A Semi-Automated System for Generating Dialogue-Based TTS Lessons Using Large Language Models: An Exploratory Study of Educational Potential

तकनीकी सारांश: LLMs का उपयोग करके संवाद-आधारित TTS पाठों का अर्ध-स्वचालित निर्माण

समस्या विवरण
उच्च गुणवत्ता वाली शैक्षिक सामग्री के उत्पादन के लिए, विशेष रूप से 'फ्लिप्ड क्लासरूम' मॉडल के लिए, शिक्षकों से महत्वपूर्ण समय और विशिष्ट कौशल की आवश्यकता होती है, जो प्रवेश के लिए एक उच्च बाधा उत्पन्न करता है। यद्यपि जेनेरेटिव AI और टेक्स्ट-टू-स्पीच (TTS) का उपयोग करके पूर्णतः स्वचालित सामग्री निर्माण उभर कर आया है, लेकिन इन समाधानों में अक्सर शैक्षणिक सूक्ष्मता, तथ्यात्मक सटीकता और "सुनने की क्षमता" (listenability) के लिए अनुकूलन का अभाव होता है। LLM-जनित सामग्री में 'हैलुसिनेशन' (hallucinations) का जोखिम होता है, जिसके लिए मानवीय निरीक्षण आवश्यक है। मौजूदा स्वचालित प्रणालियाँ आमतौर पर तकनीकी मूल्यांकन या सरल वाचन (read-aloud) पर ध्यान केंद्रित करती हैं, और वास्तविक कक्षा परिवेश में शैक्षिक प्रभावशीलता को मान्य करने या संवाद-आधारित निर्देश के लिए TTS की अनूठी क्षमताओं का लाभ उठाने में विफल रहती हैं।

कार्यप्रणाली
यह अध्ययन एक अर्ध-स्वचालित, ह्यूमन-इन-द-लूप (human-in-the-loop) प्रणाली का प्रस्ताव करता और उसका सत्यापन करता है, जिसे शिक्षकों को प्रतिस्थापित करने के बजाय उन्हें सशक्त बनाने के लिए डिज़ाइन किया गया है। यह प्रणाली तीन चरणों वाले वर्कफ़्लो के माध्यम से संचालित होती है:

1. संरचित स्लाइड निर्माण: असंरचित पाठ (जैसे पाठ्यपुस्तकें) को एक LLM (Claude 3.5 Sonnet) द्वारा संसाधित किया जाता है ताकि Marp-फॉर्मेट की स्लाइड्स बनाई जा सकें। शिक्षक तथ्य-जांच, शैक्षणिक प्रवाह और दृश्य परिष्करण के लिए इनकी समीक्षा करते हैं।
2. TTS-अनुकूलित नैरेशन निर्माण: LLM द्वारा TTS "सुनने की क्षमता" के लिए अनुकूलित नैरेशन स्क्रिप्ट तैयार की जाती है। यह अध्ययन 'कॉग्निटिव अप्रेंटिसशिप थ्योरी' (cognitive apprenticeship theory) से प्रेरित एक नवीन एक्सपर्ट-बाय-नोविस (Expert-×-Novice) संवाद प्रारूप पेश करता है। इस मोड में, LLM एक ऐसी स्क्रिप्ट बनाता है जहाँ एक "विशेषज्ञ" (Expert) ज्ञान प्रदान करता है और एक "नौसिखिया" (Novice) प्रश्न पूछता है, अवधारणाओं को पुनर्व्यख्या करता है और समझ की पुष्टि करता है। यह संरचना सीखने को सुगम बनाने (scaffold learning) और स्व-व्याख्या प्रभावों (self-explanation effects) को प्रेरित करने के लिए डिज़ाइन की गई है। शिक्षक सटीकता और स्पष्टता के लिए इन स्क्रिप्ट्स की समीक्षा करते हैं।
3. स्पीच सिंथेसिस और एकीकरण: Gemini TTS API का उपयोग करके, सिस्टम स्क्रिप्ट के लिए ऑडियो सिंथेसाइज़ करता है। इसमें दो मोड समर्थित हैं: सिंगल-स्पीकर (शिक्षक जैसा) और संवाद (विशेषज्ञ और नौसिखिया आवाजें)। ऑडियो को स्लाइड छवियों (Selenium के माध्यम से रेंडर की गई) के साथ सिंक्रोनाइज़ किया जाता है और MoviePy का उपयोग करके अंतिम वीडियो फ़ाइलों में एकीकृत किया जाता है।

अनुभवजन्य सत्यापन (Empirical Validation)
इस प्रणाली की शैक्षिक क्षमता का मूल्यांकन जापान के 245 प्रथम वर्ष के हाई स्कूल छात्रों के एक अर्ध-प्रायोगिक (quasi-experiment) अध्ययन के माध्यम से किया गया। प्रतिभागियों ने क्रमवार तीन शिक्षण प्रारूपों का अनुभव किया:

1. इंस्ट्रक्टर-वॉयस वीडियो (कंट्रोल ग्रुप)।
2. सिंगल-स्पीकर TTS पाठ।
3. डायलॉग TTS पाठ (एक्सपर्ट-बाय-नोविस)।

नोट: निश्चित क्रम और विभिन्न सत्रों में बदलते कंटेंट के कारण, यह अध्ययन फॉर्मेट के प्रभावों को कंटेंट और ऑर्डर इफेक्ट्स से अलग करने की सीमाओं को स्वीकार करता है।

डेटा संग्रह में रिट्रोस्पेक्टिव इन-सब्जेक्ट तुलना (तीनों प्रारूपों की तुलना) और रिपीटेड क्रॉस-सेक्शनल बिटवीन-ग्रुप तुलना (सिंगल TTS बनाम डायलॉग TTS) शामिल थी। मूल्यांकन मेट्रिक्स को ARCS मॉडल (अभिप्रेरणा), कॉग्निटिव लोड थ्योरी (बाहरी बनाम गेर्मेन लोड), और लर्निंग एंगेजमेंट थ्योरी पर आधारित किया गया था।

मुख्य परिणाम

• RQ1: क्या TTS सीखने के अनुभव को कम करता है?
  कोर मेट्रिक्स (समझ, एकाग्रता, समग्र मूल्यांकन) के इन-सब्जेक्ट विश्लेषण से पता चला कि इंस्ट्रक्टर-वॉयस, सिंगल TTS और डायलॉग TTS के बीच कोई महत्वपूर्ण अंतर नहीं था। TOST इक्विवेलेंस टेस्टिंग (bounds $\Delta = \pm 0.5$) ने पुष्टि की कि सभी मेट्रिक्स इक्विवेलेंस रेंज के भीतर थे। यह सुझाव देता है कि TTS ऑडियो मानव आवाज की तुलना में मौलिक सीखने के अनुभव को कमजोर नहीं करता है।

• RQ2: क्या संवाद प्रारूप शैक्षिक रूप से बेहतर है?
  सिंगल TTS बनाम डायलॉग TTS की तुलना करने पर एक ट्रेड-ऑफ सामने आया:

  • डायलॉग TTS के लाभ: समझ ($p=.006$) और संज्ञानात्मक जुड़ाव (cognitive engagement) ($p=.019$) में काफी उच्च स्कोर। शिक्षार्थियों को दूसरों को सामग्री समझाने की अपनी क्षमता में अधिक आत्मविश्वास महसूस हुआ। प्रोपोर्शनल ऑड्स मॉडल (पूर्व ज्ञान को नियंत्रित करते हुए) के पूरक विश्लेषण ने पुष्टि की कि ये लाभ केवल पूर्व ज्ञान के असंतुलन के कारण नहीं थे।
  • सिंगल TTS के लाभ: ऑडियो नैचुरलनेस ($p < .001$) में काफी उच्च स्कोर। डायलॉग प्रारूप में उच्च बाहरी संज्ञानात्मक भार (extraneous cognitive load) देखा गया, जो संभवतः वक्ताओं और पृष्ठों के बीच ऑडियो गुणवत्ता में भिन्नता के कारण था।
  • वरीयता: प्रतिभागियों में से 66.9% ने डायलॉग TTS को "सीखने के लिए सबसे सुखद" (most enjoyable to learn from) के रूप में चुना, जो अन्य प्रारूपों से काफी बेहतर था।

प्रमुख योगदान

1. सिस्टम आर्किटेक्चर: एक व्यावहारिक, तीन-चरणीय ह्यूमन-इन-द-लूप वर्कफ़्लो जो शिक्षाविद के गुणवत्ता नियंत्रण के साथ LLM ऑटोमेशन को संतुलित करता है, जो विशेष रूप से TTS-अनुकूलित स्क्रिप्ट बनाने के लिए डिज़ाइन किया गया है।
2. नवीन कार्यप्रणाली: कॉग्निटिव अप्रेंटिसशिप थ्योरी से प्रेरित, TTS सुनने की क्षमता के लिए तैयार किया गया एक स्वचालित एक्सपर्ट-बाय-नोविस डायलॉग जनरेशन पद्धति की स्थापना।
3. अनुभवजन्य साक्ष्य: वास्तविक शिक्षार्थियों के साथ एक अर्ध-प्रायोगिक सेटिंग में LLM ऑटोमेशन, TTS ऑडियो स्वीकार्यता और डायलॉग प्रारूप डिजाइन को एकीकृत करने वाला पहला अध्ययन। यह प्रमाण देता है कि डायलॉग-आधारित TTS, ऑडियो गुणवत्ता के ट्रेड-ऑफ के बावजूद, समझ और जुड़ाव को बढ़ा सकता है।

महत्व और दावे
यह शोध पत्र TTS ऑडियो की शैक्षिक स्वीकार्यता और TTS पाठ प्रारूपों के लिए विशिष्ट डिजाइन सिद्धांतों के लिए एक सैद्धांतिक और अनुभवजन्य आधार प्रदान करने का दावा करता है।

• यह प्रदर्शित करता है कि TTS ऑडियो स्वाभाविक रूप से मानव आवाज की तुलना में सीखने के अनुभव को कम नहीं करता है, जिससे सामग्री उत्पादन की बाधा कम होती है।
• यह सुझाव देता है कि डायलॉग-आधारित पाठ बनाने के लिए TTS की लचीलापन का लाभ उठाना स्व-आकलन की गई समझ और संज्ञानात्मक जुड़ाव को बेहतर बना सकता है, बशर्ते ऑडियो गुणवत्ता के ट्रेड-ऑफ को प्रबंधित किया जाए।
• लेखक स्पष्ट रूप से कहते हैं कि ये निष्कर्ष एक निश्चित-क्रम और परिवर्तनशील-कंटेंट वाले अर्ध-प्रायोगिक अध्ययन पर आधारित हैं। इसलिए, वे केवल लेसन फॉर्मेट के निश्चित कारण प्रभावों का दावा नहीं करते हैं, बल्कि देखे गए पैटर्न और डिजाइन निहितार्थ प्रस्तुत करते हैं। वे इस बात पर जोर देते हैं कि कारण संबंधों की पुष्टि करने के लिए भविष्य के कार्यों में रैंडमाइज्ड क्रॉसओवर डिजाइन और वस्तुनिष्ठ शिक्षण परीक्षणों की आवश्यकता है।