AI उपयोग के साथ असफल ग्रेडों में उछाल, Berkeley CS कक्षाओं में गणित कौशल में गिरावट

मूल लेख ↗ Hacker News चर्चा ↗

शीर्षक और संदर्भ

  • कई टिप्पणीकार लेख के शीर्षक को अस्पष्ट या क्लिकबेटी मानते हैं, लेकिन चर्चा जल्दी ही मूल मुद्दों पर आ जाती है: AI, नकल, गणित कौशल, और Berkeley तथा उससे आगे की CS में प्रवेश नीति।

AI का उपयोग, नकल, और असफल ग्रेड

  • कई लोगों को लगता है कि LLMs प्रोग्रामिंग और गणित के होमवर्क में नकल की बाधा कम कर रहे हैं: छात्र पूरे GPT आउटपुट चिपका देते हैं जिनमें ऐसे constructs होते हैं जो कभी पढ़ाए ही नहीं गए, या बहुत औपचारिक गणितीय समाधान लिखते हैं जो स्पष्ट रूप से उनके नहीं होते।
  • कक्षा में, बिना‑AI परीक्षाएँ फिर अंतर दिखाती हैं: जिन्होंने होमवर्क “outsource” किया था, वे प्रदर्शन नहीं कर पाते, जिससे F ग्रेड बढ़ जाते हैं।
  • अन्य लोग नोट करते हैं कि intro CS में नकल पहले से ही आम थी (जैसे MOSS-detected plagiarism), और LLMs बस एक मौजूदा समस्या को बड़े पैमाने पर बढ़ाते हैं।

गणित की तैयारी और प्रवेश मानक

  • एक प्रमुख प्रतिपक्षी परिकल्पना: गणित की घटती तैयारी LLMs से पहले की है और UC में मानकीकृत परीक्षणों (SAT/ACT) के हटने तथा हाई‑स्कूल गणित में बदलावों से जुड़ी है।
  • कुछ लोग सैकड़ों UC STEM फैकल्टी की याचिकाओं का हवाला देते हैं, जो परीक्षणों को फिर से लागू करने की मांग करती हैं, यह तर्क देते हुए कि वे कॉलेज STEM प्रदर्शन की सबसे अच्छी भविष्यवाणी करते हैं, यहाँ तक कि जनसांख्यिकी को नियंत्रित करने पर भी।
  • अन्य लोग समय पर सवाल उठाते हैं: यदि परीक्षण 2021 में खत्म हुए, तो 2026 में विफलताओं में तेज उछाल क्यों, बजाय एक धीमे, निरंतर रुझान के? कारण-कार्य व्यापक रूप से बहस का विषय है और अभी भी स्पष्ट नहीं है।

छात्र और पेशेवर LLMs का उपयोग कैसे करते हैं

  • दो विपरीत पैटर्न:
    • उत्पादक उपयोग: व्याख्याकार, कोड-पढ़ने के सहायक, डिबगर, या व्यक्तिगत ट्यूटर के रूप में; अभ्यास प्रश्न बनाने के लिए; या स्थानीय शिक्षण गुणवत्ता से परे उन्नत विषयों का अन्वेषण करने के लिए।
    • हानिकारक उपयोग: इसे होमवर्क कराने देना या यहाँ तक कि ईमेल लिखवाना, जिससे सतही समझ और लाइव समस्या-समाधान संभालने में असमर्थता पैदा होती है।
  • कई पेशेवर “lazy” महसूस करने या कौशल के क्षय को नोटिस करने की बात कहते हैं; अन्य लोग दावा करते हैं कि जब वे पहले से डोमेन को समझते हैं, तो उत्पादकता में बड़े लाभ मिलते हैं।

अनुभूत संज्ञानात्मक और सांस्कृतिक प्रभाव

  • कई लोग दीर्घकालिक संज्ञानात्मक गिरावट को लेकर चिंतित हैं: सोचने के लिए LLMs पर निर्भरता, GPS के नेविगेशन कौशल को कमजोर करने जैसी, लेकिन कहीं अधिक गहरे स्तर पर।
  • अन्य तर्क देते हैं कि यह सिर्फ संज्ञानात्मक offloading की एक और लहर है (जैसे calculators, search, या social media), लेकिन मानते हैं कि यहाँ पैमाना और गहराई अभूतपूर्व है।

शिक्षण गुणवत्ता और मूल्यांकन का पुनर्रूपांकन

  • कुछ लोग प्रोफेसरों और व्याख्यान शैलियों (slides पढ़ना, कम pedagogy) को दोष देते हैं, जबकि अन्य बताते हैं कि Berkeley के पास समर्पित शिक्षण फैकल्टी और मजबूत CS pedagogy है।
  • प्रस्तावित प्रतिक्रियाएँ:
    • अधिक प्रत्यक्ष, no‑device परीक्षाएँ और बार-बार low-stakes क्विज़।
    • flipped classrooms, जहाँ सामग्री घर पर ली जाती है और कक्षा का समय problem-solving के लिए उपयोग होता है।
    • “AI का उपयोग सीखने के लिए कैसे करें” बनाम “सीखने से बचने के लिए इसका उपयोग कैसे करें” का स्पष्ट शिक्षण।
  • grading curves पर असहमति है: कुछ उन्हें समस्याओं को छिपाने वाला मानते हैं; अन्य उन्हें आवश्यक मानते हैं जब परीक्षण सही तरह से calibrated न हों।

नीति संबंधी विचार और खुले प्रश्न

  • सुझाव नाबालिगों के लिए generative AI पर प्रतिबंध लगाने से लेकर इसे बाधाओं के साथ एक “Young Lady’s Illustrated Primer”-शैली के tutor के रूप में अपनाने तक जाते हैं।
  • कई लोग सहमत हैं: मुख्य चुनौती शिक्षा और मूल्यांकन को इस तरह पुनःडिज़ाइन करना है कि AI वास्तविक सीखने को बढ़ाए, न कि उसे प्रतिस्थापित करे।