LLM Pedagogical Behavior in AI Tutoring Interactions
यह अध्ययन 14,000 से अधिक एलएलएम (LLM) ट्यूटरिंग प्रतिक्रियाओं का विश्लेषण करने के लिए एक मान्य पांच-स्तरीय स्कैफोल्डिंग स्केल प्रस्तुत करता है, जो यह प्रकट करता है कि एआई मॉडल निर्देशित सहायता के बजाय अत्यधिक रूप से प्रत्यक्ष सहायता (व्याख्या करना या हल करना) प्रदान करते हैं, एक ऐसा व्यवहार पैटर्न जो छात्र संवाद को प्रभावित करता है लेकिन पूर्व उपलब्धि के परे परीक्षा प्रदर्शन के लिए सीमित भविष्य कहने वाला मूल्य प्रदान करता 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
एक विश्वविद्यालय की कंप्यूटर लैब की शांत गूँज में, एक नए प्रकार की ट्यूशन ने अपनी जड़ें जमा ली हैं, जो न कभी सोती है, न कभी थकती है, और न ही कभी निर्णय (जज) करती है। छात्र होमवर्क की समस्याओं को हल करने और कठिन अवधारणाओं को समझने के लिए तेजी से लार्ज लैंग्वेज मॉडल्स (बड़े भाषाई मॉडलों) की ओर मुड़ रहे हैं, जो विशाल मात्रा में टेक्स्ट पर प्रशिक्षित शक्तिशाली कंप्यूटर प्रोग्राम हैं। ये डिजिटल सहायक कई काम कर सकते हैं, लेकिन सीखने के संदर्भ में, एक मौलिक तनाव मौजूद है। यदि एक ट्यूटर बहुत कम मदद देता है, तो छात्र अटक सकता है और हार मान सकता है। यदि ट्यूटर बहुत अधिक मदद देता है, तो छात्र बिना स्वयं समस्या के बारे में सोचने की प्रक्रिया सीखे, सीधे उत्तर की नकल कर सकता है। यह संतुलन ही मुख्य चुनौती है: शिक्षार्थी का मार्गदर्शन करने के लिए सही मात्रा में सहायता प्रदान करना, बिना उनके लिए काम किए। शोधकर्ताओं ने लंबे समय से अध्ययन किया है कि मानव शिक्षक इस स्थान को कैसे संचालित करते हैं, लेकिन यह स्पष्ट नहीं है कि ये नए, स्वचालित ट्यूटर कैसे व्यवहार करते हैं जब छात्र वास्तविक, अनस्क्रिप्टेड सीखने की स्थितियों में उनका उपयोग करते हैं।
दक्षिण कोरिया के KAIST में शोधकर्ताओं की एक टीम ने इस अनछुए क्षेत्र का मानचित्रण करने का लक्ष्य रखा। उन्होंने एक परिचयात्मक आर्टिफिशियल इंटेलिजेंस पाठ्यक्रम के दौरान छात्रों और एक कृत्रिम बुद्धिमत्ता (AI) ट्यूटर के बीच बातचीत के एक विशाल संग्रह का विश्लेषण किया। छात्र किसी भी चीज़ के लिए पूछने के लिए स्वतंत्र थे, एक साधारण संकेत से लेकर एक पूर्ण समाधान तक, और कंप्यूटर ने अपने डिफ़ॉल्ट प्रोग्रामिंग के आधार पर प्रतिक्रिया दी, जो केवल एक सहायक होने के लिए थी। शोधकर्ता यह जानना चाहते थे कि कंप्यूटर वास्तव में किस प्रकार की मदद दे रहा था। इसे मापने के लिए, उन्होंने AI द्वारा दिए गए प्रत्येक उत्तर को वर्गीकृत करने के लिए एक पांच-चरणीय पैमाना बनाया। सबसे निचले स्तर पर, कंप्यूटर शायद कोई वास्तविक मदद नहीं देगा या केवल छात्र को और अधिक सोचने के लिए कहेगा। बीच में, यह किसी प्रासंगिक अवधारणा या विशिष्ट त्रुटि की ओर इशारा कर सकता है बिना समस्या को हल किए। उच्चतम स्तर पर, यह किसी विधि को विस्तार से समझाएगा या छात्र के विशिष्ट कार्य के लिए पूर्ण, तैयार-से-उपयोग समाधान प्रदान करेगा।
जब शोधकर्ताओं ने 200 से अधिक छात्रों के 14,000 से अधिक उत्तरों की जांच की, तो एक चौंका देने वाला पैटर्न सामने आया। AI लगभग कभी भी बीच का रास्ता नहीं चुनता था। 95 प्रतिशत से अधिक समय में, कंप्यूटर या तो किसी अवधारणा को बहुत विस्तार से समझा रहा था या छात्र के लिए समस्या को हल कर रहा था। वे उत्तर जो केवल छात्र को सोचने के लिए प्रेरित करते थे या एक छोटा सा संकेत देते थे, वे अत्यंत दुर्लभ थे, जो सभी अंतःक्रियाओं का पांच प्रतिशत से भी कम हिस्सा थे। चाहे छात्र ने कोड लिखने, रिपोर्ट संपादित करने या किसी जटिल सिद्धांत को समझने के लिए मदद मांगी हो, कंप्यूटर की डिफ़ॉल्ट प्रतिक्रिया पर्याप्त, प्रत्यक्ष सहायता प्रदान करने की थी। इसने एक ऐसे कोच की तरह काम नहीं किया जो खिलाड़ी को अभ्यास के माध्यम से मार्गदर्शन करता है, बल्कि एक ऐसे मैकेनिक की तरह काम किया जो उनके लिए कार को ठीक कर देता है।
प्रत्यक्ष उत्तर देने की इस प्रवृत्ति का छात्रों के व्यवहार पर एक स्पष्ट प्रभाव पड़ा। जब कंप्यूटर ने पूर्ण समाधान दिया, तो छात्र द्वारा कोड का एक और हिस्सा या हल करने के लिए एक नया कार्य मांगने की संभावना थी। जब कंप्यूटर ने एक व्याख्या पेश की, तो छात्र द्वारा अंतर्निहित अवधारणा के बारे में फॉलो-अप प्रश्न पूछने की अधिक संभावना थी। शोधकर्ताओं ने पाया कि कंप्यूटर द्वारा दी गई मदद का स्तर विश्वसनीय रूप से भविष्यवाणी करता था कि छात्र बातचीत के अगले मोड़ में क्या कहेगा। हालांकि, यह तत्काल प्रतिक्रिया बाद में बेहतर ग्रेड में अनुवादित नहीं हुई। अध्ययन ने देखा कि छात्रों ने तीन प्रमुख परीक्षाओं में कैसा प्रदर्शन किया, जो उन्होंने बिना किसी कंप्यूटर एक्सेस के दी थीं। अध्ययन सत्रों के दौरान छात्र को मिली मदद की मात्रा ने उनके परीक्षा स्कोर की भविष्यवाणी उनके पिछले ग्रेड या केवल इस तथ्य की तुलना में बेहतर तरीके से नहीं की कि वे कंप्यूटर के साथ बात कर रहे थे।
निष्कर्ष बताते हैं कि जबकि ये सामान्य-उद्देश्य वाले AI उपकरण मदद करने के लिए अविश्वसनीय रूप से उत्सुक हैं, वे स्वाभाविक रूप से इस तरह से सिखाने के इच्छुक नहीं हैं जो छात्रों को उत्पादक संघर्ष करने के लिए मजबूर करे। वे धैर्यवान शिक्षक बनने के बजाय कुशल समस्या-समाधानकर्ता बनने की ओर झुकते हैं। इसका मतलब यह नहीं है कि तकनीक बेकार है, लेकिन यह एक विशिष्ट व्यवहार को प्रकट करता है: बिना स्पष्ट निर्देशों के कि पीछे हटें और मार्गदर्शन करें, ये सिस्टम लगभग हमेशा छात्र के लिए भारी काम खुद कर देंगे। शोधकर्ता निष्कर्ष निकालते हैं कि इस गतिशीलता को बदलने के लिए, शिक्षाविदों और डेवलपर्स को इन प्रणालियों को कम प्रत्यक्ष मदद देने के लिए जानबूझकर डिजाइन करना चाहिए, बजाय इसके कि वे उम्मीद करें कि तकनीक स्वाभाविक रूप से सही संतुलन खोज लेगी। डेटा इन उपकरणों के वर्तमान व्यवहार का एक स्पष्ट आधार प्रदान करता है, जो दिखाता है कि प्रभावी AI ट्यूटरिंग का मार्ग हमें मशीनों को केवल उत्तर देना ही नहीं, बल्कि सिखाना भी सिखाने की आवश्यकता हो सकती है।
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।