AI Assisted Video Analysis Reveals Divergent Laboratory Competence Profiles Despite Equivalent Practical Scores in Undergraduate Titration
यह अध्ययन प्रदर्शित करता है कि स्नातक स्तर के टाइट्रेशन कार्यों के एआई-सहायता प्राप्त वीडियो विश्लेषण से पता चलता है कि समान कुल व्यावहारिक अंकों के बावजूद विशिष्ट सक्षमता डोमेन में महत्वपूर्ण विचलन मौजूद हैं, जो एसटीईएम (STEM) मूल्यांकन में पारंपरिक सारांश ग्रेडों के बजाय सूक्ष्म, साक्ष्य-आधारित नैदानिक प्रोफाइल की आवश्यकता को रेखांकित 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
रसायन विज्ञान प्रयोगशाला में, सीखना एक शारीरिक क्रिया है। केवल किसी अभिक्रिया के पीछे के सिद्धांत को जानना ही पर्याप्त नहीं है; एक छात्र को कांच के बर्तनों को संभालना, तरल पदार्थ के प्रवाह को नियंत्रित करना, सूक्ष्म रंग परिवर्तनों पर नज़र रखना और सटीकता के साथ परिणाम दर्ज करना भी सीखना चाहिए। यह व्यावहारिक कौशल का क्षेत्र है, जहाँ ज्ञान हाथ से मिलता है। पारंपरिक रूप से, जब प्रशिक्षक इन कौशलों का मूल्यांकन करते हैं, तो वे अक्सर एक जटिल प्रदर्शन को एक एकल संख्या में कम कर देते हैं। एक छात्र को टाइट्रेशन प्रयोग के लिए पचासी (85) का ग्रेड मिल सकता है, जो एक ऐसा कार्य है जिसमें घोल तैयार करना, ब्यूरेट (buret) चलाना, रंग परिवर्तन को पहचानना और प्रक्रिया को दोहराना शामिल है। हालाँकि, वह एकल स्कोर एक भारी कंबल की तरह कार्य करता है, जो इस बात के विशिष्ट विवरणों को छिपा देता है कि छात्र ने वास्तव में कैसा प्रदर्शन किया। यह हमें परिणाम तो बताता है, लेकिन यह अक्सर यह बताने में विफल रहता है कि क्या छात्र को तरल को रोकने के लिए आवश्यक स्थिर हाथ के साथ संघर्ष करना पड़ा, या शायद रंग परिवर्तन को देखने के लिए आवश्यक आँखों के साथ, या बस कार्य को लगातार दोहराने के धैर्य के साथ।
यह सीमा शिक्षा में एक अंध बिंदु (blind spot) पैदा करती है। यदि दो छात्रों को बिल्कुल समान ग्रेड प्राप्त होते हैं, तो एक शिक्षक यह मान सकता है कि उनकी ताकत और कमजोरियां समान हैं। लेकिन क्या होगा यदि एक छात्र रंग परिवर्तन को पहचानने में उत्कृष्ट है लेकिन प्रवाह को नियंत्रित करने में कमजोर है, जबकि दूसरा इसके विपरीत है? उनके पास एक ही कुल स्कोर होगा, फिर भी उन्हें सुधार के लिए पूरी तरह से अलग सहायता की आवश्यकता होगी। इंडोनेशिया के यूनिवर्सिटास नेगेरी सेमारंग के शोधकर्ताओं ने यह देखने के लिए प्रयास किया कि क्या वे इस एकल ग्रेड को हटाकर छात्र के प्रदर्शन की वास्तविक, विस्तृत तस्वीर प्रकट कर सकते हैं। उन्होंने वीडियो विश्लेषण की ओर रुख किया, कृत्रिम बुद्धिमत्ता (AI) का उपयोग मानव निर्णय को बदलने के लिए नहीं, बल्कि फुटेज के घंटों को एक संरचित मानचित्र में व्यवस्थित करने के लिए किया कि क्या हुआ था। उनका लक्ष्य यह देखना था कि क्या तकनीक उन छात्रों के बीच छिपे हुए अंतरों को उजागर कर सकती है जो पारंपरिक स्कोर के आधार पर समान रूप से कुशल प्रतीत होते हैं।
शोधकर्ताओं ने छब्बीस स्नातक छात्रों को एक मानक अम्ल-क्षार (acid-base) टाइट्रेशन करते हुए रिकॉर्ड किया। इस प्रयोग में, एक छात्र एक लंबे कांच के ट्यूब, जिसे ब्यूरेट कहा जाता है, से एक तरल को धीरे-धीरे एक फ्लास्क में तब तक डालता है जब तक कि एक विशिष्ट रंग परिवर्तन अभिक्रिया के पूर्ण होने का संकेत न दे दे। टीम ने वीडियो को स्कैन करने और क्रिया के विशिष्ट क्षणों का पता लगाने के लिए एक कंप्यूटर सिस्टम का उपयोग किया, जैसे कि जब छात्र ने ट्यूब पकड़ी थी, जब उन्होंने तरल को देखा था, या जब उन्होंने प्रवाह को रोका था। इस प्रणाली ने छात्रों को अपने आप ग्रेड नहीं दिया। इसके बजाय, इसने एक शक्तिशाली खोज इंजन के रूपach कार्य किया, जिसने वीडियो में साक्ष्य खोजे और उन्हें पच्चीस छोटे श्रेणियों, या सूक्ष्म-कौशलों (micro-skills) में व्यवस्थित किया, जिन्हें फिर "पिपेटिंग", "ब्यूरेट संचालन" और "एंडपॉइंट अवलोकन" जैसे सात व्यापक क्षेत्रों में समूहित किया गया। मानव समीक्षकों ने यह सुनिश्चित करने के लिए इन निष्कर्षों की जाँच की कि कंप्यूटर ने क्रियाओं की सही पहचान की है।
अध्ययन ने एक चौंकाने वाली वास्तविकता को उजागर किया: इन छात्रों को दिया गया एकल ग्रेड उनकी वास्तविक क्षमताओं का एक खराब प्रतिबिंब था। जब शोधकर्ताओं ने छात्रों के विस्तृत प्रोफाइल देखे, तो उन्होंने पाया कि कई छात्रों को बिल्कुल समान समग्र स्कोर प्राप्त हुआ था, फिर भी उनके प्रदर्शन पैटर्न पूरी तरह से अलग थे। वास्तव में, छात्रों के उन जोड़ों में से जिन्होंने समान अंतिम स्कोर साझा किया था, उनमें से लगभग नब्बे प्रतिशत के विभिन्न कौशलों में अलग-अलग ताकत और कमजोरियां थीं। एक छात्र रंग परिवर्तन को पहचानने में बहुत अच्छा हो सकता था लेकिन सही समय पर तरल को रोकने में संघर्ष कर रहा था, जबकि दूसरा तरल को पूरी तरह से नियंत्रित कर सकता था लेकिन रंग परिवर्तन को चूक गया होगा। एकल ग्रेड ने इन दो बहुत अलग कहानियों को एक समान संख्या में संकुचित कर दिया था, जिससे वे विशिष्ट विवरण मिट गए जिनकी एक शिक्षक को उपयोगी फीडबैक देने के लिए आवश्यकता होती है।
विश्लेषण ने इस कौशल को सीखने में एक विशिष्ट बाधा (bottleneck) को भी रेखांकित किया। डेटा ने दिखाया कि अधिकांश छात्र उस रंग परिवर्तन को देखने में काफी अच्छे थे जो प्रयोग के अंत का संकेत देता है। हालांकि, प्रदर्शन में एक तीव्र गिरावट तब देखी गई जब बात उस सटीक क्षण पर तरल के प्रवाह को रोकने की भौतिक क्रिया की आई। जबकि अस्सी प्रतिशत छात्र रंग को सफलतापूर्वक पहचान लेते थे, केवल लगभग चालीस प्रतिशत ही समय पर और नियंत्रित तरीके से प्रवाह को रोकने में सक्षम थे। यह सुझाव देता है कि घटना को देखना और उस पर शारीरिक रूप से प्रतिक्रिया करना दो अलग-अलग चुनौतियाँ हैं। इसके अलावा, अध्ययन में पाया गया कि जो छात्र एक सफल परीक्षण पूरा करने में सक्षम रहे, वे अक्सर कार्य को फिर से दोहराने के लिए कहे जाने पर उसी निरंतरता को दिखाने में विफल रहे। एक बार प्रक्रिया को सफलतापूर्वक करने की क्षमता का अर्थ यह गारंटी नहीं था कि वे इसे दोबारा विश्वसनीय रूप से कर पाएंगे, जो वैज्ञानिक कार्य के लिए एक महत्वपूर्ण अंतर है जिसे एकल ग्रेड ने पूरी तरह से छोड़ दिया था।
शोधकर्ता सावधानीपूर्वक यह नोट करते हैं कि उनकी स्वचालित प्रणाली पूर्ण नहीं थी और इसके लिए महत्वपूर्ण मानवीय पर्यवेक्षण की आवश्यकता थी। इस विशिष्ट अध्ययन में, डेटा बिंदुओं का विशाल बहुमत को मैन्युअल समीक्षा के लिए चिह्नित किया गया था क्योंकि कंप्यूटर स्वयं वीडियो साक्ष्य की व्याख्या करने में आश्वस्त नहीं हो सका। इसका अर्थ यह है कि निष्कर्ष किसी मशीन द्वारा छात्रों को अलग-थलग होकर ग्रेड देने का परिणाम नहीं हैं, बल्कि यह इस बात का प्रदर्शन है कि कैसे वीडियो साक्ष्य, जब मनुष्यों द्वारा सावधानीपूर्वक व्यवस्थित और जांचा जाता है, उन पैटर्न को प्रकट कर सकता है जिन्हें एक साधारण स्कोर छिपा देता है। अध्ययन यह दावा नहीं करता है कि कंप्यूटर ग्रेडिंग प्रक्रिया को संभालने के लिए तैयार है, बल्कि यह कि यह शिक्षकों को छात्र के प्रदर्शन की पूरी तस्वीर देखने में मदद करने के लिए एक शक्तिशाली उपकरण के रूप में कार्य कर सकता है।
अंततः, यह कार्य सुझाव देता है कि व्यावहारिक विज्ञान शिक्षा में, संपूर्ण हमेशा अपने भागों के योग के बराबर नहीं होता है, और कभी-कभी योग भागों को पूरी तरह से छिपा देता है। एक एकल ग्रेड एक प्रशासक को यह बता सकता है कि छात्र उत्तीर्ण हुआ है, लेकिन यह एक शिक्षक को यह नहीं बता सकता कि उस छात्र को आगे क्या सीखने की आवश्यकता है। प्रदर्शन को उसके व्यक्तिगत घटकों में तोड़ने के लिए वीडियो का उपयोग करके, शिक्षक छात्रों को रैंक करने से आगे बढ़कर उनकी विशिष्ट आवश्यकताओं का निदान करना शुरू कर सकते हैं। अध्ययन निष्कर्ष निकालता है कि डिजिटल मूल्यांकन के वास्तव में उपयोगी होने के लिए, इसे छात्र के कौशलों के विस्तृत प्रोफाइल को उसके अंतिम स्कोर के साथ संरक्षित करना चाहिए। तभी छात्र को दिया गया फीडबैक उतना ही सटीक और सहायक हो सकता है जितना कि वह क्रिया जिसे वे सिद्ध करने का प्रयास कर रहे 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।