Which disadvantaged students beat the odds in STEM? A design-consistent, fairness-audited machine learning study of 143,573 adolescents in 79 PISA 2022 education systems
यह अध्ययन 79 शिक्षा प्रणालियों के 143,573 वंचित किशोरों के PISA 2022 डेटा पर एक डिज़ाइन-संगत, निष्पक्षता-परीक्षित मशीन लर्निंग दृष्टिकोण का उपयोग करता है ताकि यह पहचान की जा सके कि जबकि गणितीय आत्म-प्रभावकारिता (सेल्फ-एफिकेसी) STEM लचीलेपन का सबसे मजबूत सार्वभौमिक भविष्यवक्ता है, भविष्य कहने वाले मॉडल महत्वपूर्ण परिवहन क्षमता सीमाओं और लड़कियों एवं ग्रामीण छात्रों के प्रति व्यवस्थित पूर्वाग्रह प्रदर्शित करते हैं, जो संदर्भ-विशिष्ट और न्यायसंगत स्क्रीनिंग रणनीतियों की आवश्यकता को रेखांकित करते हैं।
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
हर साल, दुनिया भर में लाखों पंद्रह साल के किशोर एक मानकीकृत परीक्षा में बैठते हैं जो यह मापती है कि वे गणित और विज्ञान को कितनी अच्छी तरह समझते हैं। दशकों से, शोधकर्ता इन परिणामों के बारे में एक सरल, जिद्दी सच्चाई जानते रहे हैं: एक छात्र की पारिवारिक संपत्ति उनके स्कोर का सबसे मजबूत भविष्यवक्ता (predictor) होती है। गरीब पृष्ठभूमि के बच्चों के अंक कम होने की प्रवृत्ति होती है, जबकि समृद्ध घरों के बच्चों के अंक अधिक होते हैं। यह अंतर बहुत महत्वपूर्ण है क्योंकि इन विषयों में दक्षता विज्ञान, प्रौद्योगिकी, इंजीनियरिंग और गणित (STEM) के करियर के लिए प्रवेश द्वार है। फिर भी, यह कहानी पूरी तरह से नियतिवादी (deterministic) नहीं है। प्रत्येक देश में जो इन परीक्षणों में भाग लेता है, वहां ऐसे छात्र हैं जो प्रतिकूल परिस्थितियों को मात देते हैं। वे गणित और विज्ञान दोनों में उच्च अंक प्राप्त करते हैं, जो यह सिद्ध करता है कि नुकसान का अर्थ सफलता असंभव होना नहीं है। इन छात्रों को अक्सर "अकादमिक रूप से लचीला" (academically resilient) कहा जाता है। वह प्रश्न जिसने लंबे समय से शिक्षकों और नीति निर्माताओं को उलझा रखा है, वह केवल यह नहीं है कि ये छात्र कौन हैं, बल्कि यह है कि कौन से कारक उन्हें सफल होने में मदद करते हैं। क्या यह उनका अपना आत्मविश्वास है? उनके शिक्षकों का समर्थन? उनके स्कूलों में उपलब्ध संसाधन?
लंबे समय तक, इस प्रश्न का उत्तर देने के लिए पारंपरिक सांख्यिकी पर भरोसा किया गया, जो अक्सर उन जटिल कारकों के जाल को सुलझाने में संघर्ष करती है जो एक छात्र के जीवन को प्रभावित करते हैं। हाल ही में, शोधकर्ताओं ने मशीन लर्निंग का उपयोग करना शुरू कर दिया है, जो एक प्रकार का कंप्यूटर प्रोग्राम है जो डेटा की विशाल मात्रा में पैटर्न खोज सकता है, ताकि उत्तरों की तलाश की जा सके। हालाँकि, इन शुरुआती प्रयासों में से कई ने ऐसे शॉर्टकट अपनाए जिन्होंने डेटा एकत्र करने के विशिष्ट तरीके की अनदेखी की। उन्होंने डेटा को एक सावधानीपूर्वक डिज़ाइन किए गए सर्वेक्षण के बजाय नामों की एक साधारण सूची के रूप में माना, और वे अक्सर अपने मॉडल का परीक्षण उसी डेटा पर करते थे जिसका उपयोग उन्होंने उन्हें बनाने के लिए किया था, बिना यह जांचे कि क्या परिणाम किसी अन्य देश में भी लागू होंगे। तैबाह यूनिवर्सिटी के उमर अलौहिबी के नेतृत्व में 2026 में प्रकाशित एक नया अध्ययन इन समस्याओं को ठीक करने का प्रयास करता है। 79 अलग-अलग शिक्षा प्रणालियों के 143,573 वंचित किशोरों के डेटा का विश्लेषण करके, उन्होंने एक मशीन लर्निंग मॉडल बनाया जो यह भविष्यवाणी करने के लिए डिज़ाइन किया गया था कि कौन से छात्र बाधाओं को पार करेंगे। महत्वपूर्ण रूप से, उन्होंने मॉडल को अत्यधिक सावधानी के साथ बनाया ताकि सर्वेक्षण की संरचना का सम्मान किया जा सके, इसका परीक्षण उन देशों पर किया जिन्हें इसने पहले कभी नहीं देखा था, और यह जांचा कि क्या यह छात्रों के विभिन्न समूहों के साथ निष्पक्ष व्यवहार करता है।
अध्ययन ने सबसे पहले यह परिभाषित करके शुरुआत की कि "बाधाओं को पार करने" का वास्तव में क्या अर्थ है। उन्होंने केवल प्रत्येक देश में सामाजिक-आर्थिक पैमाने के निचले चतुर्थक (bottom quarter) के छात्रों पर ध्यान केंद्रित किया। फिर उन्होंने उन छात्रों की तलाश की जिन्होंने गणित और विज्ञान दोनों में प्रवीणता के एक विशिष्ट स्तर को प्राप्त किया, जो इतना उच्च मानक है जो उन्नत अध्ययन के लिए तैयार होने का संकेत देता है। उन्होंने पाया कि वैश्विक स्तर पर, इन वंचित छात्रों में से केवल लगभग 12.5 प्रतिशत ही इस उच्च मानक को पूरा करते हैं। यह दर देश-दर-देश बहुत भिन्न थी, जो कुछ प्रणालियों में एक-दशवांश प्रतिशत से भी कम से लेकर सिंगापुर के 62 प्रतिशत तक थी। इस भिन्नता ने सुझाव दिया कि स्कूल प्रणाली का वातावरण स्वयं इसमें बड़ी भूमिका निभाता है कि क्या एक छात्र फल-फूल सकता है।
जब उन्होंने अपने मशीन लर्निंग मॉडल को प्रशिक्षित किया कि कौन से छात्र लचीले (resilient) होंगे, तो इसने उल्लेखनीय सटीकता के साथ प्रदर्शन किया। मॉडल सरल अनुमान की तुलना में संघर्ष करने वाले और फलने-फूलने वाले छात्रों के बीच बहुत बेहतर अंतर कर सका। मॉडल ने जो सबसे शक्तिशाली भविष्यवक्ता पाया वह कोई स्कूल संसाधन या पारिवारिक आय स्तर नहीं था, बल्कि गणित करने की अपनी क्षमता में छात्र का अपना विश्वास था। यह भावना, जिसे आत्म-प्रभावकारिता (self-efficacy) कहा जाता है, सभी 79 देशों में सबसे मजबूत कारक थी। जो छात्र गणित की समस्याओं को हल करने में विश्वास रखते थे, उनके सफल होने की संभावना बहुत अधिक थी, भले ही उन्हें महत्वपूर्ण प्रतिकूल परिस्थितियों का सामना करना पड़ा हो। अन्य कारकों, जैसे घर पर कंप्यूटर तक पहुंच और तनाव का सामना करने की क्षमता ने भी महत्वपूर्ण भूमिका निभाई। दिलचस्प बात यह है कि मॉडल ने यह भी पाया कि जो छात्र स्कूल के बाहर सवैतनिक (paid) नौकरियां करते थे, उनके लचीले होने की संभावना कम थी, संभवतः इसलिए क्योंकि उनके पास अध्ययन के लिए कम समय था।
हालाँकि, अध्ययन ने उन तरीकों में एक महत्वपूर्ण सीमा को उजागर किया जिनसे इन मॉडलों का उपयोग किया जाता है। जब उन्होंने कई देशों के डेटा पर प्रशिक्षित मॉडल को एक एकल, अनदेखे देश में परिणामों की भविष्यवाणी करने के लिए उपयोग करने का प्रयास किया, तो इसकी सटीकता काफी कम हो गई। हालांकि मॉडल उपयोगी था, लेकिन यह वैश्विक आंकड़ों जितना विश्वसनीय नहीं था। इससे भी महत्वपूर्ण बात यह है कि एक देश में सबसे अधिक मायने रखने वाले विशिष्ट कारक अक्सर दूसरे देश के कारकों से भिन्न थे। एकमात्र अपवाद अपनी गणितीय क्षमता में विश्वास था, जो हर जगह शीर्ष भविष्यवक्ता बना रहा। यह निष्कर्ष इस विचार को चुनौती देता है कि सफलता के लिए "प्रमुख सामग्रियों" की एक एकल, सार्वभौमिक सूची है जो हर संस्कृति और शिक्षा प्रणाली पर लागू होती है। इसके बजाय, यह सुझाव देता है कि जबकि आत्मविश्वास सफलता के लिए एक सार्वभौमिक इंजन है, अन्य सहायक कारक काफी हद तक स्थानीय संदर्भ पर निर्भर करते हैं।
उन्होंने एक निष्पक्षता ऑडिट (fairness audit) भी किया ताकि यह देखा जा सके कि क्या मॉडल सभी छात्रों के साथ समान व्यवहार करता है। उन्होंने पाया कि जबकि मॉडल औसत रूप पर सटीक था, इसने विभिन्न समूहों के लिए अलग-अलग प्रकार की गलतियाँ कीं। यह लचीली लड़कियों की तुलना में लचीले लड़कों को सही ढंग से पहचानने में काफी कम सक्षम था। यह शहरों की तुलना में ग्रामीण क्षेत्रों में रहने वाले लचीले छात्रों को पहचानने में भी बहुत कम सक्षम था। जब उन्होंने लिंग (gender) को मॉडल के इनपुट से हटा दिया, तो लड़कियों के लिए अंतर समाप्त हो गया, जिससे पता चला कि मॉडल ने लिंग का उपयोग एक ऐसे शॉर्टकट के रूप में किया जो लड़कियों के खिलाफ काम करता था। हालाँकि, ग्रामीण स्थान को हटाने से ग्रामीण छात्रों के लिए अंतराल ठीक नहीं हुआ। यह इंगित करता कि ग्रामीण छात्रों के लिए मुद्दा मॉडल का पूर्वाग्रह नहीं था, बल्कि यह तथ्य था कि ग्रामीण क्षेत्रों में समग्र स्थितियाँ सफलता की भविष्यवाणी करना कठिन बनाती थीं।
अध्ययन निष्कर्ष निकालता है कि हालांकि मशीन लर्निंग हमें अकादमिक लचीलेपन के पीछे के कारकों को समझने में मदद कर सकती है, हमें इन उपकरणों के उपयोग के बारे में सावधान रहना चाहिए। सबसे महत्वपूर्ण बात यह है कि अपनी गणित सीखने की क्षमता में विश्वास एक शक्तिशाली, सार्वभौमिक शक्ति है जो वंचित छात्रों को सफल होने में मदद कर सकती है। लेकिन हर देश के हर छात्र के लिए निर्णय लेने के लिए एक एकल वैश्विक मॉडल पर निर्भर रहना जोखिम भरा है। सफलता को चलाने वाले कारक हर जगह एक समान नहीं हैं, और एक मॉडल जो एक स्थान पर अच्छा काम करता है वह दूसरे स्थान पर चूक सकता है। इसके अलावा, यदि इन उपकरणों का उपयोग सहायता कार्यक्रमों के लिए छात्रों की पहचान करने के लिए किया जाता है, तो उन्हें सावधानीपूर्वक जांचा जाना चाहिए ताकि यह सुनिश्चित किया जा सके कि वे व्यवस्थित रूप से लड़कियों या ग्रामीण समुदायों की अनदेखी न करें। डेटा की जटिलता का सम्मान करके और मॉडलों का परीक्षण वास्तविक दुनिया में करके जहाँ उनका उपयोग किया जाएगा, शोधकर्ता ऐसे उपकरण बना सकते हैं जो शिक्षा में समानता लाने के बजाय अनजाने में उन अंतरालों को और चौड़ा न कर दें जिन्हें वे कम करने का लक्ष्य रखते 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।