सीखने का अंतरण

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

सीखने का अंतरण — किसी एक संदर्भ (जैसे, किसी AI उपकरण के साथ अभ्यास) में अर्जित ज्ञान या कौशल जितना दूसरे संदर्भ (जैसे, उपकरण के बिना स्वतंत्र प्रदर्शन) में बना रहता है और लागू होता है, उसकी वह सीमा। शिक्षा में AI में, अंतरण ही केंद्रीय खुला प्रश्न है: क्या छात्र AI उपकरणों के साथ दिखाने वाले प्रदर्शन लाभ बिना उनके प्रदर्शित की जा सकने वाली स्थायी सीख में बदलते हैं।

प्रश्न जिन पर विचार करें

• यहाँ एक चौंकाने वाला पैटर्न है जो यह पृष्ठ दर्ज करता है: छात्र AI-सहायित कार्यों पर अक्सर तत्काल लाभ दिखाते हैं, फिर भी वे लाभ समाप्त हो सकते हैं — या यहाँ तक कि उलट भी सकते हैं — जब AI हटा दिया जाता है। स्पष्टीकरण पढ़ने से पहले, आपको क्या लगता है कि जो उपकरण पल-भर में स्पष्ट रूप से मदद करता है, वह छात्रों को उसके बिना खराब क्यों छोड़ सकता है?
• कुछ ऐसा याद कीजिए जो आपने किसी ट्यूटर, कैलकुलेटर या सहायक के साथ करना सीखा और फिर अकेले करना पड़ा। क्या कौशल स्थानांतरित हुआ, या आप सहायक पर निर्भर महसूस करते रहे? अच्छी तरह स्थानांतरित हुए अनुभवों और जो नहीं हुए, उनमें क्या अलग था?
• एक आम धारणा यह है कि 'अभ्यास अभ्यास है' — कि मदद के साथ कोई कार्य करना वही कौशल बनाता है जो उसे अकेले करना। वह धारणा कहाँ भटका सकती है, विशेषकर जब मदद ऐसा AI हो जो आपको चलाकर नहीं, बल्कि तर्क पूरा करके देता है?
• यह पृष्ठ किसी तकनीक के 'साथ के प्रभाव' और उसके 'के प्रभाव' के बीच एक अंतर बताता है — उपकरण का उपयोग करते समय बेहतर प्रदर्शन बनाम उसके बिना अधिक सक्षम बनना। यदि आप प्रशिक्षक, डिज़ाइनर या छात्र हैं, तो इनमें से आपका असली लक्ष्य कौन-सा है, और आप कैसे जानेंगे कि आपने उसे प्राप्त कर लिया?
• साक्ष्य बताते हैं कि आप कितना संज्ञानात्मक कार्य सौंपते हैं यह मायने रखता है: व्याकरण जैसी सतहीय कार्यों को अनलोड करने से गहरे तर्क और संरचना के अनलोडिंग की तुलना में अंतरण को कम नुकसान होता है। पिछली बार याद कीजिए जब आपने किसी असाइनमेंट पर AI का उपयोग किया। आपने कौन-सी 'परत' सौंपी, और आपकी पसंद आपके धारण के बारे में क्या भविष्यवाणी करती है?
• यह पृष्ठ उन शर्तों का प्रस्ताव करता है जो सकारात्मक अंतरण का समर्थन कर सकती हैं — शैक्षणिक गार्डरेल, समर्थन का क्षीणन, शिक्षार्थी की तत्परता के अनुसार समायोजन। यदि आप किसी AI शिक्षण उपकरण को डिज़ाइन कर रहे (या उसके उपयोगकर्ता) हों, तो आप किन बातों पर ज़ोर देंगे ताकि उसका उपयोग करते समय हुआ लाभ उसके बिना स्थायी क्षमता बन जाए?

भूमिका

सीखने का अंतरण शिक्षा शोध में एक बुनियादी चिंता का विषय है, और AI उपकरणों ने इसे तात्कालिक बना दिया है। AI in education के अध्ययनों में दर्ज किया गया निर्णायक अनुभवजन्य पैटर्न एक अंतरण की विरोधाभास है: AI का उपयोग करने वाले छात्र आमतौर पर उन कार्यों पर तत्काल, मापने योग्य लाभ दिखाते हैं जहाँ AI उपलब्ध होता है, लेकिन जब AI हटा दिया जाता है और छात्रों को स्वतंत्र रूप से समझ प्रदर्शित करनी होती है, तो वे लाभ अक्सर बने नहीं रहते — या यहाँ तक कि उलट जाते हैं। यह पैटर्न अति-निर्भरता, संज्ञानात्मक भार सिद्धांत और मेटाकॉग्निशन को क्रियाविधियों के रूप में संलग्न करता है, और सीधे AI ट्यूटरिंग डिज़ाइन पर हो रहे बहसों से जुड़ता है।

तत्परता अंतरण नहीं है: AI-सहायित बोली के अभ्यास का संबंध कम बोलने की चिंता और मनुष्यों के साथ संवाद करने की अधिक इच्छा से था, फिर भी किसी भी अध्ययन ने मनुष्यों की बोली देखी नहीं, जिससे AI के अभ्यास से मानवीय संवादी क्षमता तक का मार्ग एक अभी अपरीक्षित शैक्षणिक प्रस्ताव बना रहा (Wang & Li (2026)).

अंतरण की विरोधाभास

AI का उपयोग करने वाले छात्र आमतौर पर उन कार्यों पर तत्काल, मापने योग्य लाभ दिखाते हैं जहाँ AI उपलब्ध होता है। फिर भी जब AI हटा दिया जाता है:

• प्रभाव मिश्रित या नकारात्मक हो जाते हैं
• लाभ अक्सर स्वतंत्र प्रदर्शन में स्थानांतरित होने में असफल रहते हैं
• छात्र स्वतंत्र तर्क के बदले उपकरण पर निर्भर हो सकते हैं

यह प्रमाण आधार, जिसे Stanford Evidence Base on AI in K-12 समीक्षा में संश्लेषित किया गया है, सभी क्षेत्रों में सुसंगत है:

पाँचों अध्ययन एक नकारात्मक या शून्य अंतरण पैटर्न दिखाते हैं जब सामान्य उद्देशीय AI हस्तक्षेप होता है।

अंतरण को कमज़ोर बनाने वाली क्रियाविधियाँ

अधिसंज्ञानात्मक विस्थापन। AI द्वारा तर्क पूरा करना छात्रों के अपनी समझ पर निगरानी रखने और रणनीतियाँ चुनने के अवसरों को कम कर देता है। जिन छात्रों ने AI का उपयोग किया, वे पूछे जाने पर अपने उत्तर समझाने में कम सक्षम थे। यह स्व-निगरानी पर मेटाकॉग्निशन शोध से जुड़ता है और उस प्रमाण से कि संरचित पाठ्यक्रम अधिसंज्ञानात्मक क्षमता बढ़ाते हैं जबकि कच्चे LLM सहायक नहीं।

जर्मेन भार का दमन। सामान्य उद्देश्यीय AI केवल बाह्य (ध्यान भंग करने वाले) संज्ञानात्मक भार को नहीं घटाता, बल्कि जर्मेन भार भी घटाता है — वह उत्पादक मानसिक प्रयास जो स्थायी ज्ञान को एन्कोड करता है। आसान अभ्यास बेहतर लगता है लेकिन कमज़ोर निशान छोड़ता है। संज्ञानात्मक भार सिद्धांत और ट्यूटरिंग-विशिष्ट बनाम सामान्य AI के बीच के अंतर देखें।

अति-निर्भरता / विशेषज्ञता का प्रतिक्रमण। नौसिखियों को उत्तर देने से स्कीमा नहीं बनते। सामान्य AI उत्तर देता है; प्रभावी ट्यूटरिंग संरचित मार्गदर्शन देती है। जब नौसिखियों को विशेषज्ञ-स्तरीय शॉर्टकट दिए जाते हैं, तो सीख बिगड़ती है — वांछनीय कठिनाइयाँ सिद्धांत का प्रतिलोम।

उपकरण-निर्भर प्रदर्शन। छात्र AI उपकरण की विशिष्ट सुविधाओं के अनुसार अनुकूलित हो सकते हैं (प्रॉम्प्ट इंजीनियरिंग, उत्पन्न कोड संरचना पर निर्भरता) क्षेत्रीय सामान्यीकरण बनाने के बजाय — संज्ञानात्मक अनलोडिंग का एक रूप जो उत्पादक लगता है लेकिन स्थायी सीख को विस्थापित करता है।

एक सुरक्षित कक्षा गलत आदत भी सिखा सकती है: Shi, Dai & Zhang (2026) चेतावनी देते हैं कि पूर्व निर्धारित नियमों वाले सिमुलेशन अनिश्चितता को छांट देते हैं और नियम-पालन को मज़बूत करते हैं, इसलिए उनके भीतर बने निर्णय आदत विरोधी हितों और अपूर्ण जानकारी वाली वास्तविक स्थितियों में मिलने पर संज्ञानात्मक बोझ बन सकते हैं।

परत-संवेदी अनलोडिंग और अंतरण। Chen (2026) सलोमोन, पर्किंस और ग्लोबर्सन के "तकनीक के साथ के प्रभाव बनाम तकनीक के प्रभाव" अंतर का प्रत्यक्ष परीक्षण GenAI-सहायित लेखन में करते हैं: एक आठ-सप्ताहीय अर्ध-प्रयोग में पाया गया कि खुला AI सहयोग सहायित लेखन के प्रदर्शन को अधिकतम बनाता है लेकिन सबसे कम स्वतंत्र AI-रहित निकट-अंतरण परिणाम उत्पन्न करता है, जबकि प्रतिबिंब के साथ सीमित समर्थन ने स्वतंत्र क्षमता बनाए रखी। गहरी अनलोडिंग परतों (तर्क, संरचना) ने सतहीय परतों (व्याकरण) की तुलना में खराब अंतरण की भविष्यवाणी की। यह प्रत्यक्ष कक्षा साक्ष्य है कि AI के साथ-समर्थन प्रदर्शन लाभ के प्रभाव-सामर्थ्य स्वतंत्र प्रदर्शन में स्थानांतरित नहीं होते — और यह कि अंतरण को न केवल AI के उपयोग से, बल्कि सौंपे गए कार्य की गहराई से भी आकार मिलता है।

एक पूरक, यद्यपि भ्रमित, उदाहरण भौतिकी से आता है: रूह विश्वविद्यालय बोहम द्वारा एक परिचयात्मक नाभिकीय और कण भौतिकी पाठ्यक्रम के पुनर्रचना (Mikhasenko et al., 2026) में छात्रों ने AI सहायता से सहयोगपूर्ण, संसाधन-समृद्ध शोध समस्याएँ सफलतापूर्वक पूरी कीं, फिर भी उन्हीं छात्रों ने पारंपरिक असहाय लिखित परीक्षा में औसतन 20.6/80 अंक प्राप्त किए, और कई गंभीर प्रयास मानक गणनाएँ पूरी नहीं कर सके। लेखक इसे इस प्रकार पढ़ते हैं कि सहायित प्रदर्शन स्वतः अनुप्रेरित प्रदर्शन में स्थानांतरित नहीं होता, और उनका उपाय जानबूझकर डिज़ाइन है: लिखित परीक्षा को एकमात्र ग्रेड निर्धारक बनाना, ट्यूटोरियल समस्याएँ पहले ही जारी करना ताकि कक्षा समय तैयार चर्चा बन जाए, और अन्वेषणात्मक AI-अनुमत कार्य के इर्द-गिर्द पूर्वापेक्षित तैयारी, हल किए गए उदाहरण और समेकन जोड़ना।

सकारात्मक अंतरण का समर्थन करने वाली शर्तें

सीमित साक्ष्य बताते हैं कि अंतरण संभव है जब:

• शैक्षणिक गार्डरेल उपस्थित हों — चरणबद्ध संकेत, भ्रांति लक्ष्यीकरण, सुकरातीय प्रश्न (Bastani et al., 2025 ट्यूटरिंग संस्करण)

• पारंपरिक रणनीतियाँ संरक्षित रहें — AI उपयोग के साथ नोट-टेकिंग से धारण में सुधार हुआ (Kreijkes et al., 2026)

• AI का उपयोग रचनात्मक के लिए हो, सारांशबद्ध के लिए नहीं — सीखने के दौरान स्कैफोल्डिंग, मूल्यांकन के दौरान नहीं

• अभ्यास प्रारूप उस ज्ञान से मेल खाए जो स्थानांतरित किया जा रहा है। Rachatasumrit, Koedinger & Carvalho (2025) पाते हैं कि पुनर्प्राप्ति-अभ्यास के लाभ अक्सर अपरिचित समस्याओं में स्थानांतरित होने में असफल रहते हैं — वे किसी प्रक्रिया की स्मृति को मज़बूत करते हैं बिना नए संदर्भों में उसके उपयोग को सक्षम किए — और यह कि नए अनुप्रयोगों में स्थायी सामान्यीकरण के लिए कौशल आगमन का समर्थन देने वाले हल किए गए उदाहरणों के साथ अभ्यास को जोड़ना आवश्यक है; इसलिए उदाहरण–समस्या का इष्टतम अनुपात इस पर निर्भर करता है कि सामग्री शब्दशः तथ्य है या सामान्यीकरण योग्य कौशल।

• शिक्षार्थी की विशेषज्ञता समायोजित रहती है — उपकरण पूरी सहायता के बजाय तत्परता के अनुसार समर्थन ढालता है।

• अंतरण वह कसौटी है जो सीख को सहायता से अलग करती है। Yan and Gašević (2026) अपने मानव-AI सीखने के सिद्धांत को घटाए हुए समर्थन में अंतरण के इर्द-गिर्द बनाते हैं: सहायित प्रदर्शन को सीख माना जाता है केवल तब जब समर्थन हटाए जाने पर क्षमता बनी रहती है, जो अंतरण को एक परीक्षण बनाती है, कई परिणामों में से एक नहीं। उनका प्रस्ताव दिशात्मक है, कि AI-सहायित कार्य के दौरान स्रोत जाँच या औचित्य की माँग करने से विलंबित प्रदर्शन में सुधार होना चाहिए, जबकि पुनर्निर्माण के बिना बार-बार कम-घर्षण का प्रत्यायन शिक्षार्थियों की अपनी क्षमता के संकल्पन को कमज़ोर करेगा।

• मार्गदर्शन कार्य के साथ सह-अवस्थित रहता है। ऊपर दी गई तालिका के नकारात्मक-अंतरण पैटर्न के विपरीत, एक 36-प्रतिभागी तुलना में पाया गया कि डेस्क रोबोट से सहायता पाने वाले शिक्षार्थियों ने सहायता हटाए जाने पर 7.0/10 का अपना अंक बनाए रखा जबकि ChatGPT-सहायित शिक्षार्थी 4.4/10 पर गिर गए, एक 60% अधिक अल्पकालिक अंतरण अंक (Orlando et al. (2026)। यह परिणाम कार्य के लगभग 35 मिनट बाद मापा गया अल्पकालिक अंतरण है, बिना किसी विलंबित धारण परीक्षा के, एक कैंपस के 36 प्रतिभागियों में।

यह उस शोध से मेल खाता है जो दिखाता है कि शैक्षणिक गार्डरेल वाले ट्यूटरिंग-विशिष्ट उपकरण सामान्य उद्देशीय चैटबोट से बेहतर प्रदर्शन करते हैं, और मड्गद सिद्धांतों से मेल खाता है जो क्षमता बढ़ने पर समर्थन के क्षीणन की बात करते हैं।

अनुत्तरित प्रश्न

1. समय स्तर: सप्ताह/महीनों के उपयोग से अंतरण सुधरता है, या निर्भरता गहरी होती जाती है?
2. क्षेत्रीय अंतर: क्या अंतरण संरचित क्षेत्रों (गणित) में असंरचित क्षेत्रों (लेखन) से बेहतर है?
3. व्यक्तिगत अंतर: क्या उच्च-पूर्व ज्ञान छात्र नौसिखियों की तुलना में कम अंतरण हानि झेलते हैं?
4. कौशल पुनर्वास: क्या स्पष्ट "AI-बंद" अभ्यास सत्रों उपकरण निर्भरता को उलट सकते हैं?

अन्य अवधारणाओं से संबंध

सीखने का अंतरण मेटाकॉग्निशन (समझ की स्व-निगरानी), संज्ञानात्मक भार सिद्धांत (जर्मेन बनाम बाह्य भार), वांछनीय कठिनाइयाँ (उत्पादक संघर्ष), मड्गद (घटता समर्थन), अति-निर्भरता (उपकरण निर्भरता), और सामाजिक-सांस्कृतिक अधिगम (सामान्य उद्देशीय AI छात्रों के लिए कार्य पूरा करके ZPD के बाहर काम करता है) से जुड़ता है। यह सहायित प्रदर्शन और वास्तविक सीख के बीच का पुल है — The Evidence Base on AI in K-12: A 2026 Review और AI ट्यूटरिंग प्रभावशीलता के केंद्रीय प्रश्न के बीच का अंतर।

संबंधित अवधारणाएँ

• शिक्षाशास्त्रीय पैटर्न — वह परिणाम जिस पर अंततः इनमें से अधिकतर अनुक्रमों को आँका जाता है
• मेटाकॉग्निशन
• वांछनीय कठिनाइयाँ
• संज्ञानात्मक ऑफलोडिंग
• मड्गद
• सामाजिक-सांस्कृतिक अधिगम
• इंटेलिजेंट ट्यूटरिंग
• K-12
• स्व-नियंत्रित अधिगम
• सीखने के सिद्धांत
• उत्पादक विफलता — उत्पादक विफलता

संबंधित लेख

• Agentivism: a learning theory for the age of artificial intelligence — मानव-AI अंतःक्रिया के लिए एक मध्य-विस्तार का शिक्षण सिद्धांत, चार क्रियाविधियों और छह परीक्षणीय प्रस्तावों के साथ (Yan and Gašević 2026)

• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — GenAI-सहायित लेखन में परत-संवेदी संज्ञानात्मक अनलोडिंग (Chen 2026)

• The Evidence Base on AI in K-12: A 2026 Review

• Knowledge without Wisdom: Measuring Misalignment between LLMs and Intended Impact

• Cognitive offloading and the speedup illusion in human-AI interaction

• Vibe Compiler: A Research-Logic Synthesis Tool That Runs without Prompt Engineering -Toward Enhancing Metacognition for Sustaining Agency in the Age of Generative AI-

• Rethinking Higher Education: From Fixed Curricula to Learnity Graphs

• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — प्रदर्शन-सीख का अंतर और स्थायी अंतरण

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

• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content

• AI in Particle Physics Education: Research Problems and Foundational Skills — कण भौतिकी शिक्षा में AI: शोध समस्याएँ और बुनियादी कौशल

• From Memorization to Experiential Learning: Reconfiguring Classroom Pedagogy in Management Education through Generative AI — यह तर्क देता है कि सुरक्षित कक्षा सिमुलेशन ऐसे निर्णय आदत बना सकते हैं जो उनके बाहर विफल होते हैं

• AI-Assisted Speaking Practice and Human-Directed Communicative Readiness: Survey and Scenario Evidence on Anxiety, Self-Efficacy, and Evaluation Pressure — AI-सहायित बोली अभ्यास ने मनुष्यों की ओर इच्छा बढ़ाई लेकिन किसी अध्ययन ने मनुष्यों की बोली देखी नहीं

• AIfred: Augmented Learning through Functional Robotic Embodiment at the Desk — AIfred: डेस्क पर क्रियात्मक रोबोटिक एम्बॉडीमेंट के माध्यम से संवर्धित सीख