🔬 physics

Students using GenAI lag behind in problem-solving competence: an agent-based study of classroom networks

हाई स्कूल भौतिकी कक्षाओं का अनुकरण करने के लिए एक एजेंट-आधारित मॉडल का उपयोग करते हुए, यह अध्ययन प्रकट करता है कि जबकि जनरेटिव एआई (Generative AI) सहायता प्रदान करता है, इसका उपयोग अंततः समस्या-समाधान क्षमता के विकास में बाधा डालता है और संज्ञानात्मक ऑफलोडिंग (cognitive offloading) को बढ़ावा देकर तथा सामूहिक शिक्षण गतिशीलता को बाधित करके निचले कौशल स्तरों में बने रहने वाले छात्रों के अनुपात को बढ़ाता है।

मूल लेखक: Lorenzo Betti, Iacopo Caporossi, Carsten Källner, Karolina Levanaitė, Chenyu Li, Xuan-Chen Liu, Giulia Lorenzini, Vittoria Socci, Michele Re Fiorentin, Ilaria Stanzani, Marta Baratto

प्रकाशित 2026-06-29

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lorenzo Betti, Iacopo Caporossi, Carsten Källner, Karolina Levanaitė, Chenyu Li, Xuan-Chen Liu, Giulia Lorenzini, Vittoria Socci, Michele Re Fiorentin, Ilaria Stanzani, Marta Baratto

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

मुख्य विचार: "चीट कोड" का जाल

कल्पना कीजिए कि हाई स्कूल के 30 छात्रों की एक कक्षा है जो जटिल भौतिकी (physics) की पहेलियों को हल करना सीख रहे हैं। उनके पास इन पहेलियों को सुलझाने के दो मुख्य तरीके हैं:

कठिन तरीका: वे इस पर गहराई से विचार करते हैं, शायद किसी दोस्त से मदद मांगते हैं, और इसे खुद सुलझाते हैं।
"जादुई छड़ी" वाला तरीका: वे एक सुपर-स्मार्ट AI (GenAI) का उपयोग करते हैं जो उन्हें तुरंत उत्तर दे देता है।

यह अध्ययन एक सरल प्रश्न पूछता है: अगर हर कोई जादुई छड़ी का उपयोग करने लगे, तो पूरी कक्षा का क्या होगा?

यह जानने के लिए, शोधकर्ताओं ने केवल एक वास्तविक कक्षा को नहीं देखा (जिसे नियंत्रित करना कठिन है)। इसके बजाय, उन्होंने एक डिजिटल सिमुलेशन बनाया—एक कक्षा का वीडियो गेम जिसमें 30 कंप्यूटर "एजेंट्स" (छात्र) हैं। उन्होंने यह देखने के लिए कि समय के साथ छात्रों के कौशल में कैसे बदलाव आता है, इस गेम को 1,000 बार चलाया।

यह सिमुलेशन कैसे काम करता था

शोधकर्ताओं ने तीन प्रमुख नियमों के साथ गेम सेट किया:

नेटवर्क: छात्र एक सोशल नेटवर्क की तरह जुड़े हुए हैं। कुछ रैंडम दोस्त हैं, कुछ घनिष्ठ समूहों में हैं, और कुछ ढीले रूप से जुड़े हुए हैं।
चुनाव: हर चरण में, एक छात्र निर्णय लेता है: "क्या मैं इसे खुद हल करूँ (या दोस्त के साथ), या मैं AI से पूछूँ?"
परिणाम:
- यदि आप इसे स्वयं हल करते हैं, तो आपका मस्तिष्क एक कड़ा व्यायाम करता है, और आप अधिक बुद्धिमान बनते हैं।
- यदि आप किसी दोस्त से पूछते हैं, तो आप उनसे थोड़ा सीखते हैं।
- यदि आप AI का उपयोग करते हैं, तो आपको उत्तर मिल जाता है, लेकिन आपके मस्तिष्क को पूरा वर्कआउट नहीं मिलता। आप तथ्यों के बारे में थोड़ा बहुत जान सकते हैं, लेकिन आप "समस्या-समाधान की मांसपेशियों" (problem-solving muscle) के प्रशिक्षण को मिस कर देते हैं।

आश्चर्यजनक परिणाम

1. "औसत" छात्र कमजोर होता जाता है

जब शोधकर्ताओं ने पूरी कक्षा के लिए AI चालू किया, तो समूह का औसत समस्या-समाधान कौशल नीचे गिर गया।

उपमा: कल्पना कीजिए कि एक जिम में जहाँ हर कोई वजन उठाना बंद करने का फैसला करता है और इसके बजाय मशीन से वजन उठाने के लिए कहता है। भले ही मशीन वजन उठा रही हो, लेकिन लोगों की मांसपेशियां कमजोर हो जाती हैं। पूरी कक्षा के रूप में, वे खुद से समस्याओं को हल करने में कम सक्षम हो गए।

2. "बीच में फंसने" का प्रभाव

बिना AI के, छात्र स्वाभाविक रूप से सीढ़ी चढ़ते थे। वे छात्र जिनकी शुरुआती स्किल कम थी, वे बराबरी कर लेते थे, और पूरी कक्षा "उच्च" (High) और "बहुत उच्च" (Very High) स्किल जोन में पहुँच जाती थी।

AI के साथ: छात्र उतनी ऊंचाई तक नहीं चढ़ पाए। कक्षा का एक बड़ा हिस्सा बीच में या निचले स्तरों पर ही "फंसा" रहा। वे असफल नहीं हुए, लेकिन वे उतना विकास नहीं कर सके जितना वे कर सकते थे।
उपमा: एक दौड़ की कल्पना करें जहाँ हर कोई दौड़ रहा है। बिना AI के, हर कोई अपनी गति से दौड़ता है और समय के साथ तेज होता जाता है। AI के साथ, यह ऐसा है जैसे कुछ धावक एक चलते हुए फुटपाथ (moving walkway) पर हैं। वे फिनिश लाइन तक तो पहुँच जाते हैं, लेकिन उन्होंने वास्तव में अकेले दौड़ने के लिए पैरों की ताकत विकसित नहीं की।

3. कक्षा दो समूहों में बंट गई

यह सबसे महत्वपूर्ण खोज है। जब AI पेश किया गया, तो कक्षा केवल "थोड़ी खराब" नहीं हुई। यह दो अलग-अलग समूहों में बंट गई:

समूह A: वे छात्र जो AI का कम उपयोग करते थे। वे स्मार्ट होते रहे और शीर्ष पर पहुँच गए।
समूह B: वे छात्र जो AI का बहुत अधिक उपयोग करते थे। वे एक "कम कौशल" वाले समूह में रह गए, जो दूसरों से काफी पीछे थे।
उपमा: हाइकर्स (पदयात्रियों) के एक समूह की कल्पना करें। यदि हर कोई पैदल हाइकिंग करता है, तो वे सभी मजबूत बनते हैं। लेकिन यदि कुछ हाइकर्स हेलीकॉप्टर (AI) लेकर ऊपर पहुँच जाते हैं, तो वे गंतव्य पर तो पहुँच जाते हैं, लेकिन वे कमजोर और थके हुए होते हैं। समूह विभाजित हो जाता है: मजबूत हाइकर्स और कमजोर हेलीकॉप्टर-सवार। हेलीकॉप्टर सवार केवल स्थिर नहीं रहे; वे वास्तव में फिटनेस के मामले में हाइकर्स से पीछे रह गए।

4. "शॉर्टकट" की आदत

अध्ययन में पाया गया कि एक छात्र जितना अधिक AI पर निर्भर था, उसके उस निचले-कौशल वाले समूह में रहने की संभावना उतनी ही अधिक थी।

उपमा: यह साधारण गणित के लिए कैलकुलेटर का उपयोग करने जैसा है। यदि आप हर चीज़ के लिए इसका उपयोग करते हैं, तो आप अंततः बुनियादी जोड़ करना भूल जाते हैं। जिन छात्रों ने AI को एक "शॉर्टकट" के रूप में इस्तेमाल किया, उन्होंने अपने स्वयं के समस्या-समाधान कौशल बनाना बंद कर दिया, और AI वास्तव में उनके सीखने में एक बाधा बन गया।

निचोड़ (Bottom Line)

पेपर यह निष्कर्ष निकालता है कि जबकि AI छात्रों को उत्तर दे सकता है, यह उन्हें उत्तर खोजने के लिए आवश्यक कौशल बनाने से रोक सकता है।

जब पूरी कक्षा AI का उपयोग करती है, तो यह केवल सभी को स्मार्ट बनाने में मदद नहीं करती; यह एक विभाजन भी पैदा करती है। यह कक्षा के एक बड़े हिस्से को आलोचनात्मक रूप से सोचने और समस्याओं को हल करने की क्षमता में पीछे छोड़ देती है, जबकि केवल एक छोटा समूह (वे जिन्होंने AI पर भरोसा नहीं किया) निरंतर विकास करता रहता है। शोधकर्ता सुझाव देते हैं कि हमें यह देखने की आवश्यकता है कि AI पूरे समूह की गतिशीलता (group dynamic) को कैसे प्रभावित करता है, न कि केवल यह कि एक व्यक्तिगत छात्र एक एकल परीक्षण में कितना अच्छा प्रदर्शन करता है।

तकनीकी सारांश: जेनरेटिव एआई (GenAI) का उपयोग करने वाले छात्रों की समस्या-समाधान क्षमता पीछे रह जाती है

समस्या विवरण
समस्या-समाधान क्षमता (PSC) का विकास लचीले नागरिक तैयार करने के लिए मौलिक है, फिर भी कक्षा परिवेश के भीतर इस विकास पर जेनरेटिव आर्टिफिशियल इंटेलिजेंस (GenAI) के सामूहिक प्रभाव का अभी तक पर्याप्त अध्ययन नहीं किया गया है। जबकि मौजूदा साहित्य GenAI के प्रति व्यक्तिगत सीखने के परिणामों और दृष्टिकोणों को व्यापक रूप से कवर करता है, इस बात की समझ का अभाव है कि सीखने की रणनीतियों का वितरण—विशेष रूप से GenAI का उपयोग करने, सहपाठियों के साथ सहयोग करने, या व्यक्तिगत रूप से कार्य करने के बीच का चुनाव—एक शिक्षण समुदाय में PSC के विकास को कैसे आकार देता है। एक महत्वपूर्ण अंतराल यह निर्धारित करने में मौजूद है कि क्या GenAI सह-रचनात्मक शिक्षण (co-constructive learning) के लिए एक स्कैफोल्ड (scaffold) के रूप में कार्य करता है या संज्ञानात्मक ऑफलोडिंग (cognitive offloading) के एक तंत्र के रूप में जो गहन शिक्षण में बाधा डालता है, विशेष रूप से व्यक्तिगत विकल्पों और सहकर्मी नेटवर्क संरचनाओं के बीच गतिशील परस्पर क्रिया पर विचार करते समय।

कार्यप्रणाली
इसे संबोधित करने के लिए, लेखकों ने 60 टाइम स्टेप्स (जो 60 अभ्यासों का प्रतिनिधित्व करते हैं) में एक हाई स्कूल भौतिकी (physics) कक्षा में PSC के विकास का अनुकरण करने के लिए एक एजेंट-आधारित मॉडल (ABM) विकसित किया।

एजेंट और स्टेट वेरिएबल्स: मॉडल में $N=30$ $N = 30$ छात्र एजेंट शामिल हैं। प्रत्येक एजेंट $i$ $i$ तीन स्टेट वेरिएबल्स द्वारा अभिलक्षित है:
1. समस्या-समाधान क्षमता ( $C_i^t$ ): भौतिकी के अभ्यासों को हल करने की क्षमता, जिसे इतालवी INVALSI मूल्यांकन डेटा ( $N(\mu=195.9, \sigma=1.28)$ ) से प्राप्त अनुभवजन्य वितरणों का उपयोग करके इनिशियलाइज़ किया गया है।
2. GenAI निर्भरता ( $\alpha_i^t$ ): $[0,1]$ में एक मान जो AI पर निर्भरता को दर्शाता है, जिसे 0.5 पर इनिशियलाइज़ किया गया है।
3. सहकर्मियों पर निर्भरता ( $\tau_i^t$ ): $[0,1]$ में एक मान जो सहकर्मी सहायता लेने की प्रवृत्ति को दर्शाता है, जिसे 0.5 पर इनिशियलाइज़ किया गया है।
डेटा और कैलिब्रेशन: मॉडल इतालवी वैज्ञानिक लाइसियम (Scientific Lyceum) पाठ्यक्रम को कवर करने वाले 60 भौतिकी अभ्यासों के एक डेटासेट का उपयोग करता है। प्रत्येक अभ्यास को तीन घटकों के साथ एनोटेट किया गया है: गणितीय ज्ञान, भौतिक तर्क (physical reasoning), और संज्ञानात्मक समस्या-समाधान कौशल (CPSS)। महत्वपूर्ण रूप से, मॉडल मानव समाधानों (बिना AI के) और GenAI समाधानों (OpenAI के GPT-5.5 का उपयोग करके) के बीच "स्कोर गैप" को मापता है। डेटा इंगित करता है कि जबकि GenAI अभ्यासों को हल कर सकता है, यह मानव समस्या-समाधान की तुलना में CPSS में कम लाभ प्रदान करता है।
गतिशीलता और रणनीति चयन: प्रत्येक टाइम स्टेप पर, एजेंट एक सिग्मॉइड प्रोबेबिलिटी फंक्शन के आधार पर रणनीति चुनते हैं जो अभ्यास की कठिनाई, वर्तमान क्षमता वृद्धि, AI निर्भरता और सहकर्मी निर्भरता से प्रभावित होती है।
- GenAI उपयोग ( $S_i=1$ ): एजेंट यह मान लेते हैं कि अभ्यास हल हो गया है, लेकिन क्षमता अपडेट प्रतिबंधित होते हैं। वे संभावित गणितीय और भौतिक ज्ञान प्राप्त करते हैं लेकिन CPSS में संभावित हानि या शून्य लाभ का अनुभव करते हैं, जो संज्ञानात्मक ऑफलोडिंग को दर्शाता है।
- No GenAI ( $S_i=0$ ): एजेंट या तो स्वतंत्र रूप से कार्य करते हैं या अपने नेटवर्क से एक सहकर्मी के साथ सहयोग करते हैं। सफलता की संभावना 0.54 निर्धारित की गई है (राष्ट्रीय डेटा के आधार पर)। सफल स्वतंत्र कार्य पूर्ण क्षमता वृद्धि प्रदान करता है। सहकर्मी सहयोग ज्ञान हस्तांतरण की अनुमति देता है: यदि एक सहकर्मी अधिक सक्षम है, तो एजेंट की क्षमता को उनके स्वयं के और सहकर्मी के बीच एक यादृच्छिक मान तक अपडेट किया जाता है; यदि कम सक्षम है, तो कोई अतिरिक्त शिक्षण नहीं होता है।
नेटवर्क संरचनाएं: अध्ययन संरचनात्मक मजबूती का परीक्षण करने के लिए चार अलग-अलग नेटवर्क टोपोलॉजी के माध्यम से अंतःक्रियाओं का अनुकरण करता है:
1. एर्दोस-रेनी (Erdős–Rényi - ER) रैंडम नेटवर्क।
2. वॉट्स-स्ट्रोगैट्स (Watts–Strogatz - WS) स्मॉल-वर्ल्ड नेटवर्क।
3. स्टोकेस्टिक ब्लॉक मॉडल (SBM) जो सामुदायिक संरचनाओं का प्रतिनिधित्व करते हैं।
4. क्षमता-आधारित होमोफिली (जहाँ प्रारंभिक सहकर्मी संबंध समान क्षमता स्तरों के आधार पर बनाए जाते हैं) को शामिल करने वाले संशोधित SBM।

प्रमुख परिणाम
प्रत्येक स्थिति के लिए 1,000 स्वतंत्र रन से प्राप्त सिमुलेशन परिणाम, सामूहिक क्षमता गतिशीलता पर GenAI पहुंच के महत्वपूर्ण नकारात्मक प्रभावों को प्रकट करते हैं:

कम औसत क्षमता: सभी नेटवर्क टोपोलॉजी में, GenAI तक पहुंच वाले क्लासरूम ने बिना GenAI वाले क्लासरूम की तुलना में कौशल अधिग्रहण की धीमी दर और कम अंतिम औसत PSC प्रदर्शित किया।
ठप हुई उर्ध्वगामी गतिशीलता (Stalled Upward Mobility): GenAI की अनुपस्थिति में, छात्र प्रगतिशील रूप से उच्च क्षमता स्तरों की ओर बढ़ते हैं, जिसमें वितरण "उच्च" और "बहुत उच्च" श्रेणियों में केंद्रित होता है। इसके विपरीत, GenAI पहुंच ने एक ठहराव पैदा किया जहां छात्रों का एक बड़ा हिस्सा "मध्यम", "निम्न" और "बहुत निम्न" स्तरों में ही रह गया।
द्वि-मोडलता (Bimodality) का उदय: GenAI के परिचय ने अंतिम क्षमता वितरण को एक अपेक्षाकृत सजातीय यूनिमोडल अवस्था से बदलकर एक द्वि-मोडल (bimodal) वितरण में बदल दिया। गॉसियन मिश्रण मॉडलिंग (Gaussian mixture modeling) ने दिखाया कि GenAI पहुंच ने निम्न-क्षमता क्लस्टर के आकार को बिना-AI परिदृश्यों में लगभग 1-4% से बढ़ाकर जनसंख्या का 8-12% कर दिया।
उपयोग आवृत्ति द्वारा स्तरीकरण: उपयोग आवृत्ति के विश्लेषण से पता चला कि उच्चतम आवृत्ति वाले छात्र (75-100% अभ्यास) उभरते हुए निम्न-क्षमता शिखर में असमान रूप से केंद्रित थे। यह सुझाव देता है कि GenAI पर अत्यधिक निर्भरता सक्रिय रूप से समस्या-समाधान कौशल के महारत हासिल करने को दबाती है।
होमोफिली के साथ अंतःक्रिया: क्षमता-आधारित होमोफिली (संशोधित SBM) वाले नेटवर्क में, GenAI पहुंच ने स्तरीकरण को बढ़ाया, जिससे छात्रों के अपने प्रारंभिक क्षमता परिवेश से आगे बढ़ने की संभावना कम हो गई।

महत्व और दावे
पेपर का दावा है कि GenAI के शैक्षिक प्रभाव का आकलन केवल व्यक्तिगत सीखने के परिणामों या तत्काल कार्य पूर्णता के माध्यम से नहीं किया जा सकता है। इसके बजाय, यह अध्ययन प्रदर्शित करता है कि GenAI की उपलब्धता सीखने के समुदायों के भीतर क्षमता विकास की सामूहिक गतिशीलता को मौलिक रूप से नया आकार देती है।

लेखक तर्क देते हैं कि जबकि GenAI कार्यों को पूरा करने में सुविधा प्रदान कर सकता है, इसे एक शॉर्टकट के रूप में उपयोग करना संज्ञानात्मक ऑफलोडिंग की ओर ले जा सकता है जो स्वायत्त समस्या-समाधान कौशल के विकास को कम करता है। यह प्रभाव समान नहीं है; यह एक ऐसा स्तरीकरण बनाता है जहाँ छात्रों का एक समूह पीछे रह जाता है, जिसके परिणामस्वरूप एक ध्रुवीकृत कक्षा बनती है जहाँ एक महत्वपूर्ण अल्पसंख्यक उच्च-स्तरीय क्षमता प्राप्त करने में विफल रहता है। अध्ययन निष्कर्ष निकालता है कि GenAI के जोखिम व्यक्तिगत आलोचनात्मक सोच की कमी से परे, कक्षा के क्षमता वितरण के संरचनात्मक पुनर्गठन तक विस्तृत हैं, जो संभावित रूप से पारंपरिक शिक्षण वातावरण की तुलना में छात्रों के एक बड़े हिस्से को निचले क्षमता स्तरों में छोड़ सकते हैं।