प्रभावी AI ट्यूटर विकसित करने के लिए सर्वोत्तम अभ्यास क्या हैं?

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

एक प्रभावी AI ट्यूटर को सीखने की प्रणाली के रूप में डिज़ाइन किया जाना चाहिए, उत्तर-उत्पादन करने वाले चैटबॉट के रूप में नहीं। ज्ञान-आधार में सबसे मज़बूत विषय यह है कि पीडागॉजिकल संरचना—निदान, स्कैफोल्डिंग, फीडबैक, शिक्षार्थी की एजेंसी, और मूल्यांकन—कम से कम उतनी ही महत्वपूर्ण है जितनी अंतर्निहित मॉडल। नीचे दिए गए दो विस्तृत उदाहरण (एक कैलकुलस ट्यूटर और एक लेखन कोच) दिखाते हैं कि एक ही मूल संरचना को उसके अनुसार ढाला जाना चाहिए कि विषय शिक्षार्थी से क्या अपेक्षित करता है।

1. स्पष्ट सीखने के उद्देश्यों से शुरू करें और शिक्षार्थी का कार्य निर्धारित करें

मॉडल चुनने से पहले निर्धारित करें:

• शिक्षार्थियों को बाद में क्या जानना चाहिए या करने में सक्षम होना चाहिए।
• वे स्वयं कौन-सा संज्ञानात्मक कार्य करना चाहिए।
• ट्यूटर किनमें सहायता कर सकता है।

"समस्या पूरी करना" के लिए अनुकूलित ट्यूटर आसानी से "समस्या हल करना सीखना" के लिए अनुकूलित ट्यूटर को कमज़ोर कर सकता है। इंटेलिजेंट ट्यूटरिंग अवधारणा बल देती है कि प्रभावशीलता केवल मॉडल की क्षमता पर निर्भर नहीं, बल्कि पीडागॉजिकल डिज़ाइन पर निर्भर करती है।

2. नुस्खा देने से पहले निदान करें

प्रदर्शित ज्ञान, एआई के बारे में गलतफहमियाँ, हाल के प्रयासों, सहायता माँगने के व्यवहार, और जहाँ उचित हो आत्मविश्वास जैसे प्रमाणों के आधार पर एक शिक्षार्थी मॉडल बनाए रखें। इन प्रमाणों के आधार पर कठिनाई और सहायता को अनुकूलित करें, न कि केवल शिक्षार्थी के नवीनतम प्रॉम्प्ट पर प्रतिक्रिया देते हुए। बड़े भाषा मॉडल (LLMs) को अकेले निदान करने की अनुमति देने के बारे में सतर्क रहें: बेंचमार्किंग ने पाया कि LLM ट्यूटर स्पष्ट रूप से सही तर्क को पहचान सकते थे, लेकिन कभी-कभी वैध विकल्पों को अस्वीकार करते थे या गलत तर्क को स्वीकार करते थे। महत्वपूर्ण परिणाम वाले क्षेत्रों के लिए एक उपयोगी संरचना है संरचित निदान + लचीला LLM संवाद। देखें सही की पुष्टि, बाकी को चूकना।

3. तुरंत समाधान देने के बजाय संकेत-सीढ़ी का उपयोग करें

एक उपयोगी शिक्षण अनुक्रम है: प्रयास करने को कहें, शिक्षार्थी के तर्क को जाँचें, एक छोटा संकेत दें, एक मज़बूत संकल्पनात्मक संकेत दें, एक आंशिक चरण प्रदर्शित करें, केवल आवश्यकता पड़ने पर पूर्ण हल दिखाएँ, फिर शिक्षार्थी से विचार को स्वतंत्र रूप से समझाने या लागू करने को कहें। सहायता को क्षमता बढ़ने के साथ धीमी-धीमि कम होती चली जानी चाहिए। यह मड्गद अवधारणा का केंद्रीय तत्व है। एक प्रमुख फ़ील्ड प्रयोग ने पाया कि एक असुरक्षित GPT इंटरफ़ेस ने सहायता-प्राप्त गणितीय प्रदर्शन बढ़ाया लेकिन बाद के बिना-सहायता परीक्षा प्रदर्शन को घटाया, जबकि संकेत देने वाले ट्यूटर ने उस सीखने की कमी को काफ़ी हद तक समाप्त कर दिया — देखें असुरक्षित जनरेटिव AI सीखने को नुकसान पहुँचा सकता है।

एक बड़े यादृच्छिक फ़ील्ड प्रयोग में, एक महारत-आधारित अभ्यास मंच पर 6,000 से अधिक मध्यवर्ती विद्यालयी छात्रों ने इसी पैटर्न को अधिक विस्तार से दिखाया: AI सहायता दिए गए छात्र धीरे-धीरे आगे बढ़े और कम प्रश्नों पर प्रयास किए, लेकिन अधिक सटीक उत्तर दिए और — सबसे स्पष्ट तंत्र — गलतियों के बाद अगले प्रयास में सुधार दिखाया, सही उत्तर पर लौटने के लिए कम प्रयासों की आवश्यकता हुई। यह एक उत्पादक धीमापन है, उत्तर पकड़ने की नहीं, और यही वह व्यवहार है जो संकेत-सीढ़ी को उत्पन्न करना चाहिए। वही अध्ययन प्रतिनिधि-मापदंडों (proxies) के बारे में एक चेतावनी देता है: लगातार तीन सही उत्तरों की आवश्यकता रखने से मंच-निर्धारित महारत तेज़ी से बढ़ी, लेकिन एक सप्ताह बाद के विलंबित परीक्षण में कोई पहचान योग्य लाभ नहीं मिला, और सबसे मज़बूत विलंबित-परीक्षा प्रमाण केवल वहीं दिखे जहाँ AI महारत कार्यप्रवाह के भीतर था (गुणांक 0.085), न कि स्वतंत्र पहुँच के रूप में। देखें AI ट्यूटरिंग को उत्पादक बनाना।

4. फीडबैक को विशिष्ट, तत्काल, क्रियान्वयन-योग्य और तर्क से जुड़ा बनाएँ

ऐसा फीडबैक टालें जो केवल "सही," "गलत," या "अच्छा काम" कहता है। इसके बजाय ट्यूटर को संबंधित तर्क-चरण पहचानना चाहिए, बताना चाहिए कि क्या पुनर्विचार करना है, शिक्षार्थी को अगला ठोस कदम देना चाहिए, और उचित होने पर फीडबैक प्रकट करने से पहले शिक्षार्थी से पूर्वानुमान या व्याख्या करने को कहना चाहिए। ज्ञान-आधार प्रतिपुष्टि को एक संपूर्ण प्रावधान–अवलोकन लूप मानता है: फीडबैक केवल तभी सीखने में सहायक होता है जब छात्र उसे समझते हैं और उस पर कार्य करते हैं।

5. तथ्यात्मक सामग्री को स्रोतों पर आधारित करें, LLM की स्मृति पर भरोसा न करें

प्रशिक्षक-अनुमोदित पाठ्यपुस्तकों, पाठ्यक्रम नोट्स, हल किए गए उदाहरणों, नीतियों, और पाठ्यक्रम संसाधनों जैसी विश्वसनीय सामग्रियों पर रिट्रीवल-संवर्धित जनरेशन (RAG) का उपयोग करें, और उचित स्थानों पर उद्धरण या उत्पत्ति (provenance) प्रदर्शित करें। जिन क्षेत्रों में उत्तरों को औपचारिक रूप से जाँचा जा सकता है, उनमें निर्धारित (deterministic) उपकरण जोड़ें जैसे कैलकुलेटर, प्रतीकात्मक गणित प्रणालियाँ, कोड निष्पादन, ज्ञान-ग्राफ़, नियम-आधारित सत्यापनकर्ता, और क्षेत्र-विशिष्ट समाधानकर्ता। RAG मतिभ्रम का जोखिम कम कर सकता है, हालाँकि इसे समाप्त नहीं कर सकता — देखें रिट्रीवल-संवर्धित जनरेशन।

6. मेटाकॉग्निशन और शिक्षार्थी की एजेंसी के लिए डिज़ाइन करें

नियमित रूप से शिक्षार्थी से उत्पन्न करने, चुनने, औचित्य सिद्ध करने, मूल्यांकन करने, या चिंतन करने की आवश्यकता रखें। एक उपयोगी डिज़ाइन सिद्धांत है पहले शिक्षार्थी → फिर AI → फिर से शिक्षार्थी। दीर्घकालिक लक्ष्य यह है कि शिक्षार्थी ट्यूटर के प्रश्नों और समस्या समाधान रणनीतियों को आंतरिक कर लें, न कि ट्यूटर पर निर्भर बनें। देखें शिक्षार्थी की एजेंसी और मड्गद।

7. शिक्षाशासतरीय सुरक्षा को सामान्य चैटबॉट सुरक्षा से भिन्न मानें

एक शैक्षणिक ट्यूटर के लिए सुरक्षा परीक्षण में विषाक्तता और जेलब्रेक-प्रतिरोध से अधिक शामिल होना चाहिए। उत्तर रिसाव, भ्रांतियों का सुदृढ़ीकरण, अत्यधिक सहमति या चापलूसी (sycophancy), अनुचित कठिनाई, संज्ञानात्मक बोझ हटाना (cognitive offloading), पक्षपाती व्यवहार, शिक्षार्थी एजेंसी की हानि, शिक्षण से विचलन, और गलत व्याख्याओं पर अत्यधिक आत्मविश्वास के लिए परीक्षण करें। ट्यूटर को दयालु लेकिन सही होना चाहिए, तब भी जब शिक्षार्थी किसी भ्रांति पर ज़िद करता है, और परीक्षण में विस्तारित संवाद शामिल होने चाहिए क्योंकि शिक्षाशासतरीय असफलताएँ कई अन्योन्यक्रियाओं में जमा हो सकती हैं। देखें पाठ्य-सुरक्षा: शिक्षा में पेडागॉजिकल सेफ्टी और AI ट्यूटर सुरक्षा और शिक्षाशासतरीय नुकसान।

8. गोपनीयता, सुगम्यता और समानता को संरचना में ही शामिल करें

केवल वही शिक्षार्थी डेटा एकत्र करें जो शिक्षाशासतरीय रूप से आवश्यक है। जहाँ स्थायी स्मृति या शिक्षार्थी मॉडलिंग का उपयोग होता है, वहाँ इसके उद्देश्य को पारदर्शी बनाएँ, शिक्षार्थियों को उचित नियंत्रण दें, संवेदनशील जानकारी की सुरक्षा करें, संरक्षण (retention) नीतियाँ निर्धारित करें, और महत्वपूर्ण स्थितियों के लिए प्रशिक्षक या मानव निगरानी उपलब्ध कराएँ। भाषाई पृष्ठभूमि, क्षमता स्तर, सांस्कृतिक संदर्भों, सुगम्यता आवश्यककताओं, और पूर्व ज्ञान तथा AI अनुभव के विभिन्न स्तरों में ट्यूटर के व्यवहार का ऑडिट करें। अच्छी शिक्षण के लिए परिष्कृत प्रॉम्प्टिंग को पूर्वापेक्षा न बनाएँ — ट्यूटर को स्वयं शिक्षार्थियों को उत्पादक प्रश्न तैयार करने में मदद करनी चाहिए।

9. केवल चैटबॉट गुणवत्ता नहीं, सीखने को मापें

उत्तर की सटीकता, संवाद की लंबाई, शिक्षार्थी की प्राथमिकता, संतुष्टि, कार्य पूर्णता, और संलग्नता जैसे मापदंड स्वयं में अपर्याप्त हैं। इसके बजाय बिना-सहायता प्रदर्शन, विलंबित प्रतिधारण, नई समस्याओं में स्थानांतरण, भ्रांति सुधार, शिक्षार्थी स्वतंत्रता, फीडबैक का अवलोकन, और शिक्षार्थी समूहों पर विभेदी प्रभाव का मूल्यांकन करें। महत्वपूर्ण प्रश्न यह है कि ट्यूटर को हटाने के बाद क्या शिक्षार्थी सफलतापूर्वक प्रदर्शन कर सकते हैं। देखें AI शिक्षा मूल्यांकन और अनुपस्थित मूल्यांकन अक्ष।

दो हालिया अध्यायन स्व-रिपोर्टिंग और छोटी समय-सीमाओं के विरुद्ध उस नियम को निखारते हैं। 38 नौसिखिए प्रोग्रामिंग छात्रों के साथ एक पायलट अध्ययन ने जनरेटिव AI उपयोग और अनुभूत सीखने (rs=0.802, p<0.001) के बीच मज़बूत संबंध पाया, जबकि प्रशिक्षक सहायता के बिना स्वायत्त प्रगति के संकेतक सबसे कम स्कोर किए — यही वह अंतराल जिसके बारे में लेखक चेतावनी देते हैं कि यह सक्षमता का भ्रम और ज्ञान-ऋण (epistemic debt) उत्पन्न करता है, और यही ठीक वह अंतराल है जिसे संतुष्टि मापदंड पुरस्कृत करते हैं। देखें जनरेटिव AI एक अनौपचारिक संज्ञानात्मक ट्यूटर के रूप में।

अधिक मौलिक रूप से, अधिकांश मूल्यांकन सहायता समाप्त होने के क्षण पर रुक जाते हैं। संज्ञानात्मक विलोपन की गतिशीलता सहायता समाप्त होने के बाद के अनमापे अंतराल को नाम देती है और चार संभावित परिणामों को औपचारिक रूप देती है — लोचदार प्रतिक्रमण (elastic rebound), आंशिक स्थिरता, संलग्न स्कैफोल्ड, और अति-पुनर्प्राप्ति — एक विलोपन-वक्र मॉडल के साथ, जिसके प्राचलों में पुनर्प्राप्ति समय स्थिरांक, पुनर्प्राप्ति की पूर्णता, और एक हिस्टेरेसिस सूचकांक शामिल हैं जो पुनःसीखने के प्रयास की तुलना मूल प्रयास से करता है। चूँकि पुनरुत्पादकता गंभीरता निर्धारित करती है, यह ढाँचा तर्क देता है कि निर्धारित, बिना-सहायता अभ्यास को पुनर्प्राप्ति वक्र के अनुसार मात्रा में दिया जाना चाहिए, न कि इस पर नैतिक बहस की जाए। इसलिए ट्यूटर मूल्यांकन योजना में सहायता-वापसी (withdrawal) चरण शामिल होना चाहिए, केवल तत्काल पश्च-परीक्षा नहीं। देखें यादृच्छिक प्रमाण कि संक्षिप्त सहायता बाद के बिना-सहायता प्रदर्शन को घटाती है।

10. शिक्षकों या विषय-विशेषज्ञों को गुणवत्ता-आश्वासन चक्र में रखें

तैनाती से पहले, शिक्षकों से यथार्थ शिक्षार्थी प्रोफ़ाइल, सामान्य भ्रांतियाँ, अतिरिक्त स्थितियाँ (edge cases), प्रतिकूल प्रॉम्प्ट, अस्पष्ट प्रतिक्रियाओं, और विस्तारित शिक्षण संवादों का परीक्षण कराएँ। शिक्षाशासतरीय असफलताओं को लॉग करें और उनका उपयोग सिस्टम प्रॉम्प्ट, शिक्षण नीतियों, ज्ञान स्रोतों, गार्डरेल, शिक्षार्थी-मॉडल नियमों, और मॉडल चयन को संशोधित करने में करें। मानव निगरानी महत्वपूर्ण बनी रहती है क्योंकि एक सहज शिक्षण प्रतिक्रिया फिर भी शिक्षाशासतरीय रूप से अनुचित या गलत हो सकती है।

ली का 29 K-12 अध्ययनों का व्यवस्थित समीक्षा दिखाता है कि वह निगरानी वास्तव में किनमें निहित है, और कहाँ टूटती है। शिक्षक हस्तक्षेप एक दोहराव वाला चार-चरणीय चक्र है: निगरानी, निर्णय, हस्तक्षेप और समन्वय; AI अलर्ट, डैशबोर्ड और स्वचालित स्कोर "स्वतः शिक्षाशासतरीय कार्रवाई की ओर नहीं ले जाते"; और प्रमुख शिक्षक रणनीति है शिक्षाशासतरीय अनुवाद — चैटबॉट फीडबैक को अपरिवर्तित पारित करने के बजाय उसे चुनना, संशोधित करना, पूरक करना, सारांशित करना या हटाना। इसके बाद दो डिज़ाइन चेतावनियाँ आती हैं। अधिक AI जानकारी बेहतर नहीं है: जो प्रणालियाँ लगातार निदान-संकेत उत्पन्न करती हैं उन्होंने शिक्षकों पर अत्यधिक बोझ डाला और उनका ध्यान अपनी ही निगरानी से दूर खींचा, इसलिए यह निर्धारित करें कि किस पर कार्रवाई करने योग्य है और उसे व्याख्या-योग्य बनाएँ, और सिफ़ारिशें ऐसे रूप में दें जिन्हें शिक्षक स्वीकार, संशोधित, टाल या अस्वीकार कर सकें। अधिक शिक्षक सहायता भी बेहतर नहीं है: हस्तक्षेप में विलंब करना ताकि छात्र स्वतंत्र रूप से काम कर सकें, स्वयं एक विशेषज्ञता है, और संरचनात्मक शर्तें — डेटा समीक्षा का समय, कक्षा का आकार, सहायता चाहने वाले समूहों तक शारीरिक रूप से पहुँचने की क्षमता — हस्तक्षेप का हिस्सा हैं, पृष्ठभूमि की व्यवस्था नहीं।

एक उपयोगी AI ट्यूटर संरचना

एक मज़बूत उत्पादन संरचना को इस प्रकार दर्शाया जा सकता है: सीखने का उद्देश्य → शिक्षार्थी प्रमाण/शिक्षार्थी मॉडल → शिक्षाशासतरीय नीति → स्रोतित और सत्यापित सामग्री → संवादी उत्पादन → शिक्षार्थी प्रतिक्रिया → अद्यतन शिक्षार्थी मॉडल (जो वापस चक्र में जुड़ता है)। सुरक्षा, गोपनीयता, सुगम्यता, शिक्षक निगरानी, और मूल्यांकन को इस पूरे चक्र को घेरना चाहिए।

सबसे महत्वपूर्ण सफलता मापदंड

सबसे महत्वपूर्ण विकास मापदंड यह नहीं है कि "क्या AI ने समस्या हल की?" बल्कि "AI के साथ अन्योन्यक्रिया के बाद, क्या शिक्षार्थी एक तुलनीय समस्या को स्वतंत्र रूप से हल कर सकता है?" इस सिद्धांत के प्रमाण संरचित सीखने के क्षेत्रों जैसे गणित और प्रोग्रामिंग में सबसे मज़बूत हैं; अधिक खुले क्षेत्रों में सामान्यीकरण कम निश्चित बना हुआ है, जिससे क्षेत्र-विशिष्ट मूल्यांकन आवश्यक हो जाता है।

ट्यूटर किसी पाठ्यक्रम अनुक्रम के भीतर कहाँ स्थित होता है, अकेले नहीं — इसे एआई को सीखने के अनुभव में कैसे डिज़ाइन किया जाना चाहिए? में देखें; ट्यूटर को जिन सॉफ़्टवेयर-स्तरीय डिज़ाइन नियमों को पूरा करना चाहिए, वे प्रभावी शैक्षणिक एआई सॉफ़्टवेयर डिज़ाइन करने के लिए सर्वोत्तम प्रथियाँ और सुझाव क्या हैं? में देखें; और परिणामी हस्तक्षेप का मूल्यांकन कैसे करें, वह एक शिक्षक AI-संबंधी हस्तक्षेपों का मूल्यांकन करने के लिए कौन-से उपाय और अनुसंधान विधियाँ उपयोग कर सकता है? में देखें।

---

उदाहरण 1: एक कैलकुलस AI ट्यूटर का डिज़ाइन

एक प्रथम-सेमेस्टर कालेज कैलकुलस ट्यूटर पर विचार करें। इसका लक्ष्य यह बढ़ाना चाहिए कि छात्र ट्यूटर हटाए जाने के बाद स्वतंत्र रूप से क्या हल और समझा सकते हैं, न कि सही ढंग से पूर्ण की गई समस्याओं की संख्या अधिकतम करना। गणित शिक्षण विशेष रूप से अति-स्कैफोल्डिंग, समय से पहले संकेतों के उपयोग, और छात्र तर्क के गलत निदान के प्रति संवेदनशील है। देखें गणित शिक्षा, जब सहायता असहायक होती है, सही उत्तर के जाल को पकड़ना, और मड्गद।

सीखने के उद्देश्य। ट्यूटर एक संकल्पना मानचित्र बनाए रख सकता है (फलन और ग्राफ़ → परिवर्तन की दरें → सीमाएँ → सीमा के रूप में अवकलज → अवकलज नियम → अनुप्रयोग → प्राथमिक-अवकलज → निश्चित समाकलन → मूलभूत प्रमेय)। प्रत्येक संकल्पना के लिए इसे महारत के कई प्रकारों में अंतर करना चाहिए। उदाहरण के लिए, "अवकलज में महारत" का अर्थ केवल सही अवकलज निकालना नहीं होना चाहिए; इसमें यह पहचानना शामिल हो सकता है कि अवकलज कब उचित है, इसे तात्कालिक परिवर्तन की दर के रूप में व्याख्या करना, सही नियम चुनना, प्रक्रिया निष्पादित करना, समझाना कि यह क्यों उचित है, युक्तियुक्तता जाँचना, और इसे एक अपरिचित समस्या पर लागू करना। यह सही-उत्तर जाल को रोकने में मदद करता है, जहाँ शिक्षार्थी दोषपूर्ण तर्क से सही उत्तर तक पहुँचता है।

सिस्टम संरचना। एक व्यावहारिक छह-स्तरीय डिज़ाइन: पाठ्यक्रम सामग्री + प्रशिक्षक नीतियाँ → रिट्रीवल/RAG स्तर → (समस्या इंजन → शिक्षार्थी मॉडल) और (प्रतीकात्मक सत्यापनकर्ता → निदान इंजन) → शिक्षाशासतरीय नीति → संवादी LLM → छात्र → अद्यतन शिक्षार्थी मॉडल।

1. पाठ्यक्रम-आधारण स्तर: प्रशिक्षक-अनुमोदित सामग्रियों (पाठ्यपुस्तक अनुभाग, व्याख्यान नोट्स, हल किए गए उदाहरण, शब्दावली, अनुमोदित विधियाँ, संकेतन, असाइनमेंट नियम) से पुनर्प्राप्ति करता है, ताकि ट्यूटर कभी ऐसी तकनीकें न सुझाए जो गणितीय रूप से मान्य हैं लेकिन पाठ्यक्रम के लिए अनुचित हैं।
2. गणितीय सत्यापन स्तर: बीजगणितीय तुल्यता, अवकलज, समाकलन, समीकरण समाधान, क्रांतिक बिंदुओं, और संख्यात्मक सन्निकटन को सत्यापित करने के लिए एक कंप्यूटर बीजगणित प्रणाली का उपयोग करता है — LLM व्याख्या और संवाद संभालता है, जबकि निर्धारित प्रणाली गणितीय जाँच संभालती है।
3. शिक्षार्थी-मॉडल स्तर: प्रति-संकल्पना अनुमान बनाए रखता है (जैसे सीमा: विकसित हो रही, घात नियम: महारत प्राप्त, गुणनफल नियम: विकसित हो रहा, शृंखला नियम: प्रदर्शित नहीं) और प्रमाण तथा विश्वास के साथ भ्रांति परिकल्पनाएँ रखता है। AI को भ्रांति को परिकल्पना मानना चाहिए, स्थापित तथ्य नहीं, क्योंकि LLM प्रमाणों का मतिभ्रम कर सकते हैं या भ्रांतियों का गलत अनुमान लगा सकते हैं — एक पहचान → सत्यापित करें → प्रतिक्रिया प्रक्रिया आवश्यक है।

एक शिक्षण अन्योन्यक्रिया। $f(x)=(x^2+1)\sin x$ के अवकलन के लिए, एक पारंपरिक चैटबॉट तुरंत उत्तर प्रकट कर सकता है। एक सीखने-उन्मुख ट्यूटर इसके बजाय आंतरिक रूप से तर्क करता है: छात्र ने दोनों घटकों का अवकलन किया, लेकिन प्रतीत होता है कि उसने उनके अवकलजों को गुणा कर दिया (एक संभावित गुणनफल-नियम-के-रूप में-$f'g'$ भ्रांति), इसलिए वह पहले एक निदान प्रश्न पूछता है ("जब दो फलन गुणा किए जाते हैं तो आप कौन-सा नियम उपयोग करते हैं?"), फिर छात्र से गुणनफल नियम को प्रतीकात्मक रूप से लिखवाता है, फिर $u$ और $v$ स्थापित करता है, और अंतिम व्यंजक का सत्यापन केवल छात्र द्वारा उसके पुनर्निर्माण के बाद करता है।

एक चरणबद्ध सहायता नीति। सहायता एक स्तर-सीढ़ी के माध्यम से अनुकूलित हो सकती है: स्वतंत्र प्रयास → अभिमेताचिंतन प्रश्न → संकल्पनात्मक संकेत → संबंधित नियम पहचानना → समस्या का एक भाग स्थापित करना → हल किया गया मध्यवर्ती चरण → पूर्ण हल → छात्र समझाता है → छात्र एक स्थानांतरण समस्या स्वतंत्र रूप से हल करता है। एक हल किया गया समाधान देखना महारत का प्रदर्शन नहीं है, इसलिए पर्याप्त सहायता के बाद ट्यूटर को शिक्षार्थी से एक तुलनीय समस्या बिना सहायता पर प्रयास करानी चाहिए।

अनुत्पादक संकेत उपयोग से बचाव। इंटरफ़ेस असीमित संकेतों को एक बिना-रुकावट शॉर्टकट नहीं बनाना चाहिए, क्योंकि समय से पहले संकेत माँगना और संकेतों को उपरितमढ़ी ढंग से पढ़ना कम सीखने के लाभ से जुड़ा है। [Hint][Hint][Hint][Show Answer] के बजाय, प्रणाली पूछ सकती है "आपने क्या प्रयास किया?" और "आपको कौन-सा भाग रोक रहा है?" (नियम चुनना, समीकरण स्थापित करना, बीजगणित करना, संकल्पना समझना, कुछ और) और लक्षित सहायता प्रदान कर सकती है।

संकल्पनात्मक कैलकुलस का समर्थन। ट्यूटर को प्रतीकात्मक प्रक्रियाओं को कई प्रस्तुतिकरणों (सूत्र, ग्राफ़, सारणी, मौखिक व्याख्या, भौतिक परिवर्तन-दर संदर्भ) से जोड़ना चाहिए, ताकि प्रक्रियागत दक्षता को संकल्पनात्मक समझ से अलग किया जा सके।

शिक्षक डैशबोर्ड। प्रणाली को समुचित प्रमाण प्रदर्शित करने चाहिए, अपारदर्शी AI निर्णय नहीं — जैसे "गुणनफल नियम — 62% प्रदर्शित महारत; सामान्य पैटर्न: 18% एक पद छोड़ते हैं, 11% अवकलज गुणा करते हैं" — जहाँ व्यक्तिगत निदानों को प्रमाण-समर्थित परिकल्पनाओं के रूप में प्रस्तुत किया जाए।

मूल्यांकन योजना। ट्यूटर उपयोग के दौरान प्रदर्शन, उसके बिना तुलनीय समस्याओं पर प्रदर्शन, विलंबित प्रतिधारण, अपरिचित समस्याओं में स्थानांतरण, संकल्पनात्मक व्याख्या की गुणवत्ता, भ्रांति सुधार, उचित बनाम समय-पूर्व सहायता माँगना, उत्तर रिसाव, निदान की झूठी-सकारात्मक/नकारात्मक दरें, और विभेदी परिणाम मापें। मुख्य तुलना है ट्यूटर के साथ प्रदर्शन बनाम बाद में उसके बिना प्रदर्शन — एक छात्र जो सहायता के दौरान 60% से 95% तक गया लेकिन स्वतंत्र रूप से 60% पर ही रहा, उसे प्रभावी शिक्षण नहीं मिला।

---

उदाहरण 2: एक AI लेखन कोच का डिज़ाइन

एक AI लेखन कोच को एक भिन्न डिज़ाइन चाहिए, क्योंकि लेखन का एक वस्तुनिष्ठ रूप से सही उत्तर नहीं होता। लक्ष्य शिक्षार्थी को अपनी लेखन में योजना बनाने, मसौदा तैयार करने, मूल्यांकन करने, और संशोधन करने में बेहतर बनाने में मदद करना है। ज्ञान-आधार लेखन को एक संज्ञानात्मक, सामाजिक और भाषण-विज्ञानात्मक प्रक्रिया के रूप में प्रस्तुत करता है, अर्थात एक AI लेखन प्रणाली सीखने में सहायता कर सकती है लेकिन ठीक वही सोच भी समाप्त कर सकती है जिसे असाइनमेंट विकसित करना चाहता था। देखें लेखन, योजना से संशोधन तक, बैसाखी नहीं, कोच, और प्रतिपुष्टि।

सीखने के उद्देश्य। कोच का शिक्षार्थी मॉडल तर्क (थीसिस की विशिष्टता, दावा-प्रमाण संरेखण, प्रतितर्क), संगठन (अनुच्छेद केंद्रण, तार्किक प्रगति, संक्रमण), प्रमाण (स्रोत प्रासंगिकता, प्रमाण एकीकरण, व्याख्या), संशोधन (वैश्विक और वाक्य-स्तरीय संशोधन, फीडबैक मूल्यांकन), और शैली (वाक्य स्पष्टता, व्याकरण, लेखक की आवाज़) को ट्रैक कर सकता है — लेखन क्षमताओं को ट्रैक करते हुए, न कि केवल निबंध अंक को।

कोच को असाइनमेंट में आधारित करें। असाइनमेंट निर्देश, प्रशिक्षक रूब्रिक, पाठ्यक्रम पाठ्यसामग्री, उद्धरण आवश्यकताएँ, विधा परंपराएँ, प्रशिक्षक उदाहरण, और AI-उपयोग नीति पुनर्प्राप्त करें, ताकि फीडबैक वास्तविक असाइनमेंट का संदर्भ दे सके ("आपके प्रशिक्षक का रूब्रिक आपसे कम से कम दो पाठ्यक्रम पाठ्यसामग्रियों के प्रमाण से प्रत्येक प्रमुख दावे को जोड़ने को कहता है") न कि सामान्य अपेक्षाएँ गढ़ सके।

लेखन के चरणों को भिन्न रूप से मानें। विभिन्न चरणों में AI की भागीदारी अनुभूत स्वामित्व को भिन्न रूप से प्रभावित करती है — योजना सहायता स्वामित्व में कम कमी करती है, मसौदा सहायता उससे अधिक कमी करती है, और AI-जनित मसौदा स्वामित्व में सबसे बड़ी कमी उत्पन्न करता है। इसलिए एक कोच प्रति चरण भिन्न अनुमतियाँ दे सकता है: योजना पर वह प्रश्न पूछ सकता है, स्थितियों की तुलना कर सकता है, धारणाओं को चुनौती दे सकता है, और रूपरेखाओं की समीक्षा कर सकता है, लेकिन पूरे तर्क का निर्माण से बचें; मसौदा पर शिक्षार्थी पहले गद्य उत्पन्न करता है (कोच विकसित करने में मदद करता है, अधिकार नहीं लेता); संशोधन पर कोच अस्पष्ट दावों को पहचान सकता है, लुप्त प्रमाण पर ध्यान दिला सकता है, जाँच सकता है कि प्रमाण दावे का समर्थन करता है या नहीं, संगठनात्मक समस्याएँ पकड़ सकता है, और मसौदा की तुलना रूब्रिक से कर सकता है — पुनर्लेखन से पहले निदान; संपादन पर (संशोधन के बाद) यह व्याकरण, विराम चिह्न, संक्षिप्तता, और उद्धरण स्वरूपण में सहायता कर सकता है।

उदाहरण अन्योन्यक्रिया। ऑनलाइन पाठ्यक्रमों के अनिवार्य करने पर एक निबंध के लिए, एक सामान्य प्रणाली छात्र के अनुच्छेद को परिष्कृत गद्य में फिर लिख सकती है, और बौद्धिक कार्य खुद कर सकती है। एक लेखन कोच इसके बजाय बताता है कि क्या काम कर रहा है, मुख्य मुद्दे का नाम देता है (अनुच्छेद कारण देता है लेकिन यह नहीं समझाता कि वे विश्वविद्यालय-स्तरीय अनिवार्यता को क्यों औचित्य देते हैं), एक संशोधन प्रश्न रखता है, और छात्र से एक वाक्य को अपने शब्दों में पूरा करने को कहता है — तर्क निर्माण शिक्षार्थी के पास छोड़ते हुए।

फीडबैक को प्राथमिकता देनी चाहिए। प्रत्येक फीडबैक चक्र में एक संरक्षित शक्ति, एक उच्च-प्रभाव मुद्दा, एक लेखक-निर्णय माँगने वाला प्रश्न, और एक ठोस संशोधन लक्ष्य शामिल हो सकता है — न कि दर्जनों टिप्पणियों से शिक्षार्थी को अभिभूत करना।

छात्र को AI फीडबैक का मूल्यांकन कराएँ। फीडबैक साक्षरता स्वयं एक सीखने का उद्देश्य है; कोच को समय-समय पर पूछना चाहिए कि शिक्षार्थी किसी सुझाव से सहमत है या नहीं और क्यों, और शिक्षार्थी को AI फीडबैक अस्वीकार करने की अनुमति देनी चाहिए — मूल्यांकनात्मक निर्णय विकसित करते हुए, आज्ञापालन नहीं।

लेखक की आवाज़ संरक्षित करें। कोच को त्रुटियाँ, स्पष्टता संबंधी मुद्दे, भाषण-विज्ञानात्मक विकल्प, और शैली प्राथमिकताओं में अंतर करना चाहिए, और बाद के दो को स्वतः "सुधारना" नहीं चाहिए — अन्यथा यह लेखन को मॉडल की पसंदीदा शैली की ओर एकरूप करने का जोखिम रखता है, विशेष रूप से बहुभाषी लेखकों और गैर-मानक भाषण-विज्ञानात्मक शैलियों के लिए।

एक संशोधन-इतिहास शिक्षार्थी मॉडल। केवल अंतिम निबंध संग्रहीत करने के बजाय, प्रणाली छात्र के संशोधनों से सीख सकती है (जैसे एक दोहराव वाला "प्रमाण प्रस्तुत किया गया लेकिन व्याख्या नहीं की गई" पैटर्न जो निबंधों में सुधरता है), सीखने के प्रमाणों के आधार पर अनुकूलित होती हुए।

शिक्षक की भागीदारी। प्रशिक्षक रूब्रिक, असाइनमेंट उद्देश्य, AI सहायता की अनुमतित रूपें, स्रोत संग्रह, उद्धरण अपेक्षाएँ, जनरेटिव मसौदे की अनुमति है या नहीं, और मानव समीक्षा कब आवश्यक है — इन्हें नियंत्रित करता है। एक शिक्षक डैशबोर्ड वर्ग-स्तरीय पैटर्न (जैसे 41% को दावा-प्रमाण संबंध पर सहायता चाहिए) को निर्माणकारक मूल्यांकन संकेत के रूप में दिखा सकता है।

लेखन कोच का मूल्यांकन। AI-सहायित और बाद में बिना-सहायता लेखन की गुणवत्ता, अपरिचित लेखन में कमज़ोरियों पहचानने की क्षमता, संशोधन गुणवत्ता, फीडबैक का अवलोकन, संशोधनों को समझाने की क्षमता, छात्र स्वामित्व, AI गद्य पर निर्भरता, आवाज़ का संरक्षण, बोलियों/बहुभाषी लेखकों/समूहों में पक्षपात, प्रशिक्षक निर्णय के साथ संरेखण, और विलंबित स्थानांतरण मापें। एक प्रकटक प्रयोग एक स्वतंत्र रूप से लिखने वाले समूह, एक समूह जहाँ AI गद्य उत्पन्न/संशोधित करता है, और एक कोच समूह की तुलना करता है — सभी तब बिना AI एक नया निबंध पूरा करते हैं: यदि AI-जनित समूह अभ्यास में सर्वोत्तम प्रदर्शन करता है लेकिन बिना AI खराब, तो प्रणाली ने सीखने के बजाय प्रदर्शन सुधारा।

---

दोनों डिज़ाइनों की तुलना

डिज़ाइन प्रश्न	कैलकुलस ट्यूटर	लेखन कोच
प्राथमिक सीखने का वस्तु	गणितीय संकल्पनाएँ और समस्या समाधान	तर्क-विमर्श और लेखन प्रक्रिया
सत्यापन	प्रायः वस्तुनिष्ठ रूप से जाँचने योग्य	सामान्यतः संदर्भगत निर्णय आवश्यक
निर्धारित उपकरण	प्रतीकात्मक गणित इंजन / कैलकुलेटर	व्याकरण, उद्धरण, रूब्रिक जाँच
मुख्य AI भूमिका	तर्क का निदान और स्कैफोल्डिंग	संशोधन का निदान और स्कैफोल्डिंग
प्रमुख जोखिम	समाधान दे देना	शिक्षार्थी के लिए गद्य लिख देना
महत्वपूर्ण शिक्षार्थी क्रिया	हल करना और समझाना	मसौदा बनाना, मूल्यांकन करना, और संशोधित करना
शिक्षार्थी मॉडल	संकल्पनाएँ, प्रक्रियाएँ, भ्रांतियाँ	तर्क, प्रमाण, संगठन, संशोधन
प्रमुख सुरक्षा-बंध	समाधान से पहले प्रयास	AI पुनर्लेखन से पहले छात्र का गद्य
स्थानांतरण परीक्षण	नए बिना-AI कैलकुलस समस्याएँ	नया बिना-AI लेखन कार्य
सफलता मापदंड	स्वतंत्र गणितीय तर्क	स्वतंत्र लेखन और मूल्यांकनात्मक निर्णय

दोनों प्रणालियाँ कई समान AI प्रौद्योगिकियों का उपयोग करती हैं लेकिन भिन्न शिक्षाशासतरीय नीतियों को अवतरित करती हैं क्योंकि विषय भिन्न प्रकार की सोच माँगते हैं। साझा सिद्धांत: वह संज्ञानात्मक गतिविधि पहचानें जो सीखने का निर्माण करती है, और AI को इस गतिविधि का समर्थन करने के लिए डिज़ाइन करें बिना उसे शिक्षार्थी से छीना — कैलकुलस के लिए गणितीय तर्क को, और लेखन के लिए लेखकत्व, भाषण-विज्ञानात्मक निर्णय, मूल्यांकन, और संशोधन को संरक्षित करते हुए। वह सिद्धांत किसी भी विशेष मॉडल, प्रॉम्प्ट, एजेंट ढाँचे, या उपयोगकर्ता इंटरफ़ेस से अधिक मौलिक है।