Aap kya seekhenge
यह पाठ्यक्रम किस पर टिका है
कक्षा 9–10 का AI पाठ्यक्रम सटीक व जिम्मेदारी से पढ़ाना
यह Practitioner पाठ्यक्रम शिक्षकों को कक्षा 9–10 AI पाठ्यक्रम — AI आधार, परियोजना चक्र, डेटा, मॉडलिंग, मूल्यांकन, जनित AI, कंप्यूटर विज़न, NLP, Python व नैतिकता — पढ़ाने, आँकने व पर्यवेक्षण करने को तैयार करता है, व एक पूर्ण AI कैपस्टोन पोर्टफोलियो के साथ उत्तीर्ण करता है।
कक्षा IX–X हेतु वर्तमान CBSE AI (कोड 417) पाठ्यक्रम से मैप्ड व अन्य बोर्डों हेतु अनुकूलनीय — एक पाठ्यक्रम-संरेखण मैट्रिक्स सहित, अनुमोदन के अस्पष्ट दावे नहीं।
पूरी पाइपलाइन सटीक: AI परियोजना चक्र, डेटा व सांख्यिकी, मॉडलिंग, भ्रम-मैट्रिक्स व परिशुद्धता/प्रत्याह्वान/F1, कंप्यूटर विज़न, NLP व Python — सत्यापित, चलाने-योग्य उदाहरणों सहित।
जिम्मेदार AI एक सतत परत: सत्यापन व मतिभ्रम, सार्वजनिक टूल में कोई असली विद्यार्थी-डेटा नहीं, बच्चों की कोई प्रोफ़ाइलिंग या निगरानी नहीं, व हर AI उपयोग हेतु एक मनुष्य जवाबदेह।
हर मॉड्यूल एक कक्षा-तैयार कलाकृति बनाता, व पाठ्यक्रम एक पूर्ण, रूब्रिक-आधारित AI कैपस्टोन पोर्टफोलियो में समाप्त जिससे आप अपने विद्यार्थियों का पर्यवेक्षण कर सकें।
आप क्या बनाएँगे
आप एक समीक्षित कक्षा 9–10 AI कैपस्टोन पोर्टफोलियो लेकर उत्तीर्ण होते हैं — एक पूर्ण, जिम्मेदार AI परियोजना चक्र प्रलेखित करते सोलह घटक — जो सोलह-मानदंड विश्लेषणात्मक रूब्रिक पर आँका जाता है।
पाठ्यक्रम विवरण
पाठ्यक्रम से परिचित हों, निदान लें, व एक सटीक आधार बनाएँ: AI क्या है व क्या नहीं, तीन प्रमुख AI क्षेत्र (डेटा, कंप्यूटर विज़न, NLP), AI की वास्तविक क्षमताएँ व सीमाएँ, आम भ्रांतियाँ, व कक्षा 9–10 को ये कैसे पढ़ाएँ — CBSE-उन्मुख व AI को मानवीय या चेतन बताए बिना।
सीखने के परिणाम
- Define AI accurately, distinguish it from conventional automation, and state its capabilities and limitations without anthropomorphising it (Class IX AI basics).
- Describe the three major AI domains — data, computer vision and natural language processing — with real applications (Class IX/X domains).
- Correct common misconceptions about AI and plan an age-appropriate way to teach AI foundations to Classes 9–10 (teacher competency).
पाठ
पाठ्यक्रम परिचय व निदान
Objective: पाठ्यक्रम में चलें, जिम्मेदार-उपयोग नियम स्वीकारें, व अंक-रहित निदान से तय करें कि कहाँ ध्यान देना है।
AI क्या है — व क्या नहीं
Objective: AI को सटीक परिभाषित करें, इसे पारंपरिक स्वचालन से अलग करें, व इसे मानवीय बताए बिना इसकी मूल सीमाएँ बताएँ।
तीन प्रमुख AI क्षेत्र
Objective: तीन प्रमुख AI क्षेत्र — डेटा (सांख्यिकीय) AI, कंप्यूटर विज़न व प्राकृतिक भाषा प्रसंस्करण — वास्तविक अनुप्रयोगों सहित वर्णित करें।
हमारे चारों ओर AI: क्षमताएँ, सीमाएँ व भ्रांतियाँ
Objective: रोज़मर्रा जीवन में AI पहचानें, वास्तविक क्षमताएँ व सीमाएँ बताएँ, व आम भ्रांतियों को सटीक व्याख्याओं से सुधारें।
आयु-उपयुक्त गतिविधियों से AI अवधारणाएँ पढ़ाना
Objective: व्याख्यान अकेले के बजाय सक्रिय, जाँच-आधारित, विभेदित विधियों से कक्षा 9–10 को एक AI-आधार अवधारणा पढ़ाने की योजना बनाएँ।
मॉड्यूल मूल्यांकन
"AI or Not AI?" activity + AI-domain map + active lesson plan · 8 प्रश्न
दृश्य अवधारणाएँ
Comparison Chart
AI versus automation comparison
Flowchart
Interactive AI-domain map (data / vision / NLP)
Checklist
Real-life AI application gallery
Flowchart
Human–AI decision flow
Comparison Chart
Myth-versus-fact cards
संसाधन
AI vs automation reference (Teacher-facing)
Accurate, non-anthropomorphic definitions.
"AI or Not AI?" classification cards + answer key
10 systems, with teacher notes on borderline cases.
Three-domain AI map poster (data / vision / NLP)
Classroom wall poster with examples.
Myth-vs-fact cards
Five common AI misconceptions and accurate corrections.
Course handbook + responsible-use acknowledgement
How the course works; the responsible-use agreement to accept.
AI परियोजना चक्र व समस्या-निर्धारण CBSE तरीके से पढ़ाएँ — समस्या-पहचान, 4Ws कैनवास, हितधारक व प्रणाली मैपिंग, परियोजना-लक्ष्य लिखना, व किसी डेटा या मॉडलिंग से पहले व्यवहार्यता व नैतिकता समीक्षा।
सीखने के परिणाम
- Explain the stages of the AI Project Cycle and how it differs from a conventional project (CBSE Project Cycle).
- Facilitate problem scoping using the 4Ws canvas, stakeholder mapping and a clear goal statement.
- Guide an early feasibility and ethics review before committing to data collection or modelling.
पाठ
AI परियोजना चक्र को समझना
Objective: AI परियोजना चक्र के चरण वर्णित करें व समझाएँ यह रैखिक के बजाय पुनरावृत्त क्यों है।
सार्थक समस्याएँ पहचानना
Objective: विद्यार्थियों को सार्थक, उपयुक्त-निर्धारित समस्याएँ पहचानने में मदद करें जिन्हें AI वास्तव में संबोधित करने में मदद कर सके।
4Ws समस्या कैनवास
Objective: कुछ भी बनाने से पहले समस्या सटीक परिभाषित करने हेतु 4Ws कैनवास (कौन, क्या, कहाँ, क्यों) उपयोग करें।
हितधारक व प्रणाली मैपिंग
Objective: समस्या से प्रभावित हितधारकों व इसके इर्द-गिर्द प्रणाली को मैप करें ताकि प्रभाव, ज़रूरतें व बाधाएँ समझें।
परियोजना-लक्ष्य लिखना व व्यवहार्यता व नैतिकता समीक्षा
Objective: एक स्पष्ट, मापने-योग्य AI परियोजना-लक्ष्य लिखें व डेटा-संग्रह से पहले प्रारंभिक व्यवहार्यता व नैतिकता समीक्षा पूरी करें।
मॉड्यूल मूल्यांकन
Problem-scoping pack (4Ws canvas + stakeholder map + system map + goal + ethics review) · 8 प्रश्न
दृश्य अवधारणाएँ
Cycle Diagram
Interactive AI Project Cycle
Comparison Chart
AI project cycle vs a conventional project
Flowchart
4Ws problem canvas
Flowchart
Stakeholder influence map
Cycle Diagram
Iterative feedback loop
संसाधन
AI Project Cycle poster
PDF classroom resource
4Ws problem canvas
PDF classroom resource
Stakeholder map template
PDF classroom resource
System map template
PDF classroom resource
Feasibility & ethics review checklist
PDF classroom resource
AI की नींव के रूप में डेटा पढ़ाएँ — डेटा-विशेषताएँ, प्रकार, स्रोत, विश्वसनीयता, नमूनाकरण — व साथ ही मज़बूत गोपनीयता-अभ्यास बनाएँ: सहमति, अनामकरण, डेटा-न्यूनीकरण, व असली विद्यार्थी-डेटा कभी सार्वजनिक AI टूल में न दर्ज करना।
सीखने के परिणाम
- Explain data features and types (structured/unstructured, qualitative/quantitative, primary/secondary) and evaluate data sources for reliability.
- Teach sampling, representation and how bias enters at data collection.
- Apply privacy, consent, anonymisation and data-minimisation rules to safe classroom data collection.
पाठ
डेटा व डेटा-विशेषताएँ
Objective: डेटा साक्षरता परिभाषित करें, व डेटा-प्रकार — संरचित/असंरचित, गुणात्मक/मात्रात्मक, प्राथमिक/द्वितीयक — व उनकी विशेषताएँ अलग करें।
डेटा स्रोत व संग्रह
Objective: उपयुक्त डेटा-स्रोत व सुरक्षित संग्रह-विधियाँ पहचानें, स्वीकृत मुक्त डेटासेट व कृत्रिम डेटा को प्राथमिकता देते।
विश्वसनीय बनाम अविश्वसनीय डेटा, नमूनाकरण व प्रतिनिधित्व
Objective: डेटा-विश्वसनीयता आँकें व समझाएँ कैसे नमूनाकरण व प्रतिनिधित्व तय करते कि निष्कर्ष व मॉडल निष्पक्ष हैं।
गोपनीयता, सहमति व अनामकरण
Objective: गोपनीयता, सहमति, अनामकरण व डेटा-न्यूनीकरण नियम लागू करें, व असली विद्यार्थी-डेटा कभी सार्वजनिक AI टूल में न दर्ज करें।
पूर्वाग्रह व खराब-गुणवत्ता डेटा पहचानना
Objective: डेटासेट में पूर्वाग्रह, छूटे मान व खराब गुणवत्ता पहचानें, व समझाएँ ये अनुचित मॉडलों में कैसे फैलते।
मॉड्यूल मूल्यांकन
Privacy-safe classroom dataset + data dictionary · 8 प्रश्न
दृश्य अवधारणाएँ
Cycle Diagram
Data lifecycle
Flowchart
Safe-data decision tree
Checklist
Data-quality dashboard
Comparison Chart
Sampling-bias illustration
Comparison Chart
Structured versus unstructured data map
Comparison Chart
Anonymisation example
संसाधन
Data-source checklist
PDF classroom resource
Data dictionary template
PDF classroom resource
Data privacy checklist
PDF classroom resource
Safe-data decision tree
PDF classroom resource
Sampling & bias discussion guide
PDF classroom resource
AI जिस पर टिका वह अन्वेषण व गणित पढ़ाएँ — वर्णनात्मक सांख्यिकी (माध्य, माध्यिका, बहुलक, परास), मूल प्रायिकता, सही चार्ट चुनना, भ्रामक ग्राफ़ पहचानना, व मॉडलिंग हेतु डेटा तैयार करना — एक स्प्रेडशीट डेटा प्रयोगशाला से।
सीखने के परिणाम
- Explore data and compute descriptive statistics (mean, median, mode, range) and interpret distributions.
- Apply basic probability, choose the correct visualisation, and identify misleading graphs.
- Prepare and clean data for modelling using a spreadsheet, distinguishing correlation from causation.
पाठ
डेटा अन्वेषण
Objective: किसी विश्लेषण या मॉडलिंग से पहले डेटासेट व्यवस्थित अन्वेषित करें — इसका आकार, विशेषताएँ, परास व स्पष्ट पैटर्न।
AI हेतु सांख्यिकी
Objective: माध्य, माध्यिका, बहुलक व परास गणना व व्याख्या करें, व दिए डेटासेट हेतु सही माप चुनें।
वास्तविक जीवन में प्रायिकता
Objective: मूल प्रायिकता समझाएँ व इसे जोड़ें कि AI अनिश्चितता व विश्वास कैसे व्यक्त करता।
सही दृश्यीकरण चुनना व भ्रामक ग्राफ़ पहचानना
Objective: डेटा-प्रकार व प्रश्न हेतु सही चार्ट चुनें, व पहचानें ग्राफ़ कैसे गुमराह करते।
स्प्रेडशीट-आधारित डेटा प्रयोगशाला
Objective: एक डेटासेट साफ़ करें, वर्णनात्मक सांख्यिकी गणना करें, उपयुक्त चार्ट बनाएँ, व स्प्रेडशीट से मॉडलिंग हेतु डेटा तैयार करें।
मॉड्यूल मूल्यांकन
Spreadsheet data lab (clean data + descriptive stats + appropriate charts) · 8 प्रश्न
दृश्य अवधारणाएँ
Flowchart
Interactive chart chooser
Comparison Chart
Mean–median–mode visual
Cycle Diagram
Probability simulator
Comparison Chart
Distribution explorer
Comparison Chart
Misleading-chart comparison
Comparison Chart
Correlation-versus-causation illustration
संसाधन
Chart selection guide
PDF classroom resource
Descriptive-statistics worksheet
PDF classroom resource
Probability activity sheet
PDF classroom resource
Misleading-chart examples
PDF classroom resource
Spreadsheet data-lab workbook
PDF classroom resource
मॉडलिंग आधार सटीक पढ़ाएँ — मॉडल व निरूपण, नियम-आधारित बनाम अधिगम-आधारित प्रणालियाँ, AI–ML–गहन-अधिगम संबंध, तीन अधिगम-प्रकार, वर्गीकरण/प्रतिगमन/क्लस्टरिंग, निर्णय-वृक्ष, व उपमा से न्यूरल नेटवर्क — एक उपयुक्त मॉडल चुनने तक।
सीखने के परिणाम
- Explain what a model is, and distinguish rule-based from learning-based systems and AI from ML and deep learning.
- Describe supervised, unsupervised and reinforcement learning, and classification, regression and clustering with examples.
- Explain decision trees and neural networks through analogy, and select an appropriate model for a task.
पाठ
मॉडल क्या है?
Objective: मॉडल को अनुमान या निर्णय हेतु प्रयुक्त सरलीकृत निरूपण के रूप में परिभाषित करें, व प्रशिक्षण को अनुमान से अलग करें।
नियम-आधारित बनाम अधिगम-आधारित प्रणालियाँ
Objective: नियम-आधारित प्रणालियाँ (मनुष्य नियम लिखते) को अधिगम-आधारित (नियम डेटा से सीखे) से अलग करें व जानें हर कब उपयुक्त।
AI, मशीन लर्निंग व गहन अधिगम
Objective: AI, मशीन लर्निंग व गहन अधिगम के बीच नेस्टेड संबंध सटीक समझाएँ।
पर्यवेक्षित, अपर्यवेक्षित व सुदृढ़ीकरण अधिगम
Objective: तीन मशीन-लर्निंग प्रकारों को हर जो डेटा व प्रतिक्रिया उपयोग करता उससे अलग करें।
वर्गीकरण, प्रतिगमन, क्लस्टरिंग व निर्णय-वृक्ष
Objective: वर्गीकरण, प्रतिगमन व क्लस्टरिंग को अलग करें, व समझाएँ निर्णय-वृक्ष अनुमान कैसे लगाता।
उपमा से न्यूरल नेटवर्क, व मॉडल चयन
Objective: उपमा से न्यूरल नेटवर्क बिना बढ़ा-चढ़ाए समझाएँ, अतिफिटिंग प्रस्तुत करें, व कार्य हेतु उपयुक्त मॉडल चुनें।
मॉड्यूल मूल्यांकन
Paper decision tree + a simple no-code classification model · 8 प्रश्न
दृश्य अवधारणाएँ
Comparison Chart
AI–ML–DL relationship diagram
Flowchart
Model-selection map
Flowchart
Interactive decision tree
Flowchart
Neural-network flow
Comparison Chart
Training-versus-inference illustration
Comparison Chart
Overfitting visualisation
संसाधन
Model-selection guide
PDF classroom resource
Decision-tree template
PDF classroom resource
AI/ML/DL reference card
PDF classroom resource
Learning-types comparison
PDF classroom resource
No-code model lab guide
PDF classroom resource
मॉडल मूल्यांकन सटीक पढ़ाएँ — प्रशिक्षण-परीक्षण विभाजन, भ्रम-मैट्रिक्स, व सटीकता, परिशुद्धता, प्रत्याह्वान व F1 — व सही मीट्रिक चुनना, त्रुटियाँ व निष्पक्षता विश्लेषण, व मॉडल की सीमाएँ ईमानदार संप्रेषित करना।
सीखने के परिणाम
- Explain why models must be evaluated and how the train-test split works.
- Read a confusion matrix and calculate accuracy, precision, recall and F1 correctly.
- Select the right metric for a context, analyse errors and fairness, and communicate model limitations.
पाठ
मॉडल क्यों मूल्यांकित हों, व प्रशिक्षण-परीक्षण विभाजन
Objective: समझाएँ मूल्यांकन आवश्यक क्यों व प्रशिक्षण-परीक्षण विभाजन वास्तविक-संसार प्रदर्शन का ईमानदार अनुमान कैसे देता।
भ्रम-मैट्रिक्स को समझना
Objective: भ्रम-मैट्रिक्स पढ़ें व सत्य-धनात्मक, मिथ्या-धनात्मक, सत्य-ऋणात्मक व मिथ्या-ऋणात्मक पहचानें।
सटीकता, परिशुद्धता, प्रत्याह्वान व F1 स्कोर
Objective: भ्रम-मैट्रिक्स से सटीकता, परिशुद्धता, प्रत्याह्वान व F1 गणना करें व हर क्या मापता बताएँ।
सही मीट्रिक चुनना
Objective: मिथ्या-धनात्मक बनाम मिथ्या-ऋणात्मक की लागत व वर्ग-संतुलन आधार पर संदर्भ हेतु उपयुक्त मूल्यांकन-मीट्रिक चुनें।
निष्पक्षता, त्रुटि-विश्लेषण व सीमाएँ संप्रेषित करना
Objective: समूहों में निष्पक्षता हेतु त्रुटियाँ विश्लेषण करें व मॉडल की सीमाएँ ईमानदार संप्रेषित करें।
मॉड्यूल मूल्यांकन
Confusion-matrix practical (build + calculate metrics + interpret) · 8 प्रश्न
दृश्य अवधारणाएँ
Comparison Chart
Interactive confusion matrix
Flowchart
Metric calculator
Comparison Chart
False-positive versus false-negative scenario
Comparison Chart
Model comparison dashboard
Flowchart
Fairness-check workflow
संसाधन
Confusion matrix worksheet
PDF classroom resource
Metric formulas reference (accuracy/precision/recall/F1)
PDF classroom resource
Metric-selection guide
PDF classroom resource
Fairness-check workflow
PDF classroom resource
Error-analysis template
PDF classroom resource
जनित AI जिम्मेदारी से पढ़ाएँ — यह पूर्वानुमानी AI से कैसे भिन्न, यह आउटपुट कैसे बनाता, प्रभावी प्रॉम्प्टिंग, व सत्यापन, स्रोत-जाँच, कृत्रिम-मीडिया व डीपफ़ेक पहचान, कॉपीराइट व AI-उपयोग प्रकटीकरण के महत्वपूर्ण कौशल — एक शिक्षक-समीक्षित कक्षा-संसाधन में परिणत।
सीखने के परिणाम
- Explain generative AI, how it differs from predictive AI, and how it produces outputs by predicting likely content.
- Write effective prompts and verify outputs for accuracy, sources, bias and privacy.
- Identify synthetic or manipulated media, apply copyright and AI-use disclosure, and design a safe classroom workflow.
पाठ
जनित AI को समझना
Objective: जनित AI को पूर्वानुमानी/पारंपरिक AI से अलग करें व वर्णित करें यह क्या बना सकता।
जनित AI आउटपुट कैसे बनाता
Objective: उपयुक्त स्तर पर समझाएँ कि जनित AI पैटर्न से संभावित अगली सामग्री अनुमानता, व यह मतिभ्रम क्यों कराता।
प्रभावी प्रॉम्प्ट लिखना
Objective: भूमिका, कार्य, संदर्भ, बाधाएँ, उदाहरण व वांछित आउटपुट-प्रारूप से स्पष्ट, संरचित प्रॉम्प्ट लिखें।
सटीकता, स्रोत व साक्ष्य जाँचना
Objective: एक सत्यापन-चेकलिस्ट व स्रोत-गुणवत्ता सीढ़ी से जनित आउटपुट को भरोसेमंद स्रोतों से सत्यापित करें।
कृत्रिम मीडिया, डीपफ़ेक, कॉपीराइट व प्रकटीकरण
Objective: कृत्रिम या हेरफेर किया मीडिया पहचानें, व कॉपीराइट, श्रेय व AI-उपयोग प्रकटीकरण नियम लागू करें।
सुरक्षित कक्षा कार्यप्रवाह व शिक्षक-समीक्षित संसाधन
Objective: जनित AI हेतु एक सुरक्षित कक्षा-कार्यप्रवाह डिज़ाइन करें व एक पूर्णतः शिक्षक-समीक्षित AI-सहायित संसाधन बनाएँ।
मॉड्यूल मूल्यांकन
Teacher-reviewed AI-assisted resource (prompt + draft + verification + corrections + disclosure) · 8 प्रश्न
दृश्य अवधारणाएँ
Flowchart
Prompt construction framework
Flowchart
Generation-versus-verification flow
Comparison Chart
Hallucination warning example
Checklist
Synthetic-media detection checklist
Timeline Visual
Source-quality ladder
Flowchart
Responsible-use decision tree
संसाधन
Prompt-design template
PDF classroom resource
AI output verification checklist
PDF classroom resource
Generative AI disclosure form
PDF classroom resource
Synthetic-media detection checklist
PDF classroom resource
Source-quality ladder
PDF classroom resource
कंप्यूटर विज़न मूल से पढ़ाएँ — पिक्सेल के रूप में छवियाँ, विभेदन, RGB व ग्रेस्केल, विशेषताएँ, वर्गीकरण/पहचान/विभाजन कार्य, संवलन व CNN अवधारणाएँ — व एक गोपनीयता-सुरक्षित नो-कोड छवि-वर्गीकारक बनाएँ व पूर्वाग्रह-परीक्षण करें।
सीखने के परिणाम
- Explain how images are represented as pixels with resolution and colour (RGB/greyscale).
- Distinguish image classification, object detection and segmentation, and explain convolution and CNNs at an introductory level.
- Build a privacy-safe no-code image classifier and test it for bias and failure cases.
पाठ
कंप्यूटर विज़न परिचय
Objective: कंप्यूटर विज़न क्या है, इसके असली अनुप्रयोग, व इसकी सीमाएँ बिना बढ़ा-चढ़ाए समझाएँ।
पिक्सेल, विभेदन व रंग
Objective: समझाएँ कि छवियाँ पिक्सेल के ग्रिड, व विभेदन, RGB व ग्रेस्केल दृश्य-जानकारी को संख्याओं के रूप में कैसे निरूपित करते।
वर्गीकरण, पहचान व विभाजन
Objective: तीन मूल कंप्यूटर-विज़न कार्य — छवि-वर्गीकरण, वस्तु-पहचान व विभाजन — अलग करें।
छवि-विशेषताएँ, संवलन व CNN
Objective: छवि-विशेषताएँ, संवलन कर्नेल से क्या करता, व CNN विशेषताएँ कैसे बनाते परिचयात्मक स्तर पर समझाएँ।
नो-कोड छवि-वर्गीकारक बनाना व पूर्वाग्रह-परीक्षण
Objective: एक गोपनीयता-सुरक्षित नो-कोड छवि-वर्गीकारक बनाएँ, इसका मूल्यांकन करें, व पूर्वाग्रह व विफलता-मामलों हेतु परीक्षण करें।
मॉड्यूल मूल्यांकन
No-code image classifier (build + evaluate + bias/failure test) · 8 प्रश्न
दृश्य अवधारणाएँ
Comparison Chart
Pixel zoom explorer
Comparison Chart
RGB mixer
Flowchart
Convolution-kernel animation
Comparison Chart
Classification / detection / segmentation comparison
Flowchart
CNN layer diagram
Checklist
Model-confidence display
संसाधन
Computer vision laboratory guide
PDF classroom resource
Pixels & RGB reference
PDF classroom resource
Classification/detection/segmentation cards
PDF classroom resource
CNN concept diagram
PDF classroom resource
Vision bias & failure-test checklist
PDF classroom resource
NLP मूल से पढ़ाएँ — मशीनें पाठ कैसे प्रसंस्करण करतीं, टोकनीकरण व सामान्यीकरण, बैग-ऑफ़-वर्ड्स व कीवर्ड-निष्कर्षण, भाव-विश्लेषण, चैटबॉट (स्क्रिप्टेड बनाम बुद्धिमान), व बहुभाषी सीमाएँ व भाषा-पूर्वाग्रह — एक गोपनीयता-सुरक्षित नो-कोड पाठ-प्रायोगिक सहित।
सीखने के परिणाम
- Explain how machines process text through tokenisation, normalisation and bag-of-words.
- Explain sentiment analysis, keyword extraction, and how chatbots differ from scripted bots.
- Recognise multilingual limitations and cultural/linguistic bias, and run a privacy-safe no-code text practical.
पाठ
NLP परिचय व मशीनें पाठ कैसे प्रसंस्करण करतीं
Objective: NLP क्या है, इसके अनुप्रयोग, व मानव भाषा मशीनों हेतु प्रसंस्करण कठिन क्यों समझाएँ।
टोकनीकरण व पाठ-सामान्यीकरण
Objective: टोकनीकरण व सामान्यीकरण को पाठ को मशीन-उपयोग्य डेटा में बदलने के पहले चरण के रूप में समझाएँ।
बैग ऑफ़ वर्ड्स व कीवर्ड-निष्कर्षण
Objective: बैग-ऑफ़-वर्ड्स निरूपण व कीवर्ड-निष्कर्षण, व उनकी शक्तियाँ व सीमाएँ समझाएँ।
भाव-विश्लेषण, चैटबॉट व संवादात्मक प्रणालियाँ
Objective: भाव-विश्लेषण समझाएँ व स्क्रिप्टेड (नियम-आधारित) बॉट को AI-आधारित संवादात्मक प्रणालियों से अलग करें।
बहुभाषी NLP, भाषा-पूर्वाग्रह व एक नो-कोड प्रायोगिक
Objective: NLP में बहुभाषी सीमाएँ व सांस्कृतिक/भाषिक पूर्वाग्रह पहचानें, व एक गोपनीयता-सुरक्षित नो-कोड पाठ-प्रायोगिक चलाएँ।
मॉड्यूल मूल्यांकन
No-code NLP practical (sentiment or text classification on approved data) · 8 प्रश्न
दृश्य अवधारणाएँ
Flowchart
NLP pipeline
Flowchart
Tokenisation animation
Comparison Chart
Bag-of-words matrix
Comparison Chart
Sentiment-score explanation
Comparison Chart
Scripted-bot versus AI-bot flow
Comparison Chart
Multilingual ambiguity examples
संसाधन
NLP laboratory guide
PDF classroom resource
Tokenisation & normalisation reference
PDF classroom resource
Bag-of-words worksheet
PDF classroom resource
Sentiment-analysis activity
PDF classroom resource
Multilingual bias discussion guide
PDF classroom resource
CBSE पाठ्यक्रम जो Python व नो-कोड अभ्यास अपेक्षित करता पढ़ाएँ — नोटबुक पर्यावरण, चर, डेटा-प्रकार, संकारक, इनपुट/आउटपुट, शर्तें, लूप, सूचियाँ, फलन, CSV डेटा पढ़ना, सरल सांख्यिकी व चार्ट, छवियाँ पढ़ना, डिबगिंग — चलाने-योग्य, सत्यापित उदाहरणों व स्पष्ट मार्गदर्शन सहित कब नो-कोड बेहतर चयन।
सीखने के परिणाम
- Set up and use the notebook environment and Python basics — variables, data types, operators, input/output, conditions, loops, lists and functions.
- Read CSV data, compute simple statistics and charts, and read/inspect images with validated, runnable examples.
- Debug and explain code, and decide when a no-code or low-code approach is the better choice.
पाठ
Python पर्यावरण व नोटबुक
Objective: Jupyter Notebook पर्यावरण सेट व नेविगेट करें व Python का पहला सत्यापित सेल चलाएँ।
चर, डेटा-प्रकार व संकारक
Objective: चर, मूल डेटा-प्रकार (int, float, string, boolean) व अंकगणित व तुलना संकारक सही उपयोग करें।
इनपुट, आउटपुट, शर्तें, लूप व सूचियाँ
Objective: इनपुट/आउटपुट, if–else शर्तें, for/while लूप व सूचियाँ उपयोग कर सरल, सही प्रोग्राम लिखें।
फलन व CSV डेटा पढ़ना
Objective: पुन:प्रयोज्य फलन लिखें व विश्लेषण हेतु CSV फ़ाइल से सारणीबद्ध डेटा पढ़ें।
Python से सांख्यिकी, चार्ट व छवियाँ पढ़ना
Objective: कोड में सरल सांख्यिकी गणना व एक मूल चार्ट बनाएँ, व एक छवि पिक्सेल-डेटा के रूप में पढ़ें व निरीक्षें।
डिबगिंग, कोड समझाना, व कोड बनाम नो-कोड
Objective: कोड का एक टुकड़ा डिबग व समझाएँ, व तय करें कब नो-कोड या लो-कोड तरीका बेहतर चयन।
मॉड्यूल मूल्यांकन
Runnable, validated Python notebook (data → stats → chart) + debugging log · 8 प्रश्न
दृश्य अवधारणाएँ
Flowchart
Jupyter notebook anatomy
Comparison Chart
Variable as a labelled box
Flowchart
Loop execution trace
Flowchart
CSV-to-table flow
Cycle Diagram
Find → test → fix debugging loop
Comparison Chart
Code-versus-no-code decision guide
संसाधन
Python practical workbook
PDF classroom resource
Starter Jupyter notebooks
PDF classroom resource
Common errors & debugging guide
PDF classroom resource
Python cheat sheet (accessible formatting)
PDF classroom resource
Code-vs-no-code decision guide
PDF classroom resource
AI नैतिकता को एक व्यावहारिक अभिशासन-कौशल पढ़ाएँ — मानवीय एजेंसी, निष्पक्षता, जवाबदेही, पारदर्शिता, गोपनीयता, सुरक्षा, समावेशन व सुगम्यता — व एक आयु-उपयुक्त AI प्रभाव-आकलन से AI को सतत विकास लक्ष्यों से जोड़ें।
सीखने के परिणाम
- Explain why AI ethics matters and apply ethical principles — human agency, fairness, accountability, transparency, privacy, safety, inclusion.
- Analyse bias, exclusion, transparency and accountability in realistic AI scenarios and propose responsible actions.
- Connect AI projects to the SDGs and conduct an age-appropriate AI impact assessment.
पाठ
AI नैतिकता क्यों मायने रखती, व नैतिक ढाँचे
Objective: समझाएँ AI नैतिकता क्यों मायने रखती व मूल सिद्धांत लागू करें — मानवीय एजेंसी, निष्पक्षता, जवाबदेही, पारदर्शिता, गोपनीयता, सुरक्षा, समावेशन।
पूर्वाग्रह, निष्पक्षता व बहिष्करण
Objective: विश्लेषण करें पूर्वाग्रह कैसे उठता व बहिष्करण कराता, व प्रभावित समूहों में निष्पक्षता आँकें।
गोपनीयता व बाल सुरक्षा
Objective: विद्यालयों में AI उपयोग हेतु गोपनीयता व बाल-सुरक्षा नियम लागू करें, विद्यार्थी-डेटा व प्रोफ़ाइलिंग पर दृढ़ सीमाओं सहित।
पारदर्शिता, जवाबदेही, सुगम्यता व समावेशन
Objective: AI निर्णयों पर पारदर्शिता व जवाबदेही लागू करें, व सुगम्य व समावेशी AI उपयोग डिज़ाइन करें।
SDG हेतु AI व प्रभाव-आकलन करना
Objective: AI परियोजनाओं को सतत विकास लक्ष्यों से जोड़ें व एक आयु-उपयुक्त AI प्रभाव-आकलन करें।
मॉड्यूल मूल्यांकन
AI impact assessment for a proposed school AI project · 8 प्रश्न
दृश्य अवधारणाएँ
Flowchart
Ethics-principle wheel
Comparison Chart
Stakeholder-impact matrix
Comparison Chart
Benefits-versus-harms map
Checklist
Responsible-deployment checklist
Comparison Chart
Fairness scenario comparison
Flowchart
AI impact assessment flow
संसाधन
Ethics scenario cards
PDF classroom resource
Ethics-principle wheel
PDF classroom resource
AI impact assessment template
PDF classroom resource
Responsible-deployment checklist
PDF classroom resource
School AI-use checklist
PDF classroom resource
पूरे पाठ्यक्रम को जोड़ें: एक कैपस्टोन समस्या चुनें व निर्धारित करें, एक डेटा, गोपनीयता व नैतिकता योजना सहित प्रस्ताव लिखें, एक प्रोटोटाइप बनाएँ व मूल्यांकन करें, पोर्टफोलियो एकत्र करें, व प्रस्तुति व मौखिकी हेतु तैयारी करें — व एक कक्षा-कार्यान्वयन योजना।
सीखने के परिणाम
- Select, scope and propose a capstone AI project with a data, privacy and ethics plan.
- Build and evaluate a prototype or classroom demonstration and gather evaluation evidence.
- Assemble the capstone portfolio and prepare for presentation, viva voce and classroom implementation.
पाठ
कैपस्टोन समस्या चुनना व प्रस्ताव तैयार करना
Objective: एक कैपस्टोन समस्या चुनें व निर्धारित करें व समस्या, हितधारक, SDG व तरीका जोड़ता प्रस्ताव लिखें।
डेटा, गोपनीयता व नैतिकता योजना
Objective: कैपस्टोन परियोजना हेतु एक डेटा-शब्दकोश व एक गोपनीयता-व-नैतिकता समीक्षा सहित डेटा-योजना लिखें।
प्रोटोटाइप, कार्यान्वयन व मूल्यांकन
Objective: एक प्रोटोटाइप या कक्षा-प्रदर्शन बनाएँ व इसे उपयुक्त साक्ष्य व ईमानदार सीमाओं सहित मूल्यांकन करें।
पोर्टफोलियो तैयार करना
Objective: आवश्यक कैपस्टोन घटकों को एक सुसंगत, अच्छी-प्रलेखित पोर्टफोलियो में एकत्र करें।
प्रस्तुति, मौखिकी व कक्षा-कार्यान्वयन
Objective: एक कैपस्टोन प्रस्तुति व मौखिकी तैयार करें, एक चिंतनशील कथन लिखें, व एक कक्षा-कार्यान्वयन योजना बनाएँ।
मॉड्यूल मूल्यांकन
Capstone AI portfolio (proposal → prototype → evaluation → presentation → reflection) · 8 प्रश्न
दृश्य अवधारणाएँ
Timeline Visual
Capstone roadmap
Flowchart
Project proposal structure
Checklist
Portfolio completion checklist
Flowchart
Evaluation-evidence map
Flowchart
Presentation & viva structure
Checklist
Classroom implementation-plan template
संसाधन
Project proposal template
PDF classroom resource
Portfolio template
PDF classroom resource
Capstone rubric
PDF classroom resource
Viva voce question bank
PDF classroom resource
Classroom implementation plan
PDF classroom resource
Model card template
PDF classroom resource
AI मसौदा बना सकता है, पर वह समझता या सत्यापित नहीं करता। आप जो भी उपयोग करते हैं उसकी सटीकता, निष्पक्षता, गोपनीयता और कक्षा-उपयुक्तता की ज़िम्मेदारी आपकी है।