अवधारणाएँ अक्सर पूछे जाने वाले प्रश्न खोजें

इस पृष्ठ पर

AIEd शिक्षा अनुसंधान साप्ताहिक अपडेट #231 अक्टूबर 2026

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

शिक्षा में AI ज्ञानकोश की ओर से एक साप्ताहिक संक्षेप, इस पर कि पिछले सप्ताह प्रकाशित शोध शिक्षकों, डेवलपर्स, शोधकर्ताओं और प्रशासकों के लिए क्या मायने रखता है।

पिछले अंक के बाद से ज्ञानकोश में 121 नए अध्ययन, चार नए संसाधन, पाँच नए सामान्य प्रश्न और दो नए अवधारणा पेज जुड़े हैं — ओपन शिक्षा और सांख्यिकी और डेटा विज्ञान शिक्षा पर — और अब इसमें 1,926 लेख सारांश, 222 अवधारणा पेज, 42 सामान्य प्रश्न और 37 संसाधन हैं। जर्नल पेज पिछले सप्ताह जोड़े गए हर अध्ययन को सूचीबद्ध करता है। आप ज्ञानकोश में खोज भी कर सकते हैं या इससे बातचीत करने के लिए AI का उपयोग कर सकते हैं।

मुख्य बातें और प्रश्न

इस सप्ताह के अधिकांश नतीजे उस काम के बारे में हैं जो किसी उत्तर के आसपास होता है, और इस बारे में कि जब उत्तर बहुत तेज़ी से या बहुत आत्मविश्वास के साथ आ जाए तो क्या बदलना चाहिए। दो प्रयोगों ने एक ही तंत्र को अलग-अलग परिवेशों में अलग किया।

317 वयस्कों के साथ एक पूर्व-पंजीकृत परीक्षण ने गहरे प्रसंस्करण वाला एक ही कार्य वर्कशीट के रूप में या एक खुली चैट विंडो के रूप में दिया, और चैट विंडो ने कार्य की अव्यवस्था को 0.84 मानक विचलन तक बढ़ा दिया, जिसे मॉडल में कुछ भी समझा नहीं सका — इसलिए समाधान अनुक्रमण और रोकने के इर्द-गिर्द संरचना है, अधिक सामग्री-सहायता नहीं। एक फ़ोरम अध्ययन में पाया गया कि एक AI शिक्षण सहायक 97% छात्र-शुरू किए गए थ्रेड्स में सबसे पहले उत्तर देता था, माध्यक 0.92 मिनट में, जबकि सहपाठियों के लिए 490, और थ्रेड में स्व-नियमन की भाषा 49% से घटकर 36% हो गई, जो सहायक को हटाने के बजाय पहले उत्तर में देरी करने की ओर इशारा करता है।

क्या घंटों बचाने वाला पाठ सहायक पाठ को भी बेहतर बनाता है? एक यादृच्छिक परीक्षण में दो सौ चार शिक्षक: बचाया गया समय वास्तविक है, बेहतर सामग्री नहीं।
अगर किसी प्रकाशित प्रभाव का आकार 0.86 है, तो क्या आपको अपने पाठ्यक्रम में उसकी योजना बनानी चाहिए? 58 अध्ययनों का एक मेटा-विश्लेषण, जो पूर्वाग्रह सुधार लागू होने पर अपने आकार का दो-तिहाई खो देता है।
क्या पहले से चल रहे किसी असाइनमेंट में AI जोड़ना मेहनत के लायक है? एक ही पाठ्यक्रम के दो वर्ग, 113 छात्र, उन्होंने जो सीखा बताया उसमें कोई अंतर नहीं।
आप कैसे चुनते हैं कि आपके छात्र कौन-सा सहायक इस्तेमाल करें? पूछिए कि जब कोई छात्र ज़ोर दे कि उत्तर गलत है, तब सहायक क्या करता है: तेरह मॉडलों ने सही काम की पुष्टि 46.5% से 98.5% तक की दरों पर की।
क्या छात्रों से यह कहना सुरक्षित है कि चैटबॉट को उनकी भावनाओं की परवाह है? तीन प्रयोग और एक सर्वेक्षण: AI को सहानुभूतिपूर्ण बताने ने ज़िम्मेदारी लोगों से दूर कर दी।
आपके पाठ्यक्रम का चैटबॉट किसी तीसरे पक्ष को क्या भेजता है? 42 प्लेटफ़ॉर्मों पर नेटवर्क कैप्चर, जिनमें 17 शिक्षा एजेंट थे: आधे ने बातचीत के शीर्षक किसी ट्रैकर को भेजे।
जब सहायक पहले उत्तर देता है, तब भी सोच कौन कर रहा है? 28,123 कोडित फ़ोरम वाक्य: स्व-नियमन का अधिकांश भार सहपाठियों के उत्तरों में था, और वे आना बंद हो गए।

नए सामान्य प्रश्न

इस सप्ताह पाँच नए उत्तर आए, जिनमें से हर एक किसी सहकर्मी द्वारा वास्तव में पूछे जाने वाले प्रश्न के लिए लिखा गया है, किसी विषय के लिए नहीं। FAQ सूची को भी उस काम के आधार पर नौ खंडों में फिर से व्यवस्थित किया गया है जिसे आप पूरा करना चाहते हैं, ताकि आप जिस प्रश्न के साथ आते हैं वह इसका नाम जाने बिना भी मिल सके।

क्या मैं छात्रों के काम को निष्पक्ष और भरोसेमंद तरीके से आँकने के लिए AI का उपयोग कर सकता हूँ?

आँकने से जुड़ा उत्तर AI को उस काम पर एक पर्यवेक्षित दूसरे पाठक की जगह देता है जिसे आप पहले ही जाँच चुके हैं, न कि आधिकारिक आँकने वाले की। सहमति मूल्यांकन के प्रकारों के पार नहीं टिकती, और जो जाँच सबसे मज़बूत दिखी वह उत्तर-कुंजी हाथ में लेकर चलाई गई थी, जो वह परीक्षण नहीं है जो आप बिना देखे आँकते समय करते हैं।

मैं कैसे जाँचूँ कि AI से बने क्विज़ और परीक्षा के प्रश्न अच्छे हैं?

प्रश्न-गुणवत्ता संबंधी उत्तर पहले हर प्रश्न को स्वयं हल करने से शुरू होता है और फिर यह पूछने से कि वह छात्र से क्या करने की अपेक्षा रखता है, क्योंकि उत्तर-कुंजियाँ और कार्य की माँग शब्दों की तुलना में अधिक बार विफल होती हैं। जिस बने हुए प्रश्न का किसी ने उत्तर नहीं दिया, वह एक उम्मीदवार है, मूल्यांकन नहीं।

AI बहुभाषी शिक्षार्थियों को उनकी आवाज़ मिटाए बिना कैसे सहारा दे सकता है?

बहुभाषी शिक्षार्थियों से जुड़ा उत्तर आपसे यह तय करने को कहता है कि कार्य में भाषा क्या काम कर रही है, इससे पहले कि आप तय करें कि उपकरण क्या कर सकता है। जहाँ भाषा गौण है, वहाँ AI ऐसी बाधा हटा सकता है जिसका आपके निर्माण-लक्ष्य से कोई संबंध नहीं; जहाँ भाषा ही निर्माण-लक्ष्य है, वहाँ वही उपकरण छात्र की जगह असाइनमेंट कर देता है।

जिन करियरों में AI सामान्य है, उनके लिए छात्रों को क्या सीखना चाहिए?

करियर से जुड़ा उत्तर यह है कि पूरा पेशेवर कार्य सिखाया जाए और सहायता से बने उत्पाद तथा छात्र बिना सहायता क्या कर सकता है, दोनों का मूल्यांकन किया जाए। साक्ष्य विषय-ज्ञान के साथ निर्णय, सत्यापन और स्थानांतरण का समर्थन करते हैं, और उपकरण-कौशलों की किसी सूची का समर्थन नहीं करते।

वैयक्तिकृत अधिगम का वास्तव में क्या अर्थ है, और वह कब मदद करता है?

वैयक्तिकरण से जुड़ा उत्तर उन पाँच चीज़ों को अलग करता है जिन्हें एक ही नाम मिलता है — अभ्यास का क्रम बदलने से लेकर छात्र को यह चुनने देने तक कि आगे क्या पढ़ेगा। मायने यह रखता है कि क्या अनुकूलित होता है, उसे कौन-सा साक्ष्य चलाता है, और क्या वह उस अधिगम को बेहतर बनाता है जिसका आपने इरादा किया था — जिसका एहसास कोई परिचित उदाहरण या उत्तरदायी बातचीत बिना वास्तव में किए भी करा सकती है।

चर्चा में अवधारणाएँ

इस सप्ताह के निष्कर्षों को पाँच अवधारणा पेज ने समाहित किया, जिनमें दो नए हैं। हर एक स्थायी पेज है, एकबारगी सामग्री नहीं, इसलिए नया साक्ष्य उसी के साथ बैठता है जो पेज पहले से कह रहा था।

ओपन शिक्षा

पेज नया है, और यह इसलिए लिखा गया क्योंकि खुले लाइसेंस वाले शिक्षण पर जनरेटिव AI क्या करता है, इस विषय पर एक साथ तेरह अध्ययन आए। इसका तर्क यह है कि जाँचने की चीज़ मॉडल नहीं, लाइसेंस है, और नीचे दिए दो नए संसाधन दोनों ऐसी संस्थाओं का वर्णन करते हैं जो खुली सामग्री को AI से उतनी तेज़ी से अनुकूलित कर रही हैं जितनी तेज़ी से वे यह दर्ज नहीं कर पातीं कि किसने क्या लिखा। OER नीति में AI से जुड़ा कोई खंड लिखने से पहले ओपन शिक्षा पेज पढ़ें।

संज्ञानात्मक ऑफलोडिंग

अब यह उस बात को, जो कोई उपकरण उतार देता है, उस बात से अलग करता है कि छात्र ने उसका कितना उपयोग किया — यही अंतर ऑफलोडिंग सीढ़ी खींचती है और सहानुभूति के प्रयोग ऐसी जगह दिखाते हैं जहाँ ज़्यादातर लोग उसे खोजते नहीं। संज्ञानात्मक ऑफलोडिंग पेज पर 0.84 मानक विचलन वाला नतीजा भी है, क्योंकि पेज के पास यह सबसे साफ़ कारण-संबंधी साक्ष्य है।

मूल्यांकनात्मक निर्णय

इसका नया साक्ष्य इस बारे में है कि किसी निर्णायक से क्या करने को कहा जाता है: आँकने के तरीकों ने दोबारा चलाने की स्थिरता को 2.9% से 15.9% तक बदला, और तेरह मॉडल छात्रों के विरोध के आगे झुक गए, 46.5% से 98.5% तक की दरों पर। मूल्यांकनात्मक निर्णय पेज अब गलत सुधार का विरोध करने को सही उत्तर देने से एक अलग क्षमता मानता है।

AI साक्षरता

दो नतीजों ने इस संकल्पना को संकीर्ण किया: आलोचनात्मक चिंतन छात्रों द्वारा संज्ञानात्मक श्रम को बाँटने और फिर से गढ़ने के तरीके से चला, उपकरणों से परिचय से नहीं, और 16 मूल शोधपत्रों से बने रूब्रिक ने दिखाया कि बहुत कम संसाधन उस योग्यता का नाम लेते हैं जिसे वे बनाने का दावा करते हैं। AI साक्षरता पेज दोनों रखता है, क्योंकि साक्षरता परीक्षण और साक्षरता संसाधन अलग-अलग चीज़ें मापते हैं।

दूसरा नया पेज सांख्यिकी और डेटा विज्ञान शिक्षा है, जिसका पहला तर्क यह है कि इस विषय का AI प्रश्न उत्पाद पर टिका है, क्योंकि डेटासेट, चार्ट और कोड अब इतनी तेज़ी से बनाए जा सकते हैं कि कोई उन्हें उतनी तेज़ी से सत्यापित नहीं कर सकता।

शिक्षकों के लिए

खुली चैट विंडो को रोकने का नियम चाहिए, अधिक सामग्री-सहायता नहीं

किसी गहरे प्रसंस्करण वाले कार्य को खुली चैट विंडो के साथ जोड़ने से छात्रों का कार्य पर से नियंत्रण छूट जाता है, और समाधान अधिक व्याख्या नहीं बल्कि अनुक्रमण और रोकने के इर्द-गिर्द स्कैफ़ोल्डिंग है। 317 वयस्कों के पूर्व-पंजीकृत प्रयोग में चैट वाली स्थिति ने अव्यवस्था को 0.84 मानक विचलन बढ़ाया (विश्वसनीय अंतराल 0.47 से 1.21), जिसका सीधा प्रभाव 0.77 था जिसे मॉडल के किसी मध्यस्थ ने नहीं समझाया, जबकि गहरा प्रसंस्करण किसी भी दिशा में नहीं हिला (माध्यक शून्य से 0.22 कम, अंतराल शून्य को पार करता हुआ)।

एक मिनट से कम में आया पहला उत्तर उन सहपाठियों को हटा देता है जो तर्क कर रहे थे

किसी चर्चा फ़ोरम में सहायक के पहले उत्तर में देरी करें या उसकी सीमा तय करें, क्योंकि जो सहपाठी ज़ोर से तर्क करते हैं वही पोस्ट करना बंद कर देते हैं। चार स्नातकोत्तर पाठ्यक्रमों और 28,123 कोडित वाक्यों में एक AI शिक्षण सहायक 97% छात्र-शुरू किए गए थ्रेड्स में सबसे पहले उत्तर देता था, माध्यक 0.92 मिनट में जबकि सहपाठियों के लिए 490, और स्व-नियमन की भाषा 49% से 36% हो गई क्योंकि सहपाठियों के उत्तर 91% से 45% पर आ गए, जिनमें उस नियमन का लगभग 70% सहपाठियों के उत्तरों में था जबकि थ्रेड खोलने वाले छात्रों में 27%। फ़ोरम में स्व-नियमित अधिगम उत्तरों से बनता है, उत्तर से नहीं।

प्रॉम्प्ट प्रशिक्षण शिक्षकों को समय देता है, बेहतर सामग्री नहीं

शिक्षकों की AI योग्यता पर होने वाले काम को कार्यभार में कमी के हस्तक्षेप के रूप में बजट दें, और यह उम्मीद न रखें कि इससे शिक्षक जो बनाते हैं उसकी गुणवत्ता बढ़ेगी। 204 शिक्षकों के यादृच्छिक परीक्षण में प्रॉम्प्ट लिखने का प्रशिक्षण सादे ChatGPT पहुँच के ऊपर तैयारी के समय में 21% की बचत जोड़ता है, पर आँके गए सामग्री-गुणवत्ता में कोई लाभ नहीं, क्योंकि प्रशिक्षित शिक्षक लंबे प्रॉम्प्ट लिखते थे और उन्हें कम सुधार-चक्र चाहिए थे।

पाठ सहायक पाठों की पतली खुराक पर समय बचाता है

इसे उन घंटों के लिए आज़माएँ जो यह लौटाता है, अभी उन पाठों के लिए नहीं जो यह बनाता है। Oak National Academy के Aila का एक स्वतंत्र क्लस्टर परीक्षण 416 अंग्रेज़ी प्राथमिक शिक्षकों के साथ चला और तैयारी को सप्ताह में 2.51 घंटे मापा, जबकि उपकरण के बिना 3.32 घंटे थी, यानी लगभग 49 मिनट प्रति सप्ताह, जबकि इसने 7% पाठों को कवर किया और गुणवत्ता केवल गैर-निम्नता के लिए परखी गई, सुधार के लिए नहीं।

खुले असाइनमेंट में AI जोड़ना अपने आप में कुछ नहीं जोड़ता

जो ओपन शिक्षा असाइनमेंट आप पहले से चलाते हैं उसे ही निधि दें, उसमें कोई उपकरण जोड़कर साक्षरता-लाभ की प्रतीक्षा करने के बजाय। बाल विकास के एक परिचयात्मक पाठ्यक्रम के दो वर्गों में, 55 छात्र सामान्य रूप से काम कर रहे थे और 58 में जनरेटिव AI खोज उपकरण जोड़े गए थे — दोनों ने स्रोत-कौशल में वही अनुभूत लाभ बताया — पाँच-बिंदु पैमाने पर 0.50 बनाम 0.48 — और अंतःक्रिया पद शून्य के निकट था (F(1, 84) = 0.04, p = 0.85)।

सहायक उस बात से चुनें जो वह तब करता है जब छात्र कहे कि वह गलत है

गलत सुधार का विरोध मॉडलों को सटीकता से कहीं तेज़ी से अलग करता है, इसलिए इसे पहली चीज़ बनाएँ जिसे आप परखते हैं। 200 सत्यापित ट्रस समस्याओं और तेरह मॉडलों में हल करने की सटीकता 64.5% से 97.0% तक रही, यानी 32.5 अंकों का फैलाव, लेकिन यह बताए जाने पर कि सही काम गलत है, मॉडलों ने उसकी पुष्टि 46.5% से 98.5% तक की दरों पर की, यानी 52.0 अंकों का फैलाव, जो उस मूल्यांकनात्मक निर्णय जाँच में शामिल होना चाहिए जो आप किसी रोलआउट से पहले चलाते हैं।

AI-सहायित लेखन को एक विधा के रूप में पढ़ाएँ और अंक ओवरलैप होना बंद कर देते हैं

AI-सहायित लेखन को नियंत्रित करने की चीज़ नहीं, सिखाने की चीज़ मानना लेखन शिक्षा पाठ्यक्रम के भीतर आता है, और इससे जो अंतर खुला वह मामूली नहीं था। उत्तर-परीक्षण माध्य उस वर्ग के लिए 9.8750 थे जिसे इस तरह पढ़ाया गया, जबकि नियंत्रण के लिए 3.8125, और दोनों वितरणों में कोई ओवरलैप नहीं था (Mann-Whitney U = 0.00, r = 0.86)।

डेवलपर्स के लिए

परिदृश्य बनाएँ, ट्यूटर का व्यक्तित्व नहीं

आवाज़ को ट्यून करने से पहले स्कैफ़ोल्डिंग को परिदृश्य और वर्कबेंच में डालें, क्योंकि प्रभाव व्यक्तित्व में नहीं रहता। दो पूर्व-पंजीकृत तीन-शाखा परीक्षणों में, विधिक तर्क पर 131 छात्र और एक प्रतिस्पर्धी प्रोग्रामिंग शाखा पूरी करने वाले 54 छात्र, संरचित सिस्टम 22.8 प्रतिशत अंक तक पहुँचा जबकि सादा सहायक 15.7 तक, यानी 7.0 अंकों की बढ़त (p = 0.018, d = 0.56), जबकि उसी मॉडल पर एक LLM-as-Teacher व्यक्तित्व ने 2.8 अंक कमाए और अलग नहीं हुआ (p = 0.121)।

जो ट्यूटर पहले क्रूर-बल वाला हल बताता है, वह छात्रों को गलत दिशा में ले जा रहा है

किसी बहु-हल समस्या पर ट्यूटर को तैनात करने से पहले यह जाँचें कि वह किस हल का नाम लेता है, और उस जाँच को इंटेलिजेंट ट्यूटरिंग की स्वीकृति परीक्षणों में रखें। अनुकरण किए गए छात्रों के साथ चलाई गई 150 समस्याओं पर क्रूर-बल हल-विशिष्ट शुरुआतों में 22.2 से 32.1 प्रतिशत मामलों में नामित दृष्टिकोण था, जबकि इष्टतम हल 13.0 से 19.4 प्रतिशत मामलों में, और प्रोब-पहले वाली बातचीत में चारों आधार मॉडलों ने 6.1 से 7.1 प्रतिशत मामलों में छात्रों को खराब दृष्टिकोण की ओर खिसकाया।

AI कॉल गिनना प्रगति के बारे में कुछ नहीं मापता

अंतःक्रिया की गिनती किसी लर्निंग एनालिटिक्स पाइपलाइन के लिए इकट्ठा करने योग्य सबसे आसान संकेत है और डैशबोर्ड पर लगाने योग्य सबसे कमज़ोर चीज़, इसलिए हर कॉल के दोनों ओर निष्पादन की स्थिति को मापें। 35 छात्रों के 140 छात्र-असाइनमेंट जोड़ों में AI अंतःक्रियाएँ सफलतापूर्वक चलाए गए सेलों से r = 0.12 पर सहसंबद्ध थीं, और छुए गए सेलों से भी उसी r = 0.12 पर।

किसी सत्र को उसके बहाव से आँकें, इससे नहीं कि कितने प्रश्न पूछे गए

जो सत्र अपने दूसरे आधे में उत्तर-खोज की ओर सरकता है, वह बदतर उत्तर-परीक्षण की भविष्यवाणी करता है, और हर उत्तर के बाद अनिवार्य पर्याप्तता जाँच सस्ता हस्तक्षेप है। 14 और 15 वर्ष के 112 छात्रों के 880 सार्थक मोड़ों से, सहायता-खोज पथ की तीव्रता ने उस मॉडल में R वर्ग का .110 परिवर्तन जोड़ा जिसमें पहले से पूर्व-परीक्षण अंक था (beta = .34), जबकि स्थिर अंतःक्रिया लक्षणों ने .023 जोड़ा और महत्व चूक गए (p = .684), और 81.5% मोड़ अनुरोध थे जबकि 2.2% मूल्यांकन।

अंकन नियम किसी बेंचमार्क अंक को मॉडल से अधिक तय करता है

अगर आपका हार्नेस एक ही संख्या बताता है, तो आप अभी नहीं जानते कि वह क्या मापती है। पाँच ट्यूटरों और अनुकरण किए गए छात्रों के बीच वही 2,250 संवाद सटीक मिलान के तहत 42.1% और मानव-कैलिब्रेटेड निर्णायक के तहत 81.3% आँके गए, यानी 39.2 अंकों का फैलाव, जो मॉडल, रणनीति और पाइपलाइन के संयुक्त प्रभावों से बड़ा है, और तीन विक्रेताओं के चार निर्णायक 6 अंकों के भीतर सहमत हुए जबकि संरचित पाइपलाइन लेबलों से कोई लाभ नहीं मिला (p = 0.263)।

पुनरुत्पादनीयता अंकन विधि तय करती है, निर्णायक मॉडल नहीं

एक निर्णय-विवरण प्रकाशित करें जिसमें विधि, हार्नेस, एक दोहराया गया रन, और हर दावे के पीछे कितने आँके गए मद हैं — यह सब नामित हो, क्योंकि विधि ही नतीजे को हिलाती है। दोबारा चलाने पर अर्ध-कठोर रूब्रिक के तहत 2.9% से 6.1% परिणाम बदले और मुक्त समग्र अंकन के तहत 13.5% से 15.9%, जबकि निर्णायक मॉडल बदलने से केवल लगभग तीन अंक हिले।

जो AI साथी हर बात से सहमत होता है, वह अपने उपयोगकर्ता खो देता है

एजेंटों को इस तरह विन्यस्त करें कि वे अनिश्चितता थामें और डिफ़ॉल्ट रूप से सहमति से इनकार करें, क्योंकि विश्वास कैलिब्रेशन एक व्यवहार है जिसे आप लिखते हैं, ऐसा गुण नहीं जो मॉडल में हो। सात विशेषज्ञों ने एक-एक करके 20 मिनट छात्र की भूमिका में बिताए, जिसमें एजेंट साथी के रूप में था, और उसे साथी जैसा पढ़ने वाली बात सामाजिक थी: झिझक भरा तर्क और जानबूझकर अपूर्णता ने विश्वास बनाया, जबकि शिक्षार्थी की हर बात से अंधी सहमति ने उसे नष्ट कर दिया।

शोधकर्ताओं के लिए

छोटे प्रभाव की योजना बनाएँ, प्रकाशित औसत की नहीं

किसी नई परिस्थिति में जनरेटिव AI शिक्षण का सुर्खियों वाला प्रभाव वह नहीं है जिस पर योजना बनाई जाए, इसलिए बड़े पैमाने पर जाने से पहले पायलट करें। 58 अध्ययनों और 6,941 प्रतिभागियों के तीन-स्तरीय मेटा-विश्लेषण ने g = 0.864 पर संयुक्त किया, फिर 87.9% के निकट विषमता बताई, पूर्वानुमान अंतराल -0.213 से 1.942 तक, और पूर्वाग्रह-सुधारित प्रभाव g = 0.258; उस अंतराल को संयुक्त अनुमान के बगल में छापें जहाँ पाठक उसे चूक न सके।

आलोचनात्मक चिंतन श्रम के विभाजन का अनुसरण करता है, उपकरणों से परिचय का नहीं

श्रम का स्पष्ट विभाजन दें और छात्रों से आउटपुट को फिर से गढ़ने को कहें, क्योंकि जनरेटिव AI का अनुभव आलोचनात्मक चिंतन तक केवल इन दो रास्तों से पहुँचा। संयुक्त राज्य अमेरिका और तुर्किये के 891 छात्रों में संज्ञानात्मक श्रम को विशेषज्ञता देना और समन्वय करना b = 0.636 रखता था और आउटपुट को चिंतनशील रूप से बदलना b = 0.367, और कोई महत्वपूर्ण सीधा पथ नहीं था, जो संज्ञानात्मक ऑफलोडिंग के प्रश्न को चेतावनी से बदलकर डिज़ाइन-चयन बना देता है।

AI उपयोग में छोटा शैक्षिक अंतर समानता नहीं है

उपयोग के संकरे अंतर को प्रगति मत पढ़िए, और पिछले तीन महीनों वाले द्विआधारी मद पर पहुँच-लक्ष्य मत बनाइए। 16 यूरोपीय देशों को उनकी 2025 की अपनाने की दरों पर उनके अपने इंटरनेट-युग के वर्ष से मिलाने पर सबसे अधिक और सबसे कम शिक्षित लोगों के बीच का माध्यक अंतर 56.4 अंक से घटकर 28.6 हो गया, 16 में से 15 देशों में यह ऋणात्मक था (p = 0.0005), लेकिन संरचना को ध्यान में रखने वाला मिलान उस बदलाव को -11.5 और -10.0 तक सिकोड़ देता है, इसलिए समानता के दावे को मज़बूत साधन चाहिए।

कम उपयोग कम इच्छा नहीं है

सबसे उम्रदराज़ और सबसे कम शिक्षित लोगों के लिए पहुँच और बुनियादी कौशल को निधि दें, विश्वास पर किसी अभियान को नहीं, क्योंकि उपयोग और विश्वास अलग-अलग चलते हैं। 2025 में 48.4% डेनिश और 17.8% रोमानियाई लोगों ने पिछले तीन महीनों में जनरेटिव AI का उपयोग किया था, जबकि पूरे EU में यह 32.7% था, फिर भी रोमानियाई लोगों ने सात-बिंदु पैमाने पर अपना विश्वास 4.1 बताया जबकि डेन ने 3.8, और उनमें से 47% ने मौजूदा कानूनों और सुरक्षा उपायों को पर्याप्त कहा जबकि डेन में यह 36% थे।

ऑफलोडिंग केवल तब क्षरणकारी है जब वह लक्ष्य को बायपास करे

पूछें कि कोई उपकरण कौन-से संज्ञानात्मक कार्य उतार देता है, यह नहीं कि छात्र ने उसका कितना उपयोग किया। ऑफलोडिंग तब मदद करती है जब वह अधिगम-लक्ष्य से गौण काम अपने ऊपर लेती है और तब क्षरण का जोखिम रखती है जब वह उस लक्ष्य के संरचनात्मक प्रसंस्करण को बायपास करती है, और बाद में आउटपुट का प्रसंस्करण किसी अन्यथा संरचनात्मक ऑफलोड को बचा सकता है; सात शर्तयुक्त प्रस्ताव एक दिशात्मक दावे की जगह लेते हैं, और ऑफलोडिंग का नियमन AI साक्षरता का एक सीखा जा सकने वाला आयाम बन जाता है।

भावना-विश्लेषण उपकरण लगभग आधी नकारात्मक प्रतिक्रियाएँ चूक जाते हैं

खुले पाठ के स्वचालित कोडन को उपकरण-चयन नहीं, वैधता का तर्क मानें, क्योंकि सटीकता ठीक उन्हीं मामलों को छिपा देती है जिन पर आप कार्रवाई करते। 1,220 हाथ से कोडित प्रतिक्रियाओं के सामने सबसे अच्छा ट्रांसफ़ॉर्मर .79 सटीकता तक पहुँचा पर केवल .42 कापा और लगभग आधे नकारात्मक मामले पकड़े, जबकि शब्दकोश-आधारित उपकरणों ने लगभग पाँच में से एक को गलत वर्गीकृत किया, ऐसे संग्रह में जो 76.5% सकारात्मक था।

प्रशासकों के लिए

लाइसेंस लेने से पहले पूछें कि चैटबॉट क्या भेजता है

किसी पाठ्यक्रम चैटबॉट को लाइसेंस देने या होस्ट करने से पहले तीसरे पक्ष की स्क्रिप्ट-सूची माँगें, और विशेष रूप से पूछें कि कौन-से टैग पेज का शीर्षक, URL और इनपुट फ़ील्ड पढ़ सकते हैं। 42 प्लेटफ़ॉर्मों को मापने पर पता चला कि 21 बातचीत के शीर्षक कम से कम एक ट्रैकर को भेज रहे थे और नौ मूल प्रॉम्प्ट भेज रहे थे, 13 सामान्य-उद्देश्य प्लेटफ़ॉर्मों में से 11 ने पंजीकरण ईमेल भी भेजा, और शिक्षा प्लेटफ़ॉर्मों में औसतन लगभग 367 ट्रैकर अनुरोध थे जिनमें 24% उपयोगकर्ता सामग्री ले जा रहे थे।

संहिताबद्ध स्मरण ही किसी योग्यता का वह हिस्सा है जो मूल्य खो रहा है

पर्यवेक्षित अभ्यास और अनिश्चितता में निर्णय की रक्षा करें, और कार्यक्रम के विपणन वाले अर्थ से पहले पाठ्यचर्या डिज़ाइन वाला अर्थ पढ़ें। 2018 से जून 2026 तक के 655,919 सर्वेक्षण अवलोकनों पर अंतर-में-अंतर विश्लेषण ने पाया कि AI के प्रति सबसे अधिक उजागर व्यवसायों में एक वर्ष की स्कूली शिक्षा का प्रतिफल नवंबर 2022 के बाद 0.55 लॉग अंक गिरा, जो उसके संकट-पूर्व स्तर का लगभग 7% है, जबकि अनुभव का प्रतिफल तीन वर्ष पर 0.26 लॉग अंक बढ़ा और पच्चीस वर्ष पर 0.12 गिरा।

चैटबॉट को सहानुभूतिपूर्ण कहना सहानुभूति को लोगों से हटा देता है

सिस्टम को ऐसी ट्रायाज के रूप में रखें जो छात्रों को लोगों के पास वापस भेजे, और सहायता खोजने को वह व्यवहार मानकर देखें जो चुपचाप गायब हो जाता है। 249, 494, 743 और 737 प्रतिभागियों वाले चार अध्ययनों में AI को सहानुभूति में सक्षम बताने ने सहानुभूतिपूर्ण ज़िम्मेदारी उतारने की इच्छा बढ़ाई (कुल प्रभाव 0.83), पूरी तरह अनुभूत क्षमता के रास्ते (अप्रत्यक्ष 0.73), और यह सुनने भर से कि किसी सहपाठी ने कोई समस्या ChatGPT के पास ले जाई थी, भावना-पढ़ने की सटीकता 12 में से 7.13 सही तक गिर गई जबकि अन्यथा 7.73 थी (p = .012)।

बेंचमार्क पास, बच्चे फिर भी प्रभावित

API के स्तर पर नहीं, सत्र और संस्था के स्तर पर मूल्यांकन करें, क्योंकि प्रति-आउटपुट फ़िल्टर ऐसी साथी-अंतःक्रिया तक नहीं पहुँच सकता जहाँ कोई एक मोड़ सीमा नहीं पार करता। बच्चों से जुड़ी 1,331 रिपोर्ट की गई घटनाओं से कोडित, यौनकरण सबसे बड़ा हानि-उपप्रकार है — 316 — जो यौन शोषण (131) से आगे है, और हानियाँ मॉडल दोषों के बजाय तैनाती, शासन और दुरुपयोग की विफलताओं के साथ समूह बनाती हैं।

कभी-कभार उपयोग करने वाले और अंतर्द्वंद्व में जीने वाले उपयोगकर्ता के लिए इमानदारी नीति लिखें

इनकार, सहायता और प्रतिस्थापन को तीन ऐसी आबादियों के रूप में नाम दें जिनसे वही असाइनमेंट मिलता है, क्योंकि लगभग कोई भी रोज़ का उपयोगकर्ता नहीं है। एक ब्रिटिश विश्वविद्यालय के दो गुमनाम सर्वेक्षणों में 94 प्रथम-वर्ष के छात्रों में से 81.05% ने असाइनमेंट पूरा करने में मदद के लिए जनरेटिव AI उपकरण का उपयोग किया था, जबकि 4.21% ने रोज़ का उपयोग बताया और 9.47% ने कोई उपयोग नहीं, जो शैक्षणिक इमानदारी को बेईमान और ईमानदार के बँटवारे के बजाय वितरण के बीच के हिस्से के लिए नीति बना देता है।

नैतिकता मॉड्यूल यह नहीं सिखाते कि डेटा कहाँ से आता है

जो नैतिकता मॉड्यूल आप पहले से चलाते हैं उसमें डेटा-स्रोत समीक्षा वाला एक असाइनमेंट जोड़ें, जो नया पाठ्यक्रम नहीं बल्कि पाठ्यचर्या डिज़ाइन में बदलाव है। 21 विश्वविद्यालयों के 36 कार्यक्रमों की गणना में नैतिकता 29 में पढ़ाई जाती मिली (80.6%) पर डेटा-स्रोत लेखकों के मानक पर केवल 8 में (22.2%), कोई भी मास्टर या कार्यकारी कार्यक्रम इसे पूरा नहीं करता और 29 नैतिकता-कवर करने वाले कार्यक्रमों में से 22 में डेटा-स्रोत पूरी तरह गायब था।

नए संसाधन

इस सप्ताह संसाधन पुस्तकालय में चार संसाधन जुड़े, और चारों कक्षा की किसी तरकीब के बजाय एक संस्थागत निर्णय का वर्णन करते हैं।

Learning Design Wiki

Learning Design Wiki एक खुले लाइसेंस वाला संदर्भ है जो शिक्षण-डिज़ाइन को सिद्धांतों, तत्वों, प्रतिरूपों और रणनीतियों में बाँटता है, और हर एक को उसके पीछे के उद्धरणों से जोड़ता है; इसकी अपनी साक्ष्य-रिपोर्ट कहती है कि 98% दावे एक ही अध्ययन पर टिके हैं। भाषा-मॉडल इसे एक मानव अनुरक्षक के अधीन बनाए रखते हैं और किसी पेज को किसी व्यक्ति ने जाँचा नहीं है, इसलिए यह अच्छी तरह स्रोत-युक्त सुरागों का समूह है, निष्कर्षों का नहीं।

teacher.dev

teacher.dev एक ग़ैर-लाभकारी स्टूडियो है जो रोज़ एक मुफ़्त कक्षा-ऐप जारी करता है, अब तक 34, और हर एक किसी एक पल के लिए है, जैसे छपाई योग्य आकृति जनरेटर या विशेष शिक्षा के लिए First/Then बोर्ड। ज़्यादातर स्थानीय-पहले चलते हैं, बिना किसी खाते के, इसलिए कोई छात्र-डेटा डिवाइस से बाहर नहीं जाता।

AI + OER केस अध्ययन: एक DOERS परियोजना

AI + OER केस अध्ययन ग्यारह केसों का एक खुला संकलन है, इस पर कि उच्च शिक्षा में जनरेटिव AI खुले लाइसेंस वाले संसाधनों से कहाँ मिलता है — एक संघीय विश्वविद्यालय के यूनियन अनुबंध के तहत मार्गदर्शन का मसौदा तैयार करने से लेकर मानव-इन-द-लूप पाठ्यपुस्तक संशोधन तक। किन्हीं दो अध्यायों में एक ही उपकरण नहीं है, इसलिए यह उद्धृत करने योग्य साक्ष्य नहीं, अनुकूलित करने योग्य अभ्यास है, और संग्रह CC BY 4.0 है जबकि हर अध्याय का अपना लाइसेंस है।

TVET में AI का एकीकरण: संस्थानों के लिए व्यावहारिक मार्गदर्शिका

TVET में AI का एकीकरण 2026 की UNESCO-UNEVOC मार्गदर्शिका है, उन संस्थानों के लिए जो तकनीशियन और कारीगर प्रशिक्षित करते हैं, और काम लायक सामग्री तीन अनुलग्नकों में है: एक तैयारी आत्म-चिंतन उपकरण, एक जोखिम रजिस्टर, और एक संकेतक ढाँचा। यह कोई परिणाम-डेटा नहीं देता और अपने ही परिपक्वता पैमाने को चर्चा-सहायक कहता है, इसलिए इसका उपयोग पहले संस्थागत निर्णय को ढाँचा देने के लिए करें, पहले ही लिए गए निर्णय को सही ठहराने के लिए नहीं।

इस सप्ताह यह भी जोड़ा गया

बाकी अध्ययन, विधियों और सारांशों के साथ, जर्नल पेज पर दिन के अनुसार सूचीबद्ध हैं।

साइट नोट्स

अब सभी 222 अवधारणा पेजों में सामान्य गलतफहमियों वाला एक खंड है जो उस गलत विश्वास का नाम लेता है जो पाठक पहले से मानता हो सकता है और उसे उसी पेज के साक्ष्य से सुधारता है।

इस सप्ताह हर FAQ फिर से लिखा गया, और उनमें पाँच नए जुड़े, जिससे संग्रह 42 उत्तरों का हो गया — हर उत्तर किसी सहकर्मी द्वारा वास्तव में पूछे जाने वाले प्रश्न के लिए लिखा गया, किसी विषय के लिए नहीं। सूची उन्हें उस काम के आधार पर नौ खंडों में समूहित करती है जिसे पाठक पूरा करना चाहता है, इसलिए प्रश्न लेकर आने पर अब यह जानना ज़रूरी नहीं कि क्षेत्र उसे क्या कहता है।

अनुवाद अंग्रेज़ी से आगे बढ़े: Essentials खंड के बारह अवधारणा पेज और सभी FAQ अब हर भाषा में पूरी तरह अनूदित हैं।

हर भाषा का अपना होम पेज है, और उनमें से सोलह डाउनलोड योग्य EPUB और PDF भी देते हैं:

ऊपर का सब कुछ github.com/edtechdev/aied पर सार्वजनिक है।

अपडेट का अनुसरण करें

हर अंक किसी फ़ीड रीडर में न्यूज़लेटर फ़ीड से पाएँ, उसी फ़ीड को Blogtrottr में चिपकाकर अपनी चुनी हुई समय-सारिणी पर नए अंक ईमेल से पाएँ, या उसे LinkedIn पर फ़ॉलो करें, जहाँ हर अंक LinkedIn न्यूज़लेटर के रूप में प्रकाशित होता है।

AIEd Research Weekly Update शिक्षा में AI ज्ञानकोश से आता है, जिसे एक AI एजेंट बनाता है। यह अंक उसी AI एजेंट ने साइट डेवलपर के संपादकीय मार्गदर्शन के साथ तैयार किया, और ऊपर का हर दावा उस पेज से जुड़ा है जहाँ से वह आया।

ज्ञानकोश CC0 1.0 लाइसेंस के तहत सार्वजनिक डोमेन को समर्पित है। कोई अधिकार सुरक्षित नहीं।

सामग्री में कोई समस्या मिली? GitHub पर रिपोर्ट करें, या साइट डेवलपर Doug Holton से संपर्क करें।

स्रोत इतिहास संपादित करें चैट