Engagement and Equity as Evidence for AI-Informed Instructional Design: A Learning Analytics Study of Two Large-Scale Datasets
दो बड़े पैमाने के शिक्षण डेटासेट का विश्लेषण करते हुए, यह अध्ययन प्रदर्शित करता है कि जबकि व्यवहार संबंधी जुड़ाव शैक्षणिक सफलता का सबसे मजबूत भविष्यवक्ता है, सामाजिक-आर्थिक और विकलांगता समूहों के बीच इसका असमान वितरण यह आवश्यक बनाता है कि एआई-सूचित निर्देशात्मक डिज़ाइन को समावेशी शिक्षा को प्रभावी ढंग से आगे बढ़ाने के लिए केवल स्वचालन के बजाय इक्विटी और प्रारंभिक प्रतिधारण रणनीतियों को प्राथमिकता देनी चाहिए।
मूल पेपर CC BY 4.0 (https://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
शिक्षा की दुनिया में, काफी समय से एक शांत क्रांति चल रही है। स्कूल और विश्वविद्यालय छात्रों को सीखने में मदद करने के लिए तकनीक की ओर तेजी से मुड़ रहे हैं, इस उम्मीद में कि डिजिटल उपकरण व्यक्तिगत जरूरतों के अनुसार पाठों को अनुकूलित कर सकते हैं, काम का तुरंत मूल्यांकन कर सकते हैं, और शिक्षार्थियों को सही रास्ते पर रख सकते हैं। यह क्षेत्र, जिसे 'लर्निंग एनालिटिक्स' (सीखने का विश्लेषण) कहा जाता है, इसमें छात्रों के अपने पाठ्यक्रमों के साथ जुड़ाव के बारे में भारी मात्रा में डेटा एकत्र करना शामिल है—जैसे कि वे क्या क्लिक करते हैं, वे एक पेज पर कितना समय बिताते हैं, और वे असाइनमेंट कब जमा करते हैं। इसका लक्ष्य इस जानकारी का उपयोग यह समझने के लिए करना है कि क्या काम करता है और क्या नहीं। हालांकि, जैसे-जैसे आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) इन उपकरणों को अगले स्तर पर ले जाने का वादा कर रही है, शिक्षकों के बीच एक बढ़ती हुई चिंता है। उन्हें डर है कि नई, चकाचौंध भरी तकनीकों को अपनाने की दौड़ उस साक्ष्य से कहीं अधिक तेज है, जो यह साबित करने के लिए आवश्यक है कि वे वास्तव में मदद करती हैं या नहीं। केंद्रीय प्रश्न अब केवल यह नहीं है कि तकनीक क्या कर सकती है, बल्कि यह है कि पाठ्यक्रम का कौन सा विशिष्ट डिजाइन वास्तव में छात्र की सफलता का मार्ग प्रशस्त करता है, और क्या ये विकल्प सभी छात्रों की मदद करते हैं या केवल कुछ भाग्यशाली लोगों की।
केसीए यूनिवर्सिटी के शोधकर्ताओं द्वारा किया गया एक नया अध्ययन इस प्रश्न पर विचार करने के लिए दो वास्तविक दुनिया के डेटा संग्रहों का परीक्षण करता है। एक छोटी कक्षा में नए गैजेट का परीक्षण करने के बजाय, टीम ने एक बड़े ब्रिटिश दूरस्थ शिक्षा विश्वविद्यालय के लगभग 29,000 छात्रों और अंग्रेजी भाषा परीक्षणों के लिए एक वाणिज्यिक एआई ट्यूटरिंग सिस्टम के साथ बातचीत करने वाले 4,000 उपयोगकर्ताओं के एक अलग नमूने के रिकॉर्ड की जांच की। इन विशाल डेटासेट का विश्लेषण करके, शोधकर्ताओं ने सफलता के सबसे शक्तिशाली संकेतों को खोजने का प्रयास किया और यह देखने की कोशिश की कि क्या आर्टिफिशियल इंटेलिजेंस का वादा एक ठोस नींव पर बना है या इसमें उन लोगों के बीच की खाई को चौड़ा करने का जोखिम है जो सफल होते हैं और जो पीछे छूट जाते हैं।
जांच की शुरुआत पाठ्यक्रमों की संरचना को देखकर की गई। शोधकर्ताओं ने यह परीक्षण किया कि परीक्षणों की संख्या, पाठ्यक्रम की लंबाई और असाइनमेंट के प्रकार ने छात्रों के पास होने या फेल होने को कैसे प्रभावित किया। उन्होंने पाया कि पाठ्यक्रम का विशिष्ट डिजाइन प्रशिक्षक की प्रतिष्ठा से अधिक महत्वपूर्ण है। लंबे पाठ्यक्रम जो समय के साथ मूल्यांकन को फैलाते हैं, उनमें पास होने की दर अधिक होती है, जबकि कई परीक्षणों से भरे पाठ्यक्रम अक्सर देखते हैं कि अधिक छात्र संघर्ष करते हैं या पढ़ाई छोड़ देते हैं। दिलचस्प बात यह है कि ग्रेडिंग का प्रकार समय के महत्व से कम मायने रखता था। कंप्यूटर-ग्रेड किए गए असाइनमेंट, जिन्हें देर से जमा किया जा सकता है और अक्सर दोबारा प्रस्तुत किया जा सकता है, छात्रों द्वारा लचीले अभ्यास के रूप में उपयोग किए गए, जबकि सख्त, समयबद्ध परीक्षाओं को अंतिम बाधाओं के रूप में माना गया। यह सुझाव देता है कि काम की कुल मात्रा या काम को ग्रेड करने वाली विशिष्ट तकनीक के बजाय पाठ्यक्रम की लय और लचीलापन अधिक महत्वपूर्ण है।
हालांकि, सबसे चौंकाने वाली खोज छात्र के व्यवहार के बारे में थी। शोधकर्ताओं ने पाया कि यह अनुमान लगाने वाला सबसे मजबूत कारक कि छात्र पास होगा या नहीं, वह केवल यह था कि वह पाठ्यक्रम सामग्री के साथ कितना जुड़ा हुआ था। जो छात्र पाठ्यक्रम के पेजों पर क्लिक करते थे, फोरम पोस्ट पढ़ते थे और अभ्यास क्विज़ लेते थे, उनके सफल होने की संभावना उन लोगों की तुलना में बहुत अधिक थी जो ऐसा नहीं करते थे। यह संबंध इतना मजबूत था कि इसने पाठ्यक्रम डिजाइन की हर संरचनात्मक विशेषता को पीछे छोड़ दिया। वास्तव में, पास होने वाले और असफल होने वाले छात्रों के बीच गतिविधि का अंतर बहुत बड़ा था। जिन छात्रों ने उच्चतम ग्रेड प्राप्त किए, उन्होंने पाठ्यक्रम छोड़ने वाले छात्रों की तुलना में बीस गुना अधिक बार पाठ्यक्रम सामग्री पर क्लिक किया। यह निष्कर्ष बताता है कि छात्रों को दिलचस्पी बनाए रखने में सक्षम करना और सक्रिय रखना किसी भी शैक्षिक प्रणाली का सबसे महत्वपूर्ण कार्य है, चाहे वह मानव शिक्षक द्वारा संचालित हो या आर्टिफिशियल इंटेलिजेंस द्वारा।
अध्ययन ने यह भी खुलासा किया कि इस जुड़ाव में भाग लेने का अधिकार किसे प्राप्त है। डेटा ने दिखाया कि सफलता समान रूप से वितरित नहीं थी। समृद्ध मोहल्लों के छात्र गरीब क्षेत्रों के छात्रों की तुलना में बहुत अधिक दर से अपने पाठ्यक्रम पास कर रहे थे। विकलांगता को जोड़ने पर यह अंतर और भी गहरा हो गया; विकलांग छात्र जो वंचित पृष्ठभूमि से भी थे, उनके सफल होने की संभावना सबसे कम थी। शोधकर्ताओं ने पाया कि ये नुकसान एक दूसरे के ऊपर जमा हो जाते हैं, जिससे एक ऐसी बाधा उत्पन्न होती है जो अकेले किसी भी कारक की तुलना में बहुत ऊंची है। इसका अर्थ यह है कि पाठ्यक्रम में केवल अधिक तकनीक जोड़ देने से ये समस्याएं स्वतः ठीक नहीं होती हैं। यदि डिजाइन इन असमानताओं को ध्यान में नहीं रखता है, तो नए उपकरण केवल उन छात्रों की मदद कर सकते हैं जो पहले से ही सफल होने की स्थिति में हैं, जिससे अन्य लोग और पीछे छूट सकते हैं।
चित्र तब और भी स्पष्ट हो गया जब शोधकर्ताओं ने एआई ट्यूटरिंग सिस्टम को देखा। उन्होंने पाया कि इस एआई टूल के साथ जुड़ाव अत्यंत असमान था। अत्यधिक सक्रिय उपयोगकर्ताओं के एक छोटे समूह ने अधिकांश इंटरैक्शन उत्पन्न किए, जबकि आधे उपयोगकर्ता केवल एक सत्र के बाद सिस्टम का उपयोग करना बंद कर देते हैं। कई मामलों में, इन उपयोगकर्ताओं ने केवल एक दिन लॉग इन किया और फिर कभी वापस नहीं लौटे। आर्टिफिशियल इंटेलिजेंस के लिए यह एक गंभीर समस्या है क्योंकि इन प्रणालियों को यह सीखने के लिए कि छात्र क्या जानता है और उसके अनुसार अपने पाठों को अनुकूलित करने के लिए, समय और बार-बार होने वाली बातचीत की आवश्यकता होती है। यदि कोई छात्र पहली कोशिश के बाद ही छोड़ देता है, तो एआई को अपना काम करने का अवसर ही नहीं मिलता। डेटा ने दिखाया कि डिजाइनरों के लिए सबसे बड़ी चुनौती एआई को अधिक स्मार्ट या अनुकूल बनाने की नहीं, बल्कि यह पता लगाने की है कि छात्रों को काम करने के लिए पर्याप्त समय तक कैसे रोका जाए।
ये निष्कर्ष उन सभी के लिए एक स्पष्ट मार्ग प्रदान करते हैं जो शिक्षा में आर्टिफिशियल इंटेलिजेंस को एकीकृत करने का प्रयास कर रहे हैं। अध्ययन का तर्क है कि प्राथमिकता सबसे पहले ग्रेडिंग को स्वचालित करने या सामग्री उत्पन्न करने की नहीं होनी चाहिए। इसके बजाय, ध्यान तीन चीजों पर होना चाहिए: छात्रों को पहले सत्र से ही जोड़े रखना, पाठ्यक्रम की संरचना को लचीला और सहायक बनाना, और यह सुनिश्चित करना कि प्रणाली सभी पृष्ठभूमियों के छात्रों के लिए काम करे, न कि केवल औसत वाले छात्रों के लिए। शोधकर्ता सुझाव देते हैं कि किसी भी नए एआई फीचर को जोड़ने से पहले, डिजाइनरों को यह पूछना चाहिए कि क्या पाठ्यक्रम विविध छात्रों की रुचि बनाए रखेगा, क्या कार्यभार उचित रूप से फैला हुआ है, और क्या सिस्टम उन छात्रों की मदद करता है जो सबसे अधिक संघर्ष कर रहे हैं।
अंततः, अध्ययन का निष्कर्ष है कि शिक्षा में आर्टिफिशियल इंटेलिजेंस का वादा तभी साकार होगा जब इसे इन सिद्ध सिद्धांतों पर बनाया जाएगा। तकनीक स्वयं एक जादुई समाधान नहीं है जो एक टूटे हुए पाठ्यक्रम या एक विमुख छात्र को ठीक कर सकती है। साक्ष्य बताते हैं कि सफलता के लिए सबसे शक्तिशाली उपकरण एक ऐसा डिजाइन है जो छात्रों को बार-बार उपस्थित रहने और भाग लेने के लिए प्रोत्साहित करता है। आर्टिफिशियल इंटेलिजेंस के लिए वास्तव में मदद करने के लिए, इसका उपयोग इन मानवीय व्यवहारों को समर्थन देने के लिए किया जाना चाहिए, यह सुनिश्चित करते हुए कि प्रत्येक छात्र, चाहे उसकी पृष्ठभूमि या क्षमता कुछ भी हो, जुड़ा रहने और सीखने का अवसर प्राप्त करे। शैक्षिक तकनीक का भविष्य इस बात पर निर्भर नहीं करता कि एल्गोरिदम कितने उन्नत हैं, बल्कि इस पर निर्भर करता है कि वे उन शिक्षार्थियों की मौलिक आवश्यकताओं को कितनी अच्छी तरह से पूरा करते हैं जिनकी वे सेवा करने के लिए बने हैं।
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।