← नवीनतम पेपर
🔬 physics

Locating acts of mechanistic reasoning in student team conversations with mechanistic machine learning

यह शोध पत्र डोमेन-संरेखित प्रेरणात्मक पूर्वाग्रहों (domain-aligned inductive biases) से संवर्धित एक व्याख्या योग्य मशीन लर्निंग मॉडल प्रस्तुत करता है जो STEM टीम की बातचीत में छात्रों के यांत्रिक तर्क (mechanistic reasoning) के कार्यों को स्वचालित रूप से पहचानने और खोजने के लिए है, जो बेहतर सामान्यीकरण प्रदर्शित करता है और शिक्षा अनुसंधानकर्ताओं एवं ML डिजाइनरों दोनों के लिए व्यावहारिक मार्गदर्शन प्रदान करता है।

मूल लेखक: Kaitlin Gili, Mainak Nistala, Kristen Wendell, Michael C. Hughes

प्रकाशित 2026-04-24
📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Kaitlin Gili, Mainak Nistala, Kristen Wendell, Michael C. Hughes

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 आप एक शिक्षक हैं जो यह समझने की कोशिश कर रहे हैं कि छात्रों का एक समूह मिलकर एक कठिन पहेली को कैसे हल करता है। आपके पास उनकी बातचीत की घंटों लंबी ऑडियो रिकॉर्डिंग है। आप जानते हैं कि कुछ खास पलों में, वे कुछ विशेष कर रहे होते हैं: वे मैकेनिस्टिक रीजनिंग (mechanistic reasoning) का उपयोग कर रहे होते हैं। इसका मतलब है कि वे केवल अनुमान नहीं लगा रहे हैं; बल्कि वे यह समझने की कोशिश कर रहे हैं कि चीजें कैसे और क्यों काम करती हैं, इसके लिए वे हिस्सों (entities), गतिविधियों (activities) और प्रभाव पैदा करने के लिए उनके जुड़ाव को पहचान रहे हैं।

समस्या क्या है? बातचीत के घंटों को सुनकर उन विशिष्ट "अहा!" (aha!) क्षणों को खोजना थका देने वाला काम है। यह घास के ढेर में सुई खोजने जैसा है, लेकिन यहाँ सुइयाँ अपनी जगह बदलती रहती हैं।

यह शोध पत्र एक नए स्मार्ट असिस्टेंट (एक मशीन लर्निंग टूल) को पेश करता है, जिसे शोधकर्ताओं का भारी काम आसान करने के लिए बनाया गया है। यहाँ बताया गया है कि यह कैसे काम करता है, सरल उपमाओं (analogies) का उपयोग करते हुए।

1. समस्या: "ब्लैक बॉक्स" बनाम "ग्लास हाउस"

आमतौर पर, जब हम टेक्स्ट का विश्लेषण करने के लिए AI का उपयोग करते हैं, तो यह एक ब्लैक बॉक्स (Black Box) की तरह होता है। आप इसमें एक बातचीत डालते हैं, और यह आपको "मैकेनिस्टिक रीजनिंग: हाँ/नहीं" जैसा एक लेबल दे देता है। लेकिन आपको पता नहीं चलता कि इसने वह चुनाव क्यों किया। यह एक जादूगर की तरह है जो टोपी से खरगोश निकालता है; आप परिणाम तो जानते हैं, लेकिन आप यह नहीं जानते कि वह करतब (trick) क्या था।

शोधकर्ता एक ग्लास हाउस (Glass House) चाहते थे। वे एक ऐसा टूल चाहते थे जहाँ वे देख सकें कि निर्णय कैसे लिया गया। वे जानना चाहते थे: "क्या AI ने यह सोचा कि छात्र मैकेनिस्टिक रीजनिंग कर रहा है क्योंकि उसने कुछ स्मार्ट कहा, या इसलिए क्योंकि उसके साथी ने अभी-अभी कुछ स्मार्ट कहा?"

2. समाधान: एक "टीम मूड रिंग"

शोधकर्ताओं ने एक मॉडल बनाया है जो एक टीम मूड रिंग (Team Mood Ring) की तरह काम करता है।

  • सेटअप: कल्पना कीजिए कि छात्रों का एक समूह मेज के चारों ओर बैठा है। AI उन्हें देख रहा है।
  • दो स्तर: AI दो चीजों को एक साथ ट्रैक करता है:
    1. व्यक्तिगत मूड (Individual Mood): क्या छात्र A वर्तमान में इस बारे में गहराई से सोच रहा है कि मशीन कैसे काम करती है?
    2. समूह का मूड (Group Mood): क्या पूरी टीम "गहन सोच" (deep thinking) की स्थिति में है?
  • जादुई संबंध: मॉडल को इस तरह डिज़ाइन किया गया है कि ये दोनों मूड एक-दूसरे को प्रभावित करते हैं। यदि छात्र A कुछ शानदार कहता है, तो AI न केवल छात्र A को चिह्नित करता है; बल्कि यह "ग्रुप मूड" को भी थोड़ा बढ़ा देता है। यदि ग्रुप मूड उच्च है, तो यह छात्र B (जो वर्तमान में चुप है) को अगले क्षण में "गहराई से सोचने" के रूप में चिह्नित करने की संभावना को भी बढ़ा देता है।

3. सीक्रेट सॉस: "इंडक्टिव बायस" (Inductive Bias - नियम पुस्तिका)

यह इस शोध पत्र का सबसे महत्वपूर्ण हिस्सा है। अधिकांश AI केवल डेटा को देखते हैं और पैटर्न का अनुमान लगाते हैं। हालाँकि, इस AI को सीखने से पहले एक नियम पुस्तिका (Rulebook) दी गई थी (जिसे इंडक्टिव बायस कहा जाता है)।

इसे एक बच्चे को फुटबॉल सिखाने जैसा समझें।

  • स्टैंडर्ड AI: आप बच्चे को 1,000 गेम देखने देते हैं और उम्मीद करते हैं कि वह खुद समझ जाएगा कि गेंद को नेट में किक करना अच्छा है।
  • यह AI: आप बच्चे को बताते हैं, "सुनो, अगर कोई गेंद पास करता है, तो अगली बार किसी दूसरे व्यक्ति द्वारा उसे किक करने की अधिक संभावना होती है।" आपने वह नियम उनके दिमाग में पहले ही डाल दिया।

इस शोध पत्र में, "नियम पुस्तिका" कहती है: "यदि कोई छात्र बोलता है और मैकेनिस्टिक रीजनिंग का प्रमाण देता है, तो यह संभावना तुरंत बढ़ जानी चाहिए कि वे (और उनकी टीम) एक 'रीजनिंग स्टेट' में हैं।"

शोधकर्ताओं ने इसे दो संस्करणों वाले AI बनाकर परखा:

  1. "नियम पुस्तिका" वाला संस्करण: जिसमें समूह के माध्यम से रीजनिंग कैसे फैलती है, इसके विशिष्ट नियम थे।
  2. "ब्लैंक स्लेट" (खाली स्लेट) वाला संस्करण: जिसमें कोई नियम नहीं थे, केवल कच्चा डेटा था।

4. परिणाम: नियम पुस्तिका की जीत

उन्होंने नए छात्रों और नई समस्याओं पर दोनों संस्करणों का परीक्षण किया जिन्हें उन्होंने पहले कभी नहीं देखा था।

  • ब्लैंक स्लेट AI भ्रमित हो गया। यह अच्छी तरह से सामान्यीकरण (generalize) नहीं कर सका। यह उस छात्र की तरह था जिसने एक परीक्षा के उत्तर रट लिए लेकिन अगली परीक्षा में फेल हो गया क्योंकि प्रश्न थोड़े अलग थे।
  • "नियम पुस्तिका" वाला AI बहुत बेहतर प्रदर्शन कर रहा था। क्योंकि वह समझता था कि रीजनिंग का तंत्र (mechanism) क्या है (वह जानता है कि रीजनिंग संक्रामक होती है और खुद पर आधारित होती है), वह नए हालातों में भी "अहा!" क्षणों को पहचान सकता था।

5. यह क्यों मायने रखता है

लेखकों का तर्क है कि विज्ञान और इंजीनियरिंग शिक्षा में, हमें AI का उपयोग केवल एक जादुई ब्लैक बॉक्स के रूप में नहीं करना चाहिए। हमें ऐसे टूल्स की आवश्यकता है जो व्याख्या योग्य (interpretable) हों।

  • शोधकर्ताओं के लिए: वे टूल पर भरोसा कर सकते हैं क्योंकि वे इसके पीछे के "तंत्र" (mechanism) को समझते हैं। वे जानते हैं कि AI ने एक विशिष्ट वाक्य को क्यों चिह्नित किया।
  • छात्रों के लिए: इसका अर्थ है कि हम बेहतर ढंग से समझ सकते हैं कि छात्र मिलकर कैसे सीखते हैं, जिससे शिक्षकों को समूह का मार्गदर्शन करने के लिए सही समय पर हस्तक्षेप करने में मदद मिलती है।

सारांश उपमा

कल्पना कीजिए कि आप एक अराजक डांस पार्टी में सबसे अच्छे पलों को खोजने की कोशिश कर रहे हैं।

  • पुराना तरीका: आप पूरा वीडियो देखते हैं और हर बार पॉज करते हैं जब कोई बढ़िया मूव करता है। (इसमें बहुत समय लगता है)।
  • स्टैंडर्ड AI का तरीका: आप एक रोबोट को वीडियो देखने के लिए कहते हैं। वह रैंडम लोगों की ओर इशारा करता है और कहता "कूल मूव!" लेकिन आपको नहीं पता कि क्यों।
  • इस पेपर का तरीका: आप रोबोट को चश्मे देते हैं जो ऊर्जा के प्रसार को हाइलाइट करते हैं। यदि कोई व्यक्ति एक विशिष्ट लय के साथ नाचना शुरू करता है (मैकेनिस्टिक रीजनिंग), तो चश्मा स्वचालित रूप से उस व्यक्ति और उनके पास खड़े लोगों को भी चमका देता है, यह भविष्यवाणी करते हुए कि लय जल्द ही फैलने वाली है। रोबोट समझाता है, "मैंने उन्हें इसलिए हाइलाइट किया क्योंकि लय यहीं से शुरू हुई है, और भौतिकी (physics) कहती है कि यह पड़ोसियों तक फैलेगी।"

यह पेपर साबित करता है कि रोबोट को ये "चश्मे" (इंडक्टिव बायस) देने से वह उन "कूल मूव्स" को खोजने में बहुत बेहतर हो जाता है, भले ही वह किसी ऐसी पार्टी में हो जहाँ वह पहले कभी नहीं गया।

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 🔬 physics →