Prediction Model of Motivators and Demotivators of Integrating Large Language Models in Software Engineering Education: An Empirical Study

तकनीकी सारांश: सॉफ्टवेयर इंजीनियरिंग शिक्षा में लार्ज लैंग्वेज मॉडल्स (LLMs) के एकीकरण के प्रेरक और निरुत्साहजनक कारकों का प्रेडिक्शन मॉडल

समस्या विवरण
जबकि लार्ज लैंग्वेज मॉडल्स (LLMs) सॉफ्टवेयर इंजीनियरिंग अभ्यास को तेजी से बदल रहे हैं, उनके व्यवस्थित एकीकरण का सॉफ्टवेयर इंजीनियरिंग शिक्षा में अभी भी अन्वेषण किया जाना शेष है। मौजूदा शोध मुख्य रूप से तकनीकी प्रदर्शन मूल्यांकन, कक्षा केस स्टडीज, या लाभ और जोखिमों की वर्णनात्मक चर्चाओं पर केंद्रित है। संस्थाओं को LLM अपनाने के बारे में रणनीतिक निर्णय लेने के लिए मार्गदर्शन करने वाले अनुभवजन्य, लागत-सचेत मॉडलों में एक महत्वपूर्ण अंतर है। विशेष रूप से, उन ढांचों की कमी है जो विशिष्ट प्रेरकों (motivators) को लागू करने और निरुत्साहजनक कारकों (demotivators) को कम करने के लिए आवश्यक संस्थागत प्रयास या लागत और सफल एकीकरण की कथित संभावना (परिचितता/familiarity) के बीच के ट्रेड-ऑफ को मात्रात्मक रूप से दर्शा सकें।

कार्यप्रणाली
यह अध्ययन इस अंतराल को भरने के लिए एक चार-चरणीय अनुभवजन्य और कम्प्यूटेशनल कार्यप्रणाली का उपयोग करता है:

1. वर्गीकरण विकास (Taxonomy Development): एक पूर्व व्यवस्थित साहित्य समीक्षा पर आधारित, लेखकों ने साहित्य सर्वेक्षण से प्राप्त 19 मान्य कारकों (9 प्रेरक और 10 निरुत्साहजनक) को संचालित किया। इन कारकों को प्रेरकों के लिए चार मुख्य विषयों (जैसे, सीखने के अनुभवों को बढ़ाना, कौशल विकास) और निरुत्साहकों के लिए चार विषयों (जैसे, सीखने की चुनौतियां, शैक्षणिक अखंडता) में वर्गीकृत किया गया था।
2. डेटा संग्रह: विभिन्न देशों (मुख्य रूप से फिनलैंड, सऊदी अरब, पाकिस्तान और चीन) में सॉफ्टवेयर इंजीनियरिंग शिक्षा के 126 हितधारकों को एक संरचित सर्वेक्षण आयोजित किया गया। उत्तरदाताओं ने प्रत्येक कारक के कथित प्रभाव और कार्यान्वयन लागत/प्रयास को 9-पॉइंट लिकर्ट स्केल (Likert scale) का उपयोग करके रेट किया।
3. संभाव्यता मॉडलिंग (Probabilistic Modeling): सर्वेक्षण डेटा का उपयोग दो संभाव्यता क्लासिफायर: नैव बेयस (Naïve Bayes - NB) और लॉजिस्टिक रिग्रेशन (Logistic Regression - LR) को प्रशिक्षित करने के लिए किया गया। लक्षित चर (target variable) "उच्च LLM परिचितता" (रेटिंग 7–9) बनाम मध्यम/निम्न परिचितता का एक बाइनरी संकेतक था। मॉडल को उच्च वर्गीकरण सटीकता के लिए नहीं, बल्कि कारकों की तीव्रता के किसी भी विन्यास (configuration) के लिए स्थिर संभाव्यता अनुमान ($\hat{P}(Y=1|s)$) उत्पन्न करने के लिए अनुकूलित किया गया था। एकल मॉडलिंग धारणा पर निर्भरता को कम करने के लिए दोनों मॉडलों के आउटपुट को औसत निकालकर एक एकत्रित संभाव्यता अनुमान की गणना की गई।
4. अनुकूलन ढांचा (Optimization Framework): एक जेनेटिक एल्गोरिदम (GA) का उपयोग एक एकल-उद्देश्य अनुकूलन समस्या को हल करने के लिए किया गया। उद्देश्य फलन (objective function) उच्च परिचितता की एकत्रित संभाव्यता और सामान्यीकृत कार्यान्वयन लागत के बीच के अंतर को अधिकतम करता था:
   $$F(s) = \hat{P}_{agg}(s) - C_{norm}(s)$$
   जहाँ $s$ कारकों के स्तरों (1–9) का एक विन्यास है, और लागत चुनी गई तीव्रता स्तर के सीधे आनुपातिक है। GA ने तीन स्तरों पर अनुकूलन किया: वैश्विक (सभी 19 कारकों में), श्रेणी-स्तर (सभी 8 मुख्य विषयों में), और कारक-स्तर (श्रेणियों के भीतर)।

प्रमुख परिणाम

• वर्णनात्मक निष्कर्ष: उत्तरदाताओं ने "प्रोग्रामिंग सहायता और डिबगिंग सपोर्ट" और "व्यक्तिगत और अनुकूलन योग्य शिक्षण" को सबसे मजबूत प्रेरक के रूप में पहचाना। इसके विपरीत, "साहित्यिक चोरी और बौद्धिक संपदा संबंधी चिंताएं," "AI पर अत्यधिक निर्भरता," और "क्रिटिकल थिंकिंग में कमी" सबसे महत्वपूर्ण निरुत्साहजनक कारक थे।
• भविधिक मॉडलिंग: संभाव्यता मॉडलों ने 0.461 की वर्गीकरण सटीकता प्राप्त की, जो बहुमत-वर्ग बेसलाइन से कम है। लेखक इसे विफलता के रूप में नहीं, बल्कि इस प्रमाण के रूप में व्याख्या करते हैं कि परिचितता स्तर के बावजूद उत्तरदाताओं के बीच LLM लाभों और जोखिमों के प्रति धारणा पैटर्न व्यापक रूप से समान हैं। फलस्वरूप, मॉडल व्यक्तिगत वर्गीकरण के लिए एक प्रेडिक्टिव टूल के बजाय अनुकूलन के लिए एक निरंतर संभाव्यता सतह (continuous probability surface) के रूप में कार्य करते हैं।
• वैश्विक अनुकूलन (GC): GA ने पहचान की कि "औसत" रणनीति (औसत सर्वेक्षण रेटिंग के आधार पर) लागत-कुशल नहीं है। इष्टतम वैश्विक विन्यास शासन (governance) और अखंडता तंत्र को प्राथमिकता देता है। विशेष रूप से, "साहित्यिक चोरी और बौद्धिक संपदा संबंधी चिंताएं" (स्तर 8) और "AI-सहायता प्राप्त शिक्षण में नैतिक चिंताएं" (स्तर 6) को उच्चतम तीव्रता आवंटन प्राप्त हुआ। अधिकांश शैक्षणिक कारकों (जैसे, प्रोग्रामिंग सहायता, व्यक्तिगत शिक्षण) को कुल लागत को नियंत्रित करने के लिए न्यूनतम (स्तर 1) किया गया, जो यह सुझाव देता है कि व्यापक शैक्षणिक विस्तार से पहले शासन संबंधी आधार तैयार होने चाहिए।
• श्रेणी-स्तर का अनुकूलन: शैक्षणिक रूप से उन्मुख श्रेणियों, विशेष रूप से "सहयोग और सहकर्मी शिक्षण" और "सीखने के अनुभवों को बढ़ाना" ने मध्यम प्रयास के साथ उच्चतम सीमांत दक्षता लाभ ($\Delta$Fitness) दिए। इसके विपरीत, संरचनात्मक रूप से गहन डोमेन जैसे "आकलन और शैक्षणिक अखंडता" और "एकीकरण और व्यावहारिक कार्यान्वयन" को कम सापेक्ष लाभ के लिए उच्च प्रयास की आवश्यकता थी।
• कारक-स्तर का अनुकूलन: श्रेणियों के भीतर, मॉडल ने सतही जुड़ाव के बजाय गहरे संज्ञानात्मक कारकों (जैसे, "वैचारिक समझ," "सॉफ्टवेयर इंजीनियरिंग प्रक्रिया की समझ") को प्राथमिकता दी। निरुत्साहकों के लिए, तकनीकी विश्वसनीयता (जैसे, "बायस और मतिभ्रम/Hallucination") और सुरक्षा को व्यवहार संबंधी विनियमन तंत्रों की तुलना में प्राथमिकता दी गई।

प्रमुख योगदान

1. एकीकृत ढांचा: यह अध्ययन एक पदानुक्रमित, अनुकूलन-सूचित निर्णय समर्थन ढांचे को पेश करता है जो हितधारकों की धारणाओं को संभाव्यता मॉडलिंग और लागत-प्रयास विश्लेषण के साथ जोड़ता है।
2. कार्यप्रणाली एकीकरण: यह एक नवीन पाइपलाइन का प्रदर्शन करता है जो साहित्य-आधारित वर्गीकरण, बहु-हितधारक अनुभवजन्य सत्यापन और कंप्यूटिंग शिक्षा में AI अपनाने और शासन मॉडलिंग के लिए मार्गदर्शन करने हेतु विकासवादी अनुकूलन (GA) को जोड़ता है।
3. लागत-सचेत रणनीति: यह शोध डेटा-संचालित तंत्र प्रदान करता है जो केवल लाभ और हानि की वर्णनात्मक सूचियों से आगे बढ़कर कार्रवाई योग्य, प्राथमिकता वाले कार्यान्वयन योजनाओं की पहचान करने में मदद करता है।
4. चरणबद्ध कार्यान्वयन तर्क: परिणाम एक चरणबद्ध दृष्टिकोण का समर्थन करते जहाँ व्यापक डोमेन में समान रूप से अपनाने के बजाय, पहले शासन स्थिरता (साहित्यिक चोरी नीतियों, नैतिक दिशानिर्देशों) और गहरे संज्ञानात्मक अर्थपूर्ण हस्तक्षेपों को स्थापित किया जाता है।

महत्व और दावे
लेखक दावा करते हैं कि यह अध्ययन क्षेत्र को वैचारिक वर्गीकरण विकास से डेटा-संचालित सत्यापन और कम्प्यूटेशनल निर्णय समर्थन की ओर ले जाता है। इसका महत्व संस्थानों को कार्यान्वयन प्रयास के साथ अनुमानित परिणामों को संतुलित करने के लिए एक संरचित तंत्र प्रदान करने में निहित है। पेपर यह तर्क देता है कि प्रभावी LLM एकीकरण सभी कारकों को समान रूप से संबोधित करके नहीं, बल्कि उच्च-प्रभाव वाले, विश्वास-उन्मुख और संज्ञानात्मक रूप से सारगर्भित कारकों को चुनिंदा रूप से प्राथमिकता देकर प्राप्त किया जाता है।

अध्ययन विनम्रतापूर्वक स्वीकार करता है कि प्रेडिक्टिव मॉडल उच्च-सटीक व्यक्तिगत वर्गीकरण के लिए नहीं बल्कि अनुकूलन ढांचे के विश्लेषणात्मक आधार के रूप में हैं। निष्कर्ष बताते हैं कि संसाधन बाधाओं के तहत, संस्थानों को व्यापक, संसाधन-गहन संरचनात्मक सुधारों या सतही जुड़ाव उपकरणों के बजाय शासन स्थिरता (साहित्यिक चोरी नीतियां, नैतिक दिशानिर्देश) और गहरी शिक्षण प्रक्रियाओं (वैचारिक समझ, प्रक्रिया साक्षरता) को प्राथमिकता देनी चाहिए। प्रस्तावित ढांचा कंप्यूटिंग शिक्षा में AI अपनाने और शासन मॉडलिंग के भविष्य के अनुसंधान के लिए एक पुनरावृत्त (replicable) दृष्टिकोण प्रदान करता है।