Conceptualising and Measuring Epistemic Dependence in AI-Mediated Learning: Development and Initial Validation of the ED-AIL Scale

अपनी मस्तिष्क की कल्पना एक व्यस्त निर्माण स्थल (construction site) के रूप में करें। सदियों से, श्रमिक (आप) एक ऐसे टूलबॉक्स पर भरोसा करते आए हैं जो विश्वसनीय वस्तुओं से भरा है: पाठ्यपुस्तकें, शिक्षक, पुस्तकालय और मित्र। यह वही है जिसे वैज्ञानिक "एपिस्टेमिक डिपेंडेंस" (epistemic dependence) कहते हैं, जो यह कहने का एक भारी-भरकम तरीका है कि दुनिया के बारे में अपनी समझ बनाने के लिए हम सभी को मदद की ज़रूरत होती है। यह कोई बुरी बात नहीं है; वास्तव में, हम इसी तरह सीखते हैं। लेकिन अब, साइट पर एक नया, अविश्वसनीय रूप से तेज़ और बहुत बातूनी रोबोट आ गया है। यह रोबोट, जो जनरेटिव आर्टिफिशियल इंटेलिजेंस (GenAI) द्वारा संचालित है, आपको केवल हथौड़ा ही नहीं थमाता; यह ब्लूप्रिंट लिख सकता है, सीमेंट मिला सकता है, और यहाँ तक कि यह भी बता सकता है कि आपकी दीवार सीधी है या नहीं। बड़ा सवाल यह नहीं है कि क्या रोबट उपयोगी है—यह स्पष्ट रूप से है। असली चिंता यह है: हम किस बिंदु पर रोबोट के काम की जाँच करना बंद कर देते हैं और बस उसे पूरा नियंत्रण चलाने देते हैं? यह "अनक्रिटिकल एपिस्टेमिक डिपेंडेंस" (uncritical epistemic dependence) का क्षेत्र है, जहाँ हम यह मानना शुरू कर सकते हैं कि रोबोट हमेशा सही होता है, भले ही वह केवल अनुमान लगा रहा हो, और तथ्यों को सत्यापित करने के लिए अपने स्वयं के मस्तिष्क का उपयोग करना बंद कर सकते हैं।

यह शोध पत्र यह मापने के लिए एक पैमाना बनाने के बारे में है कि हम उस रोबोट को अपनी सोच पर कितना नियंत्रण लेने देते हैं। शोधकर्ताओं, यिरान डू और बिन ज़ौ ने एक नया उपकरण बनाया जिसे ED-AIL स्केल कहा जाता है। इसे एक "ब्रेन-ऑफलोडिंग डिटेक्टर" (Brain-Offloading Detector) के रूप में समझें। उन्होंने केवल यह नहीं पूछा, "क्या आप AI का उपयोग करते हैं?" क्योंकि कैलकुलेटर का उपयोग करने का मतलब यह नहीं है कि आपने गणित करना छोड़ दिया है। इसके बजाय, उन्होंने पूछा, "क्या आप AI को यह तय करने देते हैं कि क्या सच है, एक कठिन अवधारणा का अर्थ क्या है, या क्या आपका उत्तर पर्याप्त अच्छा है, बिना स्वयं इसकी दोबारा जाँच किए?" उन्होंने इस पैमाने का परीक्षण यूके, यूएस और यूरोप के लगभग 1,550 विश्वविद्यालय छात्रों पर किया। परिणाम बताते हैं कि यह पैमाना यह पकड़ने में काफी अच्छा काम करता है कि छात्र कब AI को अपने शोध, बड़ी अवधारणाओं की समझ और अपने उत्तर की शुद्धता के निर्णय लेने की अनुमति देते हैं। हालाँकि, यह पैमाना यह मापने में थोड़ा डगमगाता है कि छात्र यह तय करने के लिए AI को अनुमति देते हैं कि उन्हें आगे क्या पढ़ना चाहिए या वे अपनी पढ़ाई की योजना कैसे बनाएं। अध्ययन इस बात की पुष्टि करता है कि यह "रोबोट टेकओवर" एक वास्तविक, मापने योग्य चीज़ है, लेकिन यह भी चेतावनी देता है कि हमें इस पैमाने का उपयोग व्यक्तिगत छात्रों को दंडित करने के लिए या यह कहने के लिए नहीं करना चाहिए कि AI का उपयोग करना हमेशा बुरा होता है। यह समस्या को समझने के लिए एक उपकरण है, न कि इसे रातों-रात ठीक करने के लिए कोई जादुई छड़ी।

"ब्रेन-ऑफलोडिंग डिटेक्टर" की कहानी

समस्या: जब रोबोट बॉस बन जाता है
कल्पना कीजिए कि आप एक कहानी लिख रहे हैं। आप एक सुपर-स्मार्ट रोबोट से एक विचार मांगते हैं। यदि आप उस विचार को लेते हैं, उसमें थोड़ा बदलाव करते हैं, जाँचते हैं कि क्या वह समझ में आता है, और फिर अपना संस्करण लिखते हैं, तो यह एक सहायक सह-पायलट होने जैसा है। लेकिन यदि रोबोट पूरी कहानी लिखता है, आप बस उसे कॉपी-पेस्ट कर देते हैं, और कभी यह नहीं पूछते, "रुको, क्या यह वास्तव में सच है?" या "क्या यह समझ में आता है?", तो आपने स्टीयरिंग व्हील उसे सौंप दिया है। लेखक इसे "अनक्रिटिकल एपिस्टेमिक डिपेंडेंस" कहते हैं। यह इस बारे में नहीं है कि आप कितनी बार रोबोट का उपयोग करते हैं; यह इस बारे में है कि क्या आप मानसिक मेहनत करना बंद कर देते हैं।

शोधकर्ताओं ने देखा कि मौजूदा उपकरण इस विशिष्ट समस्या को नहीं पकड़ सकते थे। कुछ उपकरण मापते हैं कि आप रोबोट पर कितना भरोसा करते हैं, अन्य मापते हैं कि आप इसका कितनी बार उपयोग करते हैं, और अन्य मापते हैं कि आप रोबोट के बारे में कितना जानते हैं। लेकिन उनमें से कोई भी उस क्षण को नहीं मापता जब आप अपने आप सोचना बंद कर देते हैं और रोबोट के आउटपुट को अपना अंतिम सत्य मान लेते हैं।

पैमाना बनाना (ED-AIL स्केल)
इसे ठीक करने के लिए, टीम ने 23 प्रश्नों वाला एक नया स्केल बनाया। उन्होंने 61 प्रश्नों से शुरुआत की और विशेषज्ञों और छात्रों से उन्हें ज़ोर से पढ़वाकर उन्हें कम किया ताकि यह देखा जा सके कि क्या वे समझ में आते हैं। अंतिम पैमाना पाँच विशिष्ट तरीकों को मापता है जिनसे छात्र रोबोट को नियंत्रण लेने दे सकते हैं:

1. ज्ञान प्राप्ति (Knowledge Acquisition - "सर्च" का जाल): क्या आप रोबोट द्वारा सारांश देने के बाद अन्य स्रोतों की तलाश करना बंद कर देते हैं? (जैसे, "AI के अवलोकन को पढ़ने के बाद, मैं अक्सर उन स्रोतों को खोजना बंद कर देता हूँ जो इसे चुनौती दे सकें या इसका विस्तार कर सकें।")
2. वैचारिक व्याख्या (Conceptual Interpretation - "अर्थ" का जाल): क्या आप किसी कठिन विचार की रोबोट की व्याख्या को एकमात्र सत्य के रूप में स्वीकार करते हैं? (जैसे, "यदि मेरी व्याख्या AI की व्याख्या से भिन्न है, तो मैं आमतौर पर अपनी समझ को AI वाले संस्करण की ओर बदल लेता हूँ।")
3. ज्ञान संबंधी मूल्यांकन (Epistemic Evaluation - "जज" का जाल): क्या आप रोबोट को यह तय करने देते हैं कि आपका उत्तर सही है या कोई स्रोत भरोसेमंद है? (जैसे, "यदि AI कहता है कि एक तर्क कमजोर है, तो मैं स्वयं जाँच करने से पहले ही उसे कमजोर मान लेता हूँ।")
4. ज्ञान उत्पादन (Knowledge Production - "लेखक" का जाल): क्या आप रोबोट के रूपरेखा या शब्दों को अपने लेखन को निर्धारित करने देते हैं? (जैसे, "AI द्वारा तैयार की गई रूपरेखा अक्सर मेरे शैक्षणिक कार्य की संरचना निर्धारित करती है।")
5. ज्ञान संबंधी विनियमन (Epistemic Regulation - "प्लानर" का जाल): क्या आप यह तय करने के लिए AI का उपयोग करते हैं कि आपको आगे क्या पढ़ना चाहिए या आपने कितना सीख लिया है? (जैसे, "मैं यह तय करने के लिए AI का उपयोग करता हूँ कि क्या मैंने आगे बढ़ने के लिए पर्याप्त समझ लिया है।")

पैमाने ने क्या पाया
शोधकर्ताओं ने इस पैमाने का परीक्षण छात्रों के दो बड़े समूहों पर किया। यहाँ उन्होंने क्या पाया:

• मजबूत पक्ष: पैमाना पहले तीन क्षेत्रों के लिए बहुत अच्छी तरह काम करता है: जानकारी खोजना, अवधारणाओं को समझना और उत्तरों का निर्णय लेना। छात्रों के उत्तर सुसंगत थे, और प्रश्न स्पष्ट रूप से वही माप रहे थे जो उन्हें मापना चाहिए था।
• कमजोर पक्ष: पैमाना अंतिम दो क्षेत्रों के लिए कम विश्वसनीय था, विशेष रूप से "एपिस्टेमिक रेगुलेशन" (योजना बनाना) के लिए। इस भाग के प्रश्न दूसरों की तरह मजबूती से जुड़े हुए नहीं थे। लेखक सुझाव देते हैं कि ऐसा इसलिए हो सकता है क्योंकि अपनी पढ़ाई की योजना बनाना एक बहुत बड़ा, जटिल कार्य है, और वर्तमान प्रश्न अभी इसे पूरी तरह से कैप्चर नहीं कर पा रहे हैं।
• "रोबोट बनाम मानव" जाँच: यह सुनिश्चित करने के लिए कि पैमाना केवल यह नहीं माप रहा है कि छात्र रोबोट को कितना पसंद करते हैं, उन्होंने अन्य परीक्षणों के साथ इसकी तुलना की। उन्होंने पाया कि जो छात्र पैमाने पर उच्च स्कोर करते थे, वे वास्तव में रोबोट के स्रोतों की जाँच करने या उसकी गलतियों को पकड़ने की कम संभावना रखते थे। हालाँकि, यह संबंध बहुत मजबूत नहीं था, जिसका अर्थ है कि पैमाना एक विशिष्ट दृष्टिकोण को मापता है, न कि यह कि छात्र वास्तविक जीवन में किसी विशिष्ट कार्य को कितनी अच्छी तरह करते हैं।

यह पैमाना क्या नहीं है
यह समझना महत्वपूर्ण है कि इस अध्ययन ने क्या नहीं पाया। लेखक बहुत स्पष्ट हैं:

• यह झूठ पकड़ने वाला यंत्र (lie detector) नहीं है: आप इस पैमाने का उपयोग किसी विशिष्ट छात्र पर शैक्षणिक कदाचार या "निर्भरता" का आरोप लगाने के लिए नहीं कर सकते। यह एक शोध उपकरण है, अदालत का सबूत नहीं।
• यह AI पर प्रतिबंध नहीं है: अध्ययन यह नहीं कहता कि AI का उपयोग करना बुरा है। यह कहता है कि अनक्रिटिकल निर्भरता जोखिम भरी है। एक छात्र हर दिन AI का उपयोग कर सकता है और फिर भी अपने काम की जाँच कर सकता है; यह पैमाना उन छात्रों को मापता है जो जाँच नहीं करते।
• यह अंतिम फैसला नहीं है: लेखक स्वीकार करते हैं कि उनका "प्लानर" वाला हिस्सा अभी कच्चा है और इस पर और काम करने की आवश्यकता है। उन्होंने यह भी नोट किया कि उनका अध्ययन ऑनलाइन अंग्रेजी बोलने वालों के साथ किया गया था, इसलिए हमें नहीं पता कि क्या यह पैमाना अलग-अलग देशों के छात्रों या इंजीनियरिंग या कला जैसे विभिन्न विषयों के छात्रों के लिए उसी तरह काम करेगा।

यह क्यों मायने रखता है
यह अध्ययन शिक्षाविदों और शोधकर्ताओं को AI के बारे में बात करने का एक नया तरीका देता है। केवल यह कहने के बजाय कि "छात्र बहुत अधिक AI का उपयोग कर रहे हैं," अब हम पूछ सकते हैं, "क्या छात्र AI को उनके लिए सोचने दे रहे हैं?" लेखक सुझाव देते हैं कि यदि स्कूल मदद करना चाहते हैं, तो उन्हें केवल रोबटों को प्रतिबंधित नहीं करना चाहिए। इसके बजाय, उन्हें ऐसे असाइनमेंट डिज़ाइन करने चाहिए जो छात्रों को रोबोट के काम की जाँच करने, स्रोतों की तुलना करने और यह समझाने के लिए मजबूर करें कि वे AI के साथ क्यों सहमत या असहमत हैं।

संक्षेप में, ED-AIL स्केल एक नए क्षेत्र के मानचित्र का पहला ड्राफ्ट है। यह हमें दिखाता है कि "अनक्रिटिकल डिपेंडेंस" की चट्टानें कहाँ हो सकती हैं, लेकिन यह चेतावनी भी देता है कि मानचित्र अभी पूर्ण नहीं है। हमें सीखने के भविष्य में मार्गदर्शन करने के लिए पूरी तरह से भरोसा करने से पहले इसे लगातार बनाने, परीक्षण करने और परिष्कृत करने की आवश्यकता है।