मैं कैसे जाँचूँ कि AI से बने क्विज़ और परीक्षा-प्रश्न वास्तव में अच्छे हैं?

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

आप अपने व्याख्यान-नोट्स से बीस प्रश्न माँगते हैं। वे उत्तर-कुंजियों, व्याख्याओं, कठिनाई-लेबल और ब्लूम वर्गीकरण श्रेणियों के साथ, एक सुसज्जित दस्तावेज़ में लौटकर आते हैं जो तैयार दिखता है। अब उस पर आपका नाम लगने वाला है।

सहकर्मी को देने लायक छोटा उत्तर: उत्पन्न प्रश्न उम्मीदवार हैं, आकलन नहीं। हर एक को स्वयं हल करें, देखें कि प्रश्न विद्यार्थी से वास्तव में क्या करवाता है, और गिनती में आने से पहले पता करें कि विद्यार्थी उस पर कैसे प्रतिक्रिया देते हैं। इस ज्ञान-आधार के दो सबसे बड़े अध्ययनों में दिलचस्प संकेत यह नहीं है कि निर्माण काम करता है, बल्कि यह है कि वह कहाँ विफल होता है। कोर्स-विशिष्ट वर्कफ़्लो के भीतर पुनरावृत्त निर्माण ने 71 कॉलेज कक्षाओं में उपयोगी बहुविकल्पीय परीक्षाएँ पैदा कीं (Isley et al., 2025)। 311 तैनात प्रश्नों के एक डेटा-साइंस ऑडिट में, मॉडल के कठिनाई-लेबल उनके साथ ही उत्पन्न ब्लूम स्तरों के साथ लगभग पूरी तरह मेल खाते रहे (Spearman ρ = 0.90), जबकि विद्यार्थियों के वास्तविक अंकों के साथ वे ρ = 0.06 पर मेल खाते रहे (An और Wang, 2026)। लेबल प्रॉम्प्ट का वर्णन था, प्रश्न का मापन नहीं।

संक्षिप्त संस्करण

1. कुछ भी उत्पन्न करने से पहले लक्ष्य-परिणाम और वह साक्ष्य लिखें जो एक संतोषजनक उत्तर देगा।

2. एक ब्लूप्रिंट बनाएँ ताकि आप देख सकें कि सेट किन परिणामों का और कितनी बार नमूना लेता है।

3. कुंजी पर भरोसा करने से पहले हर प्रश्न स्वयं हल करें, और व्याख्या को एक जाँचे जाने वाले दावे की तरह पढ़ें।

4. पूछें कि उत्तर देने के लिए विद्यार्थी को क्या करना पड़ता है। जो प्रश्न "विश्लेषण करें" कहता है पर स्मरण माँगता है, वह स्मरण-प्रश्न है।

5. कठिनाई-लेबल को प्रॉम्प्ट का मेटाडेटा मानें, साइकोमेट्रिक्स नहीं।

6. प्रश्नों का पायलट चलाएँ, देखें कि वे कैसे काम करते हैं, फिर कमज़ोर प्रश्नों को सुधारें।

उस अधिगम से शुरू करें जिसका साक्ष्य आप चाहते हैं

निर्माण इतना सस्ता है कि आउटपुट-प्रारूप चुपचाप विनिर्देश बन जाता है। अगर आपके नोट्स साफ़-सुथरे बहुविकल्पीय प्रश्न पैदा करते हैं, तो आप अंततः यह मापेंगे कि विद्यार्थी संभाव्य कथनों में से चुन सकते हैं या नहीं—चाहे पाठ्यक्रम कोई भी परिणाम दावा करे।

पहले लक्ष्य-परिणाम निर्दिष्ट करें, फिर वह साक्ष्य जो एक संतोषजनक उत्तर देगा, फिर वह ज्ञान जो विद्यार्थियों से अपेक्षित है। कोर्स-सामग्री, अपेक्षित भ्रांतियाँ, अनुमत उपकरण और उत्तर-प्रारूप शामिल करें। अगर आप चाहते हैं कि विद्यार्थी साक्ष्य की व्याख्या करें, तो प्रश्न को व्याख्या की माँग करनी होगी, और किसी परिभाषा-प्रश्न में यह शब्द जोड़ देने से वह नहीं होगा। एक लंबा परिदृश्य भी किसी एक परिचित वाक्यांश से हल हो सकता है जो पूरा खेल खोल देता है।

आकलन-ब्लूप्रिंट परिणामों के सामने प्रश्नों की एक तालिका है, और उसका मूल्य यह है कि वह अंतरालों को विद्यार्थियों से पहले उजागर करती है। वह व्यापार-समझौते को भी दिखाती है: सबसे आसान सामग्री से आप जो भी प्रश्न बनाते हैं, वह उस परिणाम पर खर्च नहीं हुआ प्रश्न है जो आपके लिए सबसे अधिक मायने रखता है।

हर प्रश्न को छह आयामों पर देखें

कुंजी से शुरू करें। क्या वह आधिकारिक कोर्स-सामग्री के सामने रक्षायोग्य है, और स्वतंत्र रूप से जाँचने पर व्याख्या टिकती है? कुंजी और व्याख्या अक्सर उसी त्रुटिपूर्ण कदम से आती हैं, इसलिए एक को जाँचना दूसरे को नहीं जाँचता।

फिर पूछें कि उत्तर देने के लिए पढ़ने और चुनने के बीच विद्यार्थी को वास्तव में क्या करना पड़ता है। यहीं उत्पन्न प्रश्न सबसे अधिक विफल होते हैं, और यहीं लेबल सबसे कम भरोसेमंद है।

अगला है संरेखण: क्या उत्तर देना इच्छित परिणाम के लिए साक्ष्य देता है, या किसी निकटवर्ती और आसानी से आँके जाने वाले परिणाम के लिए?

शब्दों को वैसे पढ़ें जैसे विद्यार्थी पढ़ेगा। क्या ज़रूरी जानकारी मौजूद है, और क्या आपकी संरचना से असंबंधित अस्पष्टता हटा दी गई है?

विकल्पों और स्कोरिंग-नियमों को साथ देखें। क्या विकर्षक विकल्प संभाव्य हैं और एक-दूसरे तथा कुंजी से अलग हैं, और क्या कुंजी उन वैध वैकल्पिक उत्तरों को मान्यता देती है जिन्हें आपका रूब्रिक अंक देता?

अंत में पूछें कि प्रश्न किसे बाहर रखता है। पठन-भार, सांस्कृतिक संदर्भ, दृश्य-सामग्री और स्वरूपण ऐसी माँगें खड़ी कर सकते हैं जो परिणाम से असंबंधित हैं। बहुभाषी या दिव्यांग विद्यार्थी के लिए, जो प्रश्न तेज़ पढ़ने को पुरस्कृत करता है, वह कुछ और माप रहा है—और उपसमूह-प्रदर्शन में यही दिखता है।

दूसरा मॉडल समस्याएँ पहचानने में मदद कर सकता है, और दो मॉडलों की सहमति शुद्धता का स्वतंत्र सत्यापन नहीं है। वे प्रशिक्षण-डेटा और विफलता-विधाएँ साझा करते हैं। प्रश्न को स्वयं हल करें, फिर जो गिनती में आएँगे उन्हें किसी योग्य व्यक्ति से देखवाएँ।

कठिनाई-लेबल को फ़ैसला न करने दें

प्रश्न-निर्माण साहित्य लेबलों की विफलता पर अधिक उपयोगी है, निर्माण की सफलता पर कम। An और Wang (2026) ने डेटा-साइंस कोर्सों के 378 लेखक-निर्मित प्रश्नों की जाँच की, जिनमें से 311 को 54 विद्यार्थियों तक 7,888 उत्तरों में तैनात किया गया। मॉडल के आसान, मध्यम और कठिन लेबल अपने ही साथ उत्पन्न ब्लूम स्तरों के साथ ρ = 0.90 पर और अनुभवजन्य प्रश्न-कठिनाई के साथ ρ = 0.06 पर सहसंबद्ध थे। तैनात प्रश्नों में से लगभग 70% को हर विद्यार्थी ने सही किया, जिससे कठिनाई-लेबल के पास सिद्धांत रूप में भी ट्रैक करने लायक लगभग कोई भिन्नता नहीं बची।

इससे दो सबक निकलते हैं। पहला, कठिनाई किसी प्रश्न और किसी जनसंख्या के बीच के अंतःक्रिया का गुण है, इसलिए प्रश्न लागू करने से पहले बनाया गया कोई भी लेबल मापे गए मान की तरह भरोसेमंद नहीं हो सकता। दूसरा, ऐसे प्रश्नों का बैंक जिन्हें सब सही करते हैं, आसान आकलन नहीं, बेकार आकलन है: वह इस बारे में लगभग कोई सूचना नहीं देता कि कौन क्या जानता है।

सकारात्मक पक्ष विक्रेता-दावों से संकीर्ण है और उसे ठीक-ठीक जानना लायक है। Isley et al. (2025) ने 71 कॉलेज कक्षाओं, लगभग 1,200 विद्यार्थियों के लिए दस-प्रश्नों वाली बहुविकल्पीय परीक्षाएँ उत्पन्न कीं, ऐसे लूप से जो हर प्रश्न को हर कोर्स की शिक्षक-दी गई सामग्री के आधार पर उत्पन्न करता, परखता और सुधारता है, फिर प्रश्नों की तुलना मानव-निर्मित परीक्षाओं से की। यह भीतर समीक्षक रखने वाला वर्कफ़्लो है, हर कोर्स के लिए अलग चलाया गया, सामान्य सामग्री पर एक अकेला प्रॉम्प्ट नहीं। समर्थन उन शर्तों के अंतर्गत उस वर्कफ़्लो के लिए है, और वह उस तक नहीं फैलता जो वही मॉडल बिना संपादित नोट्स के चिपकाए जाने पर पैदा कर दे।

निर्माण, समीक्षा, पायलट, सुधार का चक्र चलाएँ

ब्लूप्रिंट के सामने उत्पन्न करें, और इच्छित परिणाम, कुंजी, संक्षिप्त समाधान तथा वह भ्रांति माँगें जिसे हर विकर्षक पकड़ना चाहता है। ये टिप्पणियाँ डिज़ाइन को निरीक्षण-योग्य बनाती हैं। वे इस बात का साक्ष्य नहीं हैं कि डिज़ाइन सुदृढ़ है।

जमा करने से पहले मरम्मत करें। असमर्थित दावे, दोहराए गए प्रश्न, तने में दुर्घटनावश छूटे संकेत, एक से अधिक रक्षायोग्य कुंजियाँ और संरचना से असंबंधित जटिलता हटाएँ, और लिखें कि आपने क्या बदला, क्योंकि मरम्मतों का पैटर्न बताता है कि प्रॉम्प्ट का कौन-सा हिस्सा ठीक करना है।

वहाँ पायलट करें जहाँ पायलट उचित अनुपात में हो। कम-दाँव वाला अभ्यास, या आकलन के भीतर प्रबंधित पायलट, आपको उत्तर-डेटा देता है। विद्यार्थियों को बताएँ कि अस्पष्ट या गलत प्रश्न कैसे रिपोर्ट करें और उन रिपोर्टों को पढ़ें, क्योंकि वही आपका सबसे सूचनाप्रद त्रुटि-संकेत है।

फिर देखें कि प्रश्न कैसे काम करते हैं: सही उत्तर देने वालों का अनुपात, कौन-से विकर्षक उत्तर खींचते हैं, और क्या प्रश्न पर सफलता आकलन के बाकी हिस्से के प्रदर्शन के साथ चलती है। जिस प्रश्न में मज़बूत विद्यार्थी विफल हों और कमज़ोर सफल, वह कठिन प्रश्न नहीं बल्कि दोष है। छोटी कक्षा में ये आँकड़े अस्थिर होते हैं, इसलिए प्रतिशत को फ़ैसला मानने के बजाय उन्हें सामग्री-समीक्षा और विद्यार्थियों की व्याख्याओं के साथ जोड़ें।

सुधार करें, और रिकॉर्ड रखें: स्वीकृत संस्करण, जिस परिणाम की वह सेवा करता है, कुंजी, तर्क, समीक्षा-नोट्स और प्रयोग-इतिहास। बड़े या उच्च-दाँव वाले बैंकों के लिए यहीं आकलन-विशेषज्ञ और उचित साइकोमेट्रिक विधियाँ आती हैं, और मापन की विशेषज्ञता ऐसी चीज़ है जिसका विकल्प एक सावधान पढ़ाई नहीं बन सकती।

कोर्स में यह कैसा दिखता है

एक परिचयात्मक समाजशास्त्र कोर्स में परिणाम यह हो सकता है कि संरचनात्मक व्याख्या को व्यक्तिगत व्याख्या से अलग पहचाना जाए। एक कमज़ोर प्रश्न विद्यार्थियों से "संरचनात्मक" की परिभाषा माँगता है, जो शब्दावली-पहचान मापता है। एक मज़बूत उम्मीदवार किसी परिवार और रोज़गार-निर्णय पर छोटा परिदृश्य देता है, फिर पूछता है कि कौन-सी व्याख्या किसी संरचनात्मक बाधा को सबसे अच्छी तरह पहचानती है, और विकर्षक विकल्प संभाव्य पर भिन्न व्याख्याओं को दर्शाते हैं।

शिक्षक जाँचता है कि परिदृश्य वास्तव में कुंजी का समर्थन करता है, कि कोई दो विकल्प एक ही विचार नहीं कहते, और यह कि उत्तर देना उस शब्दावली पर निर्भर नहीं है जो कोर्स ने कभी पेश ही नहीं की। एक पंक्ति का अनुवर्ती प्रश्न, "कौन-सा ब्यौरा आपके चुनाव का समर्थन करता है?", वह तर्क सामने लाता है जिसे चुना गया विकल्प छिपा देता है। यह अनुकूलन प्रश्न-प्रारूप के रूप में अपरीक्षित है, और उसका मूल्य संकीर्ण है: ऊपर के समीक्षा-प्रश्न प्रश्न लागू करने से पहले उत्तर दिए जा सकते हैं, और गलत कुंजी विद्यार्थियों के देखने से पहले ठीक की जा सकती है।

जो विद्यार्थी अपने अभ्यास-प्रश्न खुद बनाते हैं, उनके स्तर पर वही नियम लागू होता है: प्रश्न हल करने का प्रयास करें, व्याख्या को कोर्स-स्रोतों के सामने जाँचें, और जो मामले सुलझ न सकें उन्हें किसी विषय-जानकार तक ले जाएँ। अध्ययन-अभ्यास जो विद्यार्थियों को उत्पन्न कुंजियों को बिना जाँचे स्वीकार करना सिखाता है, गलत आदत सिखाता है।

जो आपके सामने फिर आएगा

"इसने उत्तर और व्याख्या दोनों दिए।" दोनों एक ही गलती दोहरा सकते हैं, और व्याख्या ठीक इसलिए भरोसा पैदा करती है कि वह धाराप्रवाह है। तर्क को अपनी सामग्री के सामने सत्यापित करें, उसके अपने पुनर्कथन के सामने नहीं।

"ये तो केवल अभ्यास-प्रश्न हैं।" गलत कुंजियाँ सुधारे बिना रह जाएँ तो अभ्यास भ्रांतियाँ सिखाता है, और विद्यार्थी सही उत्तर की तरह ही गलती को भी दोहरा लेते हैं। कम दाँव यह बदलते हैं कि कितनी समीक्षा उचित है। वे यह नहीं बदलते कि शुद्धता मायने रखती है या नहीं।

"विद्यार्थियों को क्विज़ पसंद आई।" आनंद अनुभव के बारे में साक्ष्य है। ऐसी आसान क्विज़ जिसे सब आराम से पूरा कर लें, अच्छी लगती है और बहुत कम मापती है, और डेटा-साइंस ऑडिट में पाया गया कि प्रश्नों की लोकप्रियता के साथ कोई उपयोगी कठिनाई-संकेत नहीं था।

"रूब्रिक या ब्लूम टैग बताते हैं कि यह परिणामों को छूता है।" उसी निर्माण-चरण द्वारा दिए गए ब्लूम लेबल सबसे कम स्वतंत्र साक्ष्य हैं। लेबलों के सामने ρ = 0.90 और विद्यार्थी-प्रदर्शन के सामने ρ = 0.06—मापने पर बात ठीक ऐसी ही दिखती है।

इस सप्ताह क्या करें

1. एक परिणाम चुनें और लिखें कि एक संतोषजनक उत्तर कौन-सा साक्ष्य देगा। फिर उसके सामने पाँच प्रश्न उत्पन्न करें, हर विकर्षक के पीछे का कुंजी, समाधान और इच्छित भ्रांति माँगते हुए।

2. कुंजियाँ देखे बिना पाँचों हल करें, और जहाँ आप तथा मॉडल असहमत हों उन्हें दर्ज करें।

3. किसी सहकर्मी से दो सबसे मज़बूत उम्मीदवारों को संरेखण और अस्पष्टता के लिए देखने को कहें, और जिसे आप दोनों में से कोई भी नहीं बचा सके उसे हटा दें।

4. बचे हुए प्रश्नों का पायलट करें, साथ में एक छोटा अनुवर्ती प्रश्न जो विद्यार्थियों से पूछे कि कौन-सा ब्यौरा उनके चुनाव का समर्थन करता है।

5. दर्ज करें कि आपने क्या और क्यों बदला, ताकि अगला बैच उसी प्रॉम्प्ट से नहीं बल्कि बेहतर प्रॉम्प्ट से शुरू हो।

आगे कहाँ जाएँ

स्वचालित प्रश्न निर्माण निर्माण-विधियों और उनकी मापी गई गुणवत्ता का संकल्पना-पेज है, और शैक्षणिक मापन प्रश्न-विश्लेषण, विश्वसनीयता तथा उन साइकोमेट्रिक्स को समेटता है जिनकी ओर पायलट मात्र संकेत करता है। दोनों आकलन वैधता के नीचे बैठे हैं, जो वह मानक है जिसकी सेवा पूरा चक्र कर रहा है।

इसी समस्या का निर्णय-पक्ष AI अंकन का है, क्योंकि अच्छे प्रश्न का बुरा अंकन बुरे प्रश्न के अच्छे अंकन से बेहतर नहीं है। जब विद्यार्थी AI का उपयोग कर सकते हैं तब ग्रेड का क्या अर्थ होना चाहिए—इस व्यापक प्रश्न के लिए देखें AI युग में आकलन का पुनर्डिज़ाइन।