When Evaluation Clarity Creates Algorithmic Anxiety: A Randomized Field Experiment of Explainable Fuzzy Assessment and Teacher Feedback Uptake
982 चीनी विश्वविद्यालय शिक्षकों को शामिल करने वाला एक यादृच्छिक क्षेत्र प्रयोग यह प्रदर्शित करता है कि व्याख्या योग्य फजी एआई फीडबैक, पारंपरिक या ब्लैक-बॉक्स एआई प्रणालियों की तुलना में, मुख्य रूप से एल्गोरिदम की अनिश्चितता को स्पष्ट करके और फीडबैक ग्रहण करने की क्षमता को बढ़ावा देकर, प्रक्रियात्मक निष्पक्षता, कैलिब्रेटेड विश्वास और आगामी निर्देशात्मक सुधार को महत्वपूर्ण रूप से बढ़ाता है।
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
आधुनिक विश्वविद्यालयों में, शिक्षकों के मूल्यांकन का तरीका बदल रहा है। दशकों से, प्रशिक्षकों को छात्र सर्वेक्षणों और सहकर्मी समीक्षाओं के आधार पर फीडबैक मिलता रहा है, लेकिन अब, शिक्षण की गुणवत्ता का विश्लेषण करने के लिए आर्टिफिशियल इंटेलिजेंस (AI) कदम रख रहा है। ये नई प्रणालियाँ अधिक तेज़ और विस्तृत होने का वादा करती हैं, जो उन पैटर्नों को पहचानने के लिए हजारों छात्र टिप्पणियों और पाठ्यक्रम सामग्रियों को स्कैन करती हैं जिन्हें इंसान शायद चूक सकते हैं। हालाँकि, एक महत्वपूर्ण समस्या उभर कर आई है: जब कोई कंप्यूटर किसी शिक्षक को बताता है कि वे खराब काम कर रहे हैं, तो अक्सर शिक्षक को यह पता नहीं होता कि क्यों। यदि स्कोर के पीछे का तर्क छिपा हुआ है, तो फीडबैक एक मददगार मार्गदर्शक के बजाय एक रहस्यमय सत्ता से मिलने वाली सजा जैसा महसूस होता है। यह मशीनों की दक्षता और मानवीय समझ की आवश्यकता के बीच एक तनाव पैदा करता है। शिक्षाविदों और शोधकर्ताओं के लिए मूल प्रश्न केवल यह नहीं है कि क्या AI एक ग्रेड की गणना कर सकता है, बल्कि यह है कि क्या शिक्षक प्रक्रिया पर इतना भरोसा कर सकते हैं कि वे वास्तव में अपने कक्षा के सुधार के लिए उस सलाह का उपयोग कर सकें।
इसका उत्तर देने के लिए, स्टैनफोर्ड यूनिवर्सिटी के शोधकर्ताओं ने चीन के बारह संस्थानों में लगभग 1,000 विश्वविद्यालय शिक्षकों को शामिल करते हुए एक बड़ा प्रयोग किया। वे यह देखना चाहते थे कि फीडबैक प्रस्तुत करने के तरीके को बदलने से शिक्षकों की प्रतिक्रिया में बदलाव आता है या नहीं। अध्ययन ने मूल्यांकन परिणाम देने के तीन अलग-अलग तरीकों की तुलना की। पहले समूह को पारंपरिक तरीका दिया गया: मानक स्कोर और लिखित टिप्पणियाँ। दूसरे समूह को आर्टिफिशियल इंटेलिजेंस प्रणाली द्वारा उत्पन्न फीडबैक प्राप्त हुआ, लेकिन यह प्रणाली एक "ब्लैक बॉक्स" की तरह थी, जिसने यह बताए बिना कि इसने उन निष्कर्षों तक कैसे पहुँचा, खूबियों और कमियों का सारांश प्रस्तुत किया। तीसरे समूह को "एक्सप्लेनेबल फजी एआई" (व्याख्या योग्य फजी एआई) नामक एक नए प्रकार का फीडबैक मिला। इस प्रणाली ने न केवल एक स्कोर दिया; बल्कि इसने शिक्षकों को ठीक से दिखाया कि कंप्यूटर ने किस साक्ष्य का उपयोग किया, प्रत्येक साक्ष्य का कितना भार था, और कहाँ निर्णय अनिश्चित था। महत्वपूर्ण रूप से, इसने एक ऐसी पद्धति का उपयोग किया जो शिक्षण के ग्रे एरिया (धुंधले क्षेत्रों) को स्वीकार करती थी, यह स्वीकार करते हुए कि एक कक्षा कुछ क्षेत्रों में मजबूत और कुछ में कमजोर हो सकती है, बजाय इसके कि एक एकल, कठोर लेबल थोपा जाए।
परिणामों ने दिखाया कि फीडबैक को कैसे समझाया जाता है, यह तकनीक से अधिक महत्वपूर्ण है। जिन शिक्षकों को "एक्सप्लेनेबल फजी" फीडबैक मिला, उन्हें पारंपरिक स्कोर या ब्लैक-बॉक्स एआई सारांशों की तुलना में मूल्यांकन प्रक्रिया बहुत अधिक निष्पक्ष लगी। उन्हें लगा कि प्रणाली ने उनके पेशेवर निर्णय का सम्मान किया और उन्हें निर्णय कैसे लिया गया, इसका स्पष्ट चित्र दिया। इस निष्पक्षता की भावना ने एक दूसरे, महत्वपूर्ण परिवर्तन को जन्म दिया: इन शिक्षकों ने जो शोधकर्ता कहते हैं, वह "कैलिब्रेटेड ट्रस्ट" (परिकलित विश्वास) विकसित किया। कंप्यूटर की सलाह को आँख मूंदकर मानने या उसे गुस्से में खारिज करने के बजाय, उन्होंने सीखा कि कहाँ उपयोगी है वहाँ फीडबैक पर भरोसा करना है और जहाँ इसकी सीमाएँ हैं वहाँ सवाल उठाना है। यह संतुलित विश्वास ही वह कुंजी थी जिसने कार्रवाई को अनलॉक किया। क्योंकि उन्होंने प्रक्रिया पर भरोसा किया, इसलिए वे रिपोर्ट को वास्तव में पढ़ने, सुझावों की व्याख्या करने और सेमेस्टर के अंत तक अपनी पाठ्यक्रम सामग्री और शिक्षण विधियों में वास्तविक बदलाव करने के लिए अधिक इच्छुक थे।
इसके विपरीत, जिन शिक्षकों को ब्लैक-बॉक्स एआई फीडबैक मिला, उनमें सुधार का समान स्तर नहीं देखा गया। भले ही कंप्यूटर उनके शिक्षण का विश्लेषण कर रहा था, पारदर्शिता की कमी ने उन्हें रक्षात्मक या भ्रमित महसूस कराया, और वे सलाह पर अमल करने के प्रति कम इच्छुक थे। अध्ययन में पाया गया कि घटनाओं की यह श्रृंखला—निष्पक्षता से विश्वास की ओर, जो विश्वास से कार्रवाई की ओर ले जाती है—बेहतर शिक्षण का एक स्पष्ट मार्ग था। शोधकर्ताओं ने यह भी पाया कि यह दृष्टिकोण उन शिक्षकों के लिए सबसे अच्छा काम करता जो पहले से ही अपने काम में अच्छा प्रदर्शन करने के लिए उच्च दबाव महसूस कर रहे थे, क्योंकि स्पष्ट व्याख्या ने उन्हें खेल के नियमों को समझने में मदद की। यह उन शिक्षकों के लिए भी बेहतर काम करता जिनके पास एआई के कार्य करने के तरीके की उच्च समझ थी, क्योंकि वे सिस्टम द्वारा प्रदान किए गए सूक्ष्म विवरणों की बेहतर व्याख्या कर सकते थे।
इस अध्ययन में 806 शिक्षक शामिल थे जिन्होंने प्रयोग के पूर्ण चक्र को पूरा किया, प्रारंभिक सर्वेक्षण से लेकर उनके पाठ्यक्रम परिवर्तनों की अंतिम समीक्षा तक। शोधकर्ताओं ने न केवल यह मापा कि शिक्षकों ने क्या करने का कहा, बल्कि उन्होंने यह भी देखा कि उन्होंने वास्तव में क्या किया, जिसमें संशोधित पाठ्यक्रम (सिलेबस), अपडेट की गई पाठ योजनाएं और अनुवर्ती छात्र मूल्यांकन शामिल थे। डेटा ने पुष्टि की कि 'एक्सप्लेनेबल' समूह के शिक्षकों ने अपने निर्देश में अधिक मूर्त सुधार किए। निष्कर्ष बताते हैं कि शिक्षा में आर्टिफिशियल इंटेलिजेंस का मूल्य उसके एल्गोरिदम की जटिलता से नहीं, बल्कि उससे शुरू होने वाली बातचीत की स्पष्टता से आता है। जब कोई प्रणाली यह स्वीकार करती है कि वह क्या जानती है, क्या नहीं जानती, और वह अपने निष्कर्ष तक कैसे पहुँची, तो वह चिंता के स्रोत से बदलकर पेशेवर विकास के उपकरण में बदल जाती है। शोध संकेत देता है कि तकनीक को वास्तव में शिक्षकों को सुधारने में मदद करने के लिए, इसे केवल गणना करने के लिए ही नहीं, बल्कि समझाने के लिए भी डिज़ाइन किया जाना चाहिए, ताकि यह सुनिश्चित हो सके कि प्रक्रिया के केंद्र में स्थित मानव को देखा, समझा और बदलने के लिए सशक्त महसूस कराया जाए।
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।