A Tool-Invariant Framework for Teaching and Assessing Computational Methods in the Age of Agentic AI

नई गणित की कक्षा: जब कैलकुलेटर कोड लिखता है

कल्पना कीजिए कि आप खाना बनाना सीख रहे हैं। सदियों से, खाना पकाने का सबसे कठिन हिस्सा सब्जियां काटना और बर्तन चलाना था। आपको एक बेहतरीन सॉस बनाने के लिए चाकू चलाने के कौशल, समय का ज्ञान और मांसपेशियों की स्मृति (मसल मेमोरी) सीखनी पड़ती थी। लेकिन फिर, किसी ने एक रोबोट शेफ का आविष्कार किया। यह रोबोट केवल काटता ही नहीं है; यह आपके द्वारा साधारण अंग्रेजी में वर्णित रेसिपी को पढ़ सकता है, प्याज काट सकता है, सॉस चला सकता है, उसे चख सकता है, और यदि वह बहुत नमकीन है तो उसे ठीक भी कर सकता है। अचानक, "खाना पकाने" का अर्थ बदल जाता है। अब आपको चाकू चलाने में माहिर होने की आवश्यकता नहीं है; आपको एक कुशल 'चखने वाला' (taster) और स्पष्ट 'निर्देश देने वाला' बनने की आवश्यकता है। यदि आप केवल कहते हैं "इसे स्वादिष्ट बनाओ," तो रोबमाट एक ऐसी आपदा बना सकता है जो दिखने में तो स्वादिष्ट हो पर असल में न हो।

भौतिकी (फिजिक्स) और विज्ञान शिक्षा की दुनिया में ठीक यही हो रहा है। लंबे समय तक, "कंप्यूटेशनल फिजिक्स" सीखने का अर्थ कंप्यूटर कोड लिखना था—कंप्यूटर को जटिल गणितीय समस्याओं को हल करने के निर्देश देना, जैसे कि एक ग्रह कैसे चलता है या एक वायरस कैसे फैलता है। लेकिन एक नए प्रकार की आर्टिफिशियल इंटेलिजेंस (AI) का आगमन हुआ है। ये केवल सवाल पूछने वाले चैटबॉट्स नहीं हैं; ये "एजेंटिक" (agentic) उपकरण हैं। वे "हवा के प्रतिरोध के साथ एक उछलती हुई गेंद का सिमुलेशन करें" जैसे सरल वाक्य को लेकर कोड लिख सकते हैं, सिमुलेशन चला सकते हैं, ग्राफ बना सकते हैं, और अपनी गलतियों को खुद सुधार सकते हैं।

शिक्षकों के लिए बड़ा सवाल यह है: यदि रोबोट खाना बना रहा है, तो छात्रों को क्या सीखने की आवश्यकता है? क्या उन्हें अभी भी सब्जियां काटना सीखना होगा? और यदि रोबट एक आदर्श दिखने वाली रिपोर्ट सौंप देता है, तो हमें कैसे पता चलेगा कि छात्र वास्तव में रेसिपी को समझता है? यह शोध पत्र (पेपर) ठीक इसी समस्या पर चर्चा करता है, यह तर्क देते हुए कि ग्रेडिंग का पुराना तरीका (केवल अंतिम रिपोर्ट देखना) टूट चुका है, और छात्रों को पढ़ाने और परखने का एक नया तरीका प्रस्तावित करता है जो केवल टाइपिंग के बजाय 'क्यों' और 'कैसे' की समझ पर केंद्रित है।

---

पेपर का बड़ा विचार: टाइपिंग से सोच की ओर

लेखक, लैरी एंजेलहार्ट (Larry Engelhardt), तर्क देते हैं कि हम एक बड़े बदलाव से गुजर रहे हैं, जो उस समय के समान है जब कैलकुलेटर ने स्लाइड रूल्स (slide rules) की जगह ली थी। अतीत में, छात्रों को उपकरण के "मैकेनिक्स" सीखने होते थे: विशिष्ट कमांड, सिंटैक्स और कंप्यूटर को चलाने के लिए टाइपिंग कौशल। अब, इन AI एजेंटों के साथ, "मैकेनिक्स" मशीन द्वारा संभाले जाते हैं। छात्र का काम 'ऑपरेटर' से बदलकर 'डायरेक्टर' (निर्देशक) का हो गया है।

पेपर सुझाव देता है कि भले ही उपकरण बदल गया हो, लेकिन छात्र को जो बुनियादी चीजें जाननी चाहिए, वे सदियों से वैसी ही हैं। एंजेलहार्ट इन्हें पांच "स्तंभों" (pillars) में व्यवस्थित करते हैं जो तब भी सत्य रहते हैं जब आप पेंसिल, कैलकुलेटर या एक सुपर-स्मार्ट AI का उपयोग कर रहे हों:

1. इनपुट और आउटपुट: यह जानना कि आप सिस्टम में क्या डाल रहे हैं और आप बदले में क्या प्राप्त करने की अपेक्षा करते हैं।
2. वैचारिक समझ (Conceptual Understanding): यह जानना कि वह विधि वास्तव में क्या करती है और कैसे काम करती है, न कि केवल यह कि उसे कैसे टाइप करना है।
3. शब्दावली (Terminology): समस्या को स्पष्ट रूप से समझाने के लिए सही वैज्ञानिक शब्दों का उपयोग करना।
4. समझ बनाना (Sensemaking): परिणाम को देखकर यह कहने की क्षमता कि, "यह समझ में आता है," या "यह गलत लग रहा है।"
5. उपकरण का संचालन (Operating the Tool): वर्तमान उपकरण का उपयोग करने का कौशल (जो पहले टाइपिंग था, लेकिन अब AI को स्पष्ट निर्देश देना है)।

पेपर का मुख्य निष्कर्ष यह है कि AI के युग में, सबसे महत्वपूर्ण कौशल 'सेंसमेकिंग' (Sensemaking - स्तंभ 4) बन गया है। क्योंकि AI तुरंत कोड और ग्राफ उत्पन्न कर सकता है, इसलिए छात्र की यह जांचने की क्षमता कि वे परिणाम वास्तविक हैं या नहीं, अब सबसे महत्वपूर्ण कौशल है। लेखक इसे "सत्यापन अधिकार" (verification authority) कहते हैं। सिर्फ इसलिए कि AI कहता है "यहाँ उत्तर है," इसका मतलब यह नहीं है कि वह सही है; छात्र को ही न्यायाधीश होना चाहिए।

पुराने टेस्ट क्यों टूट चुके हैं

पेपर स्पष्ट रूप से कंप्यूटेशनल कक्षाओं के पारंपरिक ग्रेडिंग तरीके के विरुद्ध तर्क देता है। दशकों से, शिक्षक एक प्रोजेक्ट असाइन करते थे: "एक पेंडुलम का सिमुलेशन करने के लिए कोड लिखें, एक ग्राफ बनाएं और रिपोर्ट जमा करें।" धारणा यह थी कि यदि छात्र एक कार्यशील रिपोर्ट जमा करता है, तो वह भौतिकी को समझता है।

एंजेलहर्घट कहते हैं कि यह अब सच नहीं है। वे इसे "प्रॉक्सी कोलैप्स" (proxy collapse) कहते हैं। एक "प्रॉक्सी" किसी अन्य चीज़ का प्रतिनिधि होता है। रिपोर्ट छात्र की समझ का एक प्रतिनिधि थी। लेकिन अब, क्योंकि एक AI मांग पर एक आदर्श रिपोर्ट तैयार कर सकता है, रिपोर्ट यह सिद्ध नहीं करती कि छात्र कुछ जानता है। यह वैसा ही है जैसे यदि कोई छात्र किसी प्रसिद्ध लेखक द्वारा लिखा गया एक आदर्श निबंध जमा करे; निबंध अच्छा है, लेकिन यह साबित नहीं करता कि छात्र लिखना जानता है। पेपर का तर्क है कि हमें "आर्टिफैक्ट" (कोड या ग्राफ) को सीखने के प्रमाण के रूप la treat करना बंद करना चाहिए।

नया समाधान: "मौखिक रक्षा" (The Oral Defense)

तो, यदि हम होमवर्क पर भरोसा नहीं कर सकते, तो हम छात्रों का परीक्षण कैसे करें? पेपर एक व्यावहारिक, दो-भाग वाली प्रणाली का प्रस्ताव करता है जिसे उन छोटी कक्षाओं के लिए डिज़ाइन किया गया है जहाँ भौतिकी पढ़ाई जाती है:

1. AI-मुक्त क्विज़: छात्र अभी भी कक्षा में छोटे कोडिंग क्विज़ देते हैं जहाँ वे AI का उपयोग नहीं कर सकते। यह सुनिश्चित करता है कि उन्होंने यह नहीं सीखा कि कोड कैसे काम करता है, इसकी बुनियादी "मसल मेमोरी" नहीं खोई है। उनसे टूटा हुआ कोड ठीक करने या शून्य से एक छोटा फंक्शन लिखने के लिए कहा जा सकता है।
2. मौखिक रक्षा (The Oral Defense): यह एक बड़ा नया विचार है। छात्रों द्वारा AI की मदद से प्रोजेक्ट बनाने के बाद, उन्हें शिक्षक के साथ 10 मिनट की बातचीत के लिए बैठना होगा।
   • ट्विस्ट: बैठक से पहले, शिक्षक छात्र द्वारा जमा किए गए कोड से सभी 'कमेंट्स' (कोड को समझाने वाले नोट्स) को हटा देते हैं।
   • परीक्षण: शिक्षक छात्र को अपने स्वयं के कोड के माध्यम से जाने, ग्राफों का अर्थ समझाने और ऐसे प्रश्नों के उत्तर देने के लिए कहते हैं जैसे, "आपने इस विधि को क्यों चुना?" या "यदि हम द्रव्यमान (mass) को दोगुना कर दें तो क्या होगा?"
   • गेटकीपर: एक विशिष्ट "सत्यापन गेट" (verification gate) है। छात्र को यह साबित करना होगा कि उन्होंने अपने काम की जांच की है। यदि वे यह समझाने में सक्षम नहीं हैं कि परिणाम क्यों सही है, तो वे फेल हो जाएंगे, भले ही कोड पूरी तरह से चल रहा हो।

लेखक का सुझाव है कि मौखिक रक्षा ही एकमात्र तरीका है जिससे यह प्रमाणित किया जा सकता है कि छात्र वास्तव में उस काम का स्वामी है। यह ठीक वैसे ही है जैसे पीएचडी छात्र अपने शोध प्रबंध (thesis) का बचाव करते हैं; पेपर केवल लेखन पर नहीं, बल्कि छात्र की व्यक्तिगत रूप से समझाने और बचाव करने की क्षमता पर आधारित होता है।

पेपर क्या कहता है (और क्या नहीं कहता)

पेपर सावधानीपूर्वक नोट करता है कि यह लेखक के अनुभव और अनुकूलन पर आधारित एक नया ढांचा है, न कि व्यापक, दीर्घकालिक वैज्ञानिक अध्ययनों का परिणाम। लेखक स्वीकार करते हैं कि हमें अभी तक यह नहीं पता है कि AI पर स्विच करने से पहले कोडिंग अभ्यास की कितनी "खुराक" की आवश्यकता है। वे सुझाव देते हैं कि छात्रों को मानसिक मॉडल बनाने के लिए कम से कम एक बार "व्हाइट बॉक्स" (कोड को पारदर्शी रूप से काम करते हुए देखना) देखने की आवश्यकता है, लेकिन वे निश्चित नहीं हैं कि यह कितना पर्याप्त है।

पेपर इस विचार को भी खारिज करता है कि हम बस AI को "प्रतिबंधित" कर सकते हैं। लेखक का तर्क है कि छात्रों को घर पर AI का उपयोग करने से रोकने की कोशिश करना वैसा ही है जैसे उन्हें कैलकुलेटर का उपयोग करने से रोकना; यह असंभव है। इसके बजाय, ध्यान प्रेरणा और मूल्यांकन डिजाइन पर होना चाहिए जो AI का उपयोग करना सीखने का सही तरीका बनाता है, न कि धोखाधड़ी करने का आसान तरीका।

निष्कर्ष

पेपर निष्कर्ष निकालता है कि कंप्यूटेशनल भौतिकी पाठ्यक्रम का "उत्पाद" अब कोड या ग्राफ नहीं है। वे अब सस्ते और आसानी से उपलब्ध हैं। वास्तविक उत्पाद भौzicht की भाषा का उपयोग करके परिणामों को समझाने और उनका बचाव करने की छात्र की क्षमता है।

एक ऐसी दुनिया में जहाँ मशीनें भारी काम कर सकती हैं, मानवीय मूल्य निर्णय (judgment) में निहित है। पेपर का सुझाव है कि शिक्षण का भविष्य कोड लिखने के लिए रोबोट को रोकने के बारे में नहीं है; बल्कि छात्र को एक स्मार्ट, आलोचनात्मक निर्देशक बनाने के बारे में है जो जानता है कि रोबोट वास्तव में क्या कर रहा है, क्यों कर रहा है, और क्या उत्तर वास्तव में सत्य है। छात्र और शिक्षक के बीच की बातचीत कक्षा का सबसे महत्वपूर्ण हिस्सा बन जाती है, क्योंकि यही वह एकमात्र स्थान है जहाँ वास्तविक समझ को प्रमाणित किया जा सकता है।