AIEd علمی ذخیرہAIEd KB
اس صفحے پر

یہ صفحہ انگریزی میں پڑھیں

تصورات

جانچ کا اعتبار

تخلیق شدہ 2026-08-09 · اپ ڈیٹ شدہ 2026-11-04

انگریزی صفحے کا خودکار ترجمہ، جو ابھی تک کسی مقامی بولنے والے کے ذریعے جانچا نہیں گیا۔

جانچ کا اعتبار — کیا جانچ وہی پیمائش کرتی ہے جس کا وہ دعویٰ کرتی ہے۔ تعلیم میں مصنوعی ذہانت بنیادی اعتبار کے سوالات اٹھاتا ہے: کیا AI سے جانچے گئے امتحانات طالب علم کی سیکھنے کی صلاحیت کی جانچ کرتے ہیں یا AI پرامپٹنگ کی مہارت کی؟ کیا AI کا استعمال روایتی جانچ کے مفروضوں کو بےبنیاد کر دیتا ہے؟

غور کرنے کے لیے سوالات

  • اعتبار پوچھتا ہے کہ کیا کوئی جانچ وہی پیمائش کرتی ہے جس کا وہ دعویٰ کرتی ہے۔ پڑھنے سے پہلے، اگر آپ کسی طالب علم کو ایک چمکدار مضمون جمع کراتے دیکھیں اور آپ کو شبہ ہو کہ اُس میں AI کی مدد لی گئی ہے، تو آپ کو بڑا مسئلہ نقل سمجھ آئے گا، یا یہ کہ وہ ٹاسک اب وہ چیز پیمائش نہیں کر رہا تھا جو آپ کے خیال میں وہ پیمائش کر رہا تھا؟
  • یہ صفحہ ایک تیز سوال اٹھاتا ہے: جب طلبہ AI استعمال کرتے ہیں تو اسکور طالب علم کے علم کی عکاسی کرتا ہے یا AI پرامپٹنگ کی مہارت کی؟ کیا آپ کوئی ایسی جانچ سوچ سکتے ہیں جو آپ نے ڈیزائن کی ہو یا دی ہو، جہاں اسکور اب آپ کو سیکھنے والے کے بجائے آلے کے بارے میں زیادہ بتا رہا ہو؟
  • ایک اہم دریافت یہ ہے کہ ایک ہی سیکھنے والے کا اِن پُٹ بدلے ہوئے ردِعمل وصول کر سکتا ہے اس بات پر منحصر کہ کون سا بنیادی LLM استعمال ہوا — اور یہ 'ساخت سے غیر متعلق تغیر' پیدا کرتا ہے جو اعتماد اور انصاف کو خطرے میں ڈالتا ہے۔ اگر دو طلبہ کو خالصتاً اُس ماڈل کی وجہ سے مختلف AI مدد ملے جو پیچھے ہے، تو نتیجے کا موازنہ کتنا منصفانہ ہے؟
  • صفحہ دلیل دیتا ہے کہ جب کوئی LLM اچھا اسکور کرے تب بھی انسانی اسکور کی تشریحات منتقل کرنے کے لیے ردِعمل کی پوشیدہ ساخت میں مشابہت ضروری ہے — اور LLMs یہاں انسانوں سے ہٹ جاتے ہیں۔ یہ بات اُس AI پر بھروسے کے بارے میں کیا بتاتی ہے جو انسانوں کے لیے بنائے گئے امتحان میں 'پاس' ہو جائے؟
  • علم بنیاد AI کے استعمال کا پتہ لگانے کی کوشش کے بجائے جانچ کو اِس طرح دوبارہ ڈیزائن کرنے کی دلیل دیتی ہے کہ وہ AI کے قابل طلبہ کے لیے معتبر رہے۔ ٹاسک کو دوبارہ ڈیزائن کرنا AI کے استعمال کی نگرانی سے زیادہ اعتبار بچانے والی حکمت عملی کیوں ہو سکتا ہے؟
  • AI اب امتحان دینے والا، امتحان بنانے والا، جانچنے والا اور تجزیہ کار — سب کا کردار ادا کرتا ہے، جس سے تشریحی سلسلہ مبہم ہو جاتا ہے۔ جب جانچ کا ہر کردار AI کے پاس ہو، تو یہ کہنے کا کیا مطلب ہے کہ درمیان میں بیٹھے انسانی سیکھنے والے کے لیے وہ جانچ 'معتبر' ہے؟

تعارف

اعتبار کے چیلنجز

  • ساختی اعتبار: جب طلبہ جانچ میں AI استعمال کرتے ہیں تو کیا اسکور طالب علم کے علم کی عکاسی کرتا ہے یا AI کی صلاحیت کی؟ کارکردگی بمقابلہ سیکھنا تحقیق اس پر براہِ راست روشنی ڈالتی ہے۔ تعمیرِ نو کا پیمانہ درستگی کے لیے حساس ہو سکتا ہے بغیر خود درستگی کا اسکور ہونے کے: Su et al. (2026) نے درست آئٹمز (M = 71.43, SD = 4.61) کے لیے غلط آئٹمز (M = 62.30, SD = 5.91) سے زیادہ EEG تعمیرِ نو کی مشابہت پائی، پھر بھی ایک سیکھنے والے کی اعلیٰ معیار کی تعمیرِ نو کے ساتھ غلط جواب آیا۔

  • مکالمے پر مبنی جانچ میں ماڈل کے پار ساخت سے غیر متعلق تغیر: Hao (2026) دکھاتا ہے کہ ایک ہی مکالماتی باری کے لیے بھی بڑے لینگویج ماڈلز (LLMs) سے پیدا شدہ جوابات کا معنوی مواد ماڈلز اور مکالماتی سیاق کی شرائط کے مطابق بدلتا ہے۔ ماڈل کے اندر کی مشابہت مستقل طور پر ماڈلز کے درمیان مشابہت سے زیادہ ہے (0.715–0.795 بمقابلہ 0.443–0.604)، اور چیٹ کی تاریخ شامل کرنا جواب کے مواد کو واضح طور پر بدل دیتا ہے (تاریخ کے پار مشابہت کا وسطانیہ ~0.40–0.45)۔ چونکہ ایک ہی سیکھنے والے کے اِن پُٹ کو بنیادی ماڈل کے لحاظ سے معنوی طور پر مختلف جوابات مل سکتے ہیں، اس لیے صرف پرامپٹنگ اور سیاق جواب کی مستقل مزاجی نہیں بچا سکتے — اور یہ ممکنہ ساخت سے غیر متعلق تغیر پیدا کرتا ہے جو اعتبار، اعتماد اور انصاف کو خطرے میں ڈالتا ہے۔ اس لیے LLMs کے ارتقا کے ساتھ جانچ کی مستقل شرائط برقرار رکھنا ایک بنیادی ڈھانچے کا چیلنج ہے (علامتی قواعد، جواب کے سانچے، توثیقی تہیں)، محض پرامپٹ انجینئرنگ کا نہیں۔

  • ایسا ثبوت جو موجود ہو مگر جانچنے والے تک کبھی نہ پہنچے: Abreu, Stari and Martí (2026) ایک ساخت سے غیر متعلق خطرے کا نام لیتے ہیں جو کسی بھی استدلال سے پہلے آتا ہے: تجرباتی طبیعیات کی لیبارٹری رپورٹس کے AI جائزے میں کوئی مساوات، گراف، جدول یا اکائی رپورٹ میں درست طور پر شامل ہو سکتی ہے مگر اُس مواد سے حاصل نہ ہو جس پر ماڈل کام کرتا ہے، اور چونکہ بدلی ہوئی علامت، قدر یا اکائی طبیعی تشریح بدل دیتی ہے، اس لیے مدرس سے اختلاف لازماً استدلال کی غلطی نہیں۔ اُن کا حل طریقہ کار کا ہے — تصویر کشیدہ اسکین کے بجائے زیادہ ریزولیوشن والی PDFs، مساوات ایک مساوات ایڈیٹر میں لکھی گئی، اعداد و شمار کے اندر پڑھنے کے قابل محور اور اکائیاں، اور ایسی ہدایات جو ہر اسکور کے لیے ٹھوس حوالہ لازمی کریں — کیونکہ دستاویز کا معیار اُس اعتبار کے دعوے کی حد مقرر کرتا ہے جسے نتیجے کا اسکور سہارا دے سکتا ہے۔

  • انسانوں اور LLMs کے پار پوشیدہ ساخت کا اعتبار: Strugatski et al. (2026) اعتبار کی ایک گہری شرط شامل کرتے ہیں: جب کوئی LLM اچھا اسکور کرے تب بھی انسانی اسکور کی تشریحات منتقل کرنے کے لیے ردِعمل کی پوشیدہ ساخت میں مشابہت ضروری ہے۔ چھ کثیرالوسیط AI LLMs کا کیمیا اور کمیاتی استدلال کے آلات پر انسانی گروہوں سے موازنہ کرتے ہوئے وہ پاتے ہیں کہ LLM–انسان کے عنصری ڈھانچے مستقل طور پر ہٹ جاتے ہیں (LLM–انسان ہم آہنگی انسان–انسان کی بنیادی سطح سے نیچے)، اس لیے انسانی معیار پر بنے امتحان میں کارکردگی LLM کی اُن صلاحیتوں کے بارے میں کمزور ثبوت ہے جن کی پیمائش کے لیے آئٹمز بنائے گئے تھے۔

  • نتیجہ خیز اعتبار: کیا AI کے ذریعے ہونے والی جانچ کے نتائج منصفانہ ہیں؟ زبان کے تعصب کے مطالعے دکھاتے ہیں کہ AI کی جانچ غیر مقامی بولنے والوں کو نقصان پہنچا سکتی ہے۔

  • زبان کی جانچ میں ہدف کا کھسک جانا۔ TOEFL iBT، IELTS، PTE Academic اور Duolingo English Test جیسے زیادہ داؤ والے امتحانات اب بھی بغیر مدد کے، وقت کی پابندی کے ساتھ پڑھنے اور لکھنے کا تقاضا کرتے ہیں، جبکہ طلبہ تعلیمی زندگی میں یہی کام GenAI سے کرتے ہیں، اس لیے توسیعی استنباط — بغیر مدد کے ملنے والے اسکور سے حقیقی تعلیمی کارکردگی تک — سب سے زیادہ متاثر ہونے والا قدم ہے (Gonulal (2026))۔

  • قاعدے کا دائرہ بذاتِ خود ایک اعتباری خصوصیت ہے: Wright (2026) دلیل دیتا ہے کہ 2023 سے اعلیٰ تعلیم میں لکھی گئی ممانعتیں "جنریٹو AI" کو ممنوع قرار دیتی ہیں بغیر اُس تکنیکی درستگی کے جو جانچے جانے والے مواد کی پیداوار کو کسی فارمیٹ کی تبدیلی سے الگ کرے، کیونکہ آپٹیکل کریکٹر ریکگنیشن، ہاتھ سے لکھی تحریر کی شناخت اور تقریر سے متن کی تبدیلی شناختی ٹیکنالوجیز ہیں جو پہلے سے موجود چیز کا اندازہ لگاتی ہیں، نئی چیز پیدا نہیں کرتیں۔ جہاں قاعدہ پلیٹ فارم کی شناخت سے جڑے نہ کہ کام سے، وہ تعریفی حادثے سے حد سے زیادہ گیرندہ ہو جاتا ہے: وہ کثیرالوظائف آلے کے صرف نقلِ تحریر والے استعمال کو پکڑتا ہے اور اُس طالب علم کو سزا دیتا ہے جس نے وہ کام نہیں کیا جسے روکنے کے لیے قاعدہ بنایا گیا تھا، اور سب سے زیادہ اُن سیکھنے والوں پر پڑتا ہے جو رسائی کے لیے اِن آلات پر انحصار کرتے ہیں — یہ ایسا استنباط ہے جو جانچ اُس ساخت کے بارے میں سہارا نہیں دے سکتی جس کی وہ پیمائش کا دعویٰ کرتی ہے۔ وہ کام پر مبنی مسودہ سازی کے ساتھ سرحدی معاملات کے لیے چار عملی معیار تجویز کرتا ہے (وفاداری، عدم افزودگی، سراغ رسانی، تصدیق)، اور ڈیٹیکٹر کے نتائج اور اسلوبی تخمینوں پر انحصار کو اِس بات کا ثبوت سمجھتا ہے کہ قاعدے کی اپنی ثبوتی بنیاد کتنی کمزور ہے۔

  • ایجنٹک تکمیل انسانی پیداوار کے مفروضے کو ہٹا دیتی ہے: Hadjisolomou & El-Haddad (2026) اعتبار کے تجزیے کو جنریٹو مدد سے ایجنٹک تکمیل تک بڑھاتے ہیں: خودمختار AI ایجنٹس اب LMS میں لاگ اِن ہو کر مواد پڑھ سکتے ہیں اور بغیر نگرانی والا غیر ہم وقتی کام سر سے آخر تک مکمل کر سکتے ہیں (ایک زندہ کورس پر مظاہرہ — ایک کوئز 5 منٹ سے کم میں 10/10 اسکور ہوا، اور ایک من گھڑت مگر قابلِ یقین ڈسکشن بورڈ عکاسی)۔ Kane کی دلیل پر مبنی استنباطی زنجیر کی بنیاد میں "انسانی پیداوار کا مفروضہ" رکھتے ہوئے وہ دکھاتے ہیں کہ ایجنٹ کی تکمیل خاموشی سے اسکورنگ استنباط کی پشت پناہی ہٹا دیتی ہے جس پر تعمیم، توسیع اور فیصلے کے تمام استنباط قائم ہیں — اس لیے ہر بغیر نگرانی والا غیر ہم وقتی اسکور، ایمانداری سے کمایا گیا بھی، اپنی تشریحی حمایت کھو دیتا ہے کیونکہ مصنفیت ناقابلِ تصدیق ہے۔ اُن کا فیصلہ کن اقدام اِسے سالمیت کی ناکامی کے بجائے اعتبار کی ناکامی قرار دینا ہے: ادارہ بدانتظامی پر سزا دے سکتا ہے اور پھر بھی اُن اسکوروں کی بنیاد سے محروم رہ سکتا ہے جو وہ ظاہر کرتا ہے۔ پتہ لگانا ساختی طور پر ناکافی ہے (کلاسیفائر ناقابلِ اعتماد اور متعصب؛ LMS کی نگرانی وہی کلکس دیکھتی ہے جو طالب علم کرتا)، اس لیے حل تصدیق شدہ انسانی موجودگی کے لیے جانچ کی دوبارہ ڈیزائننگ ہے (مختصر زبانی جزو، عمل نظر آنے والے مسودے، کلاس سیشن سے مخصوص حوالہ جات)، اور مساوات بچانے والے اختیارات کی فہرست کے ساتھ، نگرانی کے حکم نامے کے بجائے۔

  • GenAI کی مدد سے کیے گئے کام کی انسانی جانچ میں ساخت سے غیر متعلق تغیر: Luo & Dawson (2026) براہِ راست تجرباتی مظاہرہ پیش کرتے ہیں کہ GenAI کی مدد سے کیے گئے کام کی انسانی جانچ ساخت سے غیر متعلق تغیر سے بھری ہوئی ہے۔ 33 یونیورسٹی اساتذہ کے منظرنامہ پر مبنی انٹرویوز میں درجہ بندی کے فیصلے شخصیت پر مبنی (طالب علم کی ایمانداری، محنت)، صلاحیت پر مبنی (AI سے آزادی، GenAI مہارت، شعبے میں مہارت)، تعلق پر مبنی (طلبہ کے ساتھ بنایا گیا بھروسہ) اور انصاف پر مبنی (انصاف، احسان) اقدار سے چل رہے تھے — اور یہ سب درجات کو اُن عوامل پر بدل سکتے ہیں جو جانچے جانے والے نتائج سے غیر متعلق ہیں۔ وہ دلیل دیتے ہیں کہ GenAI کی مدد سے کیے گئے کام پر نمبر کاٹنا اُسی وقت جائز ہے جب اور صرف جب AI کے استعمال نے طلبہ کو جانچے جانے والے نتائج کا مظاہرہ کرنے سے روکا ہو؛ بصورتِ دیگر قدر سے چلنے والی جانچ اعتبار کو خطرے میں ڈالتی ہے۔ یہ مطالعہ اعتبار کے فریم کو حقیقی استاد کی مشق میں جما دیتا ہے اور "دو طرفہ شفافیت" کا مطالبہ کرتا ہے — اساتذہ واضح کریں کہ GenAI کا استعمال درجات کو کیسے متاثر کرے گا، نہ صرف طلبہ استعمال کا اعلان کریں۔

  • پیمانے پر تغیر کے لیے ساخت کے مساوی متغیرات کی پیداوار ضروری ہے: VARIA (Lee 2026) AI-Integrated Authentic Assessment (AIAA) کی "پیمانے پر تغیر" کی بنیاد — نگرانی کی جاسوسی کو فی طالب علم ٹاسک کے تغیر سے بدلنا — تجرباتی اور قابلِ تردید جانچ سے گزرتا ہے۔ چونکہ ہر امتحان دینے والے کو منفرد مگر مساوی کارکردگی کا ٹاسک ملتا ہے، سالمیت کی ضمانت اِس پر مشروط ہے کہ LLMs ایسے متغیرات پیدا کریں جو بیک وقت سطحی طور پر مختلف، ساخت کے مساوی، روبرک پر لاگو اور مشکل میں ہم پلہ ہوں۔ 600 متغیرات پر تین سرکردہ ماڈل خاندانوں کو چار پرامپٹنگ حکمت عملیوں کے ساتھ بینچ مارک کرتے ہوئے VARIA پاتی ہے کہ سرکردہ جنریٹر مشترکہ سالمیتی معیار کو صرف حاشیے پر پورا کرتے ہیں (مشترکہ اسکور 0.81–0.88) جبکہ غیر سرکردہ حوالہ جات ڈھیر ہو جاتے ہیں (0.50–0.55)، اور کوئی واحد پرامپٹنگ حکمت عملی چاروں خصوصیات پر حاوی نہیں — اس لیے اگر تنوع کی حد جارحانہ رکھی جائے تو "پیمانے پر تغیر صرف پرامپٹنگ سے حل نہیں ہوتا"، اور اداروں کو اپنے مخصوص ماڈل-پرامپٹ جوڑے کی توثیق کرنی ہوگی۔

  • HITL AI جانچ میں کم درجہ بندی کا تعصب اعتبار کی خصوصیت ہے، نقص نہیں: Curi et al. (2026) دکھاتے ہیں کہ ایک بڑے پیمانے کی قومی تحریری جانچ میں LLM اسکورر کا منظم قدامت پسند (کم درجہ بندی) تعصب، اگرچہ حتمی فیصلے کے طور پر مسئلہ ہے، عین وہی چیز ہے جو محفوظ تفویض کو ممکن بناتی ہے: AI کے نشان زدہ "پاس" جوابات اعتماد سے قبول کیے جا سکتے ہیں جبکہ AI کے نشان زدہ "فیل" جوابات (15.3–16.5% معاملات) ماہرین کے جائزے کی طرف بھیجے جاتے ہیں — اور AI کی غلطی کا اعتباری خطرہ حتمی نتیجے سے دور رہتا ہے۔ اُن کی IRT اور Bookmark پائپ لائن AI جانچ کے صلاحیت کی سطح پر اثر کو پڑھنے کے قابل بناتی ہے بجائے اِس کے کہ خام اسکور کی مطابقت کو واحد اعتباری اشارہ سمجھا جائے۔

  • اعتبار کے خطرے کے طور پر AI سے چلنے والی درجہ بندی میں افراط: Chirikov (2026) درجہ بندی میں افراط کا ایک نیا، ٹیکنالوجی سے چلنے والا طریقہ کار شناخت کرتا ہے جو درجہ بندی سے پہلے کام کرتا ہے — درجہ بند کام کی پیداوار پر۔ 319 کورسز میں 500,000+ درجات (2018–2025) کے فرق در فرق مطالعے میں، زیادہ AI سے متاثر ٹاسک والے کورسز (تحریر، کوڈنگ) میں ChatGPT کی ریلیز کے بعد A درجات کا حصہ 13 فیصد پوائنٹ بڑھ گیا، اور درجات کی تقسیم سکڑ گئی۔ تین گنا فرق کا تجزیہ دکھاتا ہے کہ اثر ہوم ورک والے کورسز میں مرتکز ہے — یہ ثبوت کہ AI کا ٹاسک کی جگہ لینا (AI کا درجہ بند ٹاسک اساتذہ کے دیکھنے سے پہلے کر لینا) درجات میں افراط پیدا کرتا ہے بغیر مہارت میں اسی قدر اضافے کے۔ یہ کورسز کے پار درجات کے موازنے کو کم کرتا ہے اور ٹرانسکرپٹ کی معلوماتی قدر کو اِس طرح کھوکھلا کرتا ہے جس کا صرف درجہ تقسیم سے پتہ لگانا مشکل ہے۔

  • پروگرام کی سطح پر پاس/فیل کی حساسیت، اور وہ نشان زدگی کے معیار جو اُسے طے کرتے ہیں: Ivory et al. (2026) نے تین سالہ نفسیات کی ڈگری کے ہر کورس ورک جائزے (40 جائزے، 16 اقسام) کے لیے ChatGPT کے نتائج کا دو رخی پاس/فیل سے فیصلہ کیا، یعنی وہی فیصلہ جو نشان زد کرنے والے پہلی نظر میں کرتے ہیں: 40 میں سے 36 پاس ہوئے۔ اس سے اعتبار کے دو مضمرات نکلتے ہیں۔ پہلا، اصل متغیر پاس کی حد ہے، پتہ لگانا نہیں — ایسی نشان زدگی جو ساختی روانی اور تجزیے کے درست انتخاب کو انعام دے مگر غلط اقدار کو نظرانداز کرے، من گھڑت اعدادوشمار اور ہیلوسینیٹ شدہ حوالہ جات کو پاس کروا دیتی ہے، اس لیے جانچ آلے کے نتائج کو طالب علم کی سمجھ کے طور پر تصدیق کر دیتی ہے اِس وجہ سے کہ اُسے کیسے نشان زد کیا گیا، نہ اِس وجہ سے کہ کوئی دھوکہ کھا گیا۔ دوسرا، کثیر الانتخابی آئٹمز نے اپنے جوابات خود ظاہر کر دیے: ChatGPT نے اعدادوشمار کے سوالوں کے جواب درست دیے بغیر اُس اعداد و شمار یا نتائج کے جدول کے جو طلبہ کو دکھایا گیا تھا، کیونکہ آئٹم کا متن اور اختیارات جواب کی طرف اشارہ کرتے تھے، اور یہ بات جواب کے اختیارات کے ڈیزائن کو آئٹم کی اعتباری خصوصیت بنا دیتی ہے، AI کی خصوصیت نہیں۔

  • درستگی بمقابلہ مطابقت بطور الگ اعتباری اشارے: Falahat, Das, Bhaumik & Thambi (2026) نے 21 آئٹم والا فارمیسی امتحان ChatGPT-5 سے جانچا اور پایا کہ درمیانی فیصد درستگی اکثر کم مطابقت-ارتباط گتانکوں کے ساتھ موجود تھی — اسکور کی درستگی اور مطابقت کے درمیان طریقہ کار کا فرق جو AI کے بطور جانچ کے متبادل اعتماد کو محدود کرتا ہے، چاہے خام درستگی قابلِ قبول لگے۔ معروضی آئٹمز پر مطابقت مضبوط تھی (CCC 0.935–1.000) مگر مختصر جوابات پر تقریباً صفر اور مضامین پر معمولی (0.341–0.854)، اور روبرک فراہم کرنے سے خلا مستقل طور پر ختم نہیں ہوا۔

  • AI سے پیدا شدہ آئٹمز کا اعتبار: Assessing AI-Generated Exams دکھاتا ہے کہ Bayesian IRT سے توثیق شدہ AI کے پیدا کردہ سوالات ماہرین کے لکھے معیاری امتحانی آئٹمز کے برابر مشکل اور امتیاز حاصل کرتے ہیں (اعتماد 0.79 بمقابلہ 0.72) — جو کورس کے مطابق ڈھلے AI سے پیدا شدہ جائزوں کے اعتبار کی تائید کرتا ہے، جب نفسیاتی پیمائشی جانچ کی پشت پناہی ہو۔

  • مستند جانچ: مستند جانچ اور the AI Assessment Scale اعتبار بچانے والے جانچ کے دوبارہ ڈیزائن تجویز کرتے ہیں۔

  • اعتماد اور انشانکن: اعتماد سے آگاہ نظام غیر یقینی جائزوں کو نشان زد کر کے اعتبار بہتر بناتے ہیں۔

  • جسمانی اور کثیرالوسیط ثبوت: صرف تقریر پر مبنی جانچ زبانی روانی کو تصوراتی علم سمجھ بیٹھ سکتی ہے؛ Morphew et al. دکھاتے ہیں کہ کمپیوٹر وژن سے اشاروں کا تجزیہ اور LLM سے تقریر کا تجزیہ مل کر ساختی اعتبار اور مساوات بڑھاتے ہیں، کیونکہ اشاروں سے ظاہر کی گئی سمجھ کو پکڑتے ہیں، صرف الفاظ کو نہیں — اور اُن سیکھنے والوں کے خلاف تعصب کم کرتے ہیں جو سمجھ غیر زبانی طور پر ظاہر کرتے ہیں۔

  • ہوم ورک صلاحیت کی تصدیق کرنا چھوڑ دیتا ہے جب ماڈل ٹاسک حل کر سکے: Mikhasenko et al. (2026) Bochum کے ذراتی طبیعیات کورس میں ہوم ورک کے بطور صلاحیت کی پیمائش بےاعتبار ہونے کی ٹھوس مثال درج کرتے ہیں: جب ایک جنریٹو ماڈل درست حل پیدا کر سکتا ہے تو جمع کرائی گئی اخذ کردہ تحریر یہ ثابت نہیں کرتی کہ طالب علم مسئلہ خود حل کر سکتا ہے۔ اُن کا ردِعمل دونوں کاموں کو الگ کرتا ہے — تحقیقی نوعیت کا، AI کی اجازت والا ہوم ورک بطور تلاشی، بونس والا کام، اور آلات سے پاک تحریری امتحان حتمی درجے کا واحد تعین کرنے والا — یہ اعتبار سے چلنے والی تقسیمِ کار ہے، پتہ لگانے کا نظام نہیں۔

  • پیمانے پر AI جانچ کے لیے فیصلے پر مبنی اعتبار: Curi et al. (2026) Acredita EB قومی تحریری جانچ میں اعتبار کا فیصلے پر مبنی نظریہ پیش کرتے ہیں: صرف یہ نہیں پوچھتے کہ AI اسکور انسانوں سے مطابقت رکھتے ہیں یا نہیں، بلکہ پوچھتے ہیں کہ کیا AI کی غلطیاں تصدیقی فیصلہ بدل سکتی ہیں۔ خودکار IRT/Bookmark کٹ اسکوروں نے عملی کٹ اسکوروں کی قریب سے نقل کی، اور AI کی منظم کم درجہ بندی کو فیل نتائج کو انسانی جائزے کی طرف بھیج کر بےاثر کیا گیا — اور یہ بھی ایسے حوالہ معیار کے مقابلے میں جو خود متنازع ہے، کیونکہ دس ماہر جانچنے والے وہی 50 متن جانچتے ہوئے کسی روبرک آئٹم پر کبھی اتفاقِ رائے تک نہ پہنچے۔

  • AI بطور جانچنے والا: طلبہ کی طرف کے اعتباری خدشات: AlGhamdi (2026) اعتبار کے سوال میں سیکھنے والے کی آواز شامل کرتا ہے: 13 کمپیوٹنگ طلبہ جن کا ہاتھ سے لکھا جانے والا تحریری کام ChatGPT نے جانچا، اِس پر سوال اٹھایا کہ کیا AI اسکورر ارادے، محنت اور اداراتی درجہ بندی کے معیارات کی معتبر تشریح کر سکتا ہے — ایک نے صاف پوچھا، "اگر ChatGPT امتحانات [جانچ] رہا ہے، تو ہم یونیورسٹی کیوں جا رہے ہیں؟"

  • اجازت بذاتِ خود ٹاسک کو کمزور نہیں کرتی، اور استعمال کی شرح غلط اعتباری اشارہ ہے: Zou et al. (2026) نے 85 طالب علم اساتذہ کا سروے کیا جن کی جانچ میں جنریٹو AI کی واضح اجازت تھی اور پایا کہ جانچ میں شمولیت بلند تھی اور اِس سے اعدادوشمار کے لحاظ سے غیر متاثر کہ طلبہ نے اُسے استعمال کیا یا نہیں (وسط 4.21/5، SD 0.46؛ Mann–Whitney U = 781.5, r = 0.07, p = 0.536)۔ 62.4% (53) نے جنریٹو AI کا استعمال بالکل نہ کرنے کا فیصلہ کیا اور استعمال کرنے والوں کا استعمال زیادہ تر پروف ریڈنگ (43.8%) اور وضاحت کی جانچ (34.4%) تک محدود رہا، اس لیے اپنانے کی شرح اِس بارے میں بہت کم معلومات دیتی ہے کہ کیا جانچ اب بھی سیکھنے کے بارے میں کوئی استنباط جائز رکھتی تھی — اور غلط نقل کی تہمت کے خوف سے نہ استعمال کرنا (غیر اپنانے والوں کا 41.5%) بھی اعتبار کا ثبوت نہیں۔

  • نمونے کے فریم کا اعتبار جب اسکول کی سطح کا امتحان نظام کا ثبوت سمجھا جائے: Restrepo Morales et al. (2026) اسکوروں سے نظام کے بارے میں دعووں تک استنباط کو مقداری علاج دیتے ہیں۔ 171 سلواڈور کے اسکولوں میں 1,198 رضاکار طلبہ کی PISA-based Test for Schools پر پائلٹ جانچ کے نتائج جرمنی اور سویڈن کے برابر قرار دیے گئے، مگر یہ آلہ ایک اسکول کے لیے اندازے دیتا ہے اور قومی نمونے کے فریم، اُس کے جواب کی شرح کے معیارات، خارجی حدود اور وزن کے تحت نہیں چلایا جاتا — اس لیے اسکول کی سطح کے اندازے اور ملکی اوسط کے موازنے میں کم از کم تین غیر رپورٹ شدہ غیر یقینی کے ذرائع ہیں (اسکول کی سطح کا نمونہ خطا، ملکی اوسط کا نمونہ خطا، اور پیمانے کی مساوات کی جوڑنے کی خطا)۔ سیکھنے کے دعوے کو جانچنے کے بجائے مصنفین اُس کی حد باندھتے ہیں: سلواڈور کی ریاضی تقسیم کے سب سے اوپر 5.5% کے صفر سیکھنے کی صورت میں جرمن اوسط کے برابر ہونے، اور رضاکارانہ شرکت کو کامیابی کی جانچ کو اوپر کی طرف متعصب کرنے والا سمجھتے ہوئے، شائع شدہ ثبوت حقیقی اثر کو منتخب نمونے سے الگ نہیں کر سکتا۔ یہ موازنے کے اعتباری استنباط کی ناکامی ہے، نہ طلبہ کی نہ آلے کی۔

ایک تصوراتی تجویز ایسی اعتباری حد اٹھاتی ہے جو اِس صفحے کی ہر AI کے ذریعے ہونے والی جانچ پر لاگو ہوتی ہے: El Khoury and Ma (2026) دلیل دیتے ہیں کہ رفتار اعتبار نہیں، اور AI کے پیدا کردہ پرامپٹس، مثالیں اور ٹرانسکرپٹ پر مبنی رپورٹس کو اب بھی درستگی، ثقافتی ردِعمل، رسائی، تشریح پذیری اور کورس کے نتائج سے ہم آہنگی کے لیے جانچنا ہوگا۔ وہ ثبوت کے دائرے کو بھی وسیع کرتے ہیں: جہاں مکالمہ ہی جانچا جانے والا شے بن جائے، وہاں ٹرانسکرپٹ عمل کا ریکارڈ ہے جس میں فیصلہ، ہمدردی، وضاحت اور مشترکہ فیصلہ سازی سیاق میں کھلتے ہیں، اور ڈیزائن کا سوال یہ بنتا ہے کہ کیا وہ ثبوت اُس استنباط کو سہارا دیتا ہے جو اُس سے نکالا گیا — وہی سوال جس کا سامنا خودکار جانچ کو ہے، جس کا جواب ٹیکنالوجی کی ندرت سے نہیں بلکہ ٹاسک، فیڈبیک اور سیکھنے کے ثبوت کے درمیان ہم آہنگی سے ملتا ہے۔

  • AI کا تفویض کردہ آئٹم میٹا ڈیٹا نفسیاتی پیمائشی ثبوت نہیں۔ 311 نصب شدہ کثیر الانتخابی آئٹمز کے 10 ہفتے کے ڈیٹا سائنس مطالعے میں، LLM کی مشکل کی درجہ بندی ماڈل کے اپنے Bloom لیبلوں سے ہم آہنگ تھی (rho = 0.90) مگر تجرباتی آئٹم کی مشکل سے نہیں (rho = 0.06)، اس لیے آئٹم کی مشکل جواب کے ڈیٹا سے قائم کرنی ہوگی، پیدا کرنے والے ماڈل کے لیبلوں سے نہیں (An & Wang, 2026)۔

  • طلبہ کے نصاب سے ہم آہنگی کے فیصلے مشکل کو دیکھتے ہیں، مواد کو نہیں۔ Vogt et al. (2026) نے طلبہ سے کہا کہ وہ درجہ بندی شدہ 60 آئٹم والے امتحان کے ہر آئٹم کے بارے میں بتائیں کہ وہ کورس نصاب سے ہم آہنگ ہے یا نہیں، اور پایا کہ درجہ بندیاں آئٹم کی مشکل سے ρ = 0.762 پر مربوط تھیں (آسان آئٹمز ہم آہنگ سمجھے گئے، مشکل آئٹمز غیر ہم آہنگ، ρ = −0.762, p < 0.001)، جبکہ درجہ بندی آئٹم کے ماخذ کے لحاظ سے مختلف نہ تھی۔ جہاں کوئی آلہ طلبہ سے جانچ کی نصابی موزونیت کا فیصلہ کروائے، وہاں حاصل اسکور جزوی طور پر مشکل کی درجہ بندی ہوتا ہے اور ہم آہنگی کے خودمختار ثبوت کے طور پر نہیں پڑھا جا سکتا۔

  • ایک راس کو پیوند لگانے کے بجائے جانچ کے مثلث کو دوبارہ ترتیب دیں۔ Koretsky et al. (2026) GenAI کے مسئلے کو جانچ کے مثلث کے ذریعے دیکھتے ہیں — ادراک (کیا جانچا جا رہا ہے)، مشاہدہ (سیکھنے کا ثبوت کیسے حاصل کیا جاتا ہے) اور تشریح (کیا استنباط نکالا جاتا ہے) — اور دلیل دیتے ہیں کہ تینوں راس مل کر دوبارہ ترتیب دینے ہوں گے، کیونکہ تشریح کی مرمت کے بغیر ٹاسک دوبارہ ڈیزائن کرنا استنباط کو بغیر سہارا چھوڑ دیتا ہے۔ اُن کا اسکوپنگ جائزہ AI کے پیدا کردہ جانچی مواد کی وفاداری کو بھی بذاتِ خود ایک اعتباری خصوصیت بنا دیتا ہے، اور مواد، لسانی، ادراکی، رویّاتی، ساختی اور تدریسی جہتوں کی فہرست دیتا ہے اور یہ لازم کرتا ہے کہ ایسے ٹاسک جانچ کی بنیاد بننے سے پہلے انسانی-در-حلقہ جانچ سے گزریں۔

پتہ لگانے کے بجائے دوبارہ ڈیزائن

علم بنیاد دلیل دیتی ہے کہ جانچ کا اعتبار برقرار رکھنے کے لیے جانچ کو AI کے قابل طلبہ کے لیے دوبارہ ڈیزائن کرنا ضروری ہے، AI کے استعمال کا پتہ لگانا نہیں۔ ایک متوازی اعتباری مسئلہ تحقیقی پیمائش میں بھی چلتا ہے: AI-تعلیم کے بہت سے دعوے خود رپورٹ ڈیٹا پر ٹکے ہیں، جو سیکھنے یا قابلیت کے بارے میں استنباط کو سہارا نہیں دے سکتا، چاہے خود آلہ کتنی ہی اچھی طرح توثیق شدہ ہو۔ پتہ لگانے سے آگے کے طریقے اور جانچ اعتبار کی طرف بڑھنے والی سوچ کی نمائندگی کرتے ہیں۔

گھر لے جانے والی مصنوعات اور کیفیاتی/کمیاتی تقسیم۔ Brunnström and Palmqvist (2026) دوبارہ ڈیزائن کی دلیل کو SOLO درجہ بندی پر ٹکی ایک مخصوص تجویز دیتے ہیں۔ ایک ادراکی سائنس کے گھر لے جانے والے امتحانی سوال پر چیٹ بوٹ کے ساتھ کام کرتے ہوئے وہ پاتے ہیں کہ GenAI عین وہاں سب سے مضبوط ہے جہاں درجہ بندی سب سے نچلی ہے — کمیاتی (کثیر ساختی) سطح پر جامع، رواں، حقائقی نوعیت کا مواد پیدا کرنا — جبکہ کیفیاتی سطح (ربط دینا، جانچنا، تعمیم کرنا) صرف بار بار سیکھنے والے کی طرف سے کی گئی انشانکن سے ابھری۔ اس لیے اُن کی سفارش ساخت کے لحاظ سے مختلف ہے: گھر لے جانے والی جانچ میں کیفیاتی سمجھ کے ثبوت پر زور ہونا چاہیے، جبکہ کمیاتی یادداشت پر مبنی علم کی جانچ کلاس میں بہتر ہے جہاں GenAI دستیاب نہ ہو۔ یہ مظاہرہ اِس بات پر بھی زور دیتا ہے کہ چمکدار جمع کرائی گئی شے کسی بھی طرف کمزور ثبوت ہے، اور یہ کہ معتبر دوبارہ ڈیزائن کو اِس بات کا حساب رکھنا ہوگا کہ جائز AI کی مدد والی سیکھنا کتنی محنت طلب نکلتی ہے (اختتامی جانچ، علمی سالمیت)۔

ڈیزائن کی سطح پر ہم منصب اُسی آبادی سے آتا ہے جسے دوبارہ ڈیزائن کی دلیل عام طور پر نظرانداز کرتی ہے۔ Zou et al. (2026) نے پایا کہ عکاسی والے اور ذاتی نوعیت کے ٹاسک بڑے پیمانے پر AI مدد کے لیے حد سے زیادہ ذاتی سمجھے گئے، جبکہ دوسرے کورس میں علم پر بھاری جانچ نے حوالہ جات کے لیے جنریٹو AI استعمال کرنے کا شدید ارادہ پیدا کیا — اس لیے طلبہ نے AI کے ساتھ جو کیا وہ اُس ساخت کے مطابق تھا جس کا ثبوت ٹاسک مانگ رہا تھا۔ اعتبار کے لیے سبق درست ہے، جشن کا سبب نہیں: ڈیزائن عمومی متبادل سے ملنے والا فائدہ ختم کر سکتا ہے، مگر یہی مطالعہ اِس بات کے خلاف خبردار کرتا ہے کہ باہر رہنے والے گروہ کو اِس بات کا ثبوت سمجھا جائے کہ ایسا ہوا، کیونکہ نہ استعمال کرنے کا کافی حصہ غلط نقل کی تہمت کے خوف سے بتایا گیا، ٹاسک کے AI کے خلاف مزاحمت سے نہیں۔

Sharma (2026) سالمیت کی طرف سے دوبارہ ڈیزائن کی دلیل دیتا ہے جو سالمیت کے ثبوت کو اعتبار کے ثبوت میں بدل دیتی ہے۔ Eaton (2023) کے پس از سرقہ ادبی فریمنگ کو جانچ کے ڈیزائن میں بڑھاتے ہوئے وہ دلیل دیتا ہے کہ پتہ لگانے اور تصدیق پر مبنی سالمیتی ماڈل اُس کام سے غیر ہم آہنگ ہیں جس میں انسانی فیصلہ اور مشینی پیداوار جڑے ہوئے ہیں، اور سالمیت کو تدریسی مشق کے طور پر دوبارہ بیان کرتا ہے جو تشخیصی فیصلے کے ذریعے ادا ہوتی ہے — یعنی اختیارات کو تولنے، تعلیمی انتخاب کا جواز دینے اور علمی غیر یقینی میں ذمہ داری لینے کی صلاحیت۔ ڈیزائن کا نتیجہ یہ ہے کہ سالمیت کا ثبوت دیا جائے، اُس کا اندازہ نہ لگایا جائے: تشریح شدہ فیصلوں کے نشان، GenAI کے شامل کردہ دعووں کی تصدیق، زبانی دفاع اور نسخوں کی تاریخ سالمیتی شے کے طور پر پیش کیے جاتے ہیں، اور وہ صاف کہتا ہے کہ مستند جانچ سے فرق علمی ہے — صداقت پوچھتی ہے کہ کیا ٹاسک حقیقی دنیا کی مشق کی عکاسی کرتا ہے، سالمیت پر مبنی ڈیزائن پوچھتا ہے کہ کیا سیکھنے والے فیصلوں کا جواز اور شعبے کے معیارات کے مقابلے میں ذمہ داری لے سکتے ہیں، اس لیے سالمیت ٹاسک کے ڈھانچے میں پیوست ایک قابلِ جانچ معیار بن جاتی ہے۔ وہ اپنی تجویز کا اعتباری خطرہ چھپاتا نہیں بلکہ نام لیتا ہے: مستند استدلال کا مطالبہ اُن سیکھنے والوں کو فوقیت دیتا ہے جو عکاسی والی گفتگو میں رواں ہوں اور "ایک تعمیل نظام کو دوسرے سے بدل دینے" کا خطرہ رکھتا ہے، کیونکہ ثبوت کے طور پر فیصلہ "مشینی طور پر ناقابلِ تصدیق، تعلقی اور سیاق و سباق میں جڑا" رہتا ہے — وہی تشریحی اعتماد کا مسئلہ جو یہ صفحہ ہر AI کے ذریعے ہونے والی جانچ کے لیے درج کرتا ہے۔

Weidlich (2026) دوبارہ ڈیزائن کو اِس سوال کے طور پر بیان کرتا ہے کہ کوئی تبدیلی کس استنباط کو بچانے کے لیے ہے۔ Kane کے دلیل پر مبنی اعتبار سے کام کرتے ہوئے وہ پانچ دباؤ الگ کرتا ہے جنہیں بحث اکثر ایک میں سمو دیتی ہے: ساخت کی کم نمائندگی، ساخت سے غیر متعلق تغیر، کارکردگی کی نسبت، مشروط توسیع، اور اسکور کا غیر مدلل استعمال۔ AI کا استعمال خودبخود خطرہ نہیں، کیونکہ آلے کا استعمال متعلق ہے جہاں مطلوب ساخت AI کی مدد والا پیشہ ورانہ فیصلہ ہو، اور ہدف کارکردگی کو نظرانداز کرتا ہے جہاں وہ بغیر مدد کے استدلال ہو، اس لیے ساخت اور AI کی شرائط ایک ساتھ بتانی ہوتی ہیں۔ اِس سے دوبارہ ڈیزائن کے لیے اُس کی احتیاط نکلتی ہے، کیونکہ مداخلتیں ایک دباؤ کو دوسرے سے بدلتی ہیں: زبانی دفاع نسبت کو مضبوط کر سکتا ہے مگر اعتماد یا رسائی کم کر سکتا ہے۔

ٹاسک، نہ کہ ڈیٹیکٹر، طے کرتا ہے کہ کوئی شے کس چیز کا ثبوت دے سکتی ہے۔ Liu and Liu (2026) نے ایک ماڈل سے تین ٹاسک فارمیٹس اور تین AI استعمال کے منظرناموں میں 148 متون لکھوائے: ثبوت کے انضمام والے میمورنڈا (3.16) اور فالو اپ اور نظرثانی والے دفاع (3.10) موقف کے مضامین (2.63) سے زیادہ اسکور ہوئے، کیونکہ اُن فارمیٹس میں ماخذ کی وضاحت یا اعتراضات کا جواب ضروری تھا۔ وہ اسائنمنٹ طلبہ کے ساتھ چلانے سے پہلے ٹاسک کی پیشگی جانچ کے طور پر ماڈل کی نقل کی تجویز کرتے ہیں۔

نتیجے کی ساخت اندازے کو بھی ہلاتی ہے: GenAI کی مدد والی مسئلہ پر مبنی اور منصوبہ پر مبنی سیکھنے کے تین سطحی میٹا تجزیے میں Chen et al. (2026) نے پایا کہ سیکھنے والے کے اندرونی نتائج g = 0.819 پر یکجا ہوئے جبکہ انسان-AI کی مشترکہ پیداوار کی پیمائش g = 1.958 دی، جس کا پیشگوئی کا وقفہ صفر کو قطع کرتا ہے، اور اِسے الگ سے ماڈل کیا گیا عین اِس لیے کہ وہ پیداوار اندرونی سیکھنا نہیں۔

AI سے آگاہ جانچ دوبارہ ڈیزائن اور پتہ لگانے کے درمیان تیسرا راستہ لیتی ہے۔ AICG فی جواب AI استعمال کا امکان اندازہ لگاتی ہے اور ادراکی ثبوت کو max(δ, 1 − pAI) سے کم کرتی ہے، درجہ کاٹنے کے بجائے، جس سے بغیر وزن والے ادراکی ماڈل کے مقابلے MAE میں 4.2% کمی آتی ہے اور AI کی مدد والے جوابات قابلِ جانچ رہتے ہیں (Guo et al., 2026)۔

پالیسی درجہ بند اجازت اور رگڑ کے بجائے یقین دہانی کی طرف بڑھ گئی ہے۔ 55 اداراتی دستاویزات کو کوڈ کرتے ہوئے Ansari (2026) نے پایا کہ 4 بطور طے شدہ AI کو ممنوع کرتے ہیں اور 31 استعمال کی نامزد اقسام متعین کرتے ہیں، اور پتہ لگانے پر موقف رکھنے والے 23 میں سے 16 نے ڈیٹیکٹر مسترد کیے۔ اِس قراءت میں دوبارہ ڈیزائن کا مطلب دوبارہ ڈیزائن کے ساتھ یقین دہانی کا طریقہ ہے، صرف رگڑ نہیں۔

تعلق

جانچ کا اعتبار مستند جانچ، خودکار درجہ بندی، اعتماد سے آگاہ AI جانچ، تشکیلی جانچ، علمی سالمیت اور بے ترتیب کنٹرول شدہ آزمائش (RCT) سے جڑتا ہے (جو معتبر نتائج کی پیمائش پر انحصار کرتا ہے)۔

AI اعتبار کو علمی سطح پر چیلنج کرتا ہے: Hathcoat, Slotnick & Miller (2026) دلیل دیتے ہیں کہ جب LLMs امتحان دینے والے، امتحان بنانے والے، جانچنے والے اور تجزیہ کار بن جاتے ہیں تو تشریحی سلسلہ مبہم ہو جاتا ہے اور پیمائش کی شے تعریف کھو دیتی ہے — وہ اعتبار کو AI میں رواں "سائبرگ" فیصلے کا مطالبہ قرار دیتے ہیں، اور Green et al. (2026) دکھاتے ہیں کہ AI اسکور انسانی جانچنے والوں سے ہم آہنگ ہو سکتے ہیں (87% چیک لسٹ) جبکہ بنیادی استدلال ہٹ جاتا ہے، خاص طور پر پیمائش کے معیار اور کمزور رپورٹس پر۔

جب AI ہی جانچی جانے والی شے پیدا کرے۔ Kumar, Wongsirichot and Nanthaamornphong (2026) اعتبار کے مسئلے کو اُس کا تیز ترین شعبہ وار معاملہ دیتے ہیں: کمپیوٹنگ تعلیم میں AI وہی شے پیدا کرتا ہے جو درجہ بندی کی جا رہی ہے — سورس کوڈ — اس لیے آلے کا استعمال، سیکھنا اور جانچ ایک ہی تعامل میں ضم ہو جاتے ہیں، اور جمع کرایا گیا کوڈ بیس سیکھنے کو تفویض سے الگ نہیں کرتا۔ 72 مطالعات میں وہ پاتے ہیں کہ کارکردگی کے فوائد بغیر مدد کارکردگی تک منتقل نہیں ہوتے (21 مطالعات)، سابقہ علم طے کرتا ہے کہ AI کی مدد مہارت بنتی ہے یا نہیں (6 مطالعات)، اور پتہ لگانے کی تحقیق ثبوتی بنیاد سے عملاً غائب ہے (3 مطالعات) جبکہ جانچ کی دوبارہ ڈیزائننگ نسبتاً اچھی طرح ثابت شدہ ہے (25 مطالعات)۔ عملی زندگی کے لیے اُن کا نتیجہ ساخت کے لحاظ سے مخصوص اور کم ٹیکنالوجی والا ہے: ہر کورس میں کم از کم ایک زیادہ داؤ والی جانچ میں زبانی جزو یا عمل کو نظر آنے والا کوئی اور عنصر شامل کریں — جائزے میں واحد سب سے زیادہ اثر رکھنے والی مداخلت — اور AI کے نتائج کے ساتھ تنقیدی شمولیت کو درجہ بند، قابلِ مشاہدہ جزو بنائیں، اختیاری مزاج کے طور پر نہیں (علمی سالمیت، جانچ)۔

Correnti et al. (2026) eRevise کے لیے اعتبار کی دلیل کی نقل اور توسیع کرتے ہیں، جو اعلیٰ ابتدائی درجے کی دلیلی تحریر کے لیے خودکار تحریری جانچ کا نظام ہے، اور لوئیزیانا کے آٹھ پارشوں میں 34 اساتذہ اور 609 طلبہ پر جانچتے ہیں کہ کیا وہی سماجی ثقافتی طریقہ کار ایک کے بجائے تین مختلف تحریری نتائج پر قائم رہتے ہیں۔

نامکمل معلومات کے تحت اعتبار

تازہ ترین تیز ترین دوبارہ بیان جنریٹو AI کے مسئلے کو ثبوتی مسئلہ سمجھتا ہے۔ طالب علم جانتا ہے کہ کام کیسے پیدا ہوا؛ ادارہ شے کا مشاہدہ کرتا ہے اور، زیادہ سے زیادہ، عمل کے جزوی نشانات — یہ مصنوع–عمل کا خلا ہے جسے Mohamed and Temimi (2026) نامکمل معلومات کے تحت جانچ کے اعتبار کے طور پر رسمی شکل دیتے ہیں۔ اِس حساب میں سوال یہ نہیں کہ کوئی قاعدہ توڑا گیا یا نہیں، بلکہ یہ کہ کیا جانچ اب بھی طالب علم کے استدلال، محنت اور فیصلے کا قابلِ یقین ثبوت پیدا کرتی ہے، اور ہر اداراتی طریقہ — ممانعت، نگرانی، انکشاف، دوبارہ ڈیزائن — اِس بات سے جانچا جاتا ہے کہ وہ کس طالب علم ردِعمل کو سب سے زیادہ پرکشش بناتا ہے۔ اعتبار کا عدسہ ایک جھوٹی علیحدگی کو بھی حل کر دیتا ہے: سالمیت اور اعتبار ایک ہی مسئلے کے دو سرے ہیں، کیونکہ بدانتظامی کی دریافت خود اِس بارے میں اعتباری دعویٰ ہے کہ کام کس چیز کا ثبوت ہے۔

پہننے والا AI آخری ثبوتی خلا کو وسیع کرنے کے بجائے بند کرتا ہے: Corbin et al. (2026) دلیل دیتے ہیں کہ AI عینک اور ایئر بڈز بغیر کسی بیرونی اشارے کے مدد پہنچاتے ہیں، اس لیے امیدوار موجود، زیرِ نگرانی اور پھر بھی بغیر مدد کی صلاحیت کا مظاہرہ نہ کرنے والا ہو سکتا ہے، اور یہ اُس علیحدگی اور مشاہدے پذیری کو تحلیل کر دیتا ہے جن کا نگرانی والے فارمیٹس نے مفروضہ رکھا تھا۔

سیکھنے والے کی طرف کا فریم اُن استنباطی ہدفوں کے نام لیتا ہے جنہیں کوئی شے خود طے نہیں کر سکتی۔ Sak (2026) AI کی مدد والے کام سے ذہانت کے امکانات کے فیصلوں کے لیے نسبتی اعتبار تجویز کرتا ہے: قابلیت سے مصنوع تک کا رشتہ کئی سے ایک ہے، کیونکہ سیکھنے والے کی صلاحیت، ماڈل کی قابلیت، سیکھنے والے کی رہنمائی، انسان–AI کی موزونیت اور سیاق مختلف طرح مل کر مساوی مصنوعات پیدا کرتے ہیں، اس لیے مصنوع اپنے پیچھے کی صلاحیت کی شناخت نہیں کرا سکتا۔ یہ فریم استنباط کے چار ہدف الگ کرتا ہے — خودمختار قابلیت، فکری ایجنسی، ہائبرڈ قابلیت، اور ترقیاتی منتقلی — اور تین غلطیوں کے نام لیتا ہے جو اُس وقت ہوتی ہیں جب ایک ہدف کا ثبوت دوسرے کا سمجھا جائے: حد سے زیادہ نسبت، ترقیاتی سراب، اور مفروضہ قابلیتی مساوات۔ ریکارڈ سے اُس کا مطالبہ اُسی ثبوتی نظم کی بازگشت ہے جو یہ حصہ بدانتظامی کے ادب سے لیتا ہے: جس قابلیت کے بارے میں فیصلہ ہے اُس کا نام لیں، دستاویز کریں کہ کام کیسے پیدا ہوا (ماڈل اور نسخہ، انٹرفیس، اجازت یافتہ افعال، بالغ کی وساطت، رسائی کی شرائط)، اور مدد والی کارکردگی کو سیکھنے والے میں تبدیلی سمجھنے سے پہلے منتقلی کا بعد کا ثبوت طلب کریں۔

Teichmann (2026) طریقہ کار کا نتیجہ نکالتا ہے: جہاں ممنوع استعمال کا پتہ نہ لگایا جا سکے، وہاں ایسا نظام جو پھر بھی ڈیٹیکٹر اسکوروں پر الزام لگائے، اپنے استنباط کا جواز نہیں دے سکتا، اور اِس طرح بےاثری کے ساتھ ناانصافی پیدا کرتا ہے۔ وہ فرانزک سوال — کیا طالب علم نے AI استعمال کیا؟ — کو اعتبار کے سوال — کیا طالب علم نے وہ قابلیت دکھائی جس کی تصدیق کے لیے ٹاسک بنایا گیا تھا؟ — سے بدلنے کی دلیل دیتا ہے، جو اداراتی محنت کو جڑے ہوئے ٹاسک پر مبنی پروگرام کی سطح کی جانچ، تصدیق کے مقامات پر زبانی اور زیرِ نگرانی عناصر، اور تشخیصی فیصلہ بطور جانچ کی واضح شے کی طرف منتقل کرتا ہے۔

ثبوتی بنیاد کا یہی حصہ کیس فائل کا ہم منصب مہیا کرتا ہے، اور وہ صرف پتہ لگانے کے ادب سے زیادہ بےچین کن ہے۔ Munoz et al. (2026) نے ایک علاقائی آسٹریلوی یونیورسٹی میں تین سال کے دوران جنریٹو-AI بدانتظامی کے ہر کیس کو کوڈ کیا — 1,162 کیس جن میں 1,855 الگ ثبوتی شقیں — اور ہر شق کو مطابقت، اعتبار اور استنباطی قوت پر ثبوتی قدر کے لحاظ سے درجہ دیا۔ سب سے مضبوط اقسام وہ تھیں جو متن کی امکانی درجہ بندی پر منحصر نہیں (طلبہ کے اقبالی بیان، امتحان میں مشاہدہ شدہ ممنوع سلوک، اور آزادانہ تصدیق شدہ من گھڑت حوالہ جات)، جبکہ ڈیٹیکٹر کے نتائج کو کسی بھی قسم سے کمزور ترین درجے ملے: مشابہت یا Turnitin رپورٹس استنباطی قوت میں بالکل کمزور تھیں اور تنہا ڈیٹیکٹر نتائج اعتبار میں بالکل نچلے، اور یہ 2024 میں شقوں کے 8.8% سے 2025 میں 0.5% تک گر گئے۔ اعتبار کی ناکامی اتنی ہی طریقہ کار کی ہے جتنی آلے کی — پائپ لائن کے کسی مرحلے نے کم از کم ثبوتی حد مقرر نہ کی اور نہ تفتیش کاروں سے کہا کہ الزام آگے بڑھانے سے پہلے ثبوتی قدر تولیں، اس لیے ثبوت کے معیار کا کیس کے نتائج سے کوئی قابلِ بھروسہ تعلق نہ رہا، اور یہی وہ ثبوتی معیار کا مسئلہ ہے جو قانونی مسائل اور خطرات پر درج ہے۔ اُن کی تجویز کہ سندوں کا فریم الزام کے مقام پر لاگو ہو، صرف فیصلے پر نہیں، ایک اعتباری مطالبہ ہے: الزام اِس بارے میں دعویٰ ہے کہ کام کس چیز کا ثبوت ہے، اور اُسے ایسے مواد سے جائز ہونا چاہیے جو اُسے سہارا دے سکے۔ Hadra, Cambridge and Mesbah (2026) دکھاتے ہیں کہ آلہ اُس معیار سے کتنا دور ہے، 192 متون پر 0.69 (Originality) کے مقابلے 0.61 (Turnitin) کی مجموعی درستگی، انسان–AI کی مخلوط تحریر پر تقریباً مکمل ناکامی (حساسیت 0.02 اور 0.31)، متن کی لمبائی کے ساتھ اور سائنسی تحریر پر گرتی درستگی، اور EFL طلبہ کی تحریر کو AI سمجھنے کا سرحدی رجحان — اس لیے ڈیٹیکٹر کا اسکور اُس حقیقت کو ثابت نہیں کر سکتا جس کا بدانتظامی کی دریافت دعویٰ کرتی ہے۔

انسانی نشان زدگی کا بینچ مارک اور اُس کی حد

تین سرکردہ ماڈلز کا OpRaise موازنہ، تین برطانوی یونیورسٹیوں کے 761 مستند مضامین پر بینچ مارک کو اعتبار کی دلیل کا حصہ بنا دیتا ہے۔ انسانی نمبر بطور بنیادی سچ استعمال کیے گئے اِس واضح بنیاد پر کہ تعلیمی فیصلہ سماجی طور پر قبول شدہ معیار ہے، جبکہ مصنفین تسلیم کرتے ہیں کہ انسانی نشان زد کرنے والے آپس میں صرف درمیانی حد تک متفق ہوتے ہیں — جو اُس AI–انسان مطابقت کی حد مقرر کرتا ہے جس کا معقول طور پر مطالبہ کیا جا سکتا ہے، اور اس کا مطلب ہے کہ ارتباط کو حوالہ نقطے کے بغیر تیار یا نہیں پڑھا جا سکتا۔ اُس فریم کے اندر ناکامیاں بےترتیب خطا کے بجائے منظم ساخت کے طور پر ظاہر ہوئیں: نمبر پیمانے کے وسط کی طرف سکڑ گئے، اس لیے بہترین اور بدترین مضامین کو سب سے زیادہ غلط جانچا گیا؛ مطابقت درجہ کی حدود پر سب سے کمزور تھی؛ اور AI کے نمبر الفاظ کے دائرے، ربطی الفاظ اور جملے کی پیچیدگی کو دیکھتے تھے جبکہ انسانی نمبر اُن سے بڑی حد تک غیر حساس تھے۔ عملی سبق دو دھاری ہے، کیونکہ اُسی مطالعے نے اعتماد کو بہترین پایا — وقت کے ساتھ دوبارہ نشان زدگی میں یکسانی اور ماڈلز کے درمیان بلند مطابقت۔ اس لیے خودکار نشان زدگی کے لیے اعتبار کا مقدمہ استحکام یا اوسط مطابقت پر نہیں ٹک سکتا؛ اُسے منظم انحراف کی عدم موجودگی دکھانی ہوگی، اور یہی وہ چیز ہے جو یہ ثبوت نہیں ملی۔

تاہم رن بہ رن استحکام کی ضمانت نہیں: ایک ہی جمع کرائی گئی تحریروں کی پانچ دن کے وقفے سے دہرائی گئی جانچ نے Krippendorff's alpha 0.625 دی، اور تغیر درمیانی درجات میں مرتکز رہا اور A اور F دہرائے گئے سیشنوں کی گنتی سے غائب رہے (Brevik et al. (2026))۔

  • ماڈل کا حجم جانچ کے اعتبار کا نمائندہ نہیں۔ 114 نشان زدہ مضامین پر چار خاندانوں کی آٹھ ترتیبوں میں، درجے کی عین مطابقت 18.4% سے 54.4% تک تھی اور پیرامیٹر کی گنتی کے بجائے خاندان کو دیکھتی تھی — سب سے بڑا ماڈل، GPT-OSS 120B، نے 1.316 درجے کم دیے، اور درجۂ حرارت کوئی حل نہ نکلا (Kerwat et al. (2026))۔

  • مطابقت اور بینچ مارک کی خطا سیکھنے کا روپ دھار لیتی ہیں۔ 2026 کی دو مطالعات وہ الگ راستے دکھاتی ہیں جن سے اسکور معتبر لگ سکتا ہے جبکہ کچھ اور ثابت کر رہا ہو۔ کھلی دعوتی مارکیٹنگ تحریر کے مطالعے میں LLM-انسان کی مطلق مطابقت صرف ICC(2,1) .435 تھی اور ہائبرڈ LLM تنہا سے نمایاں طور پر بدتر، اور اینکر ترکیب نے مطابقت .338 سے .902 تک پہنچائی (Agreement and error in automated scoring of student marketing posts)۔ چھ طبیعیات بینچ مارکس کے ماہر جائزے نے جانچے گئے مسترد ہونے کا 95.20% ماڈل کی خطا کے بجائے ناقص آئٹمز یا جانچنے والوں سے منسوب کیا، اور CritPt mean@5 کو 32.29% سے 87.50% تک لے گیا (How Good Are Frontier Models at Physics? Expert Re-Grading Reveals Broken Evaluations and Near-Saturation of Leading Benchmarks)۔ دونوں معاملات میں خطرہ اُس ماڈل سے باہر ساخت سے غیر متعلق تغیر ہے جسے جانچا جا رہا ہے۔

  • LLM کوڈرز کے درمیان مطابقت مستقل مزاجی ہے، اعتبار نہیں۔ ماہرین کے لیبل والے تعلیمی مکالمے کے کارپس پر، ماڈلز کے پار مطابقت کا فلٹر کارپس سے ماخوذ 74 رویّاتی دعووں میں سے صرف 33 اور ساخت سے ماخوذ 48 میں سے 11 رکھ سکا، اور ماڈلز کی مشترکہ خطائیں فلٹر سے بچ گئیں، اس لیے ماڈلز کے درمیان مطابقت ساختی اعتبار کا متبادل نہیں بن سکتی (Bernado et al., 2026)۔

  • خودکار جذباتی لیبل ایک پیمائشی دعویٰ ہے، وضاحت نہیں۔ 1,220 کھلے جوابات والے طلبہ سروے جوابات پر، بہترین تیار شدہ جذباتی آلہ (BERT-nlptown) انسانی کوڈنگ سے صرف درمیانی مطابقت تک پہنچا (κ = .42)، اور لیکسی کان آلات نے الفاظ کی پوشاک کی کمی سے تقریباً 20% جوابات کو غلط درجہ دیا (You & Horissian, 2026)۔ جذباتی لیبل ایک پیمائشی نتیجہ ہے، اس لیے درجہ بندی کی خطا اعتبار کا خطرہ ہے، ٹیوننگ کا مسئلہ نہیں۔

  • آلودگی وہ اعتباری خطرہ ہے جسے مجموعی ڈیٹا چھپا دیتا ہے۔ جب طلبہ درجہ بند کام کرنے کے لیے AI استعمال کریں، روبرک اسکوروں کے وسط میں اضافہ آلے کے بارے میں ثبوت ہے، سیکھنے کے بارے میں نہیں، اور ماڈل کا ماڈل کے نتائج کی جانچ کرنا "آئینوں کا ہال" ہے، جانچ نہیں (Jenkins & de Mello-e-Souza Wildermuth, 2026)۔ مصنفین بتاتے ہیں کہ آلودگی اُن مجموعی ڈیٹا میں نظر نہیں آتی جو پروگرام عام طور پر استعمال کرتے ہیں۔

  • نمائش قابلِ پیمائش ہے، اور حل زیادہ سے زیادہ حفاظت کے بجائے کافی ثبوت ہے۔ Villanueva (2026) نے 53,915 جانچی آئٹمز کو شائع شدہ فارمیٹ، نگرانی اور نمبر کے وزن کے لحاظ سے اسکور کیا اور پایا کہ زیادہ تر جانچے گئے نمبر ایسے کام پر ٹکے ہیں جن کی مصنفیت جمع کرانے کے بعد ناقابلِ تصدیق ہے؛ وہ دلیل دیتا ہے کہ پروگراموں کو کلیدی مراحل پر سیکھنے کا کافی ثبوت چاہیے، ہر اکائی کو محفوظ بنانے کی ضرورت نہیں۔

  • ماڈل آئٹمز کی پیشگی جانچ کر کے وہ نقائص کھول سکتا ہے جو فیکلٹی کا جائزہ چھوڑ دیتا ہے۔ ایک ادارے نے انٹرپرائز AI پلیٹ فارم سے امتحان سے پہلے امتحانی آئٹمز کے جواب دیے، پھر اُس کے استدلال کا مطلوب ساخت اور مقررہ جواب سے موازنہ کیا (Ford, Helms & Moseley, 2026)۔ اِس مشق نے مبہم الفاظ، متعدد قابلِ فہم جوابات، غیر ارادی اشارے، اور ایسے آئٹمز سامنے لائے جن کے مقررہ جواب کا واضح دفاع نہیں ہو سکتا تھا۔ مصنفین جواب کو آئٹم کے دوبارہ جائزے کا محرک سمجھتے ہیں، اُس کے ناقص ہونے کا ثبوت نہیں۔

  • معتبر پیمائش پھر بھی بہتر بنانے کے لیے غیر محفوظ ہو سکتی ہے۔ LLM ٹیوٹر کو روبرک طرز کے موافقت پذیری میٹرک پر فائن ٹیون کرنے سے میٹرک بڑھا (+0.05 سے +0.42) جبکہ بلائنڈ ماہرین کی درجہ بندی گری (4.46 سے 3.03)، کیونکہ فیصلوں کو الگ الگ اسکور کرنے والا میٹرک واحد بہترین فیصلے کو دہرا کر زیادہ سے زیادہ کیا جاتا ہے (Domínguez Figaredo & Fernández De la Cruz, 2026)۔

  • ایمبیڈنگ کی جیومیٹری روبرک کے امتیازات نہیں۔ پانچ متنی نمائندگیوں اور نو ایمبیڈنگ میکانزم کے تحت 992 ہاتھ سے لکھے طبیعیات کے حل پر، Tauschhuber & Kortemeyer (2026) انسانی اسکوروں کے ساتھ بہترین وزن شدہ Spearman ارتباط 0.198 بتاتے ہیں، اور کلسٹر اسکور سے مالا مال تھے، اسکور کے مساوی نہیں۔

  • "معیاری جانچوں میں کامیابی جانچنے والے کو مطمئن کر دیتی ہے۔" اُسی بینچ مارک پر کوئی ماڈل کسی بھی ٹاسک پر تینوں پورا نہ کر سکا: کم از کم 0.70 کا QWK، جانچنے والوں کی اپنی مطابقت سے 0.10 سے زیادہ نیچے نہیں، اور 0.15 کے اندر معیاری وسطی فرق۔ کوڈ پر، آٹھ ماڈلز پہلی دو شرطیں پوری کر کے پھر جانچنے والوں سے کم درجہ دیے، اور مختصر جوابات پر 22 میں سے 21 نے کم درجہ دیا، اس لیے انحراف کی سمت بھی اُس کے حجم جتنی اہم ہے۔

  • "مطابقت متعصب جانچنے والے کا پتہ لگا دیتی ہے۔" درونِ آئٹم ایبلیشن میں اُس نے نہیں لگایا۔ پرامپٹ میں صرف ایک درست یا بدلی ہوئی حصولی لیبل شامل کرنے سے ہر جانچے گئے ماڈل پر دس پوائنٹ کے پیمانے پر نمبر 0.28 سے 0.75 پوائنٹ بدلے، جبکہ درست لیبل نے QWK صرف 0.029 سے 0.046 بڑھایا۔ لیبل کے بغیر لگائی گئی دوبارہ پیمانہ بندی نے وہی فائدہ دیا۔ عدم تغیر کی رپورٹ مطابقت کے ساتھ دینی ہوتی ہے، کیونکہ جانچنے والا کام کے بجائے طالب علم کو پڑھتے ہوئے استاد کے قریب اسکور کر سکتا ہے۔

عام غلط فہمیاں

  • "LLM کی جانچ کا تعصب اُسے ترک کرنے کی وجہ ہے۔" ایک بڑے پیمانے کی قومی تحریری جانچ میں LLM اسکورر نے منظم قدامت پسند (کم درجہ بندی) تعصب ظاہر کیا — بطور حتمی نمبر مسئلہ، اور بطور چھانٹی کے اشارے ممکنہ طور پر مفید۔ معلوم سمت والا تعصب غیر متوقع تعصب سے مختلف آلہ ہے۔
  • "AI کے بعد درجات میں افراط محض قیاس ہے۔" 319 کورسز میں 500,000+ درجات (2018-2025) کے فرق در فرق مطالعے میں، زیادہ AI سے متاثر ٹاسک والے کورسز میں A درجات کا حصہ بڑھ گیا۔ اثر وہاں مرتکز تھا جہاں ٹاسک متاثر تھے۔
  • "اساتذہ نے AI کو بڑے پیمانے پر اپنا لیا ہے۔" 62.4% (53) نے جنریٹو AI کا استعمال بالکل نہ کرنے کا فیصلہ کیا، اور اپنانے والوں کا استعمال زیادہ تر پروف ریڈنگ (43.8%) اور وضاحت کی جانچ (34.4%) تک محدود تھا۔ اپنانے کا نمونہ محتاط اور تنگ ہے، جو بدل دیتا ہے کہ اعتبار کی دلیل کو کیا کچھ سمیٹنا ہوگا۔

منسلک تصورات

منسلک مضامین

متعلقہ عمومی سوالات

میٹا ڈیٹا

جانچ اور پیمائشمستند جانچ, خودکار جانچ, تشکیلی جانچ
تحقیقی طریقے اور جائزہبے ترتیب کنٹرول شدہ آزمائش (RCT)
مساوات، اخلاق اور ذمہ دار استعمالتعصب کا ازالہ, مساوات
تعلیم میں AI کی بنیادیںعلمی سالمیت
ذریعہتاریخچہترمیم کریںگفتگو

اس صفحے کو ایمبیڈ کریں

نیچے دیا گیا کوڈ نقل کریں تاکہ اس صفحے کو کسی سیکھنے کے انتظامی نظام یا دوسری ویب سائٹ پر ایمبیڈ کری سکیں۔ ایمبیڈ شدہ نسخہ صرف صفحے کا مواد دکھاتا ہے — یہ سائٹ کا ہیڈر، نیویگیشن اور فوٹر چھپا دیتا ہے۔