Code Velocity
एआई अनुसंधान

एआई प्रवाह सूचकांक: मानव-एआई सहयोग कौशल को मापना

·7 मिनट पढ़ें·Anthropic·मूल स्रोत
शेयर करें
AfrikaansالعربيةAzərbaycanБългарскиবাংলাCatalàČeštinaDanskDeutschΕλληνικάEnglishEspañolEestiفارسیSuomiFilipinoFrançaisעבריתहिन्दीHrvatskiMagyarBahasa IndonesiaÍslenskaItaliano日本語ქართული한국어LietuviųLatviešuМакедонскиBahasa MelayuNederlandsNorskPolskiPortuguêsRomânăРусскийSlovenčinaSlovenščinaShqipСрпскиSvenskaKiswahiliதமிழ்ไทยTürkçeУкраїнськаاردوTiếng Việt中文
एआई प्रवाह और मानव-एआई सहयोग की अवधारणा को डेटा बिंदुओं के साथ दर्शाने वाला ग्राफिक।

प्रवाह सर्वोपरि: कुशल सहयोग के लिए एन्थ्रोपिक का एआई सूचकांक

दैनिक दिनचर्या में एआई उपकरणों का तेजी से एकीकरण आश्चर्यजनक से कम नहीं रहा है। फिर भी, जैसे-जैसे एआई एक सर्वव्यापी उपस्थिति बन रहा है, एक महत्वपूर्ण प्रश्न उठता है: क्या उपयोगकर्ता केवल इन उपकरणों को अपना रहे हैं, या वे उन्हें प्रभावी ढंग से उपयोग करने के लिए आवश्यक कौशल विकसित कर रहे हैं? जिम्मेदार एआई विकास में एक अग्रणी, एन्थ्रोपिक, अपने अभूतपूर्व एआई प्रवाह सूचकांक के साथ इसका उत्तर देना चाहता है, एक नई रिपोर्ट जिसे मानव-एआई सहयोग कौशल के विकास को मापने और ट्रैक करने के लिए डिज़ाइन किया गया है।

पिछली एन्थ्रोपिक शिक्षा रिपोर्टों ने इस बात पर प्रकाश डाला था कि विश्वविद्यालय के छात्र और शिक्षक रिपोर्ट तैयार करने से लेकर पाठ योजना तक के कार्यों के लिए Claude जैसे उन्नत मॉडलों का उपयोग कैसे करते हैं। हालांकि, इन अध्ययनों ने मुख्य रूप से इस बात पर ध्यान केंद्रित किया कि उपयोगकर्ता क्या कर रहे थे। एआई प्रवाह सूचकांक और गहराई में जाता है, यह पता लगाता है कि व्यक्ति एआई के साथ कितनी अच्छी तरह जुड़ रहे हैं, इस परिवर्तनकारी तकनीक के साथ "प्रवाह" को समझने के लिए एक ढाँचा पेश करता है।

एआई प्रवाह को समझना: 4डी ढाँचा

एआई प्रवाह को मापने के लिए, एन्थ्रोपिक ने प्रोफेसर रिक डाकान और जोसेफ फेलर के साथ मिलकर 4डी एआई प्रवाह ढाँचा विकसित किया। यह व्यापक ढाँचा 24 विशिष्ट व्यवहारों की पहचान करता है जो सुरक्षित और प्रभावी मानव-एआई सहयोग का उदाहरण देते हैं। इस प्रारंभिक अध्ययन के उद्देश्य के लिए, एन्थ्रोपिक ने Claude.ai चैट इंटरफ़ेस के भीतर सीधे देखे जा सकने वाले 11 व्यवहारों पर ध्यान केंद्रित किया। शेष 13, जिनमें काम में एआई की भूमिका के बारे में ईमानदार रहना या एआई-जनित आउटपुट के परिणामों पर विचार करना जैसे महत्वपूर्ण पहलू शामिल हैं, चैट के बाहर होते हैं और भविष्य के गुणात्मक शोध में उनका मूल्यांकन किया जाएगा।

गोपनीयता-संरक्षण विश्लेषण उपकरण का उपयोग करते हुए, शोध दल ने जनवरी 2026 में 7-दिवसीय अवधि के दौरान Claude.ai पर 9,830 मल्टी-टर्न बातचीत का सावधानीपूर्वक अध्ययन किया। इस व्यापक डेटासेट ने 11 देखे जा सकने वाले प्रवाह व्यवहारों की उपस्थिति या अनुपस्थिति को मापने के लिए एक मजबूत आधारभूत रेखा प्रदान की, जिससे एआई प्रवाह सूचकांक का निर्माण हुआ। यह सूचकांक वर्तमान सहयोग पैटर्न का एक स्नैपशॉट और एआई मॉडल के आगे बढ़ने पर उनके विकास को ट्रैक करने के लिए एक आधार प्रदान करता है।

एआई इंटरैक्शन में पुनरावृति और परिशोधन की शक्ति

एआई प्रवाह सूचकांक से सबसे सम्मोहक निष्कर्षों में से एक पुनरावृति और परिशोधन तथा लगभग अन्य सभी एआई प्रवाह व्यवहारों के बीच मजबूत संबंध है। अध्ययन से पता चला कि 85.7% बातचीत में उपयोगकर्ताओं ने प्रारंभिक प्रतिक्रिया को केवल स्वीकार करने के बजाय अपने काम को परिष्कृत करने के लिए पिछली बातचीत पर निर्माण किया। इन पुनरावृत्ति वाली बातचीत ने अन्य प्रवाह व्यवहारों की काफी उच्च दर प्रदर्शित की, जिससे त्वरित, आगे-पीछे की चैट में देखी गई दक्षता प्रभावी रूप से दोगुनी हो गई।

एआई प्रवाह व्यवहारों पर पुनरावृति का प्रभाव

व्यवहारिक संकेतकपुनरावृति और परिशोधन वाली बातचीत (n=8,424)पुनरावृति और परिशोधन के बिना बातचीत (n=1,406)वृद्धि कारक (पुनरावृत्ति बनाम गैर-पुनरावृत्ति)
Claude के तर्क पर सवाल उठानाउच्चकम5.6x
लापता संदर्भ की पहचान करनाउच्चकम4x
लक्ष्य स्पष्ट करनाउच्चमध्यम~2x
प्रारूप निर्दिष्ट करनाउच्चमध्यम~2x
उदाहरण प्रदान करनाउच्चमध्यम~2x
औसत अतिरिक्त प्रवाह व्यवहार2.671.332x

तालिका: पुनरावृति और परिशोधन वाली बातचीत में प्रवाह व्यवहारों की बढ़ी हुई व्यापकता को दर्शाती है।

यह "पुनरावृति और परिशोधन प्रभाव" एआई को केवल एक कार्य प्रतिनिधि के बजाय एक विचारशील साथी के रूप में मानने के महत्व को रेखांकित करता है। जो उपयोगकर्ता सक्रिय रूप से बातचीत में संलग्न होते हैं, आपत्ति करते हैं और अपने प्रश्नों को परिष्कृत करते हैं, वे एआई आउटपुट का आलोचनात्मक मूल्यांकन करने, उसके तर्क पर सवाल उठाने और महत्वपूर्ण लापता संदर्भ की पहचान करने की अधिक संभावना रखते हैं। यह एजेंटिक वर्कफ़्लो की अवधारणा के साथ संरेखित होता है, जहां मानव पर्यवेक्षण और पुनरावृत्ति प्रतिक्रिया बेहतर परिणाम प्राप्त करती है, जैसा कि GitHub एजेंटिक वर्कफ़्लो जैसे प्लेटफार्मों के आसपास की चर्चाओं में खोजा गया है।

एआई कलाकृति निर्माण की दोधारी तलवार

जबकि पुनरावृति समग्र प्रवाह को बढ़ावा देती है, रिपोर्ट ने एक सूक्ष्म पैटर्न का खुलासा किया जब उपयोगकर्ताओं ने एआई को कोड, दस्तावेज़ या इंटरैक्टिव टूल जैसी कलाकृतियाँ उत्पन्न करने के लिए प्रेरित किया। ये बातचीत, जो नमूने का 12.3% प्रतिनिधित्व करती हैं, ने दिखाया कि उपयोगकर्ता अधिक निर्देशात्मक हो रहे थे लेकिन आश्चर्यजनक रूप से कम मूल्यांकनात्मक।

कलाकृतियाँ बनाते समय, उपयोगकर्ताओं के अपने लक्ष्यों को स्पष्ट करने (+14.7 प्रतिशत अंक), प्रारूप निर्दिष्ट करने (+14.5pp), और उदाहरण प्रदान करने (+13.4pp) की अधिक संभावना थी। हालांकि, यह बढ़ी हुई निर्देशात्मकता अधिक समझदारी में नहीं बदली। वास्तव में, उपयोगकर्ताओं के लापता संदर्भ की पहचान करने (-5.2pp), तथ्यों की जांच करने (-3.7pp), या मॉडल के तर्क पर सवाल उठाने (-3.1pp) की संभावना काफी कम थी। यह प्रवृत्ति विशेष रूप से चिंताजनक है क्योंकि जटिल कार्य, जो अक्सर कलाकृति निर्माण से जुड़े होते हैं, वहीं एआई मॉडल जैसे Claude Opus 4.6 या GPT-5 जैसे उन्नत मॉडल (यदि वे उपलब्ध होते, हालांकि लिंक भविष्य या काल्पनिक संस्करण को इंगित करता है) को सबसे अधिक कठिनाइयों का सामना करना पड़ता है।

इस घटना का श्रेय एआई द्वारा अक्सर उत्पन्न किए जाने वाले पॉलिश किए गए, कार्यात्मक दिखने वाले आउटपुट को दिया जा सकता है, जो उपयोगकर्ताओं को पूर्णता की झूठी भावना में डाल सकता है। चाहे वह यूआई डिजाइन करना हो या कानूनी विश्लेषण का मसौदा तैयार करना हो, एआई के आउटपुट की आलोचनात्मक जांच करने की क्षमता सर्वोपरि रहती है। जैसे-जैसे एआई मॉडल अधिक परिष्कृत होते जाते हैं, प्रतीत होने वाले पूर्ण आउटपुट की गैर-आलोचनात्मक स्वीकृति का जोखिम बढ़ता जाता है, जिससे मूल्यांकनात्मक कौशल पहले से कहीं अधिक मूल्यवान हो जाते हैं।

अपनी स्वयं की एआई प्रवाह विकसित करना

अच्छी खबर यह है कि एआई प्रवाह, किसी भी कौशल की तरह, विकसित किया जा सकता है। अपने निष्कर्षों के आधार पर, एन्थ्रोपिक उन उपयोगकर्ताओं के लिए व्यावहारिक सलाह प्रदान करता है जो अपने मानव-एआई सहयोग को बढ़ाना चाहते हैं:

  1. बातचीत में बने रहना: प्रारंभिक एआई प्रतिक्रियाओं को शुरुआती बिंदु के रूप में अपनाएँ। अनुवर्ती प्रश्नों में संलग्न हों, मान्यताओं को चुनौती दें, और अपने अनुरोधों को पुनरावृत्ति रूप से परिष्कृत करें। यह सक्रिय जुड़ाव अन्य प्रवाह व्यवहारों का सबसे मजबूत भविष्यवक्ता है।
  2. पॉलिश किए गए आउटपुट पर सवाल उठाना: जब कोई एआई मॉडल कुछ ऐसा उत्पन्न करता है जो पूर्ण और सटीक लगता है, तो रुकें और महत्वपूर्ण सोच लागू करें। पूछें: क्या यह वास्तव में सटीक है? क्या कुछ गायब है? क्या तर्क सही है? दृश्य पॉलिश को महत्वपूर्ण मूल्यांकन पर हावी न होने दें।
  3. सहयोग की शर्तें तय करना: सक्रिय रूप से परिभाषित करें कि आप एआई को आपके साथ कैसे बातचीत करना चाहते हैं। स्पष्ट निर्देश जैसे 'मेरी मान्यताएँ गलत हों तो आपत्ति करें,' 'मुझे अपने तर्क के बारे में बताएँ,' या 'मुझे बताएँ कि आप किस बारे में अनिश्चित हैं' मौलिक रूप से गतिशीलता को बदल सकते हैं, जिससे अधिक पारदर्शी और मजबूत सहयोग को बढ़ावा मिलता है।

भविष्य के एआई कौशल विकास के लिए एक आधारभूत रेखा

इस प्रारंभिक अध्ययन की सीमाओं को स्वीकार करना महत्वपूर्ण है। नमूना, जिसमें 2026 की शुरुआत के मल्टी-टर्न Claude.ai उपयोगकर्ता शामिल हैं, संभवतः शुरुआती अपनाने वालों की ओर झुका हुआ है जो पहले से ही एआई से सहज हैं, न कि व्यापक आबादी की ओर। अध्ययन केवल चैट इंटरफ़ेस के भीतर देखे जा सकने वाले व्यवहारों पर भी केंद्रित है, महत्वपूर्ण नैतिक और जिम्मेदार उपयोग व्यवहारों को छोड़ देता है जो बाहरी रूप से होते हैं। ये चेतावनियाँ बताती हैं कि एआई प्रवाह सूचकांक इस विशिष्ट आबादी के लिए एक आधारभूत रेखा और गहरे, अनुदैर्ध्य शोध के लिए एक प्रारंभिक बिंदु प्रदान करता है।

इन सीमाओं के बावजूद, एआई प्रवाह सूचकांक प्रभावी मानव-एआई सहयोग को समझने और बढ़ावा देने की दिशा में एक महत्वपूर्ण कदम है। जैसे-जैसे एआई उपकरण विकसित होते रहेंगे, उपयोगकर्ताओं को आलोचनात्मक, पुनरावृत्ति और जिम्मेदारी से संलग्न होने के कौशल के साथ सशक्त बनाना इस तकनीक की पूरी क्षमता का एहसास करने और इसके जोखिमों को कम करने के लिए केंद्रीय होगा। यह प्रारंभिक रिपोर्ट भविष्य के शोध के लिए मंच तैयार करती है, जो उपयोगकर्ताओं और डेवलपर्स दोनों को अधिक प्रवाहपूर्ण और लाभकारी एआई-संचालित भविष्य के निर्माण में मार्गदर्शन करने का वादा करती है।

मूल स्रोत

https://www.anthropic.com/research/AI-fluency-index

अक्सर पूछे जाने वाले प्रश्न

What is the Anthropic AI Fluency Index?
The Anthropic AI Fluency Index is a new metric developed by Anthropic to assess how well individuals are developing skills to effectively use AI tools. Moving beyond mere adoption, the index tracks 11 directly observable behaviors that represent safe and effective human-AI collaboration, based on the 4D AI Fluency Framework. It aims to provide a baseline measurement of user proficiency, helping to understand how these critical skills evolve as AI technology becomes more integrated into daily life. The initial study analyzed nearly 10,000 conversations on Claude.ai to identify key patterns in user interaction and skill development.
How is AI fluency measured by Anthropic?
AI fluency is measured by tracking the presence or absence of 11 specific behavioral indicators during user interactions with Claude on Claude.ai. These indicators are derived from the broader 4D AI Fluency Framework, which defines 24 behaviors of safe and effective human-AI collaboration. For the initial study, Anthropic utilized a privacy-preserving analysis tool to examine 9,830 multi-turn conversations over a 7-day period. Behaviors like 'iteration and refinement,' 'questioning reasoning,' and 'identifying missing context' were observed and classified as present or absent within each conversation, providing a quantitative baseline for AI proficiency.
What is the 'iteration and refinement effect' in AI fluency?
The 'iteration and refinement effect' refers to the strong correlation found between users who build on previous exchanges to refine their work with AI, and the display of other key AI fluency behaviors. Conversations exhibiting iteration and refinement—meaning users don't just accept the first AI response but actively engage in follow-up questions, pushbacks, and adjustments—showed significantly higher rates of other fluency indicators. For instance, these iterative conversations were 5.6 times more likely to involve users questioning Claude's reasoning and 4 times more likely to identify missing context, underscoring the importance of sustained, dynamic engagement for developing AI proficiency.
Why do users become less evaluative when creating artifacts with AI?
Anthropic's research found that when users engage AI to create artifacts such as code, documents, or interactive tools, they tend to become more directive but paradoxically less evaluative. This means users are more likely to clarify goals and provide examples, but less likely to question the model's reasoning, identify missing context, or check facts. Possible explanations include the polished appearance of AI-generated outputs, which might lead users to prematurely trust the results, or the nature of certain tasks where functional aesthetics might outweigh factual precision. Regardless, this pattern highlights a critical area for improvement in human-AI collaboration, emphasizing the need for continued critical assessment even with seemingly complete outputs.
How can individuals improve their AI fluency according to Anthropic?
Anthropic suggests three key areas for individuals to enhance their AI fluency. First, 'staying in the conversation' means treating initial AI responses as starting points, asking follow-up questions, and actively refining outputs. Second, 'questioning polished outputs' involves critically evaluating AI-generated artifacts for accuracy, completeness, and logical soundness, even if they appear perfect. Third, 'setting the terms of the collaboration' encourages users to explicitly instruct AI on how to interact, for example, by asking it to explain its reasoning or push back on assumptions. These practices aim to foster deeper engagement and critical thinking in human-AI interactions.
What are the limitations of the AI Fluency Index study?
The initial AI Fluency Index study has several important limitations. The sample is restricted to Claude.ai users engaging in multi-turn conversations during a single week in January 2026, which likely skews towards early adopters and may not represent the broader population. The study also only assesses 11 out of 24 behaviors from the 4D AI Fluency Framework, focusing solely on directly observable interactions within the chat interface, thus missing crucial ethical and responsible use behaviors that occur externally. Furthermore, the binary classification of behaviors might overlook nuanced demonstrations, and it cannot account for 'implicit behaviors' where users might mentally evaluate AI outputs without verbalizing their critical assessment in the chat.

अपडेट रहें

नवीनतम AI समाचार अपने इनबॉक्स में पाएं।

शेयर करें