छात्र सहभागिता

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

छात्र सहभागिता — शिक्षार्थी की सीखने की प्रक्रिया में सक्रिय भागीदारी की डिग्री और गुणवत्ता, जिसे आमतौर पर व्यवहारगत, संज्ञानात्मक और भावनात्मक आयामों में विभाजित किया जाता है। शिक्षा में AI अनुसंधान में, छात्र सहभागिता एक प्रमुख परिणाम (क्या कोई AI उपकरण छात्रों को संलग्न रखता है?) और एक तंत्र (क्या सहभागिता AI डिज़ाइन और सीखने के बीच मध्यस्थता करती है?) दोनों है। यह स्वयं सीखने से संकल्पनात्मक रूप से भिन्न है — सहभागिता सीखने में भागीदारी है, संज्ञानात्मक लाभ का प्रमाण नहीं — और इसे मापने के लिए उपयोग किए जाने वाले विशिष्ट मेट्रिक्स से भी भिन्न है।

विचार करने योग्य प्रश्न

• पेज जोर देता है कि सहभागिता सीखने के समान नहीं है — कोई छात्र व्यवहारगत रूप से सक्रिय (क्लिक करना, समय बिताना) हो सकता है जबकि संज्ञानात्मक रूप से उथला। आपने कहाँ ऐसी उच्च 'सहभागिता' देखी है जिसने थोड़ी सी सीख दी, और आपने इसे कैसे पहचाना?
• किसी ऐसे क्षण के बारे में सोचें जब आप किसी चीज़ में गहराई से संज्ञानात्मक रूप से संलग्न थे — वास्तव में किसी विचार से जूझ रहे थे। उस समय क्या अलग था उन समयों की तुलना में जब आप केवल व्यस्त या मनोरंजित थे, और क्या कोई AI उपकरण विश्वसनीय रूप से वह अवस्था बना सकता है?
• सहभागिता को व्यवहारगत, संज्ञानात्मक और भावनात्मक आयामों में विभाजित किया गया है जो एक-दूसरे से अलग हो सकते हैं। आपको क्या लगता है कि शोधकर्ता इन्हें एक चीज़ के रूप में के बजाय अलग-अलग मानने पर जोर देते हैं, और आप उन्हें अलग पहचानने के लिए क्या मापेंगे?
• शोध बताता है कि AI के साथ गहन संज्ञानात्मक सहभागिता सीखने की भविष्यवाणी करती है, जबकि उथली सहभागिता अति-निर्भरता की भविष्यवाणी करती है। यदि कोई उपकरण 'आकर्षक' लेकिन उथला है, तो दोष किसका है — डिज़ाइन, कार्य, या शिक्षार्थी का?
• कोई AI उपकरण स्वायत्तता, सक्षमता और संबंधितता (सहभागिता के पीछे की जरूरतें) को किस प्रकार संतुष्ट कर सकता है, बिना इन सुविधाओं के उथले मनोरंजन में बदले जाएँ जो असली सीखने को विस्थापित कर दें?

परिचय

सहभागिता एक बहुआयामी संरचना है जो शैक्षिक मनोविज्ञान में जड़ें रखती है। व्यवहारगत सहभागिता का अर्थ भागीदारी, प्रयास, दृढ़ता और कार्य-केंद्रित गतिविधि है। संज्ञानात्मक सहभागिता का अर्थ मानसिक प्रसंस्करण की गहराई — विस्तार, मर्मांकी विश्लेषण, स्व-शिक्षा में AI विनियमन, और मानसिक प्रयास का निवेश। भावनात्मक सहभागिता का अर्थ रुचि, आनंद, चिंता, और सीखने के प्रति पहचान जैसी भावनात्मक प्रतिक्रियाएँ हैं। ये आयाम एक-दूसरे से अलग हो सकते हैं: कोई छात्र व्यवहारगत रूप से सक्रिय (क्लिक करना, समय बिताना) हो सकता है जबकि संज्ञानात्मक रूप से उथला (निष्क्रिय रूप से आउटपुट स्वीकार करना), या भावनात्मक रूप से रुचिकृत हो सकता है जबकि व्यवहारगत रूप से विचलित। यही बहुआयामिता कारण है कि सहभागिता को किसी एक देखे जाने योग्य व्यवहार के समान नहीं माना जा सकता।

शोध में छात्र सहभागिता कैसे दिखती है

• AI डिज़ाइन के परिणास के रूप में सहभागिता: जेनAI प्रेरणा अनुसंधान बताता है कि जनरेटिव-AI-समर्थित सीखने में सहभागिता बुनियादी मनोवैज्ञानिक जरूरतों (स्वायत्तता, सक्षमता, संबंधितता) की संतुष्टि का अनुसरण करती है — सहभागिता प्रेरणा-समर्थन का नीचे का परिणाम है, केवल प्रौद्योगिकी की उपलब्धता का नहीं। सहभागिता को अक्सर स्व-रिपोर्ट से मापा जाता है जबकि व्यवहारगत सहभागिता इंटरैक्शन लॉग से आती है, और ये दोनों आपस में बदली जा सकने वाली नहीं हैं।

• क्लस्टर-यादृच्छिक कक्षा प्रयोग में बिना सीखने के लाभ के साथ सहभागिता लाभ: Rücker और Becker-Genschow (2025) ने 195 नौवीं कक्षा के कक्षाओं (प्रायोगिक समूह 102 छात्र) को यादृच्छिक रूप से एक विशिष्ट-क्षेत्रीय गणित चैटबॉट या वर्गमूल के आकलन की हीरोन विधि पर एकल पाठ के लिए पारंपरिक भेदभाव सामग्री में बाँटा। चैटबॉट स्थिति में स्थितिज रुचि काफी बढ़ी (M = 2.63 बनाम 2.43, p = 0.00005, Cohen's d = 0.63) और सभी चार प्रौद्योगिकी स्वीकृति मॉडल आयामों पर स्वीकृति उच्च थी, फिर भी पूर्व-पश्चात प्रदर्शन तुलना में कोई महत्वपूर्ण समूह × समय इंटरैक्शन नहीं मिला (F(1194) = 2.84, p = 0.094) और बाह्य संज्ञानात्मक भार थोड़ा अधिक था। यह अध्ययन माध्यमिक गणित में अनुकूलित चैटबॉट के कुछ ही क्लस्टर-यादृच्छिक परीक्षणों में से एक है, और इसका विभाजित परिणाम ही मूल बिंदु है: रुचि और उपलब्धि अलग-अलग अनुसूचियों पर आगे बढ़ीं, इसलिए सहभागिता का निष्कर्ष सीखने का प्रमाण नहीं है।

• मात्रा से अधिक गुणवत्ता: AI कोड पूरा करने में मर्मांकी सहभागिता, संज्ञानात्मक-सहभागिता प्रवचन विश्लेषण, और मर्मांकी सहभागिता का स्कैफोल्डिंग दिखाते हैं कि AI के साथ गहरी (संज्ञानात्मक) सहभागिता सीखने की भविष्यवाणी करती है, जबकि उथली (व्यवहारगत) सहभागिता अति-निर्भरता और उस सीखने के विस्थापन की भविष्यवाणी करती है जो ज्ञान आधार के जोखिम साहित्य में प्रमुख है।

• नाजुक और संदर्भ-निर्भर: पॉलिश किए गए कृतियाँ, नाजुक सहभागिता और बहु-संस्थागत सहभागिता पैटर्न पाते हैं कि सहभागिता कार्य, संदर्भ और शिक्षार्थी के अनुसार बदलती है — कोई AI उपकरण जो एक छात्र को गहराई से संलग्न करता है वह दूसरे में उथला, आउटपुट-पीछा व्यवहार पैदा कर सकता है।

• प्रेरणागत पूर्वकारक: AI की उपलब्धता और प्रेरणा बताता है कि AI उपलब्ध होने का ज्ञान प्रयासपूर्ण सहभागिता के कथित मूल्य को कम कर सकता है, विशेष रूप से नौसिखिए शिक्षार्थियों के लिए — सहभागिता उपकरण सुविधाओं जितनी ही अपेक्षा, मूल्य और कथित सक्षमता से आकारित होती है। Wang और Wang (2026) इसे AI-सहायित सीखने में 758 विश्वविद्यालय अंग्रेज़ी शिक्षार्थियों के लिए लक्ष्य-निर्धारण-सिद्धांत की व्याख्या के साथ विस्तारित करते हैं, दिखाते हैं कि शिक्षक समर्थन सीधे सहभागिता बढ़ाता है और छात्रों के मास्टरी-उन्मुख और प्रदर्शन-उन्मुख लक्ष्यों (परिहार-लक्ष्यों के बजाय) के माध्यम से काम करता है। AI संदर्भों में सहभागिता इसलिए केवल एक व्यक्तिगत या डिज़ाइन परिणाम नहीं है — यह शिक्षक और उन लक्ष्य-उन्मुखियों द्वारा भी सामाजिक रूप से स्कैफोल्डेड है जिन्हें शिक्षार्थियों को अपनाने के लिए प्रोत्साहित किया जाता है।

उस मड्गद का एक संस्थागत समकक्ष दोहरे मार्ग के साथ है। Chen (2026) के दो-अध्ययन डिज़ाइन (परिदृश्य प्रयोग में 160 कला छात्र, 425 सर्वेक्षित) ने पाया कि किसी विश्वविद्यालय की GAI वकालत और उसके वास्तविक शिक्षण एवं मूल्यांकन प्रथाओं के बीच कथित असंगति ने रचनात्मक प्रक्रिया सहभागिता की भविष्यवाणी दो विरोधी मूल्यांकनों के माध्यम से की — नकारात्मक बाधा (β = −0.060, p = 0.004) के माध्यम से और सकारात्मक चुनौती (β = 0.217, p < 0.001) के माध्यम से — जिसमें मार्ग-सोच ने केवल सकारात्मक मार्ग को मजबूत किया, इसलिए एक ही संस्थागत स्थिति ने कुछ छात्रों को संलग्न किया और दूसरों को विलग कर दिया।

• सक्षमता और भावना सहभागिता के चालक के रूप में: Zhao et al. (2026) ने बड़े भाषा मॉडल (LLMs) चैटबॉट के साथ बातचीत करने वाले 871 विश्वविद्यालय छात्रों को मॉडल किया, पाया कि जेनAI सक्षमता चैटबॉट सहभागिता की भविष्यवाणी सीधे और सकारात्मक भावनाओं (भावनात्मक मार्ग) के माध्यम से अप्रत्यक्ष रूप से दोनों तरह से करती है, और सक्षमता एवं सकारात्मक भावना दोनों सहभागिता और सकारात्मक सीखने की भावनाओं की भविष्यवाणी करते हैं। सहभागिता इसलिए संयुक्त रूप से एक कौशल और एक भावनात्मक परिणाम है — जिन शिक्षार्थियों में AI सक्षमता की कमी है और जो चिंता या निराशा का अनुभव करते हैं वे विलग हो जाते हैं, जिसका AI साक्षरता प्रशिक्षण पर प्रभाव है क्योंकि यह केवल एक कौशल लक्ष्य के बजाय एक सहभागिता हस्तक्षेप है।

• छात्र-AI चैट में अनुशासन-संबद्ध संज्ञानात्मक सहभागिता। Chang और Li (2026) दिखाते हैं कि AI को छात्रों के प्रॉम्प्ट औसतन ~62% उच्च-क्रम संज्ञानात्मक मांग को एन्कोड करते हैं, लेकिन ब्लूम-स्तर की सहभागिता प्रोफ़ाइल अनुशासन के अनुसार तेजी से भिन्न होती है (STEM Apply-प्रधान 20.8%, भाषा Understand-प्रधान 31.7%, सामाजिक विज्ञान Create-प्रधान 33.8%)। एक व्यक्ति-भीतर डिज़ाइन का उपयोग करके, उन्होंने पाया कि उन्हीं छात्रों ने सामाजिक विज्ञान पाठ्यक्रमों में STEM की तुलना में काफी अधिक उच्च-क्रम प्रॉम्प्ट बनाए (p < .001), जिसमें पाठ्यक्रम-स्तर की विविधता छात्र-स्तर की विविधता से अधिक थी — यह प्रमाण है कि AI के साथ संज्ञानात्मक सहभागिता केवल व्यक्तिगत शैली के बजाय अनुशासनात्मक संदर्भ से आकारित होती है।

• AI प्रतिपुष्टि व्यवहारगत सक्रियण बनाए रखती है। Geschwind et al. (2026) के सेमेस्टर-लंबे प्रयोग-क्षेत्र प्रयोग ने पाया कि खुले कार्यों पर व्यक्तिगत GPT-4 प्रतिपुष्टि पाने वाले छात्रों ने आठ साप्ताहिक कार्यों में सबसे अधिक भागीदारी बनाए रखी (अंत तक ~50%, बनाम व्याख्याता- या सहकर्मी-प्रतिपुष्टि समूहों के लिए ~30%) और प्रति उत्तर ~29 अधिक अक्षर लिखे — व्यक्तिगत AI प्रतिपुष्टि ने विस्तृत सीमा (भागीदारी) और गहन सीमा (प्रति प्रतिक्रिया प्रयास) दोनों पर सहभागिता सक्रिय की, भले ही छात्रों ने सहकर्मी प्रतिपुष्टि को थोड़ा अधिक मूल्य दिया।

• सीखने की संरचनाओं से शैक्षणिक AI उपयोग की भविष्यवाणी। एक अन्वेषी मशीन लर्निंग ढाँचा ने 166 विश्वविद्यालय छात्रों के सर्वेक्षण डेटा का विश्लेषण किया ताकि इच्छित शैक्षणिक ChatGPT उपयोग से जुड़ी सीखने-संबंधी संरचनाओं की पहचान की जा सके, व्याख्यात्मकता बनाए रखने के लिए SHAP विश्लेषण का उपयोग करते हुए। निष्कर्ष बताते हैं कि सहभागिता, सीखने का समर्थन और अन्य संरचनाएँ छात्रों द्वारा AI उपकरणों के शैक्षणिक कार्य में समावेश को कैसे आकार देती हैं।

• किसी AI उपकरण तक पहुँच मापी गई सहभागिता कम कर सकती है, और पूर्णता दर इसे नहीं दिखाएगी। Liu et al. (2026) ने एक बड़े अमेरिकी सार्वजनिक विश्वविद्यालय में 13 ब्लॉकों में ट्यूटर पहुँच को यादृच्छिक किया और पाया कि दर्ज प्लेटफ़ॉर्म भागीदारी 0.90 SDs गिरी, पृष्ठ दृश्य 0.37–0.38 SDs और सक्रिय दिन 0.51–0.61 SDs — जबकि गृहकार्य प्रस्तुतीकरण और समय-पर प्रस्तुतीकरण प्रभावित नहीं हुए। यह अलगाव ही मापन की सीख है: कोई पाठ्यक्रम जो केवल असाइनमेंट पूर्णता की निगरानी करता है वह कुछ नहीं देखता, क्योंकि कमी चर्चा, क्विज़ और शिक्षक-इंटरैक्शन गतिविधि में थी जिसे प्लेटफ़ॉर्म ने लॉग किया। उपचारित वर्गों के छात्रों ने शिक्षक से कम सामग्री प्रश्न पूछने की भी रिपोर्ट दी (लगभग 57% बनाम 44%), इसलिए गिरावट मानवीय संपर्क से प्रतिस्थापन के साथ मेल खाती थी, पाठ्यक्रम से विलगता नहीं।

• उत्तर विलंब एक सहभागिता उपकरण है। 1,137 मात्रात्मक AI ट्यूटरिंग सत्रों में, तेज़ उत्तरों ने अधिक छात्र संदेशों और अधिक सही अभ्यास से संबद्धता दिखाई (मॉडलों में मध्यान उत्तर समय 1.9 s से 31.0 s; कम विलंबता सहभागिता से संबद्ध Spearman ρ=-0.81, p=.0056 पर), एक श्रृंखला जिसे लेखक इस प्रकार समझते हैं कि मॉडल जो शिक्षण गुणवत्ता पर उल्लेखनीय रूप से अच्छा स्कोर नहीं करते वे भी मानव-स्तरीय लाभ कैसे प्राप्त करते हैं (Northcutt et al. (2026))।

• AI उपयोग अधिक कक्षा अनुपस्थिति के साथ हो सकता है जबकि आत्मविश्वास इसकी भविष्यवाणी नहीं करता। 291 पुर्तगाली विश्वविद्यालय छात्रों के एक PLS-SEM सर्वेक्षण ने पाया कि सामान्य AI उपयोग अनुपस्थिति (β = 0.148, f² = 0.029) और स्वतंत्र सीखने के लिए स्व-प्रभाविता के साथ सकारात्मक रूप से संबद्ध था, फिर भी स्व-प्रभाविता स्वयं अनुपस्थिति की भविष्यवाणी नहीं करता था (β = −0.068, p = 0.276) — पेपर का "आत्मविश्वासपूर्ण लेकिन अनुपस्थित" पैटर्न। उपस्थिति संबद्धता मामूली थी और सहकर्मी प्रभाव (β = 0.510, f² = 0.326) और समय प्रबंधन (β = −0.163) के मुकाबले द्वितीयक थी, और चूँकि AI-उपयोग संरचना एकविमीय थी और समर्थन-उन्मुख वस्तुओं को प्रतिस्थापन-उन्मुख वस्तुओं के साथ मिलाती थी, अध्ययन पूरक उपयोग को प्रतिस्थापक उपयोग से अलग नहीं कर सकता या दिशा स्थापित नहीं कर सकता (Franco et al. (2026))।

सहभागिता का मापन: मेट्रिक-चयन की समस्या

सहभागिता को देखे जा सकने वाले संकेतों की एक श्रृंखला के माध्यम से परिचालित किया जाता है। व्यवहारगत मेट्रिक्स यह मापते हैं कि शिक्षार्थी क्या करते हैं (कार्य-समय, गतिविधि गणना, इंटरैक्शन आवृत्ति, दृढ़ता); संज्ञानात्मक मेट्रिक्स यह मापते हैं कि शिक्षार्थी कैसे सोचते हैं (प्रसंस्करण की गहराई, मर्मांकी सहभागिता, प्रवचन विश्लेषण); भावनात्मक मेट्रिक्स यह मापते हैं कि शिक्षार्थी कैसा महसूस करते हैं (भावना, प्रेरणा, रुचि); और संदर्भगत मेट्रिक्स मल्टीटास्किंग और ध्यान को पकड़ते हैं। AI-शिक्षा अनुसंधान तेज़ी से इन्हें जोड़ता है और सहभागिता को AI उपकरण डिज़ाइन और सीखने के परिणामों के बीच एक मध्यस्थ तंत्र के रूप में मानता है, स्वयं एक परिणाम के रूप में नहीं।

• छह AI अनुप्रयोग परिवार + बहु-विधि मापन: Zhou (2025) का व्यवस्थित समीक्षा 24 WoS अध्ययनों का सहभागिता के लिए छह AI अनुप्रयोगों का नक्शा बनाता है — पाठ्यक्रम डिज़ाइन में चैटबॉट, भावना/चेहरा/आवाज पहचान और आई-ट्रैकिंग, डेटा विश्लेषण के लिए ML, शिक्षक–छात्र इंटरैक्शन समर्थन, वैयक्तिकृत प्रतिपुष्टि/सिफ़ारिशें, और स्मार्ट सीखने के वातावरण में AI-संचालित बॉट। यह पाता है कि एकल-स्रोत दृष्टिकोणों की तुलना में कई AI मोडैलिटी और डेटा स्रोतों को एकीकृत करना संज्ञानात्मक, भावनात्मक और व्यवहारगत सहभागिता में अधिक सटीक, वास्तविक-समय अंतर्दृष्टि देता है — जो ऊपर की मेट्रिक-चयन समस्या को मजबूत करता है।

मेट्रिक का चयन परिभाषात्मक है: कोई अध्ययन जो सहभागिता को कार्य-समय के रूप में मापता है वह निष्कर्ष निकाल सकता है कि कोई AI उपकरण सहभागिता बढ़ाता है जब छात्र उसके साथ अधिक समय बिताते हैं, जबकि कोई अध्ययन जो सहभागिता को मर्मांकी प्रसंस्करण के रूप में मापता है वह उसी उपकरण के लिए विपरीत निष्कर्ष पर पहुँच सकता है। यही कारण है कि ज्ञान आधार का अनुसंधान सहभागिता (भागीदारी) को सीखने (वास्तविक संज्ञानात्मक लाभ) से अलग करता है — प्रदर्शन बनाम सीखना देखें — और यह कि सहभागिता मेट्रिक्स को उसके विरुद्ध मान्य किया जाना चाहिए जो वे दावा करते हैं कि मापते हैं।

• सहभागिता एक नाजुक, स्थिति-निर्भर संकेत के रूप में: पॉलिश किए गए कृतियाँ, नाजुक सहभागिता और बहु-संस्थागत सहभागिता पैटर्न पाते हैं कि सहभागिता संदर्भ, कार्य और शिक्षार्थी के अनुसार बदलती है — एक ही उपकरण कुछ छात्रों के लिए मजबूत सहभागिता पैदा करता है और दूसरों के लिए उथला, आउटपुट-पीछा व्यवहार।

• प्लेटफ़ॉर्म से व्यवहारगत टेलीमेट्री: प्रयास और प्रगति पूर्वानुमान, लर्निंग एंगेजमेंट असिस्टेंट, वीडियो सहभागिता मूल्यांकन, और लर्निंग डैशबोर्ड व्यवहारगत और शारीरिक संकेतों (ध्यान, गतिविधि, दृढ़ता) को अनुकूली प्रतिपुष्टि और शिक्षक हस्तक्षेप के लिए उपयोग किए जाने वाले सहभागिता मेट्रिक्स में बदलते हैं।

• शारीरिक संवेदन एक मोडैलिटी जोड़ता है — और एक आधार-रेखा समस्या। E3Sense सिर पर सूखे-इलेक्ट्रोड EEG, आई-ट्रैकिंग चश्मा और माथे के इलेक्ट्रोडर्मल इलेक्ट्रोड को सह-स्थापित करता है और 30 विश्वविद्यालय प्रतिभागियों से पाँच-स्तरीय क्रमबद्ध पैमाने पर 450 खंड-स्तरीय सहभागिता रेटिंग की भविष्यवाणी करता है: संलग्न बहुमाध्यमी AI प्रतिनिधित्व पर AdaBoost ने 75.0% संतुलित भीतर-एक-स्तर सटीकता प्राप्त की, बनाम सबसे आम रेटिंग की भविष्यवाणी करने के लिए 63.0%। उस अंतर की संकीर्णता ही मूल बिंदु है — भीतर-एक क्रेडिट तिरछी रेटिंग पर एक संवेदन-रहित आधार-रेखा को उसके अधिकांश स्कोर सौंप देता है — और शिक्षार्थियों से पूछना कि सहभागिता उनके लिए क्या मायने रखती है उसी माप को 64.6% से 71.5% कर दिया, यह प्रमाण कि स्व-रिपोर्ट लेबल, केवल संवेदक नहीं, यह तय करता है कि ऐसा विश्लेषण क्या दावा कर सकता है।

• निष्पक्षता बाधाओं के लिए बाहर रखे गए विषय चाहिए। एक बहु-मोडैल ध्यान अनुमानक का लिंग-लक्षित नियमितकर्ता मान्यकरण MAE अंतर को 0.02 से 0.005 तक कम करता रहा लेकिन बाहर रखे गए विषयों पर अंतर और सबसे-खराब-समूह त्रुटि दोनों बढ़ा दिया, इसलिए उपसमूह-जागरूक, बार-बार विषय-स्तरीय मान्यकरण किसी भी सहभागिता-संवेदन दावे में होना चाहिए (Fragkiadakis et al. (2026))।

• सहभागिता एक शिक्षार्थी-मॉडलिंग संकेत के रूप में: सहभागिता तीव्रता एक शिक्षार्थी-मॉडलिंग संकेत के रूप में सहभागिता की मज़बूती का उपयोग अनुकूली AI प्रणालियों को सूचित करने के लिए करता है, सहभागिता मेट्रिक्स को शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण और अनुकूली अधिगम के इनपुट के रूप में रखता है, केवल मूल्यांकन आउटपुट के रूप में नहीं।

सहभागिता बनाम सीखना

ज्ञान आधार के अनुसंधान में एक केंद्रीय विषय यह है कि सहभागिता और सीखने को अलग किया जाना चाहिए। AI उपकरण जो उच्च सहभागिता (कार्य पर समय, इंटरैक्शन मात्रा) उत्पन्न करते हैं वे सीखना नहीं पैदा कर सकते यदि वह सहभागिता निष्क्रिय हो या समझने के संज्ञानात्मक कार्य का प्रतिस्थापन करे — प्रदर्शन बनाम सीखना देखें। इसके विपरीत, उत्पादक संघर्ष और वांछित कठिनाई तब भी सीखना पैदा कर सकते हैं जब सतही सहभागिता कम महसूस होती है। सहभागिता इसलिए एक तंत्र के रूप में सर्वोत्तम रूप से मानी जाती है — जहाँ यह सार्थक संज्ञानात्मक प्रसंस्करण को प्रतिबिंबित या सक्षम करती है वहाँ मूल्यवान — एक अंतिम परिणाम के रूप में नहीं।

यह अंतर केवल शैक्षिक नहीं है। Pramod और Patil (2026) सहभागिता को अपने PLS-SEM मॉडल के केंद्र में रखते हैं, एक ओर प्रेरणा और सामाजिक उपस्थिति और दूसरी ओर कथित प्रदर्शन के बीच — उनके मॉडल का सबसे बड़ा गुणांक, और फिर भी एक अनुभूति सीखने के माप के बजाय।

शिक्षाशास्त्र AI के सहभागिता पर प्रभाव की मध्यस्थता करता है

उच्च शिक्षा में AI का एक व्यवस्थित संश्लेषण (Long et al., 2026) जोर देता है कि जिस शिक्षण विधि में कोई AI उपकरण अंतर्निहित है वह यह तय करने में निर्णायक मध्यस्थ है कि वह छात्रों को संलग्न करता है या नहीं। चैटबॉट, अनुकूली प्रणालियाँ और भविष्यसूचक विश्लेषण सहभागिता को सबसे अधिक तब बढ़ाते हैं जब इन्हें इंटरैक्टिव शिक्षाशास्त्रों के भीतर तैनात किया जाए — फ्लिप्ड कक्षाएँ, परियोजना-आधारित सीखना, और स्कैफोल्डेड प्रतिपुष्टि लूप — स्वतंत्र उपकरणों के रूप में नहीं। समीक्षा इसे PMAISE मॉडल (शिक्षाशास्त्रीय AI का छात्र सहभागिता के लिए मध्यस्थता) के रूप में औपचारिक बनाती है, AI प्रौद्योगिकियों, शिक्षाशास्त्रीय रणनीतियों और सहभागिता के भावनात्मक, व्यवहारगत और संज्ञानात्मक आयामों के बीच संरेखण का नक्शा बनाती है। निहितार्थ यह है कि सहभागिता परिणाम उपकरण और उसके आस-पास के शिक्षण डिज़ाइन दोनों के द्वारा सह-उत्पादित होते हैं: एक ही AI एक शिक्षाशास्त्र में सहभागिता बढ़ा सकता है और दूसरे में इसे रोक सकता है।

संबंधित अवधारणाओं से संबंध

छात्र सहभागिता प्रेरणा और स्वनिर्धारण सिद्धांत से अपने मनोवैज्ञानिक चालकों के रूप में जुड़ती है, और छात्र अनुभव से जीवित संदर्भ के रूप में। इसका मापन लर्निंग एनालिटिक्स और शैक्षणिक मापन पर निर्भर करता है, जो ऊपर के आयामों को परिचालित करने के मात्रात्मक उपकरण प्रदान करते हैं। गहरी और उथली सहभागिता के बीच का अंतर सीधे स्व-नियंत्रित अधिगम (स्व-नियमित शिक्षार्थी रणनीतिक रूप से संलग्न होते हैं), संज्ञानात्मक ऑफलोडिंग और अति-निर्भरता (उथली निर्भरता विफलता मोड के रूप में), और मेटाकॉग्निशन से जुड़ता है। प्रणाली डिज़ाइन में, सहभागिता संकेत शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण और अनुकूली अधिगम को आपूर्ति करते हैं, और सहभागिता परिणाम AI-शिक्षा हस्तक्षेपों के AIED में शोध विधियाँ मूल्यांकनों में प्रकट होते हैं।

• TTS संवाद-आधारित पाठों में शिक्षार्थी विशेषताएँ मध्यस्थ करती हैं (2026): LLM+TTS-उत्पन्न शिक्षक–छात्र, छात्र–छात्र और शिक्षक–शिक्षक संवाद पाठों में, अनुभवजन्य शिक्षा शैली और मर्मांकी-सोच स्वभाव ने ARCS-आधारित प्रेरणा के लिए संवाद प्रारूप के साथ महत्वपूर्ण रूप से इंटरैक्शन किया, यह संकेत देते हुए कि AI-उत्पन्न संवाद सामग्री शिक्षार्थी प्रोफ़ाइल के आधार पर भिन्न रूप से प्रेरित करती है (Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons)।

• प्राथमिक स्तर पर आयाम-विशिष्ट लाभ (2026): एक नौ-साप्ताहिक जेनAI-समर्थित L2 लेखन कार्यक्रम जिसमें 301 कक्षा 5 और 6 के छात्र शामिल थे, ने व्यवहारगत और भावनात्मक सहभागिता बढ़ाई लेकिन संज्ञानात्मक और मेटा-संज्ञानात्मक सहभागिता को अपरिवर्तित छोड़ा, और इसके लेखक लेखन के दौरान कम स्व-निगरानी को एक स्थायी जोखिम के रूप में नामित करते हैं (Lu et al., 2026)। यह पैटर्न ऊपर के सहभागिता-बनाम-सीखने अंतर का एक ठोस उदाहरण है: अधिक गतिविधि और अधिक आनंद ने गहरे प्रसंस्करण में नहीं बदला।

• अलगाव दूसरी दिशा भी चल सकता है (2026): एक 12-साप्ताहिक व्यावसायिक इंटीरियर-डिज़ाइन पाठ्यक्रम में, एक घुसपैठिया VR स्टूडियो जिसमें एक एम्बेडेड LLM शिक्षण सहायक था, ने पारंपरिक परियोजना-आधारित निर्देशन के मुकाबले संज्ञानात्मक (d = 0.90) और व्यवहारगत (d = 0.75) सहभागिता बढ़ाई जबकि भावनात्मक सहभागिता में कोई महत्वपूर्ण अंतर नहीं था (d = 0.38) — ऊपर के L2 लेखन मामले का उलट (Jin et al., 2026))। यहाँ संज्ञानात्मक और व्यवहारगत लाभ कम रिपोर्ट किए गए संज्ञानात्मक भार के साथ आए, जिसे लेखक सहायक द्वारा खोज और अंतर-अनुशासनात्मक एकीकरण प्रयास को अवशोषित करने के लिए जिम्मेदार ठहराते हैं। लेखन मामले से पढ़ने पर, दोनों अध्ययन सुझाव देते हैं कि किसी AI-समर्थित हस्तक्षेप द्वारा कौन-सा सहभागिता आयाम बढ़ाया जाता है वह डिज़ाइन की संपत्ति है — प्रवचन-भारी घुसपैठिया सहयोग बनाम एकल लेखन समर्थन — AI सहायता की सामान्य संपत्ति नहीं, और यह कि भावनात्मक लाभ को उच्च-निष्ठा या बुद्धिमान प्रतिपुष्टि से नहीं माना जा सकता।

• AI साक्षरता मनोवैज्ञानिक संसाधनों के माध्यम से सहभागिता पर काम करती है (2026): चीन के झेंगझोउ में 1,198 स्नातक छात्रों का एक मध्यस्थित मध्यस्थता अध्ययन (Wang, 2026) ने सहभागिता को AI साक्षरता के परिणास के रूप में मॉडल किया, उपकरण उपयोग के उप-उत्पाद के रूप में नहीं। AI साक्षरता ने सीखने की सहभागिता की सीधे और मनोवैज्ञानिक पूँजी बनाकर अप्रत्यक्ष रूप से भी भविष्यवाणी की, जिसमें अप्रत्यक्ष मार्ग कुल प्रभाव का लगभग आधा ले गया — आंशिक मध्यस्थता, इसलिए कोई तकनीकी सक्षमता केवल आंशिक रूप से उन मनोवैज्ञानिक संसाधनों के माध्यम से सहभागिता में बदलती है जो वह उत्पन्न करती है। व्यावसायिक प्रतिबद्धता, एक पहचान-आधारित चर, ने मनोवैज्ञानिक-पूँजी-से-सहभागिता संबंध को मध्यस्थित किया बिना अपना कोई प्रत्यक्ष प्रभाव के, और मनोवैज्ञानिक पूँजी का सहभागिता में रूपांतरण उन छात्रों के लिए उल्लेखनीय रूप से अधिक मजबूत था जिन्होंने स्वयं को पेशे की ओर जाते हुए देखा। यह पैटर्न ऊपर के बिंदु का सबसे स्पष्ट उपलब्ध उदाहरण है कि शिक्षार्थी विशेषताएँ शर्त लगाती हैं कि AI सहभागिता को कैसे प्रभावित करता है।

• AI पूर्व-कक्षा अभ्यास लाइव भागीदारी बढ़ा सकता है (2026): 759 MBA छात्रों के साथ एक पूर्व-पंजीकृत क्षेत्र प्रयोग ने पाया कि आवाज-आधारित AI चर्चा साथी के साथ तैयारी करने से बाद के सत्रों में स्वैच्छिक योगदान लगभग 31% बढ़े, लेकिन केवल दूसरे उपयोग के बाद; एक पहला उपयोग कम भागीदारी से पहले था (Wang et al., 2026)।

• विलगता एक क्रम-स्तरीय कदम है, एक स्थिर अवस्था नहीं: Rho et al. (2026) ने Math Nation में एक AI शिक्षणीय एजेंट से 5,522 छात्र उक्तियों को छह संवादी-विलगता श्रेणियों में कोड किया (असत्य उत्तर, मज़ाक, घोस्टिंग, दर्पण, रोकना, यादृच्छिक/शोर) और पाया कि सहभागिता दर 75.7% उक्तियों में प्रधान थी। असत्य उत्तर और मज़ाक के प्रचलन-आधारित संबद्धता पोस्ट-टेस्ट स्कोर के साथ एक मानव-टिप्पणी संवेदनशीलता जाँच में टिक नहीं पाएँ। क्रमिक विश्लेषण ही सहभागिता-संबंधी परिणाम है: सबसे अधिक प्रदर्शन करने वाला क्लस्टर मध्यम विलगता को मजबूत सहभागिता-पुनर्प्राप्ति संक्रमणों के साथ जोड़ता रहा (रोकना → सहभागिता p = 0.83), जबकि सबसे कम वाला ने बिना पुनर्प्राप्ति के निरंतर स्व-लूप दिखाए (सहभागिता स्व-लूप p = 0.96)। रोकना एकमात्र विलगता प्रकार थी जो हल होने के बजाय बनी रहने की प्रवृत्ति रखती थी — दृढ़ता बनाम मरम्मत, उपस्थिति बनाम अनुपस्थिति नहीं, वह अंतर है जो सहभागिता प्रक्षेपवक्रों को अलग करता है।

संबंधित अवधारणाएँ

• शिक्षार्थी — शिक्षार्थी: शिक्षार्थी-पक्ष की अवधारणाओं के लिए छत्र
• शैक्षणिक साझेदारी — शिक्षाशास्त्रीय साझेदारी
• जाँच-जिज्ञासा का समुदाय (Community of Inquiry) — जिज्ञासा समुदाय (एजेंटिक सहभागिता एक CoI आयाम के रूप में)
• ई-पोर्टफोलियो
• ऑनलाइन शिक्षण और अधिगम — ऑनलाइन शिक्षण और सीखना
• प्रेरणा
• स्वनिर्धारण सिद्धांत
• छात्र अनुभव
• लर्निंग एनालिटिक्स
• शैक्षणिक मापन
• स्व-नियंत्रित अधिगम
• संज्ञानात्मक ऑफलोडिंग
• मेटाकॉग्निशन
• शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण
• अनुकूली अधिगम
• AIED में शोध विधियाँ
• उच्च शिक्षा
• छात्रों के लिए AI उपयोग की फ्रेमिंग
• हितधारक — छत्र: AI शिक्षा में लोग और दर्शक (शिक्षार्थी, शिक्षक, डिज़ाइनर, प्रशासक, नीति निर्माता)
• स्वयं-रिपोर्ट मापन
• उत्पादक विफलता

संबंधित लेख

• Disengaged Conversational Behaviors and Learning in Student-AI Dialogues for Mathematical Problem Solving — छात्र-AI संवादों में विलग संवादी व्यवहार और सीखना (Rho et al. 2026)

• How assigned AI use before class shapes active student engagement in class — आवाज-आधारित AI पूर्व-कक्षा अभ्यास ने स्वैच्छिक कक्षा योगदान ~31% बढ़ाए, लेकिन केवल दूसरे उपयोग के बाद (Wang et al. 2026)

• Confident but absent: AI use, self-efficacy for independent learning, and student absenteeism in higher education — AI उपयोग अधिक कक्षा अनुपस्थिति से संबद्ध रहा जबकि स्व-प्रभाविता ने इसकी भविष्यवाणी नहीं की, सहकर्मी प्रभाव प्रमुख संबद्ध (Franco et al. 2026)

• When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education — जब विश्वविद्यालय GAI की वकालत करते हैं लेकिन प्रथा कम पड़ती है: कला शिक्षा में छात्र मूल्यांकन और रचनात्मक प्रक्रिया सहभागिता

• E3Sense: Head-Confined Multimodal Sensing of Learner Engagement — सिर-आकुंचित EEG, आई ट्रैकिंग और EDA पाँच-स्तरीय सहभागिता रेटिंग की भविष्यवाणी करते हैं, जबकि शिक्षार्थियों की अपनी परिभाषाएँ मैपिंग बदलती हैं (Anupkrishnan et al. 2026)

• Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation — वास्तविक-समय छात्र ध्यान अनुमान के लिए निष्पक्षता-जागरूक बहु-मोडैल ट्रांसफ़ॉर्मर मॉडलिंग

• Artificial Intelligence and Student Engagement in Online Learning: A Literature Review

• Artificial intelligence in higher education: a systematic review of its impact on student engagement and the mediating role of teaching methods — उच्च शिक्षा में AI: सहभागिता + शिक्षण विधियों की मध्यस्थ भूमिका का व्यवस्थित समीक्षा

• Examining the Impact of Generative AI on Student Motivation and Engagement: The Mediating Role of Autonomy-Support and Autonomous Motivation in Education — जनरेटिव AI का छात्र प्रेरणा और सहभागिता पर प्रभाव

• To Tab or Not to Tab: Measuring Critical Engagement in AI Code Completion Tools Using Behavioral Signals and Attention Checks — टैब दें या न दें: AI कोड पूरा करने में मर्मांकी सहभागिता का मापन

• Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents — सहयोगी प्रवचन में संज्ञानात्मक सहभागिता का मापन

• Not All Students Engage Alike: Multi-Institution Patterns in GenAI Tutor Use — सभी छात्र एक जैसे संलग्न नहीं होते: बहु-संस्थागत पैटर्न

• "Polished Artifacts, Fragile Engagement? Tackling the Challenge of Reduced Epistemic Effort in Human-AI Knowledge Construction" — पॉलिश किए गए कृतियाँ, नाजुक सहभागिता

• Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming — "इतना प्रयास क्यों करें?": AI की उपलब्धता प्रेरणा को कैसे आकार देती है

• Distinguishing performance gains from learning when using generative AI — प्रदर्शन लाभ को सीखने से अलग करना

• Scaffolding critical engagement with GenAI: Transforming ethnic minority preparatory students' collaborative discourse — जेनAI के साथ मर्मांकी सहभागिता का स्कैफोल्डिंग

• Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction — सहभागिता तीव्रता एक शिक्षार्थी-मॉडलिंग संकेत के रूप में

• Learning Engagement Assistant (LEA): Cross-Course Scalability and Classroom Evaluation of an Agentic AI Tutoring System — लर्निंग एंगेजमेंट असिस्टेंट

• EduGage: Methods and Dataset for Sensor-Based Momentary Assessment of Engagement in Self-Guided Video Learning — वीडियो सीखने में सहभागिता मूल्यांकन

• From Heuristics to Analytics: Forecasting Effort and Progress in Online Learning — अनुमानात्मक से विश्लेषण तक: प्रयास और प्रगति का पूर्वानुमान

• Interactive learning dashboards: rethinking learning visualisations as engagement tools — इंटरैक्टिव लर्निंग डैशबोर्ड और सहभागिता

• Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons — शिक्षार्थी विशेषताएँ × TTS संवाद-प्रारूप इंटरैक्शन

• Explaining learning engagement in AI-assisted learning through teacher support and achievement goals: insights from goal-setting theory — लक्ष्य-निर्धारण सिद्धांत: AI-सहायित अंग्रेज़ी सीखने में शिक्षक समर्थन, उपलब्धि लक्ष्य और सहभागिता (758 चीनी छात्र)

• Engagement in LLM Chatbot-Supported Learning: The Pivotal Roles of GenAI Competency and Emotion — चैटबॉट सहभागिता के चालक के रूप में जेनAI सक्षमता और भावना (Zhao et al. 2026)

• Chat as Learning: Student-AI Conversations as Discipline-Associated Cognitive Engagement Patterns — छात्र-AI वार्तालापों में अनुशासन-संबद्ध ब्लूम-स्तर संज्ञानात्मक सहभागिता (Chang और Li 2026)

• GPT-4 feedback increases student activation and learning outcomes in higher education

• Exploring the impact of a GenAI-supported writing program on primary students' writing motivation, engagement — प्राथमिक स्तर पर आयाम-विशिष्ट सहभागिता लाभ (Lu et al., 2026)

• Cultivating Design Creativity of Vocational Students: A Model of Project-Based Learning in AI-Enabled Immersive Virtual Environments — एक घुसपैठिया VR PBL स्टूडियो में संज्ञानात्मक और व्यवहारगत सहभागिता ऊपर, भावनात्मक सहभागिता समतल (Jin et al., 2026)

• Enhancing enthusiasm for STEM education with AI: Domain-specific chatbot as personalized learning assistant — क्लस्टर-यादृच्छिक माध्यमिक गणित प्रयोग: अनुकूलित चैटबॉट के साथ स्थितिज रुचि बढ़ी जबकि परीक्षण प्रदर्शन नहीं (Rücker और Becker-Genschow 2025)

• The impact of artificial intelligence literacy on learning engagement among university students: the mediating role of psychological capital and the moderating role of professional identity — AI साक्षरता सहभागिता को सीधे और मनोवैज्ञानिक पूँजी के माध्यम से चलाती है, व्यावसायिक प्रतिबद्धता से प्रबलित (Wang 2026)

• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench: AI और मानव ट्यूटरिंग समकक्ष GRE सीखने के लाभ देते हैं

• The Effects of Course-Integrated AI Tutoring on Student Performance and Engagement: A Randomized University Trial — AI ट्यूटर तक पहुँच ने दर्ज प्लेटफ़ॉर्म भागीदारी 0.90 SDs कम की जबकि गृहकार्य प्रस्तुतीकरण स्थिर रहा (Liu et al. 2026)