From Student Risk Prediction to SC2R: Semantics-Constrained Counterfactual Recourse for Educational Decision Support

आधुनिक शिक्षा के विशाल डिजिटल परिदृश्य में, लर्निंग मैनेजमेंट सिस्टम (LMS) छात्र गतिविधि की एक निरंतर धारा रिकॉर्ड करते हैं: कोर्स पेजों पर क्लिक, क्विज़ जमा करना, फ़ोरम में भागीदारी और हर लॉगिन का समय। वर्षों से, डेटा वैज्ञानिक इन डिजिटल निशानों का उपयोग उन मॉडलों को बनाने के लिए करते रहे हैं जो यह भविष्यवाणी करते हैं कि कौन से छात्र संघर्ष कर सकते हैं या असफल हो सकते हैं। ये प्रेडिक्टिव टूल्स (भविणीय उपकरण) एक प्रारंभिक चेतावनी प्रणाली की तरह कार्य करते हैं, जो संकट आने से पहले ही जोखिम वाले शिक्षार्थियों की पहचान कर लेते हैं। हालाँकि, परेशानी की भविष्यवाणी करना केवल आधा समाधान है। यह जानना कि एक छात्र खतरे में है, एक शिक्षक या सलाहकार को यह नहीं बताता कि उन्हें मदद करने के लिए कौन से विशिष्ट, व्यावहारिक कदम उठाए जा सकते हैं। एक चेतावनी जो कहती है "यह छात्र असफल होगा" उस गाइड की तुलना में कम उपयोगी है जो कहती है "यदि यह छात्र इन तीन पेजों को दोबारा देखता है और एक सपोर्ट सेशन में भाग लेता है, तो उनके पास होने की संभावना काफी बढ़ जाती है।" चुनौती एक सांख्यिकीय जोखिम स्कोर को एक ठोस, कार्रवाई योग्य योजना में बदलने में निहित है जो समय, संसाधन और छात्र की गोपनीयता की वास्तविक दुनिया की सीमाओं का सम्मान करती है।

यही वह केंद्रीय समस्या है जिसे SC2R नामक एक नए फ्रेमवर्क द्वारा संबोधित किया गया है, जिसे शोधकर्ताओं द्वारा विफलता की भविष्यवाणी करने और सफलता को सक्षम करने के बीच के अंतर को पाटने के लिए विकसित किया गया है। टीम ने, ओपन यूनिवर्सिटी लर्निंग एनालिटिक्स डेटासेट के डेटा के साथ काम करते हुए, केवल जोखिम स्कोर से आगे बढ़कर ऐसे हस्तक्षेप प्लान (intervention plans) उत्पन्न करने का प्रयास किया जो न केवल गणितीय रूप से संभव हों, बल्कि एक वास्तविक कक्षा की बाधाओं के भीतर वास्तव में व्यवहार्य भी हों। उन्होंने महसूस किया कि एक सिफारिश बेकार है यदि वह छात्र को कुछ ऐसा करने के लिए कहती है जो असंभव हो, जैसे कि समय सीमा समाप्त होने के बाद कक्षा में उपस्थित होना, किसी स्थायी व्यक्तिगत विशेषता को बदलना, या ऐसे संसाधन तक पहुँचना जो उपलब्ध नहीं है। इसे हल करने के लिए, उन्होंने एक प्रेडिक्टिव मॉडल को एक ऐसी प्रणाली के साथ जोड़ा जो प्रत्येक सुझाई गई कार्रवाई की समय, बजट और उपलब्धता के संबंध में सख्त, मशीन-पठनीय नियमों के विरुद्ध जाँच करती है।

शोधकर्ताओं ने एक प्रणाली बनाई जो तीन अलग-अलग चरणों में कार्य करती है। सबसे पहले, यह छात्र की वर्तमान स्थिति को देखता है, जो आगामी परीक्षा से पहले विशिष्ट बिंदुओं पर उनकी हालिया गतिविधि और पिछले प्रदर्शन को कैप्चर करता है। इसके बाद एक प्रेडिक्टिव मॉडल यह अनुमान लगाता है कि उस छात्र के अगले मूल्यांकन में पास होने की संभावना कितनी है। यदि संभावना बहुत कम है, तो सिस्टम अपने दूसरे चरण की ओर बढ़ता है: परिणाम में सुधार के लिए संभावित कार्यों की एक सूची तैयार करना। ये अस्पष्ट सुझाव नहीं हैं बल्कि अलग-अलग, गणनीय चरण हैं, जैसे कि अभ्यास क्विज़ की एक विशिष्ट संख्या की समीक्षा करना या कोर्स पेजों के एक सेट को फिर से देखना। सिस्टम एक गणितीय अनुकूलन (optimization) पद्धति का उपयोग करता है ताकि उन कार्यों के संयोजन को खोजा जा सके जो सफलता की सर्वोत्तम संभावना प्रदान करते हैं और जिसमें छात्र की ओर से न्यूनतम प्रयास की आवश्यकता होती है।

हालाँकि, इस कार्य का वास्तविक नवाचार तीसरा चरण है, जहाँ सिस्टम एक कठोर गेटकीपर के रूप में कार्य करता है। इससे पहले कि कोई योजना किसी मानव के सामने प्रस्तुत की जाए, इसे एक संरचित डिजिटल प्रारूप में अनुवादित किया जाता है और एक सिमेंटिक वैलिडेशन (अर्थगत सत्यापन) जाँच के अधीन किया जाता है। यह प्रक्रिया सत्यापित करती है कि प्रत्येक प्रस्तावित कार्रवाई शैक्षिक वातावरण की वास्तविकता के भीतर फिट बैठती है। यह सुनिश्चित करता है कि सुझाई गई गतिविधियाँ परीक्षा की समय सीमा से पहले पूरी की जा सकती हैं, कुल प्रयास एक उचित सीमा से अधिक नहीं है, और छात्र को अपनी पहचान या इतिहास के अपरिवर्तनीय तथ्यों को बदलने के लिए नहीं कहा जा रहा है। सिस्टम यह भी जाँचता है कि कोई भी आवश्यक संसाधन, जैसे कि एक विशिष्ट लैब सत्र या सहायता कार्यालय, प्रस्तावित समय के दौरान वास्तव में खुले और उपलब्ध हैं या नहीं।

जब शोधकर्ताओं ने इस फ्रेमवर्क का परीक्षण 1,27,000 से अधिक छात्र स्नैपशॉट्स के डेटा पर किया, तो परिणामों ने इन बाधाओं के महत्वपूर्ण महत्व को रेखांकित किया। सिस्टम का प्रेडिक्टिव घटक मजबूती से कार्य करता है, जो उच्च विश्वसनीयता के साथ जोखिम वाले छात्रों की सटीक पहचान करता है। इससे भी महत्वपूर्ण बात यह है कि सिस्टम ने हजारों संक्षिप्त हस्तक्षेप योजनाएं सफलतापूर्वक उत्पन्न कीं, जिनमें औसत योजना को सफलता की संभावना में वांछित सुधार प्राप्त करने के लिए एक से थोड़ा अधिक कार्य की आवश्यकता थी। इन हस्तक्षेपों की औसत लागत लगभग 10.3 यूनिट निकाली गई, जो एक मेट्रिक है जो आवश्यक प्रयास का प्रतिनिधित्व करती है। महत्वपूर्ण रूप से, सिमेंटिक वैलिडेशन लेयर ने खुलासा किया कि इन सख्त जाँचों के बिना, कागज़ पर अच्छे दिखने वाले कई प्लान वास्तव में लागू करने में खारिज कर दिए जाते। 200 मामलों के एक नियंत्रित परीक्षण में, जब सिस्टम को संसाधनों की उपलब्धता पर विचार करने के लिए कहा गया, तो शुरू में वैध दिखने वाले लगभग 13 प्रतिशत प्लान को इसलिए फ्लैग किया गया क्योंकि आवश्यक संसाधन सुझाए गए समय के दौरान उपलब्ध नहीं थे।

अध्ययन का सुझाव है कि ऐसे सिस्टम का मूल्य इस बात में नहीं है कि वह छात्र के पास होने की गारंटी दे, बल्कि इस बात में है कि दी गई सलाह विश्वसनीय और परिचालन रूप से सुदृढ़ हो। शोधकर्ताओं ने पाया कि जबकि सिस्टम ऐसे प्लान उत्पन्न कर सकता था जो गणितीय रूप से वैध थे, सिमेंटिक बाधाएं उन प्लान्स को फ़िल्टर करने के लिए आवश्यक थीं जो व्यावहारिक रूप से लागू करने योग्य नहीं थे। यह शिक्षाविदों और आर्टिफिशियल इंटेलिजेंस के बीच विश्वास बनाने के लिए महत्वपूर्ण है। यदि कोई सिस्टम ऐसा प्लान सुझाता है जिसे एक शिक्षक जानता है कि उसे निष्पादित करना असंभव है, तो पूरा टूल अपनी विश्वसनीयता खो देता है। एक योजना की व्यवहार्यता को मशीन-चेकेबल बनाकर, यह फ्रेमवर्क सुनिश्चित करता है कि सिफारिशें न केवल मॉडल-वैध हैं, बल्कि सिमेंटिक रूप से व्यवहार्य और व्याख्या योग्य भी हैं।

इस कार्य में यह भी जांचा गया कि जब मूल डेटा में थोड़ा बदलाव होता है या जब मॉडल को फिर से प्रशिक्षित किया जाता है, तो ये सिफारिशें कितनी स्थिर रहती हैं। परिणामों ने दिखाया कि योजनाएं छात्र इनपुट में छोटे बदलावों के प्रति मध्यम रूप से स्थिर थीं, लेकिन जब प्रेडिक्टिव मॉडल को स्वयं अपडेट किया गया, तो वे कम स्थिर थीं। यह इंगित करता है कि जबकि फ्रेमवर्क तत्काल निर्णय लेने के लिए मजबूत है, सिफारिशों को फिर से देखने की आवश्यकता हो सकती है यदि सीखने का वातावरण या मॉडल की उसकी समझ महत्वपूर्ण रूप से बदल जाती है। शोधकर्ता सावधानीपूर्वक यह नोट करते हैं कि उनका मूल्यांकन ऐतिहासिक डेटा का उपयोग करके ऑफलाइन किया गया था, जिसका अर्थ है कि वे यह सिद्ध नहीं कर सकते कि इन योजनाओं का पालन करने से वास्तव में छात्रों के परिणामों में बदलाव आएगा। यह अध्ययन हस्तक्षेपों के कारण प्रभाव (causal impact) को नहीं, बल्कि इस पद्धति की व्यवहार्यता को स्थापित करता है।

अंततः, यह शोध शैक्षिक सहायता के बारे में सोचने का एक नया तरीका प्रदान करता है। यह बातचीत को केवल इस बात से आगे ले जाता है कि कौन जोखिम में है, बल्कि इस बात को परिभाषित करने की ओर ले जाता है कि क्या किया जा सकता है, बशर्ते कि समाधान उस जटिल जाल का सम्मान करे जो समय, संसाधनों और नियमों द्वारा शिक्षा को नियंत्रित करता है। हस्तक्षेप योजना को एक ऐसी समस्या के रूप में मानकर जिसमें गणितीय अनुकूलन और सिमेंटिक वास्तविकता जाँच दोनों की आवश्यकता होती है, यह फ्रेमवर्क निर्णय समर्थन (decision support) के लिए एक मार्ग प्रदान करता है जो उतना ही व्यावहारिक है जितना कि भविष्य कहने वाला (predictive)। निष्कर्ष बताते हैं कि शिक्षा में आर्टिफिशियल इंटेलिजेंस को वास्तव में उपयोगी होने के लिए, इसे कक्षा की भाषा बोलने में सक्षम होना चाहिए, जो न केवल संख्याओं को, बल्कि उन बाधाओं को भी समझ सके जो उन संख्याओं को सार्थक बनाती हैं।