💬 NLP

Personalized Learning Path Planning with Goal-Driven Learner State Modeling

यह शोध पत्र Pxplore प्रस्तुत करता है, जो एक नवीन ढांचा है जो शिक्षार्थी की अवस्थाओं को मॉडल करने और सुपरवाइज्ड फाइन-ट्यूनिंग एवं ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइज़ेशन के माध्यम से नीतियों को अनुकूलित करके व्यक्तिगत, लक्ष्य-संचालित शिक्षण पथ उत्पन्न करने के लिए सुदृढीकरण शिक्षण (रिनफोर्समेंट लर्निंग) को बड़े भाषा मॉडलों के साथ जोड़ता है।

मूल लेखक: Joy Jia Yin Lim, Ye He, Jifan Yu, Xin Cong, Daniel Zhang-Li, Zhiyuan Liu, Huiqin Liu, Lei Hou, Juanzi Li, Bin Xu

प्रकाशित 2026-02-09

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Joy Jia Yin Lim, Ye He, Jifan Yu, Xin Cong, Daniel Zhang-Li, Zhiyuan Liu, Huiqin Liu, Lei Hou, Juanzi Li, Bin Xu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ "Personalized Learning Path Planning through Goal-Driven Learner State Modeling" (Pxplore) शोध पत्र का सरल भाषा और रचनात्मक उपमाओं (analogies) के साथ विवरण दिया गया है।

बड़ी तस्वीर: वर्तमान "स्मार्ट" ट्यूटर्स की समस्या

कल्प Imagine कीजिए कि आप एक नया कौशल सीख रहे हैं, जैसे गिटार बजाना।

पुराने तरीके एक कठोर पुस्तकालय (library) की तरह हैं। उनके पास संसाधनों (resources) की एक निश्चित सूची होती है। यदि आप सीखना चाहते हैं, तो वे आपको कैटलॉग में अगली किताब दे देते हैं, चाहे आप बोर हो रहे हों, भ्रमित हों, या किसी कठिन चीज़ के लिए तैयार हों। यह व्यवस्थित तो है, लेकिन यह वास्तव में आपको नहीं जानता।
वर्तमान AI ट्यूटर्स (LLMs) एक बहुत ही जानकार लेकिन अल्पदर्शी मित्र की तरह हैं। वे आपसे बात कर सकते हैं, चीजें समझा सकते हैं, और यहाँ तक कि नए उदाहरण भी बना सकते हैं। हालाँकि, वे अक्सर केवल आपके द्वारा पूछे गए तत्काल प्रश्न पर ध्यान केंद्रित करते हैं। वे अभी आपको एक बेहतरीन उत्तर दे सकते हैं, लेकिन वे दीर्घकालिक योजना को ध्यान में रखने में संघर्ष करते हैं। वे भूल सकते हैं कि आपका अंतिम लक्ष्य छह महीने में एक विशिष्ट गाना बजाना है, या वे यह नोटिस नहीं कर पाते कि आपकी रुचि कम हो रही है।

इस शोध पत्र के लेखक, Pxplore, एक ऐसा सिस्टम बनाना चाहते थे जो दोनों का सर्वश्रेष्ठ संयोजन हो: एक AI मित्र का गहरा ज्ञान और एक मास्टर कोच की दीर्घकालिक रणनीतिक योजना।

समाधान: Pxplore (द "गोल-ड्रिवन कोच")

यह शोध पत्र Pxplore नामक एक फ्रेमवर्क पेश करता है। इसे एक व्यक्तिगत लर्निंग कोच के रूप में सोचें जो न केवल इस पर प्रतिक्रिया देता है कि आप अभी क्या कह रहे हैं, बल्कि लगातार इस बात का मानसिक मानचित्र (mental map) अपडेट करता रहता है कि आप कौन हैं, आप क्या हासिल करना चाहते हैं, और आप कैसा महसूस कर रहे हैं।

यह कैसे काम करता है, इसे तीन सरल भागों में विभाजित किया गया है:

1. "लर्नर स्टेट" (द डायनेमिक डैशबोर्ड)

अधिकांश सिस्टम केवल आपके टेस्ट स्कोर देखते हैं। Pxplore हर छात्र के लिए एक बहुत समृद्ध "डैशबोर्ड" बनाता है। यह चार चीजों को एक साथ ट्रैक करता है:

दीर्घकालिक लक्ष्य (Long-term Goals): (जैसे, "मैं समझना चाहता हूँ कि AI कैसे काम करता है।")
अल्पकालिक लक्ष्य (Short-term Goals): (जैसे, "मुझे अभी इस विशिष्ट गणितीय अवधारणा को समझने की आवश्यकता है।")
छिपी हुई प्रेरणाएँ (Hidden Motivations): (जैसे, "मैं जल्दी बोर हो जाता हूँ," या "मुझे गति को नियंत्रित करना पसंद है।")
दृश्यमान प्रेरणाएँ (Visible Motivations): (जैसे, "मैंने वास्तविक दुनिया के अनुप्रयोगों के बारे में एक प्रश्न पूछा।")

उपमा: सीखने के लिए एक GPS की कल्पना करें। एक सामान्य GPS केवल अगले मोड़ को दिखाता है। Pxplore का GPS आपके गंतव्य (दीर्घकालिक लक्ष्य) को जानता है, आपका वर्तमान ट्रैफिक (अल्पकालिक स्थिति) को जानता है, आपकी ड्राइविंग शैली (प्रेरणा) को जानता है, और यहाँ तक कि यह भी कि आप भूखे या थके हुए हैं या नहीं (जुड़ाव/engagement)। यह हर एक इंटरैक्शन के बाद इस मानचित्र को अपडेट करता है।

2. "रिवॉर्ड सिस्टम" (द स्कोरबोर्ड)

AI को कैसे पता चलता है कि वह अच्छा काम कर रहा है? पारंपरिक AI में, रिवॉर्ड अक्सर केवल यह होता है कि "क्या उपयोगकर्ता ने सही उत्तर दिया?"
Pxplore एक विशेष स्वचालित रिवॉर्ड फंक्शन (Automated Reward Function) का उपयोग करता है। यह पूछता है: "क्या इस पाठ ने छात्र को उनके विशिष्ट लक्ष्यों और प्रेरणाओं के करीब पहुँचाया?"

उपमा: एक वीडियो गेम के बारे में सोचें।

पुराना AI: आपको अंक देता है केवल तभी जब आप किसी राक्षस को मारते हैं।
Pxplore: आपको रणनीति के लिए अंक देता है। क्या आपने खिलाड़ी को एक नया कौशल अनलॉक करने में मदद की? क्या आपने उन्हें हताशा से बचाया? क्या आपने अगले कदम को उनके व्यक्तिगत मिशन के साथ संरेखित किया?
सिस्टम अमूर्त भावनाओं (जैसे "मैं विशेषज्ञ बनना चाहता हूँ") को एक ठोस स्कोर में बदल देता है जिसे कंप्यूटर अनुकूलित (optimize) कर सकता है।

3. प्रशिक्षण (द "कोच्स बूट कैंप")

AI को इतना स्मार्ट बनाने के लिए, लेखकों ने दो-चरणीय प्रशिक्षण प्रक्रिया का उपयोग किया:

चरण 1: सुपरवाइज्ड फाइन-ट्यूनिंग (SFT): उन्होंने AI को मानव विशेषज्ञों द्वारा बनाए गए "अच्छे" पाठों के हजारों उदाहरण दिखाए। इसने AI को बुनियादी बातें सिखाईं कि कैसे सिखाया जाता है।
चरण 2: ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइजेशन (GRPO): यही असली 'सीक्रेट सॉस' है। AI को एक "सिमुलेशन" में डाला गया जहाँ उसे एक पूरा लर्निंग पाथ प्लान करना था, न कि केवल एक कदम। इसे उन निर्णयों के लिए पुरस्कृत किया गया जिनका फल बाद में मिलता था। इसने सीखा कि भविष्य में बड़ी जीत सुनिश्चित करने के लिए अभी एक छोटी, आसान जीत का त्याग कैसे किया जाए।

उपमा:

SFT एक छात्र द्वारा पाठ्यपुस्तक रटने जैसा है।
GRPO एक शतरंज के ग्रैंडमास्टर द्वारा अपने आप के खिलाफ हजारों गेम खेलने जैसा है, यह सीखते हुए कि कभी-कभी आपको तीन चाल बाद गेम जीतने के लिए एक प्यादा खोना पड़ता है।

आर्किटेक्चर: यह वास्तविक जीवन में कैसे चलता है

शोध पत्र एक सिस्टम का वर्णन करता है जो तीन चरणों में चलता है, जैसे कि एक सुव्यवस्थित मशीन:

प्री-प्लानिंग (द प्रोफाइलर): कुछ भी सुझाने से पहले, सिस्टम आपके पिछले व्यवहार का विश्लेषण करता है। क्या आपने एक पेज छोड़ दिया? क्या आपने एक पैराग्राफ को फिर से पढ़ा? क्या आपने एक गहरा प्रश्न पूछा? यह आपके लिए एक "पर्सोना" (Persona) बनाता है (जैसे, "द एक्सप्लोरर" जो नए विषयों को पसंद करता है, या "द स्ट्रगलर" जिसे अतिरिक्त मदद की आवश्यकता है)।
**प्लानिंग (द स्ट्रैटेजिस्ट):िस्ट: प्रशिक्षित AI पॉलिसी का उपयोग करते हुए, यह सभी संभावित अगले पाठों को देखता है और उनमें से वह चुनता है जो आपके दीर्घकालिक स्कोर को अधिकतम करता है। यह केवल "सबसे आसान" अगला कदम नहीं चुनता; यह चुनता है कि जो आपकी पूरी यात्रा के अनुकूल हो।
डिलीवरी (द स्टोरीटेलर): एक बार जब यह एक पाठ चुन लेता है, तो यह केवल सामग्री आप पर नहीं थोपता है। यह एक "नैरेटिव ब्रिज" (narrative bridge) लिखता है। यह समझाता है कि यह नया विषय विशेष रूप से आपके लिए क्यों महत्वपूर्ण है, इसे आपके द्वारा अभी सीखे गए विषय और आपके व्यक्तिगत लक्ष्यों से जोड़ता है।

प्रयोगों ने क्या दिखाया

लेखकों ने Pxplore का परीक्षण दो तरीकों से किया:

1. "पेपर" टेस्ट (सिमुलेशन)
उन्होंने Pxplore की तुलना अन्य AI मॉडलों (जैसे GPT-4o) और मानक खोज विधियों से की।

परिणाम: Pxplore शैक्षिक लक्ष्यों के साथ संरेखित होने वाले "सही" अगले कदम को चुनने में बहुत बेहतर था। इसने केवल अनुमान नहीं लगाया; इसने योजना बनाई। इसने ऐसे शिक्षार्थी प्रोफाइल भी बनाए जिन्हें मानव विशेषज्ञों ने अन्य AI द्वारा बनाए गए प्रोफाइल की तुलना में अधिक सटीक और उपयोगी पाया।

2. वास्तविक दुनिया का परीक्षण (मानव अध्ययन)
उन्होंने इस सिस्टम को एक वास्तविक ऑनलाइन लर्निंग प्लेटफॉर्म में डाला और 22 छात्रों को इसका उपयोग करने दिया।

सेटअप: एक समूह ने Pxplore का उपयोग किया; दूसरे ने एक मानक "सर्च-बेस्ड" सिस्टम (कंट्रोल ग्रुप) का उपयोग किया।
परिणाम:
- सीखना (Learning): दोनों समूहों ने बहुत कुछ सीखा, लेकिन Pxplore समूह के टेस्ट स्कोर में काफी तेजी से सुधार हुआ (+28% लाभ बनाम कंट्रोल ग्रुप का छोटा लाभ)।
- अनुभव (Experience): Pxplore समूह को लगा कि रास्ता अधिक प्रासंगिक (relevant) और व्यक्तिगत (personalized) था। सबसे महत्वपूर्ण बात यह है कि उन्होंने उच्च प्रेरणा (motivation) और संतुष्टि (satisfaction) की रिपोर्ट की। उन्हें लगा कि सीखने की यात्रा अधिक सार्थक और आकर्षक थी।

सारांश

Pxplore शिक्षा के लिए AI का उपयोग करने का एक नया तरीका है। केवल एक चैटबॉट होने के बजाय जो सवालों के जवाब देता है, यह एक रणनीतिक कोच के रूप में कार्य करता है। यह छात्र का एक विस्तृत, विकसित होने वाला प्रोफाइल बनाता है, दीर्घकालिक लक्ष्यों की ओर प्रगति को मापने के लिए एक विशेष स्कोरिंग सिस्टम का उपयोग करता है, और एक ऐसा लर्निंग पाथ प्लान करता है जो छात्र को प्रेरित रखता है और आगे बढ़ाता रहता है। यह शोध पत्र सिद्ध करता है कि यह "लक्ष्य-संचालित" दृष्टिकोण सीखने के अनुभव को व्यक्तिगत, सुसंगत और प्रभावी बनाने में वर्तमान तरीकों की तुलना में बेहतर काम करता है।

तकनीकी सारांश: लक्ष्य-संचालित शिक्षार्थी अवस्था मॉडलिंग के माध्यम से व्यक्तिगत शिक्षण पथ नियोजन

1. समस्या की परिभाषा

व्यक्तिगत शिक्षण पथ नियोजन (Personalized Learning Path Planning - PLPP) का उद्देश्य व्यक्तिगत शिक्षार्थी लक्ष्यों के अनुरूप अनुकूलन योग्य शिक्षण प्रक्षेपवक्र (trajectories) डिजाइन करना है। जबकि पारंपरिक विधियाँ (जैसे, कोलाबोरेटिव फ़िल्टरिंग, नॉलेज ग्राफ) विषम संसाधनों को व्यवस्थित करती हैं, वे अक्सर स्थिर प्रोफाइल और खंडित अनुभवों से ग्रस्त रहती हैं। इसके विपरीत, जबकि लार्ज लैंग्वेज मॉडल्स (LLMs) गतिशील सामग्री अनुकूलन प्रदान करते हैं, वे दीर्घकालिक नियोजन (long-term planning) में संघर्ष करते हैं। मौजूदा LLM-आधारित सिस्टम अक्सर अल्पकालिक, एकल-चरण निर्णयों पर निर्भर रहते हैं, जिनमें निरंतर शिक्षार्थी विकास को दर्शाने या प्रामाणिक शैक्षिक अंतःक्रियाओं से फीडबैक को शामिल करने वाले तंत्रों का अभाव होता है।

यह शोध पत्र दो मौलिक चुनौतियों की पहचान करता है:

दीर्घकालिक शिक्षण प्रक्रियाओं का नियोजन: सीखना एक लक्ष्य-संचालित, बहु-चरणीय प्रक्रिया है। वर्तमान सिस्टम संचयी शैक्षिक प्रभाव के लिए अनुकूलित करने में विफल रहते हैं क्योंकि उनमें अमूर्त शैक्षिक लक्ष्यों को गणना योग्य रिवॉर्ड सिग्नल्स (reward signals) में अनुवादित करने वाले तंत्रों की कमी है।
विविध शिक्षार्थी अवस्थाओं (Learner States) को समझना: शिक्षार्थी की अवस्थाएँ निरंतर विकसित होती हैं। मौजूदा दृष्टिकोणों में अक्सर इन गतिशील परिवर्तनों (संज्ञानात्मक और प्रेरणात्मक) को मॉडल करने या सुसंगत पथ बनाने के लिए विषम शिक्षण संसाधनों के साथ एकीकृत करने के लिए स्पष्ट तंत्रों की कमी होती है।

2. कार्यप्रणाली: Pxplore फ्रेमवर्क

लेखक Pxplore प्रस्तावित करते हैं, जो एक रिइन्फोर्समेंट-आधारित प्रशिक्षण प्रतिमान (paradigm) को LLM-संचालित शैक्षिक आर्किटेक्चर के साथ एकीकृत करता है।

2.1 लक्ष्य-संचालित शिक्षार्थी अवस्था मॉडलिंग

अमूर्त लक्ष्यों की जटिलता को संबोधित करने के लिए, Pxplore 'गोल-सेटिंग और अचीवमेंट गोल थ्योरी' पर आधारित एक संरचित लर्नर स्टेट मॉडल ( $s_t$ ) पेश करता है। अवस्था को एक टुपल (tuple) के रूप में दर्शाया गया है:
$s_t = (O_L^{(t)}, O_S^{(t)}, M_I^{(t)}, M_E^{(t)})$
जहाँ:

$O_L$ और $O_S$ : दीर्घकालिक और अल्पकालिक शिक्षण उद्देश्य हैं।
$M_I$ और $M_E$ : अंतर्निहित (implicit) और स्पष्ट (explicit) प्रेरणा संबंधी घटक हैं।

प्रत्येक घटक एक विवरण, मेट्रिक, साक्ष्य, कॉन्फिडेंस स्कोर और एक स्टेटस फ्लैग ([NOT_ALIGNED] या [ALIGNED]) वाला एक संरचित ऑब्जेक्ट है। एक इवैल्यूएटर LLM ( $F_{eval}$ ) एक स्टेट ट्रांजिशन फंक्शन के रूप में कार्य करता है, जो घटकों को मेट्रिक्स पूरा होने पर 'एलाइन्ड' (aligned) के रूप में चिह्नित करके या उभरते साक्ष्यों के आधार पर नए घटक पेश करके शिक्षार्थी की अंतःक्रियाओं ( $I_t$ ) के आधार पर अवस्था को अपडेट करता है।

2.2 स्वचालित अमूर्त रिवॉर्ड फंक्शन

रिफोरसमेंट लर्निंग को निर्देशित करने के लिए, लेखक एक स्केलर रिवॉर्ड फंक्शन $R(s_t, k_{t+1})$ को परिभाषित करते हैं जो शैक्षणिक लक्ष्यों की ओर प्रगति को मापता है। रिवॉर्ड की गणना नवनियुक्त एलाइन्ड (newly aligned) घटकों के भारित योग (weighted sum) के रूप में की जाती है:
$R(s_t, k_{t+1}) = \sum_{c \in C(s_{t+1})} w_c \cdot \text{conf}(s_{t+1}, c) \cdot [\phi(s_{t+1}, c) - \phi(s_t, c)]$
यहाँ, $\phi$ एक इंडिकेटर फंक्शन है (1 यदि एलाइन्ड है, 0 अन्यथा)। टर्म $[\phi(s_{t+1}, c) - \phi(s_t, c)]$ यह सुनिश्चित करता है कि रिवॉर्ड केवल उन ट्रांजिशन के लिए दिया जाता है जो किसी घटक की स्थिति को 'अनएलाइन्ड' से 'एलाइन्ड' में बदलते हैं, जो सीधे तौर पर लक्ष्य की प्रगति को प्रोत्साहित करता है।

2.3 दो-चरणीय पॉलिसी ट्रेनिंग

पॉलिसी $\pi$ को स्थानीय शुद्धता (local correctness) और दीर्घकालिक अनुकूलन के बीच संतुलन बनाने के लिए दो-चरणीय प्रतिमान का उपयोग करके प्रशिक्षित किया जाता है:

सुपरवाइज्ड फाइन-ट्यूनिंग (SFT): 300 वास्तविक दुनिया के शिक्षण सत्रों (14,584 इंटरैक्शन टर्न) से प्राप्त विशेषज्ञ-पसंद कार्यों के डेटासेट का उपयोग करके पॉलिसी को इनिशियलाइज़ करता है। यह सुनिश्चित करता है कि मॉडल स्थानीय रूप से इष्टतम, शैक्षणिक रूप से वैध निर्णय ले।
ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइजेशन (GRPO): पॉलिसी को दीर्घकालिक संचयी रिवॉर्ड के लिए अनुकूलित करने हेतु परिष्कृत करता है। GRPO को विषम रिवॉर्ड वितरण के तहत लर्निंग को स्थिर करने की इसकी क्षमता के लिए चुना गया है, जो ग्रुप-रिलेटिव एडवांटेज की गणना करता है और मानक PPO में सामान्य वेरिएंस समस्याओं से बचता है।

2.4 LLM-संचालित शैक्षिक आर्किटेक्चर

प्रशिक्षित पॉलिसी को तीन चरणों वाले आर्किटेक्चर के भीतर तैनात किया जाता है:

प्री-प्लानिंग (प्रोफाइलिंग और रिट्रीवल): एक प्रोफाइलिंग पाइपलाइन व्यवहार पैटर्न, सिमेंटिक इरादे और इंटरैक्शन डायनेमिक्स का विश्लेषण करती है ताकि शिक्षार्थियों को पर्सोना (जैसे, मोमेंटम, कंसोलिडेटर, एक्सप्लोरर, स्ट्रगलर) में वर्गीकृत किया जा सके। एक हाइब्रिड रिट्रीवल मैकेनिज्म (BM25 + डेंस एम्बेडिंग्स) कैंडिडेट एक्शन सेट का चयन करता है।
प्लानिंग: पॉलिसी $\pi_\theta$ अपेक्षित संचयी रिवॉर्ड को अधिकतम करने वाले इष्टतम अगले एक्शन ( $k^*_{t+1}$ ) का चयन करने के लिए उम्मीदवारों का मूल्यांकन करती है।
पोस्ट-प्लानिंग (अनुकूलित डिलीवरी): एक डिलीवरी मॉडल "नैरेटिव ब्रिजेस" (narrative bridges) उत्पन्न करता है, जो विविक्त (discrete) कार्यों को सुसंगत निर्देशात्मक सामग्री में बदल देता है जो शिक्षार्थी के विशिष्ट स्टेट और पर्सोना के अनुसार टोन और स्कैफोल्डिंग को अनुकूलित करता है।

3. प्रमुख योगदान

प्रशिक्षण प्रतिमान: दीर्घकालिक, दीर्घ-क्षित (long-horizon) शैक्षिक उद्देश्यों को संभालने के लिए लक्ष्य-संचालित शिक्षार्थी अवस्था मॉडलिंग के साथ रिइन्फोर्समेंट-आधारित अनुकूलन (SFT + GRPO) का एक अभिनव एकीकरण।
सिस्टम आर्किटेक्चर: एक एकीकृत प्रणाली जो वास्तविक समय की प्रोफाइलिंग, लक्ष्य-अनुरूप पथ नियोजन और अनुकूलित सामग्री वितरण को एकीकृत करती है।
अनुभवजन्य सत्यापन (Empirical Validation): सुसंगत, व्यक्तिगत और लक्ष्य-संचालित शिक्षण पथों को तैयार करने में सिस्टम की व्यावहारिक उपयोगिता प्रदर्शित करने के लिए व्यापक प्रयोग और उपयोगकर्ता अध्ययन।

4. प्रयोगात्मक परिणाम

लेखकों ने तीन आयामों में Pxplore का मूल्यांकन किया:

प्रशिक्षण प्रतिमान मूल्यांकन: प्रॉम्प्ट-आधारित LLMs (GPT-4o, Qwen3, Llama3.1) और SFT-ओनली बेसलाइन्स के मुकाबले तुलना की गई। Pxplore (विशेष रूप से GRPO-रिफाइंड Qwen3 वेरिएंट) ने उच्चतम शैक्षणिक संरेखण दर (65.47%) और रिवॉर्ड कंप्यूटेशन स्कोर प्राप्त किया, जिसने इन्फरेंस-टाइम गाइडेंस के साथ प्रोप्रायटरी मॉडल्स जैसे GPT-4o को भी पीछे छोड़ दिया।
मॉड्यूलर मूल्यांकन:
- प्रोफाइलिंग: Pxplore ने व्याख्यात्मकता (Interpretability) और व्याख्या करने की क्षमता (+17.7%) तथा कार्यक्षमता (Actionability) में बेसलाइन्स से काफी बेहतर प्रदर्शन किया, जहाँ मानव और LLM जजों ने व्यवहारों को अवस्थाओं से जोड़ने वाली स्पष्ट "साक्ष्य श्रृंखलाओं" (evidence chains) के निर्माण की पुष्टि की।
- प्लानिंग: Pxplore ने रिट्रीवल-ओनली और GPT-4o बेसलाइन्स की तुलना में बेहतर Precision@1 और NDCG@k प्राप्त किया, जो विशेषज्ञ शैक्षणिक निर्णय के साथ बेहतर संरेखण दिखाता है।
- डिलीवरी: अनुकूलित डिलीवरी मॉड्यूल ने मूल सामग्री की तुलना में प्रेरणात्मक अपील (+17.2%) और वैयक्तिकरण (+14.9%) में काफी अधिक स्कोर किया, जिसका श्रेय 'नैरेटिव ब्रिजेस' के सृजन को दिया गया।
वास्तविक दुनिया का उपयोगकर्ता अध्ययन: 22 अंडरग्रेजुएट्स के साथ एक नियंत्रित अध्ययन में, Pxplore समूह ने 28.27% ज्ञान वृद्धि (प्री-टेस्ट से पोस्ट-टेस्ट) दिखाई, जो रिट्रीवल-आधारित कंट्रोल ग्रुप की तुलना में काफी अधिक है। व्यक्तिपरक रूप से, Pxplore उपयोगकर्ताओं ने प्रासंगिकता, वैयक्तिकरण, प्रेरणा और संतुष्टि में उच्च स्कोर दर्ज किए।

5. महत्व और दावे

यह शोध पत्र वर्तमान शैक्षिक AI में महत्वपूर्ण अंतर को संबोधित करने का दावा करता है: निरंतर, दीर्घकालिक शिक्षण प्रगति को मॉडल करने में असमर्थता। एक संरचित स्टेट मॉडल के माध्यम से अमूर्त शैक्षिक लक्ष्यों को गणना योग्य रिवॉर्ड सिग्नल्स में बदलकर, यह फ्रेमवर्क रिइन्फोर्समेंट लर्निंग को तत्काल, अलग-थलग इंटरैक्शन के बजाय संचयी शैक्षणिक प्रभाव के लिए अनुकूलित करने में सक्षम बनाता है।

लेखक दावा करते हैं कि उनका दृष्टिकोण स्थिर संसाधन संगठन से आगे बढ़कर अनुकूलन योग्य, लक्ष्य-संचालित और निर्देशात्मक रूप से सुसंगत शिक्षण सहायता की ओर बढ़ता है। एक वास्तविक दुनिया के प्लेटफॉर्म में सफल तैनाती यह प्रमाणित करती है कि संरचित स्टेट मॉडलिंग को GRPO के साथ जोड़ने से ऐसे लर्निंग पाथ बनाए जा सकते हैं जो न केवल तकनीकी रूप से अनुकूलित हैं बल्कि विविध शिक्षार्थी प्रोफाइल के लिए व्यावहारिक रूप से आकर्षक और प्रभावी भी हैं। इस कार्य को व्यक्तिगत शिक्षा में आगे के अनुसंधान को सुगम बनाने के लिए ओपन-सोर्स के रूप में जारी किया गया है।