BoilerSketch: A TA-Supervised, Diagram-First GenAI Practice for Structured Diagrams in CS1/Early CS2

तकनीकी सारांश: BoilerSketch

समस्या विवरण
प्रारंभिक कंप्यूटिंग पाठ्यक्रमों (CS1 और शुरुआती CS2) में लैब और ऑफिस आवर्स के दौरान सहायता की कमी एक बड़ी बाधा बनती है। जबकि छात्रों को समय पर और व्यक्तिगत सहायता की आवश्यकता होती है, उनके कई प्रश्न—विशेष रूप से रिकर्सन ट्रेसेस (recursion traces), ट्री ट्रैवर्सल (tree traversals), पॉइंटर एलियासिंग (pointer aliasing), और डायनेमिक प्रोग्रामिंग टेबल्स (dynamic programming tables) से जुड़े प्रश्न—टेक्स्ट के बजाय विजुअल आरेख (visual diagrams) के माध्यम से बेहतर ढंग से समझाए जा सकते हैं। कंप्यूटिंग शिक्षा में मौजूदा AI ट्यूटरिंग उपकरण मुख्य रूप से टेक्स्ट-केंद्रित या कोड-केंद्रित हैं; वे अभ्यास उत्पन्न करते हैं, कोड की व्याख्या करते हैं, या संवाद के माध्यम से डिबगिंग करते हैं, लेकिन उनमें सटीक, शैक्षणिक रूप से उपयोगी विजुअल्स बनाने की क्षमता का अभाव है। इसके विपरीत, क्लासिक प्रोग्राम विज़ुअलाइज़ेशन सिस्टम मजबूत दृश्य प्रतिनिधित्व प्रदान करते हैं, लेकिन वे शायद ही कभी संवादात्मक, मल्टीमॉडल या एक सुपर्वाइज्ड हेल्प वर्कफ़्लो के भीतर होते हैं। यह उन प्रणालियों के बीच एक अंतर पैदा करता है जो प्रोग्राम व्यवहार को विज़ुअलाइज़ करती हैं और उन प्रणालियों के बीच जो उस पर चर्चा करती हैं, जिससे एक "डायग्राम-फर्स्ट" AI सपोर्ट टूल की आवश्यकता उत्पन्न होती है जो विशेष रूप से वैचारिक स्पष्टीकरण तक सीमित हो और मानव पर्यवेक्षण के अधीन हो।

कार्यप्रणाली और सिस्टम डिज़ाइन
लेखक प्रारंभिक कंप्यूटिंग सहायता के लिए एक TA-सुपरवाइज्ड, डायग्राम-फर्स्ट GenAI अभ्यास के रूप में BoilerSketch प्रस्तुत करते हैं। यह सिस्टम एक स्वायत्त ट्यूटर नहीं है, बल्कि चार मुख्य घटकों से बना एक बाउंडेड इंस्ट्रक्शनल प्रैक्टिस है:

1. डुअल-पेन टैबलेट इंटरफेस: छात्र पेन-सक्षम व्हाइटबोर्ड और नेचुरल लैंग्वेज चैट वाले टैबलेट के माध्यम से इंटरैक्ट करते हैं। छात्र टेक्स्ट प्रश्न सबमिट कर सकते हैं, संरचनाओं या ट्रेसेस को स्केच कर सकते हैं, या हाथ से बने आरेखों की छवियां अपलोड कर सकते हैं। सिस्टम पुनरावृत्ति (iterative), द्वि-मार्गी विजुअल-टेक्स्टुअल संवाद का समर्थन करता है।
2. प्रॉम्प्ट-एज़-पॉलिसी आर्किटेक्चर: सिस्टम शैक्षणिक सीमाओं को लागू करने के लिए दो-स्तरीय प्रॉम्प्टिंग रणनीति का उपयोग करता है।
   • बेस इंस्ट्रक्शनल प्रॉम्प्ट: यह मॉडल की भूमिका को एक संक्षिप्त शिक्षण सहायक (teaching assistant) के रूप में परिभाषित करता है, जो निष्पादन योग्य कोड (executable code), प्रत्यक्ष डिबगिंग, और कोर्स संबंधी शिकायतों को प्रतिबंधित करता है। यह वैचारिक अनपैकिंग और स्वतंत्र समस्या समाधान पर ध्यान केंद्रित करने का आदेश देता है।
   • विज़ुअलाइज़ेशन सबप्रॉम्प्ट: केवल तभी सक्रिय होता है जब विजुअल स्पष्टीकरण आवश्यक हो, यह प्रॉम्प्ट मॉडल को फ्री-फॉर्म इमेज के बजाय स्ट्रक्चर्ड मर्मेड (Mermaid) डायग्राम सिंटैक्स उत्पन्न करने के लिए बाध्य करता है।
3. स्ट्रक्चर्ड रेंडरिंग पाइपलाइन: विश्वसनीयता और निरीक्षण योग्यता सुनिश्चित करने के लिए, सिस्टम कच्चे चित्र (raw images) उत्पन्न नहीं करता है। इसके बजाय, यह मॉडल के रिस्पॉन्स से मर्मेड कोड ब्लॉक को निकालता है, उसे वैलिडेट करता है, और छात्र को प्रदर्शित करने से पहले इसे सर्वर-साइड पर रेंडर करता है। यह सुनिश्चित करता है कि आउटपुट स्थिर, अनुमानित और स्टाफ द्वारा आसानी से समीक्षा योग्य हो।
4. ह्यूमन-इन-द-लूप सुपरविजन: टीचिंग असिस्टेंट्स (TAs) जवाबदेह पर्यवेक्षक के रूप में कार्य करते हैं। वे कई सत्रों की निगरानी करते हैं और वहां हस्तक्षेप करते हैं जहां प्रतिक्रियाओं को सुधार, गहन जांच, या लाइव हेल्प तक एस्केलेशन की आवश्यकता होती है। AI एक "फर्स्ट-पास" आर्टिफैक्ट प्रदान करता है, जिसे TA स्वीकार कर सकता है, विस्तारित कर सकता है, या अस्वीकार कर सकता है।

मूल्यांकन पद्धति
पेपर में पर्ड्यू यूनिवर्सिटी के CS251 (डेटा स्ट्रक्चर्स और एल्गोरिदम) के 21 इंस्ट्रक्शनल स्टाफ (TAs और एक इंस्ट्रक्शनल स्पेशलिस्ट) के साथ स्प्रिंग 2025 में किए गए एक एक्सपर्ट इवैल्यूएशन की रिपोर्ट दी गई है।

• प्रक्रिया: प्रतिभागियों ने BoilerSketch के साथ एक एंड्रॉइड टैबलेट का उपयोग करके 45 मिनट का हैंड्स-ऑन सत्र पूरा किया। उन्होंने सिस्टम के साथ एक छात्र की तरह इंटरैक्ट किया, प्रतिनिधि वैचारिक प्रॉम्प्ट (जैसे, रिकर्सन ट्रेसेस, ग्राफ ट्रैवर्सल) और स्वयं-जनित प्रश्न सबमिट किए।
• मेट्रिक्स: सत्र के बाद, प्रतिभागियों ने एक पोस्ट-यूज़ सर्वे पूरा किया जिसमें उन्होंने ऑर्डिनल स्केल्स का उपयोग करके वैचारिक समझ के लिए सिस्टम की कथित उपयोगिता और विशिष्ट सहायता कार्यों के लिए इसकी उपयोगिता को रेट किया।

परिणाम
मूल्यांकन के परिणाम कथित उपयोगिता के संबंध में मिश्रित लेकिन आम तौर पर सकारात्मक रहे:

• सहायकता (Helpfulness): 66.7% (14/21) स्टाफ ने वैचारिक समझ के लिए सिस्टम को कम से कम "मध्यम रूप से सहायक" (moderately helpful) माना। 14.3% ने "मध्यम रूप से अनुपयोगी" (moderately not helpful) माना, और 19.0% तटस्थ थे।
• उपयोगिता (Usefulness): 66.7% (14/21) ने विशिष्ट सहायता कार्यों के लिए सिस्टम को कम से कम "मध्यम रूप से उपयोगी" (moderately useful) माना।
• सर्वश्रेष्ठ-फिट परिदृश्य (Best-Fit Scenarios): स्टाफ ने नियमित, डायग्राम-केंद्रित स्पष्टीकरणों (जैसे, ट्री ट्रैवर्सल, डायनेमिक प्रोग्रामिंग टेबल्स, और डाइक्ストラ जैसे ग्राफ एल्गोरिदम का विज़ुअलाइज़ेशन) में सिस्टम के सबसे मजबूत मूल्य की पहचान की।
• सीमाएं (Limitations): स्टाफ ने गहरे स्तर की गहराई की आवश्यकता वाले उन्नत विषयों को संभालने या छात्र की विशिष्ट, सूक्ष्म गलत धारणाओं (misconceptions) को पहचानने में सिस्टम की महत्वपूर्ण सीमाओं को नोट किया, जो कि एक व्यापक रूप से प्रशंसनीय AI रिस्पॉन्स में छिपी हो सकती हैं। 33.3% प्रतिभागियों ने कुछ परिदृश्यों के लिए सिस्टम को न्यूट्रल या अनुपयोगी/उपयोगहीन रेट किया, जो कि AI द्वारा छात्र की उलझन के मूल कारण को मिस करने के जोखिम को उजागर करता है।

प्रमुख योगदान और दावे
यह पेपर एक "इनोवेटिव प्रैक्टिस" पेपर के रूप में तीन प्राथमिक योगदान देता है:

1. इंस्ट्रक्शनल प्रैक्टिस: यह प्रारंभिक कंप्यूटिंग पाठ्यक्रमों में सुपर्वाइज्ड, डायग्राम-केंद्रित AI सहायता के लिए एक प्रतिलिपि योग्य (replicable) फ्रेमवर्क प्रस्तुत करता है, जो टेक्स्ट-फर्स्ट AI इंटरैक्शन से आगे जाता है।
2. डिज़ाइन पैटर्न: यह एक तैनात करने योग्य (deployable) डिज़ाइन पैटर्न को स्पष्ट करता है जहाँ प्रॉम्प्ट-लेवल गार्डरेल्स, स्ट्रक्चर्ड डायग्राम रेंडरिंग (Mermaid), और TA एस्केलेशन नियम मिलकर AI सहायता को उत्तर उत्पादन के बजाय केवल वैचारिक स्पष्टीकरण तक सीमित करते हैं।
3. एक्सपर्ट वैलिडेशन: यह विशेषज्ञ मूल्यांकन डेटा प्रदान करता है जो "बेस्ट-फिट" उपयोगों (रूटीन वैचारिक विज़ुअलाइज़ेशन) और सीमा स्थितियों (सूक्ष्म निदान, उन्नत विषय) की पहचान करता है।

महत्व और दावों की विनम्रता
लेखक BoilerSketch को मानव निर्देश के विकल्प के रूप में नहीं, बल्कि नियमित, डायग्राम-अनुकूल प्रश्नों के लिए एक विश्वसनीय फर्स्ट-रिस्पॉन्स लेयर के रूप में प्रस्तुत करते हैं। इसका महत्व यह प्रदर्शित करने में है कि प्रारंभिक कंप्यूटिंग में AI सहायता अधिक सुधारात्मक रूप से विश्वसनीय हो जाती है जब यह:

• वैचारिक स्पष्टीकरण के लिए सीमित रूप से स्कूप (narrowly scoped) हो।
• स्ट्रक्चर्ड आउटपुट (Mermaid) के माध्यम से संरचनात्मक रूप से बाधित (structurally constrained) हो।
• मानव स्टाफ के स्पष्ट एस्केलेशन प्रोटोकॉल के भीतर एम्बेडेड (embedded) हो।

पेपर स्पष्ट रूप से विनम्रतापूर्वक दावा करता है कि यह छात्र सीखने के लाभ, सभी विषयों में व्यापक शुद्धता, या ऑफिस-ऑवर प्रतीक्षा समय में कमी स्थापित नहीं करता है। इसके बजाय, यह एक ठोस मॉडल पेश करता है जो निर्देशात्मक नियंत्रण और शैक्षणिक अखंडता को बनाए रखते हुए वैचारिक सहायता का विस्तार करता है। लेखक तर्क देते हैं कि "प्रॉम्प्ट-एज़-पॉलिसी" दृष्टिकोण पाठ्यक्रम के मूल्यों (जैसे, शैक्षणिक अखंडता और वैचारिक फोकस) को सीधे सिस्टम व्यवहार में अनुवादित करने की अनुमति देता है, जिससे प्रॉम्प्ट स्वयं एक शैक्षणिक डिज़ाइन आर्टिफैक्ट बन जाता है।