Lecturers’ Use and Perceptions of Machine Learning Informed Educational Interventions for the Early Identification of Learning Difficulties among Students with Intellectual Disabilities in Nigerian Universities

तकनीकी सारांश: नाइजीरियाई विश्वविद्यालयों में बौद्धिक अक्षमता वाले छात्रों के बीच सीखने की कठिनाइयों की शीघ्र पहचान के लिए मशीन लर्निंग आधारित शैक्षिक हस्तक्षेपों का व्याख्याताओं द्वारा उपयोग और धारणाएँ

समस्या विवरण
यद्यपि नाइजीरिया ने समावेशी शिक्षा को बढ़ावा देने वाले अंतरराष्ट्रीय ढांचों (UN SDGs 4 और 10) और राष्ट्रीय नीतियों की पुष्टि की है, उच्च शिक्षा में समावेशी प्रथाओं का कार्यान्वयन खंडित बना हुआ है। विशेष रूप से, बौद्धिक अक्षमता वाले छात्रों के बीच सीखने की कठिनाइयों की शीघ्र पहचान काफी हद तक मैनुअल, सामयिक और व्यक्तिपरक मूल्यांकन प्रथाओं पर निर्भर करती है। इन पारंपरिक तरीकों के परिणामस्वरूप अक्सर विलंबित हस्तक्षेप, प्रभावित छात्रों का हाशिए पर जाना और खराब शैक्षिक परिणाम होते हैं। जबकि आर्टिफिशियल इंटेलिजेंस (AI) और मशीन लर्निंग (ML) डेटा-संचालित शीघ्र स्क्रीनिंग के लिए परिवर्तनकारी क्षमता प्रदान करते हैं, नाइजीरियाई विश्वविद्यालयों में उनका अनुप्रयोग मुख्य रूप से वैचारिक बना हुआ है। इस बात को समझने में एक महत्वपूर्ण अंतर है कि व्याख्याकार पारंपरिक नैदानिक ढांचों (DSM-5, ICD-11, AAIDD) और उभरते भविष्य कहनेवाला विश्लेषण (predictive analytics) के बीच के अंतर को पाटने के लिए निर्णय-सहायता उपकरण के रूप में ML-सूचित दृष्टिकोणों को कैसे देखते हैं और उपयोग करते हैं। इसके अलावा, मौजूदा साहित्य में इस विशिष्ट संदर्भ में शीघ्र पहचान और जुड़ाव बढ़ाने के लिए इन उपकरणों को अपनाने के लिए व्याख्याताओं की तत्परता पर अनुभवजन्य साक्ष्य का अभाव है।

कार्यप्रणाली

• अनुसंधान डिजाइन: अध्ययन में एक वर्णनात्मक सर्वेक्षण अनुसंधान डिजाइन का उपयोग किया गया। महत्वपूर्ण रूप से, लेखक स्पष्ट करते हैं कि ML का उपयोग सख्ती से एक वैचारिक और व्याख्यात्मक ढांचे के रूप में किया गया था, न कि एक अनुभवजन्य कम्प्यूटेशनल पद्धति के रूप में। कोई ML एल्गोरिदम विकसित, प्रशिक्षित या परीक्षण नहीं किया गया; कोई डेटासेट विभाजित नहीं किया गया, और कोई प्रदर्शन मेट्रिक्स (जैसे सटीकता, F1-स्कोर) की गणना नहीं की गई।
• प्रतिभागी: जनसंख्या में दक्षिण-दक्षिण भू-राजनीतिक क्षेत्र के 12 चयनित संघीय और राज्य विश्वविद्यालयों के शिक्षा संकायों और विशेष आवश्यकता विभागों के 600 व्याख्याता शामिल थे। प्रतिभागियों का चयन आकस्मिक (सुविधाजनक) नमूनाकरण के माध्यम से किया गया था, जिसके लिए बौद्धिक अक्षमता वाले छात्रों के साथ अनुभव और शैक्षिक प्रौद्योगिकी की समझ आवश्यक थी।
• उपकरण: डेटा संग्रह मशीन लर्निंग-आधारित शैक्षिक हस्तक्षेपों के लिए सीखने की कठिनाइयों की शीघ्र पहचान प्रश्नावली (MLEIDQ) का उपयोग करके किया गया। उपकरण में 20 मदें (items) थीं जो 4-पॉइंट लिकर्ट स्केल पर आधारित थीं और निम्नलिखित को मापती थीं: (i) शीघ्र पहचान के लिए ML टूल के उपयोग की सीमा, और (ii) शीघ्र पहचान और शैक्षणिक जुड़ाव पर ML हस्तक्षेपों के प्रभाव के प्रति धारणा।
• डेटा विश्लेषण: वर्णनात्मक सांख्यिकी (माध्य, मानक विचलन) और अनुमानात्मक सांख्यिकी (स्वतंत्र-नमूना t-परीक्षण, बहु-रेखीय प्रतिगमन) का विश्लेषण SPSS संस्करण 26 का उपयोग करके किया गया। अध्ययन ने लिंग अंतर, संस्थागत प्रकार अंतर और शैक्षणिक जुड़ाव पर ML उपयोग की भविष्य कहने वाली शक्ति के संबंध में तीन शून्य परिकल्पनाओं का परीक्षण किया।

प्रमुख परिणाम

1. उपयोग की सीमा: व्याख्याताओं ने ML-सूचित डिजिटल उपकरणों के संबंध में उपयोग का निम्न स्तर (क्लस्टर माध्य = 2.37, जिसे "निम्न सीमा" के रूप में वर्गीकृत किया गया है) दर्ज किया। कम अपनाए जाने वाले विशिष्ट क्षेत्र थे: व्यक्तिगत सीखने की जरूरतों को लागू करना (माध्य = 1.29), पाठ्यक्रम एकीकरण (माध्य = 1.58), और नियमित हस्तक्षेप उपयोग (माध्य = 1.83)। हालांकि, व्याख्याताओं ने ML के लिए संस्थागत सहायता (माध्य = 3.29) और छात्र प्रगति को ट्रैक करने (माध्य = 3.16) के प्रति उच्च जुड़ाव दर्ज किया।
2. प्रभावशीलता की धारणा: वास्तविक उपयोग के निम्न स्तर के बावजूद, व्याख्याताओं ने ML हस्तक्षेपों के प्रति सकारात्मक धारणा (क्लस्टर माध्य = 3.02, जिसे "महान सीमा" के रूप में वर्गीकृत किया गया है) रखी। उन्होंने छात्र के ध्यान, प्रेरणा, संचार और कार्य पूर्णता में सुधार करने में ML को प्रभावी माना। लगभग 70% धारणा संकेतक 3.0 के बेंचमार्क माध्य से अधिक थे।
3. भविष्य कहनेवाला विश्लेषण (Predictive Analysis):
   • परिकल्पना 1 (लिंग): लिंग के आधार पर ML टूल के उपयोग में कोई महत्वपूर्ण अंतर नहीं पाया गया ($p > 0.05$)। लिंग, प्रतिगमन मॉडल में ML उपयोग का एक महत्वपूर्ण भविष्यवक्ता नहीं था ($\beta = -0.04, p = 0.398$)।
   • परिकल्पना 2 (संस्थागत प्रकार): विश्वविद्यालय के प्रकार (संघीय बनाम राज्य) के आधार पर ML सहायता की धारणा में कोई महत्वपूर्ण अंतर नहीं पाया गया ($p > 0.05$)। संस्थागत प्रकार शैक्षणिक जुड़ाव का महत्वपूर्ण भविष्यवक्ता नहीं था ($\beta = 0.03, p = 0.450$)।
   • परिकल्पना 3 (जुड़ाव का पूर्वानुमान): शून्य परिकल्पना को खारिज कर दिया गया। व्याख्याताओं का ML-सूचित हस्तक्षेपों का उपयोग, बौद्धिक अक्षमता वाले छात्रों के बीच शैक्षणिक जुड़ाव का सबसे मजबूत और एकमात्र महत्वपूर्ण भविष्यवक्ता था ($\beta = 0.60, p < .001$)। प्रतिगमन मॉडल जुड़ाव में 38% भिन्नता की व्याख्या करता है ($R^2 = 0.38$)।

प्रमुख योगदान

• वैचारिक स्पष्टीकरण: यह अध्ययन एक संरचित वैचारिक ढांचा प्रदान करता है कि कैसे ML को औपचारिक नैदानिक निदान (DSM-5/ICD-11) को प्रतिस्थापित किए बिना शीघ्र स्क्रीनिंग के लिए एक निर्णय-सहायता तंत्र के रूप में कार्य कर सकता है। यह भविष्य कहने वाले संकेतकों से पेशेवर रेफरल और व्यक्तिगत शिक्षा योजना (IEP) तक के मार्ग को रेखांकित करता है।
• "धारणा-उपयोग अंतराल" का अनुभवजन्य प्रमाण: शोध नाइजीरियाई उच्च शिक्षा में एक महत्वपूर्ण विसंगति को उजागर करता है: जबकि व्याख्याकार समावेशी शिक्षा के लिए ML की संभावित क्षमता को पहचानते हैं, व्यावहारिक कार्यान्वयन सीमित प्रशिक्षण, बुनियादी ढांचे और तकनीकी सक्षमता के कारण बाधित होता है।
• जुड़ाव के निर्धारक: अध्ययन यह स्थापित करता है कि ML उपकरणों का अभ्यास करना, जनसांख्यिकीय कारकों (लिंग, रैंक) या संस्थागत संरचनाओं (संघीय बनाम राज्य) की तुलना में छात्र के शैक्षणिक जुड़ाव का अधिक महत्वपूर्ण निर्धारक है।

महत्व और दावे
यह शोध दावा करता है कि इसके निष्कर्ष उभरते हुए AI-सक्षम समावेशी शिक्षा के विद्वत्तापूर्ण कार्यों में योगदान देते हुए एक विकासशील संदर्भ में व्याख्याताओं की तत्परता के बारे में साक्ष्य-आधारित अंतर्दृष्टि प्रदान करते हैं। यह तर्क देता है कि ML को अपनाना केवल एक तकनीकी चुनौती नहीं है, बल्कि एक क्षमता-निर्माण अनिवार्यता है। अध्ययन निष्कर्ष निकालता है कि सीखने की कठिनाइयों की शीघ्र पहचान और शैक्षणिक जुड़ाव को बढ़ाने के लिए ML को प्रभावी बनाने हेतु निम्नलिखित पर रणनीतिक ध्यान केंद्रित करना चाहिए:

1. AI साक्षरता और डेटा एनालिटिक्स प्रशिक्षण के माध्यम से व्याख्याता क्षमता को मजबूत करना।
2. डिजिटल बुनियादी ढांचे और संस्थागत सहायता प्रणालियों में सुधार करना।
3. नैतिक शासन ढांचे विकसित करना जो ML स्क्रीनिंग को स्थापित नैदानिक और हस्तक्षेप मार्गों के साथ एकीकृत करता हो।

लेखक एक मध्यम रुख बनाए रखते हुए स्वीकार करते हैं कि उनके निष्कर्ष स्व-रिपोर्ट किए गए डेटा और सुविधाजनक नमूनाकरण पर आधारित हैं, जो सामान्यीकरण को सीमित करते हैं। वे इस बात पर जोर देते हैं कि ML स्क्रीनिंग और रेफरल के लिए एक पूरक उपकरण के रूप में कार्य करता है, न कि पेशेवर नैदानिक निर्णय के विकल्प के रूप में, और वे संभाव्यता नमूनाकरण (probability sampling) और वास्तविक ML प्रणालियों के दीर्घकालिक अनुभवजन्य मूल्यांकन वाले भविष्य के अनुसंधान का आह्वान करते हैं।