Auditing Generative AI Error Patterns in Applied Differential Calculus: Evidence from ChatGPT and Gemini

तकनीकी सारांश: अनुप्रयुक्त अवकल कलन (Applied Differential Calculus) में जनरेटिव एआई त्रुटि पैटर्न का ऑडिटिंग

समस्या विवरण
यद्यपि उच्च शिक्षा में गणितीय स्पष्टीकरण और समस्या समाधान के लिए ChatGPT और Gemini जैसे जनरेटिव आर्टिफिशियल इंटेलिजेंस (GenAI) उपकरणों को तेजी से अपनाया जा रहा है, लेकिन उनकी विश्वसनीयता अनुप्रयुक्त अवकल कलन (Applied Differential Calculus) में, विशेष रूप से समाधान प्रक्रियाओं की अखंडता के संबंध में, अभी भी अपर्याप्त रूप से जांची गई है। भाषाई कार्यों के विपरीत जहाँ प्रवाह अक्सर गुणवत्ता से सह-संबंधित होता है, गणितीय वैधता प्रत्येक प्रतीकात्मक और अनुमानात्मक चरण की शुद्धता पर निर्भर करती है। वर्णनात्मक स्थितियों को फलनों (functions) में अनुवाद करने, समाकलन स्थिरांकों (integration constants) को संभालने में चूक करने, या प्रासंगिक सत्यापन करने में विफल होने वाला एक एकल त्रुटि भी संपूर्ण समाधान को अमान्य कर सकता है। मौजूदा साहित्य GenAI की शैक्षणिक द्वंद्वता को रेखांकित करता है—जो तत्काल सहायता तो प्रदान करता है लेकिन तर्क के स्थान पर प्रवाहपूर्ण लेकिन त्रुटिपूर्ण आउटपुट के जोखिम को भी बढ़ाता है। यह अध्ययन उन विशिष्ट अंतराल को संबोधित करता है कि ये उपकरण व्यावसायिक अनुकूलन (business optimization), कण गतिज विज्ञान (particle kinematics) और ऊर्ध्वाधर गति (vertical motion) से जुड़े अनुप्रत्त कलन संदर्भों में कैसे विफल होते हैं, जहाँ शाब्दिक बाधाओं को गणितीय मॉडलों में अनुवादित करना महत्वपूर्ण होता है।

कार्यप्रणाली
इस अध्ययन ने गुणात्मक तुलनात्मक त्रुट विश्लेषण का उपयोग करते हुए एक वर्णनात्मक-मूल्यांकनकारी डिजाइन का उपयोग किया। कॉर्पस (corpus) में 2026 की शुरुआत के तीन डोमेन से चयनित अनुप्रत्त अवकल कलन की समस्याएं शामिल थीं:

1. व्यावसायिक अनुकूलन (Business Optimization): मूल्य-छूट संबंधों को मांग और राजस्व फलनों में अनुवादित करना।
2. कण गतिज विज्ञान (Particle Kinematics): प्रारंभिक स्थितियों का उपयोग करके त्वरण से वेग और स्थिति फलनों को पुनः प्राप्त करना।
3. ऊर्ध्वाधर प्रक्षेप्य गति (Vertical Projectile Motion): निरंतर त्वरण से गति फलनों को व्युत्पन्न करना और प्रभाव समय (impact time) के लिए हल करना।

दो GenAI मॉडलों, ChatGPT और Gemini का परीक्षण मानकीकृत, तटस्थ प्रॉम्प्ट ("Solve the following problem step-by-step") का उपयोग करके किया गया, जिसमें बिना किसी सुधारात्मक फीडबैक या प्रॉम्प्ट इंजीनियरिंग के विशिष्ट छात्र उपयोग का अनुकरण किया गया। जनरेटेड आउटपुट की तुलना विशेषज्ञ-सत्यापित समाधानों से की गई। विश्लेषण त्रुट के पांच विशिष्ट आयामों पर केंद्रित था:

• अर्थ संबंधी-बीजीय अनुवाद (Semantic-to-algebraic translation)
• कलन प्रक्रिया निष्पादन (Calculus procedure execution)
• बीजीय और अंकगणितीय निष्पादन (Algebraic and arithmetic execution)
• सीमा-स्थिति (बाधा) प्रबंधन (Boundary-condition handling)
• प्रासंगिक प्रासंगिकता और सत्यापन (Contextual relevance and verification)

प्रमुख योगदान और परिणाम
अध्ययन यह पहचानता है कि हालांकि दोनों उपकरण अलग-थलग अवकलन या समाकलन प्रक्रियाओं में आंशिक प्रक्रियात्मक सक्षमता प्रदर्शित करते हैं, लेकिन उनकी विश्वसनीयता तब काफी घट जाती है जब कार्यों के लिए संदर्भ बनाए रखने, बाधाओं को ट्रैक करने, या भौतिक व्यवहार्यता को सत्यापित करने की आवश्यकता होती है। विश्लेषण ने तीन प्रमुख त्रुटि प्रकारों का खुलासा किया:

1. अर्थ संबंधी-बीजीय अनुवाद त्रुटियां (Semantic-to-Algebraic Translation Errors):

   • अवलोकन: दोनों मॉडल शाब्दिक समस्या कथनों को गणितीय फलनों में सही ढंग से परिवर्तित करने में बार-बार विफल रहे।
   • विशिष्टता: व्यावसायिक अनुकूलन कार्य में, उपकरणों ने दोषपूर्ण मांग/राजस्व सेटअप उत्पन्न किए (जैसे, वहां मांग के लिए सकारात्मक ढलान (positive slope) का संकेत देना जहां इसे नकारात्मक होना चाहिए था)। फलस्वरूप, बाद का अवकल कार्य, हालांकि प्रक्रियात्मक रूप से सही था, अमान्य फलनों पर संचालित था, जिससे अंतिम अनुकूलन परिणाम अर्थहीन हो गए।

2. सीमा-स्थिति ट्रैकिंग त्रुटियां (Boundary-Condition Tracking Errors):

   • **अवलोकन: ** दोनों उपकरण बहु-चरणीय समाधानों के माध्यम से समाकलन स्थिरांकों और प्रारंभिक स्थितियों को लगातार बनाए रखने में संघर्ष करते रहे।
   • विशिष्टता: गतिज विज्ञान और ऊर्ध्वाधर गति कार्यों में, ChatGPT विस्थापन स्थिरांकों को शून्य मान लेने की प्रवृत्ति रखता था जब उन्हें स्पष्ट रूप से ट्रैक नहीं किया जाता था, जबकि Gemini ने कभी-कभी सही स्थिरांकों को त्रुटि के रूप में पुनर्व्याख्यायित किया और भिन्न प्रारंभिक स्थितियों के तहत पुनर्गणना की। इसके परिणामस्वरूप अंतिम फलन ऐसी भौतिक प्रक्षेप पथों का वर्णन करते थे जो समस्या की घोषित प्रारंभिक स्थितियों के विपरीत थे।

3. सत्यापन और प्रासंगिक प्रासंगिकता त्रुटियां (Verification and Contextual Relevance Errors):

   • अवलोकन: उपकरणों ने अंकगणितीय भंगुरता (arithmetic fragility) और असंभव परिणामों को अस्वीकार करने या अप्रासंगिक जानकारी को हटाने में विफलता प्रदर्शित की।
   • विशिष्टता: Gemini ने प्रभाव समय के लिए द्विघात मूल (quadratic root) गणनाओं में भेद्यता दिखाई और अप्रासंगिक व्याख्यात्मक नोट्स (जैसे, अनावश्यक गुरुत्वाकर्षण परिभाषाएं) डाले। ChatGPT ने ऊर्ध्वाधर गति समस्याओं में प्रारंभिक ऊंचाई मानों को अक्सर छोड़ दिया। दोनों उपकरणों ने प्रवाहपूर्ण, आत्मविश्वासी आख्यान उत्पन्न किए जो इन अंतर्निहित गणितीय विफलताओं को छिपाते थे।

तुलनात्मक पैटर्न

• ChatGPT: इसकी प्राथमिक कमजोरी बाधा प्रतिधारण (constraint retention) थी। यह पहचानने योग्य एल्गोरिथम टेम्पलेट का पालन करने की प्रवृत्ति रखता था लेकिन उन विशिष्ट स्थितियों (जैसे, प्रारंभिक ऊंचाई या विस्थापन स्थिरांक) को खो देता था जो समस्या कथन को आधार देने के लिए आवश्यक थीं।
• Gemini: इसकी प्राथमिक कमजोरी असंगत सत्यापन (inconsistent validation) थी। यह कभी-कभी विरोधाभासों को पहचाने बिना संरचनात्मक रूप से अमान्य फलनों के साथ आगे बढ़ जाता था और संख्यात्मक मूल्यांकन में अंकगणितीय निष्पादन त्रुटों के प्रति अधिक संवेदनशील पाया गया।

महत्व और शैक्षणिक निहितार्थ
यह शोध प्रबंध तर्क देता है कि GenAI को कैलकुलस निर्देश में उत्तरों के निर्विवाद स्रोत के रूप में नहीं माना जाना चाहिए। अध्ययन का मानना है कि इन उपकरणों का "खतरा" केवल गलत अंतिम उत्तरों में नहीं है, बल्कि उन समाधानों की प्रस्तुति में है जो सतही तौर पर सुसंगत लगते हैं लेकिन अमान्य आधारों (जैसे, एक गलत राजस्व फलन) से शुरू होते हैं या महत्वपूर्ण भौतिक बाधाओं को खो देते हैं।

लेखक उत्तर प्राप्ति (answer acquisition) से गणितीय ऑडिटिंग (mathematical auditing) की ओर शिक्षण पद्धति में बदलाव का प्रस्ताव करते हैं। अध्ययन का महत्व AI-जनित त्रुटियों को उत्पादक शिक्षण कलाकृतियों के रूप में पुनर्गठित करने में निहित है। AI का उपयोग समस्याओं को हल करने के लिए करने के बजाय, प्रशिक्षकों को AI आउटपुट को आलोचनात्मक वस्तुओं के रूप में उपयोग करना चाहिए जहाँ छात्रों को निम्नलिखित कार्य दिए जाएं:

• समाधान श्रृंखला में पहले अमान्य चरण की पहचान करना।
• चर परिभाषाओं और चिह्नों का अर्थ संबंधी ऑडिट (semantic audit) करना।
• बाधाओं और समाकलन स्थिरांकों को स्पष्ट रूप से ट्रैक करना।
• स्वतंत्र गणनात्मक विधियों (जैसे, अनुमान, ग्राफ़िंग, या कंप्यूटर अलजेब्रा सिस्टम) के माध्यम से परिणामों को सत्यापित करना।

सीमाएं और दायरा
अध्ययन विनम्रतापूर्वक अपने निष्कर्षों को विशिष्ट उपकरणों, कार्यों और डेटा संग्रह के एक विशिष्ट समय (प्रारंभिक 2026) के साक्ष्य के रूप में प्रस्तुत करता है। यह स्वीकार करता है कि मॉडल अपडेट और प्रॉम्प्ट परिवर्तन भविष्य के आउटपुट को बदल सकते हैं। यह विश्लेषण गुणात्मक और कार्य-स्तरीय है, जो जनसंख्या-स्तर की सटीकता दर के बजाय सार्थक विफलता पैटर्न को प्रलेखित करता है। लेखक भविष्य के शोध के लिए बड़े समस्या बैंकों और मिश्रित-पद्धति स्कोरिंग का उपयोग करने की सिफारिश करते हैं ताकि यह पता लगाया जा सके कि छात्र AI-ऑडिटिंग कार्यों के प्रति कैसे प्रतिक्रिया देते हैं और क्या ऐसी प्रथाएं वैचारिक समझ और सत्यापन कौशल में सुधार करती हैं।