Explainable Dual-view Workflow Discovery for GenAI-supported Learning in Higher Education
यह अध्ययन एक व्याख्यात्मक 'डुअल-व्यू वर्कफ़्लो डिस्कवरी' फ्रेमवर्क प्रस्तुत करता है जो 278 छात्रों के लॉग डेटा का विश्लेषण करके यह प्रकट करता है कि प्रभावी जेनरेटिव एआई (GenAI) समर्थित शिक्षण केवल चैट की आवृत्ति से नहीं, बल्कि लेखन, संशोधन और क्रॉस-रिसोर्स रेगुलेशन में एआई फीडबैक के एकीकरण द्वारा पहचाना जाता 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 ट्यूटर आया है, जो सेकंडों में सवालों के जवाब दे सकता है, पैराग्राफ लिख सकता है और जटिल ग्रंथों का सारांश बना सकता है। यह तकनीक, जिसे जनरेटिव आर्टिफिशियल इंटेलिजेंस (generative artificial intelligence) के रूप में जाना जाता है, तेजी से विश्वविद्यालय के छात्रों के लिए एक मानक उपकरण बनती जा रही है। हालाँकि, एक सरल प्रश्न अनुत्तरित रह गया है: क्या इस उपकरण का उपयोग करना केवल छात्र को सीखने में मदद करता है, या यह केवल गतिविधि का भ्रम पैदा करता है? दशकों से, लर्निंग एनालिटिक्स के शोधकर्ताओं ने समझ लिया है कि सीखने की कहानी अंतिम ग्रेड या इस बात की सरल गणना में नहीं मिलती कि कितनी बार किसी टूल को खोला गया। इसके बजाय, वास्तविक कहानी कार्यों के क्रम में निहित है—पढ़ने, सोचने, लिखने और समय के साथ संशोधन करने की लय में। जिस तरह एक डॉक्टर स्वास्थ्य को समझने के लिए एकल स्नैपशॉट के बजाय रक्त के प्रवाह को देखता है, उसी तरह शिक्षकों को यह देखने की आवश्यकता है कि एक छात्र किसी कार्य के माध्यम से कैसे आगे बढ़ता है ताकि वे समझ सकें कि वे वास्तव में कैसे सीख रहे हैं।
फ्लोरिडा विश्वविद्यालय और मियामी विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस परिदृश्य में एक विशिष्ट पहेली को हल करने का प्रयास किया। वे जानना चाहते थे कि जब छात्र जटिल सूचनात्मक समस्याओं को हल करने के लिए जनरेटिव एआई का उपयोग करते हैं, तो वे वास्तव में अपने काम को कैसे व्यवस्थित करते हैं। अध्ययन ने उन 278 छात्रों पर ध्यान केंद्रित किया जो एक ऐसे पाठ्यक्रम में नामांकित थे जहाँ उन्हें एक विषय पर शोध करना था और एक प्रस्ताव (proposal) लिखना था। शोधकर्ताओं ने केवल इस बात को नहीं देखा कि एक छात्र ने एआई से कितनी बार सवाल पूछा। इसके बजाय, उन्होंने छात्रों द्वारा किए गए प्रत्येक कार्य का एक विस्तृत मानचित्र बनाया, जैसे कि एक स्रोत दस्तावेज़ को पढ़ना, एक वाक्य टाइप करना, एक अंश को हाइलाइट करना या एआई के साथ चैट करना। उन्होंने इन कार्यों को एक टाइमलाइन के रूप में माना, और उन पैटर्न की तलाश की जो विभिन्न छात्रों में दोहराए गए।
शोधकर्ताओं ने पाया कि केवल कार्यों की टाइमलाइन को देखना पर्याप्त नहीं था। एक छात्र पढ़ने और प्रश्न पूछने में लंबा समय बिता सकता है, जबकि दूसरा उतना ही समय लिखने और संशोधन करने में बिता सकता है। पूरी तस्वीर पाने के लिए, टीम ने डेटा को देखने के दो अलग-अलग तरीकों को मिलाया। पहले दृश्य ने घटनाओं के क्रम को ट्रैक किया, जैसे कि छात्र के काम का एक मूवी (फिल्म) हो। दूसरे दृश्य ने छात्र की समग्र आदतों को देखा, जैसे कि एआई से फीडबैक प्राप्त करने के बाद उन्होंने कितना लिखा या उन्होंने अपने काम को कितनी बार संशोधित किया। इन दोनों दृष्टिकोणों को जोड़कर, शोधकर्ता उन विशिष्ट प्रकार की कार्य आदतों की पहचान कर सके जो अकेले किसी भी दृश्य में दिखाई नहीं देती थीं।
विश्लेषण से छात्रों द्वारा एआई के साथ अपने काम के प्रति दो बहुत अलग तरीकों का पता चला। पहला समूह, जिसमें 145 छात्र शामिल थे, ने अन्वेषण (exploration) का मार्ग अपनाया। इन छात्रों ने सामग्री पढ़ने, प्लेटफॉर्म का उपयोग करने और एआई के साथ चैट करने में काफी समय बिताया। उन्होंने कई प्रश्न पूछे और बहुत सारी जानकारी एकत्र की। हालाँकि, डेटा ने दिखाया कि उन्हें इस जानकारी को लिखित कार्य में बदलने में संघर्ष करना पड़ा। उनका लेखन विकास कम था, और उन्होंने अपने ड्राफ्ट में एआई के सुझावों को आत्मसात नहीं किया। वे सक्रिय थे, लेकिन उनकी गतिविधि अंतिम उत्पाद से अलग रही।
दूसरा समूह, जिसमें 133 छात्र शामिल थे, ने एकीकरण (integration) का मार्ग अपनाया। इन छात्रों ने भी एआई का उपयोग किया, लेकिन उनके वर्कफ़्लो ने एक अलग पैटर्न दिखाया। उन्होंने अपने लेखन, संशोधन और अपने तर्कों को सुधारने में मदद के लिए एआई का उपयोग किया। जब उन्हें एआई से प्रतिक्रिया मिली, तो उन्होंने उसे केवल पढ़ा नहीं; उन्होंने इसे अपने लेखन में शामिल किया, कमजोर वाक्यों को हटाया और मजबूत दावे बनाए। डेटा ने दिखाया कि इस समूह में लेखन विकास और संशोधन की दर बहुत अधिक थी। उन्होंने एआई को केवल सूचना के स्रोत के रूप में नहीं, बल्कि लेखन प्रक्रिया में एक भागीदार के रूप में माना।
अध्ययन का सबसे महत्वपूर्ण निष्कर्ष यह है कि एआई के उपयोग की आवृत्ति यह निर्धारित नहीं करती है कि एक छात्र कितनी अच्छी तरह सीखता है। एक छात्र जो एआई के साथ कई बार चैट करता है, वह जरूरी नहीं कि उस छात्र से अधिक सीख रहा हो जो कम चैट करता है। मुख्य अंतर यह है कि चैट के बाद क्या होता है। सीखना तब होता है जब एआई से प्राप्त फीडबैक को लेखन प्रक्रिया में आत्मसात किया जाता है। शोधकर्ताओं ने पाया कि जिन छात्रों ने अपने लेखन में एआई को सफलतापूर्वक एकीकृत किया, उन्होंने लेखन विकास और संशोधन पर केंद्रित एक विशिष्ट वर्कफ़्लो प्रदर्शित किया, जबकि खोजपूर्ण (exploratory) समूह ने उच्च जुड़ाव और कम आत्मसातीकरण के साथ एक अलग पैटर्न दिखाया। विशेष रूप से, डेटा ने संकेत दिया कि खोजपूर्ण समूह ने वास्तव में एकीकृत समूह की तुलना में थोड़ा उच्च औसत प्रस्ताव स्कोर प्राप्त किया, जो यह सुझाव देता है कि उच्च स्कोर विभिन्न वर्कफ़्लो रणनीतियों से उभर सकते हैं और वर्कफ़्लो प्रकार तथा अंतिम ग्रेड के बीच संबंध जटिल है।
यह खोज इस सामान्य धारणा को चुनौती देती है कि किसी उपकरण के साथ अधिक बातचीत का अर्थ बेहतर सीखना है। अध्ययन बताता है कि जनरेटिव एआई का शैक्षिक मूल्य केवल तभी उभरता है जब यह साक्ष्य के उपयोग, फीडबैक व्याख्या और लेखन के एक विनियमित चक्र का हिस्सा बन जाता है। जो छात्र अन्वेषण चरण में फंसे हुए हैं, उन्हें केवल एआई का अधिक उपयोग करने के लिए प्रोत्साहित करने से मदद नहीं मिलेगी। इसके बजाय, उन्हें ऐसे समर्थन की आवश्यकता है जो उन्हें अपने शोध और प्रश्नों को लिखित तर्कों में बदलने में मदद करे। जो छात्र पहले से ही इस टूल को एकीकृत कर रहे हैं, उनके लिए ध्यान एआई के सुझावों की गुणवत्ता का मूल्यांकन करने और अपने तर्कों को परिष्कृत करने पर केंद्रित होना चाहिए।
शोधकर्ताओं ने एक ऐसी विधि का उपयोग किया जिससे वे जटिल गणितीय मॉडलों पर निर्भर हुए बिना इन पैटर्न को स्पष्ट रूप से देख सके, जो व्याख्या करने में कठिन होते हैं। उन्होंने सिस्टम द्वारा रिकॉर्ड किए गए वास्तविक व्यवहारों पर ध्यान केंद्रित किया, जैसे कि लेखन की दर, काम का आयतन और संशोधन की आवृत्ति। उन्होंने पाया कि एक सफल प्रस्ताव के लिए सबसे महत्वपूर्ण कारक लेखन कार्यों की दर, उत्पादित कार्य की मात्रा और संशोधन की आवृत्ति थी। ये कारक चैट की विशिष्ट सामग्री या किसी बटन को दबाने की संख्या से अधिक महत्वपूर्ण थे।
यह अध्ययन शिक्षकों को यह समझने का एक नया तरीका प्रदान करता है कि छात्र एआई के साथ कैसे सीखते हैं। यह "चैट की संख्या" जैसे सरल मेट्रिक्स से आगे बढ़कर बातचीत की गुणवत्ता को देखता है। निष्कर्ष बताते हैं कि एआई के साथ प्रभावी शिक्षण के लिए छात्रों को सूचना एकत्र करने और लेखन उत्पन्न करने के बीच के अंतर को पाटने में मदद करना आवश्यक है। केवल टूल का होना पर्याप्त नहीं है; छात्रों को टूल के आउटपुट को अपने स्वयं के विचार और लेखन में बुनना सीखना होगा। इन विभिन्न वर्कफ़्लो पैटर्न को समझकर, शिक्षक बेहतर सहायता प्रणाली बना सकते हैं जो छात्रों को निष्क्रिय अन्वेषण से सक्रिय, एकीकृत शिक्षण की ओर ले जाए। अध्ययन का निष्कर्ष है कि शिक्षा में एआई का भविष्य तकनीक पर नहीं, बल्कि इस बात पर निर्भर करता है कि छात्र इसके फीडबैक को अपने विकास में कितनी अच्छी तरह आत्मसात कर पाते 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।