Using LLMs to Detect Growth in Computational Thinking in Introductory Physics
यह अध्ययन प्रदर्शित करता है कि लार्ज लैंग्वेज मॉडल्स (Large Language Models), डेटा प्रथाओं और समस्या-समाधान के लिए लिखित स्पष्टीकरणों के मानवीय मूल्यांकन की नकल करके, प्रारंभिक भौतिकी पाठ्यक्रमों के भीतर कम्प्यूटेशनल थिंकिंग में छात्र विकास के मूल्यांकन को प्रभावी ढंग से स्केल कर सकते हैं, हालांकि दोनों विधियों को सिस्टम्स थिंकिंग जैसे जटिल कंस्ट्रक्ट्स का विश्वसनीय रूप से मूल्यांकन करने में चुनौतियों का सामना करना पड़ता 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
भौतिकी की दुनिया को केवल ब्लैकबोर्ड पर लिखे सूत्रों के संग्रह के रूप में नहीं, बल्कि एक विशाल, इंटरैक्टिव वीडियो गेम के रूप में कल्पना करें जहाँ प्रकृति के नियम ही उसका 'कोड' हैं। दशकों से, शिक्षक छात्रों को केवल नियमों को रटने के बजाय खुद कोड लिखना सिखाने का प्रयास कर रहे हैं। इस कौशल को "कंप्यूटेशनल थिंकिंग" (गणनात्मक सोच) कहा जाता है। यह केवल तेज़ टाइपिंग या कंप्यूटर सिंटैक्स जानने के बारे में नहीं है; यह एक बड़ी, जटिल वास्तविक दुनिया की समस्या (जैसे कार दुर्घटना या किसी ग्रह की कक्षा) को छोटे, तार्किक चरणों में तोड़ने के बारे में है जिन्हें एक कंप्यूटर समझ सके। यह एक ऐसे अनुवादक होने जैसा है जो "मानव" और "मशीन" दोनों भाषाएं बोलता है, और यह पता लगाता है कि एक गिरते हुए सेब का वर्णन कैसे किया जाए ताकि एक रोबोट सटीक भविष्यवाणी कर सके कि वह कहाँ गिरेगा।
शिक्षकों के लिए बड़ा सवाल यह है: हम यह कैसे जान सकते हैं कि छात्र वास्तव में इस अनुवाद के काम में बेहतर हो रहे हैं? पारंपरिक रूप से, शिक्षक बहुविकल्पीय परीक्षणों (multiple-choice tests) का उपयोग करते रहे हैं, जो ग्रेड देने में आसान हैं लेकिन यह दिखाने में बहुत खराब हैं कि छात्र कैसे सोचते हैं। वास्तविक सोच को देखने के लिए, छात्रों को शब्दों में अपने उत्तर लिखने होते हैं। लेकिन यहाँ एक पेंच है: सैकड़ों हस्तलिखित निबंधों को पढ़ना थकाऊ, धीमा और महंगा है। यह घड़ी की सुई चलते समय हाथ से लाखों निबंधों को ग्रेड देने की कोशिश करने जैसा है। अब, एक नए प्रकार का "सुपर-रीडर" आ गया है: आर्टिफिशियल इंटेलिजेंस (AI), विशेष रूप से लार्ज लैंग्वेज मॉडल्स (LLMs)। ये उन्हीं स्मार्ट कंप्यूटरों के प्रकार हैं जो कहानियाँ लिख सकते हैं या आपसे चैट कर सकते हैं। ज्वलंत प्रश्न यह है: क्या ये AI बॉट्स मानव शिक्षक की तरह ही छात्रों के निबंधों को पढ़ सकते हैं और उनकी सोचने की क्षमता में विकास को पहचान सकते हैं, लेकिन बिना कॉफी ब्रेक लिए?
पर्ड्यू यूनिवर्सिटी के शोधकर्ताओं द्वारा लिखित यह शोध पत्र इसी प्रश्न का उत्तर देने के लिए बनाया गया है। वे यह देखना चाहते थे कि क्या एक AI एक विशाल, अथक शिक्षण सहायक के रूप में एक सेमेस्टर के दौरान छात्रों की कंप्यूटेशनल थिंकिंग के विकास को ट्रैक कर सकता है। उन्होंने केवल AI को ग्रेड देने के लिए नहीं कहा; उन्होंने उससे छात्रों के लेखन में विशिष्ट "सुपरपावर्स" खोजने के लिए कहा: क्या वे डेटा को संभाल सकते हैं? क्या वे समस्याओं को छोटे हिस्सों में तोड़ सकते हैं? क्या वे समझ सकते हैं कि जटिल प्रणालियाँ एक साथ मिलकर कैसे काम करती हैं?
इसका परीक्षण करने के लिए, शोधकर्ताओं ने भौतिकी की एक कक्षा में 936 छात्रों को इकट्ठा किया जहाँ वे पायथन (Python) में कोडिंग करना सीख रहे थे। कक्षा शुरू होने से पहले और समाप्त होने के बाद, छात्रों ने भौतिकी की समस्याओं के बारे में खुले प्रश्न (open-ended questions) हल किए, जैसे कि एक उछलते हुए स्प्रिंग के ग्राफ की व्याख्या करना या एक ढलान पर फिसलने वाली स्लेज (sled) के लिए सिमुलेशन डिजाइन करना। सबसे पहले, विशेषज्ञों की एक टीम ने इन निबंधों के एक छोटे नमूने को पढ़ा और एक सख्त रूब्रिक के आधार पर उन्हें स्कोर दिया। इसने एक "गोल्ड स्टैंडर्ड" बनाया कि एक मानव क्या सोचता है कि एक अच्छा उत्तर क्या है। फिर, उन्होंने ठीक उन्हीं निबंधों को एक AI मॉडल (विशेष रूप से GPT-4o-mini का एक मल्टीमॉडल संस्करण) को दिया और उसे उन्हीं नियमों का उपयोग करके ग्रेड देने के लिए कहा।
परिणाम आश्चर्यजनक रूप से उत्साहजनक थे। AI एक बहुत ही सक्षम सहायक साबित हुआ। डेटा हैंडलिंग (Data Practices) और कोड के चरणों को तोड़ने (Computational Problem-Solving) जैसे स्पष्ट कौशल के लिए, AI के ग्रेड मानव विशेषज्ञों के ग्रेड से लगभग पूरी तरह मेल खाते थे। जब शोधकर्ताओं ने 936 छात्रों के पूरे समूह को देखा, तो AI ने उन्हीं बड़े रुझानों को सफलतापूर्वक पहचाना जो मनुष्यों ने पाए थे: छात्रों ने सेमेस्टर के अंत तक डेटा संभालने और कंप्यूटेशनल समस्याओं को हल करने में महत्वपूर्ण सुधार किया। वास्तव में, AI ने पुष्टि की कि छात्रों ने इन क्षेत्रों में बड़ी छलांग लगाई, जिसमें डेटा कौशल ने भारी सुधार दिखाया।
हालाँकि, यह कहानी पूरी तरह से "AI की जीत" वाली नहीं है। शोधकर्ताओं ने पाया कि मानव और AI दोनों ही सबसे जटिल कौशल: "सिस्टम थिंकिंग" (Systems Thinking) के साथ संघर्ष करते हैं। यह वह क्षमता है जिससे यह देखा जा सके कि एक प्रणाली के सभी छोटे हिस्से एक बड़ी तस्वीर बनाने के लिए कैसे परस्पर क्रिया करते हैं। क्योंकि यह अवधारणा इतनी अस्पष्ट और पकड़ में आने में कठिन है, इसलिए मानव विशेषज्ञ भी कभी-कभी एक-दूसरे से असहमत होते हैं, और AI भी उनके साथ तालमेल बिठाने में संघर्ष करता है। यह शोध पत्र सुझाव देता है कि AI यहाँ "मूर्ख" नहीं है; बल्कि कार्य ही इतना कठिन है कि उसे स्पष्ट रूप से परिभाषित करना मुश्किल है।
एक विशिष्ट प्रश्न के साथ एक मज़ेदार मोड़ भी आया जो एक स्लेज सिमुलेशन डिजाइन करने के बारे में था। छात्र इस विषय में कक्षा शुरू होने से पहले ही इतने अच्छे थे कि वे इसमें अधिक सुधार नहीं कर सके। यह एक पेशेवर शेफ से उसकी चाकू चलाने की कला में सुधार करने के लिए कहने जैसा था जब वह पहले से ही दुनिया के सबसे तेज़ चाकू का उपयोग कर रहा हो। स्कोर एक "सीलिंग" (छत) पर पहुँच गए, जिसका अर्थ था कि विकास को मापने के लिए कोई जगह नहीं बची थी, और AI ने सही ढंग से पहचाना कि वहां कोई प्रगति नहीं हुई।
अंत में, यह अध्ययन दिखाता है कि AI यह जांचने के लिए एक व्यवहार्य और शक्तिशाली उपकरण है कि छात्र कंप्यूटेशनल भौतिकविदों की तरह सोचना कैसे सीखते हैं। यह हजारों निबंधों को पढ़ने और वही पैटर्न खोजने के लिए स्केल किया जा सकता है जो मनुष्य पाते हैं, जिससे शिक्षकों को कागजी कार्रवाई में डूबने से बचाया जा सकता है। लेकिन यह इस बात की याद भी दिलाता है कि AI केवल उतना ही अच्छा है जितने नियम हम इसे देते हैं। सोचने के उन जटिल और अव्यवस्थित हिस्सों के लिए जहाँ मनुष्य भी असहमत होते हैं, हमें अभी भी सावधानीपूर्वक डिजाइन और मानवीय निरीक्षण की आवश्यकता है। AI शिक्षक की जगह नहीं ले रहा है; यह उन्हें एक सुपर-पावर्ड आवर्धक लेंस (magnifying glass) थमा रहा है ताकि वे उस विकास को देख सकें जो पहले से ही हो रहा था।
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।