How Undergraduates Interact with a Generative AI Peer: Eight Participation Roles and the Conditions for Effective Collaboration in University Mathematics
यह अध्ययन मानव-जेनएआई (GenAI) सहयोगात्मक समस्या समाधान में आठ विशिष्ट स्नातक भागीदारी भूमिकाओं की पहचान करता है, जो यह प्रदर्शित करता है कि जो छात्र साझा संज्ञानात्मक अवस्थाओं को सक्रिय रूप से बनाए रखते हैं और तर्क को स्पष्ट रूप से व्यक्त करते हैं, वे उन छात्रों की तुलना में काफी बेहतर परिणाम प्राप्त करते हैं जो कार्यों को सौंप देते हैं या विमुख हो जाते हैं, जिससे प्रभावी एआई-सहकर्मी सहयोग को बढ़ावा देने के लिए विचारशील कार्य डिज़ाइन और फीडबैक लूप की महत्वपूर्ण आवश्यकता पर प्रकाश पड़ता 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 साथी आया है, जो डेस्क पर नहीं बैठता बल्कि उस सॉफ़्टवेयर के भीतर रहता है जिसका उपयोग छात्र सीखने के लिए करते हैं। यह साथी एक जनरेटिव आर्टिफिशियल इंटेलिजेंस (AI) है, जो एक ऐसी प्रणाली है जो बातचीत करने, प्रश्न पूछने और समस्याओं को हल करने में मदद करने में सक्षम है। वर्षों से, शिक्षक यह सोचते आए हैं कि छात्र वास्तव में इन उपकरणों के साथ कैसे काम करते हैं। क्या वे कंप्यूटर को एक स्मार्ट ट्यूटर के रूप में देखते हैं जिसे निर्देशित किया जाना चाहिए, या एक सर्च इंजन के रूप में जिसे केवल क्वेरी की जानी चाहिए? क्या वे इसके साथ गहराई से सोचते हैं, या वे केवल उत्तर मांगते हैं और आगे बढ़ जाते हैं? यह प्रश्न महत्वपूर्ण है क्योंकि एक छात्र का मशीन के साथ व्यवहार यह निर्धारित कर सकता है कि वे वास्तव में सामग्री को सीखते हैं या केवल असाइनमेंट पूरा करते हैं। शोधकर्ता अब इस मानव-मशीन साझेदारी के परिदृश्य को मैप करने की कोशिश कर रहे हैं, और उन विशिष्ट व्यवहारों की तलाश कर रहे हैं जो वास्तविक समझ की ओर ले जाते हैं और वे जो सतही परिणामों की ओर ले जाते हैं।
शोधकर्ताओं की एक टीम ने उच्च-दांव वाले विश्वविद्यालय गणित के वातावरण में इस गतिशीलता को खोजने के लिए एक प्रयास किया। उन्होंने एक डिजिटल स्थान बनाया जहाँ तीस स्नातक छात्रों ने जटिल कैलकुलस समस्याओं को हल करने के लिए एक आर्टिफिशियल इंटेलिजेंस साथी के साथ काम किया। सेटअप इस तरह डिज़ाइन किया गया था कि न तो छात्र और न ही कंप्यूटर अकेले समस्या को हल कर सकता था। छात्र के पास आवश्यक जानकारी का कुछ हिस्सा था, और कंप्यूटर के पास बाकी हिस्सा था। समाधान खोजने के लिए, उन्हें बात करनी थी, जो वे जानते थे उसे साझा करना था, और अपने चरणों का समन्वय करना था। यह एक वास्तविक सहयोग के लिए मजबूर करता था न कि एक साधारण लेनदेन के लिए जहाँ छात्र एक प्रश्न पूछता है और मशीन उत्तर प्रदान करती है। शोधकर्ताओं ने प्रत्येक संदेश और क्रिया को रिकॉर्ड किया, और बातचीत का विश्लेषण करने और यह निर्धारित करने के लिए कि जोड़ी कितनी अच्छी तरह मिलकर काम कर रही है, एक परिष्कृत प्रणाली का उपयोग किया।
अध्ययन से पता चला कि छात्र सभी एक ही तरह से AI के साथ बातचीत नहीं करते थे। व्यवहार के एक एकल पैटर्न के बजाय, शोधकर्ताओं ने उन आठ विशिष्ट भूमिकाओं की पहचान की जो छात्रों ने इन सत्रों के दौरान निभाईं। स्पेक्ट्रम के एक छोर पर वे छात्र थे जिन्होंने "सह-नियामक" (Co-Regulators) के रूप में कार्य किया। इन व्यक्तियों ने AI को एक वास्तविक सोचने वाले साथी के रूप में माना। उन्होंने अपने स्वयं के तर्क को समझाया, अपनी समझ की कंप्यूटर के सुझावों के विरुद्ध जांच की, और एक साझा चित्र बनाने के लिए मिलकर काम किया। उन्होंने अपने विचारों को बाहरी रूप दिया, जिससे उनकी मानसिक प्रक्रिया मशीन के लिए दृश्यमान हो गई ताकि वह सार्थक प्रतिक्रिया दे सके। दूसरे छोर पर वे छात्र थे जिन्होंने "जल्द विमुख होने वाले" (Early Disengagers) या "कम प्रयास वाले अनुमान लगाने वाले" (Low-Effort Guessers) के रूप में कार्य किया। इन छात्रों ने सहयोगात्मक प्रक्रिया के साथ बहुत कम जुड़ाव दिखाया। वे या तो उत्तर मांग सकते थे, बिना किसी प्रश्न के उसे स्वीकार कर सकते थे, या कार्य कठिन होने पर जल्दी हार मान सकते थे। इन चरम सीमाओं के बीच अन्य भूमिकाएँ भी थीं, जैसे कि "डेलीगेटिंग डायरेक्टर" (Delegating Director), जो सक्रिय तो रहते थे लेकिन कठिन काम कंप्यूटर को सौंप देते थे, या "मिसअलाइन्ड फॉलोअर" (Misaligned Follower), जो AI का अनुसरण करने की कोशिश करते थे लेकिन समस्या की सही साझा समझ बनाने में विफल रहते थे।
परिणामों ने इस बात के बीच एक स्पष्ट संबंध दिखाया कि एक छात्र AI के साथ कैसे बातचीत करता है और क्या वह सफल होता है। जिन छात्रों ने उच्च स्तर की बातचीत बनाए रखी, जानकारी साझा की और चरणों के माध्यम से मिलकर तर्क दिया, उनके दोनों समस्याओं को सही ढंग से हल करने की संभावना बहुत अधिक थी। वास्तव में, उच्च-परस्पर क्रिया (high-interaction) समूह के छात्र के कार्यों को हल करने की संभावना, निम्न-परस्पर क्रिया समूह की तुलना में लगभग ग्यारह गुना अधिक थी। हालाँकि, शोधकर्ताओं ने पाया कि केवल अधिक बात करना पूरी कहानी नहीं थी। कुछ छात्र जिन्होंने समस्याओं को हल किया, उन्होंने AI की मदद को दरकिनार करके या उसके इर्द-गिर्द काम करके बहुत कम दृश्य सहयोग के साथ इसे किया। इसके विपरीत, कुछ छात्र जो AI के साथ बहुत अधिक बात करते थे, वे वास्तव में अंतर्निहित तर्क को समझे बिना केवल अंकगणित कर रहे थे या संख्याओं का अनुमान लगा रहे थे। बातचीत की गुणवत्ता, मात्रा से अधिक महत्वपूर्ण थी। सबसे उत्पादक बातचीत वे थीं जहाँ छात्र ने अपने तर्क को दृश्यमान रखा, समस्या की स्थिति की एक साझा समझ बनाए रखी, और मानसिक कार्य को स्वयं और मशीन के बीच निष्पक्ष रूप से वितरित किया।
इन जटिल बातचीत को समझने के लिए, शोधकर्ताओं ने स्वचालित रूप से सहयोग को मापने का एक नया तरीका विकसित किया। उन्होंने चैट लॉग को पढ़ने और टीम वर्क के स्थापित ढांचों के आधार पर बातचीत को स्कोर करने के लिए आर्टिफिशियल इंटेलिजेंस एजेंटों की एक प्रणाली का उपयोग किया। यह प्रणाली पहचान सकती थी कि छात्र योजना बना रहा है, निगरानी कर रहा है, या जानकारी साझा कर रहा है, जिससे सहयोग प्रक्रिया का एक विस्तृत मानचित्र प्राप्त होता था। स्वचालित स्कोरिंग ने आशाजनक परिणाम दिखाए, जो सामान्य प्रकार के व्यवहार के मामले में मानव विशेषज्ञों के साथ लगभग 60% बार सहमत थी, और व्यापक श्रेणियों को देखते समय और भी बेहतर थी। यह सुझाव देता है कि मानव-AI टीम वर्क का विश्लेषण उस पैमाने पर करना संभव है जो पहले असंभव था, जो केवल टेस्ट स्कोर से आगे बढ़कर सीखने की वास्तविक प्रक्रिया को समझने की ओर बढ़ता है।
अध्यदन इस निष्कर्ष पर पहुँचता है कि एक छात्र और एक AI साथी के बीच का संबंध केवल एक उपकरण के उपयोग का मामला नहीं है। यह एक जटिल सामाजिक संपर्क है जहाँ छात्र का दृष्टिकोण परिणाम निर्धारित करता है। यदि छात्र AI को एक ऐसे साथी के रूप में मानता है जिसके साथ सोचा जा सके, अपने तर्क को बाहरी रूप दे सके और चरणों पर चर्चा कर सके, तो वे गहराई से सीखने की संभावना रखते हैं। यदि वे इसे उत्तर के शॉर्टकट के रूप में देखते हैं, तो वे कार्य तो पूरा कर सकते हैं लेकिन सीखने से चूक सकते हैं। शोधकर्ता सुझाव देते हैं कि भविष्य के शैक्षिक उपकरणों को इन विभिन्न भूमिकाओं को पहचानने के लिए डिज़ाइन किया जाना चाहिए। सभी को एक जैसी मदद देने के बजाय, एक AI प्रणाली यह पता लगा सकती है कि छात्र बहुत अधिक काम सौंप रहा है या विमुख हो रहा है, और फिर गहरे विचार को प्रोत्साहित करने के लिए अपने प्रॉम्प्ट्स को समायोजित कर सकती है। इन नए साथियों के साथ छात्रों के बातचीत करने के विशिष्ट तरीकों को समझकर, शिक्षक बेहतर शिक्षण अनुभव तैयार कर सकते हैं जो आर्टिफिशियल इंटेलिजेंस को मानव समझ के लिए एक वास्तविक उत्प्रेरक में बदल देते 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।