AI এবং শেখার ফলাফল বোঝার জন্য নতুন টুলস

শিক্ষা AI-এর সবচেয়ে প্রতিশ্রুতিশীল অত্যাধুনিক ক্ষেত্রগুলোর একটি. ChatGPT‑এর মতো টুলের মাধ্যমে, ব্যক্তিগতকৃত শেখার সহায়তা যেকোনো শিক্ষার্থীর জন্য, যেকোনো স্থানে, যেকোনো সময় উপলব্ধ হতে পারে. 

কিন্তু শিক্ষাক্ষেত্র এখনও শেখার ফলাফলের উপর AI-এর প্রভাব সম্পর্কে এর বোঝাপড়ার প্রাথমিক পর্যায়ে আছে. গত বছর, আমাদের দল স্টাডি মোড⁠ এর মতো টুলগুলোর ব্যবহার নিয়ে গবেষণা করতে শুরু করে এবং শিক্ষার্থীদের পারফরম্যান্সে আশাব্যঞ্জক উন্নতি খুঁজে পায়. কিন্তু আমাদের গবেষণা আরও একটি গুরুত্বপূর্ণ প্রশ্ন সামনে নিয়ে এসেছে: কেবল ফাইনাল পরীক্ষার ফলের উপর ভিত্তি না করে, সময়ের সাথে সাথে AI কিভাবে একজন শিক্ষার্থীর অগ্রগতির উপর প্রভাব ফেলে, তা আমরা কিভাবে মূল্যায়ন করতে পারি?

এটি একটি বৃহত্তর ইকোসিস্টেম-সংক্রান্ত চ্যালেঞ্জ. এখন পর্যন্ত, গবেষণার অধিকাংশ পদ্ধতিই পরীক্ষার স্কোরের মতো সংকীর্ণ পারফরম্যান্স সূচকগুলোর উপর সীমাবদ্ধ. এগুলো বাস্তব জীবনে AI ব্যবহার করে শিক্ষার্থীরা কিভাবে শিখছে এবং সময়ের সাথে সাথে সেই ব্যবহারের ফলে তাদের ফলাফলে কী পরিবর্তন আসছে, তা মূল্যায়ন করতে সক্ষম নয়. 

এই সীমাবদ্ধতা দূর করতে, আমরা 'লার্নিং আউটকামস মেজারমেন্ট স্যুট' তৈরি করেছি. এটি একটি ফ্রেমওয়ার্ক যা Estonia-এর ইউনিভার্সিটি অফ তারতু এবং স্ট্যানফোর্ড অ্যাক্সিলারেটর ফর লার্নিং-এর স্কেল ইনিশিয়েটিভ (SCALE Initiative)-এর সাথে যৌথভাবে তৈরি করা হয়েছে, যাতে বিভিন্ন শিক্ষাগত প্রেক্ষাপটে শিক্ষার ফলাফলের দীর্ঘমেয়াদী পরিমাপ করা সম্ভব হয়. 

র‍্যান্ডমাইজড কন্ট্রোলড ট্রায়াল (RCT)-এর মাধ্যমে ব্যাপক যাচাইকরণ প্রক্রিয়া চলমান রয়েছে। এছাড়া লার্নিং ল্যাবের (Learning Lab) প্রতিষ্ঠাতা সংস্থাগুলোর সাথে আরও গবেষণার পরিকল্পনা করা হয়েছে. এটি OpenAI-এর লার্নিং রিসার্চ ইকোসিস্টেমের একটি অংশ, যেখানে অ্যারিজোনা স্টেট ইউনিভার্সিটি, UCL নলেজ ল্যাব এবং MIT মিডিয়া ল্যাবের গবেষকরাও অন্তর্ভুক্ত আছেন (যা পূর্ববর্তী যৌথ গবেষণার উপর ভিত্তি করে তৈরি⁠).

আজ আমরা শেয়ার করছি মেজারমেন্ট স্যুট কিভাবে কাজ করে এবং কেন এটি গুরুত্বপূর্ণ তার একটি সারসংক্ষেপ. সময়ের সাথে সাথে, আমরা আরও গবেষণা প্রকাশ করব এবং মেজারমেন্ট স্যুটটি বিশ্বব্যাপী স্কুল, বিশ্ববিদ্যালয় এবং শিক্ষা ব্যবস্থার জন্য একটি পাবলিক রিসোর্স হিসেবে উন্মুক্ত করব.

• শেখার উপর AI-এর প্রভাব নিয়ে আজকের গবেষণা পদ্ধতিগুলো কর্মদক্ষতা সম্পর্কে আশাব্যঞ্জক ইঙ্গিত দেখায়, কিন্তু সময়ের সাথে AI কিভাবে শেখার ফলাফলকে প্রভাবিত করে তার পূর্ণ চিত্রটি তুলে ধরে না.
• Learning Outcomes Measurement Suite প্রথমবারের মতো দীর্ঘমেয়াদি গবেষণার জন্য একটি মানসম্মত কাঠামো প্রদান করবে, যা শিক্ষাবিদ, গবেষক এবং প্রতিষ্ঠানগুলোকে বিভিন্ন প্রেক্ষাপটে AI কিভাবে শেখা এবং ফলাফলকে প্রভাবিত করে তা বুঝতে সহায়তা করবে.
• OpenAI-এর লার্নিং ল্যাব এই কাজকে এগিয়ে নিতে কেন্দ্রীভূত একটি নতুন গবেষণা ইকোসিস্টেম. ক্ষেত্রটি বিকশিত হতে থাকায় OpenAI বিভিন্ন পার্টনারের সঙ্গে পাশাপাশি গবেষণালব্ধ ফলাফল প্রকাশ করবে.

শিক্ষার্থীরা যখন পড়াশোনা ও শেখার জন্য AI টুল ব্যবহার করে, তখন এর অর্থ অনেক ভিন্ন ভিন্ন হতে পারে—দ্রুত উত্তর পাওয়ার জন্য AI-এর কাছে যাওয়া থেকে শুরু করে টিউটর-সদৃশ গাইডেন্স নিয়ে ধাপে ধাপে সমস্যাগুলো সমাধান করতে এটি ব্যবহার করা পর্যন্ত. ব্যবহারকারীদেরকে ChatGPT‑এর সঙ্গে এমনভাবে যুক্ত হতে উৎসাহিত করতে, যা গভীর বোঝাপড়া এবং দক্ষতা গড়ে তোলাকে সমর্থন করে, OpenAI গত বছর স্টাডি মোড⁠ চালু করেছে.  পর্দার আড়ালে, আমাদের 'স্টাডি মোড' কিছু বিশেষ সিস্টেম নির্দেশনার মাধ্যমে পরিচালিত হয়, যা আমরা শিক্ষক, বিজ্ঞানী এবং শিক্ষাবিজ্ঞান বিশেষজ্ঞদের সাথে যৌথভাবে তৈরি করেছি. এটি এমন কিছু মূল আচরণের প্রতিফলন ঘটায় যা কেবল উত্তর দেওয়া নয়, বরং প্রকৃত শিক্ষাকে সমর্থন করে—যেমন স্ক্যাফোল্ডিং (সহায়ক কাঠামো), বোধগম্যতা যাচাই এবং নির্দেশিত অনুশীলন.

এই ধরনের শিক্ষাবিজ্ঞান-সম্মত AI মিথস্ক্রিয়া ভালো ফলাফলে পৌঁছায় কিনা তা যাচাই করতে, আমরা নিউরোসায়েন্স ও মাইক্রোইকোনমিক্স পরীক্ষার প্রস্তুতি নেওয়া 300-এরও বেশি কলেজ শিক্ষার্থীর উপর একটি র‍্যান্ডমাইজড গবেষণা চালিয়েছি. যদিও বিশ্লেষণ এখনও চলছে, তবে প্রাথমিক ফলাফলগুলো আমাদের এই আত্মবিশ্বাস জোগাচ্ছে যে, 'স্টাডি মোড'-এর মতো ফিচারের মাধ্যমে উৎসাহিত হওয়া একটি শিক্ষাবিজ্ঞান-সম্মত AI মিথস্ক্রিয়া ফিচার শিক্ষার ফলাফল উন্নত করতে পারে. কিন্তু এই গবেষণা একটি গুরুত্বপূর্ণ বাস্তবতাও সামনে এনেছে: আসলে যা গুরুত্বপূর্ণ তা হলো—উন্নতি এবং সংশ্লিষ্ট উৎপাদনশীল আচরণগুলো সময়ের সাথে সাথে টেকসই থাকে কিনা.

স্টাডি ডিজাইন

অংশগ্রহণকারীদের তিনটি দলের একটিতে বরাদ্দ করা হয়েছিল: একটি নিয়ন্ত্রণ দল Google Search এবং YouTube-এর মতো প্রচলিত অনলাইন রিসোর্স ব্যবহার করে অধ্যয়ন করেছে, যেখানে AI জেনারেটেড ওভারভিউ ফিচারগুলো নিষ্ক্রিয় ছিল, আর অতিরিক্ত দুটি দলকে দুটি স্টাডি মোড ভ্যারিয়েন্টের মধ্যে একটির অ্যাক্সেস দেওয়া হয়েছিল, যা শিক্ষার্থীদের শেখার প্রক্রিয়ার মধ্য দিয়ে সামান্য ভিন্ন উপায়ে পথনির্দেশ করতে ডিজাইন করা হয়েছিল. পূর্ববর্তী কোর্সওয়ার্কের অভিজ্ঞতা, অধ্যয়নের অভ্যাস, একাডেমিক আত্মবিশ্বাস এবং AI টুলের সঙ্গে পরিচিতির পার্থক্য সমন্বয় করতে বেসলাইন কুইজ এবং অনবোর্ডিং সার্ভে আগেই সংগ্রহ করা হয়েছিল. শিক্ষার্থীরা প্রতিটি পরীক্ষার আগে সময়-নির্ধারিত স্টাডি মোড সেশন সম্পন্ন করেছে এবং স্টাডি মোডের দুটি ভ্যারিয়েন্ট বিষয়গুলোর মধ্যে ভারসাম্যপূর্ণভাবে বিতরণ করা হয়েছিল.

এই সেটআপটি একটি কঠোরভাবে নিয়ন্ত্রিত ল্যাব পরিবেশের পরিবর্তে বাস্তব জগতের অধ্যয়ন পরিস্থিতি প্রতিফলিত করার জন্য ডিজাইন করা হয়েছিল. অংশগ্রহণ পরীক্ষার পারফরম্যান্সের সঙ্গে যুক্ত ছিল না এবং নামমাত্র 40 মিনিট সেশনগুলোর সময় সব শিক্ষার্থী একই মাত্রায় স্টাডি মোড ব্যবহার করেনি. এটি আমাদেরকে intention-to-treat (ITT) প্রভাব পরিমাপ ও প্রতিবেদন করতে সক্ষম করেছে—বাস্তবসম্মত রোলআউট পরিস্থিতিতে টুলটিতে অ্যাক্সেস প্রদান করার প্রভাব; অন্য কথায়, স্টাডি মোড অফার করার কারণগত প্রভাব, এই স্বীকৃতিসহ যে বাস্তবে সম্পৃক্ততা ভিন্ন হতে পারে.

অনুসন্ধানসমূহ

আমরা প্রতিটি পরীক্ষার পারফরম্যান্স আলাদাভাবে পরিমাপ করেছি. আমাদের র‍্যান্ডমাইজড গবেষণায় দেখা গেছে যে, সব বিষয়ের ক্ষেত্রে উন্নতির হার সমান ছিল না এবং অংশগ্রহণকারীদের মধ্যে 'স্টাডি মোড'-এর সাথে যুক্ত থাকার মাত্রা একেকজনের ক্ষেত্রে একেক রকম ছিল. 

• নিউরোসায়েন্স (প্রাইমারি ITT): আমরা কন্ট্রোলের তুলনায় স্টাডি মোডের জন্য দিকনির্দেশনামূলক ইতিবাচক পার্থক্য লক্ষ্য করেছি, তবে ফলাফলগুলো ঐতিহ্যবাহী অনলাইন রিসোর্স ব্যবহার করে পড়াশোনা করা শিক্ষার্থীদের ফলাফল থেকে আলাদা করা যায়নি. স্টাডি মোড ব্যবহারকারী শিক্ষার্থীদের মধ্যে কিছু অনবোর্ডিং এবং প্রযুক্তিগত সমস্যা পড়াশোনায় ব্যয়িত সময়কে প্রভাবিত করেছে. 
• মাইক্রোইকোনমিক্স (প্রাইমারি ITT): স্টাডি মোডে অ্যাক্সেস দেওয়া শিক্ষার্থীদের মধ্যে পরীক্ষার পারফরম্যান্সে আমরা উল্লেখযোগ্য উন্নতি দেখেছি, AI-বিহীন কন্ট্রোল গ্রুপের তুলনায়—আপেক্ষিকভাবে স্কোর প্রায় 15% বেশি.

যদিও এটি বাস্তব জগতের বৈচিত্র্য প্রতিফলিত করে, এটি শেখার ফলাফল সাধারণত যেভাবে পরিমাপ করা হয়, তাতে একটি গভীরতর সীমাবদ্ধতাকে তুলে ধরেছে.

বিদ্যমান অধিকাংশ মূল্যায়ন পদ্ধতিই নির্দিষ্ট কিছু কৌশল বা হস্তক্ষেপের উপর নির্ভরশীল, যা অল্প সময়ের ব্যবধানে যাচাই করা হয়. এসব পদ্ধতিতে পরীক্ষার স্কোর বা চূড়ান্ত প্রবন্ধের মতো ফলাফলগুলোকেই মূল সূচক হিসেবে গণ্য করা হয়. এই পদ্ধতিগুলো বাস্তবে AI কিভাবে শেখাকে প্রভাবিত করে তার মূল প্রক্রিয়াটি ধরার জন্য ডিজাইন করা নয়: চলমান, ব্যক্তিকৃত মিথস্ক্রিয়া, যা শিক্ষার্থীর নিজস্ব কৌশল, পছন্দ এবং অধ্যয়নের অভ্যাসের সঙ্গে সঙ্গে বিকশিত হয়. তারা এটাও প্রকাশ করে না যে একটি সক্ষমতায় উন্নতি, যেমন স্বল্পমেয়াদি স্মরণশক্তি, অন্যগুলিতে, যেমন স্থায়িত্ব, স্বায়ত্তশাসিত প্রেরণা, বা সৃজনশীল সমস্যা সমাধান, এর ক্ষেত্রে সমঝোতার সাথে আসতে পারে কিনা. ফলে, তারা দীর্ঘমেয়াদি জ্ঞানীয় প্রভাবগুলো ধরতে পারে না, যা শেষ পর্যন্ত নির্ধারণ করে AI শেখাকে অর্থবহভাবে উন্নত করে কি না. 

কারণ শেখার পরিবেশ দেশ, পাঠ্যক্রম এবং প্রতিষ্ঠানের লক্ষ্যভেদে ব্যাপকভাবে ভিন্ন, তাই এককালীন গবেষণার ফলাফল খুব কমই বিভিন্ন সিস্টেমে সাধারণীকরণ করা যায়. অতএব, পরিমাপের পদ্ধতিগুলোকে যথেষ্ট নমনীয় হতে হবে, যাতে বিভিন্ন শিক্ষা ব্যবস্থা তাদের প্রেক্ষাপটে সাফল্য কেমন হবে তা নির্ধারণ করতে পারে, নিজেদের মানদণ্ড অনুযায়ী AI মূল্যায়ন করতে পারে এবং সেই অনুযায়ী পুনরাবৃত্তি করতে পারে.

আরও ভালো পরিমাপ পদ্ধতি নির্মাণ. 

OpenAI-এর স্টাডি মোড গবেষণা থেকে পাওয়া শেখার ভিত্তিতে, আমরা একটি কাঠামোবদ্ধ পরিমাপ ব্যবস্থা তৈরি করছি যাতে বৃহৎ পরিসরে শিক্ষার্থীদের উপর AI-এর প্রভাব পরিমাপ করা যায় এবং সেই ফলাফলের ভিত্তিতে মডেল উন্নত করার জন্য একটি প্রক্রিয়া তৈরি করা যায়. এটি তিনটি সংকেতের উপর ভিত্তি করে—মডেল কিভাবে আচরণ করে, শিক্ষার্থীরা কিভাবে প্রতিক্রিয়া জানায় এবং সময়ের সঙ্গে কী পরিমাপযোগ্য জ্ঞানীয় ফলাফল দেখা যায়. এতে অন্তর্ভুক্ত আছে: 

• মডেলের আচরণ পরিমার্জনের জন্য সিস্টেম নির্দেশনা: নির্দিষ্ট শিক্ষণ-পদ্ধতির সাথে আরও ভালোভাবে সামঞ্জস্যপূর্ণ করতে মডেলের ডিফল্ট আচরণ পরিবর্তনের জন্য প্রাকৃতিক ভাষার ব্যবহার.
• লার্নিং ইন্টারঅ্যাকশন ক্লাসিফায়ার: এগুলো স্বয়ংক্রিয়ভাবে বাস্তব, পরিচয়মুক্ত, শিক্ষার্থী–মডেল ইন্টারঅ্যাকশনের মধ্যে “লার্নিং মোমেন্ট” শনাক্ত করে এবং সম্পৃক্ততা ও ত্রুটি সংশোধনের মতো গুরুত্বপূর্ণ বৈশিষ্ট্যগুলো লেবেল করে.
• শেখার গুণগত মান গ্রেডার: এগুলো প্রতিটি শেখার মুহূর্তকে মূল্যায়ন ও স্কোর করে—শিক্ষার্থী তাদের লক্ষ্য অর্জন করেছে কিনা এবং ইন্টারঅ্যাকশনটি কতটা শক্তিশালী শিক্ষাবিদ্যাগত নীতিমালা অনুসরণ করেছে, তা ভিত্তি করে; এর মধ্যে ব্যর্থতার ধরন শনাক্তকরণও অন্তর্ভুক্ত.
• দীর্ঘমেয়াদি শেখার গ্রেডার: এগুলো সময়ের সাথে একই শিক্ষার্থীর মডেলের সাথে ইন্টারঅ্যাকশনে পরিবর্তনগুলো ট্র্যাক করে—যার মধ্যে সম্পৃক্ততা, অধ্যবসায় এবং মেটাকগনিটিভ কৌশল অন্তর্ভুক্ত—ব্যক্তিগত এবং কোহর্ট স্তরে.
• প্রমিত জ্ঞানীয় এবং মেটাকগনিটিভ (অধিজ্ঞানমূলক) পরিমাপ: এগুলো হলো স্বীকৃত তৃতীয় পক্ষের পরিমাপক বা টুল, যা ChatGPT‑এর মাধ্যমে ব্যবহারের আগে, চলাকালীন এবং পরে সরবরাহ করা হয়। এর উদ্দেশ্য হলো একটি ভিত্তি তৈরি করা এবং সমালোচনামূলক চিন্তাভাবনা, সৃজনশীলতা এবং স্মৃতিশক্তির মতো মৌলিক সক্ষমতাগুলোতে সময়ের সাথে কী কী পরিবর্তন আসছে তা পরিমাপ করা.

একত্রে, আমরা এই পরিমাপ পদ্ধতিটিকে শিক্ষার ফলাফল পরিমাপ স্যুটহিসেবে উল্লেখ করি.

এটি এমন সব গুরুত্বপূর্ণ সংকেত তৈরি করে যা শিক্ষা-ব্যবস্থা কাজে লাগাতে পারে: যেমন—শিক্ষণ মুহূর্তগুলোর সুবিন্যস্ত চিত্র, বিভিন্ন দলের ক্ষেত্রে সময়ের সাথে সাথে ফলাফলের পরিবর্তন দেখানোর ড্যাশবোর্ড, শিক্ষাদান ও টিউশনিং রুব্রিকের বিপরীতে মডেলের পারফরম্যান্সের সূচক এবং প্রমিত মূল্যায়ন ও সংক্ষিপ্ত শিক্ষার্থী প্রশ্নাবলির সাথে সামঞ্জস্যপূর্ণ ফলাফলের পরিমাপ. যেখানে উপলব্ধ, এটি অংশীদার-প্রদত্ত গ্রাউন্ড ট্রুথ যেমন পরীক্ষার স্কোর, ক্লাসরুম পর্যবেক্ষণ বা উপস্থিতি অন্তর্ভুক্ত করতে পারে.

এটি আমাদের অংশীদারদেরও সময়ের সাথে সাথে শেখার জন্য AI ব্যবহারের গভীরতর জ্ঞানীয় প্রভাবগুলো বুঝতে সক্ষম করে, কারণ এই সিস্টেমের মাধ্যমে আমরা নিম্নলিখিত সক্ষমতাগুলোর উপর প্রভাবও ট্র্যাক করতে পারি, যেমন:

• স্বায়ত্তশাসিত অনুপ্রেরণা: শিক্ষার্থীরা মডেলের নির্দেশনা অনুযায়ী পরিচালিত হওয়ার তুলনায় কতটা নিজেদের পড়াশোনাকে নিজেরাই গঠন করছে তার মাত্রা 
• উৎপাদনশীল এনগেজমেন্ট: শিক্ষামূলক মিথস্ক্রিয়ার ঘনত্ব, বৈচিত্র্য এবং গুণমান
• কাজে স্থায়িত্ব: একজন শিক্ষার্থী জ্ঞানগত চ্যালেঞ্জের মুখোমুখি হয়ে কতটা সময় ধরে বসে থাকে এবং তা অতিক্রম করতে কতটা চেষ্টা করে
• মেটাকগনিশন: শেখার পরিকল্পনা, প্রতিফলন এবং অধ্যয়নের পদ্ধতিগুলি পর্যবেক্ষণ করার ক্ষেত্রে শিক্ষার্থীর প্রচেষ্টার ঘনত্ব ও গুণমান
• রিকল: পূর্ববর্তী ইন্টারঅ্যাকশন থেকে বিষয়বস্তু মনে রাখতে একজন শিক্ষার্থীর নির্ভুলতা

এটি আমাদের সামগ্রিক প্রচেষ্টাকে প্রতিফলিত করে যাতে আমরা কেবল শেখার ফলাফলের (পরীক্ষার স্কোর বৃদ্ধি) সংকীর্ণ সংজ্ঞার উপর মনোযোগ না দিই, বরং শেখার ভিত্তি হিসেবে থাকা সামগ্রিক সক্ষমতাগুলোর উপর মনোযোগ দিই. এটি আমাদের এই বিশ্বাসকেও প্রতিফলিত করে যে কী অপ্টিমাইজ করা হবে—সে বিষয়ে কোনো একক “সিলভার বুলেট” থাকবে না: শিক্ষাব্যবস্থা ও শিক্ষকদের সেরা অনুশীলন এবং পেডাগোজিক্যাল পদ্ধতির সাথে সামঞ্জস্য রেখে ট্রেড-অফগুলো নির্ধারণে দিকনির্দেশনা দিতে সক্ষম করে তুলতে হবে.

এখান থেকে আমরা কোথায় যাবো

আমরা Learning Outcomes Measurement Suite-কে ব্যাপকভাবে উপলব্ধ করার আগে বৃহৎ পরিসরের গবেষণার মাধ্যমে যাচাই করছি. University of Tartu এবং Stanford’s SCALE Initiative-এর সাথে এই কাজটি দেশ-ব্যাপী অংশীদারদের জুড়ে চলমান, যেমন Estonia, যেখানে পরিমাপ স্যুটটি কয়েক মাস ধরে 16-18 বছর বয়সী প্রায় 20,000 শিক্ষার্থীর মধ্যে অধ্যয়ন করা হচ্ছে. শিক্ষার্থীদের ব্যবহার স্থানীয় নেতাদের সাথে ঘনিষ্ঠ সহযোগিতায় হবে, যাতে নিরাপত্তা নিশ্চিত করা যায় এবং স্থানীয় পাঠ্যক্রমের সাথে সামঞ্জস্য বজায় থাকে.

এই কাজটি চলমান সহযোগিতামূলক গবেষণার একটি বৃহত্তর পরিসরের ভিত্তির উপর নির্মিত. লার্নিং ল্যাবে প্রতিষ্ঠাতা অংশীদারদের মাধ্যমে পরিচালিত ফলাফল-ভিত্তিক গবেষণার পাশাপাশি, OpenAI শেখা ও শ্রমের সংযোগস্থলে গবেষণাগুলোকেও সমর্থন করছে—AI কিভাবে শিক্ষার্থীদের একাডেমিক পথচলা, ক্যারিয়ার সিদ্ধান্ত এবং প্রতিষ্ঠানগুলো কিভাবে দায়িত্বশীল গ্রহণকে সমর্থন করতে পারে তা পর্যালোচনা করছে. এই গবেষণাটি Bocconi University, Innova Schools এবং Dartmouth-এর Tuck School of Business, San Diego State University, Stony Brook University এবং অন্যান্য প্রতিষ্ঠানে পরিচালিত হচ্ছে.

শিক্ষার্থীরা AI ব্যবহার করে কিভাবে সবচেয়ে ভালো শিখবে সে সম্পর্কে দীর্ঘমেয়াদী গবেষণা পরিচালনা করার সাথে সাথে, আমরা ফলাফল শেয়ার করতে এবং বৃহত্তর শিক্ষা ইকোসিস্টেমের সঙ্গে কাজ করতে চাই, যাতে AI সর্বত্র শিক্ষার্থীদের উপকারে আসে তা নিশ্চিত করা যায়.

যারা এই কাজের আপডেট পেতে আগ্রহী, তারা এখানে⁠ সাইন আপ করতে পারেন.