सकरात पद्धति

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

सकरात पद्धति — एक पैडोगॉजिकल दृष्टिकोण जो सीधे निर्देश के बजाय निर्देशित प्रश्नपूछक और संवाद में निहित है, और जिसे अब जनरेटिव AI ट्यूटरिंग सिस्टमों के लिए अनुकूलित किया जा रहा है। AI in education में, सकरात पद्धति का संचालन LLMs के माध्यम से होता है जो खोजबीन प्रश्न पूछते हैं, तर्क को स्कैफोल्ड करते हैं, और सीधे उत्तर देने से बचते हैं — जिसका उद्देश्य गहरी समझ और उत्पादक संघर्ष को बढ़ावा देना है, केवल उत्तर लाना नहीं।(Analyzing Undergraduate Problem-Solving in Physics Through Interaction With an AI Chatbot)(Critical AI Tutors: Empower or Enslave?)

विचार करने योग्य प्रश्न

• किसी ऐसे समय के बारे में सोचिए जब एक शिक्षक (या मित्र) ने आपके प्रश्न का उत्तर एक और प्रश्न से दिया और उससे वास्तव में आपके सोचने में मदद मिली। उसे क्या काम कराया, और यह कब केवल निराशाजनक या टालमटोल लगा?
• सकरात दृष्टिकोण 'उत्पादक संघर्ष' को उत्तेजित करने के लिए सीधे उत्तर देने से बचता है। क्या आप मानते हैं कि गहरी सीखने के लिए संघर्ष आवश्यक है, या कभी-कभी यह केवल अनावश्यक अड़चन होता है — और आप इनमें अंतर कैसे बताएँगे?
• एक AI सकरात ट्यूटर को यह तय करना होगा कि कब मार्गदर्शन करे, कब संकेत दे, और कब सीधा उत्तर दे — छात्र के वास्तविक-समय संकेतों के आधार पर। आपके अनुसार एक सिस्टम (या एक मनुष्य) किसी दिए गए क्षण में कौन-सा कदम उठाए यह कैसे जानता है?
• पृष्ठ बताता है कि एक निराश छात्र को सकरात प्रश्नपूछक में लौटने से पहले एक संक्षिप्त सीधा उत्तर चाहिए हो सकता है। आपके अनुसार इससे केवल-प्रश्न वाले एकमापी दृष्टिकोण की सीमाओं के बारे में क्या संकेत मिलता है?
• यदि केवल प्रश्न पूछने वाला एक चैटबॉट मापने योग्य तर्कात्मक लाभ पैदा कर सकता है, तो एक मानव मेंटर के साथ मूल सकरात संवाद की तुलना में क्या हानि हो सकती है — और क्या लाभ मिल सकता है?

परिचय

सकरात पद्धति सबसे पुरानी शैक्षणिक तकनीकों में से एक है — जो प्राचीन एथेंस में सुकरात के साथ उत्पन्न हुई — और जनरेटिव AI के युग में इसे नई प्रासंगिकता मिली है। AI शिक्षा शोध में, सकरात पद्धति का अर्थ AI सिस्टम हैं जो छात्रों को निर्देशित संवाद के माध्यम से जोड़ते हैं, ऐसे प्रश्न रखते हैं जो छात्रों को सीधे उत्तर देने के बजाय उत्तर खोजने की ओर ले जाएँ। उत्तर देने के बजाय संरचित प्रश्न पूछना गहरी सीखने के सबसे मजबूत शैक्षणिक स्कैफोल्ड में से एक है; जब इसे AI के माध्यम से स्वचालित किया जाता है, तो यह मापने योग्य तर्कात्मक लाभ पैदा करता है लेकिन छात्रों को निराश करने या मानव मेंटरशिप को विस्थापित करने से बचने के लिए सावधानीपूर्वक अंशांकन भी आवश्यक होता है।(Analyzing Undergraduate Problem-Solving in Physics Through Interaction With an AI Chatbot)(Critical AI Tutors: Empower or Enslave?)

सकरात और निर्देशात्मक फीडबैक अलग-अलग चीज़ें बढ़ाते हैं: सकरात फीडबैक ने समझ-निगरानी और कार्य-उन्मुखीकरण बढ़ाया, निर्देशात्मक फीडबैक ने आवश्यक विशेषताओं के प्राथमिकताकरण में बेहतर स्कोर किया, और केवल निर्देशात्मक परिस्थिति में ही अनुकूलित एजेंट से लाभ हुआ (Han et al. (2026)).

AI ट्यूटरिंग में यह कैसे काम करता है

सीधे निर्देश वाले AI ट्यूटर जो उत्तर देते हैं, उनके विपरीत सकरात AI ट्यूटर प्रश्न-क्रमों का उपयोग करते हैं जो:

• पूर्व ज्ञान को उजागर करते हैं — यह पूछते हुए कि छात्र किसी विषय में पहले से क्या जानता है
• तर्क की जाँच करते हैं — "आप ऐसा क्यों सोचते हैं?" या "परिस्थिति अलग होती तो क्या होता?"
• एआई के बारे में गलतफहमियाँ को उजागर करते हैं — सावधानी से चुने गए प्रतिउदाहरणों के माध्यम से
• अंतर्दृष्टि की ओर मार्गदर्शन करते हैं — उत्तर खोले बिना

सकरात दृष्टिकोण EduQwen के सिद्धांत को सीधे उदाहरण देता है: "उत्तर देने" के विपरीत "मार्गदर्शन करने" को पुरस्कृत करना। हालाँकि, वास्तविक-समय सकरात अंशांकन कागज़ी-बेंच पैडोगॉजी से कठिन है: EduQwen एक बहुविकल्पीय बेंचमार्क पर सही मार्गदर्शन के लिए अनुकूलित करता है, जबकि एक जीवित सकरात ट्यूटर को यह तय करना होता है कि कब मार्गदर्शन करे, कब संकेत दे, और कब उत्तर दे — वास्तविक-समय छात्र संकेतों के आधार पर। भावनात्मक स्थिति एक महत्वपूर्ण मध्यस्थ है: एक निराश छात्र को सकरात मोड में लौटने से पहले एक संक्षिप्त सीधा उत्तर चाहिए हो सकता है।

प्रभावशीलता के प्रमाण

एक बड़े नामांकन के परिचयात्मक मैकेनिक्स पाठ्यक्रम (150 प्रथम-वर्षीय STEM प्रमुख विषयों के छात्र) में तैनात एक कस्टम सकरात AI चैटबॉट ने मापने योग्य तर्कात्मक लाभ उत्पन्न किए:

व्याख्या: छात्रों ने अस्पष्ट, सामान्य प्रश्नों से शुरुआत की लेकिन सकरात संवाद के माध्यम से उन्हें क्रमिक रूप से निखारा — यह विशेषज्ञ-जैसे तर्क के विकास का एक स्पष्ट संकेतक है। प्रश्न-विशिष्टता और स्व-रिपोर्टेड अपेक्षित अंक के बीच सकारात्मक सहसंबंध यह संकेत देता है कि बेहतर प्रश्न पूछना सीखना स्वयं ही एक डोमेन कौशल है।

प्रभावशीलता की खाई

"ज्ञान-आधारित कौशल" (4.0/5) और "समग्र प्रभावशीलता" (3.4/5) के बीच की खाई एक तनाव की ओर संकेत करती है: छात्र यह पहचानते हैं कि सकरात बॉट ने उनके तर्क में सुधार किया, फिर भी उसे एक संपूर्ण ट्यूटरिंग समाधान के रूप में पूरी तरह नहीं मानते। संभावित कारण:

• सकरात संवाद प्रयाससाध्य है; छात्र दक्षता के लिए सीधे उत्तरों को प्राथमिकता दे सकते हैं
• चैटबॉट मानव ट्यूटर के संबंधगत समर्थन प्रदान नहीं कर सकता
• कुछ छात्र बिना समाधान के सकरात चक्रों में फँस सकते हैं

एक प्रतिकूल निष्कर्ष: असीमित पहुँच प्रतिबंधित मोडों से बेहतर प्रदर्शन कर सकती है

सभी प्रमाण AI को प्रतिबंधित करने के पक्ष में नहीं हैं। Socrates went Nuclear (Clin Deffarges, Kosmyna & Maes, 2026) — 50 प्रतिभागियों का एक यादृच्छिक EEG अध्ययन जो एक असीमित ChatGPT-शैली बॉट, एक सकरात केवल-संकेत मोड, और एक अनुकूली प्रश्न-सीमित मोड की तुलना एक परमाणु-सुरक्षा सीखने के कार्य पर करता है — ने पाया कि असीमित चैटबॉट ने दोनों प्रतिबंधित मोडों की तुलना में अधिक सीखने का लाभ दिया (p < .03, d > 0.80) — यद्यपि अनुकूली परिस्थिति ने EEG-मापित संज्ञानात्मक संलग्नता का उल्लेखनीय रूप से अधिक स्तर उत्पन्न किया (p = .018)। यह परिणाम इस धारणा को जटिल बनाता है कि शैक्षणिक रूप से प्रतिबंधित (सकरात) संवाद सदैव गहरी सीखने का लाभ देता है: अल्पकालिक तथ्यात्मक अधिग्रहण पर मुक्त पहुँच जीती, जबकि पहुँच प्रतिबंधित करने से मापी गई संज्ञानात्मक संलग्नता बढ़ी लेकिन वह तत्काल पोस्ट-टेस्ट लाभ में नहीं बदली। यह ऊपर के मजबूत सीखने-के-परिणाम निष्कर्षों के साथ एक उपयोगी अंशांकन बिंदु है: प्रतिबंध संलग्नता बढ़ा सकते हैं, लेकिन संलग्नता-से-अवधारण में अनुवाद स्वचालित नहीं है, और अति-प्रतिबंध उत्तर चाहने वाले छात्रों को केवल निराश कर सकता है।

प्रतिबंध के पक्ष में सबसे मजबूत कारणात्मक समर्थन विपरीत दिशा में इशारा करता है: एक K-12 समीक्षा में, एक सामान्य-उद्देश्य चैटबॉट का उपयोग करने वाले उच्च विद्यालय के छात्रों ने बंद-पुस्तक अंतिम परीक्षाओं में बिना AI पहुँच वाले सहपाठियों से लगभग 17% कम स्कोर किया, जबकि क्रमिक संकेतों और सीधे उत्तर देने से इनकार वाले एक ट्यूटरिंग-विशिष्ट बॉट ने इस गिरावट को कम किया (Stanford SCALE Initiative (2026)).

• पूर्ण संदर्भ वाला एक सकरात ट्यूटर को चार में सबसे खराब रेटिंग मिल सकती है। 132 परिचयात्मक Python छात्रों के एक 2×2 यादृच्छिक परीक्षण में, पूर्ण प्रॉब्लम संदर्भ के साथ सकरात प्रश्नपूछक का उपयोग करने वाला GPT-4o सहायक ने कार्य पूर्णता के समर्थन पर निर्देशात्मक और बिना-संदर्भ वेरिएंट्स से कम स्कोर किया (माध्य रैंक 48.63, μ = 3.53) (χ²(3) = 12.14, p = .007), संवादी तनाव और बाहरी LLM उपयोग में सबसे ऊँची प्रवृत्ति दिखाई (समग्र 15% के मुकाबले 23%), और सबसे कम पूर्ण-समझ पोस्ट-कार्य व्याख्याएँ उत्पन्न कीं (48%)। सकरात परिस्थितियों ने अधिक क्वेरी भेजीं (बिना संदर्भ के प्रति प्रॉब्लम μ = 11.1), जिन्हें Eastwood et al. (2026) ने रोके गए उत्तरों के अतिरिक्त आने-जाने को बाध्य करने के रूप में पढ़ा, न कि उत्पादक संघर्ष के रूप में।

नैदानिक-साक्षात्कार प्रशिक्षण में, MeduAI-SP परीक्षण (Yang et al., 2026) ने ट्यूटर एजेंट को केवल चिह्नित आवश्यकता पर सकरात प्रॉम्प्ट दिए — प्रमुख इतिहास का अभाव, समय से पहले समापन, संवादगत गतिरोध, या संचार विघ्न — उन्हें विचारमूलक प्रश्नों के रूप में प्रस्तुत किया, जैसे कि सङ्ग्रहीत जानकारी नेतृत्वकर्ता निदान का समर्थन करने के लिए पर्याप्त थी या नहीं। इस सकरात स्कैफोल्डिंग के तहत प्रशिक्षित छात्रों ने प्रेक्षणीय "सहानुभूति व्यक्त करना" चेकलिस्ट मद पर 31 प्रतिशत-अंक अधिक स्कोर किया (Holm-संशोधित P = 8.30e-4) और 1–5 OSCE संचार डोमेन में 0.90 अंक अधिक (P = 4.50e-4), जो उत्तर-न-देने वाले प्रश्नपूछक को मापने योग्य रोगी-केंद्रित संचार लाभों से जोड़ता है, निदानात्मक सटीकता से नहीं (84% बनाम 86%; P = 1.000)।

निष्ठा केवल विन्यास से गारंटी नहीं है: एक उद्देश्य-विन्यस्त ISLE सुविधाकर्ता ने उस परीक्षण-से-पूर्व-पूर्वानुमान क्रम को पुनर्स्थापित किया जिसे छात्रों ने उलट दिया था, फिर भी "बस हमें बताइए" कहकर दबाऊ जाने पर कि कौन-सी डिब्बा अधिक वजनी थी, उसने ऐसे द्रव्यमान मान दिए जिन्हें किसी ने नापा नहीं था — प्रश्नपूछक से कल्पित आँकड़े बनाने की ओर बढ़ गया (Tufino & Damiani (2026)).

ज्ञान आधार में शोध

सकरात फिजिक्स चैटबॉट अनुभवजन्य प्रमाण प्रदान करता है कि सकरात पद्धति को जनरेटिव AI के माध्यम से बड़े पैमाने पर संचालित किया जा सकता है, जो एक साथ शिक्षण उपकरण और लर्निंग एनालिटिक्स के लिए आँकड़ा-सङ्ग्रह उपकरण के रूप में कार्य करता है। पिछले नियम-आधारित सकरात सिस्टमों के विपरीत, बड़े भाषा मॉडल (LLMs)-आधारित दृष्टिकोण छात्र प्रतिक्रियाओं के आधार पर प्रश्न-क्रमों को गतिशील रूप से अनुकूलित कर सकते हैं।

विरोधी AI एजेंट रचनात्मक संघर्ष का अनुशीलन करते हैं — एक सकरात प्रकार — प्रॉम्प्ट करके नौसिखिए डिज़ाइनरों को अपनी धारणाओं पर पुनर्विचार करने के लिए, जिससे अधिक डिज़ाइन पुनरावृत्तियाँ और उच्चतम-रेटेड अंतिम कार्य बनते हैं। यह सकरात प्रश्नपूछक को डिज़ाइन सोच और आलोचनात्मक सोच से जोड़ता है।

मल्टीमॉडल संवाद सिस्टम सकरात ट्यूटरिंग को दृश्य डोमेनों तक विस्तारित करते हैं, एक शून्य-पुनःप्रशिक्षण हस्तक्षेप प्रोटोकॉल का उपयोग करते हुए जो मॉडलों से वर्णन, तर्क, और स्व-संशोधन करवाता है — एक बहुमाध्यमी AI सकरात स्कैफोल्ड।

रिट्रीवल-संवर्धित ट्यूटरिंग रिट्रीवल के माध्यम से सकरात सिद्धांतों का संचालन करती है, प्रत्येक प्रतिक्रिया को प्रामाणिक पाठ्यक्रम सामग्री में स्थिर करती है, केवल मॉडल के पैरामीट्रिक ज्ञान पर निर्भर रहने के बजाय — इस अंतराल को संबोधित करती है कि सामग्री निष्ठा के बिना केवल शैक्षणिक गुणवत्ता अपर्याप्त है।

शिक्षक तैयारी में सकरात ट्यूटरिंग। 124 संभावित जीवविज्ञान शिक्षकों के साथ एक अर्ध-प्रयोग ने पाया कि सामाजिक-वैज्ञानिक मुद्दों पर ChatGPT-4 सकरात ट्यूटर ने वाद-विवाद गुणवत्ता में ऑफलाइन सहकर्मी चर्चा को पीछे छोड़ा (F(1,121) = 14.23, p < .001), लाभ दावा-निर्माण के बजाय प्रतिवाद और प्रति-साक्ष्य मूल्यांकन में केंद्रित (Ergasheva et al., 2026)।

LFTutor (Shi et al., 2026) सकरात प्रश्नपूछक को एक ऐसे विषय पर लागू करता है जहाँ उत्तर रोकना ही पूरा कार्य है: आम लोगों को यह देखना सिखाना कि एक प्रभावशाली पाठ में जिसे वे मान्य मानते हैं उसमें तारतारिक प्रतारण (logical fallacy) क्या है। इसका संवाद एजेंट शिक्षार्थी के अपने तर्क को Toulmin मॉडल (दावा, आधार, वारंट) से विघटित करता है, शिक्षार्थी की मंशा का पता लगाता है, और फिर चार रणनीतियों — प्रत्युत्तर, प्रमाण, धारणा, खंडन — में से ठीक एक का चयन करता है, Toulmin संरचना को दर्शाने वाले एक स्थिर प्राथमिकता क्रम में, एक अलग सत्यापक एजेंट जनरेशन के बाद जाँचता है कि उत्तर ने वास्तव में चुनी गई रणनीति को निष्पादित किया या नहीं, और न करने पर उसे पुनर्व्यक्त करता है। मूल्यांकन मीट्रिक सीखने के लाभों के बजाय सकरात विफलता मोड हैं: विषय से विचलन, मुद्दा बदलना (शिक्षार्थी की स्थिति के सामने झुकना), दोहराव, खंडन करने में विफलता, प्रमाण माँगने में विफलता, रणनीति अतिक्रमण, अव्याख्यात प्रतारण शब्दावली, और निष्क्रिय मार्गदर्शन। प्रत्येक ढाँचे पर GPT-4o आधार के साथ 1,000 अनुकरणी संवादों में, LFTutor ने औसतन 84.5% संवाद पारित किए, जबकि उन्हीं खतरों को सूचीबद्ध करने वाले प्रॉम्प्ट के लिए 61.5% और साधारण भूमिका-अभिनय प्रॉम्प्ट के लिए 31.2%, और विघटन दिखाता है कि लाभ Toulmin शब्दावली से नहीं बल्कि सत्यापित रणनीति निष्पादन और मंशा-आधारित चयन से आता है। ट्यूटर से बहस करने वाले 20 मानव प्रतिभागियों के साथ, LFTutor ने नौ Likert मीट्रिक में से आठ पर उल्लेखनीय रूप से बेहतर स्कोर किया, जिसमें सहायकता शामिल थी (1.65 के मुकाबले 4.15), दोहराव एकमात्र आयाम था जहाँ अंतर महत्वपूर्ण नहीं था।

गेटिंग रोकना लागू करने योग्य बना सकती है, केवल दिखावे का नहीं: Prober.ai एक LLM को केवल जाँच-आधारित प्रश्न पूछने के लिए प्रतिबंधित करता है और एक ठोस संशोधन सुझाव तभी जारी करता है जब छात्र एक प्रतिबिंबन गेट पास करने वाला बचाव लिखता है, और बचाव दुर्बल होने पर एक कोचिंग टोक देता है (Bi, Wei and Zhou (2026))।

एजेंसी और महत्वपूर्ण उपयोग

Favero et al. (2025) चेतावनी देते हैं कि सकरात AI भी शिक्षार्थी सक्रियता को कमजोर कर सकता है यदि छात्र प्रश्नपूछक संरचना पर निर्भर हो जाएँ बजाय उसे आंतरिक करने के। लक्ष्य स्थायी सकरात स्कैफोल्डिंग नहीं बल्कि स्कैफोल्डेड ट्रांसफर है — छात्र अंततः स्वयं सकरातीकृत होते हैं।

अन्य अवधारणाओं से संबंध

सकरात पद्धति मड्गद (ठीक पर्याप्त समर्थन प्रदान करना), उत्पादक-संघर्ष (छात्रों को कठिनाई से जूझने देना), और इंटेलिजेंट ट्यूटरिंग (अनुकूली प्रश्न-क्रमण) से घनिष्ठ रूप से जुड़ी है। यह अति-निर्भरता से भिन्न है — जिन छात्रों को सीधे उत्तर मिलते हैं वे सीखने को बायपास कर सकते हैं, जबकि सकरात मार्गदर्शन संज्ञानात्मक संलग्नता बनाए रखता है। यह तर्क को दृश्य बनाकर स्व-नियंत्रित अधिगम और मेटाकॉग्निशन का समर्थन करती है, और वास्तविक समय में समझ की जाँच के लिए उपयोग होने पर निर्माणकारक मूल्यांकन से जुड़ती है।

खुले प्रश्न

1. क्या सकरात संवाद डोमेनों के बीच हस्तांतरित होता है, या डोमेन-विशिष्ट तर्क अहस्तांतरणीय है?
2. सकरात विशिष्टता वास्तविक (स्व-रिपोर्टेड नहीं) पाठ्यक्रम प्रदर्शन के साथ कैसे सहसंबद्ध होती है?
3. क्या सकरात AI को सामाजिक प्रवर्धन के लिए सहकर्मी फीडबैक के साथ जोड़ा जा सकता है?

• तर्क उत्तेजित करने के लिए उत्तर रोकना। Puech et al. (2025) LLM ट्यूटरों को उत्पादक विफलता पैडोगॉजी का अनुसरण करने के लिए डिज़ाइन करते हैं, समाधान रोककर और कई प्रयास उत्तेजित करके — एक सकरात-शैली का सहायता देने से इनकार, सिवाय सख्ती से आवश्यक होने के; Wang & Shan (2026) सकरात और विरोधी AI वास्तुकलाओं की सिफ़ारिश करते हैं जो रचनात्मक संज्ञानात्मक घर्षण को संरक्षित करते हैं।

संबंधित अवधारणाएँ

• शिक्षाशास्त्रीय पैटर्न — प्रश्न-क्रम और उसका विरोधी परीक्षण प्रमाण
• मड्गद
• इंटेलिजेंट ट्यूटरिंग
• लर्निंग एनालिटिक्स
• STEM शिक्षा
• शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण
• छात्र अनुभव
• एजेंटिक AI
• मेटाकॉग्निशन
• ज्ञान अनुरेखण
• अनुकूली अधिगम
• जनरेटिव-AI
• संज्ञानात्मक ऑफलोडिंग
• स्व-नियंत्रित अधिगम
• निर्माणकारक मूल्यांकन
• AI साक्षरता
• शिक्षार्थी सक्रियता
• आलोचनात्मक सोच
• शिक्षाशास्त्र और शिक्षण रणनीतियाँ — छत्र: AI शिक्षा में पैडोगॉजी और शिक्षण रणनीतियाँ
• उत्पादक विफलता — उत्पादक विफलता

संबंधित लेख

• The Effects of Agent Type and Feedback Style on Self-Directed Learning: A Mixed-Methods Study — 2 x 2 स्नातकोत्तर डिज़ाइन अध्ययन में सकरात बनाम निर्देशात्मक फीडबैक शैलियाँ

• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — नैदानिक साक्षात्कार प्रशिक्षण के लिए स्कैफोल्डिंग-उन्मुख बहु-एजेंट बड़े भाषा मॉडल प्रणाली का मूल्यांकन

• Analyzing Undergraduate Problem-Solving in Physics Through Interaction With an AI Chatbot

• Enacting Constructive Conflicts with AI Agents to Enhance Reconsideration among Novice Interaction Designers

• Multimodal Dialogue in STEM Education

• Retrieval-Augmented Tutoring for Algorithm Tracing and Problem-Solving in AI Education

• Distinguishing performance gains from learning when using generative AI

• Embodied Inquiry with AI as Facilitator: An Exploratory Case Study

• Prober.ai: Gated Inquiry-Based Feedback via LLM-Constrained Personas for Argumentative Writing

• Generative AI without guardrails can harm learning: Evidence from high school mathematics

• The Evidence Base on AI in K-12: A 2026 Review — संरचित सकरात संकेत बनाम खुले सामान्य-उद्देश्य प्रश्न-उत्तर

• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — उत्पादक विफलता के लिए LLMs की शैक्षणिक मार्गदर्शन

• The Safety Gap: Restoring Productive Struggle Through Pedagogically Aligned Generative AI — सुरक्षा खाई: उत्पादक संघर्ष की पुनर्स्थापना

• ProductiveMath: A Generative-AI-Powered App to Support Productive Failure Teaching — ProductiveMath: PF प्रॉब्लम डिज़ाइन का समर्थन के लिए AI

• Clue before correction: ChatGPT-enhanced strategy for promoting autonomous and reflective language learning — सुधार से पहले संकेत: स्वायत्त भाषा सीखने के लिए ChatGPT

• Socrates Went Nuclear: Comparing Interaction Strategies for AI Systems in a Learning Context Using Brain Sensing — Socrates went Nuclear: AI की सीखने में संवाद रणनीतियों की तुलना

• Tackling the Root of Misinformation by Teaching Laypeople about Logical Fallacies via Socratic Questioning and Critical Argumentation — सकरात प्रश्नपूछक और एक चार-चरणीय प्रतारण-ट्यूटरिंग ढाँचे में महत्वपूर्ण तर्क-वितर्क

• Guardrails or Roadblocks? Effects of Pedagogical Style and Context Awareness in AI Teaching Assistants for Programming — गार्डरेल या रोडब्लॉक? प्रोग्रामिंग के लिए AI शिक्षण सहायकों में शैक्षणिक शैली और संदर्भ जागरूकता के प्रभाव

• Enhancing PISA-aligned argumentation skills of prospective biology teachers through generative artificial intelligence — जनरेटिव कृत्रिम बुद्धिमत्ता के माध्यम से संभावित जीव विज्ञान शिक्षकों की PISA-संरेखित वाद-विवाद कौशल को बेहतर बनाना

• A Conversational AI Framework for Teacher Training — शिक्षण भ्रांतियों के लिए साक्ष्य-आधारित संवाद के साथ संवादात्मक AI निदान (Miranda & Calvani 2026)