Mapping data literacy trajectories in K-12 education

यहाँ Whyte और अन्य द्वारा लिखित शोध पत्र "Mapping data literacy trajectories in K–12 education" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

डेटा साक्षरता (Data literacy) एक डेटा-संचालित समाज में एक मौलिक क्षमता बनती जा रही है, विशेष रूप से कंप्यूटर साइंस (CS) शिक्षा के भीतर जहाँ आर्टिफिशियल इंटेलिजेंस (AI) और मशीन लर्निंग (ML) का प्रभाव तेजी से बढ़ रहा है। हालाँकि, एक महत्वपूर्ण शैक्षणिक अंतराल (pedagogical gap) मौजूद है:

• प्रतिमान परिवर्तन (Paradigm Shift): पारंपरिक CS शिक्षा नियम-आधारित (ज्ञान-आधारित) तर्क और एल्गोरिदम की शुद्धता पर ध्यान केंद्रित करती है। उभरती हुई डेटा-संचालित प्रणालियाँ (जैसे ML) प्रभावशीलता के सांख्यिकीय प्रदर्शन पर निर्भर करती हैं, जिसके लिए एक अलग संज्ञानात्मक दृष्टिकोण की आवश्यकता होती है।
• खंडित परिप्रेक्ष्य (Fragmented Perspective): डेटा साक्षरता अंतर्विषयक (interdisciplinary) है (सांख्यिकी, CS, गणित और नैतिकता तक फैली हुई), जिससे एक "खंडित परिप्रेक्ष्य" उत्पन्न होता है जहाँ विभिन्न डोमेन के बीच संबंध अल्पविकसित रह जाते हैं।
• ढाँचे का अभाव (Lack of Framework): यह समझने के लिए कि K–12 शिक्षार्थी पारंपरिक प्रोग्रामिंग से लेकर अपारदर्शी (opaque), डेटा-संचालित प्रणालियों को समझने की ओर कैसे प्रगति करते हैं, कोई सामान्य शब्दावली या संरचित ढाँचा उपलब्ध नहीं है। शिक्षकों के पास इन विशिष्ट प्रतिमानों (paradigms) के बीच सीखने को व्यवस्थित करने (scaffold) के तरीकों पर स्पष्टता का अभाव है।

2. कार्यप्रणाली (Methodology)

लेखकों ने K–12 डेटा साक्षरता हस्तक्षेपों का विश्लेषण करने के लिए PRISMA 2020 दिशानिर्देशों का पालन करते हुए एक व्यवस्थित साहित्य समीक्षा (Systematic Literature Review - SLR) आयोजित की।

• डेटा स्रोत: 2019 और 2024 के बीच प्रकाशित 84 सहकर्मी-समीक्षित (peer-reviewed) अनुभवजन्य अध्ययन।
• क्षेत्र (Scope): अध्ययनों में कंप्यूटिंग शिक्षा, गणित, सांख्यिकी, STEM और लर्निंग साइंसेज शामिल थे, जो कक्षा और गैर-औपचारिक संदर्भों पर केंद्रित थे।
• विश्लेषण ढाँचा (Analysis Framework): लेखकों ने सीखने की गतिविधियों को दो ऑर्थोगोनल आयामों (orthogonal dimensions) के आधार पर वर्गीकृत करने के लिए एक डेटा प्रतिमान ढाँचा (Data Paradigms Framework) विकसित किया:
  1. तर्क (Logic): ज्ञान-आधारित (नियम-आधारित, प्रतीकात्मक, एल्गोरिदम) बनाम डेटा-संचालित (सांख्यिकीय, मॉडल प्रशिक्षण)।
  2. व्याख्यात्मकता (Explainability): पारदर्शी (व्हाइट-बॉक्स, डिज़ाइन द्वारा व्याख्या योग्य) बनाम अपारदर्शी (ब्लैक-बॉक्स, पोस्ट-हॉक स्पष्टीकरण विधियों की आवश्यकता)।
• कोडिंग प्रक्रिया: तीन लेखकों ने अध्ययन के लक्ष्यों और प्रगति पैटर्न की पहचान करने के लिए अध्ययनों को गुणात्मक रूप से कोड किया, जिससे उच्च इंटर-रेटर विश्वसनीयता (Cohen's Kappa $\kappa = 0.85$) प्राप्त हुई।

3. मुख्य योगदान (Key Contributions)

शोध पत्र के प्राथमिक योगदान सैद्धांतिक और विश्लेषणात्मक हैं:

• डेटा प्रतिमान ढाँचा (The Data Paradigms Framework): एक 2x2 मैट्रिक्स जो सीखने की गतिविधियों को चार चतुर्थांशों (quadrants) में वर्गीकृत करता है:
  • KB+T: नियम-आधारित, डिज़ाइन द्वारा व्याख्या योग्य (जैसे, निर्णय वृक्ष/decision trees, मैनुअल वर्गीकरण)।
  • DD+T: डेटा-संचालित, डिज़ाइन द्वारा व्याख्या योग्य (जैसे, रैखिक प्रतिगमन/linear regression, k-निकटतम पड़ोसी/k-nearest neighbors)।
  • KB+O: नियम-आधारित लेकिन अतिरिक्त स्पष्टीकरण विधियों की आवश्यकता (K–12 में दुर्लभ)।
  • DD+O: डेटा-संचालित और अपारदर्शी (जैसे, न्यूरल नेटवर्क, रैंडम फॉरेस्ट)।
• सीखने के पथ (Learning Trajectories): उन चार विशिष्ट पथों की पहचान की गई जिनसे शिक्षार्थी इन प्रतिमानों के माध्यम से गुजरते हैं, जो यह दर्शाता है कि छात्र विभिन्न प्रकार के तर्क और सिस्टम पारदर्शिता के बीच कैसे संक्रमण करते हैं।
• साझा शब्दावली (Shared Vocabulary): डेटा साक्षरता लक्ष्यों के संबंध में विभिन्न विषयों के बीच चर्चा को एकीकृत करने के लिए एक प्रस्तावित शब्दावली, जो "नियम-संचालित" और "डेटा-संचालित" सोच, तथा "पारदर्शी" बनाम "अपारदर्शी" प्रणालियों के बीच अंतर करती है।

4. परिणाम: चार सीखने के पथ (Results: The Four Learning Trajectories)

84 अध्ययनों के विश्लेषण से पता चला कि अधिकांश हस्तक्षेप (57/84) एक एकल प्रतिमान (Single Paradigm) के भीतर ही रहे। हालाँकि, चार विशिष्ट पथों की पहचान की गई जहाँ शिक्षार्थी चतुर्थांशों के बीच चलते हैं:

1. पारदर्शिता बनाए रखना (Keeping Transparent: KB-T $\to$ DD-T):

   • पथ: नियम-आधारित प्रणालियों से डेटा-संचालित प्रणालियों की ओर बढ़ना, जबकि पारदर्शिता बनाए रखना।
   • उदाहरण: हाथ से लिखे गए नियमों (जैसे, पिज्जा बनाने के एल्गोरिदम) से शुरू करना और Teachable Machine जैसे उपकरणों का उपयोग करके पारदर्शी क्लासिफायर (जैसे, निर्णय वृक्ष) को प्रशिक्षित करने की ओर बढ़ना।
   • आवृत्ति (Frequency): 11 अध्ययन।
   • शैक्षणिक मूल्य: यह छात्रों की इस पूर्व धारणा का लाभ उठाता है कि सिस्टम निरीक्षण योग्य (inspectable) है, जिससे पारदर्शिता खोए बिना डेटा-संचालित तर्क की ओर संक्रमण को सुगम बनाया जाता है।

2. डेटा-संचालित बने रहना (Keeping Data-Driven: DD-T $\to$ DD-O):

   • पथ: सरल, पारदर्शी डेटा-संचालित मॉडलों से शुरू होकर जटिल, अपारदर्शी मॉडलों की ओर बढ़ना।
   • उदाहरण: स्कैटर प्लॉट या रैखिक प्रतिगमन (linear regression) से डीप लर्निंग (CNNs) या सपोर्ट वेक्टर मशीन (SVM) की ओर बढ़ना।
     कौशल विकास पर ध्यान केंद्रित करता है, लेकिन जैसे-जैसे मॉडल की पारदर्शिता कम होती है, इसके लिए महत्वपूर्ण स्कैफोल्डिंग (scaffolding) की आवश्यकता होती है।
   • आवृत्ति: 5 अध्ययन।

3. छलांग लगाना (Jumping: KB-T $\to$ DD-O):

   • पथ: नियम-आधारित प्रोग्रामिंग से सीधे अपारदर्शी मशीन लर्निंग की ओर एक बड़ी छलांग।
   • उदाहरण: "प्रोग्रामिंग के माध्यम से कंप्यूटर को सिखाने" (Scratch) से "कंप्यूटर को सीखने के लिए सिखाने" (ML for Kids) की ओर बिना किसी मध्यवर्ती चरण के बढ़ना।
   • जोखिम: छात्र ब्लैक-बॉक्स आउटपुट की "शुद्धता" या निश्चितता के बारे में गलत धारणाएँ विकसित कर सकते हैं क्योंकि उनमें अंतर्निहित डेटा के प्रभाव की समझ की कमी होती है।
   • आवृत्ति: 9 अध्ययन।

4. सेतु बनाना (Bridging: KB-T $\to$ DD-T $\to$ DD-O):

   • पथ: एक व्यापक प्रगति जो तीनों महत्वपूर्ण चरणों से गुजरती है: नियम-आधारित तर्क $\to$ पारदर्शी डेटा विश्लेषण $\to$ अपारदर्शी ML।
   • उदाहरण: छात्र निर्णय वृक्ष (decision trees) बनाते हैं (KB-T), डेटा का दृश्य विश्लेषण करते हैं (DD-T), और फिर एक अपारदर्शी लीफ आइडेंटिफिकेशन ऐप (DD-O) के साथ इंटरैक्ट करते हैं।
   • महत्व: यह सबसे अधिक शैक्षणिक रूप से सुदृढ़ पथ है, लेकिन वर्तमान में अभ्यास में सबसे दुर्लभ है।
   • आवृत्ति: केवल 2 अध्ययन।

5. महत्व और निहितार्थ (Significance and Implications)

• पाठ्यक्रम डिजाइन (Curriculum Design): यह ढाँचा शिक्षकों और शोधकर्ताओं को एक नैदानिक उपकरण (diagnostic tool) प्रदान करता है ताकि वे मूल्यांकन कर सकें कि कोई विशिष्ट पाठ्यक्रम डेटा साक्षरता परिदृश्य में कहाँ स्थित है। यह उन "ब्रिजिंग" (Bridging) पाठ्यक्रमों के अंतराल को उजागर करता है जो नियम-आधारित तर्क को अपारदर्शी AI से जोड़ते हैं।
• शैक्षणिक स्कैफोल्डिंग (Pedagogical Scaffolding): शोध पत्र का तर्क है कि प्रतिमानों के बीच जाने के लिए विशिष्ट स्कैफोल्डिंग की आवश्यकता होती है। उदाहरण के लिए, अपारदर्शी मॉडलों की ओर बढ़ने के लिए मॉडल कॉन्फिडेंस और मूल्यांकन मेट्रिक्स (जैसे, कन्फ्यूजन मैट्रिक्स) पर स्पष्ट निर्देश की आवश्यकता होती है, जबकि पारदर्शी मॉडल फीचर वेटिंग और वेरिएबल संबंधों पर ध्यान केंद्रित करते हैं।
• अंतर्विषयक संरेखण (Interdisciplinary Alignment): एक साझा शब्दावली स्थापित करके, यह ढाँचा CS, सांख्यिकी और गणित शिक्षा के बीच "खंडित परिप्रेक्ष्य" को पाटने में मदद करता है, जिससे अधिक सुसंगत डेटा साक्षरता निर्देश संभव होता है।
• भावी अनुसंधान (Future Research): लेखक इस ढांचे को मौजूदा पाठ्यक्रमों पर लागू करने, "ब्रिजिंग" पथ का समर्थन करने वाले उपकरण विकसित करने, और यह जांचने के लिए आगे के शोध का आह्वान करते हैं कि विभिन्न पथों के माध्यम से डेटा-संचालित प्रणालियों के प्रति शिक्षार्थियों के मानसिक मॉडल (mental models) कैसे विकसित होते हैं।

निष्कर्षतः, यह शोध पत्र यह प्रतिपादित करता है कि सिस्टम के तर्क (नियम बनाम डेटा) और व्याख्यात्मकता (पारदर्शी बनाम अपारदर्शी) को समझना K–12 डेटा साक्षरता के लिए महत्वपूर्ण है। यह क्षेत्र को एकल-प्रतिमान गतिविधियों से आगे बढ़कर संरचित पथों की ओर बढ़ने का आग्रह करता है जो छात्रों को उन अपारदर्शी AI प्रणालियों के साथ आलोचनात्मक रूप से जुड़ने में मदद करते हैं जिनका वे भविष्य में सामना करेंगे।