छात्र और AI के बीच अंतःक्रिया

इस पृष्ठ पर

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

छात्र-AI अंतःक्रिया — सीखने और समस्या समाधान के दौरान शिक्षार्थी जनरेटिव AI प्रणालियों से जुड़ने के तरीके में शामिल पैटर्न, प्रक्रियाएँ और संज्ञानात्मक कार्य। यहाँ अनुसंधान यह विशेषित करता है कि छात्र AI से क्या माँगते हैं, प्रॉम्प्ट और संवाद कैसे विकसित होते हैं, और अंतःक्रिया की गुणवत्ता सीखने के परिणामों, संज्ञानात्मक ऑफलोडिंग और शिक्षार्थी सक्रियता से कैसे संबंधित है।

विचार के लिए प्रश्न

हाल में लिखे गए कुछ प्रॉम्प्ट के बारे में सोचिए जो आपने (या किसी छात्र ने) AI को लिखे। क्या आप उनमें से अधिकतर को उत्तर माँगने के रूप में बताएँगे, या AI से समझाने, जाँचने या मूल्यांकन करने के लिए कहने के रूप में? आपको क्या लगता है कि यह पैटर्न सीखने पर क्या असर डालता है?
अनुसंधान पाता है कि प्रश्नों की एक छोटी उपसमुच्चय छात्रों की अधिकांश पूछताछ के लिए ज़िम्मेदार है, और प्रश्न कार्य के प्रगतिशील होने के साथ बदलते हैं। आपको क्या लगता है कि छात्रों की पूछताछ क्यों संकुचित होती है, और इससे यह क्या संकेत मिलता है कि वे इस उपकरण का उपयोग कैसे कर रहे हैं?
यह पेज दावा करता है कि उथले, उत्तर-खोज प्रॉम्प्ट कम सीखने और अति-निर्भरता से जुड़े हैं, जबकि चिंतनशील, सत्यापन-उन्मुख अंतःक्रिया समझ का समर्थन करती है। आपके अनुसार एक 'अच्छे' प्रॉम्प्ट को 'खराब' से क्या अलग करता है — और यह छात्र की ज़िम्मेदारी है या उपकरण के डिज़ाइन की?
यदि अंतःक्रिया की गुणवत्ता छात्र के किसी स्थिर गुण होने के बजाय कार्य-संदर्भ और स्कैफोल्डिंग द्वारा आकारित होती है, तो किसी पाठ्यक्रम या उपकरण को अधिक व्यापक और अधिक उत्पादक पूछताछ की श्रेणी को आमंत्रित करने के लिए कैसे फिर से डिज़ाइन किया जा सकता है?
आप कैसे जानेंगे कि किसी छात्र का सरल AI संवाद वास्तविक सीखना दर्शाता है या केवल कुशल प्रतिनिधिमंडन — और यह पता करने के लिए आप क्या जाँचेंगे?

परिचय

छात्र-AI अंतःक्रिया शिक्षार्थियों के जुड़ाव की प्रेक्ष्य सतह है — वे जो प्रश्न रखते हैं, जो प्रॉम्प्ट लिखते हैं, AI आउटपुट से समझौता और सत्यापन करने का तरीका, और ये पैटर्न कार्य के चरणों और समय के साथ कैसे बदलते हैं। यह छात्र अनुभव, प्रॉम्प्ट इंजीनियरिंग और लर्निंग एनालिटिक्स के प्रतिच्छेदन में स्थित है, और इस बात पर होने वाली बहसों के लिए केंद्रीय है कि शिक्षा में AI का उपयोग वास्तविक सीखना है या अति-निर्भरता। जहाँ मानव-AI सहयोग लोगों और मॉडलों के बीच संज्ञानात्मक श्रम के उच्च-स्तरीय विभाजन को रूपरेखा देता है, वहाँ छात्र-AI अंतःक्रिया उस संबंध का ठोस, मापने योग्य प्रदर्शन है — वे विशिष्ट पूछताछ, प्रॉम्प्ट और समझौते की चालें जो शिक्षार्थी क्षण-दर-क्षण करते हैं।

छात्र AI से क्या पूछते हैं

अनुसंधान की एक मूल धारा छात्रों की पूछताछ के प्रकारों और गुणवत्ता को मापती है। अध्ययन प्रश्न-प्रकारों के वर्गीकरणों — जैसे Graesser et al. का 18-प्रकार वर्गीकरण — को छात्र-AI अंतःक्रियाओं को वर्गीकृत करने के लिए लागू करते हैं, अक्सर सैकड़ों या हजारों अंतःक्रियाओं में विश्लेषण को विस्तृत करने के लिए फ्यू-शॉट क्लासिफायरों का उपयोग करते हैं। निष्कर्ष बताते हैं कि प्रश्नों की एक छोटी उपसमुच्चय छात्रों की अधिकांश पूछताछ के लिए ज़िम्मेदार है, और छात्रों के पूछे प्रश्न कार्य के प्रगतिशील होने के साथ भारी रूप से बदलते हैं (जैसे, Analysis of Types of Inquiries in Student-AI Interaction: A case study of two CS2 tasks)। यह कार्य-निर्भरता महत्वपूर्ण है: अंतःक्रिया की गुणवत्ता छात्र का कोई स्थिर गुण नहीं है, बल्कि यह समस्या-संदर्भ, मड्गद और AI उपकरण की सुविधाओं द्वारा आकारित होती है। सबसे छोटी आयु में, Vahedian Movahed & Martin (2025) ने पाया कि बच्चे (आयु 6–14) एक चैटबॉट की विश्वसनीयता को ज्ञात-उत्तर प्रश्न पूछकर सक्रिय रूप से जाँचते थे (जैसे, "how big is a t rex") — यह ज्ञान-आत्मक स्वायत्तता की अभिव्यक्ति है — जबकि सामान्य बच्चा केवल 1–3 प्रश्न पूछता था और एक असाधारण प्रथम-कक्षा छात्र ने 21 प्रश्न पूछे, यह दर्शाते हुए कि विकासात्मक और व्यक्तिगत विविधता शिक्षार्थियों के प्रश्नों को कैसे आकार देती है।

वर्गीकरण स्वयं अभी सहमत नहीं हैं: 33 अध्ययनों की 46 वर्गीकृत रूपरेखाओं में, समान लेबल भिन्न घटनाओं को नाम देते हैं, इसलिए समीक्षा अंतःक्रिया एपिसोड — एक लक्ष्य-निर्देशित, समय-सीमित विनिमय — को ज्ञान-अर्जन, मूल्यांकनात्मक प्रतिपुष्टि, रणनीतिक मार्गदर्शन, संवादात्मक पूछताछ, कृति-परिष्करण और सह-नियमन तक फैले एकक के रूप में प्रस्तावित करती है (Borchers, Jansen & Weidlich (2026))।

इन वर्गीकरण अध्यायों को पूरक करते हुए, Yan et al. (2026) छात्र पूछताछ के संवाद रूप को विशेषित करते हैं। 38 स्नातक छात्रों में जो अनुपशासित तर्कसंगत निबंध लिख रहे थे, 76.32% ने एकल-चक्र पूछो-उत्तर पाओ-रुक जो पैटर्न का उपयोग किया — सामान्यतः मूल्यांकन शीर्षक को अपनी आवश्यकताएँ बिना बताए चिपकाते हुए और असंतुष्ट होने पर एकसमान प्रॉम्प्ट पुनः प्रस्तुत करते हुए — और 78.94% ने GenAI को केवल कार्य की शुरुआत (विचार, पृष्ठभूमि) या अंत (सुधार, लंबाई) में छुआ, इसे पठन और स्वतंत्र लेखन से अलग रखते हुए; केवल 23.68% ने अनुवर्ती प्रश्नों और अपने तर्क के साथ पुनरावृत्त संवाद बनाए रखा। लेखक इन पैटर्नों को संज्ञानात्मक आउटसोर्सिंग से संज्ञानात्मक पुनःआवंटन तक एक स्पेक्ट्रम पर रखते हैं — सीखने के सतही बनाम गहरे दृष्टिकोणों का GenAI-युगीन समकक्ष — यह टिप्पणी करते हुए कि अधिकांश छात्रों ने उपकरण को एक उन्नत खोज इंजन के रूप में समझा, जिसने उन्हें आउटसोर्सिंग छोर तक सीमित कर दिया।

इन पैटर्नों को ज्ञान-आत्मिक कार्य के रूप में फिर से रूपरेखा देते हुए, 200 सह-प्रोग्रामिंग चैट सत्रों के विश्लेषण में 78.8% छात्र-GenAI अंतःक्रियाएँ गैर-दक्षता लक्ष्यों और आउटसोर्सिंग या सत्यापन-खोज जैसी रणनीतियों पर चलीं, और केवल 11.1% ने दक्षता-उन्मुख लक्ष्यों को ज्ञान-आत्मिक औचित्य से जोड़ा (Wu (2026))।

50 नमूनित विनिमयों को कोडित करने से इसी व्यवहार की त्रि-मार्गी वर्गीकरण मिलती है: Zahra (2026) ने 46% को निष्क्रिय समीक्षा के रूप में वर्गीकृत किया, जहाँ मॉडल एक ओरेकल की तरह कार्य करता है और आउटपु्ट बहुत कम जाँच के साथ स्वीकार किया जाता है, 18% को प्रत्यक्ष प्रश्न, और 36% को रणनीतिक संवाद, वितरण को एक बाधा-प्रथम डिज़ाइन तर्क के साथ जोड़ते हुए (कोडरों के बीच कैप्पा = .48)। सात असाइनमेंट का एक सर्वेक्षण जिसमें 211 कंप्यूटिंग छात्र शामिल थे, उसी निष्कर्ष पर विपरीत दिशा से पहुँचता है: Nizamani et al. (2026) ने एल्गोरिदम में 89.6% से सॉफ्टवेयर इंजीनियरिंग में 15.2% तक LLM अपनाने को मापा और प्रसार को असाइनमेंट जटिलता, सत्यापन-योग्यता और स्कैफोल्डिंग के लिए ज़िम्मेदार ठहराया, उपक्षेत्र के लिए नहीं।

अंतःक्रिया की गुणवत्ता और सीखना

एक पूरक धारा अंतःक्रिया के रूप को सीखने से जोड़ती है। उथले या आदतन रूप से संकीर्ण प्रॉम्प्ट (AI से उत्तर बनवाने के बजाय समझाने, जाँचने या मूल्यांकन करने के लिए कहना) कम सीखने और बढ़ी अति-निर्भरता से जुड़े हैं, जबकि चिंतनशील, सत्यापन-उन्मुख अंतःक्रिया मेटाकॉग्निशन और टिकाऊ समझ का समर्थन करती है। यह छात्र-AI अंतःक्रिया को सीधे इंटेलिजेंट ट्यूटरिंग डिज़ाइन से जोड़ता है: सिस्टम अधिक व्यापक और अधिक उत्पादक पूछताछ की श्रेणी को आमंत्रित करने और केवल उत्तर देने के बजाय प्रश्न-पूछना स्कैफोल्ड करने के लिए बनाए जा सकते हैं। अंतःक्रिया को उत्तर-खोज प्रॉम्प्ट से होकर जाना ही नहीं होगा — जब AI छात्रों के अपने कार्य की समीक्षा करता है, तो विनिमय चिंतनशील, सत्यापन-उन्मुख संवाद बन जाता है: Oppenheimer, Cash & Connell Pensky (2025) में, शिक्षार्थियों के बड़े भाषा मॉडल (LLMs) निबंध प्रतिपुष्टि के प्रति प्रतिक्रियाओं ने 92.7% मामलों में चिंतन, 93.6% में स्वीकृति, और 87.8% में LLM दावों की सक्रिय प्रत्याख्यान दिखाई (इंटर-रेटर κs = 0.81–0.89), और पुनरावृत्तियों के साथ उनकी प्रतिपुष्टि-गुणवत्ता प्रतिक्रिया एक सीखने योग्य कौशल के रूप में सुधरी। अंतःक्रिया का चिंतनशील पक्ष प्रत्यक्ष प्रॉम्प्टिंग से होकर नहीं जाना होगा — CoBi में, छात्रों ने अपनी सहयोगात्मक भाषण के कक्षागत AI दृश्यों के साथ जुड़कर तब विचार-विमर्श किया जब AI के वर्गीकरण गलत लगे, स्पष्ट गलत-वर्गीकरण को अपनी समझ को AI की क्षमताओं और सीमाओं के लिए अंतःकलित करने के अवसरों में बदला (विश्वास कैलिब्रेशन), बजाय इसके कि उसका आउटपुट शुद्ध रूप से स्वीकार किया जाए। अंतःक्रिया रूप और सीखने के बीच संबंध की एक सीमा है, हालाँकि: Page (2026) संवादात्मक पुनरावृत्ति को संज्ञानात्मक पुनरावृत्ति से इस आधार पर अलग करता है कि एक शिक्षार्थी कई चक्रों में आउटपु्ट को परिष्कृत कर सकता है जबकि उसके पीछे का मानसिक मॉडल अपरिवर्तित रहता है, इसलिए सीखने का प्रमाण शिक्षार्थी के संज्ञानात्मक दृष्टिकोण में परिवर्तन है, विनिमय की लंबाई या सरलता में नहीं — चक्र संख्या जुड़ाव की गहराई का प्रतिनिधि नहीं है।

अंतःक्रिया, न कि उपकरण, मार्ग तय करती है: लगभग 1,000 उच्च विद्यालय गणित छात्रों के साथ एक क्षेत्र प्रयोग में, अप्रतिबंधित GPT-4 ने अभ्यास स्कोर 48% बढ़ाए लेकिन असहाय परीक्षा स्कोर 17% घटाए, जबकि शिक्षक-डिज़ाइनित संकेतों तक सीमित वही मॉडल अभ्यास 127% बढ़ाया और घाटे को बड़े पैमाने पर समाप्त कर दिया (Lee, 2026)।

कि छात्रों ने प्रभावी ढंग से प्रॉम्प्ट किया, न कि कितना, ने सफलता को ट्रैक किया: AI प्रश्न दक्षता और AI-संचालित समस्या समाधान 128 इंजीनियरिंग छात्रों में शैक्षणिक प्रदर्शन के सबसे मजबूत पूर्वानुमेक थे, और GPA को नियंत्रित करने के बाद भी महत्वपूर्ण रहे (Isaza Dominguez et al. (2026))।

व्यवहार संदर्भ प्रश्न स्वयं से एक अलग संकेत है: TutorTrace के चार परिनियोजनों में (480 शिक्षार्थी, ~180,000 IDE घटनाएँ), शिक्षार्थी की हालिया व्यवहार अवस्था पर सहायता को निर्धारित करने से स्वतंत्र कार्य के बिना प्रश्नों के बीच अंतराल 50.0% से 20.7% तक घटे, और आसन्न प्रश्न केवल व्यवहार से पूर्वानुमेक थे (AUROC = .726) (Barron et al. (2026))।

घनत्व तंत्र नहीं है: छात्रों को आवाज और पाठ के बीच बदलने से प्रति मिनट संवाद चक्र लगभग दोगुने हो गए (1.34 बनाम 0.75) बिना साप्ताहिक दक्षता बदले, और लेखकों ने टाइप किए गए माध्यम के पहले कुंजी-दबाव से पहले माध्यिका 26-सेकंड के विचार-विमर्श को स्वयं एन्कोडिंग क्रिया के रूप में पढ़ा (Yang, Van Alstyne and Dellarocas (2026))।

सत्यापन चक्र फिर भी उथला रह सकता है: स्नातक डेटाबेस पाठ्यक्रम में चार-सप्ताह के LLM-एजेंट परिनियोजन का पिछड़ा अनुक्रमिक विश्लेषण एक महत्वपूर्ण प्रश्न–मूल्यांकन–प्रश्न चक्र पाया, फिर भी निम्न-क्रम अवस्थाओं में मजबूत स्व-संक्रमण चक्र और केवल 3.92% अंतःक्रियाएँ उच्च-क्रम संज्ञान तक पहुँचीं (Li et al. (2026))।

Bernstein और Sibia (2026) यह प्रलेखित करते हैं कि CS2 छात्र GenAI व्याख्याओं को कैसे संभालते हैं उसमें एक पुनरावृत्त-फ़िल्टर पैटर्न (Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education): वे व्याख्यान नोट्स से पार-संदर्भ जाँचते हैं, उत्पत्ति माँगते हैं ("I would be a lot more doubtful... without one"), और असंगतियों के लिए अनुवर्ती प्रश्नों से जाँचते हैं, बजाय एकल स्वीकार-या-अस्वीकार निर्णय जारी करने के। छात्र व्याख्याओं को उनके लिए भी पढ़ते हैं जिनका ज्ञान और पृष्ठभूमि उन्होंने मान ली — पाठ्यक्रम से परे माना गया पूर्व ज्ञान, डिफ़ॉल्ट खेल और गेमिंग संदर्भ ("the more male-dominated side of computing"), और अत्यधिक पुनरावृत्ति सभी काल्पनिक पाठक के बारे में संकेतों के रूप में कार्य करे, अति-स्कैफोल्डिंग को केवल अक्षम के बजाय अपमानजनक पढ़ा गया।

कार्य के सही बिंदु पर AI से परामर्श करना व्यक्तिगत प्रॉम्प्ट की शब्दावली जितना महत्वपूर्ण है: उसी अध्ययन में, Yan et al. (2026) ने पाया कि पुनःआवंटन-उन्मुख अल्पांश ने स्वतंत्र कार्य को GenAI परामर्श के साथ बारी-बारी से किया और अपरिवर्तित कुल प्रयास की सूचना दी लेकिन बदला हुआ फोकस — संसाधनों को खोजने से तर्कसंगत गुणवत्ता और संतुलन की जाँच करने की ओर बढ़ाया, और उथले अवधारण को प्रतिकार करने के लिए सत्रों के बाद चिंतन नोट्स लिखे — जबकि दक्षता लक्ष्यों के साथ कमजोर AI साक्षरता वाले शिक्षार्थी एक "दक्षता विरोधाभास" में गिरे, "इरादे से नहीं, बल्कि डिफ़ॉल्ट रूप से" आउटसोर्स करते हुए।

अंतःक्रिया से शिक्षाशास्त्र तक

छात्र-AI अंतःक्रिया को विशेषित करना सीखने का डिज़ाइन को सूचित करता है: प्रशिक्षक यह नोटिस कर सकते हैं कि छात्रों के प्रश्न पैटर्न संकीर्ण या उथले हैं और पूछताछ को विस्तृत करने वाली हस्तक्षेप डिज़ाइन कर सकते हैं; शिक्षण छात्रों को AI के साथ उत्पादक रूप से अंतःक्रिया करने के लिए प्रशिक्षित करने की ओर बढ़ता है। यह उन AI साक्षरता पाठ्यक्रमों को भी आधार देता है जो प्रभावी प्रॉम्प्टिंग और सत्यापन को सीखने योग्य कौशल मानते हैं, जन्मजात क्षमताओं को नहीं।

डिज़ाइन लीवर उस डिफ़ॉल्ट को बदल सकती हैं: लगभग 70 छात्रों के अतुल्यकालिक भौतिकी पाठ्यक्रम में अंकित कृति उत्तर के बजाय संवाद प्रतिलेख थी, फिर भी कई छात्रों ने मॉडल के सुकरातीय अनुवर्ती प्रश्नों का उत्तर दिए बिना प्रश्नों की लंबी सूचियाँ पूछीं — वह विफलता मोड जिसे पकड़ने के लिए मानदंड लिखे गए थे (Rodriguez & Wulff (2026))।

शिक्षक-रचित प्रॉम्प्ट एक ऐसी लीवर हैं, लेकिन लागू कठोरता लक्ष्य से पिछड़ती है: 1,479 संवादों में, 38% शिक्षक के इच्छित ज्ञान-गहराई स्तर तक नहीं पहुँचे, DOK 3 पर लगभग 50% के करीब, जबकि स्पष्ट समापन रेखाओं ने उस अंतर को 0.22 स्तर घटाया और एक "कोई प्रत्यक्ष उत्तर नहीं" गार्डरेल ने AI अंतिम-उत्तर दरों को 8.5 प्रतिशत-अंक घटाया (Liu et al. (2026))।

गैर-उपयोग स्वयं एक अंतःक्रिया पैटर्न है जिसके लिए शिक्षाशास्त्र और शिक्षण रणनीतियाँ को योजना बनानी होगी। Zou et al. (2026), जिन्होंने तीन पाठ्यक्रमों में 85 छात्र शिक्षकों का अध्ययन किया जहाँ मूल्यांकन में GenAI उपयोग स्पष्ट रूप से अनुमत था, ने पाया कि 62.4% (85 में से 53) ने इसे पूरी तरह उपयोग करने से इनकार किया, यह तुलनीय UK और ऑस्ट्रेलियाई सर्वेक्षणों में देखी गई 79–83% अपनाने से कहीं नीचे, और यह कि अपनाने वालों का उपयोग उथला और सुधारात्मक था, उत्पादक नहीं (प्रूफरीडिंग 43.8%, स्पष्टता जाँच 34.4%, पाठ निर्माण केवल 18.8%)। उनके विकल्प मूल्यांकन डिज़ाइन और संस्थागत संस्कृति से ट्रैक हुए, तकनीकी कठिनाई से नहीं: गैर-अपनाने वालों में से 41.5% ने साहित्यिक चोरी के गलत आरोप से डर महसूस किया, और ग्यारह साक्षात्कारित में से नौ ने उदार नीति स्वयं को संभावित "जाल" के रूप में पढ़ा। 32 सर्वेक्षण-सूचित उपयोगकर्ताओं और 28 स्व-घोषणाओं के बीच का अंतर दर्शाता है कि छात्रों की सूचित AI अंतःक्रिया अंकित परिणामों द्वारा आकारित होती है — छात्र-AI अंतःक्रिया के लर्निंग-एनालिटिक्स विवरणों के लिए एक मापन चेतावनी।

छात्र-AI चैट में अनुशासन और संज्ञानात्मक जुड़ाव

छात्र-AI चैट में अनुशासन-संबद्ध संज्ञानात्मक जुड़ाव। Chang और Li (2026) 116 पाठ्यक्रमों में AI को दिए गए छात्र प्रॉम्प्ट का विश्लेषण करते हैं, जिसमें एक व्यक्ति-भीतर, अनुशासन-पार डिज़ाइन है, यह दर्शाते हुए कि छात्र-AI संवाद स्थिर व्यक्तिगत अंतःक्रिया शैलियों के बजाय अनुशासन-संबद्ध संज्ञानात्मक जुड़ाव दर्शाते हैं। लगभग 62% प्रॉम्प्ट समग्र रूप से उच्च-क्रम संज्ञानात्मक माँग को एन्कोड करते थे, लेकिन ब्लूम-स्तर प्रोफ़ाइल अनुशासन के अनुसार तीखी रूप से भिन्न थीं: STEM पाठ्यक्रमों ने लागू-प्रचलित प्रॉम्प्ट (20.8%) को उत्तेजित किया, भाषा पाठ्यक्रम समझ-प्रचलित (31.7%), और सामाजिक विज्ञान पाठ्यक्रम बनाएँ-प्रचलित (33.8%)। व्यक्ति-भीतर युग्मित तुलनाओं ने पुष्टि की कि उन्हीं छात्रों ने सामाजिक विज्ञान में STEM पाठ्यक्रमों की तुलना में महत्वपूर्ण रूप से अधिक उच्च-क्रम प्रॉम्प्ट उत्पन्न किए (समुचित n = 16, p < .001), और पाठ्यक्रम-स्तरीय विविधता छात्र-स्तरीय विविधता से अधिक थी — यह एक मजबूत तर्क है कि AI शिक्षण सहायकों को अनुशासनात्मक संदर्भ को ध्यान में रखकर डिज़ाइन और मूल्यांकित किया जाना चाहिए।

मेटाडेटा

स्तर	Higher Ed
इच्छित पाठक	Learners
अधिगम और शिक्षण	छात्र और AI के बीच अंतःक्रिया
प्रौद्योगिकियाँ और तकनीकें	जनरेटिव-AI, इंटेलिजेंट ट्यूटरिंग, लर्निंग एनालिटिक्स, बड़े भाषा मॉडल (LLMs), प्रॉम्प्ट इंजीनियरिंग
शिक्षा में AI की नींव	संज्ञानात्मक ऑफलोडिंग

Source History Edit Chat