शिक्षकों की AI योग्यता

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

Teacher AI competency — वह ज्ञान, कौशल और अभिवृत्तियाँ जो शिक्षकों को AI को शिक्षण और सीखने में प्रभावी, नैतिक और समान रूप से एकीकृत करने के लिए चाहिए। यह तकनीकी उपकरण उपयोग से आगे बढ़कर शिक्षाशास्त्रीय एकीकरण, मूल्यांकन साक्षरता, नैतिक निर्णय, और AI का अच्छी तरह उपयोग करने का आत्मविश्वास शामिल करता है। Teacher AI competency, AI साक्षरता का शिक्षक-पक्षीय समकक्ष है, और व्यावसायिक विकास के माध्यम से विकसित होती है। यह AI-संवर्धित कक्षाओं में शिक्षक की भूमिका के रूपांतरण का केंद्रीय अंग है।

विचार करने योग्य प्रश्न

• पेज यह तर्क देता है कि AI सीखने में सुधार हो या नहीं, इसमें शिक्षक 'निर्णायक कारक' है — उपकरण तभी मदद करते हैं जब शिक्षक उनके लिए योजना बना सकते हैं, उपयोग को स्कैफोल्ड कर सकते हैं, और आउटपुट का मूल्यांकन कर सकते हैं। क्या यह आपके अनुभव से मेल खाता है, या आपको लगता है कि शिक्षक से अधिक उपकरण ही मायने रखता है?
• शिक्षकों की AI योग्यता में तकनीकी दक्षता, शिक्षाशास्त्रीय एकीकरण, मूल्यांकन साक्षरता और नैतिक निर्णय शामिल हैं। आपके अनुसार शिक्षकों को इनमें सबसे अधिक किसकी कमी है, और किसे प्रशिक्षित करना सबसे कठिन है?
• शोध यह दर्ज करता है कि शिक्षकों के स्व-निर्धारित और वास्तविक AI कौशल के बीच अंतराल है। आपको क्या लगता है कि लोग अपनी तत्परता को अधिक आँकते हुए क्यों हैं, और इस अंतराल को ईमानदारी से पाटने के लिए क्या चाहिए?
• शोध में उद्धृत एक गहन व्यावसायिक विकास कार्यक्रम ने AI शिक्षाशास्त्रीय कौशल में बड़ी वृद्धि दिखाई, जिससे संकेत मिलता है कि तकनीकी-शिक्षाशास्त्रीय कौशल प्रशिक्षणीय है। अगर यह सच है, तो इतने शिक्षक अब भी अतैयार क्यों लगते हैं — रास्ते में क्या अड़ रहा है?
• अगर कोई शिक्षक 'AI का अच्छी तरह उपयोग' कर सकता है, तो आपके लिए 'अच्छी तरह' का क्या अर्थ है — और आप कैसे जानेंगे कि किसी शिक्षक ने इसे केवल अपना लिया ही नहीं, बल्कि प्राप्त भी कर लिया है?

प्रस्तावना

शिक्षकों की AI योग्यता इसलिए महत्वपूर्ण है क्योंकि AI सीखने में सुधार हो या नहीं, इसमें शिक्षक निर्णायक कारक है। शोध लगातार दिखाते हैं कि AI उपकरण तभी बेहतर परिणामों में बदलते हैं जब शिक्षक उनके लिए योजना बना सकते हैं, छात्रों के उपयोग को स्कैफोल्ड कर सकते हैं, आउटपुट का मूल्यांकन कर सकते हैं, और उन्हें सुसंगत शिक्षण में एकीकृत कर सकते हैं। ज्ञान आधार का साहित्य इस योग्यता के आयामों, स्व-धारणा और वास्तविक कौशल के बीच अंतराल, और इसे बनाने वाले व्यावसायिक विकास की जाँच करता है।

मूल योग्यता के आयाम

ज्ञान आधार के शोध कई परस्पर जुड़े आयामों पर आते हैं:

• तकनीकी दक्षता: शैक्षिक उद्देश्यों के लिए प्रभावी प्रॉम्प्ट तैयार करना, शिक्षाशास्त्रीय उपयुक्तता और सुरक्षा के लिए AI का मूल्यांकन करना, और वास्तविक समय में विफलताओं का निवारण करना। एक गहन GenAI व्यावसायिक विकास कार्यक्रम ने पाँचों AI-PCK घटकों में उल्लेखनीय वृद्धि दर्ज की (समग्र d = 2.36), जिससे दिखता है कि तकनीकी-शिक्षाशास्त्रीय कौशल प्रशिक्षणीय है।

• शिक्षाशास्त्रीय ज्ञान निर्णायक परत है। माध्यमिक AI शिक्षा के एक अंतर-स्तरीय अध्ययन (46 शिक्षक, 2,832 छात्र) में पाया गया कि केवल तकनीकी AI ज्ञान अपर्याप्त था — और यह छात्रों के AI को सामाजिक हित में धारणा को थोड़ा घटा भी सकता था — जबकि शिक्षाशास्त्रीय AI ज्ञान ने छात्रों की धारणाओं और AI सीखने के इरादे को प्रेरित किया। अतः योग्यता ढाँचों को शिक्षाशास्त्रीय AI ज्ञान को केंद्रीय आयाम के रूप में भार देना चाहिए, कोई सहायक परिशिष्ट नहीं।

• शिक्षाशास्त्रीय एकीकरण: AI उपयोग को सीखने के उद्देश्यों से जोड़ना, मड्गद डिज़ाइन करना जो छात्रों की मेटाकॉग्निशन और स्व-शिक्षा में AI विनियमन का समर्थन करे, और AI को शिक्षण डिज़ाइन में एकीकृत करना। AI-TPACK शोध यह मॉडल करता है कि शिक्षक बहु-एजेंट वर्कफ़्लो के माध्यम से तकनीकी, शिक्षाशास्त्रीय और विषय ज्ञान को कैसे जोड़ते हैं, जबकि पाँच-स्तरीय शिक्षक-AI टीमिंग ढाँचा (लेन-देन से सहक्रियात्मक) यह दर्ज करता है कि GenAI शिक्षक की योग्यता को प्रतिस्थापित कर सकता है, पूरक बना सकता है, या संवर्धित कर सकता है।

• मूल्यांकन साक्षरता: AI-जनित सामग्री और छात्रों के AI आउटपुट का मूल्यांकन करना, और यह समझना कि छात्रों द्वारा AI के उपयोग में वैधता कैसे बदलती है। यह स्वचालित मूल्यांकन, एआई डिटेक्शन और व्यापक मूल्यांकन पुनर्निर्माण एजेंडे से जुड़ता है। सिफ़ारिश प्रणालियों के लिए यह यह आँकने तक विस्तारित होता है कि AI की व्याख्याएँ सचमुच समझने योग्य और शिक्षाशास्त्रीय रूप से सार्थक हैं या नहीं: Feldman-Maggor et al. (2025) ने पाया कि शिक्षक AI समूहन सिफ़ारिशों पर अधिक भरोसा तब करते थे जब व्याख्याएँ क्षेत्र (पाठ्यक्रम) भाषा में रूपित थीं, बजाय उसके कि वे कच्चे मॉडल विशेषताओं को उजागर करती थीं — यह व्याख्या गुणवत्ता की माँग और आकलन करने का कौशल है, अस्पष्ट आउटपुट स्वीकार करने का नहीं।

• मॉडल चयन और प्रॉम्प्ट डिज़ाइन प्रदर्शित करने योग्य कौशल के रूप में: साधनात्मक AI साक्षरता में यह जानना शामिल है कि कौन-सा मॉडल उपयोग करना है और कार्य को कैसे शब्दों में ढालना है। Jacobsen et al. (2026) ने 153 प्री-सर्विस शिक्षकों के पाठ-योजना लक्ष्यों पर चार व्यवस्थित रूप से भिन्न प्रॉम्प्ट के अंतर्गत ChatGPT-4, Claude 3 और Gemini Advanced से आलोचना करवाई (अध्ययन 1 में N = 240 फीडबैक, अध्ययन 2 में 345), जिसमें प्रतिपुष्टि की नौ गुणवत्ता श्रेणियों पर रेटिंग की गई। रेटेड गुणवत्ता में भिन्नता का केवल मॉडल चयन 26.9% समझाता था (अध्ययन 2 में 18.4%) और प्रॉम्प्ट डिज़ाइन ने उस पर महत्वपूर्ण 15.9% (5.7%) जोड़ा; एकमात्र निर्णायक प्रॉम्प्ट विशेषता क्षेत्र-विशिष्ट तकनीकी भाषा थी, जिसे हटाने से गुणवत्ता में उल्लेखनीय गिरावट आई (β = −0.412), जबकि उदाहरण जोड़ने और चेन-ऑफ़-थॉट निर्देश हटाने से अध्ययन 1 में कोई महत्वपूर्ण अंतर नहीं आया। उनकी व्याख्या — कि विषय शब्दावली प्रासंगिक प्रशिक्षण-डेटा सामग्री को खोलती है और अनुरोध को रोल प्रॉम्प्टिंग की तरह पेशेवर रूप से रूपित करती है — साथ ही सबसे सक्षम वर्तमान फ्रंटियर मॉडल उपयोग करने का अनुभवजन्य नियम, मॉडल चयन को तकनीकी निर्णय से एक शैक्षिक निर्णय बनाता है।

• नैतिक और आलोचनात्मक उपयोग: AI आउटपुट में पूर्वाग्रह पहचानना, छात्रों के डेटा की सुरक्षा (निजता), और समान परिणाम सुनिश्चित करना (समानता)। सांस्कृतिक रूप से प्रासंगिक AI उपयोग यह जाँचता है कि शिक्षक LLM का उपयोग सामग्री में विविधता लाने के लिए कैसे कर सकते हैं, बजाय प्रमुख मानकों को सुदृढ़ करने के।

• नैतिक उत्तरदायित्व वितरित है, व्यक्तिगत नहीं। सात राष्ट्रीय मामलों में शिक्षकों को AI उपयोग के नैतिक पहरेदार के रूप में रखा गया है, जबकि संस्थागत और ज्ञानात्मक समर्थन का अभाव है, अतः नैतिक AI साक्षरता को तकनीकी कौशल से आगे आलोचनात्मक और राजनीतिक सशक्तता तक बढ़ाना होगा (Raffaghelli et al. (2026))।

• आत्मविश्वास और अभिवृत्तियाँ: शिक्षक का आत्मविश्वास अपनाव को आकार देता है। अपनाव शोध पाता है कि आत्मविश्वास, समर्थन और कथित उपयोगिता यह निर्धारित करते हैं कि शिक्षक वास्तव में AI का उपयोग करते हैं या नहीं, और संकाय अभिमुखताएँ शोध और शिक्षण में अपनाव को आकार देती हैं।

• 1,405 K-12 शिक्षकों के पाँच-देश सर्वेक्षण में, AI तत्परता ने GenAI के शिक्षण मूल्य के बारे में सकारात्मक विश्वासों की भविष्यवाणी की (B = .59, R² = .50) फिर भी अधिक रचनात्मकता चिंता की भविष्यवाणी की (B = .18), और उन्हीं भविष्यवक्ताओं ने चिंता का केवल 7% और 6% समझाया — केवल तत्परता-निर्माण चिंता को अछूता छोड़ता है (Xiu et al. (2026))।

तत्परता को तदनुसार क्रम में रखा और मापा जाना चाहिए: Capability–Decision Model प्रदर्शित AI क्षमता को अभिवृत्ति और आत्मविश्वास से ऊपर रखता है और केवल स्व-रिपोर्ट के बजाय प्रदर्शन संकेतक प्रस्तावित करता है — पाठ-योजना कार्य, त्रुटियों से युक्त प्रॉम्प्ट-मूल्यांकन कार्य, सामग्री-वैधता निर्णय और कक्षा कलाकृति रूब्रिक (Mnguni (2026))।

भावनात्मक और नैतिक तत्परता एक विशिष्ट आयाम है। Vassallo (2026) ने एक माल्टीज़ विश्वविद्यालय के शैक्षणिक कर्मचारियों (109 उत्तरदाता) का सर्वेक्षण किया और चार नैतिक-भावना मदों से एक AI Guilt Index (α = 0.88) बनाया, और पाया कि उपयोग के बाद अनुभूत पश्चाताप की तुलना में पूर्वानुमानित अपराधबोध अधिक भारी था: सबसे मज़बूत समर्थन यह चिंता थी कि AI का उपयोग किसी की विश्वसनीयता कमजोर करता है (34.9% सहमत), फिर इसका उपयोग करते समय धोखा देने जैसा महसूस होना (25.7%), जबकि उपयोग-पश्चात पश्चाताप ने केवल 9.2% प्राप्त किया। योग्यता ढाँचों के लिए महत्वपूर्ण निष्कर्ष यह हैं कि गैर-उपयोगकर्ताओं ने उपयोगकर्ताओं की तुलना में अधिक अपराधबोध दर्ज किया (M = 3.25 बनाम M = 2.32) और अपराधबोध करियर सुरक्षा बढ़ने के साथ घटा — प्रारंभिक-करियर शिक्षाविदों ने सर्वाधिक (M = 2.71) और वरिष्ठ शिक्षाविदों ने सबसे कम (M = 2.03) दर्ज किया। अतः भावनात्मक तत्परता कौशल या आत्मविश्वास मापों से नहीं पकड़ी जाती, और पेपर तर्क देता है कि योग्यता ढाँचों को अपराधबोध और पहचान-चिंता को सामान्य संक्रमणकालीन प्रतिक्रियाओं के रूप में मानना चाहिए, सुधारने योग्य दोष नहीं।

उस पुनर्निर्माण का एक मज़बूत रूप यह मानता है कि GenAI एक सीमावान अवधारणा है, कौशल अभाव नहीं: एक स्व-जातिवृत्तांत विवरण तर्क देता है कि संकाय की चिंता और प्रतिरोध सीमा-पार करने के संविधानिक अंग हैं, अतः कौशल-आधारित प्रशिक्षण विफल होता है और सिद्धांतगत गैर-अपनाव का सम्मान किया जाना चाहिए, इसे सुधारा नहीं (Laidlaw (2026))।

योग्यता अंतराल

एक प्रमुख निष्कर्ष स्व-रिपोर्ट और प्रदर्शन-आधारित योग्यता के बीच अंतराल है। AI साक्षरता मूल्यांकन पर शोध यह दर्ज करता है कि शिक्षकों के विश्वास और वास्तव में प्रदर्शित करने की क्षमता के बीच बड़ा विसंगति (~40% तक) है — AI कौशल में आत्मविश्वासी शिक्षकों को अक्सर बुनियादी प्रॉम्प्टिंग और मूल्यांकन क्षमताओं की कमी होती है। यह स्व-रिपोर्ट पर निर्भरता के बजाय शिक्षक योग्यता के प्रदर्शन-आधारित मूल्यांकन को प्रेरित करता है, और अंशांकित स्व-मूल्यांकन से जुड़ता है। 2,586 नाइजीरियाई माध्यमिक शिक्षकों के एक राष्ट्रीय सर्वेक्षण ने दोनों पक्षों को अलग उपकरणों से मापा — मध्यम AI जागरूकता (M = 3.13 में से 8) बनाम निम्न AI शिक्षाशास्त्रीय कौशल (M = 2.47 में से 5) — जिसमें प्रारंभिक और मध्य-करियर शिक्षकों ने अनुभवी सहकर्मियों की तुलना में अधिक कौशल दर्ज किया (Olurinola et al., 2026)।

अंतराल केवल कथित और वास्तविक कौशल के बीच नहीं, बल्कि इस बात में भी है कि शिक्षक क्या जानते हैं उसकी चौड़ाई में भी है: 2,018 यूक्रेनी माध्यमिक शिक्षकों के राष्ट्रीय सर्वेक्षण में 84% ने व्यावसायिक अभ्यास में AI का उपयोग बताया, जबकि केवल 11% ChatGPT के अतिरिक्त कोई विशिष्ट AI सेवा नाम दे सके (Marienko, Markova & Semerikov (2026))। दूसरी संकुचन उसमें दिखती है कि शिक्षक क्या नाम दे सकते हैं नहीं, बल्कि स्वेच्छा से क्या साझा करते हैं: 53 इन-सर्विस शिक्षकों ने OECD AI Literacy Framework के विरुद्ध अपने कक्षा मामलों को टैग किया और 43 AI-साक्षर अभ्यासों के मुकाबले केवल 10 विफलताओं का वर्णन किया (Wang et al., 2026))। उनकी योग्यता चयन व्यावहारिक निर्णय पर केंद्रित थे (AI आउटपुट का मूल्यांकन, N = 38) और शायद ही कभी सामाजिक पूर्वाग्रह (N = 5), नैतिक संरेखण (N = 6) या AI की ऊर्जा खपत (N = 9) तक पहुँचे।

अंतराल उत्पाद में भी दिखता है जितना स्व-रिपोर्ट में। शिक्षक तैयारी में एक अंतर-संस्थागत संकाय सहयोगी संस्थान, जिसमें शिक्षक-शिक्षकों ने अपने ही विधि पाठ्यक्रमों में AI को डिज़ाइन किया, ने रिपोर्ट दिया कि उम्मीदवार चमकदार AI-सहायित पाठ योजनाएँ बना सकते थे, परंतु यह समझा नहीं सकते थे कि कोई योजना शिक्षार्थियों और मानकों में क्यों फिट है, क्योंकि योजना स्वयं पीछे के तर्क के बारे में कुछ नहीं कहती। उत्पाद के बजाय औचित्य को ग्रेड करना एक प्रतिक्रिया है। अभ्यास-पद्धतियों का ढाँचा दूसरा सुझाव देता है, रिहर्सल को अभ्यास का सन्निकटन मानकर: संरचित पश्चात-रिहर्सल फीडबैक के साथ AI-मध्यस्थ रिहर्सल ने उम्मीदवारों के खोजने और पड़तालने वाले प्रश्नों के उपयोग को बढ़ाया, फिर भी उम्मीदवारों के अपने प्रदर्शन निर्णय अभी भी उनसे भिन्न थे जो प्रेक्षकों ने दर्ज किए।

प्रशिक्षण के बाद गिरता स्व-मूल्यांकन सीखने का संकेत हो सकता है, हानि नहीं। 64 हॉंगकॉंग विश्वविद्यालय शिक्षकों के एक छह-माह Intelligent-TPACK व्यावसायिक विकास कार्यक्रम में 61 नियंत्रणों के विरुद्ध, समग्र AI योग्यता लगभग आधे मानक विचलन से बढ़ी (Cohen's d = −.521), फिर भी दोनों समूहों के कुछ शिक्षकों ने पूर्व-परीक्षण की तुलना में पश्चात-परीक्षा में कम अंक पाए (Tan, Cheng & Ling, 2025))। साक्षात्कारों ने गिरावट को अचेतन से सचेत अक्षमता में बदलाव के रूप में समझाया — Dunning–Kruger प्रभाव द्वारा भविष्यवाणी किया गया पुनरंकन — खोए हुए कौशल के रूप में नहीं। लेखकों का निष्कर्ष है कि पूर्व-पश्चात स्व-रिपोर्ट हस्तक्षेप को कम आँकती है, क्योंकि वृद्धि का एक भाग स्वयं उपकरण में नीचे की ओर सुधार के रूप में आता है।

अंतराल गैर-भागीदारी के रूप में भी दिखता है। Watson & Rainie (2026) ने 2025 के अंत में 1,057 अमेरिकी महाविद्यालय संकाय का सर्वेक्षण किया और पाया कि 26% जनरेटिव AI उपकरणों का उपयोग बिल्कुल नहीं करते, जिनमें एक तिहाई ने शिक्षण के लिए इनका उपयोग न करने को चुना, और गैर-उपयोग कला और मानविकी (40%) में केंद्रित है। अंतराल का संस्थागत पक्ष व्यक्तिगत पक्ष से बड़ा था: 68% ने कहा कि उनके विद्यालयों ने संकाय को शिक्षण और मार्गदर्शन के लिए जनरेटिव AI उपयोग के लिए तैयार नहीं किया, और संकाय ने सहकर्मियों के प्रतिरोध (82%) और अनजानीपन (83%) को विभागीय अपनाव की प्रमुख बाधाएँ बताया — यह एक तस्वीर है जिसमें क्षमता-निर्माण, साथी मानदंड और नीति सबको साथ बढ़ना होगा।

प्री-सर्विस प्रशिक्षण योग्यता के नैतिक आयाम को बड़े पैमाने पर दरकिनार करता है। प्री-सर्विस प्राथमिक गणित शिक्षकों के लिए शुरुआती शिक्षक प्रशिक्षण में AI के एक व्यवस्थित समीक्षा (Pinto et al. 2026, 341 अभिलेखों में से 11 अध्ययन चुने गए) ने पाया कि हस्तक्षेप अल्पकालिक तकनीकी और शिक्षाशास्त्रीय लाभों पर केंद्रित थे, जिनमें ग्यारह में नौ अल्पकालिक थे जिनमें एक से छह सत्र शामिल थे, और रिपोर्ट दी कि नैतिकता केवल ग्यारह में तीन अध्ययनों में संबोधित हुई। योग्यता ढाँचे नैतिक निर्णय को एक आयाम के रूप में नामित करते हैं; इसे बनाने के लिए बना प्री-सर्विस साहित्य इसे शायद ही कभी पढ़ाता या मापता है।

काम करने वाला व्यावसायिक विकास

ज्ञान आधार का व्यावसायिक विकास साहित्य प्रभावी दृष्टिकोणों की पहचान करता है:

• गहन, सिद्धांत-आधारित कार्यक्रम: एक गहन GenAI व्यावसायिक विकास कार्यक्रम जिसमें 163 शिक्षक/प्री-सर्विस शिक्षक थे, ने सभी AI-PCK घटकों में उल्लेखनीय वृद्धि दिखाई, जिसमें प्री-सर्विस शिक्षकों को सर्वाधिक लाभ हुआ। स्व-निर्धारण-सिद्धांत आधारित व्यावसायिक विकास दिखाता है कि आवश्यकता-समर्थक प्रशिक्षण शिक्षकों की AI साक्षरता, अभिवृत्तियों और सहभागिता में सुधार करता है और चिंता को कम करता है।
• डिज़ाइन-आधारित और एकीकृत दृष्टिकोण: डिज़ाइन-आधारित GenAI साक्षरता प्रशिक्षण तकनीकी ज्ञान और पूर्व-GenAI उपकरणों पर अति-जोर को संबोधित करता है; एकीकृत, विकासात्मक ढाँचे और सामाजिक-भावनात्मक योग्यता एकीकरण साक्षरता को शुद्ध तकनीक से आगे बढ़ाते हैं।
• जाँच और प्रामाणिक अभ्यास: AI-समर्थित जाँच मॉडल प्री-सर्विस शिक्षकों में AI साक्षरता और प्रामाणिक प्रदर्शन बनाते हैं।
• प्रसंग-विशिष्ट तत्परता: EPIQ-AI तत्परता ढाँचा इस बात पर जोर देता है कि संकाय तत्परता एक सामाजिक-तकनीकी मुद्दा है जिसमें संकाय क्षमता, AI शासन और गुणवत्ता आश्वासन के संरेखण की आवश्यकता है।
• समर्थन अनुभव और AI दक्षता से अलग किया जाना चाहिए। Choi et al. (2026) ने पाया कि शिक्षक पाठ डिज़ाइन में AI के साथ कैसे बातचीत करते हैं यह शिक्षण अनुभव और AI दक्षता के पारस्परिक संबंध पर निर्भर करता है, किसी एक पर नहीं। अनुभवी शिक्षक जिनकी AI दक्षता उच्च है, वे प्रसंग के अनुसार AI आउटपुट का आलोचनात्मक रूप से अनुकूलन करते हैं (पुनः-प्रॉम्प्टिंग, विस्तार), जबकि नौसिखिए — यद्यपि तकनीकी रूप से धाराप्रवाह — AI प्रतिक्रियाओं को सीधे स्वीकार करते हैं और शायद ही कभी छात्रों और प्रसंग पर विचार करते हैं। यह प्रोफ़ाइल-आधारित व्यावसायिक विकास के पक्ष में तर्क देता है: नौसिखियों के लिए प्रतिक्रिया-मूल्यांकन चेकलिस्ट और प्रॉम्प्ट टेम्पलेट, और कम AI दक्षता वाले अनुभवी शिक्षकों के लिए व्यावहारिक कौशल-निर्माण।

विश्वास विन्यास एक दूसरा प्रोफ़ाइलिंग अक्ष है: TALIS 2024 के 40,680 शिक्षकों में, एक ही गैर-उपयोग स्थिति ने विपरीत बाधाओं को छिपाया — Indifferent प्रोफ़ाइल के 83.3% ने शिक्षाशास्त्रीय आपत्तियों का उल्लेख किया, जबकि Measured Endorsement के 66.2% ने अपर्याप्त ज्ञान और कौशल का (Fang & Jin (2026))। AI-संबंधित व्यावसायिक सीखने ने उम्र या उपलब्धि से अधिक सुसंगत रूप से प्रोफ़ाइल सदस्यता को ट्रैक किया।

• शिक्षकों की AI की एक ही धारणा नहीं है। 16 डेनिश उच्च-शिक्षा शिक्षकों के एक घटना-चित्रण अध्ययन में AI के साथ शिक्षण की तीन धारणाएँ और AI के साथ सीखने की तीन धारणाएँ मिलीं, अतः एक ही कार्यशाला मॉडल किसी भी संकाय समूह के केवल एक हिस्से तक पहुँचता है (Stenalt (2026))।

• सह-डिज़ाइन और शिक्षाशास्त्रीय प्रॉम्प्ट साक्षरता योग्यताएँ हैं, परिशिष्ट नहीं। शिक्षक–AI सह-डिज़ाइन की एक व्यवस्थित समीक्षा (Wang, Liu & Islam 2026, 28 अध्याय) पाती है कि प्रमुख सहयोग मोड AI सहायक/सामग्री जनक के रूप में है, और शिक्षकों की पूर्ण सह-डिज़ाइन और संवादी साझेदारी क्षमताओं में अंतराल दर्शाती है। Talebzadeh (2026) दिखाता है कि तकनीकी AI प्रशिक्षण के साथ शिक्षाशास्त्रीय तर्क को जोड़ने वाला व्यावसायिक विकास — "शिक्षाशास्त्रीय प्रॉम्प्ट साक्षरता" बनाना (PCK को प्रॉम्प्ट में एन्कोड करना) — ही शिक्षकों को AI आउटपुट को प्रभावी विभेदित समूह गतिविधियों में बदलने देता है।

• योग्यता बनाने वाली संरचनाएँ, उसकी सूचियाँ नहीं। Perl-Nussbaum और Finkelstein (2026) ने एक बड़े सार्वजनिक R1 भौतिकी विभाग में छह सत्रों की द्वि-साप्ताहिक संकाय शिक्षण समुदाय चलाया — पूरी शृंखला में उन्नीस संकाय, प्रत्येक बैठक में लगभग दस — जहाँ प्रत्येक सत्र स्थानीय डेटा से शुरू हुआ, वास्तविक अनाम छात्र गृहकार्य के विरुद्ध AI के छोटे-समूह परीक्षण पर बढ़ा, और सामूहिक चर्चा में समाप्त हुआ, और इसने एक प्रशिक्षण पैकेज के बजाय पाँच-प्रविष्टियों का साझा भंडार बनाया। मूल्यांकन साक्षरता को एक डिज़ाइन उपकरण के माध्यम से उसी तरह बनाया जा सकता है: Paula et al. का (2026) पायलट में, आठ अनुभवी STEM और स्वास्थ्य पाठ्यक्रम समन्वयकों ने अनुशासनात्मक मानकों के विरुद्ध एक कस्टम GPT के मूल्यांकन मसौदों की आलोचना करके अपनी मूल्यांकन साक्षरता बढ़ाई, यद्यपि आउटपुट ने बार-बार अनुशासनात्मक प्रसंग छोड़ा, विषय अनुक्रम नज़रअंदाज़ किया, और एक मामले में बार-बार प्रॉम्प्टिंग के बावजूद मनगढ़ंत संदर्भ शामिल किए। आठों ने शैक्षणिक निर्णय अपने पास रखा और अंत-से-अंत स्वचालन से इनकार किया, जो उपकरण प्रशिक्षण के बजाय जनित मसौदों की संरचित आलोचना को विकास तंत्र बनाता है।

• छोटे सत्र स्वीकृति को बढ़ा सकते हैं, अपनाव को नहीं। Mesenhöller और Böhme (2026) ने 100 जर्मन प्राथमिक और माध्यमिक शिक्षकों के साथ एक तीन-घंटे के INSIGHT सत्र का मूल्यांकन किया और पाया कि कथित उपयोगिता और कथित उपयोग में सुगमता दोनों में उल्लेखनीय वृद्धि हुई (उपयोगिता t(99) = -3.24, p = .002, d = .32; उपयोग में सुगमता d = .25) जबकि विभेदन के लिए AI-आधारित तकनीकों के उपयोग का व्यवहारगत इरादा नहीं बदला। लेखक बताते हैं कि उनके आधार रेखा पहले से अनुकूल थीं, अतः छत प्रभाव संभव है। व्यावसायिक विकास डिज़ाइन के लिए व्याख्या संकीर्ण पर उपयोगी है: एक छोटा सत्र यह बदल सकता है कि शिक्षक AI उपकरणों का निर्णय कैसे करते हैं, बिना यह बदले कि वे उनका उपयोग करने की योजना बनाते हैं, जो एक बार के कार्यक्रम के बजाय अनुवर्ती कार्रवाई की माँग करने वाला परिवर्तन है।

• शिक्षक धाराप्रवाहता पसंद करते हैं पर सीखने को स्कैफोल्ड में जोड़ते हैं। 41 शिक्षकों में, एक GPT-4o आधार रेखा को समग्र रूप से पसंद किया गया (21 बनाम 13) फिर भी ठीक-किया गया तीन-चरणीय मॉडल (पहचान, खोज, विकास) को अधिक बार सीखने का श्रेय दिया गया (18 बनाम 13), और दोनों निर्णय केवल 39% समय सहमत थे (Molnar et al. (2026))।

• संस्थागत समर्थन: व्यावसायिक विकास को स्थायी अपनाव के लिए संस्थागत अवसंरचना (नीति, संस्थागत परिवर्तन) के साथ जोड़ा जाना चाहिए।

• लेखन उपकरण शिक्षाशास्त्रीय निष्ठा की गारंटी नहीं देते। Riahi et al. (2026) ने व्यावसायिक विकास कार्यशालाओं में शैक्षणिक चैटबॉट विन्यस्त करने वाले 27 मध्य विद्यालय शिक्षकों का अध्ययन किया, फोकस समूहों का विश्लेषण विन्यास और संवाद लॉग के साथ किया। शिक्षकों ने चैटबॉट को शिक्षक-निर्धारित नियमों से सीमित एक शिक्षण स्कैफोल्ड के रूप में माना, फिर भी इरादे और व्यवहार के बीच लॉग-आधारित संरेखण प्रतिक्रियाशीलता (88.9%) और व्यक्तित्व (81.5%) के लिए नियमों (70.4%) और उद्देश्य (59.3%) से मज़बूत था। विन्यास योग्य नियंत्रण अकेले शिक्षाशास्त्रीय इरादे को व्यवहार में नहीं ले जाते, अतः चैटबॉट की पद्धति को व्यक्त करना, परखना और परिष्कृत करना स्वयं एक योग्यता है जिसे लेखन उपकरण को समर्थन देना चाहिए।

एक डिज़ाइन-आधारित विपरीत उदाहरण योग्यता को सीढ़ी के एक पायदाने के बजाय परिस्थितिजनित मानता है। Eyal की 2025 की 22 उच्च-शिक्षा शिक्षक-शिक्षकों के साथ डिज़ाइन-आधारित अध्ययन में प्रतिभागियों ने पाँच प्रकाशित मूल्यांकन ढाँचों की जाँच की और तीन परस्पर-संबद्ध अक्षों के इर्द-गिर्द एक विकल्प सह-डिज़ाइन किया: प्रसंग फिट (अवसंरचना, सामाजिक-सांस्कृतिक कारक, स्थानीय आवश्यकताएँ, विकासात्मक चरण), व्यावसायिक आवश्यकताएँ (अनुशासन, पद्धति, नेतृत्व, समर्थन), और गतिशील विकास। मॉडल निश्चित योग्यता स्तरों को अस्वीकार करता है और गैर-रैखिक प्रगति की अनुमति देता है, और यह 1 से 5 तक रेटेड 20-मद वाले चिंतनशील स्व-मूल्यांकन प्रश्नावली के साथ आता है। इसका सत्यापन केवल गुणात्मक है, बिना मात्रात्मक विश्वसनीयता परख के, अतः यह एक सत्यापित उपकरण के बजाय एक डिज़ाइन योगदान के रूप में खड़ा है।

• मेटा-विश्लेषणात्मक आकलन। Guo et al. (2026) ने 34 अध्यायों से 212 प्रभाव आकार एकत्र किए और शिक्षकों की AI साक्षरता व्यावसायिक विकास का आकलन g = 0.76 (95% CI [0.50, 1.02]) किया, कौशल के लिए सर्वाधिक (g = 0.91) और अभिवृत्तियों और मूल्यों के लिए सबसे कम (g = 0.61); प्रकट प्रकाशन चयन के लिए सुधारने पर आकलन लगभग g = 0.49 पर नीचे आता है।

• जहाँ भाग लेने के भावने मायने नहीं रखते, वहाँ उपस्थिति लाभ की भविष्यवाणी करती है। उसी छह-माह कार्यक्रम में, उपस्थिति दर ने योग्यता वृद्धि की भविष्यवाणी की (β = .407, p = .001) जबकि स्व-कथित भागीदारी ने नहीं (β = .049, p = .692), और अनुशासन, शिक्षण अनुभव और व्यावसायिक पद ने कम समझाया; लेखक उपस्थिति को व्यवहारगत निवेश और कथित भागीदारी को सतह-स्तरीय सहभागिता के रूप में पढ़ते हैं (Tan, Cheng & Ling, 2025))।

• एक क्षेत्र-विशिष्ट कार्यक्रम में भी मूल्य कौशल से पीछे रहते हैं। 30 अंग्रेज़ी शिक्षकों के एक साल भर के हॉंगकॉंग कार्यक्रम में, बहु-माध्यम मूल्यांकन रणनीतियों का ज्ञान 3.13 से 4.15 में से 5 तक बढ़ा (partial η² = 0.571) और छात्रों के समर्थन में योग्यता 3.05 से 3.98 (0.482), दोनों महत्वपूर्ण, जबकि Bonferroni-सुधारित अल्फा .006 के अंतर्गत प्रत्येक मूल्य उपक्षेत्र सांख्यिकीय रूप से सपाट रहा। शिक्षकों ने लाभ को केवल कार्यशालाओं के बजाय विद्यालय-भीतर सह-योजना और अंतर-विद्यालय समूह बैठकों में जोड़ा (Jiang et al., 2026))।

• माइक्रोलर्निंग विश्वविद्यालय शिक्षकों की AI क्षमता विकसित कर सकता है। Cechovsky (2026) ने दो व्यावसायिक-शिक्षा मॉड्यूल को दो ऑनलाइन समूह चर्चाओं में पाँच डिज़ाइन सिद्धांतों — स्पष्ट संरचना और उन्मुखीकरण, मार्गदर्शन और नेविगेशन सहायता, विभाजन और मॉड्यूलीकरण, बहु-माध्यमिता प्रस्तुतीकरण, और शिक्षार्थी सक्रियण — में परिष्कृत किया, और मंच नेविगेशन और मॉड्यूल खोजने को मुख्य व्यावहारिक बाधाएँ पाई।

शिक्षकों की AI योग्यता और बदलती शिक्षक भूमिका

जैसे-जैसे AI नियमित शिक्षण और मूल्यांकन कार्यों को संभालता है, शिक्षक की विशिष्ट योगदान ऑर्केस्ट्रेशन, निर्णय और संबंध की ओर बढ़ती है: यह निर्णय करना कि AI का उपयोग कब और कैसे हो, छात्र सशक्तिकरण और आलोचनात्मक उपयोग को स्कैफोल्ड करना, समानता सुनिश्चित करना, और सामाजिक व भावनात्मक समर्थन देना जो AI नहीं दे सकता। यह शिक्षक योग्यता को ह्यूमन-इन-द-लूप निगरानी, नैतिक निर्णय, और स्व-नियमित सीखने के समर्थन के इर्द-गिर्द पुनर्निर्धारित करता है — शिक्षण और अति-निर्भरता से सुरक्षा से जुड़कर।

शिक्षा में AI के लिए निहितार्थ

• केवल स्व-रिपोर्ट नहीं, प्रदर्शन आँकें: दर्ज स्व-रिपोर्ट अंतराल को देखते हुए शिक्षक योग्यता का मूल्यांकन प्रदर्शन के माध्यम से किया जाना चाहिए।

• केवल उपकरण नहीं, पूरी योग्यता प्रशिक्षित करें: व्यावसायिक विकास को तकनीकी, शिक्षाशास्त्रीय, मूल्यांकन और नैतिक आयामों को साथ बनाना चाहिए, सीखने के सिद्धांत में आधारित।

• कौशल के साथ आत्मविश्वास बनाएँ: अभिवृत्तियाँ और स्व-प्रभावशीलता अपनाव को आकार देते हैं, अतः व्यावसायिक विकास को प्रामाणिक, समर्थित अभ्यास के माध्यम से चिंता कम करनी चाहिए और आत्मविश्वास बनाना चाहिए।

• संस्थागत परत का समर्थन करें: स्थायी शिक्षक योग्यता के लिए संरेखित नीति, शासन और क्षमता चाहिए, अलग-थलग प्रशिक्षण नहीं।

• GenAI पाठ्यक्रम डिज़ाइन के लिए शिक्षक डिजिटल योग्यता। Guillén-Gámez (2026) ने 434 इन-सर्विस शिक्षकों के साथ एक TAM-आधारित नैदानिक उपकरण को सत्यापित किया; व्यवहारगत इरादा पाठ्यक्रम नियोजन में GenAI उपयोग के लिए डिजिटल योग्यता का प्रमुख भविष्यवक्ता था, जिसमें स्व-प्रभावशीलता एक मूल चालक थी।

शिक्षकों की AI योग्यता के लिए एक मानोमिति उपकरण

• एक मानोमिति अध्ययन ने Teachers' AI Literacy Scale (TAILS) विकसित की ताकि भाषा शिक्षक शिक्षा में विशेष रूप से AI साक्षरता मापी जा सके, ED-AI ढाँचे के छह आयामों को परिचालित करके। यह उपकरण विकास छात्रों या सामान्य उपयोगकर्ताओं पर केंद्रित मूल्यांकनों में एक अंतराल को भरता है, और शिक्षकों की AI योग्यता के मापन का समर्थन करता है।

उपकरण परिदृश्य की तब से समीक्षा की गई है। शिक्षक AI साक्षरता मापन उपकरणों के Zainal, Mohd Matore और Maat की 2026 व्यवस्थित समीक्षा ने 2019 और 2025 के बीच प्रकाशित 33 उपकरणों का आकलन किया और पाया कि क्षेत्र पद्धतिगत रूप से एकरूप है: 31 (93.9%) कथित आत्मविश्वास के स्व-रिपोर्ट पैमाने हैं, केवल दो (6.1%) ज्ञान का वस्तुनिष्ठ परख करते हैं, और कोई भी प्रदर्शन-आधारित कार्य उपयोग नहीं करता। आंतरिक सुसंगति सर्वाधिक मज़बूत गुणवत्ता क्षेत्र थी (33 में से 28 ग्रेड A पर) और निष्पक्षता सबसे कमज़ोर, जिसमें पाँच उपकरणों (15.2%) ने मापन अपरिवर्तनता या अंतर-मद कार्य संबंधी साक्ष्य रिपोर्ट किया। सामग्री भी तकनीक से पीछे है, क्योंकि 29 उपकरण (87.9%) सामान्य AI अवधारणाओं पर केंद्रित हैं और केवल चार (12.1%), सभी 2025 के, जनरेटिव AI को संबोधित करते हैं।

संबंधित अवधारणाएँ

• AI साक्षरता
• शैक्षिक विकास
• शिक्षण
• प्रॉम्प्ट इंजीनियरिंग
• सीखने का डिज़ाइन
• मड्गद
• मेटाकॉग्निशन
• मूल्यांकन की वैधता
• समानता
• नैतिकता
• स्व-प्रभावशीलता
• मानव-लूप-में
• शिक्षार्थी सक्रियता
• संज्ञानात्मक ऑफलोडिंग
• शैक्षिक AI नीति
• शिक्षा में AI
• टेक्नोलॉजिकल पेडागॉजिकल कंटेंट नॉलेज (TPACK)
• व्यावसायिक विकास
• शिक्षाशास्त्र और शिक्षण रणनीतियाँ — छत्र: AI शिक्षा में पद्धतियाँ और शिक्षण रणनीतियाँ

संबंधित लेख

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — बहु-माध्यम मूल्यांकन साक्षरता: एक साल के कार्यक्रम में ज्ञान और योग्यता बढ़ी, मूल्य नहीं
• The impact of professional development programs on K-12 teachers' AI literacy: A systematic review and meta-analysis
• Enhancing Teachers' AI Competency: A Professional Development Intervention Study Based on Intelligent-TPACK Framework — Intelligent-TPACK व्यावसायिक विकास: आधे मानक विचलन की वृद्धि, और ऐसी ऋणात्मक वृद्धि जो पुनरंकन के रूप में पढ़ी जाती है — K-12 शिक्षकों की AI साक्षरता पर व्यावसायिक विकास कार्यक्रमों का प्रभाव: एक व्यवस्थित समीक्षा और मेटा-विश्लेषण
• AILitHub: Building AI Literacy Infrastructure to Situate Frameworks into Practice — शिक्षकों ने अपने कक्षा AI मामलों को टैग किया और व्यावहारिक योग्यताओं तक सरलता से पहुँचे, पर सामाजिक और नैतिक योग्यताओं तक शायद ही कभी (Wang et al. 2026)
• Typology of Generative AI Tools for Education — उपकरण चयन शिक्षक सशक्तिकरण का अभ्यास
• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — K-12 शिक्षण और सीखने में जनरेटिव AI का व्यवस्थित समीक्षा (Marzano 2026)
• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student — K-12 AI शिक्षा में शिक्षक व्यावसायिक ज्ञान: TAIK बनाम TPAIK और छात्र सीखना (Shen et al. 2026)
• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — अनुभव और AI दक्षता में पाठ डिज़ाइन में शिक्षक-AI संवाद पैटर्न (Choi et al. 2026)
• Preparing Pre-Service Teachers for Responsible Generative AI Use: Curriculum Implications for Ethics, Privacy, and AI Literacy — प्री-सर्विस शिक्षकों का उत्तरदायी GenAI उपयोग: पाठ्यक्रम निहितार्थ (Kohnke et al. 2026)
• Validating AI-generated classroom observations: Reliability, accuracy, and limits of LLM-based pedagogical judgment — शिक्षक व्यावसायिक विकास के लिए LLM कक्षा अवलोकन (Melo et al. 2026)
• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — प्रतिनिधित्व, विघटन और सन्निकटन में जनरेटिव AI: रिहर्सल, संरचित फीडबैक और सटीकता चेतावनियाँ
• Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers — एक गहन GenAI व्यावसायिक विकास कार्यक्रम की प्रभावशीलता
• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design — शिक्षक बहु-एजेंट वर्कफ़्लो के माध्यम से AI-TPACK मॉडलिंग
• Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence — सहक्रियात्मक शिक्षक-AI संवादों की ओर
• Teacher education for artificial intelligence literacy through a self-determination theory perspective — स्व-निर्धारण सिद्धांत के माध्यम से AI साक्षरता के लिए शिक्षक शिक्षा
• Development and evaluation of artificial intelligence literacy training for teacher education students — डिज़ाइन-आधारित शोध GenAI साक्षरता प्रशिक्षण
• Rethinking Generative AI Literacy: An Integrative, Developmental, and Dialectical Framework for K-12 Teacher Education — शिक्षक शिक्षा में GenAI साक्षरता का पुनर्विचार
• Exploring interfaces and implications for integrating social-emotional competencies into AI literacy for education: a narrative review — AI साक्षरता के साथ सामाजिक-भावनात्मक योग्यताओं का एकीकरण
• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes — शिक्षकों में AI अपनाव: आत्मविश्वास और समर्थन
• Faculty Orientations Shape Adoption of AI in Research and Teaching — संकाय अभिमुखताएँ AI अपनाव को आकार देती हैं
• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — स्व-रिपोर्ट और प्रदर्शन-आधारित AI योग्यता के बीच विसंगति
• Effects of an AI-supported inquiry model on AI literacy and authentic performance: A quasi-experimental study with preservice teachers — प्री-सर्विस शिक्षकों के लिए AI-समर्थित जाँच
• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity — EPIQ-AI संकाय तत्परता ढाँचा
• LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example — सांस्कृतिक रूप से प्रासंगिक K-12 पद्धति के लिए LLM
• A Framework for Institutional Change in the Age of AI — AI के लिए संस्थागत परिवर्तन ढाँचा
• TeachingCoach: A Fine-Tuned Scaffolding Chatbot for Instructional Guidance to Instructors — शिक्षक मार्गदर्शन के लिए TeachingCoach चैटबॉट
• When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap — कौशल अभाव के बजाय पहचान संकट के रूप में GenAI
• Situated AI ethics: a cultural-historical and ecological framework for education
• Transforming Curriculum Design with Generative AI: A Model for Assessing Teacher Digital Competence — GenAI पाठ्यक्रम डिज़ाइन के लिए शिक्षक डिजिटल योग्यता का आकलन (Guillén-Gámez 2026)
• Understanding what good education is: a phenomenographic investigation of university teachers' understandings of AI — विश्वविद्यालय शिक्षकों की AI धारणाओं का घटना-चित्रण अध्ययन
• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — यूक्रेनी माध्यमिक शिक्षकों के लिए पाँच-स्तरीय AI साक्षरता ढाँचा + व्यावसायिक विकास (Marienko et al. 2026)
• Reimagining teacher-AI co-design in learning task design: trends and perspectives — सीखने के कार्यों का शिक्षक–AI सह-डिज़ाइन: प्रवृत्तियाँ और परिप्रेक्ष्य (Wang et al. 2026)
• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — AI-डिज़ाइन विभेदित समूह गतिविधियों में भूमिकाओं की संरचना (Talebzadeh 2026)
• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations
• AI Literacy of Teachers: Prompt Engineering and Model Selection as Predictors of AI-Feedback Quality — प्रॉम्प्ट इंजीनियरिंग और मॉडल चयन AI-फीडबैक गुणवत्ता के भविष्यवक्ता के रूप में (Jacobsen et al. 2026)
• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — AI Guilt Complex: शैक्षणिक कर्मचारियों में पूर्वानुमानित अपराधबोध और चार नैतिक प्रतिक्रिया प्रोफ़ाइल (Vassallo 2026)
• Empowering teachers to use AI for differentiation: changes in teachers’ acceptance of AI-based technologies following participation in a short professional development training session — एक तीन-घंटे के शिक्षक व्यावसायिक विकास सत्र ने कथित उपयोगिता और सुगमता बढ़ाई पर अपनाव का घोषित इरादा नहीं (Mesenhöller & Böhme 2026)
• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — प्री-सर्विस प्राथमिक गणित शिक्षक प्रशिक्षण में AI का व्यवस्थित समीक्षा: नैतिकता केवल ग्यारह में तीन अध्यायों में संबोधित (Pinto et al. 2026)
• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — 1,057 अमेरिकी संकाय का AAC&U/Elon सर्वेक्षण: तत्परता, गैर-उपयोग और व्यक्तिगत बनाम संस्थागत नीति अंतराल (Watson & Rainie 2026)
• AI Integration as Instructional Design: Lessons from a Cross-Institutional Faculty Collaboratory in Teacher Preparation — अंतर-संस्थागत संकाय सहयोगी संस्थान: शिक्षक तैयारी में शिक्षण डिज़ाइन के रूप में AI एकीकरण
• Assessing teachers' AI literacy: a systematic review of measurement tools — शिक्षक AI साक्षरता मापन के 33 उपकरणों की व्यवस्थित समीक्षा: 31 स्व-रिपोर्ट, दो वस्तुनिष्ठ ज्ञान परख, कोई प्रदर्शन कार्य नहीं (Zainal, Mohd Matore & Maat 2026)
• Rethinking artificial-intelligence literacy through the lens of teacher educators: The adaptive AI model — 22 शिक्षक-शिक्षकों के साथ सह-डिज़ाइन किया गया एक डिज़ाइन-आधारित अनुकूली AI साक्षरता मॉडल और 20-मद चिंतनशील प्रश्नावली (Eyal 2025)
• A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community — अनिश्चित समय में AI के प्रभावी उपयोग के लिए एक कार्यशाला शृंखला: एक भौतिकी संकाय शिक्षण समुदाय का निर्माण
• Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education — जनरेटिव AI के साथ प्रामाणिक मूल्यांकनों का डिज़ाइन: उच्च शिक्षा में मूल्यांकन प्रामाणिकता का एक पायलट अध्ययन
• Will It Teach as Intended? How Teachers Configure Educational AI Chatbots — क्या यह इच्छित रूप से पढ़ाएगा? शिक्षक शैक्षणिक AI चैटबॉट कैसे विन्यस्त करते हैं
• A Capability–Decision Model of teacher readiness for AI integration in teaching — प्रदर्शन-आधारित क्षमता संकेतकों के साथ क्रमबद्ध क्षमता-प्रथम शिक्षक तत्परता मॉडल
• K-12 in-service teachers' beliefs about generative AI in classrooms: insights from the United States, India, Qatar, Colombia, and the Philippines — 1,405 K-12 शिक्षकों का अंतर-राष्ट्रीय सर्वेक्षण: तत्परता सकारात्मक विश्वासों की भविष्यवाणी करती है, चिंता की नहीं
• Teachers’ AI Belief Profiles and Their Associations with AI Use, Pedagogical Applications, and Barriers: A Person-Centered Analysis of TALIS 2024 — चार TALIS 2024 शिक्षक विश्वास प्रोफ़ाइल व्यावसायिक सीखने और प्रोफ़ाइल-विशिष्ट बाधाओं को AI उपयोग से जोड़ती हैं
• Designing Microlearning Modules on AI for University Teachers in Vocational Teacher Education: A Design-Based Research Study — व्यावसायिक शिक्षक शिक्षा में विश्वविद्यालय शिक्षकों के लिए AI पर माइक्रोलर्निंग मॉड्यूल डिज़ाइन करना: एक डिज़ाइन-आधारित शोध अध्ययन