কেন বিশ্ববিদ্যালয় সমর্থন এবং AI ইন্টারফেসের সুবিধা স্নাতকদের কর্মজীবনের সূচনার জন্য সাক্ষরতার চেয়ে বেশি গুরুত্বপূর্ণ
২০২৬ সালের দ্বিতীয়ার্ধের শুরুতে প্রকাশিত একটি গবেষণা একটি অপ্রত্যাশিত প্যারাডক্স উন্মোচন করেছে: স্নাতকদের প্রতিযোগিতামূলকতা বাড়ানোর দৌড়ে, বিশ্ববিদ্যালয়গুলির উচিত কৃত্রিম বুদ্ধিমত্তা (AI) কোর্সগুলি প্রসারিত করার পরিবর্তে, ইন্টারফেসগুলির স্বজ্ঞা (intuitiveness) এবং তাদের ব্যবহারের জন্য সিস্টেমিক সহায়তার উপর মনোযোগ কেন্দ্রীভূত করা। আম্মানের (জর্ডান) ফলিত বেসরকারি বিশ্ববিদ্যালয়ের লেখকরা ২১১ জন শিক্ষার্থীর নমুনার উপর কাঠামোগত মডেলিং (structural modeling) পরিচালনা করেছেন, আংশিক সর্বনিম্ন বর্গ (Partial Least Squares - PLS-SEM) পদ্ধতি ব্যবহার করে — এটি একটি ছোট নমুনার জন্য জটিল মডেল বিশ্লেষণের জন্য বিশেষভাবে উপযুক্ত একটি কৌশল।
প্রথম নজরে, ফলাফলগুলি প্রযুক্তি গ্রহণের ক্লাসিক মডেল (Technology Acceptance Model - TAM) যা আমাদের শিখিয়েছে তার পরিপন্থী: প্রত্যাশা করা হত যে সরঞ্জামগুলির অনুভূত উপযোগিতা তাদের গ্রহণের প্রধান চালিকাশক্তি হবে। বাস্তবতা ভিন্ন প্রমাণিত হয়েছে। দুটি কারণ — প্রাতিষ্ঠানিক সমর্থন এবং প্ল্যাটফর্ম ব্যবহারের সহজতা — পরিসংখ্যানগতভাবে উল্লেখযোগ্যভাবে শিক্ষার্থীদের তত্ত্ব থেকে AI অ্যাপ্লিকেশনগুলির সাথে বাস্তব কাজের দিকে রূপান্তরকে পূর্বাভাস দিয়েছে। একই সময়ে, AI-এর মূল বিষয়গুলির উপর উন্নত দখল একটি অপ্রত্যাশিত নেতিবাচক প্রভাব দেখিয়েছে: সম্ভবত, আরও প্রস্তুত শিক্ষার্থীরা সরঞ্জামগুলির প্রতি বেশি সমালোচনামূলক, তাদের সীমাবদ্ধতা এবং ঝুঁকিগুলি আরও ভালভাবে দেখতে পায়। এবং অনুভূত উপযোগিতা কোনও পরিসংখ্যানগতভাবে উল্লেখযোগ্য প্রভাব দেখায়নি — একটি অদ্ভুত কিন্তু স্পষ্ট ঘটনা।
কারণ ও প্রভাবের শৃঙ্খলাটি দেখতে এমন: AI সরঞ্জাম গ্রহণ → ভবিষ্যতের জন্য প্রস্তুত দক্ষতা (Future-Ready Skills) বিকাশ → স্নাতকদের কর্মসংস্থানযোগ্যতা (employability) বৃদ্ধি। প্রতিটি ধাপে এই সংযোগটি পরিসংখ্যানগতভাবে নিশ্চিত করা হয়েছে। এটি আকর্ষণীয় যে 'ভবিষ্যতের জন্য প্রস্তুত' দক্ষতাগুলি AI ব্যবহার এবং শ্রম বাজারে বাস্তব ফলাফলের মধ্যে একটি মধ্যস্থতাকারী (mediator) হিসাবে কাজ করে — তারা প্রযুক্তিগত দক্ষতাকে বাজার প্রতিযোগিতামূলকতায় রূপান্তরিত করে।
গবেষণার পদ্ধতি — একটি ক্রস-সেকশনাল সমীক্ষা যার পরে PLS-SEM বিশ্লেষণ — এর সুবিধা এবং সীমাবদ্ধতা উভয়ই রয়েছে। সুবিধাগুলি স্পষ্ট: এই পদ্ধতির সাথে ছোট নমুনার আকার সহজে বহন করা যায়, জটিল সুপ্ত চলকগুলি (latent variables) আরও স্বাভাবিকভাবে মডেল করা যায়। কিন্তু অসুবিধাগুলি উল্লেখযোগ্য। লঙ্গিটিউডিনাল (দীর্ঘমেয়াদী) ডেটার অভাব এবং একটি নিয়ন্ত্রণ গোষ্ঠীর অভাব মানে হল যে আমরা কার্যকারণ সম্পর্ক (causal relationships) সম্পর্কে সতর্কতার সাথে কথা বলতে পারি — এগুলি হল পারস্পরিক সম্পর্ক (correlations) যা যুক্তি দ্বারা সমর্থিত, কিন্তু পরীক্ষা দ্বারা নয়। তদুপরি, লেখকরা নমুনাকে বিশেষত্ব, লিঙ্গ, AI-এর সাথে পূর্বের অভিজ্ঞতার স্তর অনুসারে বিভাজনের বিবরণ প্রকাশ করেননি — এটি বোঝার ক্ষেত্রে অসুবিধা সৃষ্টি করে যে ফলাফলগুলি অন্যান্য প্রেক্ষাপট, অন্যান্য দেশ, অন্যান্য বিশ্ববিদ্যালয়গুলিতে কতটা প্রযোজ্য।
কিন্তু প্রধান বিষয়টি হল দৃষ্টিভঙ্গির পরিবর্তন। ক্লাসিক TAM এবং UTAUT (Unified Theory of Acceptance and Use of Technology) এর দুই দশকের গবেষণা প্রতিষ্ঠিত করেছে: অনুভূত উপযোগিতা এবং ব্যবহারের সহজতা — প্রধান লিভার। ২০২৫-২০২৬ সালে, এই ক্রম পুনর্বিশ্লেষণ করা হয়েছে। উপযোগিতা পশ্চাদপসরণ করেছে। স্বজ্ঞা এবং সমর্থন সামনে এসেছে।
এটি অন্যান্য সাম্প্রতিক গবেষণাগুলির সাথে অনুরণিত হয়: যখন AI সরঞ্জামগুলির ক্ষেত্র পরিপক্ক এবং সহজলভ্য হয়ে ওঠে, তখন ব্যবহারিক যুক্তি 'আমি কি এটি ব্যবহার করতে চাইব?' এই প্রশ্নের কাছে হেরে যায়। মানবিক কারণগুলি — বিশ্বাস, মনস্তাত্ত্বিক নিরাপত্তা, একজন প্রশিক্ষক বা একটি সহায়ক পরিবেশের উপস্থিতি — কাঁচা উপযোগিতার চেয়ে বেশি গুরুত্বপূর্ণ হয়ে উঠছে।
বিশ্ববিদ্যালয়গুলির বাস্তব কাজের জন্য, এর অর্থ হল বিনিয়োগ কৌশলের একটি বিপ্লব। যদি পূর্বে 'ডিজিটালাইজেশন' শব্দের অর্থ সফ্টওয়্যার ক্রয় এবং সাক্ষরতার প্রশিক্ষণ হত, তবে এখন এটি AI সরঞ্জামগুলির চারপাশে অভিজ্ঞতা, সংস্কৃতি, বাস্তুতন্ত্রের (ecosystem) নকশা তৈরি করা। যে বিশ্ববিদ্যালয়গুলি তাদের শিক্ষার্থীদের এক-ক্লিক প্ল্যাটফর্ম, পরামর্শদাতা, সফল প্রয়োগের উদাহরণ এবং ব্যবহারের মনস্তাত্ত্বিক আত্মবিশ্বাস সরবরাহ করে, তারা জয়ী হয়। যারা AI নীতিশাস্ত্র বা সাধারণ সাক্ষরতার উপর বক্তৃতাগুলির মধ্যে সীমাবদ্ধ থাকে, তারা প্রকৃত কর্মী প্রশিক্ষণে পিছিয়ে পড়ার ঝুঁকিতে থাকে।
উচ্চ সাক্ষরতার নেতিবাচক প্রভাবের বিষয়টি আরও গবেষণার দাবি রাখে। কয়েকটি ব্যাখ্যা সম্ভব: গভীর জ্ঞানের অধিকারী শিক্ষার্থীরা বেশি সন্দিহান হতে পারে, অসুবিধার দিকগুলি দেখতে পারে; তারা স্বয়ংক্রিয়তার উপর ম্যানুয়াল নিয়ন্ত্রণ পছন্দ করতে পারে; অথবা, প্রাথমিক সাক্ষরতা অন্যান্য চলকগুলির সাথে (যেমন, পারফেকশনিজম) সম্পর্কযুক্ত হতে পারে, যা গ্রহণকে ধীর করে দেয়। এটি পরবর্তী স্তরের গবেষণার জন্য একটি উন্মুক্ত দরজা।
গবেষণাটি শিক্ষার মানের উপর দীর্ঘমেয়াদী প্রভাবের প্রশ্নগুলি অমীমাংসিত রাখে: AI ব্যবহার কি স্নাতকদের প্রকৃতপক্ষে আরও ভাল প্রস্তুতি দেয়, নাকি কেবল তাই মনে হয়? AI সরঞ্জামগুলির সুবিধা কি অগভীর শেখার দিকে পরিচালিত করে? অ্যাক্সেসের অসমতার কী হয় — সীমিত সম্পদের বিশ্ববিদ্যালয়গুলির শিক্ষার্থীরা কি একই সুবিধা পায়? নৈতিক ঝুঁকি — শিক্ষার্থীদের ডেটার ব্যবহার, AI মডেলগুলিতে পক্ষপাত — এগুলিও ছায়ায় থেকে যায়। বড় এবং আরও বৈচিত্র্যময় নমুনার উপর স্বাধীন প্রতিলিপি (independent replications), পরীক্ষামূলক হস্তক্ষেপ (যখন একটি বিভাগ সমর্থন চালু করে, অন্যটি করে না) এবং অনুদৈর্ঘ্য গবেষণা (longitudinal studies) এই ফলাফলগুলি কতটা টেকসই তা স্পষ্ট করতে সাহায্য করবে।
উপসংহারটি স্পষ্ট: যে বিশ্ববিদ্যালয়গুলি AI-এর সাথে কাজ করার জন্য একটি সহায়ক, স্বজ্ঞাত পরিবেশ তৈরিতে মনোনিবেশ করবে, তারা প্রতিযোগিতামূলক এবং কর্মসংস্থানযোগ্য স্নাতক তৈরিতে একটি স্পষ্ট সুবিধা পাবে। ব্যবহারকারীর অভিজ্ঞতা এবং প্রাতিষ্ঠানিক সহায়তায় বিনিয়োগ ক্লাসিক প্রশিক্ষণ প্রোগ্রামগুলির চেয়ে বেশি ফলপ্রসূ।
