AI ਅਤੇ ਸਿੱਖਣ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਸਮਝਣ ਲਈ ਨਵੇਂ ਟੂਲ

ਸਿੱਖਿਆ AI ਦੇ ਸਭ ਤੋਂ ਉਮੀਦਭਰੇ ਅਤਿ-ਆਧੁਨਿਕ ਖੇਤਰਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ. ChatGPT ਵਰਗੇ ਟੂਲਾਂ ਨਾਲ, ਨਿੱਜੀਕ੍ਰਿਤ ਸਿੱਖਣ ਸਹਾਇਤਾ ਕਿਸੇ ਵੀ ਵਿਦਿਆਰਥੀ ਲਈ, ਕਿਤੇ ਵੀ, ਕਿਸੇ ਵੀ ਸਮੇਂ ਉਪਲਬਧ ਹੋ ਸਕਦੀ ਹੈ. 

ਪਰ ਸਿੱਖਿਆ ਖੇਤਰ ਹਾਲੇ ਵੀ ਸਿੱਖਣ ਦੇ ਨਤੀਜਿਆਂ ਉੱਤੇ AI ਦੇ ਪ੍ਰਭਾਵ ਦੀ ਸਮਝ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਸ਼ੁਰੂਆਤੀ ਪੜਾਅ 'ਤੇ ਹੈ. ਪਿਛਲੇ ਸਾਲ, ਸਾਡੀ ਟੀਮ ਨੇ ਸਟਡੀ ਮੋਡ⁠ ਵਰਗੇ ਟੂਲਾਂ ਦੇ ਵਰਤੋਂ ਦਾ ਅਧਿਐਨ ਕੀਤਾ ਅਤੇ ਵਿਦਿਆਰਥੀ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਉਤਸ਼ਾਹਜਨਕ ਵਾਧੇ ਵੇਖੇ. ਪਰ ਸਾਡੀ ਖੋਜ ਨੇ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸਵਾਲ ਵੀ ਖੜ੍ਹਾ ਕੀਤਾ: ਅਸੀਂ ਇਹ ਕਿਵੇਂ ਮਾਪ ਸਕਦੇ ਹਾਂ ਕਿ AI ਸਿਰਫ਼ ਆਖਰੀ ਪ੍ਰੀਖਿਆ 'ਤੇ ਨਹੀਂ, ਸਗੋਂ ਸਮੇਂ ਦੇ ਨਾਲ ਸਿੱਖਣ ਵਾਲੇ ਦੀ ਤਰੱਕੀ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ?

ਇਹ ਇੱਕ ਵਿਆਪਕ ਇਕੋਸਿਸਟਮ ਚੁਣੌਤੀ ਹੈ. ਅੱਜ ਤੱਕ, ਜ਼ਿਆਦਾਤਰ ਖੋਜ ਵਿਧੀਆਂ ਸੰਕੁਚਿਤ ਪ੍ਰਦਰਸ਼ਨ ਸੰਕੇਤਾਂ—ਜਿਵੇਂ ਟੈਸਟ ਅੰਕ—ਉੱਤੇ ਧਿਆਨ ਦਿੰਦੀਆਂ ਹਨ ਅਤੇ ਇਹ ਮਾਪਣ ਦੀ ਸਮਰੱਥਾ ਨਹੀਂ ਰੱਖਦੀਆਂ ਕਿ ਵਿਦਿਆਰਥੀ ਹਕੀਕਤੀ ਸੰਦਰਭਾਂ ਵਿੱਚ AI ਨਾਲ ਅਸਲ ਵਿੱਚ ਕਿਵੇਂ ਸਿੱਖਦੇ ਹਨ, ਅਤੇ ਉਹ ਵਰਤੋਂ ਸਮੇਂ ਦੇ ਨਾਲ ਨਤੀਜਿਆਂ ਨੂੰ ਕਿਵੇਂ ਆਕਾਰ ਦਿੰਦੀ ਹੈ. 

ਇਸ ਖਾਲੀਪਣ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ, ਅਸੀਂ Learning Outcomes Measurement Suite, ਵਿਕਸਿਤ ਕੀਤਾ, ਜੋ ਐਸਟੋਨੀਆ ਦੀ ਯੂਨੀਵਰਸਿਟੀ ਆਫ ਟਾਰਟੂ ਅਤੇ Stanford Accelerator for Learning ਦੀ SCALE Initiative ਨਾਲ ਮਿਲ ਕੇ ਬਣਾਇਆ ਗਿਆ ਇੱਕ ਫਰੇਮਵਰਕ ਹੈ, ਤਾਂ ਜੋ ਵੱਖ-ਵੱਖ ਸਿੱਖਿਆਕ ਸੰਦਰਭਾਂ ਵਿੱਚ ਸਿੱਖਣ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਲੰਬੇ ਸਮੇਂ ਦੀ ਮਾਪ ਦਾ ਸਮਰਥਨ ਕੀਤਾ ਜਾ ਸਕੇ. 

ਇੱਕ ਰੈਂਡਮਾਈਜ਼ਡ ਕੰਟਰੋਲਡ ਟ੍ਰਾਇਲ ਰਾਹੀਂ ਵਿਸ਼ਾਲ ਪੱਧਰ 'ਤੇ ਮਾਨਤਾ-ਪ੍ਰਕਿਰਿਆ ਜਾਰੀ ਹੈ, ਅਤੇ Learning Lab, ਜੋ OpenAI ਦਾ ਸਿੱਖਣ ਖੋਜ ਇਕੋਸਿਸਟਮ ਹੈ, ਵਿੱਚ ਸਥਾਪਕ ਸੰਗਠਨਾਂ ਨਾਲ ਹੋਰ ਖੋਜ ਦੀ ਯੋਜਨਾ ਹੈ, ਜਿਸ ਵਿੱਚ Arizona State University, UCL Knowledge Lab, ਅਤੇ MIT Media Lab ਦੇ ਖੋਜਕਰਤਾ ਸ਼ਾਮਲ ਹਨ (ਅਤੇ ਇਹ ਪਿਛਲੇ ਸਹਿਯੋਗੀ ਅਧਿਐਨਾਂ⁠ ਉੱਤੇ ਆਧਾਰਿਤ ਹੈ).

ਅੱਜ ਅਸੀਂ ਇਸ ਮਾਪਣ ਸੂਟ ਦੇ ਕੰਮ ਕਰਨ ਦੇ ਢੰਗ ਅਤੇ ਇਸ ਦੀ ਮਹੱਤਤਾ ਬਾਰੇ ਇੱਕ ਝਲਕ ਸਾਂਝੀ ਕਰ ਰਹੇ ਹਾਂ. ਸਮੇਂ ਦੇ ਨਾਲ, ਅਸੀਂ ਹੋਰ ਖੋਜ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਨ ਅਤੇ ਇਸ ਮਾਪਣ ਸੂਟ ਨੂੰ ਦੁਨੀਆ ਭਰ ਦੇ ਸਕੂਲਾਂ, ਯੂਨੀਵਰਸਿਟੀਆਂ ਅਤੇ ਸਿੱਖਿਆ ਪ੍ਰਣਾਲੀਆਂ ਲਈ ਇੱਕ ਜਨਤਕ ਸਰੋਤ ਵਜੋਂ ਜਾਰੀ ਕਰਨ ਦਾ ਇਰਾਦਾ ਰੱਖਦੇ ਹਾਂ.

• ਸਿੱਖਣ ਉੱਤੇ AI ਦੇ ਪ੍ਰਭਾਵ ਬਾਰੇ ਅੱਜ ਦੀਆਂ ਖੋਜ ਵਿਧੀਆਂ ਪ੍ਰਦਰਸ਼ਨ ਲਈ ਉਤਸ਼ਾਹਜਨਕ ਸੰਕੇਤ ਦਿਖਾਉਂਦੀਆਂ ਹਨ, ਪਰ ਸਮੇਂ ਦੇ ਨਾਲ AI ਸਿੱਖਣ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ, ਇਸ ਦੀ ਪੂਰੀ ਤਸਵੀਰ ਨਹੀਂ ਫੜਦੀਆਂ.
• Learning Outcomes Measurement Suite ਪਹਿਲੀ ਵਾਰ ਲੰਬੇ ਸਮੇਂ ਵਾਲੇ ਅਧਿਐਨਾਂ ਲਈ ਇੱਕ ਮਿਆਰੀ ਫਰੇਮਵਰਕ ਪ੍ਰਦਾਨ ਕਰੇਗਾ, ਜੋ ਅਧਿਆਪਕਾਂ, ਖੋਜਕਰਤਿਆਂ ਅਤੇ ਸੰਸਥਾਵਾਂ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰੇਗਾ ਕਿ AI ਵੱਖ-ਵੱਖ ਸੰਦਰਭਾਂ ਵਿੱਚ ਸਿੱਖਣ ਅਤੇ ਨਤੀਜਿਆਂ ਨੂੰ ਕਿਵੇਂ ਆਕਾਰ ਦਿੰਦਾ ਹੈ.
• OpenAI ਦਾ Learning Lab ਇਸ ਕੰਮ ਨੂੰ ਅੱਗੇ ਵਧਾਉਣ ਉੱਤੇ ਕੇਂਦ੍ਰਿਤ ਇੱਕ ਨਵਾਂ ਖੋਜ ਇਕੋਸਿਸਟਮ ਹੈ. ਜਿਵੇਂ-ਜਿਵੇਂ ਇਹ ਖੇਤਰ ਵਿਕਸਿਤ ਹੁੰਦਾ ਰਹੇਗਾ, OpenAI ਕਈ ਭਾਗੀਦਾਰਾਂ ਦੇ ਨਾਲ ਮਿਲ ਕੇ ਨਤੀਜੇ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰੇਗਾ.

ਜਦੋਂ ਵਿਦਿਆਰਥੀ ਪੜ੍ਹਾਈ ਅਤੇ ਸਿੱਖਣ ਲਈ AI ਟੂਲ ਵਰਤਦੇ ਹਨ, ਤਾਂ ਇਸਦਾ ਅਰਥ ਕਈ ਵੱਖ-ਵੱਖ ਚੀਜ਼ਾਂ ਹੋ ਸਕਦਾ ਹੈ—AI ਤੋਂ ਤੁਰੰਤ ਜਵਾਬ ਲੈਣ ਤੋਂ ਲੈ ਕੇ ਅਧਿਆਪਕ-ਜਿਹੀ ਰਹਿਨੁਮਾਈ ਨਾਲ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਕਦਮ-ਦਰ-ਕਦਮ ਹੱਲ ਕਰਨ ਤੱਕ. ਵਰਤੋਂਕਾਰਾਂ ਨੂੰ ChatGPT ਨਾਲ ਅਜਿਹੇ ਢੰਗਾਂ ਵਿੱਚ ਜੁੜਨ ਲਈ ਪ੍ਰੋਤਸਾਹਿਤ ਕਰਨ ਲਈ ਜੋ ਡੂੰਘੀ ਸਮਝ ਅਤੇ ਹੁਨਰ-ਨਿਰਮਾਣ ਦਾ ਸਮਰਥਨ ਕਰਨ, OpenAI ਨੇ ਪਿਛਲੇ ਸਾਲ ਸਟਡੀ ਮੋਡ⁠ ਪੇਸ਼ ਕੀਤਾ.  ਅੰਦਰੂਨੀ ਤੌਰ 'ਤੇ, ਸਟਡੀ ਮੋਡ ਕਸਟਮ ਸਿਸਟਮ ਨਿਰਦੇਸ਼ਾਂ ਨਾਲ ਚੱਲਦਾ ਹੈ ਜੋ ਅਸੀਂ ਅਧਿਆਪਕਾਂ, ਵਿਗਿਆਨੀਆਂ ਅਤੇ ਪੈਡਾਗੌਜੀ ਵਿਸ਼ੇਸ਼ਗਿਆਨਾਂ ਨਾਲ ਮਿਲ ਕੇ ਲਿਖੇ ਹਨ, ਤਾਂ ਜੋ ਉਹ ਅਸਲ ਸਿੱਖਣ ਨੂੰ ਸਹਾਰਾ ਦੇਣ ਵਾਲੀਆਂ ਮੂਲ ਵਰਤਾਰਿਆਂ ਨੂੰ ਦਰਸਾ ਸਕਣ, ਸਿਰਫ਼ ਜਵਾਬ ਨਹੀਂ—ਜਿਵੇਂ ਕਦਮਬੰਦੀ ਸਹਾਇਤਾ, ਸਮਝ ਦੀ ਜਾਂਚ ਅਤੇ ਨਿਰਦੇਸ਼ਿਤ ਅਭਿਆਸ.

ਇਹ ਜਾਂਚਣ ਲਈ ਕਿ ਕੀ ਪੈਡਾਗੌਜੀ ਨਾਲ ਅਨੁਕੂਲ AI ਸੰਚਾਰ ਸ਼ੈਲੀ ਵਧੀਆ ਸਿੱਖਣ ਦੇ ਨਤੀਜਿਆਂ ਵਿੱਚ ਤਬਦੀਲ ਹੁੰਦੀ ਹੈ, ਅਸੀਂ ਨਿਊਰੋਸਾਇੰਸ ਅਤੇ ਸੂਖਮ ਅਰਥਸ਼ਾਸਤਰ ਦੀਆਂ ਪ੍ਰੀਖਿਆਵਾਂ ਦੀ ਤਿਆਰੀ ਕਰ ਰਹੇ 300 ਤੋਂ ਵੱਧ ਕਾਲਜ ਵਿਦਿਆਰਥੀਆਂ ਨਾਲ ਇੱਕ ਰੈਂਡਮਾਈਜ਼ਡ ਅਧਿਐਨ ਕੀਤਾ. ਭਾਵੇਂ ਵਿਸ਼ਲੇਸ਼ਣ ਹਾਲੇ ਜਾਰੀ ਹੈ, ਮੁੱਢਲੇ ਨਤੀਜੇ ਸਾਨੂੰ ਇਹ ਭਰੋਸਾ ਦਿੰਦੇ ਹਨ ਕਿ ਪੈਡਾਗੌਜੀ ਨਾਲ ਅਨੁਕੂਲ AI ਸੰਚਾਰ ਸ਼ੈਲੀ, ਜਿਸਨੂੰ ਸਟਡੀ ਮੋਡ ਵਰਗੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਰਾਹੀਂ ਉਤਸ਼ਾਹਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਸਿੱਖਣ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਸੁਧਾਰ ਸਕਦੀ ਹੈ. ਪਰ ਇਸ ਖੋਜ ਨੇ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਹਕੀਕਤ ਵੀ ਉਜਾਗਰ ਕੀਤੀ: ਅਸਲ ਵਿੱਚ ਇਹ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ ਕਿ ਕੀ ਇਹ ਲਾਭ ਅਤੇ ਉਨ੍ਹਾਂ ਨਾਲ ਸੰਬੰਧਤ ਉਤਪਾਦਕ ਵਰਤਾਰੇ ਸਮੇਂ ਦੇ ਨਾਲ ਕਾਇਮ ਰਹਿੰਦੇ ਹਨ.

ਅਧਿਐਨ ਡਿਜ਼ਾਈਨ

ਭਾਗੀਦਾਰਾਂ ਨੂੰ ਤਿੰਨ ਗਰੁੱਪਾਂ ਵਿੱਚੋਂ ਇੱਕ ਵਿੱਚ ਰੱਖਿਆ ਗਿਆ: ਇੱਕ ਕੰਟਰੋਲ ਗਰੁੱਪ ਨੇ Google Search ਅਤੇ YouTube ਵਰਗੇ ਪਰੰਪਰਾਗਤ ਔਨਲਾਈਨ ਸਰੋਤਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪੜ੍ਹਾਈ ਕੀਤੀ, ਜਿੱਥੇ AI-ਤਿਆਰ ਝਲਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਯੋਗ ਸਨ, ਜਦਕਿ ਹੋਰ ਦੋ ਗਰੁੱਪਾਂ ਨੂੰ ਸਟਡੀ ਮੋਡ ਦੇ ਦੋ ਰੂਪਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੀ ਪਹੁੰਚ ਦਿੱਤੀ ਗਈ, ਜੋ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਸਿੱਖਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਥੋੜ੍ਹੇ ਵੱਖਰੇ ਢੰਗ ਨਾਲ ਰਹਿਨੁਮਾਈ ਕਰਨ ਲਈ ਬਣਾਏ ਗਏ ਸਨ. ਪਿਛਲੇ ਕੋਰਸ ਅਨੁਭਵ, ਪੜ੍ਹਾਈ ਦੀਆਂ ਆਦਤਾਂ, ਅਕਾਦਮਿਕ ਆਤਮ-ਭਰੋਸੇ ਅਤੇ AI ਟੂਲਾਂ ਨਾਲ ਜਾਣ-ਪਹਿਚਾਣ ਵਿੱਚ ਅੰਤਰਾਂ ਲਈ ਸਮਾਂਜਸਤਾ ਕਰਨ ਵਾਸਤੇ ਪਹਿਲਾਂ ਹੀ ਬੇਸਲਾਈਨ ਕੁਇਜ਼ ਅਤੇ ਔਨਬੋਰਡਿੰਗ ਸਰਵੇ ਇਕੱਠੇ ਕੀਤੇ ਗਏ. ਹਰ ਪ੍ਰੀਖਿਆ ਤੋਂ ਪਹਿਲਾਂ ਵਿਦਿਆਰਥੀਆਂ ਨੇ ਸਮਾਂ-ਸੀਮਿਤ ਸਟਡੀ ਮੋਡ ਸੈਸ਼ਨ ਪੂਰੇ ਕੀਤੇ, ਅਤੇ ਦੋਵੇਂ ਸਟਡੀ ਮੋਡ ਰੂਪਾਂਤਰਾਂ ਨੂੰ ਵਿਸ਼ਿਆਂ ਅਨੁਸਾਰ ਬਦਲ-ਬਦਲ ਕੇ ਵਰਤਾਇਆ ਗਿਆ.

ਇਹ ਸੈੱਟਅੱਪ ਕੜੇ ਤੌਰ 'ਤੇ ਨਿਯੰਤਰਿਤ ਲੈਬ ਮਾਹੌਲ ਦੀ ਥਾਂ ਅਸਲ ਦੁਨੀਆ ਦੀਆਂ ਪੜ੍ਹਾਈ ਸਥਿਤੀਆਂ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੀ. ਭਾਗੀਦਾਰੀ ਪ੍ਰੀਖਿਆ ਪ੍ਰਦਰਸ਼ਨ ਨਾਲ ਨਹੀਂ ਜੋੜੀ ਗਈ ਸੀ, ਅਤੇ ਨਾਮਾਤਰ 40 ਮਿੰਟ ਦੇ ਸੈਸ਼ਨਾਂ ਦੌਰਾਨ ਸਾਰੇ ਵਿਦਿਆਰਥੀਆਂ ਨੇ ਇੱਕੋ ਜਿਹੇ ਪੱਧਰ 'ਤੇ ਸਟਡੀ ਮੋਡ ਨਹੀਂ ਵਰਤਿਆ. ਇਸ ਨਾਲ ਸਾਨੂੰ intention-to-treat (ITT) ਪ੍ਰਭਾਵ ਮਾਪਣ ਅਤੇ ਰਿਪੋਰਟ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਮਿਲੀ—ਅਰਥਾਤ ਹਕੀਕਤੀ ਲਾਗੂਕਰਨ ਹਾਲਾਤਾਂ ਹੇਠ ਟੂਲ ਦੀ ਪਹੁੰਚ ਦਿੱਤੇ ਜਾਣ ਦਾ ਪ੍ਰਭਾਵ—ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਇਹ ਮੰਨਦੇ ਹੋਏ ਕਿ ਅਮਲ ਵਿੱਚ ਸ਼ਮੂਲੀਅਤ ਬਦਲ ਸਕਦੀ ਹੈ, ਸਟਡੀ ਮੋਡ ਦੀ ਪੇਸ਼ਕਸ਼ ਕੀਤੇ ਜਾਣ ਦਾ ਕਾਰਣਾਤਮਕ ਪ੍ਰਭਾਵ.

ਨਤੀਜੇ

ਅਸੀਂ ਹਰ ਪ੍ਰੀਖਿਆ ਵਿੱਚ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਵੱਖ-ਵੱਖ ਤੌਰ 'ਤੇ ਮਾਪਿਆ. ਸਾਡੇ ਰੈਂਡਮਾਈਜ਼ਡ ਅਧਿਐਨ ਵਿੱਚ, ਸੁਧਾਰ ਵਿਸ਼ਿਆਂ ਅਨੁਸਾਰ ਇੱਕੋ ਜਿਹੇ ਨਹੀਂ ਸਨ, ਅਤੇ ਭਾਗੀਦਾਰਾਂ ਵਿੱਚ ਸਟਡੀ ਮੋਡ ਨਾਲ ਸ਼ਮੂਲੀਅਤ ਦੇ ਪੱਧਰ ਵੀ ਵੱਖਰੇ ਸਨ. 

• ਨਿਊਰੋਸਾਇੰਸ (ਪ੍ਰਾਥਮਿਕ ITT): ਅਸੀਂ ਕੰਟਰੋਲ ਦੇ ਮੁਕਾਬਲੇ ਸਟਡੀ ਮੋਡ ਲਈ ਦਿਸ਼ਾਤਮਕ ਤੌਰ 'ਤੇ ਸਕਾਰਾਤਮਕ ਫ਼ਰਕ ਵੇਖੇ, ਪਰ ਨਤੀਜੇ ਉਹਨਾਂ ਵਿਦਿਆਰਥੀਆਂ ਤੋਂ ਵੱਖਰੇ ਨਹੀਂ ਸਨ ਜੋ ਪਰੰਪਰਾਗਤ ਔਨਲਾਈਨ ਸਰੋਤਾਂ ਨਾਲ ਪੜ੍ਹ ਰਹੇ ਸਨ. ਕੁਝ ਔਨਬੋਰਡਿੰਗ ਅਤੇ ਤਕਨੀਕੀ ਸਮੱਸਿਆਵਾਂ ਨੇ ਸਟਡੀ ਮੋਡ ਵਰਤਣ ਵਾਲੇ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਪੜ੍ਹਾਈ ਸਮੇਂ 'ਤੇ ਪ੍ਰਭਾਵ ਪਾਇਆ. 
• ਸੂਖਮ ਅਰਥਸ਼ਾਸਤਰ (ਪ੍ਰਾਥਮਿਕ ITT): ਅਸੀਂ ਉਹਨਾਂ ਵਿਦਿਆਰਥੀਆਂ ਵਿੱਚ ਪ੍ਰੀਖਿਆ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਵਾਧਾ ਵੇਖਿਆ ਜਿਨ੍ਹਾਂ ਨੂੰ ਸਟਡੀ ਮੋਡ ਦੀ ਪਹੁੰਚ ਦਿੱਤੀ ਗਈ ਸੀ, ਮੁਕਾਬਲੇ ਵਿੱਚ no-AI ਕੰਟਰੋਲ ਗਰੁੱਪ ਨਾਲ—ਲਗਭਗ 15% ਵੱਧ ਅੰਕ.

ਭਾਵੇਂ ਇਹ ਅਸਲ ਦੁਨੀਆ ਦੀ ਵੱਖਰਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਇਸ ਨੇ ਇਹ ਵੀ ਦਿਖਾਇਆ ਕਿ ਸਿੱਖਣ ਦੇ ਨਤੀਜੇ ਆਮ ਤੌਰ 'ਤੇ ਕਿਵੇਂ ਮਾਪੇ ਜਾਂਦੇ ਹਨ, ਉਸ ਵਿੱਚ ਇੱਕ ਹੋਰ ਡੂੰਘੀ ਸੀਮਾ ਮੌਜੂਦ ਹੈ.

ਅਧਿਕਤਰ ਮੌਜੂਦਾ ਮੁਲਾਂਕਣ ਪੱਧਤੀਆਂ ਛੋਟੀਆਂ ਸਮਾਂ-ਖਿੜਕੀਆਂ ਵਿੱਚ ਜਾਂਚੀਆਂ ਗਈਆਂ ਨਿਰਧਾਰਤ ਦਖ਼ਲਾਂ ਉੱਤੇ ਨਿਰਭਰ ਕਰਦੀਆਂ ਹਨ, ਜਿੱਥੇ ਟੈਸਟ ਅੰਕ ਜਾਂ ਅੰਤਿਮ ਲੇਖ ਵਰਗੇ ਨਤੀਜਿਆਂ ਨੂੰ ਮੁੱਖ ਸੰਕੇਤ ਵਜੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ. ਇਹ ਤਰੀਕੇ ਉਸ ਮੁੱਖ ਮਕੈਨਿਜ਼ਮ ਨੂੰ ਫੜਨ ਲਈ ਤਿਆਰ ਨਹੀਂ ਹਨ ਜਿਸ ਰਾਹੀਂ AI ਅਮਲ ਵਿੱਚ ਸਿੱਖਣ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ: ਚੱਲਦੀਆਂ, ਨਿੱਜੀਕ੍ਰਿਤ ਅੰਤਰਕਿਰਿਆਵਾਂ ਜੋ ਸਿੱਖਣ ਵਾਲੇ ਦੀਆਂ ਆਪਣੀਆਂ ਰਣਨੀਤੀਆਂ, ਪਸੰਦਾਂ ਅਤੇ ਪੜ੍ਹਾਈ ਆਦਤਾਂ ਨਾਲ ਨਾਲ ਵਿਕਸਿਤ ਹੁੰਦੀਆਂ ਹਨ. ਇਹ ਇਹ ਵੀ ਨਹੀਂ ਦਿਖਾਉਂਦੀਆਂ ਕਿ ਕਿਸੇ ਇੱਕ ਸਮਰੱਥਾ, ਜਿਵੇਂ ਛੋਟੇ ਸਮੇਂ ਦੀ ਯਾਦ, ਵਿੱਚ ਸੁਧਾਰ ਹੋਰ ਖੇਤਰਾਂ, ਜਿਵੇਂ ਡਟੇ ਰਹਿਣਾ, ਸੁਤੰਤਰ ਪ੍ਰੇਰਣਾ ਜਾਂ ਰਚਨਾਤਮਕ ਸਮੱਸਿਆ-ਹੱਲ, ਵਿੱਚ ਸਮਝੌਤਿਆਂ ਨਾਲ ਆ ਸਕਦਾ ਹੈ ਜਾਂ ਨਹੀਂ. ਨਤੀਜੇ ਵਜੋਂ, ਇਹ ਉਹ ਲੰਬੇ ਸਮੇਂ ਵਾਲੇ ਸੰਜੋਗਾਤਮਕ ਪ੍ਰਭਾਵ ਛੱਡ ਦਿੰਦੀਆਂ ਹਨ ਜੋ ਆਖਿਰਕਾਰ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ ਕਿ AI ਸਿੱਖਣ ਨੂੰ ਅਰਥਪੂਰਨ ਢੰਗ ਨਾਲ ਸੁਧਾਰਦਾ ਹੈ ਜਾਂ ਨਹੀਂ. 

ਕਿਉਂਕਿ ਸਿੱਖਣ ਦੇ ਮਾਹੌਲ ਦੇਸ਼ਾਂ, ਪਾਠਕ੍ਰਮਾਂ ਅਤੇ ਸੰਸਥਾਗਤ ਲਕਸ਼ਾਂ ਅਨੁਸਾਰ ਕਾਫ਼ੀ ਵੱਖਰੇ ਹੁੰਦੇ ਹਨ, ਇੱਕ-ਵਾਰੀਆਂ ਅਧਿਐਨਾਂ ਦੇ ਨਤੀਜੇ ਕਦਾਚਿਤ ਹੀ ਸਾਰੀਆਂ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਲਾਗੂ ਹੁੰਦੇ ਹਨ. ਇਸ ਲਈ ਮਾਪਣ ਪੱਧਤੀਆਂ ਇੰਨੀ ਲਚਕਦਾਰ ਹੋਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ ਕਿ ਵੱਖ-ਵੱਖ ਸਿੱਖਿਆ ਪ੍ਰਣਾਲੀਆਂ ਆਪਣੇ ਸੰਦਰਭ ਵਿੱਚ ਸਫਲਤਾ ਦੀ ਪਰਿਭਾਸ਼ਾ ਖੁਦ ਕਰ ਸਕਣ, AI ਦਾ ਮੁਲਾਂਕਣ ਆਪਣੇ ਮਾਪਦੰਡਾਂ ਅਨੁਸਾਰ ਕਰ ਸਕਣ, ਅਤੇ ਉਸ ਮੁਤਾਬਕ ਦੁਹਰਾਈ ਕਰ ਸਕਣ.

ਇੱਕ ਬਿਹਤਰ ਮਾਪਣ ਪ੍ਰਣਾਲੀ ਬਣਾਉਣਾ 

OpenAI ਦੀ ਸਟਡੀ ਮੋਡ ਖੋਜ ਤੋਂ ਮਿਲੀਆਂ ਸਿੱਖਿਆਵਾਂ ਦੇ ਆਧਾਰ 'ਤੇ, ਅਸੀਂ ਇੱਕ ਢਾਂਚੇਬੱਧ ਮਾਪਣ ਪ੍ਰਣਾਲੀ ਤਿਆਰ ਕਰ ਰਹੇ ਹਾਂ ਤਾਂ ਜੋ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਸਿੱਖਣ ਵਾਲਿਆਂ ਉੱਤੇ AI ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਮਾਪਿਆ ਜਾ ਸਕੇ, ਅਤੇ ਉਨ੍ਹਾਂ ਨਤੀਜਿਆਂ ਦੇ ਆਧਾਰ 'ਤੇ ਮਾਡਲਾਂ ਨੂੰ ਸੁਧਾਰਨ ਲਈ ਇੱਕ ਮਕੈਨਿਜ਼ਮ ਬਣਾਇਆ ਜਾ ਸਕੇ. ਇਹ ਤਿੰਨ ਸੰਕੇਤਾਂ ਉੱਤੇ ਆਧਾਰਿਤ ਹੈ—ਮਾਡਲ ਕਿਵੇਂ ਵਰਤਦਾ ਹੈ, ਸਿੱਖਣ ਵਾਲੇ ਕਿਵੇਂ ਜਵਾਬ ਦਿੰਦੇ ਹਨ, ਅਤੇ ਸਮੇਂ ਦੇ ਨਾਲ ਕਿਹੜੇ ਮਾਪਯੋਗ ਸੰਜੋਗਾਤਮਕ ਨਤੀਜੇ ਨਿਕਲਦੇ ਹਨ. ਇਸ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ: 

• ਮਾਡਲ ਵਿਹਾਰ ਨੂੰ ਸੁਧਾਰਣ ਲਈ ਸਿਸਟਮ ਨਿਰਦੇਸ਼: ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਡਲ ਦੇ ਡਿਫੌਲਟ ਵਿਹਾਰ ਨੂੰ ਬਦਲਣਾ, ਤਾਂ ਜੋ ਉਹ ਖ਼ਾਸ ਪੈਡਾਗੌਜੀਕ ਪੱਧਤੀਆਂ ਨਾਲ ਵਧੀਆ ਢੰਗ ਨਾਲ ਅਨੁਕੂਲ ਹੋ ਸਕੇ.
• ਸਿੱਖਣ ਅੰਤਰਕਿਰਿਆ ਵਰਗੀਕਰਣਕਾਰ: ਇਹ ਅਸਲ, ਗੈਰ-ਪਹਿਚਾਣਯੋਗ ਸਿੱਖਣ ਵਾਲਾ–ਮਾਡਲ ਅੰਤਰਕਿਰਿਆਵਾਂ ਵਿੱਚ “ਸਿੱਖਣ ਪਲਾਂ” ਨੂੰ ਆਪਣੇ ਆਪ ਪਛਾਣਦੇ ਹਨ ਅਤੇ ਸ਼ਮੂਲੀਅਤ ਅਤੇ ਗਲਤੀ-ਸੁਧਾਰ ਵਰਗੀਆਂ ਮਹੱਤਵਪੂਰਨ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਲੇਬਲ ਕਰਦੇ ਹਨ.
• ਸਿੱਖਣ ਗੁਣਵੱਤਾ ਗ੍ਰੇਡਰ: ਇਹ ਹਰ ਸਿੱਖਣ ਪਲ ਦਾ ਮੁਲਾਂਕਣ ਅਤੇ ਸਕੋਰ ਕਰਦੇ ਹਨ ਕਿ ਸਿੱਖਣ ਵਾਲੇ ਨੇ ਆਪਣਾ ਉਦੇਸ਼ ਹਾਸਲ ਕੀਤਾ ਜਾਂ ਨਹੀਂ ਅਤੇ ਅੰਤਰਕਿਰਿਆ ਕਿੰਨੀ ਹੱਦ ਤੱਕ ਮਜ਼ਬੂਤ ਪੈਡਾਗੌਜੀਕ ਸਿਧਾਂਤਾਂ ਦੇ ਅਨੁਸਾਰ ਸੀ, ਜਿਸ ਵਿੱਚ ਨਾਕਾਮੀ ਦੇ ਢੰਗਾਂ ਦੀ ਪਛਾਣ ਵੀ ਸ਼ਾਮਲ ਹੈ.
• ਲੰਬੇ ਸਮੇਂ ਵਾਲੇ ਸਿੱਖਣ ਗ੍ਰੇਡਰ: ਇਹ ਸਮੇਂ ਦੇ ਨਾਲ ਉਸੇ ਸਿੱਖਣ ਵਾਲੇ ਦੀਆਂ ਮਾਡਲ ਨਾਲ ਅੰਤਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਹੋਣ ਵਾਲੇ ਬਦਲਾਅ—ਜਿਸ ਵਿੱਚ ਸ਼ਮੂਲੀਅਤ, ਡਟੇ ਰਹਿਣਾ ਅਤੇ ਮੈਟਾਕੋਗਨਿਟਿਵ ਰਣਨੀਤੀਆਂ ਸ਼ਾਮਲ ਹਨ—ਨੂੰ ਵਿਅਕਤੀਗਤ ਅਤੇ ਕੋਹੋਰਟ ਦੋਵੇਂ ਪੱਧਰਾਂ 'ਤੇ ਟ੍ਰੈਕ ਕਰਦੇ ਹਨ.
• ਮਿਆਰੀਕ੍ਰਿਤ ਸੰਜੋਗਾਤਮਕ ਅਤੇ ਮੈਟਾਕੋਗਨਿਟਿਵ ਮਾਪ: ਇਹ ਤੀਜੇ ਪੱਖ ਦੇ ਪ੍ਰਮਾਣਿਤ ਸਾਧਨ ਹਨ ਜੋ ChatGPT ਰਾਹੀਂ ਪਹੁੰਚ ਤੋਂ ਪਹਿਲਾਂ, ਦੌਰਾਨ ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਦਿੱਤੇ ਜਾਂਦੇ ਹਨ, ਤਾਂ ਜੋ ਬੇਸਲਾਈਨ ਸਥਾਪਿਤ ਕੀਤੀ ਜਾ ਸਕੇ ਅਤੇ ਆਲੋਚਨਾਤਮਕ ਸੋਚ, ਰਚਨਾਤਮਕਤਾ ਅਤੇ ਯਾਦਦਾਸ਼ਤ ਵਰਗੀਆਂ ਬੁਨਿਆਦੀ ਸਮਰੱਥਾਵਾਂ ਵਿੱਚ ਬਦਲਾਅ ਮਾਪੇ ਜਾ ਸਕਣ.

ਇਹ ਸਭ ਇਕੱਠੇ ਹੋਣ 'ਤੇ, ਅਸੀਂ ਇਸ ਮਾਪਣ ਪ੍ਰਣਾਲੀ ਨੂੰ Learning Outcomes Measurement Suite. ਕਹਿੰਦੇ ਹਾਂ.

ਇਹ ਸਿੱਖਿਆ ਇਕੋਸਿਸਟਮ ਲਈ ਮਹੱਤਵਪੂਰਨ ਸੰਕੇਤ ਪੈਦਾ ਕਰਦੀ ਹੈ: ਸਿੱਖਣ ਪਲਾਂ ਦੇ ਢਾਂਚੇਬੱਧ ਦ੍ਰਿਸ਼, ਡੈਸ਼ਬੋਰਡ ਜੋ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਕੋਹੋਰਟਾਂ ਵਿੱਚ ਸਮੇਂ ਦੇ ਨਾਲ ਨਤੀਜੇ ਕਿਵੇਂ ਬਦਲਦੇ ਹਨ, ਪੜ੍ਹਾਉਣ ਅਤੇ ਟਿਊਟੋਰਿੰਗ ਰੂਬਰਿਕਾਂ ਦੇ ਮੁਕਾਬਲੇ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਸੰਕੇਤਕ, ਅਤੇ ਮਿਆਰੀਕ੍ਰਿਤ ਮੁਲਾਂਕਣਾਂ ਅਤੇ ਛੋਟੀਆਂ ਸਿੱਖਣ ਵਾਲੇ ਪ੍ਰਸ਼ਨਾਵਲੀਆਂ ਨਾਲ ਮਿਲਦੇ-ਜੁਲਦੇ ਨਤੀਜਾ ਮਾਪ. ਜਿੱਥੇ ਉਪਲਬਧ ਹੋਣ, ਇਹ ਭਾਗੀਦਾਰਾਂ ਵੱਲੋਂ ਦਿੱਤੇ ਗਏ ਗ੍ਰਾਊਂਡ ਟਰੂਥ ਨੂੰ ਵੀ ਸ਼ਾਮਲ ਕਰ ਸਕਦੀ ਹੈ, ਜਿਵੇਂ ਪ੍ਰੀਖਿਆ ਅੰਕ, ਕਲਾਸਰੂਮ ਅਵਲੋਕਨ ਜਾਂ ਹਾਜ਼ਰੀ.

ਇਹ ਸਾਡੇ ਭਾਗੀਦਾਰਾਂ ਨੂੰ ਸਮੇਂ ਦੇ ਨਾਲ ਸਿੱਖਣ ਲਈ AI ਦੀ ਵਰਤੋਂ ਦੇ ਡੂੰਘੇ ਸੰਜੋਗਾਤਮਕ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਸਮਝਣ ਯੋਗ ਵੀ ਬਣਾਉਂਦੀ ਹੈ, ਕਿਉਂਕਿ ਇਸ ਪ੍ਰਣਾਲੀ ਰਾਹੀਂ ਅਸੀਂ ਹੇਠ ਲਿਖੀਆਂ ਸਮਰੱਥਾਵਾਂ ਉੱਤੇ ਪ੍ਰਭਾਵ ਵੀ ਟ੍ਰੈਕ ਕਰ ਸਕਦੇ ਹਾਂ:

• ਸੁਤੰਤਰ ਪ੍ਰੇਰਣਾ: ਉਹ ਹੱਦ ਜਿੱਥੇ ਸਿੱਖਣ ਵਾਲੇ ਆਪਣੇ ਅਧਿਐਨ ਨੂੰ ਖੁਦ ਆਕਾਰ ਦੇ ਰਹੇ ਹਨ ਬਨਾਮ ਮਾਡਲ ਦੁਆਰਾ ਨਿਰਦੇਸ਼ਿਤ ਹੋਣ ਦੇ 
• ਉਤਪਾਦਕ ਸ਼ਮੂਲੀਅਤ: ਪੈਡਾਗੌਜੀਕ ਅੰਤਰਕਿਰਿਆਵਾਂ ਦੀ ਆਵਰਤੀ, ਵਿਭਿੰਨਤਾ ਅਤੇ ਗੁਣਵੱਤਾ
• ਕਾਰਜ ਡਟਾਅ: ਉਹ ਹੱਦ ਜਿੱਥੇ ਸਿੱਖਣ ਵਾਲਾ ਸੰਜੋਗਾਤਮਕ ਚੁਣੌਤੀਆਂ ਨਾਲ ਜੁੜਿਆ ਰਹਿੰਦਾ ਹੈ ਅਤੇ ਉਨ੍ਹਾਂ ਵਿਚੋਂ ਲੰਘਦਾ ਹੈ
• ਮੈਟਾਕੋਗਨਿਸ਼ਨ: ਪੜ੍ਹਾਈ ਲਈ ਆਪਣੇ ਰੁਖ ਦੀ ਯੋਜਨਾ ਬਣਾਉਣ, ਮਨਨ ਕਰਨ ਅਤੇ ਨਿਗਰਾਨੀ ਕਰਨ ਵਿੱਚ ਸਿੱਖਣ ਵਾਲੇ ਦੀਆਂ ਕੋਸ਼ਿਸ਼ਾਂ ਦੀ ਆਵਰਤੀ ਅਤੇ ਗੁਣਵੱਤਾ
• ਯਾਦ: ਉਹ ਸਹੀਪਣ ਜਿਸ ਨਾਲ ਸਿੱਖਣ ਵਾਲਾ ਪਿਛਲੀਆਂ ਅੰਤਰਕਿਰਿਆਵਾਂ ਦੀ ਸਮੱਗਰੀ ਨੂੰ ਯਾਦ ਕਰ ਸਕਦਾ ਹੈ

ਇਹ ਸਾਡੇ ਕੁੱਲ ਯਤਨਾਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਅਸੀਂ ਸਿਰਫ਼ ਸਿੱਖਣ ਦੇ ਨਤੀਜਿਆਂ ਦੀਆਂ ਸੰਕੁਚਿਤ ਪਰਿਭਾਸ਼ਾਵਾਂ (ਜਿਵੇਂ ਟੈਸਟ ਅੰਕ ਵਧਣਾ) ਉੱਤੇ ਧਿਆਨ ਨਾ ਦੇਈਏ, ਸਗੋਂ ਉਹ ਸਰਵਾਂਗੀਣ ਸਮਰੱਥਾਵਾਂ ਉੱਤੇ ਵੀ ਧਿਆਨ ਦੇਈਏ ਜੋ ਸਿੱਖਣ ਦੀ ਨੀਂਹ ਹਨ. ਇਹ ਸਾਡੇ ਇਸ ਵਿਸ਼ਵਾਸ ਨੂੰ ਵੀ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਕਿਹੜੀ ਚੀਜ਼ ਲਈ ਅਨੁਕੂਲਨ ਕਰਨਾ ਹੈ, ਇਸ ਬਾਰੇ ਕੋਈ ਇੱਕ ਹੀ ਜਾਦੂਈ ਹੱਲ ਨਹੀਂ ਹੋਵੇਗਾ: ਪ੍ਰਣਾਲੀਆਂ ਅਤੇ ਅਧਿਆਪਕਾਂ ਨੂੰ ਪੈਡਾਗੌਜੀਕ ਸਰਵੋਤਮ ਅਭਿਆਸ ਅਤੇ ਪੱਧਤੀਆਂ ਦੇ ਅਨੁਸਾਰ ਸਮਝੌਤੇ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਸਸ਼ਕਤ ਕੀਤਾ ਜਾਣਾ ਲਾਜ਼ਮੀ ਹੋਵੇਗਾ.

ਅੱਗੇ ਦਾ ਰਾਹ

ਅਸੀਂ Learning Outcomes Measurement Suite ਨੂੰ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਵੱਡੇ ਪੱਧਰ ਦੇ ਅਧਿਐਨਾਂ ਰਾਹੀਂ ਇਸਦੀ ਮਾਨਤਾ ਕਰ ਰਹੇ ਹਾਂ. ਇਹ ਕੰਮ ਯੂਨੀਵਰਸਿਟੀ ਆਫ ਟਾਰਟੂ ਅਤੇ Stanford ਦੀ SCALE Initiative ਨਾਲ, ਐਸਟੋਨੀਆ ਵਰਗੇ ਰਾਸ਼ਟਰੀ ਪੱਧਰ ਦੇ ਭਾਗੀਦਾਰਾਂ ਵਿੱਚ ਜਾਰੀ ਹੈ, ਜਿੱਥੇ ਇਸ ਮਾਪਣ ਸੂਟ ਦਾ ਕਈ ਮਹੀਨਿਆਂ ਦੌਰਾਨ 16-18 ਸਾਲ ਉਮਰ ਦੇ ਲਗਭਗ 20,000 ਵਿਦਿਆਰਥੀਆਂ ਨਾਲ ਅਧਿਐਨ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ. ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਵਰਤੋਂ ਸਥਾਨਕ ਨੇਤਾਵਾਂ ਨਾਲ ਨਜ਼ਦੀਕੀ ਸਹਿਯੋਗ ਵਿੱਚ ਹੋਵੇਗੀ, ਤਾਂ ਜੋ ਸੁਰੱਖਿਆ ਅਤੇ ਸਥਾਨਕ ਪਾਠਕ੍ਰਮਾਂ ਨਾਲ ਅਨੁਕੂਲਤਾ ਯਕੀਨੀ ਬਣਾਈ ਜਾ ਸਕੇ.

ਇਹ ਕੰਮ ਸਹਿਯੋਗੀ ਖੋਜ ਦੇ ਇੱਕ ਵਿਆਪਕ ਸੰਗ੍ਰਹਿ ਉੱਤੇ ਆਧਾਰਿਤ ਹੈ ਜੋ ਇਸ ਵੇਲੇ ਚੱਲ ਰਹੀ ਹੈ. Learning Lab ਦੇ ਸਥਾਪਕ ਭਾਗੀਦਾਰਾਂ ਰਾਹੀਂ ਕੀਤੀ ਜਾ ਰਹੀ ਨਤੀਜਾ-ਖੋਜ ਤੋਂ ਇਲਾਵਾ, OpenAI ਸਿੱਖਣ ਅਤੇ ਮਿਹਨਤ ਦੇ ਸੰਧਿ-ਬਿੰਦੂ 'ਤੇ ਅਧਿਐਨਾਂ ਦਾ ਵੀ ਸਮਰਥਨ ਕਰ ਰਿਹਾ ਹੈ—ਇਹ ਵੇਖਣ ਲਈ ਕਿ AI ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਅਕਾਦਮਿਕ ਰਸਤੇ, ਕਰੀਅਰ ਫ਼ੈਸਲੇ ਅਤੇ ਸੰਸਥਾਵਾਂ ਦੁਆਰਾ ਜ਼ਿੰਮੇਵਾਰ ਅਪਣਾਉਣ ਨੂੰ ਕਿਵੇਂ ਸਹਾਰਾ ਦਿੱਤਾ ਜਾ ਸਕਦਾ ਹੈ. ਇਹ ਖੋਜ Bocconi University, Innova Schools ਅਤੇ Dartmouth ਦੀ Tuck School of Business, San Diego State University, Stony Brook University ਅਤੇ ਹੋਰਾਂ ਵਿੱਚ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ.

ਜਿਵੇਂ-ਜਿਵੇਂ ਅਸੀਂ ਇਸ ਬਾਰੇ ਲੰਬੇ ਸਮੇਂ ਦੀਆਂ ਖੋਜਾਂ ਕਰਦੇ ਹਾਂ ਕਿ ਵਿਦਿਆਰਥੀ AI ਨਾਲ ਸਭ ਤੋਂ ਵਧੀਆ ਕਿਵੇਂ ਸਿੱਖਦੇ ਹਨ, ਅਸੀਂ ਨਤੀਜੇ ਸਾਂਝੇ ਕਰਨ ਅਤੇ ਵਿਆਪਕ ਸਿੱਖਿਆ ਇਕੋਸਿਸਟਮ ਨਾਲ ਕੰਮ ਕਰਨ ਦਾ ਇਰਾਦਾ ਰੱਖਦੇ ਹਾਂ, ਤਾਂ ਜੋ AI ਹਰ ਥਾਂ ਸਿੱਖਣ ਵਾਲਿਆਂ ਲਈ ਲਾਭਦਾਇਕ ਹੋਵੇ.

ਜੋ ਲੋਕ ਇਸ ਕੰਮ ਬਾਰੇ ਅੱਪਡੇਟ ਪ੍ਰਾਪਤ ਕਰਨ ਵਿੱਚ ਦਿਲਚਸਪੀ ਰੱਖਦੇ ਹਨ, ਉਹ ਇੱਥੇ⁠ ਸਾਈਨ ਅਪ ਕਰ ਸਕਦੇ ਹਨ.