Privacy-Preserving Artificial Intelligence in Digital Learning: A Systematic Review of Federated Learning, Differential Privacy, Security, and Educational Utility in Higher Education
उच्च शिक्षा में गोपनीयता-संरक्षण (privacy-preserving) एआई पर 33 अध्ययनों के इस व्यवस्थित समीक्षा से पता चलता है कि जहाँ फेडरेटेड लर्निंग और डिफरेंशियल प्राइवेसी जैसी तकनीकें सीखने की उपयोगिता को बनाए रख सकती हैं, वहीं वर्तमान में इस क्षेत्र में कठोर सुरक्षा मूल्यांकनों, वास्तविक दुनिया के बहु-संस्थानिक क्रियान्वयन और शैक्षिक प्रभाव के व्यापक आकलन का अभाव 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
आधुनिक कक्षा में, सीखना अब केवल एक शिक्षक और छात्र के बीच की बातचीत नहीं रह गया है; यह डिजिटल पदचिह्नों (digital footprints) की एक धारा बन गया है। वीडियो पर किया गया हर क्लिक, क्विज़ पर लिया गया हर विराम, और चर्चा बोर्ड (discussion board) पर टाइप किया गया हर शब्द रिकॉर्ड किया जाता है। ये रिकॉर्ड शिक्षकों को उन छात्रों को पहचानने की शक्ति देते हैं जो संघर्ष कर रहे हैं ताकि वे असफल होने से पहले उनकी मदद कर सकें, व्यक्तिगत जरूरतों के अनुसार पाठ तैयार कर सकें, और भविष्य के लिए बेहतर पाठ्यक्रम की योजना बना सकें। हालाँकि, यह विस्तृत जानकारी अत्यंत व्यक्तिगत भी है। यह किसी छात्र की विकलांगता, उनके घरेलू जीवन, उनकी मनोवैज्ञानिक स्थिति या उनके राजनीतिक विचारों को प्रकट कर सकती है। यदि इस डेटा को एक विशाल केंद्रीय कंप्यूटर में एकत्र किया जाता है, तो यह हैकर्स के लिए एक लुभावना लक्ष्य बन जाता है और इस बात पर गंभीर प्रश्न खड़े करता है कि इसे कौन देख सकता है और इसका उपयोग किसी व्यक्ति के भविष्य को आंकने या सीमित करने के लिए कैसे किया जा सकता है।
इसे हल करने के लिए, शोधकर्ताओं ने ऐसे उपकरणों का एक सेट विकसित किया है जो कंप्यूटर को कच्चे, निजी रिकॉर्ड देखे बिना डेटा से सीखने में सक्षम बनाता है। एक दृष्टिकोण, जिसे 'फेडरेटेड लर्निंग' (federated learning) कहा जाता है, उन पड़ोसियों के समूह की तरह है जो एक बेहतर केक बनाने के लिए मिलकर सीखना चाहते हैं, लेकिन बिना एक-दूसरे को अपने रसोईघर में आमंत्रित किए। एक केंद्रीय बेकर को अपनी गुप्त पारिवारिक रेसिपी भेजने के बजाय, वे प्रत्येक अपने घर में एक छोटा बैच बनाते हैं, केवल रेसिपी को सुधारने के निर्देश साझा करते हैं, और फिर उन निर्देशों को मिलाकर एक बेहतर मास्टर रेसिपी बनाते हैं। एक अन्य विधि, जिसे 'डिफरेंशियल प्राइवेसी' (differential privacy) के रूप में जाना जाता है, डेटा में थोड़ी मात्रा में गणितीय "शोर" (noise) या "स्टैटिक" जोड़ने का काम करती है, जो बिल्कुल वैसा ही है जैसे कोई रेडियो स्टेशन सिग्नल प्रसारित करते समय हल्की सरसराहट जोड़ देता है ताकि कोई भी किसी एक आवाज को अलग न कर सके। यह सुनिश्चित करता है कि अंतिम परिणाम समूह के लिए उपयोगी हो, लेकिन किसी भी व्यक्ति के योगदान को उससे वापस नहीं जोड़ा जा सकता। आज विश्वविद्यालयों के सामने सवाल यह है कि क्या ये चतुर तकनीकें वास्तव में वास्तविक दुनिया में काम कर सकती हैं ताकि छात्रों की सुरक्षा करते हुए उन्हें सीखने में मदद मिल सके।
शोधकर्ताओं की एक टीम ने इन विषयों पर 2018 और सितंबर 2026 के बीच प्रकाशित प्रत्येक उपलब्ध अध्ययन को देखकर उत्तर खोजने का प्रयास किया। उन्होंने लगभग चार हजार वैज्ञानिक शोध पत्रों को छाना, और अपना ध्यान उन तैंतीस अध्ययनों तक सीमित किया जिन्होंने उच्च शिक्षा परिवेश में इन गोपनीयता उपकरणों का परीक्षण किया था। उनका लक्ष्य यह देखना था कि क्या ये तकनीकें ड्राइंग बोर्ड से आगे बढ़कर वास्तविक कॉलेजों और विश्वविद्यालयों के लिए विश्वसनीय, उपयोगी उपकरण बन गई हैं। उन्होंने पाया कि तकनीकी प्रगति का परिदृश्य तीव्र है, लेकिन यह अभी तक वास्तविक दुनिया के अनुप्रयोगों के साथ तालमेल नहीं बिठा पाया है। शोधकर्ताओं ने पाया कि यह तकनीक नियंत्रित प्रयोगों में अच्छी तरह काम करती है। पंद्रह अध्ययनों में, फेडरेटेड लर्निंग के "पड़ोस" वाले दृष्टिकोण ने कंप्यूटर को छात्र डेटा को स्थानांतरित किए बिना उससे सीखने की अनुमति दी, जिससे लगभग उतने ही अच्छे परिणाम प्राप्त हुए जितने कि तब मिलते जब सारा डेटा एक ही स्थान पर एकत्र किया गया होता। अन्य अध्ययनों में, डिफरेंशियल प्राइवेसी का "स्टैटिक" जोड़ने या नकली, सिंथेटिक छात्र रिकॉर्ड बनाने से शोधकर्ताओं को ऐसे मॉडल बनाने की अनुमति मिली जो यह भविष्यवाणी कर सकते थे कि कौन सा छात्र पाठ्यक्रम छोड़ सकता है, और यह सब व्यक्तिगत पहचान को सुरक्षित रखते हुए किया गया।
हालाँकि, इस अध्ययन ने एक कंप्यूटर सिमुलेशन और एक विश्वविद्यालय के बीच के महत्वपूर्ण अंतर को उजागर किया। तीस में से अधिकांश अध्ययन कई परिसरों में जीवित छात्रों पर किए गए परीक्षण नहीं थे; वे पुराने डेटा या कंप्यूटर द्वारा बनाए गए छात्रों के सिम्युलेटेड समूहों पर किए गए प्रयोग थे। शोधकर्ताओं ने पाया कि जबकि इन गोपनीयता उपकरणों ने सटीक भविष्यवाणियां करने की क्षमता को अक्सर बरकरार रखा, उन्होंने शायद ही कभी यह सिद्ध किया कि क्या वे एक दृढ़ हमले का सामना कर सकते हैं। बहुत कम अध्ययनों ने यह परीक्षण किया कि क्या एक हैकर अभी भी साझा किए गए निर्देशों को देखकर छात्र की पहचान का पता लगा सकता है, या क्या एक दुर्भावनापूर्ण कर्ता सिस्टम को गलत चीजें सीखने के लिए धोखा दे सकता है। इसके अलावा, अध्ययनों ने सफलता को मुख्य रूप से कंप्यूटर की भविष्यवाणियों की सटीकता के आधार पर मापा, न कि इस आधार पर कि क्या छात्रों ने वास्तव में अधिक सीखा, वे स्कूल में लंबे समय तक टिके रहे, या वे सुरक्षित महसूस करते थे। तकनीक ने दिखाया कि यह एक टेस्ट ट्यूब में डेटा को निजी रख सकती है, लेकिन यह अभी तक एक विश्वविद्यालय प्रणाली की जटिल और अव्यवस्थित वास्तविकता में काम करने के लिए सिद्ध नहीं हुई है, जहाँ बजट, कानून और मानवीय विश्वास कोड जितना ही महत्वपूर्ण होते हैं।
इस समीक्षा ने यह भी रेखांकित किया कि यह क्षेत्र अभी परिपक्वता के शुरुआती चरणों में है। हालांकि अध्ययनों की संख्या तेजी से बढ़ी है, जिसमें आधे से अधिक पिछले दो वर्षों में आए हैं, फिर भी साक्ष्य खंडित हैं। कई शोधकर्ताओं ने उन्हीं कुछ सार्वजनिक डेटासेट्स पर भरोसा किया, जिसका अर्थ है कि इन उपकरणों का परीक्षण विभिन्न कॉलेजों, भाषाओं और संस्कृतियों की विविध दुनिया के बजाय वास्तविकता के एक संकीर्ण हिस्से पर किया गया है। शोधकर्ताओं ने नोट किया कि जिन कुछ मामलों में गोपनीयता को औपचारिक रूप से मापा गया, वहां सुरक्षा अक्सर मजबूत थी, लेकिन कई अन्य मामलों में, यह केवल इसलिए मान ली गई क्योंकि डेटा एक स्थानीय सर्वर पर था। यह धारणा खतरनाक है, क्योंकि अध्ययन ने स्पष्ट किया कि डेटा को स्थानीय रखने से स्वतः ही इसे दूसरों द्वारा पुनर्गठित या अनुमानित होने से नहीं रोका जा सकता। लेखकों ने निष्कर्ष निकाला कि हालांकि गोपनीयता-संरक्षण कृत्रिम बुद्धिमत्ता (privacy-preserving AI) का वादा वास्तविक है, लेकिन यह अभी तक एक पूर्ण उत्पाद नहीं है। विश्वविद्यालय केवल एक सिस्टम खरीदकर यह उम्मीद नहीं कर सकते कि यह सुरक्षित और प्रभावी होगा; उन्हें इन उपकरणों को एक आशाजनक बुनियादी ढांचे के रूप में मानना चाहिए जिसके लिए सावधानीपूर्वक, निरंतर परीक्षण और शासन की आवश्यकता है। शोधकर्ताओं का सुझाव है कि आगे का मार्ग अलग-थलग कंप्यूटर सिमुलेशन से हटकर कई विश्वविद्यालयों के बीच वास्तविक दुनिया के सहयोग की ओर बढ़ने में है, जहाँ इन प्रणालियों का वास्तविक हमलों, वास्तविक लागतों और इस सच्चे माप के विरुद्ध परीक्षण किया जा सके कि क्या वे छात्रों को सफल होने में मदद करते 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।