शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण

इस पृष्ठ पर

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

शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण — यह उस समस्त अवधारणा-परिवार के लिए एक छत्र शब्द है जो बताता है कि AI शिक्षार्थियों का प्रतिनिधित्व कैसे करता है (वे क्या जानते हैं, क्या महसूस करते हैं और क्या चाहते हैं) और वह उन प्रतिनिधित्वों का उपयोग शिक्षण को अनुकूलित करने के लिए कैसे करता है। इस परिवार में मॉडलिंग परत शामिल है — छात्र मॉडलिंग, ज्ञान अनुरेखण, संज्ञानात्मक निदान, और छात्रों का सिमुलेशन — और अनुकूली प्रणालियाँ जो इन मॉडलों का उपभोग करती हैं — इंटेलिजेंट ट्यूटरिंग, अनुकूली अधिगम, और व्यक्तिगत शिक्षा। साझा प्रश्न: एक प्रणाली यह कैसे जानती है कि कोई शिक्षार्थी क्या जानता है, और उसे आगे क्या पढ़ाना चाहिए?

विचार के लिए प्रश्न

इस पेज का छत्र प्रश्न यह है: एक प्रणाली यह कैसे जानती है कि कोई शिक्षार्थी क्या जानता है, और उसे आगे क्या पढ़ाना चाहिए? आगे पढ़ने से पहले — आप किसी मशीन में 'शिक्षार्थी क्या जानता है' का प्रतिनिधित्व कहाँ से शुरू करेंगे?
शिक्षार्थी मॉडलिंग में ज्ञान-अनुरेखण (knowledge tracing, समय के साथ ज्ञान को ट्रैक करना), संज्ञानात्मक निदान (cognitive diagnosis, अर्जित कौशलों का मैपिंग), और छात्र सिमुलेशन (कृत्रिम शिक्षार्थियों का निर्माण) शामिल हैं। आपके अनुसार प्रत्येक दृष्टिकोण किस काम में अच्छा है — और प्रत्येक किस बात में गलती करने का जोखिम उठाता है?
प्रत्येक अनुकूली AI शिक्षार्थी के किसी न किसी मॉडल पर निर्भर करता है। यदि कोई मॉडल उतनी ही अच्छा है जितना उसे खिलाने वाला साक्ष्य, तो आपके अनुसार AI प्रणालियों के पास किसी छात्र के बारे में असल में कौन-सा साक्ष्य होता है, और उनके बारे में कौन-सी महत्वपूर्ण बातें अदृश्य रह जाती हैं?
कोई मॉडल यह तो पकड़ सकता है कि छात्र क्या सही और क्या गलत करता है, पर यह नहीं कि वह क्यों करता है, या वह कैसा महसूस करता है। कोई शिक्षार्थी मॉडल किस तरीके से एक अनुकूली प्रणाली को गुमराह कर सकता है, जिससे छात्र की मदद के बजाय नुक़सान हो?
यदि आप एक अनुकूली ट्यूटर डिज़ाइन कर रहे हों, तो आप चाहेंगे कि आपके बारे में उसका मॉडल क्या शामिल करे — और आप चाहेंगे कि उसे किन बातों का अनुमान लगाने पर स्पष्ट रूप से रोक हो?

परिचय

शिक्षार्थी मॉडलिंग शिक्षार्थियों की संगणकीय प्रतिनिधित्व है; अनुकूली शिक्षण वह है जो प्रणालियाँ उस प्रतिनिधित्व के साथ करती हैं। शिक्षा में हर अनुकूली AI शिक्षार्थी के किसी न किसी मॉडल पर निर्भर करता है — यहाँ तक कि एक हल्के पर भी — और हर शिक्षार्थी मॉडल का अस्तित्व किसी शिक्षण निर्णय को सूचित करने के लिए है। यह पेज उस पाइपलाइन के लिए एक छत्र है: मॉडलिंग विधियाँ, मॉडलों पर कार्य करने वाली प्रणालियाँ, और ये एक-दूसरे से कैसे जुड़ी हैं।

मॉडलिंग परत

ये अवधारणाएँ "यह शिक्षार्थी क्या जानता है, क्या महसूस करता है और क्या चाहता है?" का उत्तर देती हैं — इस परिवार का प्रतिनिधित्व पक्ष।

छात्र मॉडलिंग — शिक्षार्थी विशेषताओं (ज्ञान, कौशल, भावनात्मक अवस्थाएँ, सहभागिता, प्राथमिकताएँ) को संगणकीय रूप में प्रस्तुत करने का व्यापक अभ्यास। यह इस परत के भीतर का छत्र शब्द है, जो शिक्षार्थी के प्रतिनिधित्व के सभी तरीकों को सम्मिलित करता है।
ज्ञान अनुरेखण — अभ्यासों पर प्रदर्शन को ट्रैक करके और भविष्य की दक्षता की भविष्यवाणी करके संज्ञानात्मक ज्ञान को समय के साथ मॉडल करने का विशिष्ट अभ्यास। यह सीखने की समयबद्ध गतिशीलता को औपचारिक रूप देता है — ज्ञान कब अर्जित होता है, कब क्षीण होता है, और अवधारणाएँ एक-दूसरे से कैसे संबंधित हैं।
संज्ञानात्मक निदान — यह सूक्ष्म-स्तरीय मूल्यांकन कि शिक्षार्थी ने किन विशिष्ट कौशलों या ज्ञान घटकों में दक्षता प्राप्त की है, जो एक दक्षता-प्रोफ़ाइल बनाती है और लक्षित पुनर्प्राप्ति (remediation) का समर्थन करती है।
छात्रों का सिमुलेशन — किसी वास्तविक शिक्षार्थी के प्रतिनिधित्व के बजाय मांग पर कृत्रिम शिक्षार्थियों का उत्पादन, ताकि शिक्षाशास्त्र और शिक्षण रणनीतियाँ और AI प्रणालियों का ऑफ़लाइन परीक्षण या प्रशिक्षण किया जा सके।
छात्र मॉडलों के लिए एक कारणात्मक औपचारिकता। Mangili et al. (2026) शोरयुक्त-गेट बेज़ियन नेटवर्क को विशेषज्ञों से प्राप्त संरचनात्मक कारणात्मक मॉडलों से बदलते हैं, जिसमें संकेतों (hints) को स्पष्ट अंतर्जात चर बनाया जाता है ताकि मॉडल यह पूछ सके कि छात्र ने उस सहायता के बिना क्या उत्तर दिया होता — यह थोड़ा कम पूर्वानुमानी है, लेकिन प्रतिबिंबात्मक (counterfactual) विश्लेषण में सक्षम है, जिसे संबद्ध मॉडल व्यक्त नहीं कर सकते।

Zhang, Jeffries & Koprinska (2025) का अध्ययन दर्शाता है कि वफादार प्रतिनिधित्व के लिए सबसे जटिल मॉडल परिवार की आवश्यकता नहीं है: एक हल्का, आंतरिक रूप से व्याख्या-योग्य निर्णय-वृक्ष छात्र मॉडल — जो समृद्ध टेलीमेट्री के बजाय पाठ्यक्रम सामग्री-इंटरैक्शन विशेषताओं से बनाया गया है — बड़े पैमाने के ऑनलाइन प्रोग्रामिंग पाठ्यक्रमों में मॉड्यूल-स्तरीय प्रगति की भविष्यवाणी करता है (85–91% शुद्धता) और असहभागी जोखिम-ग्रस्त, असहभागी लेकिन सफल, तथा सहभागी उच्च-प्रदर्शक सहभागिता प्रोफ़ाइलों को अलग करता है, जिससे पैमाने पर लर्निंग एनालिटिक्स प्रारंभिक-चेतावनी का समर्थन होता है।

एक पूर्वानुमान छात्र मॉडल ट्रैस डेटा के बजाय नामांकन की संरचना पर भी टिक सकता है: TRACE प्रत्येक सेमेस्टर को पाठ्यक्रमों के एक अक्रमित समूह के रूप में एन्कोड करता है और पाठ्यक्रम-समूह तथा ग्रेड दोनों की संयुक्त भविष्यवाणी करता है, जिससे केवल-ग्रेड मॉडल की तुलना में ग्रेड-पूर्वानुमान त्रुटि 0.1339 MAE तक घट जाती है — 46.4% कम — 5,326 छात्रों और दस वर्षों पर (Savala (2026)).

छात्र मॉडलों को पूरी तरह व्यवहारगत निशानों (behavioral traces) से भी बनाया जा सकता है और फिर भी अनुकूलन का समर्थन मिलता है। An, Hammock & Goel (2025) ने VERA में 822 पारिस्थितिक मॉडल बनाते 315 ऑनलाइन शिक्षार्थियों के क्लिकस्ट्रीम से — बिना किसी जनसांख्यिकीय या संदर्भगत डेटा के — तीन सहभागिता प्रोफ़ाइल निकालीं: Observation (अवलोकन), Construction (निर्माण), और Exploration (अन्वेषण), और दिखाया कि ये प्रोफ़ाइल मॉडल की गुणवत्ता की भविष्यवाणी करती हैं (Exploration सबसे जटिल और विविध मॉडल देता है, जबकि Observation में मूल के बजाय नकल किए गए मॉडल हावी होते हैं)। ऐसी सहभागिता-स्तरीय विशेषताएँ वे स्थूल-स्तरीय छात्र मॉडल हैं जिन्हें अनुकूली-शिक्षण परत प्रतिक्रिया को लक्षित करने के लिए उपभोग कर सकती है।

भावनात्मक छात्र मॉडलिंग एक और आयाम है: एक गणित ट्यूटर ने संवादी पाठ और चेहरे के भाव से भावना का अनुमान लगाया और समेकित अवस्था को शिक्षण रणनीतियों से मैप किया, लेकिन बहु-माध्यमीय संलयन प्रतिभागियों के अपने एनोटेशन के विरुद्ध केवल 60% शुद्धता पर पहुँचा, जिससे भावना-पठन इस पाइपलाइन का सबसे कमज़ोर कड़ी बन गया (Kar et al. (2025)).

Gutterman et al. (2026) ने पाया कि गणित अभ्यास के दौरान दर्ज एक विलंबित-प्रारंभ संकेत अंग्रेज़ी के परिणामों की भविष्यवाणी करता है, जहाँ दीर्घकालिक विलंबक (13 मिनट से अधिक) कम लाभ दिखाते हैं (ELA β = -.11 SD), यहाँ तक कि पूर्व ज्ञान और कार्य-पर समय को नियंत्रित करने के बाद भी — इसलिए व्यवहारगत छात्र मॉडल प्रति-पाठ्यक्रम पुनः प्रशिक्षण के बिना विषयों के बीच स्थानांतरित हो सकते हैं, हालाँकि उनके कट-बिंदु पुनः निर्धारित किए जाने चाहिए।

अनुकूली-शिक्षण परत

ये अवधारणाएँ "आगे क्या पढ़ाना चाहिए?" का उत्तर देती हैं — वह अनुप्रयोग पक्ष जो शिक्षार्थी मॉडलों का उपभोग करता है।

इंटेलिजेंट ट्यूटरिंग — ऐसी प्रणालियाँ जो छात्र मॉडलों और दक्षता-आकलनों का उपयोग करके समस्याएँ चुनती हैं और चरण-स्तरीय मार्गदर्शन देती हैं; यह शिक्षार्थी मॉडलिंग का शास्त्रीय अनुप्रयोग है।
अनुकूली अधिगम — ऐसी प्रणालियाँ जो शिक्षार्थी मॉडल के प्रतिक्रियास्वरूप सामग्री, गति या कठिनाई को समायोजित करती हैं।
व्यक्तिगत शिक्षा — व्यक्तिगत शिक्षार्थी विशेषताओं और प्राथमिकताओं के अनुसार निर्देश, सामग्री और अधिगम मार्गों की व्यापक अनुकूलन।

सदस्य अवधारणाएँ एक-दूसरे से कैसे जुड़ी हैं

ये अवधारणाएँ एक पाइपलाइन बनाती हैं, प्रतिस्पर्धी विकल्प नहीं: छात्र मॉडलिंग छत्र प्रतिनिधित्व है; ज्ञान अनुरेखण और संज्ञानात्मक निदान विशिष्ट मॉडलिंग विधियाँ हैं जो उसे भरती हैं; सिमुलेशन वास्तविक के प्रतिनिधित्व के बजाय शिक्षार्थियों को उत्पन्न करता है; और इंटेलिजेंट ट्यूटरिंग, अनुकूली अधिगम, तथा व्यक्तिगत शिक्षा वे प्रणालियाँ हैं जो शिक्षण को अनुकूलित करने के लिए इन मॉडलों का उपभोग करती हैं।

छात्र मॉडलिंग बनाम छात्र सिमुलेशन यह मुख्य भेद है जिसे स्पष्ट रखना आवश्यक है। छात्र मॉडलिंग किसी वास्तविक शिक्षार्थी का प्रतिनिधित्व करने के बारे में है — किसी वास्तविक छात्र के डेटा से एक मॉडल बनाना ताकि एक अनुकूली प्रणाली उस व्यक्ति पर कार्य कर सके। इसके विपरीत, छात्र सिमुलेशन मांग पर एक कृत्रिम शिक्षार्थी उत्पन्न करता है जो वास्तविक शिक्षार्थियों का स्थान ले, ताकि शिक्षण-विधि और AI का ऑफ़लाइन मूल्यांकन या प्रशिक्षण किया जा सके। ये दोनों एक-दूसरे के स्थानापन्न नहीं बल्कि घनिष्ठ रूप से संबंधित हैं: सिम्युलेटेड छात्र आमतौर पर एक छात्र मॉडल (एक संज्ञानात्मक अवस्था, भ्रम समुच्चय, या सहभागिता प्रोफ़ाइल) को अंतर्निहित करते हैं और उन्हीं संकल्पनाओं पर निर्भर करते हैं जिन्हें ज्ञान अनुरेखण और संज्ञानात्मक निदान औपचारिक रूप देते हैं। उनके उद्देश्य भिन्न हैं — छात्र मॉडलिंग किसी वास्तविक व्यक्ति के बारे में निर्णयों को सूचित करके लाइव अनुकूलन की सेवा करती है, जबकि सिमुलेशन प्रणालियों को परखने के लिए (और बढ़ते हुए AI का ऑडिट करने के लिए, जैसे López-Pernas et al. (2026)) शिक्षार्थियों का निर्माण करता है, न कि किसी वास्तविक व्यक्ति पर कार्य करने के लिए।

ज्ञान-अनुरेखण बनाम छात्र मॉडलिंग यह एक अन्य सामान्य भ्रम है। ज्ञान-अनुरेखण विशेष रूप से समय के साथ संज्ञानात्मक ज्ञान को मॉडल करता है; छात्र मॉडलिंग शिक्षार्थी के सभी पहलुओं (भावनात्मक अवस्था, सहभागिता, प्राथमिकताएँ) को कवर करने वाला व्यापक अभ्यास है। ज्ञान-अनुरेखण छात्र मॉडलिंग का एक प्रकार है जो संज्ञानात्मक-समयबद्ध आयाम पर केंद्रित है। ज्ञान-अनुरेखण की संकल्पनाएँ सिम्युलेटेड छात्रों को भी सूचित करती हैं — एक सिम्युलेटेड शिक्षार्थी की संज्ञानात्मक अवस्था अक्सर उसी दक्षता/क्षय गतिशीलता से औपचारिक रूप दी जाती है जिसे ज्ञान-अनुरेखण मॉडल करता है, इसलिए सिमुलेशन उन ज्ञान-अवस्थाओं को उत्पन्न करने का एक तरीका है जिन्हें अनुरेखण विधियाँ सामान्यतः वास्तविक प्रतिक्रिया डेटा से अनुमानित करती हैं।

अनुरेखण को पाठ्यक्रम से बाँधना मॉडल को मज़बूत करता है। Pradeesh et al. (2026) दिखाते हैं कि जब अनुरेखण को स्पष्ट पाठ्यक्रम संरचना से जोड़ा जाता है, न कि केवल डेटा से सीखा जाता है, तब शिक्षार्थी मॉडल वफादारी प्राप्त करता है: उनका Outcome-Based Knowledge Tracing (OKT) Outcome-Based Education के पाठ्यक्रम परिणामों को अनुरेखण के लिए ज्ञान संकल्पनाओं के रूप में मानता है, पाठ्यक्रम और कार्यक्रम परिणामों के बीच विशेषज्ञ-प्रमाणित OBE "एफिनिटी मैपिंग" के माध्यम से संकल्पना संबंध प्रदान करता है (अंतर्निहित ध्यान या ग्राफ संदेश पासिंग का एक स्पष्ट विकल्प), और एक स्मृति-संवर्धित मॉड्यूल का उपयोग करता है जो यह मॉडल करता है कि एक परिणाम की प्राप्ति दूसरों को कैसे प्रभावित करती है। लाइव इंजीनियरिंग-कार्यक्रम डेटा पर इसने DKT, DKVMN, EKT और SimpleKT बेसलाइन को हराया (89.81% AUC), यह दर्शाते हुए कि मॉडलिंग परत शिक्षार्थियों के अधिक वफादारी से प्रतिनिधित्व के लिए पाठ्यक्रम की अपनी संरचना का लाभ उठा सकती है।

इंटेलिजेंट ट्यूटरिंग बनाम अनुकूली/वैयक्तिकृत सीखना अनुप्रयोग पक्ष पर स्थित है: इंटेलिजेंट ट्यूटरिंग वह प्रणाली है जो समस्याएँ चुनती है और चरण-स्तरीय मार्गदर्शन देती है; अनुकूली सीखना सामग्री और गति को ठीक करती है; वैयक्तिकृत सीखना पूरे सीखने के अनुभव की सबसे व्यापक अनुकूलन है। तीनों मॉडलिंग परत की "उपभोक्ता" हैं।

साझा वैधता चुनौती

पूरे परिवार में, निर्धारक वैधता चुनौती एक ही है: शिक्षार्थी प्रतिनिधित्व को प्रणाली की डिफ़ॉल्ट धारणाओं के बजाय शिक्षार्थी की वास्तविक अवस्था का वफादारी से प्रतिबिंब होना चाहिए। छात्र मॉडलिंग और ज्ञान अनुरेखण के लिए इसका अर्थ है कि मॉडल को सचमुच यह पकड़ना चाहिए कि शिक्षार्थी क्या जानता है (मूल्यांकन और मापन वैधता)। सिमुलेशन के लिए इसका अर्थ है कि कृत्रिम शिक्षार्थी को मॉडल की पूर्ण दक्षता या चापलूसीपूर्ण सहमति के बजाय यथार्थपरक अदक्षता दिखानी चाहिए। खराब मॉडलों का उपभोग करने वाली अनुकूली प्रणालियाँ उस त्रुटि को विरासत में लेती हैं और उसे फैलाती हैं।

गेमप्ले से शिक्षार्थी अवस्था का अनुमान लगाने वाले मॉडल 0.848–0.913 AUC तक पहुँचे, फिर भी समीक्षा की गई 55 अध्ययनों में से केवल दो ने उन्हें जनसांख्यिकीय पूर्वाग्रह के लिए ऑडिट किया और केवल एक ने शिक्षार्थी क्षमता के अनुसार विभेदित परिणामों की जाँच की (Kaşarcı and Yurt (2026)).

कुछ अभिप्रेत संकेत संवाद से बिल्कुल भी प्राप्त न हो सकते: Learning Context ढाँचे के पायलट ने भ्रम 91.4% और चिंता 100% पर पुनः प्राप्त की, लेकिन सच्चनिष्ठा (conscientiousness) केवल 68.6% और भाषा दक्षता 60% पर — इसलिए एक संदर्भ-जागरूक मॉडल को धीरे-सतह पर आने वाली विशेषताओं को पकड़ना चाहिए, न कि संवाद उन्हें उजागर करने का इंतज़ार करना चाहिए (Liu et al. (2026)).

Lin et al. (2026) ऐसे कृत्रिम शिक्षार्थियों के वैधीकरण में एक चक्रीयता उजागर करते हैं: उनके EduMirror एजेंट बाद में मनोमापी प्रश्नावली लागू करते हैं और एजेंट के आंतरिक मूल्य प्रतिनिधित्व के साथ सहमति को मनोवैज्ञानिक वैधता पढ़ते हैं, लेकिन चूँकि Surveyor उसी मूल्य प्रणाली में पहले से एन्कोडेड आयामों को मापता है, यह जाँच एक संगति जाँच है, स्वतंत्र वैधीकरण नहीं।

सही होना हमेशा एक वफादार संकेत नहीं होता। An, McLaren, and Stamper (2026) दिखाते हैं कि सही क्रियाओं से दक्षता का अनुमान लगाने वाला छात्र मॉडल शिक्षार्थी की वास्तविक अवस्था को गलत प्रस्तुत कर सकता है: जो शिक्षार्थी भ्रामक अति-सामान्यीकरण प्रदर्शित करते हैं वे अर्जित दिखते हैं फिर भी एक महत्वपूर्ण अनुप्रयोग बाधा को छोड़ देते हैं, इसलिए अनुकूली प्रणालियाँ अभ्यास समय से पहले रोक सकती हैं। छात्र मॉडलों को सशर्त समझ का आकलन करना चाहिए — जिसमें यह भी हो कि क्या शिक्षार्थी जानता है कि किसी क्रिया को कब रोकना है — न कि केवल क्रिया की सही होने का आकलन।

छिपे भ्रम इसी विफलता को दूसरी ओर से दिखाते हैं: Imran and Bulathwela (2026) ने पाया कि एक फ़ाइन-ट्यून किए गए वर्गीकर्ता ने दोषपूर्ण तर्क से पहुँचे सही उत्तरों में से 57.4% को पकड़ा, और 1.6% प्रसार पर भी एक 83.6%-शुद्ध तर्क मॉडल ने प्रति पहचान 8 झूठे अलार्म छोड़े — इसलिए सहीपन-आधारित दक्षता संकेत अपूर्ण भी हैं और उन्हें सुधारना महँगा भी।

एक मॉडल का वैधीकरण कैसे होता है, यह स्वयं एक वैधता प्रश्न है। Schuetze, Yan, and Carvalho (2025) दिखाते हैं कि लोकप्रिय छात्र मॉडल (BKT, BKT-with-Forgetting, AFM) मानव सीखने को तभी पकड़ने के रूप में दिखते हैं जब उन्हें पूर्ण बहु-सत्र डेटासेट पर पश्चवर्ती रूप से फ़िट किया जाता है; समय-आधारित (वॉक-फ़ॉरवर्ड) क्रॉस-वैधीकरण के तहत — भविष्य के सत्र को पिछले सत्रों से भविष्यवाणी करना, जिस तरीके से ऐसे मॉडल वास्तव में तैनात होते हैं — वे प्रदर्शन को अधिक आँकते हैं, स्पेसिंग प्रभाव को चूकते हैं, और अभ्यास शर्तों को गलत क्रम में रखते हैं। क्योंकि विस्मरण-संवर्धित और विस्मरण-रहित मॉडल सत्रों में लगभग बराबर प्रदर्शन करते हैं, लेखकों का निष्कर्ष है कि विस्मरण अक्सर छात्र पैरामीटरों में अवशोषित हो जाता है, न कि सचमुच प्रतिनिधित्व प्राप्त करता। इस परिवार के लिए सबक यह है कि एक वफादार शिक्षार्थी प्रतिनिधित्व को जिस तरीके से उसका उपयोग होता है, उसी तरीके से वैधीकृत होना चाहिए — और क्षणिक प्रदर्शन को दीर्घकालिक अवधारणा से मिला देना ऐसे मॉडल देता है जो सटीक दिखते हैं फिर भी शिक्षार्थियों को गलत प्रस्तुत करते हैं।

LLM-युग की मॉडलिंग

हाल के प्रगति समृद्ध मॉडलिंग के लिए LLM का उपयोग करती हैं। HiLLM-CD ढाँचा छात्रों को दक्षता वृक्षों के रूप में प्रस्तुत करता है; बहु-माध्यमीय दृष्टिकोण विविध डेटा स्रोतों से साक्ष्य-आधारित ज्ञान प्रतिनिधित्व बनाते हैं; LLM अब तर्क के साथ छात्रों का सिमुलेशन करते हैं। LLM शैक्षणिक पाठ से स्वचालित मॉडल निर्माण और उच्च-वफादारी वाले छात्र सिमुलेशन को सक्षम बनाते हैं, विशेषज्ञ एनोटेशन पर निर्भरता को घटाते हुए — और साथ ही ऊपर की वफादारी चिंताओं को और तीखा करते हुए। शिक्षार्थी-मॉडल संकेत LLM तर्क को भी आधार देते हैं: Reddig, Arora & MacLellan (2025) ने पाया कि GPT-4 को किसी छात्र का बेज़ियन ज्ञान अनुरेखण कौशल-आकलन, ट्यूटर के इंटरफ़ेस संरचना के साथ दिया जाने, उसकी त्रुटि निदान को तीव्र रूप से सुधारता है (गुणनखंडन पर तार्किक-त्रुटि पहचान 40% से 81% तक; कुल ~87.8%), जबकि बहु-चरण समस्याएँ और कई त्रुटियों वाले उत्तर सबसे कमज़ोर मामले बने रहे — यह साक्ष्य है कि एक औपचारिक छात्र मॉडल को LLM से जोड़ना किसी वास्तविक छात्र के बारे में वैध निष्कर्ष को मज़बूत करता है, पर गारंटी नहीं देता। CoLearn (He et al., 2026) दिखाता है कि उस जोड़ी के एक संतुलित संस्करण का रूप क्या है: दक्षता और खनित भ्रम प्रति (शिक्षार्थी, विषय) संग्रहीत होते हैं, प्रति-सत्र लॉग के रूप में नहीं, ताकि सत्रों में साक्ष्य जमा हो, और स्मृति एक LLM-श्रेणित अवलोकन फलन द्वारा लिखी जाती है जबकि वह दक्षता-पट्टियों और एक लेबल के माध्यम से शिक्षार्थी को निरीक्षण योग्य बनी रहती है जो बताता है कि प्रत्येक उत्पन्न प्रश्न किसे परखने के लिए चुना गया था। इसके नियंत्रण लेखन चरण को स्पष्ट करते हैं — जब स्मृति को पढ़ा जाता है लेकिन अब अद्यतन नहीं किया जाता, तो सचमुच कमज़ोर कौशल को लक्षित वस्तुओं का हिस्सा 0.72 से 0.57 तक गिर जाता है — और यह इस पेज की शर्त को बरकरार रखता है: संग्रहीत दक्षता छात्र के बारे में एजेंट की धारणा है, उनके ज्ञान का माप नहीं।

भाषा ID एम्बेडिंग को प्रतिनिधित्व के रूप में बदल सकती है: PLCD LLM-से-निकाली गई संकल्पना स्कीमा और अभ्यास प्रक्रिया ग्राफ़ को पूर्ववर्ती (priors) के रूप में बनाता है और XES3G5M पर 83.51% शुद्धता प्राप्त करता है, जिसमें सबसे बड़ा लाभ शीत प्रारंभ में है — नई संकल्पनाओं के लिए KCD से 4.60 ACC अंक और नए अभ्यासों के लिए 4.00 अंक अधिक — जहाँ ID-आधारित मॉडलों के पास कोई इतिहास नहीं होता (Liu et al. (2026)).

सिम्युलेटर गुणवत्ता दो अक्षों में बँटती है: एक पूल-फिर-विशेषज्ञीकरण पाइपलाइन जो प्रति-छात्र अडैप्टर से पहले साझा व्यवहार पैटर्न प्रशिक्षित करती है, ने शतरंज में व्यवहारगत वफादारी 0.51 और मार्गदर्शन अनुक्रियाशीलता 0.91 प्राप्त की, जबकि एक अग्रणी रोल-प्ले बेसलाइन के लिए 0.23 और 0.72 — यह दर्शाते हुए कि एक सिम्युलेटर को एक छात्र से मेल खाना और निर्देशन-योग्य होना दोनों चाहिए (Yang et al. (2026)).

जोखिम स्कोर सटीक हो सकते हैं फिर भी असमर्थित: Gheisari and Salarian (2026) ने नामांकन और प्रदर्शन अभिलेखों से पीछे हटने की भविष्यवाणी में 99% शुद्धता प्राप्त की, लेकिन एक ही संस्थान के 1,027 साफ़ किए गए अभिलेखों पर, बिना बाह्य वैधीकरण, बिना परखे गए हस्तक्षेप, और निष्पक्षता ऑडिट को भविष्य के कार्य के रूप में नामित किए — यह स्कोर छँटाई का समर्थन करता है, किसी छात्र के बारे में फ़ैसला नहीं।

जो केवल जोखिम की भविष्यवाणी करता वह छात्र मॉडल निर्णय-समर्थन के लिए पर्याप्त नहीं है: एक अंशांकित जोखिम-ग्रस्त मॉडल को असतत क्रियाओं पर पूर्णांक-प्रोग्रामिंग पुनर्निवार (recourse) से जोड़ना — समय, बजट, अपरिवर्तनीयता और उपलब्धता बाधाओं के विरुद्ध मान्य किया गया — संक्षिप्त हस्तक्षेप योजनाएँ उत्पन्न करता है, जबकि केवल अनुकूलन ने अक्रिय-योग्य योजनाएँ स्वीकार कर लीं (Le, Abel & Laforge (2026)).

एक काला-बक्सा आकलक को एक छोटे स्वयं-व्याख्यात्मक मॉडल में भी संक्षिप्त किया जा सकता है: एक दो-चरणीय पाइपलाइन एक फ़िट किए गए आकलक और उसकी पश्चवर्ती व्याख्या को एक 2B-पैरामीटर "मेंटी" में बदलती है जो एक आकलन के साथ-साथ एक वर्णन लौटाता है, और जो धाराप्रवाहता के बजाय वफादारी के लिए ऑडिट किया जाता है (Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics)।

अन्य अवधारणाओं से संबंध

शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण लर्निंग एनालिटिक्स (डैशबोर्ड और हस्तक्षेप), निर्माणकारक मूल्यांकन (विश्लेषण-चालित मूल्यांकन), और प्रतिपुष्टि (वह जो प्रणाली शिक्षार्थी को बताती है) में प्रवाहित होते हैं। यह AI for education की एक मूल धागे के रूप में शिक्षा में AI से जुड़ता है।

मेटाडेटा

प्रौद्योगिकियाँ और तकनीकें

अनुकूली अधिगम, संज्ञानात्मक निदान, इंटेलिजेंट ट्यूटरिंग, ज्ञान अनुरेखण, लर्निंग एनालिटिक्स, बड़े भाषा मॉडल (LLMs), व्यक्तिगत शिक्षा, छात्रों का अनुकरण, शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण

Source History Edit Chat