विश्वविद्यालयों का समर्थन और AI इंटरफ़ेस की सुविधा स्नातकों के करियर की शुरुआत के लिए AI साक्षरता से ज़्यादा महत्वपूर्ण क्यों है
2026 की दूसरी छमाही की शुरुआत में प्रकाशित एक शोध ने एक अप्रत्याशित विरोधाभास को उजागर किया है: स्नातकों की प्रतिस्पर्धात्मकता की दौड़ में, विश्वविद्यालयों को कृत्रिम बुद्धिमत्ता पर पाठ्यक्रम बढ़ाने पर नहीं, बल्कि इंटरफ़ेस की सहजता और उनके उपयोग की प्रणालीगत सहायता पर ध्यान केंद्रित करना चाहिए। अम्मान (जॉर्डन) में एप्लाइड प्राइवेट यूनिवर्सिटी के लेखकों ने 211 छात्रों के एक नमूने पर संरचनात्मक मॉडलिंग की, जिसमें आंशिक न्यूनतम वर्ग (PLS-SEM) विधि का उपयोग किया गया - यह एक ऐसी तकनीक है जो छोटे नमूनों के साथ जटिल मॉडल के विश्लेषण के लिए विशेष रूप से उपयुक्त है।
पहली नज़र में, परिणाम प्रौद्योगिकी स्वीकृति मॉडल (TAM) की उन सभी बातों का खंडन करते हैं जो हमें सिखाई गई हैं: उम्मीद की जाती है कि उपकरणों की कथित उपयोगिता उनके अपनाने का मुख्य चालक बनेगी। वास्तविकता कुछ और निकली। दो कारक - संस्थागत समर्थन और प्लेटफार्मों के उपयोग में आसानी - ने सांख्यिकीय रूप से महत्वपूर्ण रूप से छात्रों के सिद्धांत से AI-अनुप्रयोगों के साथ व्यावहारिक कार्य की ओर संक्रमण की भविष्यवाणी की। इसके साथ ही, AI की बेहतर समझ का एक अप्रत्याशित नकारात्मक प्रभाव पड़ा: संभवतः, अधिक तैयार छात्र उपकरणों के प्रति अधिक आलोचनात्मक होते हैं, उनकी सीमाओं और जोखिमों को बेहतर ढंग से देखते हुए। और कथित उपयोगिता का कोई सांख्यिकीय रूप से महत्वपूर्ण प्रभाव नहीं पड़ा - यह एक तथ्य है जो अजीब है, लेकिन स्पष्ट है।
कारण-और-प्रभाव संबंध की श्रृंखला इस प्रकार दिखती है: AI-उपकरणों को अपनाना → भविष्य के लिए तैयार कौशल (Future-Ready Skills) का विकास → स्नातकों की रोज़गार क्षमता (employability) में वृद्धि। प्रत्येक चरण पर, यह संबंध सांख्यिकीय रूप से पुष्टि की गई है। दिलचस्प बात यह है कि 'भविष्य के लिए तैयार' कौशल AI के उपयोग और श्रम बाजार में वास्तविक परिणामों के बीच एक मध्यस्थ (mediator) के रूप में कार्य करते हैं - वे तकनीकी कौशल को बाजार की प्रतिस्पर्धात्मकता में बदलते हैं।
अनुसंधान की पद्धति - क्रॉस-सेक्शनल सर्वेक्षण जिसके बाद PLS-SEM विश्लेषण - के फायदे और सीमाएं दोनों हैं। फायदे स्पष्ट हैं: इस दृष्टिकोण के साथ छोटे नमूना आकार को संभालना आसान है, जटिल अव्यक्त चर (latent variables) को अधिक स्वाभाविक रूप से मॉडल किया जा सकता है। लेकिन नुकसान महत्वपूर्ण हैं। अनुदैर्ध्य (लंबे समय तक चलने वाले) डेटा और नियंत्रण समूह की अनुपस्थिति का मतलब है कि हम कारण-और-प्रभाव संबंधों के बारे में सावधानी से बात कर सकते हैं - यह सहसंबंध हैं, जो तर्क द्वारा समर्थित हैं, लेकिन प्रयोग द्वारा नहीं। इसके अलावा, लेखकों ने विशेषज्ञता, लिंग, AI के साथ पिछले अनुभव के स्तर के अनुसार नमूना विभाजन के विवरण का खुलासा नहीं किया - यह समझना मुश्किल बनाता है कि निष्कर्ष अन्य संदर्भों, अन्य देशों, अन्य विश्वविद्यालयों में कितने हस्तांतरणीय हैं।
लेकिन मुख्य बात यह है कि यह प्रतिमान में एक बदलाव है। दो दशकों के शास्त्रीय TAM और UTAUT (प्रौद्योगिकी स्वीकृति और उपयोग का एकीकृत सिद्धांत) के शोध ने स्थापित किया है: कथित उपयोगिता और उपयोग में आसानी मुख्य लीवर हैं। 2025-2026 में, इस पदानुक्रम को फिर से लिखा गया है। उपयोगिता पीछे हट गई। सहजता और समर्थन अग्रिम पंक्ति में आ गए।
यह अन्य हालिया शोधों के साथ मेल खाता है: जब AI-उपकरणों का क्षेत्र परिपक्व और सुलभ हो जाता है, तो उपयोगितावादी तर्क इस प्रश्न के सामने पीछे हट जाता है कि 'क्या मैं इसका उपयोग करना चाहूंगा?' मानवीय कारक - विश्वास, मनोवैज्ञानिक सुरक्षा, एक प्रशिक्षक या सहायक वातावरण की उपस्थिति - कच्चे माल की उपयोगिता पर हावी होने लगते हैं।
व्यावहारिक कार्य के लिए, विश्वविद्यालयों का मतलब निवेश रणनीति में क्रांति है। यदि पहले 'डिजिटलीकरण' शब्द का अर्थ सॉफ़्टवेयर खरीदना और साक्षरता सिखाना था, तो अब यह AI-उपकरणों के आसपास अनुभव, संस्कृति, पारिस्थितिकी तंत्र को डिजाइन करना है। जो विश्वविद्यालय अपने छात्रों को एक-क्लिक प्लेटफ़ॉर्म, मेंटर की उपलब्धता, सफल अनुप्रयोगों के उदाहरण और उपयोग में मनोवैज्ञानिक विश्वास प्रदान करते हैं, वे जीतते हैं। AI नैतिकता या सामान्य साक्षरता पर व्याख्यान तक सीमित रहने वाले, वास्तविक प्रशिक्षण में पिछड़ने का जोखिम उठाते हैं।
उच्च साक्षरता के नकारात्मक प्रभाव के प्रश्न के लिए अतिरिक्त शोध की आवश्यकता है। इसके कई स्पष्टीकरण हो सकते हैं: गहन ज्ञान वाले छात्र कमियों को देखकर अधिक संशयवादी हो सकते हैं; वे स्वचालन पर मैन्युअल नियंत्रण को प्राथमिकता दे सकते हैं; या प्रारंभिक साक्षरता अन्य चर (जैसे, पूर्णतावाद) के साथ सहसंबंधित हो सकती है जो अपनाने में धीमा कर देती है। यह अगले शोध परत के लिए एक खुला दरवाजा है।
शोध शिक्षा की गुणवत्ता पर दीर्घकालिक प्रभाव के बारे में अनसुलझे सवाल छोड़ता है: क्या AI का उपयोग वास्तव में स्नातकों को बेहतर तैयारी देता है, या यह सिर्फ लगता है? क्या AI-उपकरणों की सुविधा सतही सीखने की ओर ले जाती है? पहुंच की असमानता का क्या होता है - क्या सीमित संसाधनों वाले विश्वविद्यालयों के छात्रों को समान लाभ मिलता है? नैतिक जोखिम - छात्र डेटा का उपयोग, AI मॉडल में पूर्वाग्रह - भी छाया में बने रहते हैं। बड़े और अधिक विविध नमूनों पर स्वतंत्र प्रतिकृति, प्रयोगात्मक हस्तक्षेप (जब एक संकाय सहायता लागू करता है, दूसरा नहीं) और अनुदैर्ध्य अध्ययन यह स्पष्ट करने में मदद करेंगे कि ये निष्कर्ष कितने मजबूत हैं।
निष्कर्ष स्पष्ट है: जो विश्वविद्यालय AI के साथ काम करने के लिए एक सहायक, सहज वातावरण बनाने पर ध्यान केंद्रित करेंगे, उन्हें प्रतिस्पर्धी और रोज़गार योग्य स्नातकों को तैयार करने में एक महत्वपूर्ण लाभ मिलेगा। उपयोगकर्ता अनुभव और संस्थागत समर्थन में निवेश, पारंपरिक प्रशिक्षण कार्यक्रमों की तुलना में बेहतर भुगतान करता है।
