💬 NLP

Use of AI Tools: Guidelines to Maintain Academic Integrity in Computing Colleges

यह शोध पत्र मूल्यांकन प्रकारों को वर्गीकृत करके, शैक्षणिक लाभों और शैक्षणिक अखंडता के बीच संतुलन बनाने के लिए सामान्य और विशिष्ट दिशा-निर्देश प्रस्तावित करके, और एआई सहायता की उपस्थिति में छात्र मूल्यांकनों का मूल्यांकन करने के लिए एक औपचारिक गणितीय मॉडल पेश करके, कंप्यूटिंग शिक्षा में एआई उपकरणों को एकीकृत करने की चुनौतियों और अवसरों को संबोधित करता है।

मूल लेखक: Hatem M. El-boghdadi, Toqeer Ali Syed, Ali Akarma, Qamar Wali

प्रकाशित 2026-04-14

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hatem M. El-boghdadi, Toqeer Ali Syed, Ali Akarma, Qamar Wali

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

कल्पना कीजिए कि शिक्षा की दुनिया, विशेष रूप से कंप्यूटर विज्ञान, एक विशाल, हलचल भरी रसोई है। वर्षों से, शेफ (छात्र) अपनी सब्जियां खुद काटने, अपने मसाले खुद मापने और अपने बर्तन खुद चलाने के माध्यम से खाना बनाना सीख रहे हैं। यह उनके हुनर को सीखने का तरीका है।

अचानक, एक जादुई, सर्वज्ञ सहायक शेफ AI (जैसे ChatGPT) प्रकट हुआ है। यह रोबोट एक सेकंड में सब्जियां काट सकता है, सटीक रेसिपी लिख सकता है, और यहाँ तक कि व्यंजन को खूबसूरती से सजा भी सकता है।

यह पेपर अनिवार्य रूप से इस नई रसोई के लिए एक शेफ मैनुअल (सुरक्षा नियमावली) है। यह पूछता है: "यदि हम छात्रों को इस जादुई रोबोट का उपयोग करने दें, तो हम यह कैसे सुनिश्चित करें कि वे अभी भी खाना बनाना सीख रहे हैं, और हम इसे कैसे रोकें कि वे बस रोबोट के काम को अपना बताकर जमा न कर दें?"

यहाँ पेपर को सरल, रोजमर्रा की अवधारणाओं में तोड़कर समझाया गया है:

1. समस्या: "जादुई छड़ी" बनाम "मांसपेशी"

लेखक बताते हैं कि AI अद्भुत है। यह समय बचाता है और आपको कठिन अवधारणाओं को समझने में मदद करता है (जैसे ड्राइविंग में आपकी मदद करने वाला GPS)। लेकिन, यदि आप GPS को आपके लिए कार चलाने देते हैं, तो आप कभी स्टीयरिंग करना नहीं सीख पाएंगे।

जोखिम: यदि छात्र केवल AI से अपना कोड या निबंध लिखने के लिए कहते हैं और उसे जमा कर देते हैं, तो वे अपनी आलोचनात्मक सोच की "मांसपेशी" का निर्माण नहीं कर रहे हैं। उन्हें 'A' ग्रेड मिल सकता है, लेकिन वे जीवन में बाद में टूटे हुए इंजन को ठीक करना नहीं जान पाएंगे।
लक्ष्य: हम GPS को प्रतिबंधित नहीं करना चाहते। हम चाहते हैं कि छात्र इसे एक साधन (tool) के रूप में उपयोग करना सीखें, न कि एक सहारे (crutch) के रूप में।

2. समाधान: रसोई के लिए नए नियम

पेपर सुझाव देता है कि रोबोट को प्रतिबंधित करने के बजाय, शिक्षकों को यह बदलना होगा कि वे छात्रों का परीक्षण कैसे करते हैं। वे इसे दो भागों में विभाजित करते हैं: सामान्य नियम और विशिष्ट नियम।

सामान्य नियम (सभी कक्षाओं के लिए "स्वर्ण नियम")

"रसीद" का नियम (प्रकटीकरण/Disclosure): यदि आप रोबोट का उपयोग करते हैं, तो आपको स्पष्ट रूप से लिखना होगा कि आपने उससे क्या करवाया है। यह एक स्टोर पर रसीद दिखाने जैसा है; आप यह नहीं छिपा सकते कि आपने सामग्री कहाँ से खरीदी है।
"स्वाद परीक्षण" (मौखिक रक्षा/Oral Defense): एक छात्र द्वारा प्रोजेक्ट जमा करने के बाद, शिक्षक उससे सवाल पूछते हैं। "आपने यह मसाला क्यों चुना?" "यह कोड कैसे काम करता है?" यदि छात्र इसकी व्याख्या नहीं कर सकता, तो उसने इसे नहीं बनाया है।
"रीमिक्स" असाइनमेंट: अंतिम व्यंजन मांगने के बजाय, छात्र को यह करने के लिए कहें कि रोबोट एक ड्राफ्ट बनाए, और फिर छात्र को उसे ठीक करने, सुधारने और यह समझाने के लिए कहें कि उन्होंने क्यों बदलाव किया। ग्रेड सुधार के लिए है, न कि मूल ड्राफ्ट के लिए।

विशिष्ट नियम (कार्य के अनुसार तैयार किए गए)

पेपर विभिन्न प्रकार के "व्यंजनों" के लिए विशिष्ट सलाह देता है:

होमवर्क: "सॉर्टिंग समझाएं" जैसे अस्पष्ट प्रश्न न पूछें। विशिष्ट, अजीब प्रश्न पूछें जैसे "इस विशिष्ट नियम का उपयोग करके 1,000 नंबरों की इस विशिष्ट सूची को सॉर्ट करें।" रोबोट इसमें गलत हो सकता है, जो छात्र को सोचने के लिए मजबूर करेगा।
कोडिंग प्रोजेक्ट्स: छात्रों को एक "कुकिंग डायरी" (Git जैसे वर्जन कंट्रोल लॉग) रखने के लिए कहें जो उनके द्वारा उठाए गए हर कदम को दिखाए। यदि वे यह नहीं दिखा सकते कि उन्होंने इसे कैसे बनाया, तो उन्होंने इसे नहीं बनाया है।
निबंध: छात्र को AI के साथ एक निबंध लिखने को कहें, और फिर AI के बिना एक दूसरा निबंध लिखने को कहें। फिर, उन्हें दोनों की तुलना करने के लिए कहें। ग्रेड उनकी इस क्षमता के लिए है कि वे अंतर को पहचान सकें और AI की गलतियों को सुधार सकें।
मौखिक प्रस्तुति (Oral Presentations): आप अपना स्क्रिप्ट लिखने के लिए AI का उपयोग कर सकते हैं, लेकिन आपको दर्शकों के सवालों का लाइव जवाब देना होगा। यदि आप सवाल पूछे जाने पर अटक जाते हैं, तो स्क्रिप्ट ने आपकी मदद नहीं की।

3. "गणितीय रेसिपी" (औपचारिक मॉडल)

लेखक सेक्शन 5 में थोड़े तकनीकी हो जाते हैं, लेकिन इसे एक स्कोरकार्ड फॉर्मूला के रूप में समझें।

कल्पना कीजिए कि छात्र का अंतिम ग्रेड केवल एक नंबर नहीं है। यह तीन सामग्रियों से बना एक स्मूदी है:

अंतिम उत्पाद (40%): कोड/निबंध कितना अच्छा दिखता है?
"रीमिक्स" प्रयास (30%): छात्र ने AI के ड्राफ्ट में कितना सुधार किया?
"स्वाद परीक्षण" (30%): क्या छात्र ने मौखिक साक्षात्कार पास किया जिससे साबित हो कि वह समझता है?

वहाँ एक सुरक्षा स्विच (इंटीग्रिटी फ्लैग) भी है। यदि छात्र ने यह स्वीकार नहीं किया कि उसने रोबोट का उपयोग किया था, या यदि वह मौखिक साक्षात्कार में विफल रहा, तो सुरक्षा स्विच "जीरो" पर चला जाता है, और उसे कोई क्रेडिट नहीं मिलता, चाहे अंतिम उत्पाद कितना भी अच्छा क्यों न हो।

4. बड़ी तस्वीर

पेपर निष्कर्ष निकालता है कि हम AI ट्रेन को रोक नहीं सकते; यह पहले से ही चल रही है। इसे रोकने के बजाय, हमें बेहतर पटरियाँ बनाने की आवश्यकता है।

पुराना तरीका: रोबोट को प्रतिबंधित करना, उम्मीद करना कि छात्र इसका उपयोग नहीं करेंगे, और यदि वे करते हैं तो उन्हें दंडित करना।
नया तरीका: रोबोट को अपनाना, लेकिन परीक्षणों को इस तरह बदलना ताकि रोबोट का उपयोग करने के लिए छात्र को और अधिक सोचना, अधिक समझाना और यह साबित करने की आवश्यकता हो कि वे मास्टर शेफ हैं, न कि केवल रोबोट के सहायक।

संक्षेप में: यह पेपर शिक्षकों के लिए एक मार्गदर्शिका है कि वे भविष्य से लड़ना बंद करें और छात्रों को भविष्य का जिम्मेदारी से उपयोग करना सिखाना शुरू करें, यह सुनिश्चित करते हुए कि जब वे स्नातक हों, तो वे स्वयं स्टीयरिंग व्हील थामे हों, न कि AI।

यहाँ शोध पत्र "Use of AI Tools: Guidelines to Maintain Academic Integrity in Computing Colleges" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

कंप्यूटिंग शिक्षा में जेनरेटिव एआई (Generative AI) टूल्स (जैसे, ChatGPT, GitHub Copilot) का तीव्र एकीकरण एक दोहरा प्रभाव पैदा कर रहा है: जबकि ये टूल्स सीखने की दक्षता और आत्म-प्रभावकारिता (self-efficacy) को बढ़ाते हैं, वे शैक्षणिक अखंडता (academic integrity) के लिए महत्वपूर्ण खतरे भी उत्पन्न करते हैं।

मुख्य मुद्दा: संरचित दिशानिर्देशों के अभाव में एआई का दुरुपयोग होता है, जहाँ छात्र एआई-जनित कार्य को अपना बताकर प्रस्तुत करते हैं, जिसके परिणामस्वरूप सतही समझ, आलोचनात्मक सोच की कमी और संभावित साहित्यिक चोरी (plagiarism) होती है।
संदर्भ: पारंपरिक मूल्यांकन विधियाँ (होमवर्क, टेक-होम परीक्षा, कोडिंग प्रोजेक्ट्स) एआई स्वचालन (automation) के प्रति तेजी से संवेदनशील हो रही हैं। संस्थान एक दुविधा का सामना कर रहे हैं: टूल्स पर प्रतिबंध लगाना (जो उनके शैक्षणिक क्षमता को अनदेखा करता है) या अनियंत्रित उपयोग की अनुमति देना (जो शैक्षिक परिणामों से समझौता करता है)।
विशिष्ट चुनौती: एक ऐसे एकीकृत ढांचे (unified framework) की कमी है जो कंप्यूटिंग विषयों में एआई सहायता के लाभों और छात्र के स्वामित्व (authorship) एवं वैचारिक महारत को सत्यापित करने की अनिवार्यता के बीच संतुलन बना सके।

2. कार्यप्रणाली (Methodology)

यह शोध पत्र एक गुणात्मक विश्लेषण और फ्रेमवर्क डिजाइन दृष्टिकोण का उपयोग करता है, जो इस प्रकार संरचित है:

मूल्यांकनों का वर्गीकरण: लेखक कंप्यूटिंग कॉलेजों में सामान्य मूल्यांकन प्रकारों (जैसे, होमवर्क, टेक-होम परीक्षा, इन-क्लास क्विज़, कोडिंग प्रोजेक्ट्स, डिज़ाइन प्रोजेक्ट्स, मौखिक प्रस्तुति, पीयर असेसमेंट) को वर्गीकृत करते हैं ताकि यह विश्लेषण किया जा सके कि विशिष्ट एआई टूल्स (LLMs बनाम कोड-कम्प्लीशन टूल्स) प्रत्येक को कैसे प्रभावित करते हैं।
दिशानिर्देश विकास: वर्गीकरण के आधार पर, लेखक दो-स्तरीय दिशानिर्देश तैयार करते हैं:
1. सामान्य दिशानिर्देश: सभी प्रकार के मूल्यांकनों पर लागू होने वाले (जैसे, अनिवार्य प्रकटीकरण, मौखिक रक्षा/oral defenses)।
2. विशिष्ट दिशानिर्देश: प्रत्येक मूल्यांकन प्रकार के लिए अनुकूलित रणनीतियाँ (जैसे, कोडिंग के लिए वर्जन कंट्रोल लॉग की आवश्यकता, निबंधों के लिए तुलनात्मक विश्लेषण)।
औपचारिक गणितीय मॉडलिंग: लेखक मूल्यांकन प्रक्रिया को मापने के लिए एक औपचारिक गणितीय मॉडल प्रस्तावित करते हैं। यह मॉडल मूल्यांकन कार्यों, टूल्स और दिशानिर्देशों के सेट को परिभाषित करता है, और प्रकटीकरण (disclosure), परिशोधन (refinement), सत्यापन (verification) और ग्रेडिंग के लिए फंक्शन पेश करता है।

3. मुख्य योगदान (Key Contributions)

A. मूल्यांकनों पर एआई प्रभाव का वर्गीकरण (Taxonomy of AI Impact on Assessments)

शोध पत्र एआई टूल क्षमताओं और मूल्यांकन जोखिमों के बीच एक विस्तृत मैपिंग प्रदान करता है (तालिका 1):

टेक्स्ट जनरेटर (ChatGPT): मुख्य रूप से निबंधों, साहित्य समीक्षाओं और वैचारिक होमवर्क को प्रभावित करते हैं। जोखिमों में सतही समझ और मौलिकता की कमी शामिल है।
कोड असिस्टेंट (GitHub Copilot): मुख्य रूप से प्रोग्रामिंग असाइनमेंट और प्रोजेक्ट्स को प्रभावित करते हैं। जोखिमों में बिना समझ के कोड आउटसोर्सिंग और निर्भरता शामिल है।

B. व्यापक दिशानिर्देश ढांचा (Comprehensive Guideline Framework)

यह पत्र प्रशिक्क्षकों (instructors) के लिए व्यावहारिक रणनीतियाँ प्रदान करता है:

सामान्य दिशानिर्देश:
- अनिवार्य प्रकटीकरण (Mandatory Disclosure): छात्रों को एआई उपयोग का स्पष्ट रूप से उल्लेख करना चाहिए और सहायता की सीमा को समझाना चाहिए।
- सत्यापन तंत्र (Verification Mechanisms): स्वामित्व को सत्यापित करने के लिए सबमिशन के बाद साक्षात्कार, मौखिक रक्षा (oral defenses), और लाइव कोडिंग सत्रों का कार्यान्वयन।
- आलोचनात्मक समीक्षा (Critical Review): ऐसे असाइनमेंट जहाँ छात्रों को एआई-जनित ड्राफ्ट की आलोचना, संशोधन या संवर्धन करना आवश्यक हो।
मूल्यांकन-विशिष्ट रणनीतियाँ:
- होमवर्क: जेनेरिक एआई समाधानों को रोकने के लिए विशिष्ट, पैरामीटराइज्ड समस्याओं (जैसे, अद्वितीय डेटासेट) का उपयोग करें।
- प्रोग्रामिंग प्रोजेक्ट्स: वर्जन कंट्रोल लॉग (Git), डिज़ाइन तर्क (design rationales), और पुनरावृत्ति कोड वॉकथ्रू (iterative code walkthroughs) की आवश्यकता।
- साहित्य समीक्षा/निबंध: एक "तुलनात्मक मूल्यांकन रिपोर्ट" की आवश्यकता, जहाँ छात्र अपने स्वतंत्र लेखन और एआई ड्राफ्ट के बीच के अंतर का विश्लेषण करें।
- मौखिक प्रस्तुति (Oral Presentations): स्क्रिप्ट पढ़ने के बजाय स्वाभाविक समझ का परीक्षण करने के लिए प्रश्नोत्तर (Q&A) सत्रों पर ध्यान केंद्रित करना।

C. मूल्यांकन के लिए औपचारिक गणितीय मॉडल (Formal Mathematical Model for Evaluation)

यह पत्र एआई-सहायता प्राप्त सबमिशन का मूल्यांकन करने के लिए एक कठोर गणितीय ढांचा पेश करता है।

परिभाषाएँ:
- $\mathcal{A}$ : मूल्यांकन कार्यों का सेट।
- $\mathcal{T}$ : स्वीकृत एआई टूल्स का सेट।
- $S_{AI}$ : एआई-जनित ड्राफ्ट; $S_{ST}$ : छात्र-लिखित सबमिशन।
- $d(a)$ : प्रकटीकरण फ्लैग (0 या 1)।
- $r(S_{AI}, S_{ST})$ : परिशोधन कारक (0 से 1), जो एआई आउटपुट में छात्र के संशोधन को मापता है।
- $v(S_{ST}, r)$ : सत्यापन फ्लैग (0 या 1), जो मौखिक/इंटरैक्टिव जांच के माध्यम से समझ की पुष्टि करता है।
ग्रेडिंग फंक्शन:
$G(a) = w_1 \times \text{score}(S_{ST}) + w_2 \times r(S_{AI}, S_{ST}) + w_3 \times v(S_{ST}, r)$
जहाँ $w_1, w_2, w_3$ भार (weights) हैं जिनका योग 1 है, जो मूल्यांकन के प्रकार के आधार पर समायोज्य हैं।
अखंडता फ्लैग (Integrity Flag):
$I(a) = d(a) \land v(S_{ST}, r)$
एक मूल्यांकन तभी वैध ( $I(a)=1$ ) है जब एआई उपयोग का खुलासा किया गया था और छात्र ने समझ के सत्यापन को पास किया है।

4. परिणाम और निष्कर्ष (Results and Findings)

एकीकरण की व्यवहार्यता: अध्ययन प्रदर्शित करता है कि यदि मूल्यांकन का डिज़ाइन "केवल आउटपुट" मूल्यांकन से बदलकर "प्रक्रिया-और-समझ" मूल्यांकन में बदल जाए, तो कंप्यूटिंग शिक्षा में एआई टूल्स को अखंडता से समझौता किए बिना एकीकृत किया जा सकता है।
सत्यापन की प्रभावशीलता: प्रस्तावित मॉडल इस बात पर प्रकाश डालता है कि मौखिक सत्यापन और परिशोधन विश्लेषण दुरुपयोग का पता लगाने और सीखने को सुनिश्चित करने के लिए सबसे प्रभावी तंत्र हैं।
समता संबंधी विचार (Equity Considerations): शोध पत्र नोट करता है कि दिशानिर्देशों को समता (equity) को संबोधित करना चाहिए, यह सुनिश्चित करते हुए कि मूल्यांकन प्रीमियम एआई सुविधाओं पर निर्भर न हो जो सभी छात्रों के लिए उपलब्ध नहीं हैं, और एल्गोरिथम पूर्वाग्रह को कम करने के लिए मानवीय निरीक्षण आवश्यक है।
वर्कफ़्लो अनुकूलन: चित्र 2 एक सुव्यवस्थित वर्कफ़्लो को दर्शाता है जहाँ एआई का उपयोग पारदर्शी है, सबमिशन में विश्लेषण/चिंतन शामिल है, और अंतिम ग्रेडिंग सत्यापन परिणामों को शामिल करती है।

5. महत्व (Significance)

शिक्षकों के लिए व्यावहारिक ढांचा: यह शोध पत्र केवल सैद्धांतिक बहस से आगे बढ़कर कंप्यूटिंग कॉलेजों के प्रशिक्क्षकों के लिए एक ठोस, परिचालन टूलकिट प्रदान करता है। यह विविध मूल्यांकन प्रकारों के लिए विशिष्ट रूब्रिक्स और रणनीतियाँ प्रदान करता है।
अखंडता का मानकीकरण: इंटीग्रिटी फ्लैग ( $I(a)$ ) और परिशोधन कारक ( $r$ ) को पेश करके, यह शोध पत्र एआई के युग में शैक्षणिक ईमानदारी को गणितीय रूप से परिभाषित और गणना करने का एक मानकीकृत तरीका प्रस्तावित करता है।
शैक्षणिक बदलाव (Pedagogical Shift): यह एक ऐसे प्रतिमान (paradigm) की वकालत करता है जहाँ एआई को विचार के विकल्प के बजाय एक "कैलकुलेटर" या "स्कैफोल्ड" के रूप में माना जाता है। ध्यान एआई के उपयोग को रोकने से हटकर जिम्मेदार एआई जुड़ाव और एआई आउटपुट के आलोचनात्मक मूल्यांकन को सिखाने पर केंद्रित हो जाता है।
स्केलेबिलिटी (Scalability): औपचारिक मॉडल संस्थानों को विशिष्ट शिक्षण परिणामों के आधार पर ग्रेडिंग वेट ( $w_1, w_2, w_3$ ) को अनुकूलित करने की अनुमति देता है, जिससे विभिन्न कंप्यूटिंग विषयों (जैसे, सॉफ्टवेयर इंजीनियरिंग बनाम डेटा साइंस) के लिए यह ढांचा लचीला बन जाता है।

निष्कर्षतः, शोध पत्र का तर्क है कि एआई-प्रेरित शैक्षणिक बेईमानी का समाधान निषेध (prohibition) नहीं है, बल्कि पारदर्शिता, आलोचनात्मक जुड़ाव और कठोर सत्यापन तंत्र द्वारा निर्देशित संरचित एकीकरण है।