंट: AI रोगियों (चिकित्सा प्रशिक्षण के लिए), विद्यार्थियों (शिक्षक अभ्यास के लिए), या संवाद साथियों का अनुकरण कर सकती है, जिससे उच्च-जोखिम वाला व्यक्तिगत अभ्यास सुलभ और दोहराए जा सकने योग्य बनता है। शिक्षक शिक्षा में, Zhuang और Zhang (2025) ने Student GPT बनाया, एक अनुकूलित ChatGPT चैटबॉट जिसने सामान्य अनुपात-तर्क भ्रांतियों रखने वाले माध्यमिक विद्यालय के एक विद्यार्थी की भूमिका निभाई, जिससे अभ्यासी गणित शिक्षकों को विद्यार्थी की सोच का निदान करने का सस्ता, विषय-विशिष्ट अभ्यास मिला — और अनुकरणित विद्यार्थी की रोल-प्ले ताकतों (स्पष्टता, प्रासंगिकता, त्रुटि संगति) और प्रामाणिकता कमज़ोरियों (शिक्षक-जैसा लहज़ा, भूमिका भ्रम) का व्यवस्थित आकलन करने के लिए एक भावनात्मक, संवादात्मक, तकनीकी (ACT) कोडिंग ढाँचा प्रयोग किया।

• प्रतिवादी इतिहास को प्रथम-श्रेणी की विशेषता बनाएँ। SupplyNet के संदर्भगत बहु-एजेंट LLM एजेंट शिक्षार्थी निर्णयों से उभरती हुई आपूर्ति-श्रृंखला गतिशीलता उत्पन्न करते हैं, न कि पूर्व-निर्धरित, और इसकी शाखित समयरेखा शिक्षार्थियों को बिना दंड के पहले के विकल्पों पर लौटने देती है — 14 में से 13 प्रतिभागियों ने निर्णयों को प्रदर्शन से जोड़ने में इसे बेसलाइन के 3 के मुकाबले अत्यधिक मूल्यवान बताया (Li और सहयोगी (2026))।

• आधारित गतिशीलता, प्रॉम्प्ट किया गया व्यक्तित्व नहीं। Chen और सहयोगी (2026) ने एक आभासी रोगी के प्रकटीकरण की गतिशीलता को लगभग 2,000 घंटे के वास्तविक मनोचिकित्सा प्रतिलेखों से पैरामीटर बनाया, फिर प्रत्येक चक्र में स्तर अद्यतन किया; 20 नैदानिक विशेषज्ञों के साथ 1,033 चक्रों में इसका प्रकटीकरण चिकित्सक के सहानुभूति और अन्वेषण के साथ बढ़ा जबकि उसी LLM पर प्रॉम्प्ट-मात्र बेसलाइन सपाट रही।

• रोल-प्ले शिक्षार्थी को भूमिका में रखता है। जहाँ अनुकरणित एजेंट प्रतिपक्ष प्रदान करते हैं, वहाँ रोल-प्ले शिक्षार्थी को वही भूमिका देता है। Sanoubari और सहयोगी (2026) ने 9-10 वर्ष के 18 बच्चों को सामाजिक रोबोट द्वारा अभिनीत एक धमकी दृश्य देखाया, प्रत्येक पात्र की स्थिति के बारे में सोचने के लिए कहा, फिर एक रोबोटिक अवतार को पपेटियर करके बचाव का अभ्यास कराया, और बचाव के लिए स्व-प्रभावकारिता में वृद्धि तथा इस बारे में बेहतर-अंशांकित मान्यताएँ बताईं कि किसी धमकी देने वाले का सामना करना वास्तव में उसे रोकता है या नहीं। उनका ढाँचा, रोबोट-मध्यस्थ अनुप्रयुक्त नाटक, Forum Theatre की भूमिका में एक मानव सुविधाकर्ता रखता है और स्वचालन को कथात्मक नियंत्रण तक सीमित रखता है, जो एक उपयोगी स्मरण है कि रोल-प्ले का मांगपूर्ण भाग चिंतन है, यंत्रवत नहीं। Lock, Arteaga और Johnson (2025) रोल-प्ले को उन रणनीतियों के साथ रखते हैं जिन पर AI-समर्थित ऑनलाइन शिक्षा टिकी है।

• अनुकरणित शिक्षार्थी: विद्यार्थी व्यवहार के मॉडल शोधकर्ताओं और डिज़ाइनरों को पाठ्यक्रम तथा ट्यूटरिंग प्रणालियों को सजीव परिनियोजन से पहले परखने देते हैं, जो शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण और ज्ञान अनुरेखण को आधार देते हैं।

• विश्वास और वफादारी: किसी सिमुलेशन का मूल्य इस बात पर निर्भर करता है कि वह वास्तविक संदर्भ को कितनी वफादारी से मॉडल करती है — और शिक्षार्थी की उसकी सीमाओं के प्रति जागरूकता पर, जो विश्वास कैलिब्रेशन से जुड़ता है।

• मानव-समानता संवाद की गुणधर्म है, मॉडल की नहीं। जब दोनों बैकएंड को एक ही अवतार के पीछे प्रस्तुत किया गया, तो पाठ-आधारित मानव-समानता का लाभ गायब हो गया: प्रतिभागियों ने व्यावसायिक मॉडल को स्वाभाविक बताया (54% बनाम 22%) जबकि संवाद प्रदर्शन समान था; वाणी, विलंब और बारी-लेने ने एक ही संवाद गुणवत्ता की धारणा को नया रूप दिया (Hasan और सहयोगी (2026)।

• सिमुलेशन-आधारित शिक्षा में GenAI। Neto और सहयोगी (2026) स्वास्थ्य शिक्षा में परिदृश्य-, केस-, समस्या- और सिमुलेशन-आधारित शिक्षा में GenAI का व्यवस्थित समीक्षा करते हैं, और उच्च-स्तरीय संज्ञानात्मक कौशलों के लिए सकारात्मक परिणाम पाते हैं लेकिन अन्यत्र असंगत परिणाम, जहाँ संकर मानव-AI सहयोग पूर्ण स्वचालित दृष्टिकोणों से बेहतर प्रदर्शन करता है। Wenzel, Geiger और Liening (2026) व्यापार सिमुलेशन खेलों में अनुकूली सहायता के लिए AI संवादी एजेंट विकसित करते हैं, जो सिमुलेशन-आधारित शिक्षा में सीमित रूपरेखा प्रतिपुष्टि और संरचित चिंतन की सामान्य कमी को संबोधित करता है।

• "प्रामाणिकता अंतर" यह सीमित करता है कि AI सिमुलेशन क्या बदल सकती है। नैदानिक सिमुलेशन में, Jiang और सहयोगी (2026) का AI-संचालित नर्सिंग सिमुलेशन (19 अध्ययन, N=1,253) का मिश्रित-पद्धति व्यवस्थित समीक्षा AI को संज्ञानात्मक ज्ञान और भावनात्मक परिणामों के लिए प्रभावी पाता है लेकिन जटिल मनो-गतिक कौशलों के लिए असंगत। उनकी प्रामाणिकता अंतर की अवधारणा — भावनात्मक अनुनाद, अशाब्दिक संकेत पहचान और स्पर्श/शारीरिक परीक्षा आयामों में शिक्षार्थी-कल्पित अभाव — यह समझाती है क्यों AI सिमुलेशन अत्यधिक संरचित उद्देश्यों (आधारभूत संवाद, इतिहास लेना) के लिए सर्वोत्तम है और एक चरणबद्ध सिमुलेशन क्रम में स्थित होनी चाहिए जो उन्नत मनो-गतिक और भावनात्मक रूप से जटिल परिदृश्यों को मानव-मानकीकृत रोगियों और नैदानिक प्रशिक्षण-स्थल पर सौंपता है। तकनीकी अस्थिरता (जैसे, वाणी-पहचान विलंब) अतिरिक्त संज्ञानात्मक भार और चिंता भी जोड़ सकती है, इसलिए वफादारी और स्थिरता स्वयं डिज़ाइन लीवर हैं। यह Neto और सहयोगियों के उस निष्कर्ष के समानांतर है कि संकर मानव–AI दृष्टिकोण पूर्ण स्वचालित दृष्टिकोणों से बेहतर हैं।

• शिक्षक-AI सह-डिज़ाइन की गई सिमुलेशन। ऐसी इंटरैक्टिव सिमुलेशन जो संकल्पनात्मक सीख और क्षमता विकास दोनों का समर्थन करें, हाथों-से-काम वाले क्षेत्रों में दुर्लभ हैं, और GenAI उत्पादन में अक्सर शिक्षाशास्त्रीय वैधता नहीं होती। ड्रोन-आधारित STEM शिक्षा में, अन्यथा समान हाथों-से-काम पाठ्यक्रम में सम्मिलित शिक्षक-AI सह-डिज़ाइन की गई सिमुलेशन का मूल्यांकन 30 माध्यमिक विद्यार्थियों पर अर्ध-प्रायोगिक प्रीटेस्ट–पोस्टटेस्ट डिज़ाइन से किया गया, जिससे यह जाँचा गया कि सिमुलेशन-समर्थित शिक्षण क्या उच्च सीखने के परिणाम देती है (From simulation to flight: Simulation-assisted drone learning with teacher-AI co-designed scaffolds for secondary students' STEM knowledge and competencies)। अलग से, बहु-एजेंट ट्यूटरिंग बेंचमार्क जैसे ASTRA प्रारंभिक प्रोग्रामिंग में सहभागिता-संतुलित सहयोग का अध्ययन करने के लिए अनुकरणित सामाजिक रूप से बुद्धिमान एजेंटों का उपयोग करते हैं (ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring)।

• सिमुलेशन में शिक्षार्थी नियंत्रण क्रियान्वित होती है, प्रदान नहीं। एक झुंड सिमुलेशन में 2 × 2 प्रयोग (Su, Nair और Nagashima 2026) ने कुछ विद्यार्थियों को पैरामीटर स्लाइडर, कुछ को एक वैकल्पिक संवादी एजेंट और कुछ को दोनों दिए; प्रत्येक स्थिति में सुधार हुआ, लेकिन पूर्व ज्ञान को नियंत्रित करने के बाद किसी भी सुविधा ने विश्वसनीय अंतर नहीं दिखाया (p = .849 और p = .108)। लाभ की भविष्यवाणी जिससे हुई वह था कि शिक्षार्थियों ने पैरामीटर कहाँ और कितनी देर बदले: सबसे अधिक संकल्पनात्मक रूप से जटिल पाठ में स्लाइडर का निरंतर उपयोग लाभ से सकारात्मक रूप से जुड़ा था, और सरल पाठ में वही व्यवहार नकारात्मक। सिमुलेशन निर्माताओं के लिए निहितार्थ यह है कि नियंत्रण देना ही हस्तक्षेप नहीं है — शिक्षार्थियों को यह तय करने में मदद करना कि क्या बदलना है, और क्या बदला उसे दर्ज करना, वही है।

• डिजिटल ट्विन एक सिमुलेशन है जिसका हार्डवेयर बिल होता है, और बिल यह तय करता है कि कौन भाग ले सकता है। इंजीनियरिंग और STEM उच्च शिक्षा में डिजिटल ट्विन के 11 अध्ययनों के एक व्यवस्थित समीक्षा से पता चला कि प्रत्येक क्रियान्वयन ने रीयल-टाइम सिंक्रनाइज़ेशन के साथ एक कार्यशील प्रोटोटाइप दिया, फिर भी केवल तीन ने सांख्यिकीय रूप से सार्थक सीखने के लाभ दर्ज किए। पाँच अध्ययनों में भौतिक उपकरणों ने एक साथ 1–3 विद्यार्थियों तक पहुँच सीमित की, और सामाजिक संवाद में कमी सबसे अधिक उद्धृत शिक्षाशास्त्रीय चुनौती थी, छह अध्ययनों में (Pelayo-González और सहयोगी (2026)।

संबंध

सिमुलेशन सक्रिय अधिगम (Active Learning), अनुकूली अधिगम, और शिक्षाशास्त्रीय एजेंट से जुड़ती है। यह अनुभवजन्य और कंस्ट्रक्टिविज़्म सीखने की एक क्रियाविधि है और अनुकूली, यथार्थपूर्ण अभ्यास वातावरण उत्पन्न करने की AI की क्षमता से बढ़ती है।

संबंधित अवधारणाएँ

• सक्रिय अधिगम (Active Learning)
• अनुकूली अधिगम
• शिक्षाशास्त्रीय एजेंट
• रीनफ़ोर्समेंट लर्निंग
• शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण
• कंस्ट्रक्टिविज़्म
• विश्वास कैलिब्रेशन
• कार्यस्थल पर सीख
• रसायन शिक्षा — रसायन शिक्षा और AI: प्रयोगशालाएँ, रूपरेखा मूल्यांकन, LLM सीमाएँ, प्रयोग का दर्शन
• जैव शिक्षा — जीव विज्ञान शिक्षा और AI: प्रयोगशाला शिक्षण सहायक, जीव विज्ञान में AI साक्षरता, आलोचनात्मक सोच, विशेष उपकरण
• प्रौद्योगिकियाँ — छत्र: AI प्रौद्योगिकियाँ और तकनीकें (मॉडल, LLM प्रशिक्षण, रोबोटिक्स, RAG, एजेंटिक)
• वर्चुअल और ऑगमेंटेड रियलिटी (VR/AR) — मॉडल, माध्यम नहीं — इमर्सिव वातावरण आमतौर पर किसी सिमुलेशन को प्रस्तुत करते हैं

संबंधित लेख

• Exploring learner agency in an AI-supported simulation environment for complex systems education — जटिल-प्रणाली सिमुलेशन में पैरामीटर नियंत्रण और एक वैकल्पिक AI एजेंट: लाभ ने क्रियान्वयन को ट्रैक किया, पहुँच को नहीं
• Leveraging AI for Rapid Generation of Physics Simulations in Education: Building Your Own Virtual Lab
• The Empirically Grounded Adaptive Virtual Patient for Psychotherapy Training: Disclosure That Responds to Therapist — मनोचिकित्सा प्रशिक्षण के लिए अनुकूली आभासी रोगी
• AI-Enabled Serious Games: Integrating Intelligence and Adaptivity in Training Systems — AI-सक्षम गंभीर खेल
• ANVIL: Analogies and Videos for Lecturers — ANVIL: व्याख्याताओं के लिए सादृश्य और वीडियो
• ASTRA: A Scalable Next-Generation ATCO Training Simulator with Autonomous Simpilots — ASTRA: ATCO प्रशिक्षण सिमुलेटर
• SupplyNet: Supporting Visual Exploratory Learning in Supply Chain via Contextual Multi-Agent Simulation — SupplyNet: दृश्य अन्वेषणात्मक सीख
• MedEasy: Designing AI Standardized Patients for Clinical Consultation Training — MedEASY: AI मानकीकृत रोगी
• Play-Testing REMind: Evaluating an Educational Robot-Mediated Role-Play Game — उपद्रक्ष्टा हस्तक्षेप के लिए रोबोट-मध्यस्थ रोल-प्ले खेल (अनुप्रयुक्त नाटक)
• ResidencyRL: Reinforcement Learning in Simulated Clinical Environments
• Generative AI in Scenario-Based Healthcare Education: A Systematic Review of Applications, Validation Practices, and Pedagogical Integration — परिदृश्य-आधारित स्वास्थ्य शिक्षा में GenAI का व्यवस्थित समीक्षा (Neto और सहयोगी 2026)
• Designing Conversational Agents for Adaptive Instructional Support in Business Simulation Gaming — व्यापार सिमुलेशन खेलों में AI संवादी एजेंटों के लिए CAIS-GBL ढाँचा (Wenzel और सहयोगी 2026)
• Modelling Individual Participants as LLM Agents in Collaborative Problem Solving Simulations — सहयोगपूर्ण समस्या-समाधान संवादों को पुनरुत्पादित करने वाले फ़ाइन-ट्यून प्रतिभागी-विशिष्ट LLM एजेंट (Fang 2026)
• ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring — बहु-एजेंट ट्यूटरिंग और सहभागिता-संतुलित सहयोग के लिए ASTRA संश्लेषित बेंचमार्क
• From simulation to flight: Simulation-assisted drone learning with teacher-AI co-designed scaffolds for secondary students' STEM knowledge and competencies — शिक्षक-AI सह-डिज़ाइन किए गए स्कैफ़ोल्ड के साथ सिमुलेशन-सहायित ड्रोन सीख
• How Online Learners Engage in Self-Directed Modeling: A Behavioral Analysis
• Integrating ChatGPT in Mathematics Teacher Education: AI-Based Simulation Role-Playing to Support Practice-based Teaching
• AI-Powered Simulation for Nursing Education: Mixed Methods Systematic Review — नर्सिंग में AI-संचालित सिमुलेशन: मिश्रित पद्धति व्यवस्थित समीक्षा (प्रामाणिकता अंतर, चरणबद्ध क्रम)
• Scalable AI-based clinical communication training and automated assessment — स्केलेबल AI-आधारित नैदानिक संवाद प्रशिक्षण और स्वचालित मूल्यांकन
• Digital Twins in STEM Education: A Systematic Review — STEM शिक्षा में डिजिटल ट्विन: सभी प्रोटोटाइप काम करते थे, सीखने के लाभ ज़्यादातर नहीं