Artificial Intelligence Driven Grading and Personalised Feedback in Higher Education Assessment
यह व्यवस्थित साहित्य समीक्षा 2020 से 2026 तक के साक्ष्यों को संश्लेषित करती है ताकि यह प्रदर्शित किया जा सके कि जहाँ एआई-संचालित ग्रेडिंग और व्यक्तिगत फीडबैक उच्च शिक्षा मूल्यांकन में दक्षता, निरंतरता और मापनीयता को महत्वपूर्ण रूप से बढ़ाते हैं, वहीं उनका जिम्मेदार कार्यान्वयन एल्गोरिथम पूर्वाग्रह, डेटा गोपनीयता और शैक्षणिक अखंडता जैसी चुनौतियों को संबोधित करने के लिए मजबूत नैतिक सुरक्षा उपायों और मानवीय निरीक्षण की मांग करता 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
उच्च शिक्षा के विशाल परिदृश्य में, जिस क्षण एक छात्र निबंध या समस्या सेट (problem set) जमा करता है, एक भारी, अदृश्य घड़ी टिक-टिक करने लगती है। दशकों से, प्रणाली मानव प्रशिक्षकों पर निर्भर रही है कि वे हर शब्द को पढ़ें, हर तर्क का वजन करें, और हजारों असाइनमेंट पर विस्तृत टिप्पणियाँ लिखें। यह प्रक्रिया न केवल धीमी है; यह एक ऐसी बाधा (bottleneck) है जो अक्सर उस फीडबैक में देरी करती है जिसकी छात्रों को सीखने के लिए आवश्यकता होती है, और यह शिक्षकों के उस समय पर भी दबाव डालती है जिसका उपयोग उन्हें वास्तव में पढ़ाने के लिए करना चाहिए। जैसे-जैसे विश्वविद्यालय की कक्षाएं बड़ी और अधिक विविध होती जा रही हैं, मैन्युअल ग्रेडिंग की पुरानी पद्धति तालमेल बिठाने में संघर्ष कर रही है, जिससे अक्सर असंगत स्कोर और सामान्य टिप्पणियाँ मिलती हैं जो व्यक्तिगत आवश्यकताओं को संबोधित करने में विफल रहती हैं। आज शिक्षकों के सामने प्रश्न यह है कि क्या तकनीक उस मानवीय स्पर्श को खोए बिना मूल्यांकन के भारी काम को संभालने के लिए कदम रख सकती है जो सीखने को सार्थक बनाता है।
यह ठीक वही चुनौती है जिसे 2020 और 2026 के बीच प्रकाशित शोध के एक व्यापक अवलोकन द्वारा संबोधित किया गया है, जिसमें इस बात की जांच की गई है कि कैसे आर्टिफिशियल इंटेलिजेंस (AI) विश्वविद्यालयों द्वारा छात्रों के कार्य के मूल्यांकन के तरीके को नया रूप दे रहा है। लेखक, यूनिवर्सिटी ऑफ ज़ुलुलैंड के मज़ीवेंडोडा सिप्रियन मादवे ने किसी एक कक्षा में कोई नया प्रयोग नहीं किया। इसके बजाय, उन्होंने दुनिया भर के बारह विशिष्ट अध्येशनों को एकत्र और विश्लेषित किया, जो जर्मनी और सिंगापुर से लेकर मॉरीशस और चिली तक फैले हुए थे। इन अध्ययनों ने उन्नत कंप्यूटर प्रणालियों—विशेष रूप रूप से उन प्रणालियों के उपयोग की खोज की जो मानव भाषा को समझने और पैटर्न को पहचानने में सक्षम हैं—का उपयोग करके असाइनमेंट को ग्रेड करने और फीडबैक प्रदान करने की जांच की। इस समीक्षा का उद्देश्य यह निर्धारित करना था कि क्या ये उपकरण वास्तव में काम करते हैं, वे कहाँ सफल होते हैं, और स्वचालित दक्षता के नीचे कौन से छिपे हुए खतरे हो सकते हैं।
निष्कर्ष बताते हैं कि मूल्यांकन कैसे विकसित हो रहा है, इसमें एक स्पष्ट बदलाव आया है। तकनीक अब केवल एक साधारण कैलकुलेटर नहीं है जो यह जांचता है कि उत्तर सही है या गलत। इसके बजाय, यह एक परिष्कृत सहायक के रूप में विकसित हुआ है जो जटिल निबंधों को पढ़ सकता है, कई भाषाओं में लघु उत्तरों की बारीकियों को समझ सकता है, और यहाँ तक कि छात्रों को एक-दूसरे को फीडबैक देने में भी मदद कर सकता है। समीक्षा किए गए अध्येशनों में से कई में, ये प्रणालियाँ ग्रेडिंग की प्रक्रिया को तेज करने में उल्लेखनीय रूप से प्रभावी साबित हुईं। वे एक मानव द्वारा कुछ चुनि few असाइनमेंट ग्रेड करने में लगने वाले समय में सैकड़ों सबमिशन को प्रोसेस कर सकती हैं, जिससे यह सुनिश्चित होता है कि प्रत्येक छात्र को जल्दी से स्कोर प्राप्त हो। इससे भी महत्वपूर्ण बात यह है कि तकनीक विशिष्ट छात्र की गलतियों के अनुरूप व्यक्तिगत टिप्पणियाँ उत्पन्न कर सकती है, जो सुधार के लिए तत्काल मार्गदर्शन प्रदान करती है। यह तात्कालिकता छात्रों को उनके सीखने में अधिक आत्मविश्वास महसूस करने में मदद करती है और उन्हें अगले विषय पर जाने से पहले अपना मार्ग सुधारने की अनुमति देती है।
हालाँकि, समीक्षा यह स्पष्ट करती है कि यह तकनीक शिक्षक का विकल्प नहीं है। साहित्य में वर्णित सबसे सफल अनुप्रयोग वे हैं जहाँ कंप्यूटर एक प्रतिस्थापन के बजाय एक भागीदार के रूप में कार्य करता है। इन परिदृश्यों में, आर्टिफिशियल इंटेलिजेंस स्कोरिंग और प्रारंभिक फीडबैक तैयार करने जैसे दोहराव वाले कार्यों को संभालता है, जिससे मानव प्रशिक्षक को उच्च-स्तरीय शिक्षण गतिविधियों, जैसे कि परामर्श (mentoring) और गहन चर्चा पर ध्यान केंद्रित करने के लिए मुक्त किया जा सके। अध्ययन लगातार दिखाते हैं कि जब शिक्षक ग्रेडिंग में अंतिम निर्णय रखते हैं, तो यह प्रणाली सबसे अच्छा काम करती है। तकनीक निरंतरता (consistency) में उत्कृष्ट है, जो थकान या मूड के उतार-चढ़ाव के बिना हर छात्र पर समान नियम लागू करती है जो मानव ग्रेडर को प्रभावित कर सकते हैं। फिर भी, शोधकर्ता चेतावनी देते हैं कि मानवीय निरीक्षण के बिना, यह प्रणाली गंभीर त्रुटियां कर सकती है, विशेष रूप से रचनात्मक या जटिल उत्तरों के साथ जिन्हें समझने के लिए गहरे संदर्भ की आवश्यकता होती है।
इन प्रणालियों की निष्पक्षता और सुरक्षा को लेकर महत्वपूर्ण चिंताएं बनी हुई हैं। समीक्षा इस बात पर प्रकाश डालती है कि आर्टिफिशियल इंटेलिजेंस कभी-कभी उस डेटा से पूर्वाग्रह (bias) विरासत में ले सकता है जिस पर इसे प्रशिक्षित किया गया था, जिससे संभावित रूप से कुछ पृष्ठभूमि के छात्रों को दूसरों की तुलना में अधिक कठोरता से ग्रेड दिया जा सकता है। गोपनीयता के बारे में भी गंभीर प्रश्न हैं, क्योंकि इन प्रणालियों को कार्य करने के लिए छात्र डेटा की विशाल मात्रा की आवश्यकता होती है, जिससे यह सवाल उठता है कि उस जानकारी का स्वामित्व किसके पास है और इसे कैसे सुरक्षित रखा जाए। इसके अलावा, अध्ययन बताते हैं कि सभी शिक्षक इन उपकरणों का प्रभावी ढंग से उपयोग करने के लिए तैयार नहीं हैं; कुछ के पास यह पहचानने के लिए आवश्यक प्रशिक्षण की कमी है कि कंप्यूटर कब गलत है या उसके सुझावों की आलोचनात्मक व्याख्या कैसे की जाए। शोध संकेत देता है कि इस तकनीक को वास्तव में फायदेमंद बनाने के लिए, विश्वविद्यालयों को सख्त नियम और नैतिक दिशानिर्देश स्थापित करने होंगे ताकि सिस्टम पारदर्शी और जवाबदेह रहे।
अंततः, इस समीक्षा से जो तस्वीर उभरती है वह 'सतर्क आशावाद' की है। तकनीक पैमाने (scale) की समस्या को हल करने का एक शक्तिशाली तरीका प्रदान करती है, जिससे विश्वविद्यालय अपने कर्मचारियों को थकाए बिना बड़ी संख्या में छात्रों को समय पर, व्यक्तिगत फीडबैक प्रदान कर सकते हैं। लेकिन आगे का रास्ता मशीनों को नियंत्रण लेने देने के बारे में नहीं है। साक्ष्य बताते हैं कि मूल्यांकन का भविष्य एक ऐसी साझेदारी में निहित है जहाँ आर्टिफिशियल इंटेलिजेंस मात्रा और गति को संभालता है, जबकि मानव शिक्षक निर्णय, सहानुभूति और नैतिक दिशा-निर्देश (ethical guardrails) प्रदान करते हैं। इसके सफल होने के लिए, संस्थानों को अपने कर्मचारियों के प्रशिक्षण में निवेश करना होगा, छात्र डेटा की रक्षा करनी होगी, और यह सुनिश्चित करने के लिए प्रणालियों की निरंतर जांच करनी होगी कि वे निष्पक्ष हैं। लक्ष्य शिक्षक को कक्षा से बाहर करना नहीं है, बल्कि उन्हें अधिक प्रभावी ढंग से पढ़ाने के उपकरण देना है, जिससे यह सुनिश्चित हो सके कि प्रत्येक छात्र को सफल होने के लिए आवश्यक ध्यान मिले।
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।