← शोध समाचार पर लौटें
एक लेखन प्रशिक्षक और दो विश्वविद्यालय शिक्षार्थी बदलते संशोधन प्राथमिकताओं के बीच एक संयमित दृश्य लिंक के साथ एक बड़े सेमिनार टेबल पर लगातार एनोटेटेड पैराग्राफ ड्राफ्ट की तुलना करते हैं
कॉन्फ्रेंस पेपरConference paper202623 अक्टू॰ 2026· 3 min

सम्मेलन-पत्र: FeedType जाँचता है कि लेखन के संशोधन के साथ AI प्रतिक्रिया का केंद्र कैसे बदलता है

Norah Almousa, Shayan Peyghambari Oskoui, Raquel Coelho, Gayle Rogers, Xiang Lorraine Li, Diane Litman

Proceedings of the Artificial Intelligence in Measurement and Education Conference (AIME-Con): Full Papers

500-शब्द सार

एक लेखन प्रशिक्षक और दो विश्वविद्यालय शिक्षार्थी बदलते संशोधन प्राथमिकताओं के बीच एक संयमित दृश्य लिंक के साथ एक बड़े सेमिनार टेबल पर लगातार एनोटेटेड पैराग्राफ ड्राफ्ट की तुलना करते हैं

Norah Almousa और सहकर्मियों ने 5–7 अक्टूबर 2026 को आयोजित AIME-Con की कार्यवाही में FeedType प्रकाशित किया। इसमें विश्वविद्यालय स्तर के तीन लेखन पाठ्यक्रमों के 1,966 अनुच्छेदों का उपयोग कर, तीन प्रॉम्प्ट देने की रणनीतियों के अंतर्गत शिक्षकों और छह भाषा मॉडलों की प्रतिक्रिया की तुलना की गई। सात श्रेणियाँ प्रतिक्रिया के केंद्र को दर्शाती हैं। स्वचालित टिप्पणियों का मानवीय निर्णयों से मिलान किया गया। मॉडलों ने अधिकांश श्रेणियाँ शामिल कीं, लेकिन कोई भी शिक्षकों के अनुकूलन को पूरी तरह दोहरा नहीं सका। मसौदे के संशोधन-चरणों और विद्यार्थियों के प्रदर्शन का विश्लेषण केवल composition नामक लेखन पाठ्यक्रम तक सीमित था। यह अध्ययन प्रतिक्रिया के व्यवहार का विश्लेषण करता है; सीखने पर किसी हस्तक्षेप का प्रभाव नहीं जाँचता।

इसका योगदान यह पूछने का एक तरीका है कि एक टिप्पणी किस पर केंद्रित है और क्या वह फोकस उचित रूप से बदलता है। एक सिस्टम बार-बार विस्तार के लिए पूछ सकता है, भले ही कोई अन्य प्रतिक्रिया अधिक उपयोगी हो। किसी शिक्षक के श्रेणी वितरण का मिलान स्वयं यह साबित नहीं करेगा कि प्रत्येक टिप्पणी सटीक या उपयोगी है। बेंचमार्क के पाठ्यक्रम, एनोटेशन विकल्प और परीक्षण किए गए मॉडल संस्करण भी बाधित करते हैं कि परिणाम रिपोर्ट की गई सेटिंग से कितनी दूर तक यात्रा कर सकते हैं।

एआईईडीएचके के लिए, एक ही पैराग्राफ के दो ड्राफ्ट के आसपास निर्मित एक प्रस्तावित लेखन कार्यशाला पर विचार करें। किसी भी उत्पन्न फीडबैक को पढ़ने से पहले, शिक्षक असाइनमेंट के उस चरण के लिए सबसे परिणामी अगले चरण की पहचान करेगा। फिर छात्र सुझावों की तुलना कर सकते हैं, प्रत्येक पते पर पाठ्य साक्ष्य ढूंढ सकते हैं, और समझा सकते हैं कि कौन सा मुद्दा पहले ध्यान देने योग्य है। यह बेंचमार्क अध्ययन द्वारा मूल्यांकन की गई गतिविधि के बजाय एक संपादकीय शिक्षण प्रस्ताव है।

उदाहरण के लिए, किसी स्थानीय पर्यावरणीय मुद्दे के बारे में प्रारंभिक मसौदे के लिए किसी उपयुक्त स्रोत द्वारा समर्थित स्पष्ट दावे की आवश्यकता हो सकती है। बाद का मसौदा पहले से ही उस संबंध को बना सकता है और इसके बजाय योग्यता की सटीक व्याख्या की आवश्यकता है। दोनों मामलों में अधिक विवरण मांगने से अलग-अलग संशोधन प्राथमिकताएं छूट जाएंगी। शिक्षार्थी यह समझा सकते हैं कि क्यों एक स्पष्ट रूप से सहायक टिप्पणी वर्तमान कार्य से ध्यान भटकाएगी, जिससे शिक्षक को लेखन के बारे में अपने फैसले का सबूत मिल सके।

एक स्थानीय पायलट ड्राफ्ट, सुझाई गई टिप्पणी, शिक्षार्थी की चयनित कार्रवाई और उस विकल्प के लिए एक संक्षिप्त कारण को बरकरार रख सकता है। शिक्षक यह मानने के बजाय कि अधिक सुझावों को स्वीकार करना बेहतर सीखने का संकेत देता है, समझौतों और असहमतियों के एक छोटे नमूने का निरीक्षण कर सकते हैं। समीक्षकों को उन टिप्पणियों की भी जांच करनी चाहिए जो सही श्रेणी की पहचान करती हैं लेकिन अनुपयुक्त परिवर्तन का प्रस्ताव करती हैं। इसका उद्देश्य यह समझना होगा कि लेखन प्रक्रिया में किसी विशेष क्षण में फीडबैक किसी निर्णय का समर्थन कैसे करता है।

एक द्विभाषी लेखन वर्ग यह जांच कर सकता है कि क्या कोई टिप्पणी सभी भाषाओं में लेखक के इच्छित अर्थ को सुरक्षित रखती है। छात्र असाइनमेंट के उद्देश्य का उपयोग करके पुनरीक्षण का बचाव कर सकते हैं, जबकि शिक्षक इस बात पर विचार करता है कि क्या भाषाई पॉलिश किसी अनसुलझे तर्क या असमर्थित दावे से ध्यान भटका रही है।

उत्पाद टीमों के लिए, अध्ययन एक मूल्यांकन प्रश्न सुझाता है जिसे तैनाती से पहले ठोस बनाया जा सकता है: क्या फीडबैक असाइनमेंट, वर्तमान ड्राफ्ट और शिक्षार्थी की प्रदर्शित कठिनाई पर प्रतिक्रिया देता है? वह प्रश्न शिक्षक के पिछले व्यवहार को निर्विवाद मानक में बदले बिना एक सीमित समीक्षा सेट का मार्गदर्शन कर सकता है। बाद में कम सहायता से पूरा किया गया लेखन पूरक शिक्षण साक्ष्य प्रदान कर सकता है। फीडटाइप अनुकूली प्रतिक्रिया की जांच के लिए एक उपयोगी शोध संसाधन प्रदान करता है; किसी कक्षा या संस्थागत गोद लेने के निर्णय को अभी भी शिक्षार्थियों द्वारा वास्तव में प्राप्त टिप्पणियों की गुणवत्ता और परिणामों के बारे में साक्ष्य की आवश्यकता होती है।

संबंधित पेपर

Illustrative research-review scene with two raters comparing repeated and progressive activity sequences beside a screen with one rising and one falling chart.
टूल / डेटासेट2026
टूल / डेटासेट 239

Preprint: Raising a tutor metric lowered human ratings in an optimization experiment

Daniel Domínguez Figaredo, Rafael Fernández De la Cruz

arXiv preprint

An optimization experiment produced higher automated scores but lower human ratings for instructional sequences. Its synthetic cases and constrained intervention make it a warning about evaluation design, not evidence of harm to actual students.

preprintAI tutoringevaluation validity
500-शब्द सार पढ़ें →
A South Asian female lecturer and a White male university student examine two differently annotated statistics feedback sheets beside a hand-drawn confidence-interval diagram
जर्नल पेपर2026
जर्नल पेपर 216

Students’ feedback ratings reflected source credibility without consistently matching expert judgments

Tanya Nazaretsky, Hagit Gabbay, Tanja Käser

Computers and Education: Artificial Intelligence

Researchers compared human and AI feedback on 979 responses from six university STEM courses, then examined ratings from 472 students. Expert analysis found broadly similar pedagogical quality, while students’ judgments were associated with their views of the source’s credibility. The study did not measure feedback uptake or learning gains. For educators, it raises a practical question: how can students justify an evaluation of advice before deciding whether to use it?

feedback literacysource credibilityhigher education
500-शब्द सार पढ़ें →
A mathematics lecturer and peer discuss a university student's induction proof beside a laptop showing feedback on the next step.
कॉन्फ्रेंस पेपर2026
कॉन्फ्रेंस पेपर 206

LeanTutor: Towards a Verified AI Mathematical Proof Tutor

Manooshree Patel, Rayna Bhattacharyya, Thomas Lu, Arnav Mehta, Niels Voss, Narges Norouzi, Gireeja Ranade

Proceedings of the AAAI Conference on Artificial Intelligence

LeanTutor connects a language model to the Lean theorem prover to support mathematical proof feedback. Its technical evaluation shows promising hints on a small selected benchmark, but also exposes a crucial boundary: a verifier can check the formal proof only after the learner's words have been translated correctly. The study did not test classroom learning, and feedback evaluation excluded failed translations. It is an early system design with explicit limitations, not a validated replacement for mathematics instruction.

Mathematics EducationIntelligent TutoringFormal Verification
500-शब्द सार पढ़ें →