मैं छात्रों को AI आउटपुट सत्यापित करना कैसे सिखाऊँ?

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

आपने उन्हें चेतावनी दी है। चैटबॉट सर्च इंजन नहीं है, स्रोत जाँचें, इसका उत्तरदायी ढंग से उपयोग करें — और फिर भी बनावट संदर्भ और आत्मविश्वास से कहे गए गलत उत्तर बार-बार जमा की गई प्रस्तुतियों में आते रहते हैं। ये चेतावनियाँ इसलिए विफल होती हैं क्योंकि ये एक स्वभाव माँगती हैं। सतर्क छात्रों में वह स्वभाव होता है, जल्दबाज़ी वालों में नहीं, और रात्रि 11 बजे, जब स्क्रीन पर एक बिल्कुल सही पढ़ने वाला आउटपुट हो, उस वाक्य में कुछ भी ऐसा नहीं होता जिस पर छात्र कार्रवाई कर सके।

यहाँ एकत्र किया गया शोध कहता है कि यह ढाँचा सिखाने या अंक लगाने के लिए बहुत मोटा है। जाँचना विश्लेषणात्मक रूप से अलग-अलग क्रियाओं का एक समूह है, और "उत्तरदायी उपयोग" का व्यापक सूचक शब्द उस छात्र के बीच का अंतर छिपा देता है जिसने जाँच का प्रयास किया और उस छात्र के बीच जिसने यह निर्णय किया कि आउटपुट सही था या नहीं। मूल बात: सत्यापन उस क्षण सिखाने योग्य हो जाता है जब आप इसे एक स्वभाव मानना बंद करके एक अनुक्रम मानना शुरू करते हैं — जाँच से पहले निर्धारित एक मानक, एक रिकॉर्ड उत्पन्न करने वाली जाँच, और एक निर्णय जिसे छात्र को डोमेन आधार पर बचाव में समझाना होगा। यह एक डिज़ाइन समस्या है जिसे आप इस सप्ताह हल कर सकते हैं — और एक अंकन समस्या जिसे आप उन सामग्रियों से हल कर सकते हैं जो असाइनमेंट पहले से ही उत्पन्न करता है।

यह पेज स्वयं सत्यापन की यांत्रिकी पर चर्चा करता है। छात्रों को इन प्रणालियों के काम करने के बारे में क्या समझना चाहिए, और वह समझ किस प्रकार परिभाषित, क्रमबद्ध और आंकी जाती है, इसके लिए मैं अपने पाठ्यक्रम में AI साक्षरता को कैसे शामिल करूँ? और उच्च शिक्षा में एआई साक्षरता हस्तक्षेपों पर क्या प्रमाण हैं? देखें। एक छात्र बड़े भाषा मॉडल के बारे में बहुत कुछ जान सकता है और कुछ भी सत्यापित नहीं कर सकता।

सत्यापन को छात्र से वास्तव में क्या चाहिए

वेई और शांग (2026) सात लक्ष्यों को अलग करते हैं जिन्हें "महत्वपूर्ण AI उपयोग" आमतौर पर एक ही में समेट देता है: संज्ञानात्मक मूल्यांकन, सत्यापन आरंभ, प्रक्रिया गुणवत्ता, सत्यापन सफलता, निर्भरता निर्णय, तात्कालिक कार्य प्रदर्शन, और स्वतंत्र सीखना। आपका पाठ्यक्रम रूब्रिक "स्रोत जाँचे गए" कहता है, जो दूसरे चरण पर स्थित है और यह नहीं बताता कि जाँच सक्षम थी या नहीं (प्रक्रिया गुणवत्ता) या उसने कुछ बदला या नहीं (सफलता, फिर निर्भरता निर्णय)। आरंभ सफलता नहीं है: एक मज़बूत प्रक्रिया अनिर्णित समाप्त हो सकती है, एक कमज़ोर प्रक्रिया सही उत्तर पर पहुँच सकती है, और एक छात्र जिसने खोज की और उलझा रहा, उस छात्र के समान अंक पाता है जिसने प्रश्न हल कर लिया।

दूसरा अंतर भरोसा और निर्भरता के बीच है। वही समीक्षा निर्भरता अंशकलन को AI आउटपुट की वास्तविक गुणवत्ता के संदर्भ में यह निर्णय करने के रूप में परिभाषित करती है कि एक निर्भरता निर्णय उचित था या नहीं — यह एक आउटपुट-निर्भर वर्गीकरण है, समयरेखा पर कोई चरण नहीं और विश्वास पैमाने पर कोई स्कोर नहीं। एक ऑडिट की गई अध्ययन में पाया गया कि झूठी ChatGPT जानकारी ने प्रतिभागियों के रिपोर्ट किए गए विश्वास को बदला, लेकिन यह कभी दर्ज नहीं किया कि बाद में उन्होंने किसी विशिष्ट सिफ़ारिश को स्वीकार किया या अस्वीकार किया। एक अन्य अध्ययन ने 78 अनुवाद छात्रों पर ChatGPT प्रतिपुष्टि के संदर्भ में स्वीकार और अस्वीकार निर्णय दर्ज किए, लेकिन स्वतंत्र विशेषज्ञ मूल्यांकन के बिना किसी स्वीकृति को उचित कहा नहीं जा सकता, न किसी अस्वीकृति को उचित ठहराया जा सकता। जब तक आउटपुट की गुणवत्ता के बारे में सत्य का कोई आधार न हो, तब तक निर्भरता को बिल्कुल वर्गीकृत नहीं किया जा सकता — जो बताता है कि प्रत्येक सत्यापन कार्य को क्या चाहिए: एक बचाव योग्य उत्तर-कुंजी।

यही कारण है कि जैदका और काई (2026) अंशकलन-विफलता को छात्र की कमी के बजाय एक डिज़ाइन समस्या मानते हैं। उनकी विश्लेषण-व्यवस्था सत्यापित करने की क्षमता को सत्यापित करने की प्रेरणा के साथ पार करती है, और इन प्रोफ़ाइलों के लिए अलग-अलग उपचार चाहिए: उच्च-क्षमता, निम्न-प्रेरणा उपयोगकर्ता आत्मसंतुष्ट अति-विश्वास की चपेट में आता है, जबकि निम्न-क्षमता, निम्न-प्रेरणा उपयोगकर्ता सबसे अधिक असुरक्षित है — अतः एक ही जाँच में असफल दो छात्रों को विपरीत उपचारों की आवश्यकता हो सकती है।

इसे कैसे सिखाएँ

वेई और शांग का संश्लेषण Web of Science Core खोजों से प्राप्त 493 पुनरावृत्ति-मुक्त रिकॉर्ड्स पर आधारित था और उसने 14 प्राथमिक अनुभवजन्य अध्ययनों को सत्यापन, निर्भरता और परिणाम स्तंभों पर मैप किया। इसका रचनात्मक परिणाम वह अनुक्रम है जिसके चारों ओर कार्यों का निर्माण करना चाहिए। पहले आउटपुट गुणवत्ता का निर्णय लें, फिर दर्ज करें कि सत्यापन आरंभ हुआ या नहीं, प्रक्रिया गुणवत्ता को कोड करें, स्कोर करें कि वह सफल रही या नहीं, स्वीकृत–संशोधित–अस्वीकृत निर्णय दर्ज करें, और उस निर्णय का मूल्यांकन निर्णयित गुणवत्ता के सापेक्ष करें। यहाँ एक चेतावनी भी रखनी चाहिए: जो हस्तक्षेप अनुचित स्वीकृति को घटाते हैं, उन्हें सही सहायता की अनपेक्षित अस्वीकृति के लिए भी जाँचा जाना चाहिए, अतः छात्र के लिए एक बताए गए कारण के साथ अच्छे आउटपुट को स्वीकारने की जगह रखें।

आउटपुट से पहले पूर्वानुमान लगाएँ, फिर तुलना करें। गूसोपोलोस (2026) निर्माण कार्यों के लिए एक मापन कार्यक्रम चलाने से पहले पूर्वानुमान लगाएँ के चारों ओर बनाता है: शिक्षार्थी यह बताता है कि क्या होना चाहिए, फिर कलात्मक निर्माण के व्यवहार का मूल्यांकन उस पूर्वानुमान के सापेक्ष डोमेन आधार पर किया जाता है, न कि यह देखकर कि वह चल पड़ा या नहीं। 24 अध्ययनों के उसके ऑडिट में पाया गया कि एक ही उपकरण अलग-अलग कार्य संरचनाओं के तहत विपरीत परिणाम देता है: एक पारंपरिक ChatGPT सेटअप उपलब्धि, स्व-प्रभावशीलता और फ्लो में उल्लेखनीय रूप से कमज़ोर रहा, जबकि एक शर्त जिसमें सत्यापन आवश्यकताएँ और त्रुटि-चिंतन मॉड्यूल जोड़े गए, उसने मज़बूत उच्च-स्तरीय सोच दिखाई। चूँकि पूर्वानुमान आउटपुट से पहले आता है, तर्क रिकॉर्ड पर होता है — और रिकॉर्ड ही वह चीज़ है जिसे आप अंकित करते हैं।

रिकॉर्ड के विरुद्ध स्रोत जाँच की माँग करें, एक नामित लक्ष्य के साथ। डेनी एट अल. (2026) ने 2021 के बाद प्रकाशित 5,225 कंप्यूटिंग शिक्षा शोधपत्रों से 113,588 संदर्भों का पता लगाया और 828 संदिग्ध रिकॉर्ड्स को मैन्युअल रूप से सत्यापित किया, और पाया कि 14 शोधपत्रों में 30 में पुष्टि योग्य रूप से बनावट ग्रंथ सूचना थी, सभी 2025 और 2026 की। तेरह पूरी तरह बनावट थीं; शेष 17 में एक वास्तविक शीर्षक को बनावट या गलत लेखकत्व, स्थान या वर्ष के साथ जोड़ा गया था। SIGCSE तकनीकी सिम्पोज़ियम पर संख्या 2025 कार्यवृत्त में 3 से बढ़कर 2026 में 17 हो गई, यानी 2026 कार्यवृत्त के शोधपत्रों का 2.3%। लेखक फ़ील्ड किसी भी अन्य हिस्से की तुलना में अधिक बार विफल होती है, अतः "स्रोत खोलें और लेखक सूची पढ़ें" उस फ़ील्ड को निशाना बनाता है जो सबसे अधिक संभावना से गलत हो। छात्रों से "स्रोत वास्तविक हैं यह सुनिश्चित करें" न कहें; उनसे कहें कि उन्हें लेखक, स्थान और वर्ष को रिकॉर्ड के सापेक्ष ही पुष्टि करना है। शोधपत्र यह माँग करता है कि हर उद्धृत कृति को सत्यापित किया जाए और कोई भी जाँचने वाला ह्यूमन-इन-द-लूप रहे — वही अभ्यास जिसे संदर्भ-सत्यापन आवश्यकता अभ्यास बनाती है।

सावधानी ही नहीं, विवेक सिखाएँ। गूसोपोलोस सत्यापन को दो स्वतंत्र मापदंडों वाली एक संकेत-पहचान समस्या के रूप में औपचारिक रूप देता है: संवेदनशीलता, सही आउटपुट को त्रुटिपूर्ण आउटपुट से अलग करने की क्षमता, और कसौटी, जहाँ शिक्षार्थी अस्वीकृति की सीमा निर्धारित करता है। अति-निर्भरता उसी अनुसार विभाजित होती है — चेतावनियाँ, जाँच-सूचियाँ और मतिभ्रम प्रॉम्प्ट कसौटी को बदलते हैं, यानी यह बदलते हैं कि एक छात्र कब अस्वीकार करता है, जबकि डोमेन शिक्षण, कार्यपूर्ण तुलनाएँ और बोए गए त्रुटि अभ्यास संवेदनशीलता बढ़ाते हैं, क्योंकि तब शिक्षार्थी बता सकता है। पूर्वापेक्षा इससे निकलती है: सत्यापन शिक्षण केवल वहाँ शिक्षाप्रद है जहाँ संवेदनशीलता शून्य से अधिक हो सकती है, जिसके लिए सही और गलत आउटपुट को अलग करने के लिए पर्याप्त डोमेन ज्ञान आवश्यक है। उसी ऑडिट में, बड़े भाषा मॉडल (LLMs)-जनित कोड समझाने के लिए कहे गए नौसिखियों ने लगभग एक-तिहाई कार्यों में सफलता पाई, यही कारण है कि AI फीडबैक या कोड का मूल्यांकन स्वयं के तर्क के विरुद्ध करना केवल वहाँ वास्तविक जाँच है जहाँ उस तर्क में पूर्णता हो। यदि आपके छात्र अभी सहायता के बिना डोमेन सोच नहीं कर सकते, तो अधिक चेतावनियाँ आपके लिए कुछ नहीं खरीदतीं; पहले विषय-वस्तु सिखाएँ और जाँच को उससे जोड़ें।

कार्य से ठीक पहले पूर्व-चेतावनी दें। वू, कमिंग्स और पार्क (2026) ने 100 अमेरिका-स्थित छात्रों — 40 देशी और 60 अंतर्राष्ट्रीय EFL — को दो कार्यों से ठीक पहले एक सामान्य टीकाकरण (पूर्व-चेतावनी) संदेश दिखाया। टीकाकृत छात्र शैक्षणिक-स्रोत-सारांश कार्य को सत्यापित करने में उल्लेखनीय रूप से अधिक संभावित थे (M = 0.34 बनाम 0.18), जबकि स्व-रिपोर्ट किए गए सत्यापन इरादे नहीं बदले। दो पाठ हैं: उपयोग के क्षण पर एक छुर्त चेतावनी व्यक्त किए गए व्यवहार को बदलती है, और प्रभाव कार्य-निर्भर था — स्रोत-सारांश कार्य के लिए प्रकट हुआ लेकिन घातांक और बड़ी संख्या गुणन पर गणित प्रश्नोत्तरी के लिए एकसमान रूप से नहीं।

संशोधन की लागत को कुछ महत्वपूर्ण बनाएँ। एक त्रुटि-संशोधन प्रतिमान में, जिसकी समीक्षा ने समीक्षा की, संशोधन के दौरान किया गया प्रयास सीखने के लिए महत्वपूर्ण था; सरल उत्तर प्रतिस्थापन से समान लाभ मिलना संभावना नहीं है। छात्र से एक चरण को पुनरुत्पादित करने, एक अनुच्छेद को फिर लिखने, या यह बताने की माँग करना कि आउटपुट गलत क्यों है, एक जाँच को कार्य में बदल देता है। वेनेत्सानोस (2026) उस सीमा निर्धारित करता है जिसे यांत्रिक रूप से जाँचा जा सकता है: प्रलेखित मापदंड, व्याख्यात्मक निर्णय के बिना स्थापित ज्ञान के सापेक्ष तुलना, और एक ही सही उत्तर या पूर्व-निर्दिष्ट स्वीकार्य विकल्प। जो कुछ व्याख्यात्मक है वह उस सीमा पर विफल होता है, अतः यांत्रिक स्तर — तिथियाँ, सूत्र, संदर्भ, गणनाएँ — को निर्णय स्तर से अलग करें, जहाँ छात्र का अपना पठन ही जाँच का साधन है।

छात्रों की पुलिसिंग किए बिना इसे कैसे आंकें

गूसोपोलोस परिणाम सीधे निकालता है: यदि AI कलात्मक निर्माण उत्पन्न कर सकता है, तो कलात्मक निर्माण मूल्यांकन नहीं हो सकता, अतः मूल्यांकन विनिर्देश, सत्यापन तर्क और व्याख्या पर स्थानांतरित हो जाता है। इसकी मॉडल लेखकत्व संकल्पना के चार पहलू हैं — विनिर्देश, वैचारिक मॉडल, सत्यापन, व्याख्या — सौंपे से लेखित तक चार क्रमबद्ध स्तरों पर, जहाँ लेखित स्तर के लिए पहले प्रॉम्प्ट से पूर्व एक सत्यापन योग्य विनिर्देश, एक बताए गए कारण के साथ डोमेन आधार पर आउटपुट का अस्वीकार, और कलात्मक निर्माण के अपने स्वयं-रिपोर्ट से परे व्याख्या आवश्यक है। चूँकि रूब्रिक को उन सामग्रियों से स्कोर किया जाता है जो एक निर्माण कार्य पहले से उत्पन्न करता है, वही उपकरण रचनात्मक मूल्यांकन और एक शोध माप दोनों के रूप में काम करता है। व्यर्थ काम की चिंता का यही उत्तर है: आप कोई असाइनमेंट नहीं जोड़ रहे, आप एक उप-उत्पाद को अंकित कर रहे हैं।

तीन निर्णय इसे निगरानी बनने से बचाते हैं। पहला, जाँच को प्रयास के बजाय निर्णायित गुणवत्ता के विरुद्ध अंकित करें — अन्यथा आप जाँच-नाटक करने के लिए प्रोत्साहन बना रहे हैं। दूसरा, उत्पत्ति बताएँ, जैसा वेनेत्सानोस माँगता है: छात्रों को यह समझना चाहिए कि उन्हें जो फीडबैक मिलता है उसकी उत्पत्ति, स्वरूप और सीमाएँ क्या हैं — कौन-से हिस्से मशीन-सत्यापित थे, कौन-से मूल्यांकनात्मक रूप से निर्णयित, और मानवीय निर्णय की प्रधानता क्या है — क्योंकि छात्र उस फीडबैक को तोल ही नहीं सकते जिसे वे स्थान दे नहीं पाते। तीसरा, प्रवर्तन को पहचान उपकरणों से दूर रखें। बैसेट एट अल. (2026) तर्क देते हैं कि AI पहचान का उपयोग शिक्षा में बिल्कुल नहीं होना चाहिए: इसके आकलन संभाव्यत्मक हैं और उन्हें स्वतंत्र रूप से सत्यापित नहीं किया जा सकता क्योंकि वास्तविक पाठ की उत्पत्ति अज्ञात है; इसके स्कोर संभावना-संतुलन मानक को पूरा नहीं करते जो अखंडता जाँच-पड़ताल को आवश्यक है; और मानव बनाम AI का द्विभाजन उस काम के लिए अर्थहीन है जो AI के सहारे बनाया गया है, AI के द्वारा नहीं। उनका निष्कर्ष है कि पहचान "शैक्षणिक अखंडता की रक्षा नहीं करती; उसे कमज़ोर करती है" — निगरानी व्यवस्थाएँ संदेह को बढ़ाती हैं और छात्र भरोसा को कमज़ोर करती हैं। पहचान के दो अर्थों को अलग रखें: AI-जनित पाठ का पता लगाना का यहाँ कोई बचाव योग्य साक्ष्यात्मक भूमिका नहीं है, जबकि छात्रों को AI आउटपुट में त्रुटियों का पता लगाना सिखाना इस अभ्यास का बिंदु है।

यह अलगाव वास्तुशिल्प का है, और छात्रों को बताने लायक है: ली, झांग और बोटेल्हो (2026) आउटपुट की जाँच एक दूसरे मॉडल से कराते हैं, न कि जाँच को जनरेटर में ही अंतर्निहित करते हैं — और जो छात्र यह कारण देखता है, वह यह भी देख सकता है कि "उपकरण ने कहा कि यह सही है" कोई सत्यापन तर्क नहीं है।

छात्र जाँच क्यों छोड़ देते हैं

अंशकलन। जैदका और काई की विश्लेषण-व्यवस्था उच्च-क्षमता, निम्न-प्रेरणा छात्र को आत्मसंतुष्ट अति-विश्वास के जोखिम में रखती है जबकि निम्न-क्षमता, निम्न-प्रेरणा छात्र सबसे अधिक असुरक्षित है। समीक्षा की गई साहित्य यही विभाजन छोटे पैमाने पर दिखाती है: एक डिज़ाइन जो लगभग आधी बार सही सलाह देता था, जहाँ छात्रों का उससे दिया भार पूर्व ज्ञान के साथ बदलता था। अंशकलन विफलताएँ उपदेश से ठीक नहीं होतीं: छात्र का अपना विश्वास संकेत ही वह है जो अंशकलित होता है।

धाराप्रवाहता। जो आउटपुट अच्छा पढ़ी दिखता है उसे सही माना जाता है। बड़े भाषा मॉडल (LLMs)-जनित कोड समझाने के लिए कहे गए नौसिखियों ने लगभग एक-तिहाई कार्यों में सफलता पाई, और छात्र–ChatGPT प्रश्नोत्तरी संवादों के एक क्षेत्र अध्ययन में पाया गया कि सही मार्गदर्शन का पालन करने पर भी गलत उत्तर आया। जब संवेदनशीलता लगभग शून्य होती है, जाँच छोड़ने से छात्र को कोई ऐसी हानि नहीं होती जिसे वह अनुभव कर सके — विफलता तब तक अदृश्य रहती है जब तक उसे अंक नहीं लगते।

सामाजिक प्रमाण और इरादा। छात्र रिपोर्ट करते हैं कि वे सत्यापित करने का इरादा रखते हैं, और वह रिपोर्ट निरर्थक है: वू, कमिंग्स और पार्क के अध्ययन में स्व-रिपोर्ट किए गए सत्यापन इरादे नहीं बदले जबकि व्यक्त किया गया व्यवहार बदला (M = 0.34 बनाम 0.18)। इरादे को अंकित न करें। मानक-आधारित अपील भी विश्वसनीय विकल्प नहीं हैं — संदेश-आधारित मानक नुड्ज ने जैदका और काई द्वारा रिपोर्ट किए गए एक प्रत्यक्ष टूर्नामेंट में कोई उल्लेखनीय प्रभाव नहीं दिखाया। समय-दबाव जाँच छोड़ने का एक प्रलेखित कारण है, और एक पाठ्यक्रम जो सत्यापन को अनिर्धारित छोड़ता है यह कहता है कि वह वैकल्पिक है।

तीन आपत्तियाँ

"वे सिर्फ अंक के लिए कर सकते हैं।" आंशिक रूप से सच — अतः उन सामग्रियों को अंकित करें जो AI छात्र की ओर से उत्पन्न नहीं कर सकता। पहले प्रॉम्प्ट से पूर्व लिखा गया एक विनिर्देश, कलात्मक निर्माण चलाने से पहले दर्ज किया गया एक पूर्वानुमान, रिकॉर्ड के विरुद्ध जाँची गई एक स्रोत सूची, अस्वीकृति के लिए बताया गया एक डोमेन कारण: इनमें से प्रत्येक के लिए छात्र को ऐसी स्थिति धारण करनी होती है जो जनरेटर नहीं दे सकता। लेखित स्तर पर गूसोपोलोस यह माँग करता है कि आउटपुट का अस्वीकार डोमेन आधार पर एक बताए गए कारण के साथ हो — एक बनावट कारण बनावट संदर्भ की तरह ही दिखता है। अवशिष्ट जोखिम संवेदनशीलता सीमा से सीमित है: जहाँ छात्र के पास जाँचने के लिए कोई डोमेन ज्ञान नहीं है, वहाँ सत्यापन नाटक है, और कोई रूब्रिक उसे नहीं बचाता। यह पहले डोमेन सिखाने का तर्क है, जाँच छोड़ने का नहीं।

"पाठ्यक्रम में समय नहीं है।" पूर्व-चेतावनी कार्य से ठीक पहले एक संदेश है; बोया गया त्रुटि कार्य बीस मदों वाला है, जिनमें आठ में डोमेन-स्तरीय त्रुटि है, और यह बताता है कि छात्र बिलकुल भेद कर सकते हैं या नहीं; और रूब्रिक उन सामग्रियों पर चलता है जो कार्य पहले से उत्पन्न करता है, अतः इसकी लागत उस प्रमाण पर अंकन का समय है जो अन्यथा आपके पास नहीं होता, कोई नया असाइनमेंट नहीं। समय विकल्प में जाता है: असत्यापित प्रस्तुतियाँ, बनावट संदर्भ, और उसके बाद की अखंडता बातचीत। बाधा फिर भी वास्तविक है — समय-दबाव जाँच छोड़ने का एक प्रलेखित कारण है, अतः जो सत्यापन कार्य में निर्धारित नहीं है वह नहीं होगा।

"उपकरण आमतौर पर सही होता है।" तो जाँच सस्ती है और अपवाद ही बिंदु हैं। संदर्भों पर रिकॉर्ड आश्वस्त करने वाला नहीं है: 14 शोधपत्रों में 30 पुष्टि योग्य रूप से बनावट वस्तुएँ, सभी 2025 और 2026 की, जिनमें 17 में एक वास्तविक शीर्षक को बनावट या गलत लेखकत्व, स्थान या वर्ष के साथ जोड़ा गया, 13 पूरी तरह बनावट, और 2025 SIGCSE कार्यवृत्त में 3 से 2026 में 17 की उछाल, यानी 2026 कार्यवृत्त के शोधपत्रों का 2.3%। जिन हिस्सों पर संयोगवश आपका ध्यान गया उन पर शुद्धता से यह कुछ नहीं बतता जो हिस्से आपके ध्यान में नहीं आए — लेखक फ़ील्ड किसी भी अन्य हिस्से की तुलना में अधिक बार विफल होती है। और एक स्वीकृत उत्तर तब भी गलत हो सकता है जब मार्गदर्शन सही था: छात्र–ChatGPT प्रश्नोत्तरी संवादों के क्षेत्र अध्ययन ने ठीक यही दर्ज किया। सत्यापन सिखाने का कारण यह नहीं है कि उपकरण आमतौर पर गलत होता है, बल्कि यह है कि छात्र नहीं बता सकता कि वह किस स्थिति में है — ठीक वही कौशल जिसे आपका पाठ्यक्रम बनाने के लिए मौजूद है।

क्या अज्ञात बचा है

• क्या कोई हस्तक्षेप सत्यापन सफलता और उसके बाद के निर्भरता निर्णय में सुधार करता है, निर्णायित आउटपुट गुणवत्ता के विरुद्ध निर्णयित: वेई और शांग के 14 प्राथमिक मामलों में से किसी अध्ययन ने दोनों को मापा नहीं, और कुछ ने तात्कालिक प्रदर्शन के बाद विलंबित अनुस्मृति या अंतरण का अनुसरण नहीं किया।
• क्या घटक उस क्रम में संबंधित हैं जो नक्शा बताता है। सात लक्ष्य एक विश्लेषणात्मक क्रमबद्धता हैं, कोई मान्यकृत कारणात्मक मॉडल नहीं।
• क्या डिज़ाइन प्रस्ताव काम करते हैं। जैदका और काई के आठ प्रस्ताव अपरीक्षित पूर्वानुमान हैं, और संदेश-आधारित मानक नुड्ज ने उनके रिपोर्ट किए एक प्रत्यक्ष टूर्नामेंट में कोई उल्लेखनीय प्रभाव नहीं दिखाया।
• क्या फीडबैक में अंतर्निहित जाँच स्व-सत्यापन आदतें विकसित करती है या बाहरी मान्यता पर निर्भरता, जो वेनेत्सानोस उठाता है और खुला छोड़ता है।
• क्या सत्यापन शिक्षण डोमेन-ज्ञान सीमा से नीचे काम करता है। गूसोपोलोस पूर्वानुमान लगाता है कि नहीं, और बताता है कि कुछ डोमेन एक बाह्य मापदंड उपलब्ध कराते हैं — भौतिकी, रसायन, पारिस्थितिकी, महामारी विज्ञान — जबकि इतिहास, साहित्य और नैतिकता बड़े पैमाने पर नहीं।

इस सप्ताह क्या करें

• जाँच से पहले मानक निर्धारित करें। निर्णय लें कि कार्य के लिए निर्णायित सत्य का क्या अर्थ है, ताकि जाँच के पास कुछ हो जिसके विरुद्ध निर्णय लिया जाए।
• पहले पूर्वानुमान माँगें। छात्रों को लिखित रूप में यह प्रतिबद्ध कराएँ कि क्या होना चाहिए, फिर आउटपुट की तुलना धाराप्रवाहता के बजाय डोमेन आधार पर करें।
• नामित लक्ष्य के साथ संदर्भ सत्यापन की माँग करें। लेखक सूचियाँ किसी उत्पन्न संदर्भ का सबसे कम विश्वसनीय हिस्सा हैं; छात्रों को रिकॉर्ड खोलकर लेखक, स्थान और वर्ष की पुष्टि कराएँ।
• संवेदनशीलता और कसौटी का अलग-अलग निदान करें। एक छात्र जो त्रुटिपूर्ण आउटपुट स्वीकारता है क्योंकि वह बता नहीं सकता उसे डोमेन अभ्यास चाहिए; जो बता सकता है और फिर भी स्वीकारता है उसकी सीमा बदलनी होगी।
• जाँच को अंकित करें, केवल कलात्मक निर्माण को नहीं। विनिर्देश, पूर्वानुमान रिकॉर्ड, सत्यापन लॉग, स्रोत जाँच और अस्वीकृति के बताए गए कारणों को स्कोर करें।
• उत्पत्ति बताएँ। छात्रों को बताएँ कि कौन-सा फीडबैक मशीन-सत्यापित था और कौन-सा किसी व्यक्ति ने निर्णयित किया।
• प्रवर्तन को पहचान उपकरणों से दूर रखें, और सत्यापन को निर्धारित करें। समय-दबाव जाँच छोड़ने का एक प्रलेखित कारण है।
• बोया गया त्रुटि कार्य चलाएँ। बीस मदे, जिनमें आठ में डोमेन-स्तरीय त्रुटि, बताते हैं कि छात्र बिलकुल भेद कर सकते हैं या नहीं।
• चेतावनी उपयोग के क्षण पर कहें। प्रति कार्य प्रकार पूर्व-चेतावनी दें, प्रति पाठ्यक्रम एक बार नहीं।

आस-पास के काम के लिए, पाठ्यक्रम में AI साक्षरता को कैसे शामिल करें और AI साक्षरता के प्रमाण क्या दिखाते हैं देखें — वे दो पेज जो उस समझ का निर्माण करते हैं जिसे यह पेज काम में लगाता है।