शिक्षा में AI (AIED) पर अनुसंधान साहित्य में उल्लेखनीय अंतराल क्या हैं?

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

शिक्षा में AI (AIED) के सबसे अधिक प्रभावशाली अंतराल यह संबंधी हैं कि क्या किसी विशेष शैक्षणिक डिज़ाइन से टिकाऊ लाभ मिलते हैं, वे किसके लिए हैं, किन तंत्रों के माध्यम से मिलते हैं, और किन शर्तों के अंतर्गत मिलते हैं—न कि केवल यह कि AI शैक्षणिक कार्य कर सकता है या नहीं। ज्ञान-आधार में होनहार हस्तक्षेपों के साथ-साथ मापन, कारणात्मक अनुमान, सामान्यीकरणीयता, क्रियान्वयन और पुनरुत्पादनीयता में निरंतर कमज़ोरियाँ भी दर्ज हैं। ये प्रायः साक्ष्य की शक्ति, विशिष्टता या प्रयोज्यता के अंतराल हैं, अनुसंधान के पूर्णतः न होने के नहीं। AIEd अनुसंधान की सीमाएँ देखें।

ये अंतराल इस क्षेत्र में एक-दूसरे से भिन्न भी हैं। स्थापित इंटेलिजेंट ट्यूटरिंग सिस्टम, पूर्वानुमानीय विश्लेषण, जनरेटिव AI और स्वायत्त एजेंटों के बारे में साक्ष्य को एक-दूसरे के विकल्प मानकर उपयोग नहीं किया जाना चाहिए। इसी प्रकार, सीखने और सिखाने में सहायता के लिए AI का उपयोग करना और लोगों को AI के बारे में सिखाना संबंधित लेकिन भिन्न अनुसंधान प्रश्नों को उठाते हैं, जैसा कि शिक्षा में AI अवलोकन पेज समझाता है।

1. यह पहचानना कि अच्छी शिक्षा-व्यवस्था के अतिरिक्त AI क्या जोड़ता है

कठोर कक्षा-प्रयोग मौजूद हैं, इसलिए इस अंतराल को अब “हमें यादृच्छिक परीक्षणों की आवश्यकता है” कहकर ठीक से वर्णित नहीं किया जा सकता। अधिक स्पष्ट प्रश्न यह है कि क्या AI घटक अतिरिक्त अभ्यास, बेहतर सामग्री, समयबद्ध प्रतिपुष्टि, या बढ़ी हुई शिक्षण-सहायता से परे मूल्य जोड़ता है।

उदाहरण के लिए, One Click Away: AI Tutoring with Khanmigo in a Two-Year School Experiment 18 माध्यमिक विद्यालयों में मामूली उपलब्धि-लाभों की सूचना देता है, जबकि ट्यूटर के साथ सार्थक जुड़ाव सीमित रहा। लेखक बताते हैं कि ये लाभ उन लाभों जैसे थे जो AI के बिना संरचित अभ्यास से जुड़े हैं। यह एक क्रियान्वित शिक्षण-पैकेज के बारे में साक्ष्य स्थापित करता है, लेकिन उसके AI घटक के बढ़ते योगदान को स्पष्ट रूप से अलग नहीं करता।

नीचे की समस्या संकल्पनात्मक और अनुभवजन्य दोनों है। "ChatGPT" एक उपकरण का नाम है, किसी विधि का नहीं, और Weidlich et al. (2025) 19 शिक्षा-संबंधी ChatGPT तुलनाओं का ऑडिट करके दिखाते हैं कि इसकी कीमत क्या है: केवल 4 (21%) में पुनरुत्पादनीय उपचार, संक्रियकृत नियंत्रण और वैध अधिगम-माप—तीनों का उल्लेख है (74% में सुस्पष्ट उपचार, 42% में सुस्पष्ट नियंत्रण, 53% में अधिगम परिणाम)। उनका बड़ा तर्क यह है कि जब नया AI नए गतिविधियों, प्रतिपुष्टि या इंटरफ़ेस डिज़ाइन के साथ पेश किया जाता है, तो माध्यम और विधि एक-दूसरे में उलझ जाते हैं और कोई भी प्रभाव AI के लिए ज़िम्मेदार नहीं ठहराया जा सकता।

इसलिए अनुसंधान को मज़बूत और यथार्थपरक गैर-AI विकल्पों के साथ अधिक तुलनाओं की आवश्यकता है, जिसमें पाठ्यक्रम, अभ्यास के अवसर और सहायता को यथासंभव स्थिर रखा जाए। स्वतंत्र पुनरुक्तियों को यह जाँचना चाहिए कि संस्थान, शिक्षक, विषय और मॉडल में बदलाव होने पर भी लाभ बने रहते हैं या नहीं। जैसा कि प्रभावकारिता अनुसंधान विधियाँ पर बल देती हैं, भिन्न विधियाँ भिन्न प्रश्नों के उत्तर देती हैं: गुणात्मक और डिज़ाइन-आधारित अध्ययन क्रियान्वयन को समझाने में सहायक हैं, जबकि उचित रूप से डिज़ाइन किए गए प्रयोग कारणात्मक दावों को मज़बूत करते हैं।

2. समय के साथ टिकाऊ अधिगम और स्वतंत्र क्षमता को देखना

AI का उपयोग करते समय बेहतर कार्य ज़रूरी नहीं कि सहायता समाप्त होने के बाद भी बने रहने वाले अधिगम का साक्ष्य हो। अधिगम-लाभ और संज्ञानात्मक अप्रभारण संश्लेषण बार-बार सहायता-प्राप्त प्रदर्शन और सुरक्षित ज्ञान, स्वतंत्र तर्क और अपरिचित कार्यों में स्थानांतरण के बीच अंतर करते हैं।

Making AI Tutoring Productive मापन की समस्या को उजागर करता है। 6,000 से अधिक माध्यमिक विद्यालयी विद्यार्थियों से जुड़े एक यादृच्छिक प्रयोग में, लगातार तीन सही उत्तरों का निपुणता नियम प्लेटफ़ॉर्म-परिभाषित सफलता बढ़ाता रहा, लेकिन स्वयं में एक सप्ताह बाद पहचानने योग्य अधिगम-लाभ उत्पन्न नहीं किया। सबसे मज़बूत विलंबित-परीक्षण साक्ष्य तब उभरा जब AI को निपुणता कार्यप्रवाह में अंतर्निहित किया गया और वह अभ्यास की गई सामग्री पर केंद्रित था।

शेष अंतराल क्षमता की प्रक्षेपवक्र से संबंधी है, न कि केवल एक अतिरिक्त उत्तर-परीक्षण से। अध्ययनों को महीनों तक स्मरण-निर्धारण, कार्यों के बीच स्थानांतरण, सहायता हटाए जाने के बाद प्रदर्शन, और विद्यार्थियों की अपने ज्ञने की सही आकलन क्षमता की जाँच करनी चाहिए। उन्हें किसी कौशल को अर्जित करने में विफलता और पहले से स्थापित कौशल के क्षरण में भी अंतर करना चाहिए। अप्रभारण पर अनुसंधान को यह जाँचना चाहिए कि प्रतिनियुक्ति कब इन प्रक्षेपवक्रों का समर्थन करती है और कब उन्हें विकसित करने के लिए आवश्यक अभ्यास को हटा देती है।

3. यह समझाना कि कौन-से शिक्षण घटक काम करते हैं—और क्यों

“AI-समर्थित अधिगम” में प्रायः कई बदलाव मिले होते हैं: नई प्रतिपुष्टि, अतिरिक्त चिंतन, सहपाठी चर्चा, भिन्न कार्य-क्रम, और बदली हुई आकलन-प्रोत्साहन प्रणाली। एक सफल पैकेज यह स्थापित नहीं करता कि कौन-से घटक आवश्यक हैं या लाभ किस तंत्र ने उत्पन्न किया।

बहु-स्थलीय प्रयोग Human-centered GenAI feedback design in higher education एक उपयोगी प्रगति देता है। 1,176 प्रथम-वर्षी स्नातक विद्यार्थियों में, चिंतनशील और संकर प्रतिपुष्टि डिज़ाइन विलंबित AI-रहित स्थानांतरण पर सीधी AI प्रतिपुष्टि से बेहतर रहे। संकर स्थिति में स्व-मूल्यांकन, सहपाठी प्रतिपुष्टि और AI आलोचना तीनों संयुक्त थे। यह यह समझने में सहायक है कि प्रतिपुष्टि को किस प्रकार संगठित और उपयोग किया जाता है, न कि पहुँच को ही हस्तक्षेप मान लेना चाहिए।

आगे के अध्ययनों को प्रारंभिक स्वतंत्र प्रयासों, स्व-व्याख्या, सहपाठी योगदान, सुधारात्मक प्रतिपुष्टि, संकेत और क्रमशः हटाई जाने वाली सहायता के योगदान और समय को अलग करना चाहिए। उन्हें यह भी जाँचना चाहिए कि ये घटक पूर्वज्ञान और कार्य की कठिनाई के साथ किस प्रकार अंतःक्रिया करते हैं।

साथ में आने वाला सिद्धांतगत अंतराल उतना ही महत्वपूर्ण है: किसी अधिगम सिद्धांत का नाम लेना उसे जाँचने के समान नहीं है। अनुसंधान को किसी सिद्धांतगत पूर्वानुमान को एक विशिष्ट सिस्टम व्यवहार और मापने योग्य अधिगम प्रक्रिया से जोड़ना चाहिए। सांख्यिकीय मध्यस्थता उस व्याख्या को सूचित कर सकती है, लेकिन स्वयं में कारणात्मक तंत्र स्थापित नहीं करती। शिक्षा में AI में सिद्धांत विकास और मड्गद देखें।

4. मापों, स्वचालित निर्णयों और अनुकरण किए गए विद्यार्थियों का सत्यापन

“जुड़ाव”, “समीक्षात्मक चिंतन”, “AI साक्षरता” और “वैयक्तिकरण” जैसे निर्माण-अवधारणाओं का मापन असंगत रूप से किया जाता है। स्व-प्रतिवेदन धारणाओं और अनुभवों का वर्णन कर सकते हैं, लेकिन प्रदर्शित दक्षता का विकल्प नहीं बन सकते। तकनीकी सटीकता, विशेषज्ञ-रेटेड आउटपुट गुणवत्ता और विद्यार्थी अधिगम भी भिन्न मूल्यांकन लक्ष्यों का प्रतिनिधित्व करते हैं। ये भेद शैक्षणिक मापन और AIEd मूल्यांकन के लिए केंद्रीय हैं।

एक विशेष रूप से महत्वपूर्ण अंतराल AI सिस्टम के बारे में है जिनका उपयोग अन्य AI सिस्टमों का मूल्यांकन करने के लिए किया जाता है। Simulating Students or Sycophantic Problem Solving? में, अनुकरण किए गए विद्यार्थी बार-बार सौंपी हुई एआई के बारे में गलतफहमियाँ को सुधारात्मक प्रतिपुष्टि के बाद छोड़ देते थे, चाहे वह उस भ्रांति को संबोधित करती या नहीं। इसलिए उनकी प्रतिक्रियाएँ अप्रभावी शिक्षण को सफल प्रतीत करा सकती थीं। लक्षित प्रशिक्षण ने अध्ययन की निष्ठा-माप को बेहतर बनाया, लेकिन उस माप पर सुधार मानव अधिगम के सापेक्ष सत्यापन के बराबर नहीं है।

अनुसंधान को यह स्थापित करने की आवश्यकता है कि कौन-से स्वचालित स्कोर और अनुकृत व्यवहार वास्तविक विद्यार्थियों के परिणामों की भविष्यवाणी करते हैं, जिसमें वे विद्यार्थी और परिस्थितियाँ भी हों जिनका उपयोग विकास के दौरान नहीं हुआ। मानव निर्णयों की भी जाँच आवश्यक है: मूल्यांककों के बीच सहमति स्वतः यह साक्ष्य नहीं है कि सही निर्माण-अवधारणा का मूल्यांकन किया जा रहा है।

अंतराल मूल्यांकन शृंखला के सत्यापन में है—मॉडल व्यवहार से, शिक्षाशास्त्रीय निर्णय तक, विद्यार्थी प्रतिक्रिया तक, और शैक्षणिक परिणाम तक।

5. यह स्थापित करना कि जब AI साक्ष्य उत्पन्न और मूल्यांकन दोनों कर सकता है तब आकलन वैधता क्या है

AI दो जुड़े हुए आकलन समस्याएँ रचता है: वह आकलित किए जा रहे कार्य के उत्पादन में सहायता कर सकता है, और उस कार्य के स्कोरिंग को भी प्रभावित कर सकता है।

ज्ञान-आधार के AI एजेंटों द्वारा आकलित LMS कार्यों के पूर्ण करने वाले अध्ययन में एजेंटों का एक सक्रिय स्नातक पाठ्यक्रम में नेविगेशन और आकलित गतिविधियों के पूर्ण करने का दस्तावेज़ीकरण है। ये प्रदर्शन एक ऐसी क्षमता स्थापित करते हैं जो विद्यार्थी-उत्पादित साक्ष्य के बारे में धारणाओं को चुनौती देती है; ये ऐसे उपयोग की व्यापकता स्थापित नहीं करते और न हर अतुल्यकालिक आकलन को अमान्य ठहराते हैं।

अनुसंधान प्रश्न यह है कि कौन-से आकलन डिज़ाइन विद्यार्थी के बारे में निर्विवाद निष्कर्षों का समर्थन करते हैं। पोर्टफोलियो, चिंतन, चरणबद्ध प्रस्तुतियाँ और गतिविधि लॉग स्वयं सत्यापित किए जाने चाहिए, न कि मान लिया जाए कि वे लेखकत्व या समझ स्थापित करते हैं। अध्ययनों को स्वतंत्र रूप से प्रेक्षित दक्षता के सापेक्ष साक्ष्य के संयोजनों की जाँच करनी चाहिए, साथ ही सुगम्यता, कार्य-भार, गोपनीयता और विद्यार्थी चिंता को ध्यान में रखते हुए। आकलन वैधता देखें।

स्वचालित स्कोरिंग के लिए, LLMs Do Not Grade Essays Like Humans तत्काल-उपलब्ध मॉडलों और मानव मूल्यांककों के बीच व्यवस्थित असहमतियों की सूचना देता है। इसकी खोजें विन्यास-विशिष्ट हैं, लेकिन यह दिखाती हैं कि आंतरिक सुसंगता क्यों अपर्याप्त है।

A Human Capability Test for Learning Outcomes in the AI Era से एक उपयोगी संकल्पनात्मक भेद आता है: मूल्यांकन करें कि विद्यार्थियों को क्या स्वतंत्र रूप से करना चाहिए, क्या वे AI के साथ पूरा कर सकते हैं, और क्या उन्हें सत्यापित और बचाव करना चाहिए। यह एक प्रस्तावित ढाँचा है जिसे अनुभवजन्य सत्यापन की आवश्यकता है, कोई स्थापित आकलन समाधान नहीं।

Karr et al. (2026) यह मात्रात्मक रूप से दर्शाते हैं कि पहचान एक बन्द गली क्यों है। 642 प्रकाशित अंग्रेज़ी सारांशों पर, τ = 0.50 पर दो व्यावसायिक AI संसूचकों ने दिशानिर्देश-अनुरूप हल्के AI संपादन को 38–80% पर संकेत किया, अपरिवर्तित 2023–25 मूलों को 9–15% पर संकेत किया (गैर-STEM STEM से बहुत अधिक, p < 0.001), और मानवीकरण के बाद AI-लेबल पुनर्लेखन के 4% से कम पकड़े (झूठा-ऋणात्मक दर > 96%)। एक ऐसा स्कोर जो ईमानदार सहायता को दंडित करता है और चकमा देने को चूकता रहता है, वह विद्यार्थी के बारे में निर्विवाद निष्कर्ष का आधार नहीं बन सकता; यह जो अंतराल उजागर करता है वह ऐसे डिज़ाइन और प्रक्रिया-साक्ष्य हैं जो ऐसे स्कोर पर निर्भर न हों।

6. यह दिखाना कि AI साक्षरता ज़िम्मेदार व्यवहार में स्थानांतरित होती है

AI-साक्षरता हस्तक्षेप अनुसंधन संश्लेषण का समर्थन करने के लिए पर्याप्त व्यापक है। AI Literacy Interventions in Education: A Meta-Analysis of Effects and Moderators में 59 अध्ययन और 7,211 प्रतिभागी हैं। यह सकारात्मक औसत प्रभाव की सूचना देता है, लेकिन अध्ययनों में भारी भिन्नता और शून्य को फैले एक विस्तृत पूर्वानुमान-अंतराल भी है। ज्ञान-केंद्रित परिणामों में कौशलों, दृष्टिकोणों या नीतिशास्त्र से अधिक मज़बूत प्रभाव दिखे।

इसलिए तीखा अंतराल केवल अधिक दक्षता-ढाँचे विकसित करना नहीं है। यह निर्धारित करना है कि क्या साक्षरता शिक्षण यह बदलती है कि AI का उपयोग करते समय लोग कैसे व्यवहार करते हैं।

क्या विद्यार्थी असमर्थित दावों को पहचान सकते हैं, स्रोतों का सत्यापन कर सकते हैं, भ्रामक सुझावों को अस्वीकार कर सकते हैं, अनुचित सहमति को पहचान सकते हैं, और यह चुन सकते हैं कि कब प्रतिनियुक्ति न करें? क्या ये व्यवहार समय-दबाव में बने रहते हैं और अपरिचित प्रणालियों और विषयों में स्थानांतरित होते हैं?

अनुसंधान को प्रदर्शन-आधारित मूल्यांकनों को वास्तविक निर्णयों और विलंबित अनुवर्ती अवलोकनों के साथ जोड़ना चाहिए। इसे संकल्पनात्मक ज्ञान, संचालन दक्षता और समीक्षात्मक निर्णय में अंतर करना चाहिए, न कि उन्हें एक-दूसरे के विकल्प मान लेना चाहिए। AI साक्षरता और विश्वास समायोजन संश्लेषण इन भेदों के लिए उपयोगी आरंभिक बिंदु देते हैं।

7. सामान्यीकरणीयता और समान परिणामों को समझना—केवल समान पहुँच को नहीं

किसी एक पाठ्यक्रम, संस्थान, भाषा या विद्यार्थी आबादी से मिली खोजें प्रायः कहीं और निर्णयों के लिए सीमित आधार देती हैं। AIEd अनुसंधान की सीमाएँ संश्लेषण इसे एक आवर्ती समस्या के रूप में पहचानता है। इस बारे में अधिक साक्ष्य की आवश्यकता है कि शिक्षण प्रभाव विकासात्मक अवस्थाओं, विषयों, पूर्वज्ञान, अक्षमता, भाषा और संसाधन स्थितियों में किस प्रकार भिन्न होते हैं।

समानता अनुसंधान को पहुँच, कौशल और परिणामों में भी अंतर करना चाहिए। डिजिटल विभाजन संश्लेषण स्पष्ट करता है कि उपकरण या उपकरण-पहुँच उपलब्ध कराना समान लाभ लेने की समान क्षमता स्थापित नहीं करता।

उदाहरण के लिए, Does School-Based AI Education Narrow Readiness Gaps? ने 752 हांगकांग कनिष्ठ-माध्यमिक विद्यार्थियों का अनुवर्तन किया। मनोवैज्ञानिक तत्परता-अंतराल घटे, जबकि एक वस्तुनिष्ठ AI-साक्षरता परीक्षण में अंतर बने रहे। सभी समूहों में सुधार हुआ, लेकिन समग्र सुधार ने असमानता समाप्त नहीं की। चूँकि पूर्व-अधिगम प्रोफ़ाइल यादृच्छिक रूप से नहीं सौंपी गई थीं, अध्ययन उनके कारणात्मक प्रभावों को स्थापित नहीं करता।

ज्ञान-आधार की अपनी कवरेज यह भी दिखाती है कि समूह-स्तरीय साक्ष्य कहाँ पतला और असमान है। विद्यार्थी समूहों पर भिन्न प्रभाव साहित्य की गणना यह देखकर करता है कि वह किसका अध्ययन करता है: द्वितीय-भाषा और बहुभाषी विद्यार्थी और अक्षमता वाले विद्यार्थी सबसे गहरी धाराएँ हैं, लिंग और न्यूरोविविधता अगली, जबकि पहली पीढ़ी के विद्यार्थी और अंतर्राष्ट्रीय विद्यार्थियों में इस संग्रह में एक-एक अध्ययन है, प्रतिभाशाली और उच्च-उपलब्धि विद्यार्थी एक समूह के रूप में लगभग अनध्ययित हैं, और शरणार्थी, अप्रवासी और विस्थापित विद्यार्थी किसी में नहीं दिखते। ऐसे आकार का साक्ष्य-आधार समानता के प्रश्नों का उत्तर समुच्चयन से नहीं दे सकता; इसे जानबूझकर नमूना बनाना होगा।

अनुसंधान प्राथमिकता यह पहचानना है कि कौन-से डिज़ाइन प्रदर्शित क्षमता, भागीदारी और सक्रियता में अंतर कम करते हैं। अध्ययनों को केवल औसत लाभों के बजाय उपसमूह परिणामों और बोझों की जाँच करनी चाहिए। सुगम्यता अनुसंधान को भागीदारी की बाधाओं को हटाने और उस क्षमता को बदल देने—जिसे विद्यार्थी को विकसित करना है—के बीच अंतर करना चाहिए। शिक्षा में AI समानता और सुगम्यता देखें।

क्षमता एक ही राष्ट्रीय प्रणाली के भीतर भी उन तरीकों से भिन्न होती है जिन्हें शासन श्रेणियाँ नहीं पकड़तीं। Adeniranye et al. (2026) ने 45 नाइजीरियाई विश्वविद्यालयों में AI एकीकरण का स्कोर किया और कुल मिलाकर केवल मामूली अपनाना पाया (M = 4.79, 10-अंक पैमाने पर सीमा 1.83–7.83), जहाँ आयु और भूगोल को नियंत्रित करने पर संस्थान प्रकार एकीकरण की भविष्यवाणी करने में विफल रहा (आयु β = 0.43; दक्षिण-पश्चिम स्थान β = 0.31)। आंतरिक क्षमताएँ r = 0.79–0.80 पर और उद्योग साझेदारियों के साथ अंतर्राष्ट्रीय सहयोग r = 0.74 पर पारस्परिक सहसंबंधित थीं, इसलिए अच्छी तरह जुड़े संस्थान चक्रवृद्धि लाभ जमा करते हैं। अंतराल यह जाँचना है कि कौन-से क्षमता-निर्माण डिज़ाइन नए, कम जुड़े संस्थानों में परिणाम बदलते हैं।

8. यह निर्धारित करना कि विद्यार्थियों, शिक्षकों और एजेंटों के बीच नियंत्रण कैसे बाँटा जाए

जैसे-जैसे AI प्रणाली नियोजन करती हैं, क्रियाएँ आरंभ करती हैं, स्मृति बनाए रखती हैं और उपकरणों का समन्वय करती हैं, शैक्षणिक प्रश्न यह से अधिक विशिष्ट हो जाता है कि मानव-AI सहयोग लाभदायक है या नहीं: अधिगम प्रक्रिया के किन हिस्सों पर नियंत्रण किसका होना चाहिए, और वह नियंत्रण कब बदलना चाहिए?

Agentic AI in Education: A Scoping Review 474 अध्ययनों का मानचित्र बनाता है और सीमित अनुदैर्ध्य सत्यापन, उच्च शिक्षा और STEM में एकाग्रता, और कमज़ोर शैक्षणिक-सिद्धांत एकीकरण की पहचान करता है। समीक्षित अध्ययनों में से केवल 29% ने स्पष्ट रूप से शैक्षणिक सिद्धांत का उपयोग किया—यह उस संग्रह के बारे में खोज है, सभी AIEd अनुसंधान के बारे में नहीं।

अनुसंधान को उन विन्यासों की तुलना करनी चाहिए जिनमें विद्यार्थी या एजेंट सहायता आरंभ करते हैं, लक्ष्य निर्धारित करते हैं, रणनीतियाँ चुनते हैं, प्रगति पर नज़र रखते हैं और अंतिम निर्णय लेते हैं। इसे यह जाँचना चाहिए कि दक्षता के विकसित होने पर सहायता क्रमशः हटाई जा सकती है और विद्यार्थियों में सिस्टम को चुनौती देने की क्षमता बनी रहती है।

एजेंटिक AI और मानव-AI सहयोग संश्लेषण भी बहु-एजेंट वातावरण में शिक्षक हस्तक्षेप और जवाबदेही के बारे में प्रश्न उठाते हैं। अधिक स्वायत्तता का मूल्यांकन एक शिक्षाशास्त्रीय डिज़ाइन विकल्प के रूप में किया जाना चाहिए, न कि मान लिया जाए कि वह शैक्षणिक प्रगति का प्रतिनिधित्व करती है।

9. शिक्षाशास्त्रीय और संबंधगत सुरक्षा को वास्तविक शैक्षणिक परिणामों से जोड़ना

शैक्षणिक सुरक्षा तथ्यात्मक सटीकता, अपमानजनक सामग्री या निषिद्ध अनुरोधों से परे है। एक ट्यूटर सही उत्तर दे सकता है और साथ ही विद्यार्थी के तर्क करने के अवसर को कमज़ोर कर सकता है, किसी अंतर्निहित भ्रांति को मज़बूत कर सकता है, या अनुचित निर्भरता को प्रोत्साहित कर सकता है। शिक्षाशास्त्रीय सुरक्षा देखें।

SafeTutors: Pedagogical Safety in AI Tutoring अत्यधिक उत्तर प्रकटीकरण और स्कैफ़ोल्डिंग के परित्याग जैसी विफलताओं की पहचान करता है, जिनमें बहु-पारस्परिक परीक्षण में काफ़ी अधिक विफलताएँ हैं। ये निर्दिष्ट परीक्षण स्थितियों के अंतर्गत बेंचमार्क खोजें हैं—कक्षाओं में हानि की व्यापकता या गंभीरता के आकलन नहीं।

अनसुलझा मुद्दा यह है कि ऐसी विफलताएँ निरंतर उपयोग में वास्तविक विद्यार्थियों को कैसे प्रभावित करती हैं। कौन अस्थायी भ्रम, रहने वाली भ्रांतियाँ, घटी हुई प्रेरणा, या कमज़ोर स्वतंत्र क्षमता उत्पन्न करती हैं? कौन-से सुरक्षा-उपाय इन जोखिमों को अत्यधिक अस्वीकार या निराशा के बिना कम करते हैं?

अधिक दीर्घकालिक अनुसंधान को विश्वास, मानव सहायता माँगने की इच्छा, विद्यार्थी सक्रियता और सहपाठियों और शिक्षकों के साथ संबंधों की भी जाँच करनी चाहिए। ये प्रश्न बच्चों के लिए विशेष रूप से महत्वपूर्ण हैं और उन्हें विकासात्मक रूप से उपयुक्त अध्ययनों की आवश्यकता है जो सिस्टम व्यवहार को शैक्षणिक और संबंधगत परिणामों से जोड़ते हैं।

10. यह समझाना कि क्रियान्वयन, शिक्षक विकास और लागत परिणामों को कैसे आकार देते हैं

तकनीकी क्षमता यह स्थापित नहीं करती कि किसी उपकरण का उपयोग उत्पादक रूप से किया जाएगा या व्यावसायिक विकास विद्यार्थी अधिगम में सुधार करेगा। अक्सर गुम कड़ी शिक्षक तैयारी से, बदली हुई कक्षा-अभ्यास-प्रणाली के माध्यम से, विद्यार्थी परिणामों तक चलती है।

Pedagogy First, Technology Second में 46 शिक्षकों और 2,832 विद्यार्थियों का बहु-स्तरीय अध्ययन मिला कि शिक्षाशास्त्रीय AI ज्ञान विद्यार्थियों की धारणाओं और इरादों से संबद्ध था, लेकिन मापे गए शिक्षक-ज्ञान के कोई भी घटक विद्यार्थी के AI-ज्ञान लाभों से सीधे संबद्ध नहीं थे। ये संबंध यह स्थापित नहीं करते कि कोई विशेष प्रशिक्षण हस्तक्षेप बेहतर अधिगम का कारण बनेगा।

अनुसंधान को यह जाँचना चाहिए कि कोचिंग, पाठ्यक्रम संरेखण, समीक्षा दिनचर्या, समय-निर्धारण और संस्थागत सहायता के कौन-से संयोजन निरंतर सुधार उत्पन्न करते हैं। इसे केवल शिक्षक आत्मविश्वास या अपनाने के इरादे के बजाय वास्तव में क्रियान्वित शिक्षण का अवलोकन करना चाहिए। शिक्षक AI दक्षता और शैक्षणिक विकास देखें।

तुलनात्मक लागत-प्रभावकारिता एक अन्य प्राथमिकता है। मूल्यांकनों में सत्यापन, सुधार, प्रशिक्षण, निगरानी, अनुरक्षण और क्रियान्वयन समय को शामिल करना चाहिए—न कि केवल सदस्यता या मॉडल-उपयोग लागत को—और AI-समर्थित प्रावधान की तुलना यथार्थपरक विकल्पों से करनी चाहिए। प्रासंगिक प्रश्न यह है कि संपूर्ण व्यवस्था अपनी आवश्यक संसाधनों के बदले कौन-सा शैक्षणिक लाभ देती है।

11. शासन, गोपनीयता और सार्थक भागीदारी का मूल्यांकन

नैतिक सिद्धांत और शासन ढाँचे आवश्यक हैं, लेकिन उनका अस्तित्व यह स्थापित नहीं करता कि वे अभ्यास बदलते हैं या विद्यार्थियों की रक्षा करते हैं।

Identifying the Ethical Values and Norms for Artificial Intelligence in Education 25 लेखों की समीक्षा करता है और पाता है कि समीक्षित नीतिशास्त्र साहित्य में अंतिम उपयोगकर्ता बड़े पैमाने पर निष्क्रिय हैं, जिसमें विद्यार्थी की आवाज़ें लगभग अनुपस्थित हैं। यह मूल्यों के बीच तनाव और हितधारकों के बीच शक्ति असमानताओं की भी पहचान करता है। यह समीक्षित साहित्य का वर्णन है; इसे यह दावा बनाकर सामान्यीकृत नहीं करना चाहिए कि विद्यार्थी AIEd डिज़ाइन में कभी भाग नहीं लेते।

अनुसंधान अंतराल यह संबंधी है कि कौन-से शासन व्यवस्था मापने योग्य अंतर लाते हैं। क्या विद्यार्थी और शिक्षक भागीदारी खरीद, उपकरण डिज़ाइन, आकलन नियम या गलतियों के बाद उपचार बदलती है? क्या मानव-समीक्षा प्रक्रियाएँ परिणामकारी त्रुटियों को पकड़ती हैं? क्या AI उपयोग के विकल्प सचमुच उपलब्ध हैं?

गोपनीयता अनुसंधान को इसी प्रकार अतिरिक्त डेटा संग्रह के शैक्षणिक मूल्य की जाँच करनी चाहिए, न कि मान लेना चाहिए कि अधिक विस्तृत विद्यार्थी निगरानी औचित्य प्राप्त है। अध्ययन डेटा-न्यूनतम करने वाले डिज़ाइनों की तुलना अधिक घुसपैठिए विकल्पों से कर सकते हैं, और अधिगम और विद्यार्थी स्वायत्तता दोनों का आकलन कर सकते हैं। AI शासन और निजता देखें।

12. पुनरुत्पादनीय अध्ययन और भरोसेमंद संचयी साक्ष्य का निर्माण

AIED का एक असाधारण रूप से कठिन पुनरुत्पादनीयता समस्या है। अध्ययन संकेत, मॉडल संस्करण, सेटिंग, कोड या शिक्षण विवरण छोड़ सकते हैं; स्वामित्व प्रणालियाँ हस्तक्षेप के दौरान या बाद में भी बदल सकती हैं। ये मुद्दे AIEd अनुसंधान की सीमाएँ में दर्ज हैं।

पुनरुत्पादनीयता के लिए मॉडल के साथ-साथ शिक्षण व्यवस्था का भी वर्णन आवश्यक है: अधिगम कार्य, सामग्री स्रोत, अनुमत क्रियाएँ, इंटरफ़ेस, शिक्षक सहायता, आकलन स्थितियाँ और परिनियोजन के दौरान बदलाव। शोधकर्ताओं को एक विन्यास के पुनरुत्पादन और यह जाँचने—कि उसका शिक्षाशास्त्रीय सिद्धांत किसी अन्य में स्थानांतरित होता है—के बीच अंतर करना चाहिए। प्रभावकारिता अनुसंधान विधियाँ में रिपोर्टिंग चर्चा पारदर्शी विवरणों की इस आवश्यकता को संबोधित करती है।

साक्ष्य संश्लेषण को समान सावधानी की आवश्यकता है। मेटा-विश्लेषण और व्यवस्थित समीक्षा पेज कमज़ोर प्राथमिक अध्ययन, प्रकाशन पूर्वाग्रह, विषम हस्तक्षेप और असंगत परिणामों को समुच्चित निष्कर्षों पर सीमाओं के रूप में उजागर करता है।

एक एकल औसत “AI प्रभाव” शिक्षकों के सबसे अधिक आवश्यक भेदों को छिपा सकता है। समीक्षाओं को सहायता-प्राप्त प्रदर्शन को स्वतंत्र अधिगम से अलग करना चाहिए, हस्तक्षेप प्रकारों और तुलना स्थितियों में अंतर करना चाहिए, और कोडिंग तथा विश्लेषणात्मक निर्णयों को ऑडिट-योग्य बनाना चाहिए। शून्य खोजें, विफल क्रियान्वयन और सीमा स्थितियाँ इस संचयी साक्ष्य-आधार के लिए आवश्यक योगदान हैं।

संश्लेषण साहित्य स्वयं एक अंतराल है। O'Neill (2026) का फोरेंसिक ऑडिट 14 उच्च-प्रभाव वाले मेटा-विश्लेषणों में से कोई भी अपने दावों के लिए वैध आधार नहीं देता: कोई सुसंगत निर्माण नहीं (एक उपकरण को एकल हस्तक्षेप माना गया और बहुआयामी परिणाम समुच्चित किए गए), सभी 14 में अमान्य प्रकाशन-पूर्वाग्रह आकलन, हर उस विश्लेषण में सूचना बदे 77.2% और 94.4% के बीच रिपोर्ट किया गया I² (13 में से 12 में 80% से ऊपर), और यादृच्छिक जाँचे गए प्राथमिक अध्ययनों में से 61% पर वैधता चिंताएँ। उन 14 विश्लेषणों ने लगभग 16 महीनों में 2,000 से अधिक उद्धरण एकत्र किए थे, और एक वापस लिया गया मेटा-विश्लेषण अभी भी वापस-लेने के बाद के 60% उद्धृत करने वाले प्रबंधों में आधिकारिक माना जा रहा था, बिना वापस-लेने को स्वीकार किए। आलोचनात्मक रहित अपनाना केवल वापस लिए गए कार्य तक सीमित नहीं है: किसी दूसरे ऑडिट किए गए मेटा-विश्लेषण का उद्धरण करने वाले 14 प्रबंधों के नमूने में, जिसका सारांश "AI शिक्षा" के एक बड़े प्रभाव का विज्ञापन करता था जो वास्तव में विद्यार्थियों को AI के बारे में सिखाने का मापन करता था, केवल 2 ने उचित रूप से उद्धृत किया जबकि 8 ने इसे AI को एकीकृत करने से अधिगम सुधरता है का साक्ष्य पढ़ा और 4 अन्य तरीकों से गलत थे। ऑडिट की सिफ़ारिशें सीधे उस शृंखला को लक्षित करती हैं, पत्रिकाओं से मेटा-विश्लेषण के लिए पूर्ण डेटा पारदर्शिता (खोज प्रोटोकॉल, कोडित अध्ययन विशेषताएँ, निकाली गई सांख्यिकी और विश्लेषणात्मक कोड) की माँग करने को कहती हैं, संपादकों से कहती हैं कि वे प्रकाशन रिकॉर्ड को समीक्षा दक्षता के प्रमाण के रूप में न मानें, और कहती हैं कि वापस-लेने को वहाँ दृश्यमान बनाया जाए जहाँ कोई लेख खोजा, निर्यात या उद्धृत जाता है। इसलिए पुनरुत्पादनीयता केवल व्यक्तिगत अध्ययनों के नहीं, बल्कि संश्लेषण शृंखला की अखंडता को भी कवर करती है।

जो शिक्षक इन चिंताओं का कक्षा-स्तरीय संस्करण चाहते हैं—कौन-से माप और तुलना डिज़ाइन उपयोग करने हैं—वे एक शिक्षक AI-संबंधी हस्तक्षेपों का मूल्यांकन करने के लिए कौन-से उपाय और अनुसंधान विधियाँ उपयोग कर सकता है? में विधि मार्गदर्शन का पालन कर सकते हैं।

समग्र निष्कर्ष

केंद्रीय अनुसंधान आवश्यकता केवल अधिक अध्ययन दिखाना नहीं है कि विद्यार्थियों को AI पसंद है, शिक्षक समय बचाते हैं, या AI-समर्थित कार्य को अधिक स्कोर मिलते हैं। यह मज़बूत साक्ष्य है जो इसका उत्तर देता है:

कौन-सा शैक्षणिक डिज़ाइन, किन विद्यार्थियों के लिए, किन संदर्भों में, किस तंत्र के माध्यम से, किन टिकाऊ मानव क्षमताओं का उत्पादन करता है—और लाभों, लागतों और हानियों का क्या वितरण है?

उस प्रश्न का उत्तर देने के लिए पूरक विधियों की आवश्यकता है: सुस्पष्ट प्रयोग, अनुदैर्ध्य अनुवर्तन, सत्यापित आकलन, गुणात्मक और डिज़ाइन-आधारित जाँच, समानता-केंद्रित नमूना, और पारदर्शी संश्लेषण। लक्ष्य एक ऐसा साक्ष्य-आधार है जो न केवल यह समझाए कि किसी हस्तक्षेप ने काम किया, बल्कि यह भी कि उसने क्यों काम किया, वह कहाँ विफल हो सकता है, और शिक्षक किसे ज़िम्मेदारी से किसी अन्य परिस्थिति में ले जा सकते हैं।