सामान्य प्रश्न
क्या AI का उपयोग वास्तव में मेरे छात्रों की सीखने में मदद करता है?
यह अंग्रेज़ी पेज का ऑटोमैटिक अनुवाद है और इसकी अभी तक किसी मूल भाषी ने समीक्षा नहीं की है।
यह अंग्रेज़ी पेज का ऑटोमैटिक अनुवाद है और इसकी अभी तक किसी मूल भाषी ने समीक्षा नहीं की है।
हाँ, यह कर सकता है—लेकिन AI के साथ उत्पन्न बेहतर कार्य ज़रूरी नहीं कि बेहतर सीखने का प्रमाण हो। अनुसंधन में वास्तविक सीखने के लाभ, नगण्य प्रभाव और सीखने को नुकसान—तीनों दर्ज हैं। महत्वपूर्ण प्रश्न केवल यह नहीं है कि छात्र AI का उपयोग करते हैं या नहीं, बल्कि यह है कि AI उन्हें क्या करने में मदद करता है, कौन-सी सोच उनकी ज़िम्मेदारी बनी रहती है, और उसके बाद वे क्या कर सकते हैं।
ज्ञान आधार AI-सहायता प्राप्त सफल कार्य और अर्जित क्षमता के बीच के अंतर को प्रदर्शन–सीखने का अंतराल कहता है। कोई छात्र AI की मदद से मजबूत निबंध जमा कर सकता है या अधिक अभ्यास प्रश्न हल कर सकता है, फिर भी समान कार्य को स्वतंत्र रूप से करने में वह बेहतर नहीं होता—और कभी-कभी और भी ख़राब हो जाता है। इसके विपरीत, अच्छी तरह से डिज़ाइन किया गया AI फीडबैक, उदाहरण और ट्यूशन बाद में AI के बिना प्रदर्शन में सुधार ला सकते हैं। सीखने के लाभ और संज्ञानात्मक ऑफ़लोडिंग देखें।
अनुसंधन वास्तव में क्या दिखाते हैं?
कुछ AI-समर्थित हस्तक्षेप सीखने में सुधार करते हैं
एक व्यापक प्रारंभिक बिंदु क्या EdTech सीखने की खाइयों को पाट सकता है? डिजिटल हस्तक्षेपों से वैश्विक प्रमाण है। दस अर्थव्यवस्थाओं में 14 यादृच्छिक अध्ययनों के इस विश्व बैंक संश्लेषण ने अनुकूली और AI-सक्षम शैक्षणिक प्रौद्योगिकी के लिए 0.125 मानक विचलन का सकारात्मक औसत सीखने का प्रभाव आकलित किया। हालाँकि, इसमें पहले के अनुकूली प्रणाली को जनरेटिव-AI उपकरणों के साथ जोड़ा गया। इसमें नए जनरेटिव उपकरणों के लिए कोई सांख्यिकीय रूप से स्थापित लाभ नहीं मिला, जबकि इस तुलना में पर्याप्त अनिश्चितता को स्वीकार किया गया। यह परिणाम इन हस्तक्षेपों की संभावना का समर्थन करता है—यह दावा नहीं कि कोई भी चैटबॉट सीखने में सुधार करेगा।
अधिक विशिष्ट प्रमाण दिखाते हैं कि शिक्षण डिज़ाइन क्यों महत्वपूर्ण है। उच्च शिक्षा में मानव-केंद्रित GenAI फीडबैक डिज़ाइन में, 1,176 प्रथम-वर्ष स्नातक छात्रों से जुड़ा एक बहु-स्थल यादृच्छिक अध्ययन ने सहपाठी फीडबैक, प्रत्यक्ष AI फीडबैक, स्व-मूल्यांकन के बाद AI फीडबैक, और स्व-मूल्यांकन, सहपाठी फीडबैक तथा AI आलोचना को जोड़ने वाले संकर क्रम की तुलना की।
चिंतनशील और संकर डिज़ाइनों ने प्रत्यक्ष AI फीडबैक से मजबूत विलंबित, AI-मुक्त स्थानांतरण उत्पन्न किया। छात्रों ने बाद में एक नए वैज्ञानिक तर्क-निर्माण कार्य पर बेहतर प्रदर्शन किया, केवल संशोधित किए जा रहे असाइनमेंट पर ही नहीं। हालाँकि, इन शर्तों में अतिरिक्त मूल्यांकन गतिविधि और संभावित रूप से अधिक समय भी चाहिए था। यह अध्ययन संपूर्ण फीडबैक डिज़ाइन का समर्थन करता है, न कि यह सिद्ध करता है कि किसी एक घटक या स्वयं AI ने लाभ दिलाया।
AI अभ्यास प्रदर्शन में सुधार कर सकता है लेकिन सीखने को नुकसान पहुँचा सकता है
सबसे स्पष्ट चेतावनी बिना सुरक्षा-बंधियों के Generative AI सीखने को नुकसान पहुँचा सकता है: उच्च विद्यालय गणित से प्रमाण से आती है।
इस यादृच्छिक फील्ड प्रयोग में, जिसमें लगभग 1,000 छात्र शामिल थे, एक सामान्य-उद्देश्य शैली का AI इंटरफ़ेस ने सहायता प्राप्त अभ्यास अंकों में नियंत्रण समूह के सापेक्ष 48% की वृद्धि दिखाई, लेकिन छात्रों ने बाद में बिना सहायता वाली परीक्षाओं में 17% कम अंक प्राप्त किए। शिक्षक-डिज़ाइन मार्गदर्शन और संकेतों के साथ कॉन्फ़िगर किया गया एक ट्यूटर ने इस दंड को बड़े पैमाने पर टाला। महत्वपूर्ण बात यह है कि उसने नियंत्रण समूह की तुलना में बिना सहायता वाली परीक्षा प्रदर्शन में सांख्यिकीय रूप से महत्वपूर्ण सुधार नहीं दिखाया। नुकसान से बचना बढ़ी हुई सीखने का प्रदर्शन करने के बराबर नहीं है। ये प्रतिशत इस विशेष हस्तक्षेप और सेटिंग का वर्णन करते हैं, AI उपयोग के सार्वभौमिक प्रभाव का नहीं।
निहितार्थ व्यावहारिक है: किसी AI उपकरण का मूल्यांकन पूरे किए गए गृहकार्य, सही अभ्यास उत्तरों या छात्र संतुष्टि से करना उसके शैक्षणिक मूल्य की भ्रामक तस्वीर दे सकता है। संतुष्टि और अनुभवित सीखना स्व-रिपोर्टिंग उपाय हैं, और ज्ञान आधार दस्तावेज़ करता है कि वे मापी गई सीखने से कितनी दूर जा सकती हैं।
एक बड़ा, लंबा फील्ड अध्ययन बड़े पैमाने पर उसी दिशा की ओर इशारा करता है। Generative AI सीखने का दंड ने चरणबद्ध AI अपनाने का उपयोग करते हुए 30 महीनों में 26,811 चीनी माध्यमिक छात्रों (कक्षा 7–12) का अनुसरण किया। गृहकार्य के अंक 18% बढ़े और पूरा करने का समय 30% घटा (64 से 45 मिनट), जबकि बंद-पुस्तक मासिक परीक्षा के अंक छह महीनों में 20% गिरे और हाई-स्टेक्स प्रवेश परीक्षा के अंक आधार के 18–24% गिरे—लेकिन लगभग दो साल बाद ही। नुकसान लगभग 81% AI उपयोगकर्ताओं में केंद्रित था जिनका व्यवहार गृहकार्य का आउटसोर्सिंग दर्शाता था; जिन उपयोगकर्ताओं ने गृहकार्य का समय गैर-उपयोगकर्ताओं के समान रखा, वे लगभग उतनी ही कुशलता से सीखे। गृहकार्य और परीक्षा प्रदर्शन के बीच यह विचलन प्रदर्शन–सीखने का अंतराल है जो एक राष्ट्रीय समूह पर लिखा गया है, और दो-वर्ष की विलंब का मतलब है कि छोटे मूल्यांकन व्यवस्थित रूप से इस लागत का कम आकलन करते हैं।
पहुँच और सुरक्षा-उपाय पर्याप्त नहीं हैं
एक दो-वर्षीय यादृच्छिक विद्यालय प्रयोग, एक क्लिक दूर: Khanmigo के साथ AI ट्यूशन, ने 18 मध्य विद्यालयों में मामूली गणित उपलब्धि वृद्धि पाई। फिर भी छात्र शायद ही कभी सार्थक ट्यूशन वार्तालापों में संलग्न हुए। लेखकों ने उल्लेख किया कि यह वृद्धि उन लाभों जैसी थी जो AI के बिना संरचित अभ्यास से जुड़ी होती हैं। चूँकि इस हस्तक्षेप ने व्यक्तिगत अभ्यास और AI ट्यूशन दोनों को जोड़ा, इसने AI घटक के अतिरिक्त योगदान को साफ़ अलग नहीं किया। एक सक्षम ट्यूटर की उपलब्धता यह भिन्न है कि छात्र उसका उत्पादक रूप से उपयोग करते हैं।
नया AI ट्यूशन को उत्पादक बनाना प्रयोग संबंधित सबक प्रदान करता है। NUMI का उपयोग करने वाले 6,000 से अधिक मध्य विद्यालयी छात्रों में, AI सहायता ने गलतियों के बाद की पुनर्प्राप्ति में सुधार किया लेकिन प्रश्नों में प्रगति को धीमा किया। एक लगातार-तीन-सही महारत हासिल करने का नियम ने प्लेटफ़ॉर्म-परिभाषित सफलता बढ़ाई, लेकिन स्वयं यह एक सप्ताह बाद सीखने में सुधार नहीं लाया। सबसे मजबूत विलंबित-सीखने का संकेत तब आया जब AI को महारत हासिल करने की कार्यप्रवाह में एम्बेड किया गया, लेकिन यह लाभ सांख्यिकीय रूप से सीमित महत्वपूर्ण थे और विशेष अभ्यास किए गए पाठ्यसामग्री पर केंद्रित थे। यह कार्यशील पेपर एक सावधानीपूर्वक संरचित दृष्टिकोण के लिए संकेतक प्रमाण प्रदान करता है, व्यापक रूप से सिद्ध विधि का नहीं।
उपकरण का उपयोग छात्र कैसे करते हैं, केवल पहुँच नहीं, यह परिणाम निर्धारित करता है
इसी प्रौद्योगिकी से अंतःक्रिया को कैसे संरचित किया जाता है, इसके आधार पर अलग-अलग सीख होती है। अनियंत्रित निबंध मूल्यांकनों में 38 स्नातक छात्रों के एक गुणात्मक अध्ययन में, संलग्नता संज्ञानात्मक आउटसोर्सिंग से लेकर संज्ञानात्मक पुनरावंटन तक एक स्पेक्ट्रम पर फैली थी—यानी प्रयास को निम्न-स्तरीय पुनर्प्राप्ति से समालोचनात्मक मूल्यांकन की ओर स्थानांतरित करना। अधिकांश छात्रों (n = 31) ने generative AI का उपयोग सीखने के सहायक के रूप में करने का इरादा रखा, फिर भी 76.32% ने एक-चरित्र “पूछो–उत्तर पाओ–रुक जाओ” संवाद पर निर्भरता रखी और 78.94% ने इसका उपयोग कार्य के बीच से गुज़रते हुए नहीं, बल्कि मसौदा तैयार करने से पहले या बाद में किया, जिससे एक दक्षता विरोधाभास उत्पन्न हुआ: सुविधा उसी कीमत पर मिली जो स्कीमा बनाने वाले संज्ञानात्मक कार्य की कीमत है (“इसे भूलने की गति भी बहुत तेज़ है”)। केवल 8 छात्रों ने निरंतर, पुनरावृत्त संवाद में संज्ञानात्मक साझेदारों के रूप में काम किया।
शैक्षणिक सबक यह है कि अस्पष्ट अनुमति या प्रतिबंध दोनों छात्रों को अनुमान लगाने के लिए छोड़ देते हैं। व्यवहार को जो बदला वह यह कार्य-विशिष्ट मार्गदर्शन था कि कौन-सा संज्ञानात्मक कार्य छात्रों को बनाए रखना है और कौन-सी AI सहायता उचित थी—वही डिज़ाइन दिशा जो मैं अपने पाठ्यक्रम में एआई नकल कैसे कम कर सकता हूँ? में विकसित की गई है।
कम प्रयास का मतलब स्वतः कम सीखना नहीं है
यह निष्कर्ष निकालना भी गलती होगी कि AI तभी मदद करता है जब वह छात्रों से अधिक मेहनत कराता है या कभी पूरा उदाहरण नहीं दिखाता।
कोच, बैसाखी नहीं में रिपोर्ट किए गए पूर्व-पंजीकृत प्रयोगों में, जिन वयस्कों ने AI के साथ कवर लेटर संशोधित करना अभ्यास किया, उन्होंने बाद में AI के बिना उन लोगों से बेहतर लेखन उत्पन्न किया जिन्होंने अकेले अभ्यास किया, भले ही उन्होंने कम प्रयास किया। लाभ एक-दिन के फॉलो-अप पर भी बने रहे। एक अन्य प्रयोग ने पाया कि AI-संशोधित उदाहरण देखने से उपकरण के साथ अभ्यास के तुलनीय लाभ मिले। ये संक्षिप्त, सीमित लेखन कार्य थे—सभी प्रकार के लेखन में स्थायी सुधार का प्रमाण नहीं—लेकिन ये दिखाते हैं कि उदाहरण सीखने का समर्थन कर सकते हैं, इसे ज़रूरी नहीं कि प्रतिस्थापित करें।
इसलिए लक्ष्य अधिकतम कठिनाई नहीं है। यह उस सीखने की गतिविधि को बनाए रखना या सुधरना है जो अभीष्ट क्षमता विकसित करती है।
यह पैटर्न कंप्यूटिंग शिक्षा में भी दोहराता है
कंप्यूटिंग शिक्षा में 72 अध्यायनों का एक व्यवस्थित समीक्षा अपने सबसे मजबूत परिणाम में वही संरचना पाती है। Generative AI विश्वसनीय रूप से अल्पकालिक पूर्णता बढ़ाता है और कार्य-पर समय घटाता है (36 अध्यायन), और संग्रह में एक भी अध्यायन तत्काल प्रदर्शन पर प्रतिकूल प्रभाव दर्ज नहीं करता—फिर भी वे लाभ “स्वतंत्र प्रदर्शन में स्थानांतरित नहीं होते” (21 अध्यायन)। Codex-सहायता प्राप्त छात्रों ने सीखने के दौरान दोगुने कार्य पूरे किए लेकिन AI के बिना पोस्ट-टेस्ट पर नियंत्रण समूह से बेहतर प्रदर्शन नहीं किया। पूर्व ज्ञान सब कुछ संचालित करता है: अच्छी तरह तैयार छात्र सहायता को स्थायी कौशल में बदलते हैं, जबकि कम तैयार छात्र इसे बैसाखी के रूप में उपयोग करने का जोखिम उठाते हैं जो उन्हें आवश्यक अभ्यास से वंचित कर देता है। इस समीक्षा का केंद्रीय डिज़ाइन आवश्यकता सत्यापन है—AI आउटपुट को पढ़ना, परखना, संशोधित करना, समझाना और आलोचना करना—जिसे कार्य का एक अंकित, देखने योग्य घटक बनाया गया है, न कि विवेक पर छोड़ी गई महत्वाकांक्षा।
एक उपयोगी डिज़ाइन सिद्धांत: स्कैफ़ोल्ड करें, प्रतिस्थापित न करें
ज्ञान आधार के मड्गद और सक्रिय सीखना संश्लेषण ऐसे समर्थन पर ज़ोर देते हैं जो शिक्षार्थियों को समझने, अभ्यास करने, मूल्यांकन करने और अंततः कम सहायता के साथ प्रदर्शन करने में मदद करता है।
“स्कैफ़ोल्ड करें, प्रतिस्थापित न करें” एक उपयोगी सिद्धांत है, लेकिन इसे सीखने के उद्देश्य पर लागू करना होगा, हर AI सुविधा पर यांत्रिक रूप से नहीं। एक पूरा हल किया गया उदाहरण ऐसी चीज़ हो सकती है जिससे छात्र सीखते हैं; संकेतों का एक क्रम भी अभी भी ऐसी चीज़ बन सकता है जिस पर वे बिना सोचे क्लिक कर देते हैं। महत्वपूर्ण अंतर यह है कि शिक्षार्थी सहायता के साथ क्या करता है। संज्ञानात्मक ऑफ़लोडिंग और सहायता खोजना देखें।
स्वतंत्र क्षमता विकसित करने के लिए निर्धारित किसी गतिविधि के लिए, एक उचित प्रारंभिक दिनचर्या यह है:
- शिक्षार्थी की सोच स्थापित करें। उचित उदाहरण की एक प्रारंभिक कोशिश, पूर्वानुमान, मसौदा, व्याख्या या व्याख्या-विमर्श माँगें।
- लक्षित सहायता दें। AI का उपयोग कठिनाई पर एक संकेत, व्याख्या, विरोधी उदाहरण या केंद्रित फीडबैक के लिए करें।
- सहायता के प्रति प्रतिक्रिया आवश्यक करें। छात्र से व्याख्या करवाएँ, संशोधित करवाएँ, सत्यापित करवाएँ, या सुझाव को स्वीकार/अस्वीकार करने का औचित्य सिद्ध करवाएँ।
- कम सहायता के साथ एक नया अनुप्रयोग जाँचें। छात्र से एक तुलनीय समस्या हल करवाएँ या विचार को एक भिन्न संदर्भ में लागू करवाएँ।
यह एक शिक्षण प्रारंभिक बिंदु है, कोई सार्वभौमिक रूप से मान्य क्रम नहीं। सहायता की मात्रा और समय को छात्रों के पूर्व ज्ञान और कार्य को प्रतिबिंबित करना चाहिए। AI के दुरुपयोग को कम करना और पूर्व ज्ञान देखें।
बनाए रखी गई सोच को स्पष्ट करें
गणित के लिए, कोई प्रशिक्षक छात्रों से मदद माँगने से पहले अपना प्रयास किया हुआ समाधान जमा करवा सकता है, फिर ऐसा संकेत उपयोग कर सकता है: “पहचानें कि मुझे कौन-सा पहला चरण फिर से विचारना चाहिए, मुझे एक उपयोगी संकेत दें, और मुझे फिर कोशिश करने के लिए कहें।” इसके बाद की जाँच में एक नया समाधान और एक व्याख्या आवश्यक होनी चाहिए—AI के उत्तर की पुनरुत्पादन नहीं। यह मड्गद और सहायता खोजना में दी गई मार्गदर्शन को लागू करता है।
लेखन के लिए, कोई प्रशिक्षक छात्रों से AI आलोचना प्राप्त करने से पहले अपने मसौदे का मूल्यांकन एक रूब्रिक के विरुद्ध करवा सकता है, फिर यह समझावा करवा सकता है कि उन्होंने कौन-से सुझाव स्वीकार, संशोधित या अस्वीकार किए। यदि तर्क-निर्माण उद्देश्य है, तो AI-जनित गद्य इस प्रमाण का विकल्प नहीं बनना चाहिए कि छात्र एक तर्क निर्मित कर सकता है। यदि वैकल्पिक संशोधनों का मूल्यांकन उद्देश्य है, तो पूर्ण उदाहरणों की तुलना उचित हो सकती है। लेखन शिक्षा और फीडबैक साक्षरता देखें।
ये प्रमाण के डिज़ाइन अनुप्रयोग हैं। इन्हें अभी भी पाठ्यक्रम में मूल्यांकित किया जाना चाहिए, न कि इसलिए मान लिया जाना चाहिए कि वे शैक्षणिक रूप से समझ में आते हैं इसलिए काम करेंगे।
मैं कैसे बता सकता हूँ कि AI मेरे पाठ्यक्रम में मदद कर रहा है?
AI शिक्षा मूल्यांकन पेज AI के आउटपुट की गुणवत्ता, छात्रों का उसका उपयोग करने का अनुभव, और छात्रों की वास्तविक सीख को अलग करने की सलाह देता है। एक व्यावहारिक मूल्यांकन के लिए संतुष्टि सर्वेक्षण या असाइनमेंट ग्रेड की तुलना से अधिक की आवश्यकता होती है।
पहले क्षमता निर्दिष्ट करें। तय करें कि गतिविधि के बाद छात्रों को क्या समझना चाहिए या क्या करने में सक्षम होना चाहिए। “एक परिष्कृत रिपोर्ट बनाएँ” यह भिन्न है कि “उचित प्रमाण चुनें,” “एक कारण-प्रभाव संबंध समझाएँ,” या “एक असमर्थित निष्कर्ष पहचानें।” मूल्यांकन उस क्षमता को प्रकट करना चाहिए जिसे आप विकसित करना चाहते हैं। शैक्षणिक मापन देखें।
पहले, बाद में, और उसके बाद मापें। एक संक्षिप्त आधार-रेखा कार्य, एक तत्काल सीखने की जाँच, और एक विलंबित अनुप्रयोग का उपयोग करें। एक तुलनीय कार्य और, जहाँ उचित हो, एक ऐसा कार्य शामिल करें जो संदर्भ बदलता हो या भिन्न अनुप्रयोग माँगता हो। जब उद्देश्य स्वतंत्र दक्षता हो, तो वह AI सहायता हटा दें जो छात्र के लिए उस दक्षता का प्रदर्शन कर सकती है। अभ्यास के तुरंत बाद एक सफल जाँच उपयोगी है, लेकिन महीनों तक योगदान या क्षेत्रों के पार स्थानांतरण स्थापित नहीं करती। सीखने के लाभ और सीखने का स्थानांतरण देखें।
एक सार्थक तुलना का उपयोग करें। जहाँ संभव हो, AI-समर्थित गतिविधि की तुलना एक अच्छी तरह से डिज़ाइन किए गए AI-रहित विकल्प से करें, समान पाठ्यसामग्री, शिक्षण समय और अभ्यास के अवसरों के साथ। एक साधारण पहले-और-बाद में सुधार यह स्थापित नहीं कर सकता कि AI ने वह लाभ दिलाया; छात्र शिक्षण के शेष भाग के माध्यम से सुधार कर सकते हैं। मजबूत कारणात्मक दावों के लिए, तुलना डिज़ाइन करते समय प्रभावकारिता अनुसंधान विधियाँ देखें।
देखें कि छात्र मदद का उपयोग कैसे करते हैं। व्याख्याओं, त्रुटियों को सुधारने के प्रयासों, औचित्य-सिद्ध संशोधनों और सत्यापन की तलाश करें—केवल लॉगिन, संदेश संख्याएँ या पूरे किए गए प्रश्न नहीं। ये प्रेक्षण किसी परिणाम को समझाने में मदद कर सकते हैं, लेकिन सीखने के माप का विकल्प नहीं बनने चाहिए। सहायता खोजना और छात्र–AI अंतःक्रिया देखें।
जाँचें कि कोई डैशबोर्ड वास्तव में क्या मापता है। आठ AI शिक्षण एजेंटों के एक मूल्यांकन में चिकित्सा शिक्षा में, एजेंटों की प्लेटफ़ॉर्म के अपने अंक द्वारा रैंकिंग एक विशेषज्ञ-मान्य शिक्षण-गुणवत्ता रूब्रिक से भिन्न हुई—जो एजेंट प्लेटफ़ॉर्म द्वारा तीसरे स्थान पर रखा गया वह रूब्रिक गुणवत्ता पर अंतिम रहा—क्योंकि प्लेटफ़ॉर्म अंक ने अंतःक्रिया के दौरान छात्र प्रदर्शन को ट्रैक किया, एजेंट के शिक्षण व्यवहार को नहीं। एक अंतर्निहित माप एक सत्यापित करने योग्य परिकल्पना है, सीखने का प्रमाण नहीं। एक शिक्षक AI-संबंधी हस्तक्षेपों का मूल्यांकन करने के लिए कौन-से उपाय और अनुसंधान विधियाँ उपयोग कर सकता है? देखें उन उपायों और तुलना डिज़ाइनों के लिए जो ऐसी जाँच को विश्वसनीय बनाते हैं।
एक महत्वपूर्ण शर्त यह है कि हर वैध सीखने का परिणाम AI के बिना प्रदर्शित नहीं होना चाहिए। कोई पाठ्यक्रम जान-बूझकर प्रभावी AI-समर्थित कार्य सिखा सकता है। उस स्थिति में, छात्रों की AI का चयन, सत्यापन, संशोधन और अपने उपयोग का बचाव करने की क्षमता का मूल्यांकन करें, उस विषय के आवश्यक स्वतंत्र आधारों के साथ-साथ। AI युग में सीखने के परिणामों के लिए एक मानव क्षमता परीक्षण स्वतंत्र क्षमता, AI-संवर्धित प्रदर्शन और सत्यापन ज़िम्मेदारी के बीच यह अंतर प्रस्तावित करती है। यह एक संकल्पनात्मक मूल्यांकन ढाँचा है, हर पाठ्यक्रम के लिए मान्य समाधान नहीं।
जाँचें कि किसे लाभ मिलता है—और उस लाभ की कीमत क्या है
एक औसत सुधार उन छात्रों को छिपा सकता है जिन्हें थोड़ा लाभ मिलता है या जो नई बाधाओं का सामना करते हैं। डिजिटल विभाजन संश्लेषण किसी उपकरण तक पहुँच को उसे उपयोग करने के आवश्यक कौशल और अंततः प्राप्त परिणामों से अलग करता है।
किसी कक्षा मूल्यांकन के लिए, परिणामों की जाँच प्रासंगिक प्रारंभिक बिंदुओं जैसे पूर्व ज्ञान, भाषा आवश्यकताओं और सुगम्यता आवश्यकताओं के आधार पर करें। मार्गदर्शन दें, यह मानकर नहीं कि छात्र पहले से जानते हैं कि उपयोगी फीडबैक कैसे प्राप्त और मूल्यांकित करना है। स्वतंत्र सीखने का मूल्यांकन करते समय, वह सहायता हटाएँ जो लक्ष्य सोच की आपूर्ति करती है—कार्य तक पहुँचने के लिए आवश्यक सुविधाएँ नहीं। AI साक्षरता, AI शिक्षा में समानता, और सुगम्यता देखें।
वह फीडबैक भी जाँचें जो छात्रों को वास्तव में मिलता है। एक प्रवाही प्रतिक्रिया उनकी कठिनाई की गलत निदान कर सकती है, किसी त्रुटि को मज़बूत कर सकती है, या ऐसा उत्तर दे सकती है जबकि भिन्न प्रकार का समर्थन आवश्यक था। पाठ्यक्रम-संरेखित सामग्री का उपयोग करें, मानव सहायता का एक मार्ग बनाए रखें, और गतिविधि की आवश्यकता से अधिक छात्र जानकारी एकत्र करने से बचें। ये चिंताएँ सीधे AI फीडबैक गुणवत्ता, शैक्षणिक सुरक्षा, और निजता से जुड़ी हैं।
निचला रेखा
AI छात्रों की सीखने में मदद कर सकता है, लेकिन न पहुँच, न परिष्कृत आउटपुट, और न ही एक “ट्यूटर” लेबल यह स्थापित करता है कि वह ऐसा करता है। प्रमाण सबसे मजबूत तब होते हैं जब एक निर्दिष्ट शिक्षण डिज़ाइन का मूल्यांकन एक सार्थक विकल्प के विरुद्ध उन क्षमताओं के उपायों का उपयोग करके किया जाता है जिन्हें छात्र विकसित करने के लिए माना जाता है। दीर्घकालिक योगदान, व्यापक स्थानांतरण, और शिक्षार्थियों तथा सेटिंग्स में सामान्यीकरण महत्वपूर्ण अनिश्चितताएँ बनी हुई हैं। AIEd अनुसंधान में सीमाएँ देखें।
एक प्रशिक्षक के लिए सबसे उपयोगी प्रश्न यह है:
इस AI-समर्थित गतिविधि के बाद, मेरे छात्र क्या समझ सकते हैं, समझा सकते हैं, निर्णय ले सकते हैं, या कर सकते हैं जो वे पहले नहीं कर सकते थे—और कौन-सा प्रमाण दिखाता है कि वह सुधार हुआ?