The field grew, the programme did not: differential growth and substrate portability in artificial intelligence and education research, 2016–2026
यह अध्ययन इस गलत धारणा को चुनौती देता है कि प्रकाशनों की घटती हिस्सेदारी क्षेत्र के पतन का संकेत देती है, यह प्रदर्शित करते हुए कि जबकि 2016 से 2026 के बीच शिक्षा में एआई (AI) से संबंधित कुल साहित्य में पांच गुना वृद्धि हुई, विशिष्ट उपक्षेत्रों ने "सबस्ट्रेट पोर्टेबिलिटी" (substrate portability)—अर्थात नए डेटा परिवेशों के प्रति अनुसंधान संरचनाओं की अनुकूलन क्षमता—द्वारा संचालित विभेदात्मक विकास दर का अनुभव किया, न कि कार्यात्मक अप्रचलन (functional obsolescence) के कारण।
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
दशकों से, शोधकर्ता यह समझने के लिए कंप्यूटर का उपयोग करने का प्रयास कर रहे हैं कि लोग कैसे सीखते हैं। उन्होंने छात्रों के व्यवहार को ट्रैक करने, यह अनुमान लगाने कि कौन संघर्ष कर सकता है, और वास्तविक समय में पाठों को समायोजित करने के लिए सिस्टम बनाए। यह कार्य उन डिजिटल प्लेटफॉर्मों पर बहुत अधिक निर्भर था जो हर क्लिक और कीस्ट्रोक को रिकॉर्ड करते थे, जिससे विश्लेषण के लिए डेटा के विशाल निशान बनते थे। लगभग 2022 के आसपास, एक प्रकार की नई तकनीक आई: बड़े भाषा मॉडल (large language models) जो टेक्स्ट उत्पन्न करने, प्रश्नों के उत्तर देने और तुरंत सामग्री बनाने में सक्षम थे। इस बदलाव ने शिक्षकों और शोधकर्ताओं दोनों की कल्पना को захिर लिया, जिससे नए अध्ययनों में भारी उछाल आया। लेकिन जैसे-जैसे शोध की मात्रा बढ़ी, एक भ्रमित करने वाला पैटर्न उभर कर सामने आया। पुराने, डेटा-प्रधान तरीकों के लिए समर्पित शोध पत्रों का हिस्सा गायब होता हुआ प्रतीत हुआ, जिससे कई लोगों को यह विश्वास होने लगा कि वे क्षेत्र समाप्त हो गए हैं। प्रश्न यह बना रहा: क्या सीखने के अध्ययन के पुराने तरीकों को छोड़ दिया गया था, या वे केवल नई लहर के विशाल आकार के कारण दब गए थे?
शोधकर्ताओं की एक टीम ने केवल उनके अनुपात को न देखकर, प्रकाशित अध्ययनों की वास्तविक संख्या को देखकर इसका उत्तर देने का प्रयास किया। उन्होंने 2016 से मध्य-2026 तक के लगभग 1,200 शैक्षणिक शोध पत्रों को एकत्र किया, और समयरेखा को दो युगों में विभाजित किया: जनरेटिव आर्टिफिशियल इंटेलिजेंस के उदय से पहले और उसके बाद। उनका लक्ष्य साहित्य की संरचना को उसके भीतर की वास्तविक गतिविधि से अलग करना था। कल्पना कीजिए कि एक शहर 100 लोगों से बढ़कर 1,000 लोग हो जाता है। यदि एक विशिष्ट पड़ोस, जिसमें पहले 30 लोग रहते थे, 30 लोगों पर ही रहता है, तो शहर में उसका हिस्सा 30% से गिरकर केवल 3% हो जाता है। केवल प्रतिशत देखने वाले पर्यवेक्षक के लिए, वह पड़ोस छोटा या गायब होता हुआ प्रतीत होता है। लेकिन वास्तव में, वहां रहने वाले लोगों की संख्या में कोई बदलाव नहीं आया है; शहर बस बहुत बड़ा हो गया है। शोधकर्ताओं ने शिक्षा में आर्टिफिशियल इंटेलिजेंस के क्षेत्र पर यही तर्क लागू किया। उन्होंने पाया कि जबकि शैक्षिक डेटा माइनिंग (educational data mining) और लर्निंग एनालिटिक्स (learning analytics) जैसे पुराने विषयों पर शोध पत्रों का हिस्सा वास्तव में नाटकीय रूप से गिर गया, इन विषयों पर शोध पत्रों की वास्तविक संख्या हमेशा गायब नहीं हुई। वास्तव में, कुछ विषयों के लिए, अध्ययनों की संख्या स्थिर रही या वास्तव में बढ़ी भी, बस नए जनरेटिव विषयों जितनी तेजी से नहीं।
अध्ययन ने पूर्ण प्रतिस्थापन के बजाय 'विभेदक विकास' (differential growth) की कहानी उजागर की। पूरा क्षेत्र एक दशक में पांच गुना से अधिक बढ़ गया। पुराने अनुसंधान कार्यक्रम, जो छात्रों से दीर्घकालिक व्यवहार संबंधी डेटा एकत्र करने पर निर्भर थे, उसी तीव्र गति से नहीं बढ़े। दो विशिष्ट क्षेत्रों, शैक्षिक डेटा माइनिंग और लर्निंग एनालिटिक्स में, प्रत्येक वर्ष प्रकाशित होने वाले नए शोध पत्रों की संख्या में वास्तविक गिरावट देखी गई। एक अन्य क्षेत्र, इंटेलिजेंट ट्यूटरिंग सिस्टम्स (intelligent tutoring systems) ने अपनी स्थिति बनाए रखी, और पहले के समान ही लगभग उतनी ही संख्या में शोध पत्र प्रकाशित किए, भले ही कुल क्षेत्र में इसकी हिस्सेदारी काफी कम हो गई। इस बीच, अकादमिक अखंडता, नैतिकता और पाठ्यक्रम सामग्री बनाने के लिए जनरेटिव टूल्स के उपयोग जैसे नए विषयों की लोकप्रियता में विस्फोट हुआ, जो क्षेत्र के औसत से कहीं अधिक तेजी से बढ़े। शोधकर्ताओं ने पाया कि किसी शोध विषय का अस्तित्व इस बात पर कम निर्भर करता था कि उसे क्या कहा जाता है, बल्कि इस पर अधिक निर्भर करता था कि उसके अस्तित्व के लिए क्या आवश्यक है। ऐसे विषय जिन्हें वर्षों तक छात्र डेटा एकत्र करने के लिए जटिल, इंस्ट्रूमेंटेड प्लेटफॉर्म की आवश्यकता थी, वे तालमेल बिठाने में संघर्ष करते रहे। वे विषय जिन्हें सरल टेक्स्ट या तत्काल बातचीत के माध्यम से खोजा जा सकता था, जैसे कि नैतिकता पर चर्चा करना या पाठ योजनाएं बनाना, वे फलते-फूलते रहे।
यह अंतर उन सभी के लिए गहरा महत्व रखता है जो इस क्षेत्र की वर्तमान स्थिति को समझने की कोशिश कर रहे हैं। आज इस क्षेत्र में प्रवेश करने वाला एक नया शोधकर्ता लोकप्रिय विषयों की सूची देखकर यह निष्कर्ष निकाल सकता है कि छात्र डेटा का विश्लेषण करने की क्षमता को छोड़ दिया गया है। हालांकि, डेटा दिखाता है कि यह क्षमता अभी भी विकसित की जा रही है, बस नए उपकरणों के इर्द-गिर्द चल रहे प्रचार (hype) की तुलना में धीमी और अधिक स्थिर दर से। पुराने काम को मिटाया नहीं गया है; इसे पीछे छोड़ दिया गया है। अध्ययन सुझाव देता है कि यह पुराने तरीकों की विफलता नहीं है, बल्कि एक ऐसी नई तकनीक का स्वाभाविक परिणाम है जो सभी के लिए तुरंत उपलब्ध है, जो नए प्रश्नों की बाढ़ ला रही है जिन्हें उत्तर देने के लिए उसी भारी बुनियादी ढांचे की आवश्यकता नहीं है। इन तकनीकों को अपनाने के इच्छुक संस्थानों या शिक्षकों के लिए सबक स्पष्ट है: सबसे दृश्यमान विषय ही एकमात्र मौजूद विषय नहीं हैं। डेटा के माध्यम से सीखने को समझने का आधारभूत कार्य जारी है, भले ही वह अब सुर्खियों पर हावी न हो। क्षेत्र ने अपने अतीत को खोया नहीं है; इसने इसके चारों ओर विस्तार किया है, पुराने और नए दोनों को आगे ले जा रहा है, लेकिन बहुत अलग गति से।
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।