Can Vision Language Models Be Adaptive in Mathematics Education? A Learner Model-based Rubric Study
यह शोध पत्र गणितीय शिक्षा में विजन लैंग्वेज मॉडल्स (VLMs) की अनुकूलन क्षमता का व्यवस्थित रूप से मूल्यांकन करने के लिए एक लर्नर मॉडल-आधारित रूब्रिक प्रस्तावित करता है, जो यह प्रकट करता है कि हालांकि विभिन्न मॉडलों के बीच मापने योग्य अंतर मौजूद हैं, वर्तमान VLMs निरंतर व्यक्तिगत निर्देशात्मक प्रतिक्रियाएं उत्पन्न करने में संघर्ष करते हैं, विशेष रूप से तब जब उन्हें सीमित शिक्षार्थी जानकारी प्रदान की जाती है।
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 आपके पास एक बहुत ही बुद्धिमान, सर्वज्ञानी रोबोट ट्यूटर है जो चित्रों को देख सकता है और गणित की समस्याओं को पढ़ सकता है। आप सोच सकते हैं, "शानदार! यह मेरे बच्चे को पूरी तरह से पढ़ा सकता है।" लेकिन यह शोध पत्र एक महत्वपूर्ण प्रश्न पूछता है: क्या यह रोबोट वास्तव में जानता है कि अलग-अलग बच्चों को कैसे पढ़ाना है, या यह बिना किसी भेदभाव के सभी को एक ही जैसा लेक्चर देता है, चाहे वे कोई भी हों?
शोधकर्ताओं ने इन AI मॉडल्स के साथ वैसा ही व्यवहार किया जैसे वे टेस्ट देने वाले छात्र हों, लेकिन उनके गणित कौशल को ग्रेड देने के बजाय, उन्होंने उनके शिक्षण कौशल (teaching skills) को ग्रेड दिया।
यहाँ उनके अध्ययन का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:
1. समस्या: "एक ही आकार के सभी के लिए" (One-Size-Fits-All) वाला रोबोट
कल्पना कीजिए कि एक शिक्षक एक कक्षा में प्रवेश करता है जहाँ 30 छात्र हैं। कुछ बोरियत महसूस करने वाले जीनियस हैं, कुछ गणित से डरे हुए हैं, और कुछ बस औसत दर्जे के हैं। यदि वह शिक्षक सामने खड़ा होकर सभी को बिल्कुल एक ही भाषण देता है, तो वह "अनुकूलनशील" (adaptive) नहीं हो रहा है। वह केवल एक लाउडस्पीकर बन गया है।
शोध में पाया गया कि वर्तमान विजन लैंग्वेज मॉडल्स (VLMs)—वह AI जो चित्र देख सकता है और गणित की समस्याओं को हल कर सकता है—ज्यादातर उसी लाउडस्पीकर की तरह हैं। वे गणित की समस्या को हल करने में (सही उत्तर देने में) बहुत अच्छे हैं, लेकिन वे छात्र के व्यक्तित्व या कौशल स्तर के आधार पर अपनी शिक्षण शैली बदलने में संघर्ष करते हैं।
2. उपकरण: "शिक्षक का रिपोर्ट कार्ड"
इसका परीक्षण करने के लिए, शोधकर्ताओं ने एक विशेष रूब्रिक (Rubric) (ग्रेडिंग चेकलिस्ट) का आविष्कार किया। इसे एक विशेष रिपोर्ट कार्ड की तरह समझें जो केवल इस बात के लिए है कि एक शिक्षक एक छात्र के साथ कैसे बातचीत करता है, न कि केवल इस बात के लिए कि गणित सही है या नहीं।
उन्होंने "शिक्षण स्कोर" को तीन मुख्य श्रेणियों में विभाजित किया:
- संज्ञानात्मक (Cognitive - मस्तिष्क): क्या शिक्षक जानता है कि छात्र पहले से क्या जानता है? यदि कोई छात्र नौसिखिया है, तो क्या शिक्षक उन्नत शब्दावली (jargon) का उपयोग करने से बचता है?
- प्रेरणात्मक (Motivational - हृदय): क्या शिक्षक यह नोटिस करता है कि छात्र डरा हुआ है या उसे गणित से नफरत है? यदि कोई छात्र कहता है, "मुझे आत्मविश्वास नहीं है," तो क्या शिक्षक प्रोत्साहन देता है, या वह इसे अनदेखा कर देता है?
- जटिलता (Complexity - सीढ़ी): क्या शिक्षक छात्र के लिए एक सीढ़ी बनाता है? क्या वे समस्या को छोटे चरणों में तोड़ते हैं, उदाहरण देते हैं, या अतिरिक्त अभ्यास प्रदान करते हैं?
उन्होंने दो अन्य चीजों की भी जांच की:
- सटीकता (Correctness): क्या गणित का उत्तर वास्तव में सही है?
- गुणवत्ता (Quality): क्या स्पष्टीकरण स्पष्ट है, या यह निरर्थक बातों (hallucinations) से भरा है?
3. प्रयोग: "रोल-प्ले" क्लासरूम
शोधकर्ताओं ने वास्तविक बच्चों का उपयोग नहीं किया (चीजों को नियंत्रित रखने के लिए)। इसके बजाय, उन्होंने अंतरराष्ट्रीय गणित परीक्षणों के वास्तविक डेटा का उपयोग करके छह अलग-अलग "छात्र व्यक्तित्व" (student personas) बनाए।
- उच्च प्रदर्शन करने वाला (High-Performer): गणित प्रेमी, आत्मविश्वासी, सब कुछ जानने वाला।
- निम्न प्रदर्शन करने वाला (Low-Performer): गणित से नफरत करने वाला, आत्मविश्वास की कमी, बहुत कम जानकारी।
- मध्यम (Intermediate): बीच में कहीं।
इसके बाद उन्होंने पांच अलग-अलग AI मॉडल्स (जैसे GPT-5, Gemini और अन्य) को इन व्यक्तित्वों को एक गणित की समस्या सिखाने के लिए कहा। उन्होंने AI को अलग-अलग मात्रा में जानकारी दी:
- समूह 1: केवल गणित की समस्या।
- समूह 2: समस्या + "मैं चौथी कक्षा का छात्र हूँ जिसे गणित से नफरत है।"
- समूह 4: समस्या + "मैं चौथी कक्षा का छात्र हूँ जिसे गणित से नफरत है, मैंने एक टेस्ट में 390 स्कोर किया था, और मैं केवल संख्याओं और डेटा को जानता हूँ।"
4. परिणाम: "जेनेरिक स्क्रिप्ट" का जाल
निष्कर्ष भविष्य के AI ट्यूटर्स के लिए थोड़े निराशाजनक थे:
- "एक ही आकार के सभी के लिए" की आदत: भले ही AI जानता था कि छात्र गणित से डरा हुआ है या इसमें कमजोर है, फिर भी इसने अक्सर वही प्रतिक्रिया दी जो यह किसी गणित के जीनियस को देता। इसने वास्तव में छात्र की भावनाओं को "सुना" नहीं।
- "आत्मविश्वास" की अनदेखी: AI छात्र का आत्मविश्वास बढ़ाने में आश्चर्यजनक रूप से खराब था। यदि किसी छात्र ने कहा, "मैं इसमें अच्छा नहीं हूँ," तो AI अक्सर उस भावना को अनदेखा कर देता और समस्या को हल करना जारी रखता, बजाय इसके कि वह कहता, "चिंता मत करो, तुम यह कर सकते हो।"
- अधिक जानकारी = थोड़ा बेहतर: जब शोधकर्ताओं ने AI को छात्र के बारे में अधिक विवरण (जैसे उसका विशिष्ट टेस्ट स्कोर) दिया, तो AI अपने शिक्षण को समायोजित करने में थोड़ा बेहतर हुआ। लेकिन फिर भी, बदलाव अक्सर बहुत मामूली थे।
- "विजुअल" ग्लिच (Visual Glitch): चूंकि ये विजन मॉडल्स हैं, इसलिए उन्हें चित्रों (जैसे तराजू या आकृतियों के डायग्राम) को देखना होता है। अध्ययन में पाया गया कि जब गणित में चित्र शामिल थे, तो AI अक्सर भ्रमित हो जाता था, चित्र में दी गई संख्याओं को गलत पढ़ लेता था, या गलत उत्तर देता था, भले ही टेक्स्ट स्पष्टीकरण अच्छा दिख रहा हो।
5. निष्कर्ष (The Bottom Line)
शोध पत्र का निष्कर्ष है कि जबकि ये AI मॉडल शानदार कैलकुलेटर हैं, वे वर्तमान में अकुशल शिक्षक (clumsy teachers) हैं।
वे समीकरण को हल कर सकते हैं, लेकिन उन्होंने यह नहीं सीखा है कि एक छात्र को कैसे देखें, उनकी घबराहट या भ्रम को पहचानें और उस विशिष्ट व्यक्ति की मदद करने के लिए अपना दृष्टिकोण बदलें। वे वर्तमान में एक "जेनेरिक मोड" में फंसे हुए हैं, हर छात्र के साथ ऐसा व्यवहार करते हैं जैसे वे एक समान हों।
संक्षेप में: यदि आप इन AI से गणित की समस्या हल करने के लिए कहते हैं, तो वे बेहतरीन हैं। यदि आप उन्हें संघर्ष कर रहे विशिष्ट बच्चे को पढ़ाने के लिए कहते हैं, तो वे अभी भी मानव-तुल्य ट्यूटर बनने की प्रक्रिया में हैं। उन्हें केवल छात्र के होमवर्क को नहीं, बल्कि छात्र के दिल की बात को सुनना सीखना होगा।
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।