AI మరియు లెర్నింగ్ అవుట్‌కమ్స్‌ను అర్థం చేసుకోవడానికి కొత్త సాధనాలు

విద్య అనేది AI యొక్క అత్యంత ఆశాజనకమైన రంగాలలో ఒకటి. ChatGPT వంటి సాధనాలతో, వ్యక్తిగతీకరించిన లెర్నింగ్ మద్దతు ఏ విద్యార్థికైనా, ఎక్కడైనా, ఎప్పుడైనా అందుబాటులో ఉండవచ్చు.

అయితే లెర్నింగ్ అవుట్‌కమ్స్‌పై AI ప్రభావాన్ని అర్థం చేసుకోవడంలో విద్యా రంగం ఇంకా ప్రారంభ దశలోనే ఉంది గత సంవత్సరం, మా బృందం స్టడీ మోడ్⁠ వంటి సాధనాల వినియోగాన్ని అధ్యయనం చేయడం ప్రారంభించి, విద్యార్థుల పనితీరులో ఆశాజనకమైన మెరుగుదలలను గమనించింది. అయితే మా పరిశోధన మరో ముఖ్యమైన ప్రశ్నను కూడా లేవనెత్తింది: కేవలం తుది పరీక్ష ఫలితాలను మాత్రమే కాకుండా, కాలక్రమంలో AI ఒక లెర్నర్ పురోగతిపై ఎలా ప్రభావం చూపుతుందో ఎలా అంచనా వేయాలి?

ఇది విస్తృతమైన ఎకోసిస్టమ్ సవాలు. ఇప్పటివరకు ఎక్కువ పరిశోధనా పద్ధతులు పరీక్ష స్కోర్లు వంటి పరిమిత పనితీరు సంకేతాలపై మాత్రమే దృష్టి పెట్టాయి, మరియు విద్యార్థులు నిజ జీవిత పరిస్థితుల్లో AI తో ఎలా నేర్చుకుంటారో, అలాగే ఆ వినియోగం కాలక్రమంలో ఫలితాలను ఎలా ప్రభావితం చేస్తుందో అంచనా వేయడానికి వీటిలో సామర్థ్యం లేదు.

ఈ లోటును పరిష్కరించడానికి, మేము Learning Outcomes Measurement Suite, ను అభివృద్ధి చేసాము. ఇది ఎస్తోనియాలోని University of Tartu మరియు Stanford Accelerator for Learning లోని SCALE Initiative తో కలిసి రూపొందించిన ఫ్రేమ్‌వర్క్, ఇది వివిధ విద్యా సందర్భాల్లో లెర్నింగ్ అవుట్‌కమ్స్‌ను దీర్ఘకాలికంగా కొలవడానికి మద్దతు ఇస్తుంది.

ప్రస్తుతం రాండమైజ్డ్ కంట్రోల్డ్ ట్రయల్ ద్వారా విస్తృతమైన వాలిడేషన్ కొనసాగుతోంది, అలాగే OpenAI యొక్క లెర్నింగ్ రీసెర్చ్ ఎకోసిస్టమ్ అయిన Learning Lab, లోని స్థాపక సంస్థలతో కలిసి మరింత పరిశోధన ప్రణాళికలో ఉంది. ఇందులో Arizona State University, UCL Knowledge Lab, మరియు MIT Media Lab నుండి పరిశోధకులు కూడా పాల్గొంటున్నారు (మునుపటి గత సహకార పరిశోధనలు⁠ పై ఆధారపడి).

ఈరోజు, ఈ మెజర్‌మెంట్ సూట్ ఎలా పనిచేస్తుందో మరియు అది ఎందుకు ముఖ్యమో అనే విషయంపై ఒక సమగ్ర అవలోకనాన్ని పంచుకుంటున్నాము. కాలక్రమంలో, మేము మరిన్ని పరిశోధనలను ప్రచురించి, ఈ మెజర్‌మెంట్ సూట్‌ను ప్రపంచవ్యాప్తంగా పాఠశాలలు, విశ్వవిద్యాలయాలు మరియు విద్యా వ్యవస్థల కోసం ఒక పబ్లిక్ వనరుగా విడుదల చేయాలని ఉద్దేశిస్తున్నాము.

• లెర్నింగ్‌పై AI ప్రభావాన్ని అధ్యయనం చేసే ప్రస్తుత పరిశోధనా పద్ధతులు పనితీరులో ఆశాజనకమైన సంకేతాలను చూపుతున్నప్పటికీ, కాలక్రమంలో AI లెర్నింగ్ అవుట్‌కమ్స్‌ను ఎలా ప్రభావితం చేస్తుందో అనే పూర్తి చిత్రాన్ని పట్టుకోలేవు.
• Learning Outcomes Measurement Suite మొదటిసారిగా దీర్ఘకాలిక అధ్యయనాల కోసం ఒక ప్రామాణిక ఫ్రేమ్‌వర్క్‌ను అందిస్తుంది, ఇది విద్యావేత్తలు, పరిశోధకులు మరియు సంస్థలకు వివిధ సందర్భాల్లో AI లెర్నింగ్‌ను మరియు ఫలితాలను ఎలా ఆకారంలోకి తెస్తుందో అర్థం చేసుకోవడంలో సహాయపడుతుంది.
• OpenAI యొక్క Learning Lab ఈ పనిని ముందుకు తీసుకెళ్లడంపై దృష్టి పెట్టిన కొత్త రీసెర్చ్ ఎకోసిస్టమ్. ఈ రంగం అభివృద్ధి చెందుతున్న కొద్దీ OpenAI తన భాగస్వాములతో కలిసి పరిశోధన ఫలితాలను ప్రచురిస్తుంది.

విద్యార్థులు చదవడానికి మరియు నేర్చుకోవడానికి AI సాధనాలను ఉపయోగించినప్పుడు, అది అనేక విధాలుగా ఉండవచ్చు—త్వరిత సమాధానాల కోసం AI ను ఉపయోగించడం నుండి ట్యూటర్‌లాంటి మార్గదర్శకంతో సమస్యలను దశలవారీగా పరిష్కరించడం వరకు. వినియోగదారులు లోతైన అవగాహన మరియు నైపుణ్య అభివృద్ధికి సహాయపడే విధంగా ChatGPT‌తో ఇంటరాక్ట్ అవ్వాలని ప్రోత్సహించేందుకు, OpenAI గత సంవత్సరం స్టడీ మోడ్⁠ ను పరిచయం చేసింది. అంతర్గతంగా, స్టడీ మోడ్ ను మేము ఉపాధ్యాయులు, శాస్త్రవేత్తలు మరియు పేదగోగీ నిపుణులతో కలిసి రూపొందించిన కస్టమ్ సిస్టమ్ సూచనలు శక్తివంతం చేస్తాయి. ఇవి కేవలం సమాధానాలను ఇవ్వడం కాకుండా నిజమైన నేర్చుకోవడాన్ని మద్దతు ఇచ్చే ముఖ్యమైన ప్రవర్తనలను ప్రతిబింబిస్తాయి—ఉదాహరణకు స్కాఫోల్డింగ్, అర్థం చేసుకున్నారో లేదో పరీక్షలు, మరియు మార్గదర్శక ప్రాక్టీస్.

ఈ విధమైన పేదగోగీకి అనుగుణమైన AI ఇంటరాక్షన్ శైలి నిజంగా మెరుగైన లెర్నింగ్ అవుట్‌కమ్స్‌కు దారి తీస్తుందా అని పరీక్షించడానికి, మేము న్యూరోసైన్స్ మరియు మైక్రోఎకనామిక్స్ పరీక్షలకు సిద్ధమవుతున్న 300 కంటే ఎక్కువ కాలేజ్ విద్యార్థులతో ఒక రాండమైజ్డ్ అధ్యయనం నిర్వహించాము విశ్లేషణ ఇంకా కొనసాగుతున్నప్పటికీ, ప్రారంభ ఫలితాలు స్టడీ మోడ్ వంటి ఫీచర్ల ద్వారా ప్రోత్సహించబడే పేదగోగీకి అనుగుణమైన AI ఇంటరాక్షన్ శైలి లెర్నింగ్ అవుట్‌కమ్స్‌ను మెరుగుపరచగలదనే నమ్మకాన్ని ఇస్తున్నాయి. అయితే ఈ పరిశోధన మరో ముఖ్యమైన వాస్తవాన్ని కూడా వెలుగులోకి తెచ్చింది: అసలు ముఖ్యమైనది ఈ లాభాలు మరియు వాటికి సంబంధించిన ఉత్పాదక ప్రవర్తనలు కాలక్రమంలో స్థిరంగా కొనసాగుతాయా అన్నది.

స్టడీ డిజైన్

పాల్గొనేవారిని మూడు గ్రూపుల్లో ఒకటికి కేటాయించారు: కంట్రోల్ గ్రూప్ Google Search మరియు YouTube వంటి సాంప్రదాయ ఆన్‌లైన్ వనరులను ఉపయోగించి చదివింది, ఇందులో AI రూపొందించిన overview ఫీచర్లు నిలిపివేయబడ్డాయి. మరో రెండు గ్రూపులకు, విద్యార్థులను కొంచెం భిన్నమైన విధానాల్లో లెర్నింగ్ ప్రక్రియలో మార్గనిర్దేశం చేయడానికి రూపొందించిన రెండు స్టడీ మోడ్ వేరియంట్లలో ఒకదానికి యాక్సెస్ ఇవ్వబడింది. ముందుగా coursework అనుభవం, చదువు అలవాట్లు, అకాడెమిక్ నమ్మకం, మరియు AI సాధనాల పరిచయం వంటి తేడాలను సర్దుబాటు చేయడానికి baseline quizzes మరియు onboarding సర్వేలు ముందుగానే సేకరించబడ్డాయి. ప్రతి పరీక్షకు ముందు విద్యార్థులు సమయ పరిమితితో sస్టడీ మోడ్ సెషన్‌లను పూర్తి చేశారు, మరియు రెండు స్టడీ మోడ్ వేరియంట్లు సబ్జెక్టుల మధ్య సమతుల్యంగా కేటాయించబడ్డాయి.

ఈ సెటప్ కఠినంగా నియంత్రించబడిన ల్యాబ్ వాతావరణం కంటే నిజ జీవిత చదువు పరిస్థితులను ప్రతిబింబించేలా రూపొందించబడింది. పాల్గొనడం పరీక్ష ఫలితాలకు అనుసంధానించబడలేదు, మరియు 40 నిమిషాల సెషన్‌ల సమయంలో అన్ని విద్యార్థులు స్టడీ మోడ్ ను ఒకే స్థాయిలో ఉపయోగించలేదు. దీని వల్ల intention-to-treat (ITT) ప్రభావాలను కొలవడం మరియు నివేదించడం సాధ్యమైంది—అంటే వాస్తవ ప్రపంచ అమలు పరిస్థితుల్లో సాధనానికి యాక్సెస్ ఇవ్వబడినప్పుడు కలిగే ప్రభావం. మరొక మాటలో చెప్పాలంటే,స్టడీ మోడ్ ను అందించడం వల్ల కలిగే కారణాత్మక ప్రభావాన్ని కొలవడం, ప్రాక్టీస్‌లో వినియోగం స్థాయి మారవచ్చని గుర్తిస్తూ.

కనుగొనికలు

ప్రతి పరీక్షలో పనితీరును మేము వేరువేరుగా కొలిచాము. మా randomized అధ్యయనంలో, సబ్జెక్టుల మధ్య మెరుగుదలలు ఒకే విధంగా కనిపించలేదు, అలాగే స్టడీ మోడ్‌తో పాల్గొనేవారి ఎంగేజ్‌మెంట్ స్థాయిలు కూడా భిన్నంగా ఉన్నాయి.

• Neuroscience (primary ITT): కంట్రోల్ గ్రూప్‌తో పోలిస్తే స్టడీ మోడ్‌కు దిశాత్మకంగా సానుకూలమైన తేడాలు కనిపించాయి, కానీ ఫలితాలు సాంప్రదాయ ఆన్‌లైన్ వనరులతో చదివిన విద్యార్థుల ఫలితాల కంటే స్పష్టంగా భిన్నంగా కనిపించలేదు కొన్ని onboarding మరియు టెక్నికల్ సమస్యలు స్టడీ మోడ్ ఉపయోగించిన విద్యార్థులు చదవడానికి ఖర్చు చేసిన సమయాన్ని ప్రభావితం చేశాయి.
• Microeconomics (primary ITT): స్టడీ మోడ్‌కు యాక్సెస్ ఇచ్చిన విద్యార్థుల పరీక్ష ఫలితాల్లో, AI లేని కంట్రోల్ గ్రూప్‌తో పోలిస్తే గణనీయమైన మెరుగుదల కనిపించింది—సుమారు 15% ఎక్కువ స్కోర్.

ఇది వాస్తవ ప్రపంచ వైవిధ్యాన్ని ప్రతిబింబించినప్పటికీ, నేర్చుకునే ఫలితాలను సాధారణంగా ఎలా కొలుస్తారో దానిలోని మరింత లోతైన పరిమితిని ఇది హైలైట్ చేసింది.

ప్రస్తుతంలో ఉన్న చాలా మూల్యాంకన విధానాలు చిన్న కాల వ్యవధుల్లో మూల్యాంకనం చేయబడే స్థిర జోక్యాలపై ఆధారపడతాయి. పరీక్షా స్కోర్లు లేదా తుది వ్యాసాలు వంటి ఫలితాలను ప్రధాన సంకేతాలుగా ఉపయోగిస్తాయి. ఈ పద్ధతులు ఆచరణలో AI అభ్యాసంపై ప్రభావం చూపే ప్రధాన యంత్రాంగాన్ని పట్టుకునేలా రూపొందించబడలేదు: అభ్యాసకుడి వ్యూహాలు, అభిరుచులు, అధ్యయన అలవాట్లతో పాటు అభివృద్ధి చెందే వ్యక్తిగత పరస్పర చర్యలు. అలాగే, తక్కువకాలిక రీకాల్ వంటి సామర్థ్యంలో మెరుగుదలలు, పర్సిస్టెన్స్, స్వతంత్ర ప్రేరణ, లేదా సృజనాత్మక సమస్య పరిష్కారం వంటి ఇతర వాటిలో ట్రేడ్-ఆఫ్‌లతో పాటు రావచ్చా అనే విషయాన్ని అవి వెల్లడించవు. ఫలితంగా, AI అర్థవంతంగా నేర్చుకోవడాన్ని మెరుగుపరుస్తుందో లేదో నిర్ణయించే దీర్ఘకాలిక జ్ఞానాత్మక ప్రభావాలను వారు గమనించలేరు. 

దేశాలు, పాఠ్యక్రమాలు, మరియు సంస్థాగత లక్ష్యాల మధ్య నేర్చుకునే వాతావరణాలు విస్తృతంగా భిన్నంగా ఉండటం వల్ల, ఒక్కసారిగా చేసిన అధ్యయనాల ఫలితాలు వ్యవస్థల అంతటా సాధారణంగా వర్తించవు. అందువల్ల, కొలత విధానాలు వివిధ విద్యా వ్యవస్థలు తమ సందర్భంలో విజయం ఎలా ఉంటుందో నిర్వచించడానికి, AI ని తమ ప్రమాణాల ప్రకారం మూల్యాంకనం చేయడానికి, మరియు దానికి అనుగుణంగా పునరావృతం చేయడానికి తగినంత అనువుగా ఉండాలి.

మెరుగైన కొలత సిస్టమ్‌ను నిర్మించడం 

OpenAI యొక్క స్టడీ మోడ్ రీసెర్చ్ నుండి పొందిన అవగాహనల ఆధారంగా, మేము లెర్నర్లపై AI ప్రభావాన్ని విస్తృత స్థాయిలో కొలిచేందుకు ఒక నిర్మిత మెజర్‌మెంట్ సిస్టమ్‌ను రూపొందిస్తున్నాము, అలాగే ఆ ఫలితాల ఆధారంగా మోడళ్లను మెరుగుపరచడానికి ఒక మెకానిజాన్ని కూడా అభివృద్ధి చేస్తున్నాము. ఇది మూడు సంకేతాలపై ఆధారపడి ఉంటుంది—మోడల్ ఎలా ప్రవర్తిస్తుంది, నేర్చుకునేవారు ఎలా స్పందిస్తారు, మరియు కాలక్రమంలో కొలవగలిగే జ్ఞానాత్మక ఫలితాలు ఏమి వస్తాయి. ఇందులో ఇవి ఉంటాయి: 

• మోడల్ ప్రవర్తనను మెరుగుపరచడానికి సిస్టమ్ సూచనలు: నిర్దిష్ట బోధనా విధానాలకు మరింత సరిపోలేలా మోడల్ యొక్క డిఫాల్ట్ ప్రవర్తనను మార్చడానికి సహజ భాషను ఉపయోగించడం.
• లెర్నింగ్ ఇంటరాక్షన్ క్లాసిఫైయర్లు: ఇవి నిజమైన, గుర్తింపు తొలగించిన, అభ్యాసకుడు–మోడల్ ఇంటరాక్షన్‌లలో “లెర్నింగ్ మూమెంట్స్” ను స్వయంచాలకంగా గుర్తించి, ఎంగేజ్‌మెంట్ మరియు ఎర్రర్ కరెక్షన్ వంటి ముఖ్య లక్షణాలకు లేబుల్ చేస్తాయి.
• లెర్నింగ్ క్వాలిటీ గ్రేడర్స్: ఇవి ప్రతి లెర్నింగ్ దశను, నేర్చుకునేవారు తమ లక్ష్యాన్ని సాధించారా లేదా, అలాగే వైఫల్య మోడ్‌ల గుర్తింపును సహా బలమైన పెడగాజికల్ సూత్రాలను ఆ పరస్పర చర్య ఎంతవరకు అనుసరించిందో అనే స్థాయిని ఆధారంగా మూల్యాంకనం చేసి స్కోరు ఇస్తాయి.
• దీర్ఘకాలిక లెర్నింగ్ గ్రేడర్లు: ఇవి కాలక్రమేణా అదే లెర్నర్ మోడల్‌తో చేసే ఇంటరాక్షన్‌లలో మార్పులను ట్రాక్ చేస్తాయి—ఎంగేజ్‌మెంట్, పట్టుదల, మరియు మెటాకాగ్నిటివ్ వ్యూహాలు సహా—వ్యక్తిగత మరియు కోహోర్ట్ స్థాయిలలో.
• ప్రమాణీకరించిన కాగ్నిటివ్ మరియు మెటాకాగ్నిటివ్ కొలమానాలు: ఇవి ధృవీకరించబడిన తృతీయ పక్ష సాధనాలు, విమర్శనాత్మక ఆలోచన, సృజనాత్మకత, మరియు జ్ఞాపకశక్తి వంటి మౌలిక సామర్థ్యాల్లో మార్పులను కొలవడానికి ChatGPT ప్రీ/డ్యూరింగ్/పోస్ట్ యాక్సెస్ ద్వారా అందించబడతాయి.

కలిపి చూసినప్పుడు, ఈ కొలత వ్యవస్థను మేము లెర్నింగ్ అవుట్‌కమ్స్ మెజర్‌మెంట్ సూట్‌గా పేర్కొంటాము.

ఇది విద్యా ఎకోసిస్టమ్ ఉపయోగించగల ముఖ్యమైన సంకేతాలను ఉత్పత్తి చేస్తుంది: నేర్చుకునే క్షణాల నిర్మిత దృశ్యాలు, కోహోర్ట్‌ల అంతటా ఫలితాలు సమయానుసారం ఎలా మారుతాయో చూపించే డ్యాష్‌బోర్డ్స్, బోధన మరియు ట్యూటరింగ్ రుబ్రిక్స్‌కు వ్యతిరేకంగా మోడల్ పనితీరు సూచికలు, మరియు ప్రమాణీకృత అంచనాలు మరియు చిన్న లెర్నర్ ప్రశ్నావళీలకు సరిపోలే ఫలిత కొలమానాలు. అందుబాటులో ఉన్న చోట, ఇది పరీక్ష స్కోర్లు, తరగతి గది పరిశీలనలు, లేదా హాజరు వంటి భాగస్వామి అందించిన గ్రౌండ్ ట్రూత్‌ను చేర్చగలదు.

ఇది మా భాగస్వాములకు, కాలక్రమేణా నేర్చుకోవడానికి AIని ఉపయోగించడం వల్ల కలిగే లోతైన జ్ఞానాత్మక ప్రభావాలను అర్థం చేసుకోవడంలో సహాయపడుతుంది. ఈ సిస్టమ్ ద్వారా మేము సామర్థ్యాలపై ప్రభావాన్ని కూడా ట్రాక్ చేయగలుగుతున్నాం:

• స్వయంప్రేరిత ప్రేరణ: లెర్నర్లు తమ చదువును స్వయంగా ఎంతవరకు రూపుదిద్దుకుంటున్నారు, మోడల్ మార్గనిర్దేశం చేయడంపై ఎంతవరకు ఆధారపడుతున్నారు అనే స్థాయి. 
• ఉత్పాదక భాగస్వామ్యం: బోధనా పరస్పర చర్యల ఫ్రీక్వెన్సీ, వైవిధ్యం మరియు నాణ్యత
• టాస్క్ పర్సిస్టెన్స్: ఒక అభ్యాసకుడు జ్ఞానాత్మక సవాళ్లను ఎదుర్కొంటూ వాటిని దాటిచెళ్లేందుకు ఎంతవరకు కూర్చుని ప్రయత్నిస్తాడో సూచించే స్థాయి
• మెటాకాగ్నిషన్: అధ్యయనం చేయడానికి తమ విధానాలను ప్రణాళిక చేయడం, ఆత్మపరిశీలన చేయడం మరియు పర్యవేక్షించడం కోసం నేర్చుకునేవారు చేసే ప్రయత్నాల తరచుదనం మరియు నాణ్యత
• రీకాల్: గత ఇంటరాక్షన్‌ల నుండి కంటెంట్‌ను ఒక లెర్నర్ ఎంత ఖచ్చితంగా గుర్తుంచుకోగలడో

ఇది లెర్నింగ్ అవుట్‌కమ్‌ల నారో నిర్వచనాలపై (టెస్ట్ స్కోర్లు పెరగడం) మాత్రమే దృష్టి పెట్టకుండా, లెర్నింగ్‌కు పునాది అయిన సమగ్ర సామర్థ్యాలపై దృష్టి పెట్టడానికి మా మొత్తం ప్రయత్నాలను ప్రతిబింబిస్తుంది. ఇది కూడా మా నమ్మకాన్ని ప్రతిబింబిస్తుంది: ఏదిని ఆప్టిమైజ్ చేయాలనే విషయంలో ఒకే ఒక్క “సిల్వర్ బుల్లెట్” ఉండదు; బోధనా ఉత్తమ పద్ధతులు మరియు విధానాలకు అనుగుణంగా ట్రేడ్-ఆఫ్స్‌ను మార్గనిర్దేశం చేయడానికి వ్యవస్థలు మరియు విద్యావేత్తలు సాధికారత పొందాలి.

ఇక్కడి నుండి మనం ఎక్కడికి వెళతాం?

మేము దీన్ని విస్తృతంగా అందుబాటులోకి తేవడానికి ముందు, పెద్ద స్థాయి అధ్యయనాల ద్వారా Learning Outcomes Measurement Suite‌ను ధృవీకరిస్తున్నాము. టార్టు విశ్వవిద్యాలయం మరియు స్టాన్‌ఫర్డ్ యొక్క SCALE ఇనిషియేటివ్‌తో కలిసి, ఎస్టోనియా వంటి దేశ-స్థాయి భాగస్వాముల అంతటా ఈ పని కొనసాగుతోంది. అక్కడ కొలతల సూట్‌ను అనేక నెలల పాటు 16-18 ఏళ్ల వయస్సు గల దాదాపు 20,000 మంది విద్యార్థులతో అధ్యయనం చేస్తున్నారు. విద్యార్థుల వినియోగం స్థానిక నాయకులతో సన్నిహిత సహకారంలో జరుగుతుంది, భద్రతను మరియు స్థానిక పాఠ్యాంశాలకు అనుగుణతను నిర్ధారించడానికి.

ఈ పని ప్రస్తుతం కొనసాగుతున్న విస్తృత సహకార పరిశోధనల సమాహారంపై ఆధారపడి ఉంది. లెర్నింగ్ ల్యాబ్‌లోని స్థాపక భాగస్వాముల ద్వారా నిర్వహించబడుతున్న అవుట్‌కమ్స్ రీసెర్చ్‌కు అదనంగా, OpenAI లెర్నింగ్ మరియు లేబర్ సంగమంలో అధ్యయనాలకు మద్దతు ఇస్తోంది—AI విద్యార్థుల అకడమిక్ మార్గాలను, కెరీర్ నిర్ణయాలను, అలాగే బాధ్యతాయుత స్వీకరణకు సంస్థలు ఎలా మద్దతు ఇవ్వగలవో పరిశీలిస్తోంది. ఈ పరిశోధన Bocconi University, Innova Schools మరియు Tuck School of Business at Dartmouth, San Diego State University, Stony Brook University, మరియు ఇతరత్రా అంతటా జరుగుతోంది.

AIతో విద్యార్థులు ఎలా ఉత్తమంగా నేర్చుకుంటారో అనే విషయంపై మేము దీర్ఘకాలిక అధ్యయనాలు నిర్వహిస్తున్నప్పుడు, మా కనుగొన్న విషయాలను పంచుకోవాలని మరియు AI లాభాలు ప్రతిచోటా లెర్నర్స్‌కు చేరేలా నిర్ధారించడానికి విస్తృతమైన విద్యా ఎకోసిస్టమ్‌తో కలిసి పని చేయాలని మేము ఉద్దేశిస్తున్నాము.

ఈ పనిపై అప్‌డేట్‌లను స్వీకరించడానికి ఆసక్తి ఉన్నవారు ఇక్కడ⁠ సైన్ అప్ చేయవచ్చు.