Generative AI Adoption in Statistics and Data Science Higher Education
एक अनुकूलित UTAUT2 मॉडल का उपयोग करने वाले 72 मिस्र के वरिष्ठ स्नातक छात्रों के एक अध्ययन से पता चलता है कि जबकि उपयोग में आसानी और सहायता सांख्यिकी और डेटा विज्ञान शिक्षा में जेनरेटिव एआई (Generative AI) को अपनाने के लिए दृढ़ता से प्रेरित करते हैं, जिम्मेदार अनुशासनात्मक अनुप्रयोग के लिए केवल व्यवहारिक इरादे से परे सत्यापन और सांख्यिकीय निर्णय जैसे अतिरिक्त महत्वपूर्ण कौशल की आवश्यकता होती 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, एक नए प्रकार का सहायक आया है, जो केवल तथ्यों को खोजता ही नहीं बल्कि सेकंडों में कोड लिखता है, समीकरण हल करता है और स्पष्टीकरण तैयार करता है। यह तकनीक, जिसे जनरेटिव आर्टिफिशियल इंटेलिजेंस (generative artificial intelligence) के रूप में जाना जाता है, नवीनता से आवश्यकता की ओर तेजी से बढ़ी है, विशेष रूप से सांख्यिकी (statistics) और डेटा विज्ञान जैसे क्षेत्रों में जहाँ छात्रों को निरंतर अमूर्त अवधारणाओं को कार्यशील प्रोग्रामों और स्पष्ट तर्कों में अनुवादित करना होता है। शिक्षकों के लिए, केंद्रीय प्रश्न यह नहीं रह गया है कि क्या छात्र इन उपकरणों का उपयोग करेंगे, बल्कि यह है कि वे इनका उपयोग कैसे करेंगे। चुनौती केवल एक उपकरण को अपनाने और उसका जिम्मेदारी से उपयोग करने के बीच के अंतर में निहित है। एक छात्र आसानी से एआई से कंप्यूटर प्रोग्राम लिखने के लिए कह सकता है, लेकिन वह सहजता एक सूक्ष्म जाल को छिपा सकती है: कोड पूरी तरह से चल सकता है जबकि उसके पीछे का तर्क त्रुटिपूर्ण हो सकता है, या स्पष्टीकरण आत्मविश्वास से भरा लग सकता है जबकि गणित गलत हो सकता है। उन विषयों में जहाँ किसी निष्कर्ष की वैधता कठोर जाँच और ठोस निर्णय पर निर्भर करती है, उपकरण की गति कभी-कभी काम को सत्यापित करने की छात्र की क्षमता से अधिक तेज हो सकती है।
यह समझने के लिए कि वास्तविक शिक्षण वातावरण में यह गतिशीलता कैसे काम करती है, अमेरिकन यूनिवर्सिटी इन काहिरा के एक शोधकर्ता ने टाइम सीरीज़ (time series) और कैटेगोरिकल डेटा एनालिसिस (categorical data analysis) के उन्नत पाठ्यक्रमों में नामांकित बहत्तर सीनियर छात्रों का सर्वेक्षण किया। ये नौसिखिए नहीं थे; ये वे छात्र थे जो पहले से ही प्रोग्रामिंग भाषाओं और जटिल सांख्यिकीय मॉडलों के साथ सहज थे, और एक ऐसे परिवेश में काम कर रहे थे जहाँ आर्टिफिशियल इंटेलिजेंस का उपयोग कोड को डीबग करने, परिणामों की व्याख्या करने या कठिन अवधारणाओं को स्पष्ट करने के लिए किया जा सकता था। शोधकर्ता ने इन छात्रों से तकनीक के संबंध में उनकी आदतों और भावनाओं का वर्णन करने के लिए कहा, जिसमें एक ऐसा ढांचा उपयोग किया गया जो लोगों द्वारा नए उपकरणों को अपनाने के कारणों को कुछ मुख्य विचारों में विभाजित करता है: उपकरण का उपयोग करना कितना आसान है, स्कूल कितना समर्थन प्रदान करता है, और छात्र को तकनीक को संभालने में स्वयं के कौशल पर कितना विश्वास है। लक्ष्य यह देखना था कि वास्तव में कौन से कारक छात्रों को एआई का उपयोग करने के लिए प्रेरित करते हैं, और क्या वह इरादा उनके वास्तविक उपयोग में परिवर्तित हुआ।
अध्ययन में पाया गया कि छात्रों के जनरेटिव एआई का उपयोग करने का सबसे मजबूत कारण केवल इससे होने वाली मेहनत की बचत थी। जब तकनीक ने एक भ्रमित करने वाली अवधारणा से एक कार्यशील समाधान तक पहुँचने को आसान बना दिया, तो छात्र इसे अपने दैनिक कार्यप्रवाह में शामिल करने के लिए बहुत अधिक इच्छुक थे। यह कारक, जिसे शोधकर्ता 'एफर्ट एक्सपेक्टेंसी' (effort expectancy) कहते हैं, छात्रों के अपने कौशल में सामान्य आत्मविश्वास या प्रशिक्षकों से प्राप्त विशिष्ट सहायता की तुलना में कहीं अधिक शक्तिशाली चालक था। हालांकि एक सहायक वातावरण और व्यक्तिगत आत्मविश्वास ने भी भूमिका निभाई, लेकिन एकीकरण की सुगमता प्राथमिक द्वारपाल थी। एक बार जब छात्र ने उपकरण का उपयोग करने का इरादा बना लिया, तो उस इरादे ने यह मजबूती से भविष्यवाणी की कि वे वास्तव में इसका उपयोग करेंगे, जिससे यह भावना कि उपकरण सुविधाजनक है, उसे अपनी अध्ययन दिनचर्या का नियमित हिस्सा बनाने के बीच एक स्पष्ट मार्ग बन गया।
हालाँकि, शोध ने उपकरण का उपयोग करने और उसका कुशलतापूर्वक उपयोग करने के बीच एक महत्वपूर्ण अंतर भी प्रकट किया। सर्वेक्षण में भाग लेने वाले छात्रों ने एआई की तात्कालिकता की सराहना की, यह उल्लेख करते हुए कि यह उन्हें जटिल विचारों को सरल बनाने और कोड तेजी से लिखने में कैसे मदद करता है। फिर भी, उन्होंने अपने शब्दों में, प्राप्त उत्तरों की विश्वसनीयता के बारें में गहरी चिंता भी व्यक्त की। उन्होंने ऐसे उदाहरणों का वर्णन किया जहाँ एआई ने गलत गणनाएँ प्रदान कीं, ऐसा कोड बनाया जो सही दिखता था लेकिन काम करने में विफल रहा, या ऐसे स्पष्टीकरण दिए जो उनके कक्षा में सीखे गए ज्ञान के विपरीत थे। कई छात्रों को तकनीक पर बहुत अधिक निर्भर होने की चिंता थी, उन्हें डर था कि सुविधा उनके स्वयं के आलोचनात्मक सोच कौशल को कम कर सकती है। उन्होंने इस बात पर जोर दिया कि हालांकि उपकरण शुरुआत करने के लिए उपयोगी था, लेकिन यह उनके हर कदम को सत्यापित करने, मॉडल के पीछे के अनुमानों की जाँच करने और अंतिम आउटपुट को सांख्यिकीय रूप से सटीक सुनिश्चित करने की आवश्यकता को प्रतिस्थापित नहीं कर सकता था।
अध्ययन यह निष्कर्ष निकालता है कि हालांकि तकनीक को उपयोग में आसान बनाना छात्रों को इसे अपनाने का सबसे प्रभावी तरीका है, लेकिन सहजता का अर्थ जिम्मेदार उपयोग की गारंटी नहीं है। उन्नत सांख्यिकी और डेटा विज्ञान के विशिष्ट संदर्भ में, वे कारक जो एक छात्र को उपकरण उठाने के लिए प्रोत्साहित करते हैं, वे उन कारकों के समान नहीं हैं जो यह सुनिश्चित करते हैं कि वे इसका सही ढंग से उपयोग करेंगे। शोध सुझाव देता है कि शिक्षा को इस तकनीक के साथ तालमेल बिठाने के लिए, प्रशिक्षकों को केवल अपनाने के मापदंडों से आगे देखना चाहिए। वास्तविक शैक्षिक चुनौती केवल छात्रों को एआई का उपयोग करने के लिए प्रेरित करना नहीं है, बल्कि उन्हें इसका उपयोग करते समय अपने विवेक को बनाए रखना सिखाना है। इसका अर्थ है ऐसे असाइनमेंट बनाना जिनमें छात्रों को एआई-जनित कार्य में त्रुटियाँ खोजने, अपने मॉडल चयन को न्यायसंगत ठहराने और यह स्पष्ट रूप से बताने की आवश्यकता हो कि उन्होंने परिणामों को कैसे सत्यापित किया। अध्ययन संकेत देता है कि इन विशिष्ट सुरक्षा उपायों के बिना, वही सहजता जो इस उपकरण को इतना लोकप्रिय बनाती है, छात्रों को उन उत्तरों को स्वीकार करने के लिए प्रेरित कर सकती है जिनके लिए उस क्षेत्र की परिभाषा के अनुरूप आवश्यक सूक्ष्म जाँच की आवश्यकता होती है।
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।