An AI Driven Assessment Framework for Educational Equity in STEM Education

कल्पना कीजिए कि आप एक विशाल, भविष्यवादी स्कूल में कदम रख रहे हैं जहाँ शिक्षक केवल इंसान नहीं, बल्कि सुपर-स्मार्ट कंप्यूटर हैं। ये कंप्यूटर छात्रों को विज्ञान, गणित, इंजीनियरिंग और तकनीक (STEM) सीखने में मदद करने के लिए डिज़ाइन किए गए हैं। शिक्षा की दुनिया में, इसे "आर्टिफिशियल इंटेलिजेंस" या AI कहा जाता है। AI को एक अथक रोबोट ट्यूटर के रूप में सोचें जो एक सेकंड में हज़ार निबंधों को ग्रेड दे सकता है या हर एक छात्र के लिए तुरंत एक कस्टम गणित का पाठ बना सकता है। यह जादू जैसा लगता है, है ना? लेकिन यहाँ एक पेंच है: ये रोबोट इंसानों द्वारा लिखी गई इतिहास की किताबें पढ़कर सीखते हैं। यदि उन इतिहास की किताबों में यह कि कौन "बुद्धिमान" है और कौन नहीं, इसके बारे में पुराने, अनुचित विचार हैं, तो रोबोट अनजाने में उन्हीं अनुचित विचारों को सीख लेगा। इसे "एल्गोरिदम संबंधी पूर्वाग्रह" (algorithmic bias) कहा जाता है। यह ऐसा ही है जैसे यदि एक रोबोट ने केवल 1950 के दशक के खेल देखकर एक सॉकर खिलाड़ी के कौशल का आकलन करना सीखा, तो वह यह सोच सकता है कि केवल एक विशिष्ट पड़ोस के लोग ही अच्छे खिलाड़ी हो सकते हैं, जिससे वह हर जगह से मिलने वाली प्रतिभा को पूरी तरह से अनदेखा कर देगा।

बड़ा सवाल यह है: हम यह कैसे सुनिश्चित करें कि ये उच्च-तकनीकी ग्रेडिंग उपकरण सभी की निष्पक्ष रूप से मदद करें, बजाय इसके कि वे अनजाने में छात्रों के कुछ समूहों को उनके सपनों से बाहर कर दें? यह किंग खालिद यूनिवर्सिटी के शोधकर्ताओं हजर अल-अमरी, रीम अल-अहमरी और डॉ. सहर अल-मौसा के एक नए अध्ययन का केंद्र है। उन्होंने यह देखने के लिए 57 अलग-अलग वैज्ञानिक शोध पत्रों का अध्ययन किया कि AI और स्कूली परीक्षाओं की दुनिया में क्या हो रहा है। उन्होंने पाया कि जबकि रोबतियाँ ग्रेड गणना करने में तेज़ और स्मार्ट हो रही हैं, वे अक्सर इस बात को नज़रअंदाज़ कर रही हैं कि वे ग्रेड कितने निष्पक्ष हैं। शोधकर्ता तर्क देते हैं कि हम कंप्यूटर को ऑटोपायलट पर ग्रेडिंग करने के लिए नहीं छोड़ सकते। इसके बजाय, हमें एक नया तरीका चाहिए जहाँ इंसान, निष्पक्षता और तकनीक एक टीम के रूपв में मिलकर काम करें।

समस्या: वह रोबोट जिसने गलत सबक सीखे

शोधकर्ताओं ने पाया कि अधिकांश समय, जब स्कूल छात्रों के परीक्षण के लिए AI का उपयोग करते हैं, तो वे केवल एक ही चीज़ की परवाह करते हैं: गति और सटीकता। वे चाहते हैं कि कंप्यूटर तेज़ हो और अपने गणित के अनुसार "सही" उत्तर दे। लेकिन यह शोध पत्र सुझाव देता है कि यह दृष्टिकोण खतरनाक है। यह एक ऐसी रेस कार बनाने जैसा है जो अविश्वसनीय रूप से तेज़ चलती है लेकिन जिसमें ब्रेक और स्टीयरिंग व्हील नहीं है। यदि कार (AI) को पुराने मानचित्रों (ऐतिहासिक डेटा) का उपयोग करके बनाया गया था जिनमें गलत मोड़ों को सीधी रेखाओं के रूप में चिह्नित किया गया था, तो कार सबको खाई में गिरा देगी, यह सोचते हुए कि वह सही काम कर रही है।

यह अध्ययन स्पष्ट रूप से इस विचार के विरुद्ध तर्क देता है कि हम बस बाद में कंप्यूटर को "ठीक" कर सकते हैं या तकनीक अपने आप में तटस्थ है। लेखक कहते हैं कि यदि हम डेटा की जाँच नहीं करते हैं, तो AI चुपचाप पुराने पूर्वाग्रहों की नकल करेगा। उदाहरण के लिए, यदि कंप्यूटर को ऐसे डेटा पर प्रशिक्षित किया गया था जहाँ इंजीनियरिंग कक्षाओं में लड़कियों को शायद ही कभी देखा जाता था, तो यह शुरू कर सकता है कि लड़कियाँ इंजीनियरिंग में अच्छी नहीं हैं, भले ही वे प्रतिभाशाली हों। यह पेपर इस विचार को खारिज करता है कि हम बस AI को बागडोर संभालने के लिए छोड़ सकते हैं; यह कहता है कि मानवीय हस्तक्षेप के बिना, ये उपकरण असमानता को बेहतर बनाने के बजाय वास्तव में उसे बदतर बना देंगे।

समाधान: ASEAF ढांचा (Framework)

इसे ठीक करने के लिए, शोधकर्ताओं ने एक नया ब्लूप्रिंट बनाया जिसे ASEAF फ्रेमवर्क (AI-Driven Assessment in STEM Education: Conceptual Framework for Educational Equity) कहा जाता है। इस फ्रेमवर्क को एक एकल उपकरण के रूप में नहीं, बल्कि एक रोलरकोस्टर के तीन-भाग वाले सुरक्षा तंत्र के रूप में सोचें। लक्ष्य यह सुनिश्चित करना है कि सवारी रोमांचक (शैक्षिक) हो लेकिन सभी के लिए सुरक्षित (निष्पक्ष) भी हो।

1. तकनीकी-शैक्षणिक पाइपलाइन (इंजन)
यह सिस्टम का वह हिस्सा है जो वास्तव में काम करता है। यह वह रोबोट ट्यूटर है जो छात्र के उत्तरों को देखता है और समझता है कि वे क्या जानते हैं। अतीत में, यह इंजन केवल यथासंभव तेज़ होने की कोशिश करता था। नए ASEAF मॉडल में, इस इंजन को "अनुकूलन योग्य" (adaptive) बनाने के लिए डिज़ाइन किया गया है। एक वीडियो गेम की कल्पना करें जो आपकी खेलने की क्षमता के आधार पर अपनी कठिनाई का स्तर बदल देता है। यदि आप संघर्ष कर रहे हैं, तो यह आपको एक संकेत देता है; यदि आप प्रो हैं, तो यह आपको एक कठिन चुनौती देता है। यह फ्रेमवर्क सुनिश्चित करता है कि AI वास्तव में छात्र को सीखने में मदद कर रहा है, न कि केवल उन्हें ग्रेड दे रहा है।

2. पूर्वाग्रह-ऑडिटिंग इंटरफ़ेस (ब्रेक और फ़िल्टर)
यह सबसे महत्वपूर्ण नया हिस्सा है। कल्पना करें कि रोबोट ट्यूटर से आने वाला डेटा एक विशाल, जादुई छलनी से होकर गुजरता है। इससे पहले कि रोबोट अंतिम ग्रेड दे, डेटा को इस छलनी से गुजरना होगा। यह छलनी "अनुचितता" को खोजने के लिए प्रोग्राम की गई है। यह प्रश्न पूछती है जैसे: "क्या रोबलेट किसी विशेष पृष्ठभूमि के छात्रों को केवल उनके बोलने के तरीके के कारण कम अंक दे रहा है?" या "क्या यह एक समूह के साथ दूसरे समूह की तुलना में अधिक गलतियाँ कर रहा है?" यदि उत्तर हाँ है, तो इंटरफ़ेस ग्रेड को रोकता है और उसे ठीक करता है। पेपर सुझाव देता है कि यह चरण गैर-परक्राम्य (non-negotiable) है। आप इस फ़िल्टर के बिना एक निष्पक्ष प्रणाली नहीं रख सकते। यह कंप्यूटर को अपना काम स्वयं जाँचने और यह सुनिश्चित करने के लिए मजबूर करता है कि वह अनुचित न हो।

3. गवर्नेंस-ओवरसाइट मैकेनिज्म (मानवीय कप्तान)
एक बेहतरीन इंजन और एक आदर्श फ़िल्टर के साथ भी, रोलरकोस्टर को एक मानव कप्तान की आवश्यकता होती है। यह फ्रेमवर्क कहता है कि एक मानव शिक्षक या स्कूल लीडर को हमेशा प्रक्रिया में शामिल रहना चाहिए। वे ही हैं जो कह सकते हैं, "एक मिनट रुकिए, कंप्यूटर सोचता है कि यह छात्र फेल हो गया है, लेकिन मैं जानता हूँ कि यह छात्र अद्भुत है। आइए इसे फिर से देखते हैं।" पेपर इस बात पर ज़ोर देता है कि कंप्यूटर कभी भी अंतिम निर्णय लेने वाला (final boss) नहीं होना चाहिए। मनुष्यों के पास AI को ओवरराइड करने की शक्ति होनी चाहिए यदि उन्हें लगता है कि वह गलती कर रहा है। यह सुनिश्चित करता है कि तकनीक लोगों की सेवा करे, न कि इसके विपरीत।

यह वास्तविक जीवन में कैसे काम करता है

शोधकर्ता इसे एक "चक्रीय पारिस्थितिकी तंत्र" (cyclical ecosystem) के रूप में वर्णित करते हैं, जो एक फैंसी तरीका है यह कहने का कि यह एक ऐसा चक्र है जो घूमता रहता है और बेहतर होता जाता है। यहाँ बताया गया है कि यह कैसे काम करता है:

1. इंजन (तकनीकी पाइपलाइन) छात्र के काम को देखता है और उनकी जानकारी का एक प्रोफाइल बनाता है।
2. डेटा फ़िल्टर (पूर्वाग्रह-ऑडिटिंग इंटरफ़ेस) के पास जाता है, जो अनुचितता की जाँच करता है और किसी भी त्रुटि को ठीक करता है।
3. कप्तान (गवर्नेंस-ओवरसाइट) अंतिम परिणाम की समीक्षा करता है। यदि कप्तान को कुछ अजीब दिखता है, तो वह इसे बदल सकता है।
4. कप्तान का फीडबैक फिर इंजन को वापस भेजा जाता है ताकि अगली बार के लिए रोबोट को सबक सिखाया जा सके।

इस लूप का अर्थ है कि सिस्टम कभी सीखना बंद नहीं करता है। यह केवल तेज़ नहीं होता; यह अधिक निष्पक्ष भी होता है।

अध्ययन ने क्या पाया (और क्या नहीं)

लेखकों ने इस चित्र को बनाने के लिए 57 अलग-अलग अध्ययनों को देखा। उन्होंने पाया कि जबकि AI को तेज़ और अधिक सटीक बनाने के बारे में बहुत सारे शोध पत्र हैं, लेकिन इसे निष्पक्ष बनाने के बारे में बहुत कम हैं। वे सुझाव देते हैं कि काम करने का वर्तमान तरीका टूटा हुआ है क्योंकि यह कंप्यूटर को एक तटस्थ न्यायाधीश के रूप में मानता है, जबकि वास्तव में, कंप्यूटर केवल हमारी अपनी पिछली गलतियों को प्रतिबिंबित करने वाला एक दर्पण है।

पेपर यह दावा नहीं करता कि इस फ्रेमवर्क का अभी तक किसी वास्तविक स्कूल में कठोर आंकड़ों के साथ परीक्षण किया गया है कि यह पूरी तरह से काम करता है। इसके बजाय, यह एक "वैचारिक ढांचा" (conceptual framework) प्रस्तुत करता है, जो एक ऐसे घर के विस्तृत वास्तुशिल्प ब्लूप्रिंट की तरह है जिसे अभी बनाया जाना बाकी है। लेखक कह रहे हैं, "यहाँ बताया गया है कि हमें इन प्रणालियों को निष्पक्ष सुनिश्चित करने के लिए इसे कैसे बनाना चाहिए।" वे सुझाव दे रहे हैं कि यदि स्कूल बिना छात्रों को नुकसान पहुँचाए AI का उपयोग करना चाहते हैं, तो उन्हें इस तीन-भाग वाली संरचना को अपनाना होगा।

यह आपके लिए क्यों मायने रखता है

आप सोच रहे होंगे, "मुझे रोबोट द्वारा गणित के टेस्ट को ग्रेड देने से क्या लेना-देना?" उत्तर सरल है: ये टेस्ट आपके भविष्य का निर्णय लेते हैं। वे तय करते हैं कि आप एक अच्छे कॉलेज में प्रवेश पाएंगे, आपको छात्रवृत्ति मिलेगी या नहीं, या आपको इंजीनियर या वैज्ञानिक बनने के लिए प्रोत्साहित किया जाएगा या नहीं। यदि आपका टेस्ट ग्रेड करने वाला रोबोट पक्षपाती है, तो वह अनजाने में आपको यह बता सकता है कि आप उस चीज़ में अच्छे नहीं हैं जिसे आप वास्तव में पसंद करते हैं, सिर्फ उसके कोड में एक गलती के कारण।

यह पेपर एक चेतावनी है। यह हमें बताता है कि हम केवल नवीनतम, सबसे शानदार AI सॉफ़्टवेयर नहीं खरीद सकते और सबसे अच्छे की उम्मीद नहीं कर सकते। हमें अपने उपकरणों के वास्तुकार खुद बनना होगा। हमें ऐसे सिस्टम बनाने की आवश्यकता है जहाँ रोबोट सहायक हो, फ़िल्टर रक्षक हो, और इंसान बॉस हो। केवल तभी हम यह सुनिश्चित कर सकते हैं कि STEM के भविष्य में, चाहे वे कोई भी हों या वे कहीं से भी आए हों, सभी को सितारों तक पहुँचने का एक निष्पक्ष अवसर मिले। शोधकर्ता मूल रूप से हमें एक नए प्रकार के स्कूल की चाबियाँ सौंप रहे हैं, जहाँ तकनीक केवल हमारी क्षमता को मापती नहीं है, बल्कि वास्तव में उसे प्राप्त करने में हमारी मदद करती है।