AI ಅನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ಕಲಿಕೆ ಫಲಿತಾಂಶಗಳಿಗಾಗಿ ಹೊಸ ಉಪಕರಣಗಳು

ಶಿಕ್ಷಣವು AI ಯ ಅತ್ಯಾಧುನಿಕ ಮತ್ತು ಅತ್ಯಂತ ಭರವಸೆಯ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ChatGPT ನಂತಹ ಪರಿಕರಗಳೊಂದಿಗೆ, ವೈಯಕ್ತಿಕೃತ ಕಲಿಕೆ ಬೆಂಬಲವು ಯಾವುದೇ ವಿದ್ಯಾರ್ಥಿಗೆ, ಎಲ್ಲಿಯಾದರೂ, ಯಾವುದೇ ಸಮಯದಲ್ಲಿ ಲಭ್ಯವಾಗಬಹುದು. 

ಆದರೆ ಶಿಕ್ಷಣ ಕ್ಷೇತ್ರವು AI ಯ ಪ್ರಭಾವವನ್ನು ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳ ಮೇಲೆ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಲ್ಲಿ ಇನ್ನೂ ಆರಂಭಿಕ ಹಂತದಲ್ಲಿದೆ. ಕಳೆದ ವರ್ಷ, ನಮ್ಮ ತಂಡವು ಸ್ಟಡಿ ಮೋಡ್⁠ ಹೀಗಿನ ಸಾಧನಗಳ ಬಳಕೆಯನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು ಮುಂದಾಯಿತು ಮತ್ತು ವಿದ್ಯಾರ್ಥಿಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿ ಆಶಾದಾಯಕ ಸುಧಾರಣೆಗಳನ್ನು ಕಂಡುಹಿಡಿದಿತು. ಆದರೆ ನಮ್ಮ ಸಂಶೋಧನೆಯು ಒಂದು ಪ್ರಮುಖ ಪ್ರಶ್ನೆಯನ್ನು ಎತ್ತಿದೆ: ಅಂತಿಮ ಪರೀಕ್ಷೆಯಲ್ಲಿ ಮಾತ್ರವಲ್ಲ, AI ಕಾಲಕ್ರಮೇಣ ಕಲಿಯುವವರ ಪ್ರಗತಿಗೆ ಹೇಗೆ ಪ್ರಭಾವ ಬೀರುತ್ತದೆ ಎಂಬುದನ್ನು ನಾವು ಹೇಗೆ ಮೌಲ್ಯಮಾಪನ ಮಾಡಬಹುದು?

ಇದು ವ್ಯಾಪಕ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯ ಸವಾಲಾಗಿದೆ. ಇಲ್ಲಿಯವರೆಗೆ, ಹೆಚ್ಚಿನ ಸಂಶೋಧನಾ ವಿಧಾನಗಳು ಪರೀಕ್ಷಾ ಅಂಕಗಳಂತಹ ಸೀಮಿತ ಕಾರ್ಯಕ್ಷಮತಾ ಸಿಗ್ನಲ್‌ಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತವೆ—ಮತ್ತು ನೈಜ-ಪ್ರಪಂಚದ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ವಿದ್ಯಾರ್ಥಿಗಳು AI ಜೊತೆಗೆ ನಿಜವಾಗಿ ಹೇಗೆ ಕಲಿಯುತ್ತಾರೆ ಹಾಗೂ ಆ ಬಳಕೆ ಸಮಯದೊಂದಿಗೆ ಫಲಿತಾಂಶಗಳನ್ನು ಹೇಗೆ ರೂಪಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿಲ್ಲ. 

ಈ ಅಂತರವನ್ನು ಪರಿಹರಿಸಲು, ನಾವು ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳ ಮಾಪನ ಸೂಟ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದೇವೆ—ವಿವಿಧ ಶೈಕ್ಷಣಿಕ ಸಂದರ್ಭಗಳಲ್ಲಿ ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳ ದೀರ್ಘಾವಧಿಯ ಮಾಪನಕ್ಕೆ ಬೆಂಬಲ ನೀಡಲು ಎಸ್ಟೋನಿಯಾದ ಟಾರ್ಟು ವಿಶ್ವವಿದ್ಯಾಲಯ ಮತ್ತು ಕಲಿಕೆಗಾಗಿ ಸ್ಟ್ಯಾನ್‌ಫೋರ್ಡ್ ವೇಗವರ್ಧಕದ SCALE Initiative ಜೊತೆಗೆ ರಚಿಸಲಾದ ಒಂದು ಫ್ರೇಮ್‌ವರ್ಕ್. 

ಯಾದೃಚ್ಛಿಕ ನಿಯಂತ್ರಿತ ಪ್ರಯೋಗದ ಮೂಲಕ ವ್ಯಾಪಕ ಮಾನ್ಯೀಕರಣ ನಡೆಯುತ್ತಿದೆ ಮತ್ತು Learning Lab, OpenAI ಯ ಕಲಿಕೆ ಸಂಶೋಧನಾ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಸ್ಥಾಪಕ ಸಂಸ್ಥೆಗಳೊಂದಿಗೆ ಮುಂದಿನ ಸಂಶೋಧನೆಯನ್ನು ಯೋಜಿಸಲಾಗಿದೆ; ಇದರಲ್ಲಿ ಅರಿಝೋನಾ ಸ್ಟೇಟ್ ಯೂನಿವರ್ಸಿಟಿ, UCL ನಾಲೆಡ್ಜ್ ಲ್ಯಾಬ್ ಮತ್ತು MIT ಮೀಡಿಯಾ ಲ್ಯಾಬ್ ನ ಸಂಶೋಧಕರು ಸೇರಿದ್ದಾರೆ ( ಹಿಂದಿನ ಸಹಯೋಗಿ ಅಧ್ಯಯನಗಳನ್ನು⁠ ಆಧರಿಸಿ).

ಇಂದು, ಮಾಪನ ಸೂಟ್ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಇದು ಏಕೆ ಮುಖ್ಯವಾಗಿದೆ ಎಂಬುದರ ಒಂದು ಅವಲೋಕನವನ್ನು ನಾವು ಹಂಚಿಕೊಳ್ಳುತ್ತಿದ್ದೇವೆ. ಕಾಲಕ್ರಮೇಣ, ನಾವು ಹೆಚ್ಚಿನ ಸಂಶೋಧನೆಯನ್ನು ಪ್ರಕಟಿಸಲು ಮತ್ತು ಮಾಪನ ಸ್ಯೂಟ್ ಅನ್ನು ವಿಶ್ವದಾದ್ಯಂತ ಶಾಲೆಗಳು, ವಿಶ್ವವಿದ್ಯಾಲಯಗಳು ಮತ್ತು ಶಿಕ್ಷಣ ವ್ಯವಸ್ಥೆಗಳಿಗಾಗಿ ಸಾರ್ವಜನಿಕ ಸಂಪನ್ಮೂಲವಾಗಿ ಬಿಡುಗಡೆ ಮಾಡಲು ಉದ್ದೇಶಿಸುತ್ತೇವೆ.

• AI ಕಲಿಕೆಯ ಮೇಲೆ ಬೀರುವ ಪರಿಣಾಮದ ಕುರಿತು ಇಂದಿನ ಸಂಶೋಧನಾ ವಿಧಾನಗಳು ಕಾರ್ಯಕ್ಷಮತೆಯ ಬಗ್ಗೆ ಭರವಸೆಯ ಸೂಚನೆಗಳನ್ನು ತೋರಿಸುತ್ತವೆ, ಆದರೆ AI ಸಮಯದೊಂದಿಗೆ ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳ ಮೇಲೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ ಎಂಬುದರ ಸಂಪೂರ್ಣ ಚಿತ್ರವನ್ನು ಸೆರೆಹಿಡಿಯುವುದಿಲ್ಲ.
• The ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳ ಮಾಪನ ಸೂಟ್ ಮೊದಲ ಬಾರಿಗೆ, ವಿವಿಧ ಸಂದರ್ಭಗಳಾದ್ಯಂತ AI ಕಲಿಕೆ ಮತ್ತು ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ಹೇಗೆ ರೂಪಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಶಿಕ್ಷಕರು, ಸಂಶೋಧಕರು ಮತ್ತು ಸಂಸ್ಥೆಗಳು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುವ ದೀರ್ಘಾವಧಿಯ ಅಧ್ಯಯನಗಳಿಗೆ ಮಾನಕ ಚೌಕಟ್ಟನ್ನು ಒದಗಿಸುತ್ತದೆ.
• OpenAI ಯ ಲರ್ನಿಂಗ್ ಲ್ಯಾಬ್ ಈ ಕಾರ್ಯವನ್ನು ಮುಂದುವರಿಸುವುದರ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದ ಹೊಸ ಸಂಶೋಧನಾ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯಾಗಿದೆ. ಕ್ಷೇತ್ರವು ಮುಂದುವರಿದು ಅಭಿವೃದ್ಧಿಯಾಗುತ್ತಿರುವಂತೆ OpenAI ವಿವಿಧ ಪಾಲುದಾರರ ಶ್ರೇಣಿಯೊಂದಿಗೆ ಪಕ್ಕಪಕ್ಕದಲ್ಲೇ ಕಂಡುಹಿಡಿದದ್ದನ್ನು ಪ್ರಕಟಿಸುತ್ತದೆ.

ವಿದ್ಯಾರ್ಥಿಗಳು ಅಧ್ಯಯನ ಮಾಡಲು ಮತ್ತು ಕಲಿಯಲು AI ಉಪಕರಣಗಳನ್ನು ಬಳಸುವಾಗ, ಅದಕ್ಕೆ ಅನೇಕ ವಿಭಿನ್ನ ಅರ್ಥಗಳಿರಬಹುದು—ತ್ವರಿತ ಉತ್ತರಗಳಿಗಾಗಿ AI ಯತ್ತ ಹೋಗುವುದರಿಂದ ಹಿಡಿದು, ಟ್ಯೂಟರ್‌ನಂತಹ ಮಾರ್ಗದರ್ಶನದೊಂದಿಗೆ ಹಂತ ಹಂತವಾಗಿ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಅದನ್ನು ಬಳಸುವವರೆಗೆ. ಬಳಕೆದಾರರು ChatGPT ಯೊಂದಿಗೆ ಹೆಚ್ಚು ಆಳವಾದ ಅರ್ಥಗರ್ಭಿತ ತಿಳುವಳಿಕೆ ಮತ್ತು ಕೌಶಲ್ಯ-ನಿರ್ಮಾಣಕ್ಕೆ ಬೆಂಬಲಿಸುವ ರೀತಿಯಲ್ಲಿ ತೊಡಗಿಸಿಕೊಳ್ಳಲು ಉತ್ತೇಜಿಸಲು, OpenAI ಕಳೆದ ವರ್ಷ ಸ್ಟಡಿ ಮೋಡ್⁠ ಅನ್ನು ಪರಿಚಯಿಸಿತು.  ಒಳಗಿನಿಂದ, ಸ್ಟಡಿ ಮೋಡ್ ಅನ್ನು ನಾವು ಶಿಕ್ಷಕರು, ವಿಜ್ಞಾನಿಗಳು ಮತ್ತು ಪೆಡಗೊಜಿ ತಜ್ಞರ ಸಹಯೋಗದಲ್ಲಿ ಬರೆದಿರುವ ಕಸ್ಟಮ್ ಸಿಸ್ಟಮ್ ಸೂಚನೆಗಳು ಚಾಲಿತಗೊಳಿಸುತ್ತವೆ; ಇವು ಸ್ಕಾಫೋಲ್ಡಿಂಗ್, ಅರ್ಥಮಾಡಿಕೊಂಡಿದೆಯೇ ಎಂಬ ಪರಿಶೀಲನೆಗಳು ಮತ್ತು ಮಾರ್ಗದರ್ಶಿತ ಅಭ್ಯಾಸವನ್ನು ಬಳಸಿ, ಕೇವಲ ಉತ್ತರಗಳನ್ನು ಅಲ್ಲ—ನಿಜವಾದ ಕಲಿಕೆಯನ್ನು ಬೆಂಬಲಿಸುವ ಮೂಲ ನಡವಳಿಕೆಗಳ ಸಮೂಹವನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತವೆ.

ಈ ರೀತಿಯ ಪೆಡಗಾಜಿಕಲ್ ಹೊಂದಾಣಿಕೆಯ AI ಸಂವಹನ ಶೈಲಿ ಉತ್ತಮ ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳಿಗೆ ಅನುವಾದವಾಗುತ್ತದೆಯೇ ಎಂಬುದನ್ನು ಪರೀಕ್ಷಿಸಲು, ನಾವು ನ್ಯೂರೋಸೈನ್ಸ್ ಮತ್ತು ಮೈಕ್ರೋಇಕಾನಾಮಿಕ್ಸ್ ಪರೀಕ್ಷೆಗಳಿಗೆ ತಯಾರಾಗುತ್ತಿದ್ದ 300 ಕ್ಕೂ ಹೆಚ್ಚು ಕಾಲೇಜು ವಿದ್ಯಾರ್ಥಿಗಳೊಂದಿಗೆ ಯಾದೃಚ್ಛಿಕ ಅಧ್ಯಯನ ನಡೆಸಿದೆವು. ವಿಶ್ಲೇಷಣೆ ಇನ್ನೂ ನಡೆಯುತ್ತಿರುವಾಗ, ಸ್ಟಡಿ ಮೋಡ್‌ನಂತಹ ವೈಶಿಷ್ಟ್ಯಗಳ ಮೂಲಕ ಉತ್ತೇಜಿಸಲ್ಪಡುವ ಪೆಡಗಾಜಿಕಲ್‌ ಹೊಂದಾಣಿಕೆಯ AI ಸಂವಹನ ಶೈಲಿ ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ಸುಧಾರಿಸಬಹುದು ಎಂಬ ವಿಶ್ವಾಸವನ್ನು ಆರಂಭಿಕ ಫಲಿತಾಂಶಗಳು ನಮಗೆ ನೀಡುತ್ತವೆ. ಆದರೆ ಈ ಸಂಶೋಧನೆ ಮತ್ತೊಂದು ಪ್ರಮುಖ ವಾಸ್ತವವನ್ನೂ ಹೊರತಂದಿತು: ನಿಜವಾಗಿ ಮುಖ್ಯವಾದುದು ಎಂದರೆ ಲಾಭಗಳು ಮತ್ತು ಸಂಬಂಧಿತ ಉತ್ಪಾದಕ ನಡವಳಿಕೆಗಳು ದೀರ್ಘಕಾಲಿಕವಾಗಿ ಉಳಿಯುತ್ತವೆಯೇ ಎಂಬುದು.

ಅಧ್ಯಯನ ವಿನ್ಯಾಸ

ಭಾಗವಹಿಸಿದವರನ್ನು ಮೂರು ಗುಂಪುಗಳಲ್ಲಿ ಒಂದಕ್ಕೆ ನಿಯೋಜಿಸಲಾಯಿತು: ನಿಯಂತ್ರಣ ಗುಂಪು Google Search ಮತ್ತು YouTube ಮುಂತಾದ ಸಾಂಪ್ರದಾಯಿಕ ಆನ್‌ಲೈನ್ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಬಳಸಿ ಅಧ್ಯಯನ ಮಾಡಿತು, AI ಉತ್ಪಾದಿತ ಅವಲೋಕನ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ನಿಷ್ಕ್ರಿಯಗೊಳಿಸಲಾಗಿತ್ತು. ಇನ್ನು ಎರಡು ಹೆಚ್ಚುವರಿ ಗುಂಪುಗಳಿಗೆ ಸ್ವಲ್ಪ ವಿಭಿನ್ನ ರೀತಿಯಲ್ಲಿ ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ಕಲಿಕೆಯ ಪ್ರಕ್ರಿಯೆಯ ಮೂಲಕ ಮಾರ್ಗದರ್ಶನ ಮಾಡಲು ವಿನ್ಯಾಸಗೊಳಿಸಿದ ಎರಡು ಸ್ಟಡಿ ಮೋಡ್ ರೂಪಾಂತರಗಳಲ್ಲಿ ಒಂದಕ್ಕೆ ಪ್ರವೇಶವನ್ನು ನೀಡಲಾಯಿತು. ಹಿಂದಿನ ಪಠ್ಯಕ್ರಮದ ಪರಿಚಯ, ಅಧ್ಯಯನ ಅಭ್ಯಾಸಗಳು, ಶೈಕ್ಷಣಿಕ ಆತ್ಮವಿಶ್ವಾಸ ಮತ್ತು AI ಸಾಧನಗಳ ಪರಿಚಿತತೆಯಲ್ಲಿನ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಸರಿಹೊಂದಿಸಲು ಮೂಲಭೂತ ಕ್ವಿಜ್‌ಗಳು ಮತ್ತು ಆನ್‌ಬೋರ್ಡಿಂಗ್ ಸಮೀಕ್ಷೆಗಳನ್ನು ಮುಂಚಿತವಾಗಿಯೇ ಸಂಗ್ರಹಿಸಲಾಯಿತು. ಪ್ರತಿ ಪರೀಕ್ಷೆಗೆ ಮೊದಲು ವಿದ್ಯಾರ್ಥಿಗಳು ಸಮಯ-ನಿಯಂತ್ರಿತ ಸ್ಟಡಿ ಮೋಡ್ ಸೆಷನ್‌ಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದರು, ಮತ್ತು ಸ್ಟಡಿ ಮೋಡ್‌ನ ಎರಡು ರೂಪಾಂತರಗಳನ್ನು ವಿಷಯಗಳಾದ್ಯಂತ ಸಮತೋಲನಗೊಳಿಸಲಾಯಿತು.

ಈ ಸೆಟಪ್ ಅನ್ನು ಕಟ್ಟುನಿಟ್ಟಾಗಿ ನಿಯಂತ್ರಿತ ಲ್ಯಾಬ್ ಪರಿಸರಕ್ಕಿಂತ ನೈಜ ಜಗತ್ತಿನ ಅಧ್ಯಯನ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವಂತೆ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಭಾಗವಹಿಸುವಿಕೆ ಪರೀಕ್ಷೆಯ ಪ್ರದರ್ಶನಕ್ಕೆ ಸಂಬಂಧಿಸಿರಲಿಲ್ಲ, ಮತ್ತು ನಾಮಮಾತ್ರ 40 ನಿಮಿಷಗಳ ಸೆಷನ್‌ಗಳ ವೇಳೆ ಎಲ್ಲಾ ವಿದ್ಯಾರ್ಥಿಗಳು ಸ್ಟಡಿ ಮೋಡ್ ಅನ್ನು ಒಂದೇ ಮಟ್ಟಿಗೆ ಬಳಸಲಿಲ್ಲ. ಇದರಿಂದ ನಮಗೆ ಚಿಕಿತ್ಸೆಯ ಉದ್ದೇಶ (ITT) ಪರಿಣಾಮಗಳನ್ನು ಮಾಪನ ಮಾಡಿ ವರದಿ ಮಾಡಲು ಸಾಧ್ಯವಾಯಿತು, ಅಂದರೆ ವಾಸ್ತವಿಕ ರೋಲೌಟ್ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಸಾಧನಕ್ಕೆ ಪ್ರವೇಶವನ್ನು ಒದಗಿಸಲಾಗಿರುವುದರಿಂದ ಉಂಟಾಗುವ ಪರಿಣಾಮ—ಇನ್ನೊಂದು ಮಾತಿನಲ್ಲಿ, ಸ್ಟಡಿ ಮೋಡ್ ಅನ್ನು ಆಫರ್ ಮಾಡುವುದರಿಂದ ಉಂಟಾಗುವ ಕಾರಣಾತ್ಮಕ ಪರಿಣಾಮ, ಪ್ರಾಯೋಗಿಕವಾಗಿ ತೊಡಗಿಸಿಕೊಳ್ಳುವಿಕೆ ಬದಲಾಗಬಹುದು ಎಂಬುದನ್ನು ಒಪ್ಪಿಕೊಂಡು.

ಶೋಧನೆಗಳು

ನಾವು ಪ್ರತಿಯೊಂದು ಪರೀಕ್ಷೆಯಲ್ಲೂ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಅಳೆದಿದ್ದೇವೆ. ನಮ್ಮ ಯಾದೃಚ್ಛಿಕ ಅಧ್ಯಯನದಲ್ಲಿ, ಸುಧಾರಣೆಗಳು ವಿಷಯಗಳಾದ್ಯಂತ ಏಕರೂಪವಾಗಿರಲಿಲ್ಲ ಮತ್ತು ಸ್ಟಡಿ ಮೋಡ್‌ನೊಂದಿಗೆ ತೊಡಗಿಸಿಕೊಳ್ಳುವ ಮಟ್ಟಗಳು ಭಾಗವಹಿಸಿದವರಾದ್ಯಂತ ಬದಲಾಗುತ್ತಿತ್ತು. 

• ನ್ಯೂರೋಸೈನ್ಸ್ (ಪ್ರಾಥಮಿಕ ITT): ನಿಯಂತ್ರಣದ ಹೋಲಿಕೆಯಲ್ಲಿ ಸ್ಟಡಿ ಮೋಡ್‌ಗೆ ದಿಕ್ಕಿನ ದೃಷ್ಟಿಯಿಂದ ಧನಾತ್ಮಕ ವ್ಯತ್ಯಾಸಗಳನ್ನು ನಾವು ಗಮನಿಸಿದ್ದೇವೆ, ಆದರೆ ಫಲಿತಾಂಶಗಳು ಸಾಂಪ್ರದಾಯಿಕ ಆನ್‌ಲೈನ್ ಸಂಪನ್ಮೂಲಗಳೊಂದಿಗೆ ಅಧ್ಯಯನ ಮಾಡುವ ವಿದ್ಯಾರ್ಥಿಗಳಿಂದ ಭೇದಿಸಲಾಗಲಿಲ್ಲ. ಸ್ಟಡಿ ಮೋಡ್ ಬಳಸುತ್ತಿರುವ ವಿದ್ಯಾರ್ಥಿಗಳಲ್ಲಿ ಅಧ್ಯಯನಕ್ಕೆ ಕಳೆಯುವ ಸಮಯದ ಮೇಲೆ ಕೆಲವು ಆನ್‌ಬೋರ್ಡಿಂಗ್ ಮತ್ತು ತಾಂತ್ರಿಕ ಸಮಸ್ಯೆಗಳು ಪರಿಣಾಮ ಬೀರಿವೆ. 
• ಮೈಕ್ರೋಇಕಾನಾಮಿಕ್ಸ್ (ಪ್ರಾಥಮಿಕ ITT): ಸ್ಟಡಿ ಮೋಡ್‌ಗೆ ಪ್ರವೇಶವನ್ನು ನಿಯೋಜಿಸಲಾದ ವಿದ್ಯಾರ್ಥಿಗಳಲ್ಲಿ, no-AI ನಿಯಂತ್ರಣ ಗುಂಪಿನ vs ಹೋಲಿಕೆಯಲ್ಲಿ, ಪರೀಕ್ಷಾ ಪ್ರದರ್ಶನದಲ್ಲಿ ಅರ್ಥಪೂರ್ಣ ಸುಧಾರಣೆಗಳನ್ನು ನಾವು ಗಮನಿಸಿದ್ದೇವೆ—ಸಾಪೇಕ್ಷವಾಗಿ ಸರಿಸುಮಾರು 15% ಹೆಚ್ಚು ಅಂಕ.

ಇದು ನೈಜ ಜಗತ್ತಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಪ್ರತಿಬಿಂಬಿಸಿದರೂ, ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಹೇಗೆ ಅಳೆಯಲಾಗುತ್ತದೆ ಎಂಬುದರಲ್ಲಿ ಇರುವ ಆಳವಾದ ಮಿತಿಯನ್ನು ಇದು ಬೆಳಕಿಗೆ ತಂದಿತು.

ಬಹುತೇಕ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಮೌಲ್ಯಮಾಪನ ವಿಧಾನಗಳು ಕಡಿಮೆ ಅವಧಿಯ ಸಮಯ ಕಿಟಕಿಗಳಲ್ಲಿ ಮೌಲ್ಯಮಾಪನಗೊಳ್ಳುವ ಸ್ಥಿರ ಹಸ್ತಕ್ಷೇಪಗಳ ಮೇಲೆ ಅವಲಂಬಿಸಿವೆ ಮತ್ತು ಪರೀಕ್ಷಾ ಅಂಕಗಳು ಅಥವಾ ಅಂತಿಮ ಪ್ರಬಂಧಗಳಂತಹ ಫಲಿತಾಂಶಗಳನ್ನು ಪ್ರಾಥಮಿಕ ಸಂಕೇತಗಳಾಗಿ ಬಳಸುತ್ತವೆ. ಈ ವಿಧಾನಗಳು ಪ್ರಾಯೋಗಿಕವಾಗಿ AI ಕಲಿಕೆಗೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ ಎಂಬುದರ ಮೂಲ ಯಾಂತ್ರಿಕತೆಯನ್ನು ಹಿಡಿದಿಡಲು ವಿನ್ಯಾಸಗೊಳಿಸಲ್ಪಟ್ಟಿಲ್ಲ: ಕಲಿಯುವವರ ಸ್ವಂತ ತಂತ್ರಗಳು, ಆದ್ಯತೆಗಳು ಮತ್ತು ಅಧ್ಯಯನ ಅಭ್ಯಾಸಗಳೊಂದಿಗೆ ಜೊತೆಯಾಗಿ ವಿಕಸನಗೊಳ್ಳುವ ನಿರಂತರ, ವೈಯಕ್ತಿಕಗೊಳಿಸಿದ ಸಂವಹನಗಳು. ಅಲ್ಲದೆ, ಅಲ್ಪಾವಧಿ ಸ್ಮರಣೆ ಮುಂತಾದ ಒಂದು ಸಾಮರ್ಥ್ಯದಲ್ಲಿ ಸುಧಾರಣೆಗಳು, ಸ್ಥಿರತೆ, ಸ್ವಾಯತ್ತ ಪ್ರೇರಣೆ ಅಥವಾ ಸೃಜನಾತ್ಮಕ ಸಮಸ್ಯೆ ಪರಿಹಾರ ಮುಂತಾದ ಇತರಗಳಲ್ಲಿ ತ್ಯಾಗ-ವಿನಿಮಯಗಳೊಂದಿಗೆ ಜೊತೆಯಾಗಬಹುದೇ ಎಂಬುದನ್ನೂ ಅವುಗಳು ಹೊರತರುವುದಿಲ್ಲ. ಪರಿಣಾಮವಾಗಿ, AI ಕಲಿಕೆಯನ್ನು ಅರ್ಥಪೂರ್ಣವಾಗಿ ಸುಧಾರಿಸುತ್ತದೆಯೇ ಎಂಬುದನ್ನು ಅಂತಿಮವಾಗಿ ನಿರ್ಧರಿಸುವ ದೀರ್ಘಕಾಲೀನ ಜ್ಞಾನಾತ್ಮಕ ಪರಿಣಾಮಗಳನ್ನು ಅವರು ಗಮನಿಸದೆ ಬಿಡುತ್ತಾರೆ. 

ದೇಶಗಳು, ಪಠ್ಯಕ್ರಮಗಳು ಮತ್ತು ಸಂಸ್ಥೆಗಳ ಗುರಿಗಳಾದ್ಯಂತ ಕಲಿಕೆಯ ಪರಿಸರಗಳು ಬಹಳವಾಗಿ ಭಿನ್ನವಾಗಿರುವುದರಿಂದ, ಒಂದೇ ಬಾರಿ ನಡೆಸುವ ಅಧ್ಯಯನಗಳಿಂದ ದೊರೆಯುವ ಫಲಿತಾಂಶಗಳು ಅಪರೂಪವಾಗಿ ಸಾಮಾನ್ಯೀಕರಿಸುತ್ತವೆ. ಆದ್ದರಿಂದ, ಮಾಪನ ವಿಧಾನಗಳು ವಿಭಿನ್ನ ಶಿಕ್ಷಣ ವ್ಯವಸ್ಥೆಗಳು ತಮ್ಮ ಸಂದರ್ಭದಲ್ಲೇ ಯಶಸ್ಸು ಹೇಗಿರುತ್ತದೆ ಎಂಬುದನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಲು, ತಮ್ಮದೇ ಮಾನದಂಡಗಳ ವಿರುದ್ಧ AI ಅನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಮತ್ತು ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಪುನರಾವರ್ತಿಸಲು ಸಾಕಷ್ಟು ಲವಚಿಕವಾಗಿರಬೇಕು.

ಉತ್ತಮ ಮಾಪನ ವ್ಯವಸ್ಥೆಯನ್ನು ನಿರ್ಮಿಸುವುದು 

OpenAI ಯ ಸ್ಟಡಿ ಮೋಡ್ ಸಂಶೋಧನೆಯಿಂದ ಪಡೆದ ಕಲಿಕೆಗಳ ಆಧಾರದ ಮೇಲೆ, ನಾವು ಕಲಿಯುವವರ ಮೇಲೆ AI ಯ ಪರಿಣಾಮವನ್ನು ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ಅಳೆಯಲು ಒಂದು ಸಂರಚಿತ ಅಳತೆ ವ್ಯವಸ್ಥೆಯನ್ನು ನಿರ್ಮಿಸುತ್ತಿದ್ದೇವೆ ಮತ್ತು ಆ ಫಲಿತಾಂಶಗಳ ಆಧಾರದ ಮೇಲೆ ಮಾಡೆಲ್‌ಗಳನ್ನು ಸುಧಾರಿಸಲು ಒಂದು ವ್ಯವಸ್ಥೆಯನ್ನು ರಚಿಸುತ್ತಿದ್ದೇವೆ. ಇದು ಮೂರು ಸಂಕೇತಗಳಲ್ಲಿ ಆಧಾರಿತವಾಗಿದೆ—ಮಾಡೆಲ್ ಹೇಗೆ ವರ್ತಿಸುತ್ತದೆ, ಕಲಿಯುವವರು ಹೇಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತಾರೆ ಮತ್ತು ಸಮಯದೊಂದಿಗೆ ಯಾವ ಅಳೆಯಬಹುದಾದ ಜ್ಞಾನಾತ್ಮಕ ಫಲಿತಾಂಶಗಳು ಉಂಟಾಗುತ್ತವೆ. ಇದು ಇವುಗಳನ್ನು ಒಳಗೊಂಡಿದೆ: 

• ಮಾಡೆಲ್ ವರ್ತನೆಯನ್ನು ಸುಧಾರಿಸಲು ವ್ಯವಸ್ಥೆಯ ಸೂಚನೆಗಳು: ನಿರ್ದಿಷ್ಟ ಪೆಡಗಾಜಿಕಲ್ ವಿಧಾನಗಳಿಗೆ ಉತ್ತಮವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುವಂತೆ ಮಾಡೆಲ್‌ನ ಡೀಫಾಲ್ಟ್ ವರ್ತನೆಯನ್ನು ಬದಲಾಯಿಸಲು ನೈಸರ್ಗಿಕ ಭಾಷೆಯ ಬಳಕೆ.
• ಕಲಿಕೆ ಸಂವಹನ ವರ್ಗೀಕಾರಕಗಳು: ಇವು ನೈಜ, ಗುರುತು ತೆಗೆಯಲಾದ, ಕಲಿಯುವವರು–ಮಾಡೆಲ್ ಸಂವಹನಗಳೊಳಗೆ “ಕಲಿಕೆಯ ಕ್ಷಣಗಳನ್ನು” ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಪತ್ತೆಹಚ್ಚಿ, ತೊಡಗಿಸಿಕೊಳ್ಳುವಿಕೆ ಮತ್ತು ದೋಷ ತಿದ್ದುಪಡಿ ಮುಂತಾದ ಪ್ರಮುಖ ಲಕ್ಷಣಗಳಿಗೆ ಲೇಬಲ್ ಹಾಕುತ್ತವೆ.
• ಕಲಿಕೆಯ ಗುಣಮಟ್ಟ ಗ್ರೇಡರ್‌ಗಳು: ಇವು ಕಲಿಯುವವರು ತಮ್ಮ ಗುರಿಯನ್ನು ಸಾಧಿಸಿದ್ದಾರೆಯೇ ಮತ್ತು ಸಂವಹನವು ಬಲವಾದ ಪೆಡಗಾಜಿಕಲ್ ತತ್ವಗಳನ್ನು ಎಷ್ಟರ ಮಟ್ಟಿಗೆ ಅನುಸರಿಸಿದೆ ಎಂಬುದರ ಆಧಾರದ ಮೇಲೆ, ವೈಫಲ್ಯ ಮೋಡ್‌ಗಳ ಗುರುತಿಸುವಿಕೆಯನ್ನು ಒಳಗೊಂಡಂತೆ, ಆ ಕಲಿಕೆಯ ಪ್ರತಿಯೊಂದು ಕ್ಷಣವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ ಅಂಕ ನೀಡುತ್ತವೆ.
• ದೀರ್ಘಕಾಲಿಕ ಕಲಿಕೆ ಗ್ರೇಡರ್‌ಗಳು: ಇವು ಕಾಲಕ್ರಮೇಣ ಅದೇ ಕಲಿಯುವವರ ಮಾಡೆಲ್‌ನೊಂದಿಗೆ ಇರುವ ಸಂವಹನಗಳಲ್ಲಿ ಆಗುವ ಬದಲಾವಣೆಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುತ್ತವೆ—ತೊಡಗಿಸಿಕೊಳ್ಳುವಿಕೆ, ಸ್ಥಿರತೆ, ಮತ್ತು ಮೆಟಾಕಾಗ್ನಿಟಿವ್ ತಂತ್ರಗಳನ್ನು ಒಳಗೊಂಡಂತೆ—ವ್ಯಕ್ತಿಗತ ಮತ್ತು ಸಮೂಹ ಮಟ್ಟಗಳಲ್ಲಿ.
• ಪ್ರಮಾಣೀಕೃತ ಜ್ಞಾನಾತ್ಮಕ ಮತ್ತು ಮೆಟಾಜ್ಞಾನಾತ್ಮಕ ಮಾಪನಗಳು: ಇವು ಮಾನ್ಯೀಕರಿಸಲಾದ ಮೂರನೇ-ಪಕ್ಷ ಸಾಧನಗಳು; ಮೂಲಮಟ್ಟಗಳನ್ನು ಸ್ಥಾಪಿಸಲು ಮತ್ತು ವಿಮರ್ಶಾತ್ಮಕ ಚಿಂತನೆ, ಸೃಜನಶೀಲತೆ ಮತ್ತು ಸ್ಮರಣೆ ಮುಂತಾದ ಮೂಲಭೂತ ಸಾಮರ್ಥ್ಯಗಳಲ್ಲಿ ಬದಲಾವಣೆಗಳನ್ನು ಅಳೆಯಲು ChatGPT ಮೂಲಕ ಪ್ರವೇಶದ ಮೊದಲು, ಪ್ರವೇಶದ ಸಮಯದಲ್ಲಿ ಅಥವಾ ನಂತರ ಒದಗಿಸಲಾಗುತ್ತದೆ.

ಒಟ್ಟುಗೂಡಿಸಿದಾಗ, ನಾವು ಈ ಮಾಪನ ವ್ಯವಸ್ಥೆಯನ್ನು ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳ ಮಾಪನ ಸೂಟ್ಎಂದು ಉಲ್ಲೇಖಿಸುತ್ತೇವೆ.

ಇದು ಶಿಕ್ಷಣ ಪರಿಸರ ವ್ಯವಸ್ಥೆ ಬಳಸಬಹುದಾದ ಪ್ರಮುಖ ಸಂಕೇತಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ: ಕಲಿಕೆಯ ಕ್ಷಣಗಳ ಸಂರಚಿತ ದೃಶ್ಯಗಳು, ಗುಂಪುಗಳಾದ್ಯಂತ ಸಮಯದೊಂದಿಗೆ ಫಲಿತಾಂಶಗಳು ಹೇಗೆ ಬದಲಾಗುತ್ತವೆ ಎಂಬುದನ್ನು ತೋರಿಸುವ ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ಗಳು, ಬೋಧನೆ ಮತ್ತು ಟ್ಯುಟರಿಂಗ್ ರೂಬ್ರಿಕ್‌ಗಳ ವಿರುದ್ಧ ಮಾಡೆಲ್ ಕಾರ್ಯಕ್ಷಮತೆಯ ಸೂಚಕಗಳು ಮತ್ತು ಮಾನಕೀಕೃತ ಮೌಲ್ಯಮಾಪನಗಳು ಹಾಗೂ ಚಿಕ್ಕ ಕಲಿಯುವವರ ಪ್ರಶ್ನಾವಳಿಗಳೊಂದಿಗೆ ಹೊಂದಾಣಿಕೆಗೊಂಡ ಫಲಿತಾಂಶ ಮಾಪನಗಳು. ಲಭ್ಯವಿರುವಲ್ಲಿ, ಇದು ಪರೀಕ್ಷಾ ಅಂಕಗಳು, ತರಗತಿ ವೀಕ್ಷಣೆಗಳು ಅಥವಾ ಹಾಜರಾತಿ ಮುಂತಾದ ಪಾಲುದಾರರು ಒದಗಿಸಿದ ಮೂಲ ಸತ್ಯವನ್ನು ಒಳಗೊಳ್ಳಬಹುದು.

ಇದು ನಮ್ಮ ಪಾಲುದಾರರಿಗೆ ಕಾಲಕ್ರಮೇಣ ಕಲಿಕೆಗೆ AI ಬಳಸುವುದರಿಂದ ಉಂಟಾಗುವ ಆಳವಾದ ಜ್ಞಾನಾತ್ಮಕ ಪರಿಣಾಮಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹ ಸಾಧ್ಯವಾಗುತ್ತದೆ, ಏಕೆಂದರೆ ಈ ವ್ಯವಸ್ಥೆಯ ಮೂಲಕ ನಾವು ಕೆಳಗಿನಂತಹ ಸಾಮರ್ಥ್ಯಗಳ ಮೇಲೆ ಆಗುವ ಪರಿಣಾಮವನ್ನು ಸಹ ಟ್ರ್ಯಾಕ್ ಮಾಡಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ:

• ಸ್ವಾಯತ್ತ ಪ್ರೇರಣೆ: ಕಲಿಯುವವರು ಮಾಡೆಲ್‌ನಿಂದ ನಿರ್ದೇಶಿತರಾಗುವುದಕ್ಕಿಂತ ತಮ್ಮದೇ ಅಧ್ಯಯನಗಳನ್ನು ಎಷ್ಟರ ಮಟ್ಟಿಗೆ ರೂಪಿಸುತ್ತಿದ್ದಾರೆ ಎಂಬ ಮಟ್ಟ 
• ಉತ್ಪಾದಕ ತೊಡಗಿಸಿಕೊಳ್ಳುವಿಕೆ: ಪೆಡಗಾಜಿಕಲ್ ಪರಸ್ಪರ ಕ್ರಿಯೆಗಳ ಆವೃತ್ತಿ, ವೈವಿಧ್ಯ ಮತ್ತು ಗುಣಮಟ್ಟ
• ಕಾರ್ಯ ನಿರಂತರತೆ: ಕಲಿಯುವವರು ಅರಿವಿನ ಸವಾಲುಗಳೊಂದಿಗೆ ಎಷ್ಟು ಮಟ್ಟಿಗೆ ಕುಳಿತುಕೊಂಡು ಅವನ್ನು ದಾಟಿ ಮುಂದುವರಿಯುತ್ತಾರೆ ಎಂಬ ಮಟ್ಟ
• ಮೆಟಾಕಾಗ್ನಿಷನ್: ಕಲಿಯುವವರ ಅಧ್ಯಯನ ವಿಧಾನಗಳನ್ನು ಯೋಜಿಸಲು, ಪರಾಮರ್ಶಿಸಲು ಮತ್ತು ನಿಗಾ ವಹಿಸಲು ಅವರ ಪ್ರಯತ್ನಗಳ ಆವರ್ತನ ಮತ್ತು ಗುಣಮಟ್ಟ
• ರೀಕಾಲ್: ಹಿಂದಿನ ಸಂವಹನಗಳಿಂದ ಕಲಿತ ವಿಷಯವನ್ನು ಕಲಿಯುವವನು ಎಷ್ಟು ನಿಖರವಾಗಿ ನೆನಪಿಟ್ಟುಕೊಳ್ಳಬಲ್ಲನು ಎಂಬುದು

ಇದು ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳ (ಪರೀಕ್ಷಾ ಅಂಕಗಳು ಏರುವುದು) ಕಿರಿದಾದ ವ್ಯಾಖ್ಯಾನಗಳ ಮೇಲೆ ಮಾತ್ರ ಗಮನಹರಿಸದೆ, ಕಲಿಕೆಗೆ ಆಧಾರವಾಗಿರುವ ಸಮಗ್ರ ಸಾಮರ್ಥ್ಯಗಳ ಮೇಲೆ ಗಮನಹರಿಸುವ ನಮ್ಮ ಒಟ್ಟಾರೆ ಪ್ರಯತ್ನಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ. ಇದು ನಾವು ಯಾವದನ್ನು ಆಪ್ಟಿಮೈಸ್ ಮಾಡಬೇಕು ಎಂಬ ವಿಷಯದಲ್ಲಿ ಯಾವುದೇ “ಸಿಲ್ವರ್ ಬುಲೆಟ್” ಇರುವುದಿಲ್ಲ ಎಂಬ ನಮ್ಮ ನಂಬಿಕೆಯನ್ನು ಸಹ ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ: ಪೆಡಗಾಜಿಕಲ್ ಅತ್ಯುತ್ತಮ ಅಭ್ಯಾಸ ಮತ್ತು ವಿಧಾನಗಳಿಗೆ ಹೊಂದಾಣಿಕೆಯಲ್ಲಿ ತ್ಯಾಗ-ಸಮಜಾಯಿಷಿಗಳನ್ನು ಮಾರ್ಗದರ್ಶಿಸಲು ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಶಿಕ್ಷಕರಿಗೆ ಸಬಲೀಕರಣ ನೀಡಬೇಕಾಗುತ್ತದೆ.

ಇಲ್ಲಿಂದ ನಾವು ಎಲ್ಲಿಗೆ ಹೋಗುತ್ತೇವೆ

ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳ ಮಾಪನ ಸೂಟ್ ಅನ್ನು ವಿಶಾಲವಾಗಿ ಲಭ್ಯವಾಗುವಂತೆ ಮಾಡುವ ಮೊದಲು, ದೊಡ್ಡ ಪ್ರಮಾಣದ ಅಧ್ಯಯನಗಳ ಮೂಲಕ ನಾವು ಅದನ್ನು ಪರಿಶೀಲಿಸುತ್ತಿದ್ದೇವೆ. ಈ ಕೆಲಸವು ಟಾರ್ಟು ವಿಶ್ವವಿದ್ಯಾಲಯ ಮತ್ತು ಸ್ಟ್ಯಾನ್‌ಫೋರ್ಡ್‌ನ SCALE Initiative ಜೊತೆಗೆ, ಎಸ್ಟೋನಿಯಾ ಮುಂತಾದ ರಾಷ್ಟ್ರಮಟ್ಟದ ಪಾಲುದಾರರಾದ್ಯಂತ ಪ್ರಗತಿಯಲ್ಲಿದೆ; ಅಲ್ಲಿ ಮಾಪನ ಸೂಟ್ ಅನ್ನು ಹಲವು ತಿಂಗಳುಗಳ ಅವಧಿಯಲ್ಲಿ 16-18 ವಯಸ್ಸಿನ ಸುಮಾರು 20,000 ವಿದ್ಯಾರ್ಥಿಗಳೊಂದಿಗೆ ಅಧ್ಯಯನ ಮಾಡಲಾಗುತ್ತಿದೆ. ವಿದ್ಯಾರ್ಥಿಗಳ ಬಳಕೆ ಸ್ಥಳೀಯ ನಾಯಕರೊಂದಿಗೆ ನಿಕಟ ಸಹಕಾರದಲ್ಲಿ ನಡೆಯುತ್ತದೆ, ಸುರಕ್ಷತೆ ಮತ್ತು ಸ್ಥಳೀಯ ಪಠ್ಯಕ್ರಮಗಳೊಂದಿಗೆ ಹೊಂದಾಣಿಕೆಯನ್ನು ಖಚಿತಪಡಿಸಲು.

ಈ ಕೆಲಸವು ಪ್ರಗತಿಯಲ್ಲಿರುವ ವಿಶಾಲ ಸಹಯೋಗಾತ್ಮಕ ಸಂಶೋಧನೆಯ ಮೇಲೆ ಆಧಾರಿತವಾಗಿದೆ. Learning Lab ನ ಸ್ಥಾಪಕ ಪಾಲುದಾರರ ಮೂಲಕ ನಡೆಸಲಾಗುತ್ತಿರುವ ಫಲಿತಾಂಶಗಳ ಸಂಶೋಧನೆಗೆ ಹೆಚ್ಚುವರಿಯಾಗಿ, OpenAI ಕಲಿಕೆ ಮತ್ತು ಕಾರ್ಮಿಕ ಕ್ಷೇತ್ರಗಳ ಸಂಧಿಸ್ಥಳದಲ್ಲಿ ಅಧ್ಯಯನಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತಿದೆ—AI ವಿದ್ಯಾರ್ಥಿಗಳ ಶೈಕ್ಷಣಿಕ ಪಥಗಳು, ವೃತ್ತಿ ನಿರ್ಧಾರಗಳು ಮತ್ತು ಜವಾಬ್ದಾರಿಯುತ ಅಳವಡಿಕೆಯನ್ನು ಬೆಂಬಲಿಸಲು ಸಂಸ್ಥೆಗಳು ಹೇಗೆ ಸಹಾಯ ಮಾಡಬಹುದು ಎಂಬುದನ್ನು ಪರಿಶೀಲಿಸುತ್ತಿದೆ. ಈ ಸಂಶೋಧನೆ Bocconi University, Innova Schools, Dartmouth ನ Tuck School of Business, San Diego State University, Stony Brook University ಮತ್ತು ಇತರ ಸಂಸ್ಥೆಗಳಾದ್ಯಂತ ನಡೆಯುತ್ತಿದೆ.

ವಿದ್ಯಾರ್ಥಿಗಳು AI ಯೊಂದಿಗೆ ಹೇಗೆ ಉತ್ತಮವಾಗಿ ಕಲಿಯುತ್ತಾರೆ ಎಂಬುದರ ಕುರಿತು ನಾವು ದೀರ್ಘಾವಧಿಯ ಅಧ್ಯಯನಗಳನ್ನು ನಡೆಸುತ್ತಿರುವಂತೆ, ಕಂಡುಕೊಂಡ ವಿಷಯಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳಲು ಮತ್ತು AI ಎಲ್ಲೆಡೆ ಕಲಿಯುವವರಿಗೆ ಪ್ರಯೋಜನವಾಗುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ವಿಶಾಲವಾದ ಶಿಕ್ಷಣ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲು ನಾವು ಉದ್ದೇಶಿಸಿದ್ದೇವೆ.

ಈ ಕೆಲಸದ ಅಪ್‌ಡೇಟ್‌ಗಳನ್ನು ಸ್ವೀಕರಿಸಲು ಆಸಕ್ತರಾಗಿರುವವರು ಇಲ್ಲಿ⁠ ಸೈನ್ ಅಪ್ ಮಾಡಬಹುದು.