1. परिचय

English dominates global academic, professional, and social communication, yet millions of English as a Foreign Language (EFL) readers struggle with comprehension due to complex vocabulary, grammar, and cultural references. Traditional solutions like formal education are costly and limited, while tools like electronic dictionaries and full-text translators (e.g., Google Translate) can foster dependency and hinder active learning. This paper introduces Reading.help, एक बुद्धिमान पठन सहायक जिसे इस अंतर को पाटने के लिए डिज़ाइन किया गया है। यह प्राकृतिक भाषा प्रसंस्करण (NLP) और बड़े भाषा मॉडल (LLMs) का लाभ उठाकर सक्रिय (सिस्टम-प्रारंभित) और on-demand (user-initiated) explanations, aiming to support independent interpretation and learning for EFL readers with university-level proficiency.

2. System Design & Methodology

2.1. The Reading.help Interface

यूज़र इंटरफ़ेस (चित्र 1) यूज़र अनुभव का केंद्रीय हिस्सा है। प्रमुख घटकों में शामिल हैं: (A) सामग्री सारांश, (B) समायोज्य सारांश स्तर (संक्षिप्त/विस्तृत), (C) टेक्स्ट चयन द्वारा सक्रिय सहायक उपकरण, (D) एक टूल्स मेन्यू जो Lexical Terms, Comprehension, और Grammar सहायता प्रदान करता है, (E) प्रति पैराग्राफ चुनौतीपूर्ण सामग्री की सक्रिय पहचान, (F) परिभाषाओं और संदर्भ के साथ शब्दावली स्पष्टीकरण, और (H) सुझावों को टेक्स्ट से जोड़ने वाला दृश्य हाइलाइटिंग।

2.2. Dual-Module Architecture

Reading.help दो विशेष मॉड्यूलों पर निर्मित है:

  1. पहचान मॉड्यूल: ईएफएल पाठक को कठिन लगने वाले शब्दों, वाक्यांशों और वाक्यों का पता लगाता है। इसमें संभवतः शिक्षार्थी कॉर्पोरा या कठिनाई मेट्रिक्स पर प्रशिक्षित एक मॉडल शामिल है।
  2. Explanation Module: शब्दावली, व्याकरण और समग्र पाठ संदर्भ के लिए स्पष्टीकरण उत्पन्न करता है। यह एलएलएम द्वारा संचालित है, जो शैक्षणिक स्पष्टीकरणों के लिए फाइन-ट्यून किए गए हैं।
यह प्रणाली स्व-प्रेरित ईएफएल पाठकों को लक्षित करती है, पठन क्रिया को प्रतिस्थापित किए बिना सहायता प्रदान करती है।

2.3. द्वि-एलएलएम सत्यापन प्रक्रिया

एक महत्वपूर्ण तकनीकी नवाचार द्वैत-एलएलएम सत्यापन पाइपलाइन (चित्र 1 में घटक G) है। प्राथमिक एलएलएम एक स्पष्टीकरण उत्पन्न करता है। फिर एक दूसरा, अलग एलएलएम पहले एलएलएम के आउटपुट के तर्क और शुद्धता को सत्यापित करता है। यह एक विश्वसनीयता जांच के रूप में कार्य करता है, जिसका लक्ष्य एलएलएम के शैक्षिक अनुप्रयोगों में एक महत्वपूर्ण चिंता—मतिभ्रम को कम करना और स्पष्टीकरण की गुणवत्ता में सुधार करना है।

3. Case Study & Evaluation

3.1. दक्षिण कोरियाई EFL पाठकों के साथ अध्ययन

सिस्टम को पुनरावृत्त रूप से विकसित किया गया था। पूर्व साहित्य के आधार पर एक प्रारंभिक LLM-आधारित प्रोटोटाइप बनाया गया था। इस प्रोटोटाइप का परीक्षण और परिष्करण फिर एक केस स्टडी से प्राप्त प्रतिक्रिया का उपयोग करके किया गया, जिसमें शामिल थे 15 दक्षिण कोरियाई EFL पाठकयह मानव-केंद्रित डिज़ाइन चरण उपकरण की कार्यक्षमता को वास्तविक उपयोगकर्ता की आवश्यकताओं और पठन व्यवहार के साथ संरेखित करने के लिए महत्वपूर्ण था।

3.2. अंतिम मूल्यांकन परिणाम

Reading.help के अंतिम संस्करण का मूल्यांकन किया गया था 5 EFL पाठकों के साथ और 2 ईएफएल शिक्षा पेशेवर. निष्कर्ष बताते हैं कि जब बाहरी सहायता (जैसे, शिक्षक) उपलब्ध न हो, तो यह उपकरण ईएफएल पाठकों को स्व-निर्देशित अधिगम में संलग्न होने में मदद करने की क्षमता रखता है। समझ का समर्थन करने के लिए, पूरे अंशों के निष्क्रिय अनुवाद को प्रोत्साहित किए बिना, सक्रिय और ऑन-डिमांड सहायता मॉडल को सकारात्मक प्रतिक्रिया मिली।

मुख्य अंतर्दृष्टियाँ

  • सक्रिय + ऑन-डिमांड: सिस्टम सुझावों को उपयोगकर्ता नियंत्रण के साथ जोड़ने से मार्गदर्शन और स्वायत्तता के बीच संतुलन स्थापित होता है।
  • द्वैध-एलएलएम सत्यापन: शैक्षिक एआई में आउटपुट विश्वसनीयता बढ़ाने के लिए एक सरल किंतु व्यावहारिक दृष्टिकोण।
  • लक्षित दर्शक: विश्वविद्यालय-स्तरीय EFL पाठकों पर ध्यान केंद्रित करना एक विशिष्ट, प्रेरित विशेष क्षेत्र को संबोधित करता है।
  • मानव-केंद्रित डिज़ाइन: वास्तविक उपयोगकर्ताओं के साथ पुनरावृत्त विकास कार्यात्मक प्रासंगिकता की कुंजी था।

4. Technical Details & Analysis

4.1. Core Insight & Logical Flow

Core Insight: पेपर का मूल दांव यह है कि उन्नत EFL पाठकों के लिए सबसे बड़ी बाधा शब्दावली खोज नहीं है, बल्कि प्रासंगिक अस्पष्टता समाधान और वाक्यविन्यास पार्सिंग है. शब्दकोश जैसे उपकरण "क्या" (परिभाषा) का समाधान करते हैं; Reading.help का लक्ष्य "क्यों" और "कैसे" का समाधान करना है—यह शब्द यहाँ क्यों है, यह उपवाक्य उस संज्ञा को कैसे संशोधित करता है। तार्किक प्रवाह सुंदर है: 1) संभावित कठिनाई के बिंदुओं की पहचान करें (Identification Module), 2) शैक्षणिक स्पष्टीकरण उत्पन्न करें (Primary LLM), 3) उन स्पष्टीकरणों की विवेक-जांच करें (Secondary LLM), 4) उन्हें एक गैर-दखलअंदाज़, हाइलाइट-लिंक्ड UI के माध्यम से प्रस्तुत करें। यह अनुवाद के बजाय समझ को बढ़ावा देने पर केंद्रित एक बंद-लूप प्रणाली बनाता है।

4.2. Strengths & Critical Flaws

Strengths:

  • Novel Validation Mechanism: दोहरी-एलएलएम व्यवस्था गुणवत्ता नियंत्रण के लिए एक चतुर, कम लागत वाली तकनीक है। यह "स्टोकेस्टिक तोता" समस्या को सीधे स्वीकार करती है, उन कई एलएलएम अनुप्रयोगों के विपरीत जो आउटपुट को अंतिम सत्य मानते हैं।
  • उचित आकार की समस्या का दायरा: विश्वविद्यालय-स्तरीय पाठकों को लक्षित करना सभी दक्षता स्तरों के अनुकूलन की विशाल जटिलता से बचाता है। यह एक व्यवहार्य बीचहेड बाजार है।
  • यूआई फिडेलिटी: इंटरफ़ेस घटक (A-H) सहायता उपकरणों को सीधे पठन कार्यप्रवाह में विचारपूर्ण एकीकरण दर्शाते हैं, जिससे संज्ञानात्मक भार स्विचिंग कम होती है।
Critical Flaws:
  • Black Box Evaluation: पेपर की प्रमुख कमी मूल्यांकन है। N=5 उपयोगकर्ता और 2 पेशेवरों का उपयोग आनुभविक नहीं, बल्कि उदाहरणात्मक है। मात्रात्मक मेट्रिक्स कहाँ हैं? समझ लाभ स्कोर? गति-सटीकता ट्रेड-ऑफ? एक बेसलाइन (जैसे, शब्दकोश का उपयोग) की तुलना में? कठोर सत्यापन की यह कमी दावा किए गए प्रभाव को गंभीर रूप से कमजोर करती है।
  • अस्पष्ट "कठिनाई" पहचान: पहचान मॉड्यूल को अस्पष्ट शब्दों में वर्णित किया गया है। "संभावित चुनौतीपूर्ण सामग्री" को कैसे परिभाषित और मॉडल किया गया है? पारदर्शिता के बिना, इसकी सटीकता या पूर्वाग्रह का आकलन करना असंभव है।
  • Scalability & Cost: प्रत्येक स्पष्टीकरण अनुरोध के लिए दो LLMs चलाने से अनुमान लागत और विलंबता दोगुनी हो जाती है। एक रीयल-टाइम रीडिंग असिस्टेंट के लिए, स्केलिंग के लिए यह एक निषेधात्मक बाधा हो सकती है।

4.3. Actionable Insights & Strategic Implications

शोधकर्ताओं के लिए: यह कार्य एक खाका है जिम्मेदार, सहायक एलएलएम डिजाइन के लिएशैक्षिक AI के लिए द्वैत-LLM पैटर्न को मानकीकृत किया जाना चाहिए। भविष्य के कार्यों को कमजोर मूल्यांकन को मजबूत, तुलनात्मक उपयोगकर्ता अध्ययन (स्थापित उपकरणों के विरुद्ध A/B परीक्षण) और मानकीकृत EFL मूल्यांकन मापदंडों (जैसे, TOEFL या IELTS पठन खंडों से अनुकूलित) से प्रतिस्थापित करना होगा।

उत्पाद डेवलपर्स के लिए: सक्रिय हाइलाइट सुविधा यह एक किलर ऐप है। यह उपकरण को प्रतिक्रियाशील से पूर्वानुमानित में बदल देती है। तत्काल उत्पाद रोडमैप पर ध्यान केंद्रित करना चाहिए: 1) गति के लिए द्वैत-LLM पाइपलाइन का अनुकूलन (शायद सत्यापन के लिए एक छोटे, तेज़ मॉडल का उपयोग करके), 2) व्यक्तिगत उपयोगकर्ता इंटरैक्शन इतिहास के आधार पर "कठिनाई" का पता लगाने को व्यक्तिगत बनाना, और 3) एक फ्रीमियम मॉडल की खोज करना जहां बुनियादी हाइलाइट्स मुफ्त हैं, लेकिन विस्तृत व्याकरण स्पष्टीकरण प्रीमियम हैं।

व्यापक निहितार्थ: Reading.help एक बदलाव का प्रतिनिधित्व करता है Machine Translation से मशीन ट्यूटरिंग. लक्ष्य स्रोत पाठ को प्रतिस्थापित करना नहीं है, बल्कि पाठक को उस पर विजय पाने के लिए सक्षम बनाना है। यह "ऑटोमेशन के लिए एआई" पर "ऑगमेंटेशन के लिए एआई" के व्यापक रुझानों के अनुरूप है, जैसा कि स्टैनफोर्ड ह्यूमन-सेंटर्ड एआई इंस्टीट्यूट के शोध में चर्चा की गई है। यदि सफल रहा, तो इस दृष्टिकोण को गैर-विशेषज्ञों के लिए कानूनी अनुबंध या वैज्ञानिक पत्र जैसे अन्य जटिल दस्तावेज़ प्रकारों पर लागू किया जा सकता है।

5. मूल विश्लेषण: इंटरफ़ेस से परे

Reading.help तीन प्रमुख रुझानों के एक आकर्षक संगम पर स्थित है: भाषा सीखने का लोकतंत्रीकरण, कार्य-विशिष्ट एलएलएम की परिपक्वता, और मानव-एआई सहयोग पर बढ़ता जोर। हालांकि यह पेपर एक सम्मोहक केस स्टडी प्रस्तुत करता है, इसका वास्तविक महत्व उस पद्धतिगत ढांचे में निहित है जो यह विश्वसनीय शैक्षिक एआई के निर्माण के लिए दर्शाता है। दोहरी-एलएलएम सत्यापन प्रणाली, हालांकि कम्प्यूटेशनल रूप से महंगी, शिक्षा में जनरेटिव एआई की सबसे अधिक उद्धृत सीमाओं में से एक के लिए एक सीधी प्रतिक्रिया है: आत्मविश्वासपूर्ण अशुद्धि की इसकी प्रवृत्ति। यह एलएलएम हैलुसिनेशन पर अध्ययनों में उठाई गई चिंताओं को प्रतिध्वनित करता है, जैसे कि ओपनएआई द्वारा दर्ज किए गए और "ऑन द डेंजर्स ऑफ स्टोकेस्टिक पैरट्स" (बेंडर एट अल., 2021) जैसे सर्वेक्षणों में। एक सत्यापन चरण लागू करके, लेखक अनिवार्य रूप से "संवैधानिक एआई" का एक प्रारंभिक रूप निर्मित कर रहे हैं, जहां एक मॉडल का आउटपुट दूसरे की समीक्षा द्वारा सीमित होता है, एक अवधारणा जो एलाइनमेंट शोध के लिए लोकप्रियता प्राप्त कर रही है।

हालाँकि, यह शोध अपने मुख्य मापदंड को परिभाषित करने में कमी रखता है: "सफल" पठन सहायता क्या मानी जाती है? क्या यह तेज़ पढ़ने की गति, गहरी समझ, बढ़ी हुई शब्दावली प्रतिधारण है, या केवल उपयोगकर्ता का आत्मविश्वास? इंटेलिजेंट ट्यूटरिंग सिस्टम (ITS) के क्षेत्र ने लंबे समय से इससे जूझा है, जो अक्सर पूर्व-परीक्षण और बाद-परीक्षण लाभ को स्वर्ण मानक के रूप में उपयोग करता है। Reading.help जैसे टूल को स्थापित पठन समझ मूल्यांकन ढांचे के साथ एकीकरण से लाभ हो सकता है। इसके अलावा, दक्षिण कोरियाई EFL पाठकों पर ध्यान केंद्रित करना, हालांकि मूल्यवान सांस्कृतिक संदर्भ प्रदान करता है, सामान्यीकरण के बारे में प्रश्न उठाता है। कोरियाई जैसी कर्ता-कर्म-क्रिया (SOV) भाषा और स्पेनिश जैसी कर्ता-क्रिया-कर्म (SVO) भाषा बोलने वालों के बीच अंग्रेजी व्याकरणिक चुनौतियाँ काफी भिन्न होती हैं। भविष्य के संस्करणों को एक अधिक सूक्ष्म, भाषाई रूप से जागरूक कठिनाई पहचान मॉडल की आवश्यकता है, शायद द्वितीय भाषा अधिगम शोध से तुलनात्मक विश्लेषण से सूचित।

अन्य संवर्धित पठन उपकरणों, जैसे कि अब बंद हो चुके Google के "Read Along" या "Lingolette" जैसे शोध प्रोटोटाइप की तुलना में, Reading.help की ताकत इसकी सूक्ष्मता है—यह शब्द, उपवाक्य और अनुच्छेद स्तर पर सहायता प्रदान करता है। फिर भी, यदि स्पष्टीकरण बहुत आसानी से उपलब्ध हों तो इससे एक "सहारा" प्रभाव पैदा होने का जोखिम है। अगले विकास में अनुकूली फेडिंग को शामिल किया जाना चाहिए, जहां सिस्टम धीरे-धीरे सक्रिय संकेतों को कम करता जाता है क्योंकि उपयोगकर्ता कुछ व्याकरणिक संरचनाओं या शाब्दिक इकाइयों में निपुणता प्रदर्शित करता है, यह सिद्धांत संज्ञानात्मक ट्यूटर डिजाइन से लिया गया है। अंततः, Reading.help एक आशाजनक प्रूफ-ऑफ-कॉन्सेप्ट है जो व्यक्तिगत पठन प्रशिक्षकों के रूप में LLMs को तैनात करने की अपार संभावनाओं और गैर-तुच्छ चुनौतियों दोनों को उजागर करता है।

6. Technical Framework & Mathematical Model

हालांकि PDF विशिष्ट एल्गोरिदम का विवरण नहीं देती, वर्णित प्रणाली कई अंतर्निहित तकनीकी घटकों का संकेत देती है। हम मूल प्रक्रिया को औपचारिक रूप दे सकते हैं।

1. कठिनाई स्कोर अनुमान: पहचान मॉड्यूल संभवतः एक पाठ इकाई (शब्द, वाक्यांश, वाक्य) $t_i$ को एक कठिनाई स्कोर $d_i$ प्रदान करता है। यह एक समग्र मॉडल पर आधारित हो सकता है:

2. द्वैत-एलएलएम सत्यापन तर्क: मान लीजिए $\text{LLM}_G$ जनरेटर है और $\text{LLM}_V$ वैलिडेटर है। एक इनपुट क्वेरी $q$ (उदाहरण के लिए, "इस वाक्य की व्याख्या करें") के लिए, प्रक्रिया इस प्रकार है:

7. Experimental Results & Chart Description

प्रदान की गई पीडीएफ पाठ में विस्तृत मात्रात्मक परिणाम या चार्ट शामिल नहीं हैं। मूल्यांकन को गुणात्मक रूप से वर्णित किया गया है:

  • नमूना: 5 EFL पाठकों और 2 पेशेवरों के साथ अंतिम मूल्यांकन।
  • विधि: संभावित गुणात्मक साक्षात्कार या उपकरण के साथ अंतर्क्रिया के बाद प्रयोज्यता परीक्षण।
  • निहित चार्ट/आंकड़ा: पेपर में Figure 1 सिस्टम इंटरफ़ेस आरेख है, जो PDF सामग्री में लेबल किए गए घटकों (A) से (H) तक को दर्शाता है। यह एक ही रीडिंग पेन के भीतर सारांश पैनल, टूल मेनू, हाइलाइटिंग और स्पष्टीकरण पॉप-अप के एकीकरण को दृष्टिगत रूप से प्रदर्शित करता है।
  • रिपोर्टेड आउटकम: Findings suggest the tool could potentially help EFL readers self-learn when external support is lacking. No statistical measures of improvement (e.g., comprehension test scores, time-on-task reduction) are reported.
मात्रात्मक डेटा की यह कमी टूल के प्रभाव का आकलन करने के लिए एक महत्वपूर्ण सीमा है।

8. विश्लेषण ढांचा: एक गैर-कोड उपयोग मामला

एक EFL शोधकर्ता या उत्पाद प्रबंधक पर विचार करें जो "प्रोएक्टिव हाइलाइटिंग" जैसी सुविधा की प्रभावशीलता का विश्लेषण करना चाहता है। कोड तक पहुंच के बिना, वे इस विश्लेषणात्मक ढांचे का उपयोग कर सकते हैं:

मामला: "कठिनाई पहचान" मॉड्यूल का मूल्यांकन करना।

  1. सफलता मापदंड परिभाषित करें: एक "अच्छे" हाइलाइट का क्या अर्थ है? संभावित परिचालन परिभाषाएँ:
    • परिशुद्धता: सिस्टम द्वारा हाइलाइट किए गए सभी पाठ में से, उपयोगकर्ताओं ने वास्तव में मदद के लिए कितने प्रतिशत पर क्लिक किया? (उच्च परिशुद्धता का अर्थ है कि हाइलाइट प्रासंगिक हैं).
    • रिकॉल: उपयोगकर्ताओं द्वारा सहायता के लिए मैन्युअल रूप से चुने गए सभी पाठ खंडों में से कितने प्रतिशत को पहले से ही सक्रिय रूप से हाइलाइट किया गया था? (उच्च रिकॉल का अर्थ है कि सिस्टम अधिकांश आवश्यकताओं का पूर्वानुमान लगाता है)।
    • User Satisfaction: सत्र के बाद के सर्वेक्षण में "हाइलाइट्स ने मेरा ध्यान उन क्षेत्रों की ओर आकर्षित किया जो मुझे चुनौतीपूर्ण लगे" इस कथन पर रेटिंग (1-5)।
  2. डेटा संग्रह: सभी उपयोगकर्ता इंटरैक्शन लॉग करें: सिस्टम हाइलाइट्स (उनके $d_i$ स्कोर के साथ), उपयोगकर्ता द्वारा हाइलाइट्स पर क्लिक, हाइलाइट्स के बाहर उपयोगकर्ता द्वारा मैन्युअल टेक्स्ट चयन।
  3. विश्लेषण: Calculate Precision और Recall for different $d_i$ thresholds. For example, if the system only highlights items with $d_i > 0.7$, does precision improve? Plot a Precision-Recall curve से find the optimal threshold that balances relevance और coverage.
  4. पुनरावृत्ति करें। निष्कर्षों का उपयोग कठिनाई स्कोर मॉडल में गुणांकों ($\alpha, \beta, \gamma$) को पुनः ट्यून करने के लिए करें, या नई विशेषताएँ (जैसे, सांस्कृतिक संदर्भों को हाइलाइट करना) जोड़ने के लिए करें।
यह ढांचा इंटरैक्शन डेटा का उपयोग करके एक ब्लैक-बॉक्स फीचर को एक विश्लेषण योग्य प्रणाली में बदल देता है, जो मॉडल कोड की आवश्यकता के बिना पुनरावृत्त सुधार का मार्गदर्शन करता है।

9. Future Applications & Development Directions

The Reading.help प्रतिमान कई आशाजनक राहें खोलता है:

  • Vertical-Specific Assistants: गैर-देशी विशेषज्ञ पाठकों के लिए वैज्ञानिक पत्रों, कानूनी दस्तावेजों या तकनीकी मैनुअल पढ़ने हेतु मूल इंजन को अनुकूलित करें। पहचान मॉड्यूल को डोमेन-विशिष्ट कठिनाई कॉर्पोरा की आवश्यकता होगी।
  • मल्टीमॉडल एकीकरण: श्रवण समझ में सहायता के लिए, कठिन अंशों की व्याख्या करते हुए वाचन करने वाली एक पढ़कर सुनाने वाली सहायक प्रणाली बनाने हेतु पाठ विश्लेषण को भाषण संश्लेषण के साथ संयोजित करें।
  • दीर्घकालिक शिक्षार्थी मॉडलिंग: उपकरण को सत्र-आधारित सहायक से आजीवन सीखने के साथी में बदलें। उन व्याकरणिक अवधारणाओं पर नज़र रखें जिन पर एक उपयोगकर्ता लगातार सहायता मांगता है और व्यक्तिगत समीक्षा अभ्यास उत्पन्न करें, जिससे एक संवृत शिक्षण चक्र बने।
  • Cross-Linguistic Transfer: समान संसाधनों वाली भाषाओं के लिए, चीनी, अरबी या स्पेनिश ग्रंथों के पाठकों की सहायता के लिए समान आर्किटेक्चर लागू करें। द्वैत-LLM सत्यापन समान रूप से महत्वपूर्ण होगा।
  • औपचारिक शिक्षा के साथ एकीकरण: ऑनलाइन लर्निंग प्लेटफॉर्म (Coursera, EdX) या डिजिटल पाठ्यपुस्तक प्रकाशकों के साथ साझेदारी करें ताकि Reading.help की कार्यक्षमता को सीधे पाठ्यक्रम सामग्री में एम्बेड किया जा सके, जिससे नामांकित छात्रों को समय पर सहायता प्रदान की जा सके।
  • उन्नत सत्यापन तकनीकें: द्वितीयक एलएलएम वैलिडेटर को अधिक कुशल तरीकों से प्रतिस्थापित या पूरक करें: व्याकरण के लिए नियम-आधारित चेकर, तथ्यात्मक स्थिरता के लिए ज्ञान ग्राफ खोज, या स्पष्टीकरण सत्यापन के लिए विशेष रूप से फाइन-ट्यून किया गया एक छोटा, आसवित "आलोचक" मॉडल।
अंतिम लक्ष्य एक अनुकूली, संदर्भ-सजग पठन मचान है जो न केवल समझ में सहायता करता है बल्कि भाषा अधिग्रहण को भी तेज करता है।

10. References

  1. Chung, S., Jeon, H., Shin, S., & Hoque, M. N. (2025). Reading.help: Supporting EFL Readers with Proactive और On-Demand Explanation of English Grammar और Semantics. arXiv प्रीप्रिंट arXiv:2505.14031v2.
  2. Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? 🦜. In Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (पृ. 610–623).
  3. Anderson, J. R., Corbett, A. T., Koedinger, K. R., & Pelletier, R. (1995). Cognitive Tutors: Lessons Learned. The Journal of the Learning Sciences, 4(2), 167–207.
  4. Stanford Institute for Human-Centered Artificial Intelligence (HAI). (2023). The AI Index 2023 Annual Report. Retrieved from https://hai.stanford.edu/research/ai-index-2023
  5. Nation, I. S. P. (2001). दूसरी भाषा में शब्दावली सीखना. Cambridge University Press.
  6. Google. (n.d.). Google Translate. Retrieved from https://translate.google.com
  7. Council of Europe. (2001). Common European Framework of Reference for Languages: Learning, teaching, assessment. Cambridge University Press.