جانچ

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

جانچ — سیکھنے والوں کے علم اور قابلیت کے بارے میں شواہد جمع کرنے اور ان کی تشریح کا عمل، اور سیکھنے کی تشخیص کے طریقے۔ تعلیم میں مصنوعی ذہانت نے جانچ کی صورت بنیادی طور پر بدل دی ہے: یہ خودکار گریڈنگ اور اسکورنگ کو طاقت دیتی ہے، جانچ کے سوالات تخلیق کرتی اور انھیں ڈھالتی ہے، اور یہ گہرے سوالات اٹھاتی ہے کہ جب طلبہ AI استعمال کر سکتے ہوں تو جانچ اصل میں کیا ناپ رہی ہوتی ہے۔ جانچ وہ چھتری تصور ہے جو اس نالج بیس میں تشکیلی جانچ، خودکار گریڈنگ، توثیق اور تعلیمی پیمائش کی پوشش کو منظم کرتا ہے۔

غور کرنے کے لیے سوالات

• یہاں جانچ کا مطلب ہے سیکھنے والوں کے علم اور قابلیت کے بارے میں شواہد جمع کرنا اور ان کی تشریح کرنا۔ پڑھنے سے پہلے آپ جملہ 'جانچ اُس وقت معتبر ہوتی ہے جب…' کیسے مکمل کریں گے — اور اگر ہر طالب علم خفیہ طور پر اپنا کام تیار کرنے کے لیے AI استعمال کر سکے تو اس جواب میں کیا بدل جائے گا؟
• صفحہ دعویٰ کرتا ہے کہ طالب علم GenAI کو کیسے استعمال کرتا ہے (تشخیصی آمیزش بمقابلہ بغیر تنقید کے شارٹ کٹ) اس نے کارکردگی کی پیش گوئی کی، مگر استعمال کی تعدد نے کچھ پیش نہیں کیا۔ یہ AI کو استعمال محدود کر کے قابو کرنے کی عام جبلت کے بارے میں کیا بتاتا ہے؟
• سیکھنے والا ایسا پیشہ ورانہ معیار کا کام دے سکتا ہے جو وہ آلے کے بغیر دوبارہ تیار نہ کر سکے — جس سے کارکردگی اور بنیادی قابلیت کا استدلالی رشتہ ٹوٹ جاتا ہے۔ کیا آپ نے کبھی ایسی 'قابلیت' دیکھی جو ایسے کام پر دی گئی ہو جو طالب علم بغیر مدد انجام نہیں دے سکتا تھا؟ اس نے کیا ظاہر کیا؟
• صفحہ جو تعمیری سوال پیش کرتا ہے وہ یہ نہیں کہ 'ہم طلبہ کو AI استعمال کرنے سے کیسے روکیں؟' بلکہ یہ کہ 'ہم ایسے سیاق و سباق میں سوچے سمجھے استعمال کو کیسے ممکن بنائیں جو ان کے مستقبل کے کام کی عکاسی کرتے ہوں؟' اگر یہی مقصد ہوتا تو آپ کے شعبے میں جانچ کیسی نظر آتی؟
• DRIVE فریم ورک تجویز کرتا ہے کہ طالب علم کے GenAI کے ساتھ شمولیت کے معیار کی جانچ کی جائے — صرف تیار شدہ شے کی نہیں — یہ دیکھ کر کہ آیا وہ پرامپٹس کو حکمت عملی سے ہدایت دیتا ہے اور اپنے خیالات شامل کرتا ہے۔ آپ کیا دیکھیں گے تاکہ گہرے، غور و فکر سے بھرے AI تعامل کو سطحی استعمال سے الگ پہچان سکیں؟
• AI کے ذریعے ہونے والی جانچ زبانی امتحانات، پورٹ فولیوز اور گفتگو کے ایسے فارمیٹس کی طرف تنوع اختیار کر رہی ہے جو بے چینی کم کرتے ہیں اور پیشہ ورانہ طور پر متعلق محسوس ہوتے ہیں۔ اپنے تجربے کے کس جانچ فارمیٹ کو آپ سب سے زیادہ 'AI سے محفوظ' سمجھتے ہیں — اور کیا مزاحمت کا مطلب تعلیمی قدر ہی ہے؟

تعارف

جانچ تعلیم میں AI کے لیے دو وجوہ سے مرکزی ہے۔ پہلی، AI خود طلبہ کی جانچ کے لیے استعمال ہوتی ہے — مضامین، کوڈ، مختصر جوابات اور امتحانات کو بڑے پیمانے پر گریڈ کرنے کے لیے۔ دوسری، کلاس روم میں AI یہ بدل دیتی ہے کہ جانچ درست طور پر کیا ناپ سکتی ہے، کیونکہ طلبہ اپنا کام تیار کرنے کے لیے جنریٹو AI استعمال کر سکتے ہیں۔ چنانچہ یہ میدان ان آلات پر پھیلا ہوا ہے جو جانچ کو خودکار بناتے ہیں، اور ان توثیق اور دیانت کے سوالات پر بھی جو AI اٹھاتی ہے۔ اعلیٰ تعلیم کے جانچ کے 72 مطالعات کے ایک PRISMA جائزے نے پایا کہ اساتذہ نے GenAI کو پورے جانچ کے چکر میں استعمال کیا — جانچ تیار کرنا، مشق، گریڈنگ، سیکھنے کی شفافیت اور فیڈبیک — اور جانچ تیار کرنا اور فیڈبیک سب سے زیادہ کثرت سے شناخت شدہ استطاعتیں تھیں (Crompton and Burke (2026)).

جانچ میں AI کا استعمال

• خودکار جانچ: AI پر مبنی جانچ کئی طریقوں پر پھیلی ہوئی ہے — کثیر الانتخابی، مختصر جواب، مضمون، کوڈ اور کارکردگی پر مبنی تشخیص — جو خودکار گریڈنگ، خودکار مضمون جانچ اور خودکار سوال سازی کے ذریعے ہوتی ہے۔
• تکوینی جانچ: AI نظام بڑے پیمانے پر تکوینی جانچ کے سوالات تخلیق کرتے، انھیں جانچتے اور ڈھالتے ہیں، اور صرف اختتامی تشخیص کے بجائے جاری تدریس کو معلومات فراہم کرتے ہیں۔
• سیکھنے کا تجزیہ اور پیمائش: لرننگ اینالیٹکس اور تعلیمی پیمائش جانچ کے ڈیٹا کو سیکھنے کے عمل سے جوڑتے ہیں، اور کارکردگی کی تشریح کے لیے آئٹم رسپانس تھیوری، نالج ٹریسنگ اور طالب علم کی ماڈلنگ اور انطباقی تدریس استعمال کرتے ہیں۔ Razavi and Powers (2026) LLM پر مبنی سوال کی مشکل کے تخمینے کو پیمائش کے ایک اِن پٹ کے طور پر پیش کرتے ہیں: ریاضی اور پڑھائی کے 5,170 K-5 سوالات جو Rasch IRT ماڈل کے تحت کیلیبریٹ کیے گئے، ان پر GPT-4o کی زیرو شاٹ درجہ بندیاں اصل مشکلات کے ساتھ درمیانی سے مضبوط حد تک متعلق تھیں (ریاضی میں r = 0.83، پڑھائی میں r = 0.81) مگر جماعت کے لحاظ سے مختلف رہیں، جبکہ خصوصیات پر مبنی طریقہ (LLM سے نکالی گئی خصوصیات کو درخت پر مبنی ماڈلز میں ڈالنا) r = 0.87 تک تعلقات تک پہنچا۔ یہ مطالعہ جانچ کے پیشہ ور افراد کے لیے ایک عملی سات مرحلوں کا ورک فلو پیش کرتا ہے، مگر خبردار کرتا ہے کہ K-5 ریاضی اور پڑھائی سے آگے عمومیت واضح نہیں۔
• فیڈبیک کے چکر: AI جانچ تیزی سے فیڈبیک کے چکروں میں شامل ہو رہی ہے جو جانچ سے سیکھنے تک کا چکر مکمل کرتے ہیں۔
• ای پورٹ فولیو جانچ: ای پورٹ فولیوز وقت کے ساتھ طالب علم کا کام اور غور و فکر جمع کرتے ہیں، بطور عمل پر مبنی اور AI کے مقابلے میں مضبوط جانچ۔ تخلیقی AI پورٹ فولیو کے عمل میں مدد کر سکتی ہے — فیڈبیک، سکافولڈنگ کے ذریعے غور و فکر، اور (مناسب روبرک کے ساتھ) تشخیص — جبکہ استدلال کے نشانات اور مسودات پر زور AI کی من گھڑت تخلیق کا مقابلہ کرتا ہے۔ AI کی مدد سے پورٹ فولیو جانچ اور EFL بولنے کے لیے ChatGPT + ای پورٹ فولیو ظاہر کرتے ہیں کہ AI پورٹ فولیو کے تجربے اور طالب علم کی فیڈبیک لیٹریسی دونوں کو بہتر بنا سکتی ہے۔
• کھلے جوابات کی گریڈنگ کا اعتبار ماڈل پر منحصر ہے: Pecuchova, Benko & Drlik (2025) نے گیارہ GenAI اور جملوں کے ایمبیڈنگ ماڈلز کو دو ماہر گریڈرز کے مقابلے میں 1,885 کھلے سافٹ ویئر انجینئرنگ جوابات پر جانچا: صرف GPTo1 تقریباً مکمل اتفاق تک پہنچا (Fleiss' Kappa 0.82)، جبکہ حوالہ جات پر مبنی ماڈلز نے درست مگر مختلف انداز میں لکھے گئے جوابات کو نقصان پہنچایا۔ چونکہ GPTo1 واحد ماڈل تھا جسے بغیر نگرانی کے تعینات کرنے کے قابل سمجھا گیا مگر اس کے ساتھ ملکیتی API کے اخراجات وابستہ ہیں، مصنفین محدود وسائل والے ماحول میں جدید ماڈلز کو سستے اختیارات یا انسانی نگرانی کے ساتھ جوڑنے کی ہائبرڈ حکمت عملیاں تجویز کرتے ہیں۔ 42 تجرباتی مطالعات (2023–2025) کے PRISMA کی رہنمائی میں کیے گئے منظم جائزے نے پورے گریڈنگ کے میدان میں اسی مشروط اعتبار کی تصویر کی تصدیق کی: LLM بند اور مختصر جواب والے کاموں میں انسانی گریڈرز کے برابر آتے ہیں مگر پیچیدہ، کھلے یا موضوعی کاموں میں انسانی فیصلے کی مکمل جگہ نہیں لے سکتے، اور گریڈنگ میں کوئی یکساں تعصب سامنے نہیں آیا — ماڈلز کبھی زیادہ نرم، کبھی زیادہ سخت رہے، اور اکثر انتہائی اسکور سے بچتے رہے (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback). روبرک کی تکراری بہتری LLM کے کھلے جوابات کی اسکورنگ کو اعلیٰ داؤ والے طبی سیاق و سباق میں انسانی سطح کے اعتبار تک لے جا سکتی ہے: Olvet et al. (2026) نے پایا کہ جب فیکلٹی نے غلطی کے نمونوں کے تجزیے پر تجزیاتی اور مجموعی روبرکس کو بار بار نظر ثانی کیا، تو GPT-4 چار میں سے تین پری کلرک شپ سوالات پر فیکلٹی گریڈرز کے ساتھ کافی سے تقریباً مکمل اتفاق تک پہنچا (وزنی کاپا 0.94 تک)، جبکہ باقی مجموعی روبرک والا سوال صرف درمیانی اتفاق پر رہا (κw = 0.54) — جو انسانی نگرانی میں روبرک انجینئرنگ کے فائدے اور مصنوعی، مجموعی کاموں پر اس کی حدود، دونوں کو ظاہر کرتا ہے۔
• AI کی معاونت والی زبانی اور کارکردگی کی جانچ۔ TVET کے ایک ڈیزائن مطالعے نے جانچ کو متن پر بھاری فارمیٹس سے ہٹا کر LLM کی معاونت والی باہمی زبانی جانچ کی طرف لے جایا: چار کوہورٹس میں، 33 میں سے 21 سیکھنے والوں نے صوتی کام کو حقیقت پسندانہ قرار دیا اور کسی نے بھی اس بات سے اختلاف نہیں کیا کہ حقیقی وقت میں بولنا تحریری پورٹ فولیو سے بہتر طور پر قابلیت کی عکاسی کرتا ہے، جبکہ ایک جیسے سوالات کے الفاظ کی تعداد کوہورٹس کے درمیان پانچ سے آٹھ گنا تک مختلف رہی اور نو سیکھنے والوں نے دو سے تیرہ الفاظ میں جواب دیا اور وہ سب درست تھے۔ یہ نظام ایک ہی لیپ ٹاپ پر آف لائن چلا اور Mistral 7B اور faster-whisper کے ساتھ بیک وقت 12 سیکھنے والوں کی خدمت کرتا رہا، ریکارڈنگز 90 دن بعد حذف کر دی گئیں، اور اسکورنگ کے فیصلے جانچنے والوں کے پاس رہے — یعنی کام کی جگہ سے منسلک قابلیتوں کے لیے انسان-در-حلقہ جانچ ڈیزائن کی ایک مثال۔ (Designing AI-Supported Oral Assessment in TVET)

توثیق اور پیمائش کے چیلنجز

AI توثیق کے بنیادی سوالات اٹھاتی ہے: کیا AI سے گریڈ کی گئی جانچ طالب علم کی سیکھائی کو ناپتی ہے یا AI پرامپٹنگ کی مہارت کو؟ کیا طالب علم کا AI استعمال روایتی جانچ کو بے اعتبار کر دیتا ہے؟ اہم چیلنجز میں شامل ہیں:

• ساخت کی توثیق: قابلیت پر مبنی تعلیم پر تحقیق ظاہر کرتی ہے کہ تخلیقی AI نے کارکردگی اور بنیادی قابلیت کا رشتہ توڑ دیا — سیکھنے والا ایسا پیشہ ورانہ معیار کا کام دے سکتا ہے جو آلے کے بغیر تیار نہ کر سکے۔ اسی لیے لازم ہے کہ از سر نو طے ہو کہ کون سی قابلیتوں کی جانچ ہو رہی ہے۔
• جانچ کو از سر نو ہم آہنگ کرنے کے لیے تین کونوں کا فریم۔ Koretsky et al. (2026) ہر جگہ موجود GenAI کو دھوکہ دہی کا نہیں بلکہ توثیق اور قابلیت کی تعریف کا مسئلہ قرار دیتے ہیں، اور دلیل دیتے ہیں کہ جانچ کے مثلث کے تین کونے — ادراک، مشاہدہ اور تشریح — ایک ساتھ ہم آہنگ ہوں، ایک ایک کو پیوند لگانے سے نہیں۔
• شریک تصنیفی اور دیانت: شریک تصنیفی دیانت توثیق کے شواہد کا ایک نیا ذریعہ تجویز کرتی ہے جو اُس وقت خلاف ورزی ہوتی ہے جب طلبہ AI کا ایسا مواد جمع کریں جو وہ سمجھتے نہیں، اور جواب میں گفتگو کے انداز میں "AI Vivas" تجویز کرتی ہے۔
• سائیکو میٹرک معیار: سائیکو میٹرکس سے باشعور AI اور اعتماد سے واقف جانچ اس بات پر کام کرتے ہیں کہ AI کی اسکورنگ قابلِ اعتماد، بغیر تعصب اور قابلِ تشریح رہے۔
• AI جانچنے والوں کی تشخیص: تعلیم میں AI کی تشخیص وہ طریقے اور بینچ مارک فراہم کرتا ہے جن سے طے ہو کہ خودکار جانچنے والے واقعی کام کرتے ہیں — اعتبار، تدریسی طریقے اور حکمت عملیاں اور مساوات کے لحاظ سے، نہ صرف درستگی کے لحاظ سے۔
• AI اور ہم مرتبہ گریڈنگ کا معیار پر منحصر اعتبار (2026): مدرس کی گریڈنگ کا ChatGPT اور ہم مرتبہ گریڈنگ سے موازنہ کرتے ہوئے، انہی انڈرگریجویٹ گروپ پروجیکٹس پر، Usher & Faraon (2026) نے دکھایا کہ مدرس کے ساتھ گریڈنگ کی ہم آہنگی طلبہ کے کام کے معیار پر مشروط ہے: ChatGPT نے کم معیار کی پیشکشوں کو سب سے زیادہ بڑھا چڑھا کر پیش کیا اور اعلیٰ معیار کے کام پر مدرس کے ساتھ بہتر مطابقت رکھی، جبکہ ہم مرتبہ کمزور کام پر بہترین مطابقت رکھتے اور مضبوط پروجیکٹس کو کم گریڈ کرتے رہے۔ یہ نتیجہ "قابلِ اعتماد بمقابلہ ناقابلِ اعتماد" کی دو رخی تقسیم کو چیلنج کرتا ہے اور مشروط اعتبار کے ایسے ماڈلز کی طرف اشارہ کرتا ہے جن میں متبادل جانچنے والے کام اور کارکردگی کی سطح کے مطابق رکھے جائیں۔
• انسانی گریڈنگ خود قدر سے لبریز ہے (2026): Luo & Dawson (2026) دکھاتے ہیں کہ GenAI کی مدد سے تیار کام کی انسانی گریڈنگ بھی غیر جانبدار، معیارات پر مبنی عمل نہیں۔ 33 یونیورسٹی اساتذہ کے ساتھ منظر نامے پر مبنی انٹرویوز نے ظاہر کیا کہ گریڈنگ کے فیصلے شخصیت پر مبنی (دیانت، محنت)، قابلیت پر مبنی (خودمختاری، GenAI مہارت، شعبے میں مہارت)، تعلق پر مبنی (اعتماد) اور انصاف پر مبنی (منصفانہ رویہ، نیکی) قدروں سے چلتے ہیں — جو اسائنمنٹ سے آگے بڑھ کر طالب علم کے بارے میں اساتذہ کے گمان تک پہنچتے ہیں۔ یہ مطالعہ جانچ کے سوال کو "کیا GenAI کا استعمال دھوکہ ہے؟" سے بدل کر "اساتذہ کے قدری فیصلے گریڈز کو کیسے شکل دیتے ہیں، اور کیا وہ قدریں جانچے جانے والے نتائج سے متعلق ہیں؟" بنا دیتا ہے — اور توثیق اور اس بات پر "دو طرفہ شفافیت" کو سامنے لاتا ہے کہ GenAI کا استعمال گریڈز پر کیسے اثر ڈالے گا۔

دیانت اور پتہ لگانے کی بحث

جانچ میں AI نے دیانت کی گفتگو کو تیز کر دیا ہے۔ ایک دھارا AI سے تخلیق شدہ متن کا پتہ لگانے پر مرکوز ہے، جبکہ تحقیق کا بڑھتا ہوا ذخیرہ دلیل دیتا ہے کہ پتہ لگانا ایک محدود، حالات پر منحصر آلہ ہے — پہلی ترجیح کی حکمت عملی نہیں۔ Beyond Detection اور Responsible Assessment دلیل دیتے ہیں کہ اصلیت کو نگرانی سے وجود میں نہیں لایا جا سکتا؛ اسے از سر نو ڈیزائن کرنا ہو گا، AI کو ایک اعلان شدہ ساتھی کے طور پر رکھنا ہو گا، اور نگرانی کے بجائے اصلی اور عمل پر مبنی جانچ کو ترجیح دینی ہو گی۔ Walton et al. (2025) اسے اس شواہد پر استوار کرتے ہیں کہ طلبہ GenAI کے ساتھ جانچ میں دراصل کیسے فیصلے کرتے ہیں: 26 طلبہ کے ساتھ اسکرول بیک انٹرویوز نے چھ فیصلہ واقعات کا ایک طیف ظاہر کیا — AI کے علم کا تنقیدی جائزہ لینے اور AI کی حدود کے ذریعے سیکھنے سے لے کر خیالات کو بغیر تنقید کے اپنانے اور AI کی شراکتوں کو اپنا سمجھ لینے تک۔ Stamatoulis et al. (2026) اس کا مقداری ہم منصب شامل کرتے ہیں: 157 طلبہ میں، GenAI کیسے استعمال ہوتی ہے (فہم کی مدد کے لیے تشخیصی آمیزش بمقابلہ کم تصدیق والا شارٹ کٹ) نے کارکردگی کی پیش گوئی کی، جبکہ محض استعمال کی تعدد نے نہ کارکردگی کی پیش گوئی کی نہ علمی خود اعتمادی کی۔ یہ مطالعات مل کر جانچ کے سوال کو اس سے کہ طلبہ AI استعمال کرتے ہیں یا نہیں، اس طرف منتقل کرتے ہیں کہ وہ کیسے فیصلے کرتے ہیں اور اس استعمال کو کس نمونے میں ڈھالتے ہیں۔

Bassett et al. (2026) اس سے آگے جاتے ہیں اور دلیل دیتے ہیں کہ پتہ لگانے کا آلہ بالکل استعمال نہیں کرنا چاہیے: اس کی امکانی نوعیت کی پیداوار کا آزادانہ تصدیق ممکن نہیں کیونکہ حقیقی دنیا میں متن کی اصل نامعلوم ہوتی ہے، اور ڈیٹیکٹر کے اسکور — تنہا یا لسانی نشانات، طرز کے موازنے، کسی LLM کے دعوے یا طالب علم کی خاموشی کے ساتھ — اُن امکانات کے توازن کے معیار پر پورا نہیں اترتے جو دیانت کی تحقیقات کا تقاضا کرتی ہیں۔

25 مطالعات کا ایک PRISMA جائزہ ایک ایسا خطرے کا عنصر شامل کرتا ہے جو پتہ لگانے کی بحث نظر انداز کر دیتی ہے: غیر مادری انگریزی بولنے والوں میں انگریزی میں لکھنے میں دشواری کے وقت دیانت کی خلاف ورزی کا رجحان زیادہ دیکھا گیا، چنانچہ دیانت کی توقعات کو محض نفاذ کے بجائے ٹھوس تعلیمی تحریر کی معاونت کے ساتھ جوڑنا چاہیے (Balalle and Pannilage (2025)).

AI کے دور میں جانچ کی نئی تشکیل

نالج بیس کے جانچ کے ادب میں تعمیری سوال یہ نہیں کہ "ہم طلبہ کو AI استعمال کرنے سے کیسے روکیں؟" بلکہ یہ کہ "ہم انھیں ایسے سیاق و سباق میں سوچے سمجھے استعمال کے قابل کیسے بنائیں جو ان کے مستقبل کے کام کی عکاسی کرتے ہوں؟" یہ جانچ کو ان باتوں کے گرد از سر نو ترتیب دیتا ہے:

• اصلی اور عمل پر مبنی کام جو AI کے استعمال کو نظر آنے والا اور جانچے جانے والا بناتے ہیں۔ مستند جانچ — قابلِ قدر، حقیقت پسندانہ کاموں پر طالب علم کی کارکردگی کا جائزہ — AI کے چیلنج کا سب سے اہم جواب ہے: کوئی بھی کام جسے بڑے لینگویج ماڈلز (LLMs) قابلِ اعتماد طریقے سے نقل کر سکے اپنی توثیق کھو دیتا ہے، چنانچہ اصلیت کو حقیقی وقت کی شراکت، ڈیجیٹل اور سماجی شراکت، اور انفرادی معنی سازی کے گرد از سر نو ڈیزائن کرنا ہو گا۔ یہ اصلی جانچ کے ڈیزائن فریم ورکس، اصلی مصنوعات اور تصدیق شدہ عمل، اور عمل کی آلے سے آزاد جانچ سے جڑتا ہے۔
• ذمہ دار جانچ کا ڈیزائن جو توثیق کے شواہد پر مبنی ہو (Responsible Assessment in the AI Era: Key Insights from a Future-Focused Conference)
• کام کی سطح پر AI کی اجازتیں جو جانچ کے اہداف سے ماخوذ ہوں: McCorkle (2025) وہ جانچ ڈیزائن کا کام دکھاتے ہیں جو کسی AI پالیسی سے پہلے آتا ہے — پروجیکٹ کے ہر کام کی فہرست بنانا، یہ متعین کرنا کہ کس چیز کی جانچ ہو رہی ہے اور کس مقصد کے مقابلے میں، اور اسی بنیاد پر ہر کام کے لیے AI کی اجازت یا ممانعت (خیالات کی بارش اور تصاویر کے انتخاب کی اجازت؛ سیکھنے کے مقاصد کی تشکیل اور سلائیڈ ڈیزائن کی نہیں)۔ یہی ہم آہنگی کی مشق اس استدلال کی جانچ کا کام بھی دیتی ہے جسے جانچ سہارا دیتی ہے، کیونکہ یہ مدرس کو مجبور کرتی ہے کہ وہ اُس کارکردگی کا نام لے جس کی ضمانت گریڈ کو دینی ہوتی ہے (جانچ کا اعتبار)۔
• ایسی جانچ جو لسانی طریقے سے آگے جائے: Jiang et al. (2026) دوسری زبان کے اساتذہ کے لیے کثیر الجہتی جانچ کی خواندگی کی تعریف علم، قدر اور قابلیت کے طور پر کرتے ہیں، اُن کاموں کے لیے جو لسانی، بصری، سمعی، اشاراتی اور فضائی طریقوں میں جواب طلب کرتے ہیں۔ ہانگ کانگ کے 30 انگریزی اساتذہ کے ساتھ ایک سال طویل پروگرام نے جانچ کی حکمت عملیوں کے علم کو 5 میں سے 3.13 سے 4.15 تک بڑھایا (partial η² = 0.571) اور طلبہ کی معاونت کی قابلیت کو 3.05 سے 3.98 تک (0.482)، جبکہ قدروں کے تینوں ذیلی شعبے جمود پر رہے۔ اساتذہ کے اپنے تجربے نے فریم ورک میں دو جہتیں شامل کیں: متقابل نصابی ترجیحات کے خلاف مشق کو برقرار رکھنا، اور GenAI کو تنقیدی انداز میں بروئے کار لانا (Jiang et al. (2026)).
• شریک تصنیفی اور اعلان بطور جانچ کے معاہدے کا حصہ
• عمل پر مبنی روبرک معیارات جو تعامل کو گریڈ کریں، تیار شدہ شے کو نہیں۔ Oviedo and Díaz (2026) Biggs کے 3P ماڈل کو گریڈنگ کی تین اہم جہتوں کے طور پر پڑھتے ہیں — انسانی ایجنسی اور تنقیدی نگرانی، پرامپٹ انجینئرنگ سے جڑی مکالماتی سہارا دہی، اور دیانت اور شفافیت پر استوار علمی خودمختاری — اور دلیل دیتے ہیں کہ مکمل شدہ فائل اب اس بات کی معلومات نہیں رکھتی کہ اس کا استدلال کس نے پیدا کیا۔
• پیداوار بطور قابلیت — سیکھنے والوں کی اس صلاحیت کا جائزہ لینا کہ وہ آلات کی رہنمائی کر سکیں اور پیشہ ورانہ معیار کا کام پیدا کر سکیں (Knowledge, Skills, Attitudes, Production: Competency-Based Education After Generative AI)
• تعامل کے عمل کی جانچ، صرف تیار شدہ شے کی نہیں — DRIVE فریم ورک (Directive Reasoning Interaction + Visible Expertise) طالب علم کے GenAI کے ساتھ شمولیت کے معیار کو ہی جانچا جانے والا تصور قرار دیتا ہے۔ یہ سطحی استعمال کو گہرے، غور و فکر سے بھرے تعامل سے اس بات سے الگ کرتا ہے کہ آیا طلبہ پرامپٹس کو حکمت عملی سے ہدایت دیتے ہیں (DRI) اور تبادلے کے ذریعے اپنے شعبے کے خیالات کو شامل اور ترقی دیتے ہیں (VE)، اور عمل پر مرکوز معیارات کو خود ہدایت یافتہ سیکھنا اور ICAP درجہ بندی کے مطابق علمی شمولیت کے نظریات میں جڑ دیتا ہے۔ یہ DRIVE کو AI کے ذریعے ہونے والی اصلی جانچ کی مثال بناتا ہے — یعنی ایسا روبرک جو اس بات کا جائزہ لے کہ سیکھنے والے GenAI کے ساتھ کیسے شریک ہوتے ہیں، نہ کہ پتہ لگانے کا آلہ۔

اس ادب کی ایک تجویز موجودہ فریم کے اندر نئی تشکیل سے آگے بڑھتی ہے۔ El Khoury and Ma (2026) دلیل دیتے ہیں کہ بدعنوانی روکنے یا AI کے استعمال کا پتہ لگانے کے گرد ترتیب دی گئی اصلاح تعلیمی تصور کو کنٹرول اور تعمیل تک محدود کر دیتی ہے، اور اس کے بجائے خوشگوار جانچ تجویز کرتے ہیں: ایسی جانچ جو محفوظ ہو، جذباتی طور پر جوابدہ ہو، بااختیار بنانے والی ہو اور طالب علم کی ایجنسی کی حامی ہو، اور جس میں حفاظت بنیادی شرط ہو کیونکہ اس کے بغیر جذباتی ہم آہنگی محض نمایاں مظاہرہ بن جاتی ہے، بااختیار بنانا دباؤ بن جاتا ہے اور ایجنسی خطرہ بن جاتی ہے۔ ان کا فریم ورک پتہ لگانے کے ایجنڈے کو الٹ دیتا ہے — دیانت جانچ کی ابتدا نہیں بلکہ ایسی جانچ ڈیزائن کرنے کا نتیجہ بن جاتی ہے جس میں طلبہ دلچسپی لیں — اور وہ مدرس کے بنائے ہوئے AI ایجنٹس (حسبِ ضرورت GPTs، Gems، Copilot Studio ایجنٹس) کو کم داؤ والے مشق کے میدان کے طور پر پیش کرتے ہیں جہاں طلبہ فیصلے سے پہلے مشق کرتے ہیں، اس دعوے کے ساتھ کہ AI شواہد کو منظم کرتی ہے جبکہ مدرس ان کی تشریح کرتا ہے۔

تعلیم میں AI کے لیے مضمرات

• جانچ اور سیکھنا ایک دوسرے سے الگ نہیں: اچھی AI جانچ کو سیکھنے کی تشخیص جتنا ہی تکوینی فیڈبیک کے ذریعے سیکھنے کی معاونت بھی کرنی چاہیے۔

• توثیق کے تصور کی نئی تشریح ضروری ہے: جب AI طالب علم کا کام پیدا کر سکتی ہے، تو جانچ کو صرف نتائج نہیں بلکہ عمل، فیصلے اور اصلی پیداوار ناپنا چاہیے۔

• خودکاری کی سختی سے جانچ ضروری ہے: خودکار جانچنے والوں کو صرف درستگی کے دعووں کے بجائے سائیکو میٹرک اور انصاف کی جانچ درکار ہے۔

• دیانت پتہ لگانے سے ڈیزائن کی طرف منتقل ہوتی ہے: جانچ میں AI کا سب سے مضبوط جواب ایسے کام ڈیزائن کرنا ہے جہاں AI کا استعمال متوقع، اعلان شدہ اور جانچا جانے والا ہو۔

• جدید مشقیں بیک وقت کئی مسائل حل کر سکتی ہیں۔ Mesny, Roberge-Maltais & Galy (2026) دلیل دیتے ہیں کہ پانچ باہم مضبوط کرنے والی مشقیں — مستند جانچ، خود اور ہم مرتبہ جانچ، دوبارہ جانچ، معیارات پر مبنی گریڈنگ، اور گریڈنگ کا خاتمہ — جو "سیکھنے کے لیے جانچ" کے نمونے کے مطابق ہیں، تخلیقی AI کے دور میں روایتی، اختتامی جانچ کے غلبے والی، معمول پر مبنی گریڈنگ کے نقصانات (سطحی سیکھنا، اندرونی تحریک کا کٹاؤ، تناؤ اور بے چینی، عدم مساوات، اور دیانت کو نقصان) کا مقابلہ کر سکتی ہیں۔ وہ پاتے ہیں کہ قبولیت شعبوں کے لحاظ سے ناہموار ہے — خود اور ہم مرتبہ جانچ غالب ہیں جبکہ گریڈنگ پر مرکوز جدتیں حاشیے پر رہی ہیں — اور اساتذہ سے اپیل کرتے ہیں کہ وہ جانچ اور گریڈنگ کی جدت سے زیادہ فعال اور باہمی انداز میں جڑیں، جس کی پشت پناہی بتدریج تجربات اور ادارہ جاتی معاونت سے ہو۔

• AI کے ذریعے ہونے والی جانچ تنوع اختیار کر رہی ہے۔ AIvaluate LLM سے بڑھائے گئے مکالماتی ایجنٹ کے ذریعے کارکردگی پر مبنی جانچ میں طالب علم کی بے چینی کم کرتا ہے؛ Pentland (2026) پاتے ہیں کہ غیر ہم وقتی زبانی جانچ نے زیادہ شمولیت دی اور پیشہ ورانہ طور پر متعلق سمجھی گئی؛ گراف پر مبنی ITS جانچ کے لیے علمی حالت کی موافق پیروی استعمال کرتا ہے۔

عام غلط فہمیاں

• "دیانت بنیادی طور پر پتہ لگانے کا مسئلہ ہے۔" 26 طلبہ کے ساتھ اسکرول بیک انٹرویوز ظاہر کرتے ہیں کہ طلبہ GenAI کے ساتھ جانچ میں ایک طیف کے ساتھ فیصلے کرتے ہوئے گزرتے ہیں، اور 157 طلبہ میں GenAI کیسے استعمال ہوتی ہے — فہم کی مدد کے لیے تشخیصی آمیزش بمقابلہ متبادل — نے نتیجے کی پیش گوئی کی۔ استعمال کا انداز طلبہ میں استعمال کی موجودگی سے زیادہ واضح فرق ڈالتا ہے۔
• "غیر مادری انگریزی بولنے والے ہی دھوکہ دہی کا خطرہ ہیں۔" 25 مطالعات کا PRISMA جائزہ ایک ایسا خطرے کا عنصر شامل کرتا ہے جو پتہ لگانے کی بحث نظر انداز کر دیتی ہے: غیر مادری بولنے والے زبان کی طلب سے جدوجہد کے وقت دیانت کی خلاف ورزی کی طرف زیادہ مائل پائے گئے۔ یہ زبان کی معاونت کا مسئلہ ہے جسے دیانت کا مسئلہ سمجھ لیا گیا۔
• "GenAI کی ممانعت کرنے والی پالیسی سوال طے کر دیتی ہے۔" طلبہ اصول کی پیروی کے نمونے کے بجائے فیصلوں کا ایک طیف بیان کرتے ہیں، چنانچہ ایسا اصول جو طلبہ پہلے سے کر رہے تشخیصی استدلال سے نہ جڑے، مستقل طور پر پیروی نہیں پائے گا۔

منسلک تصورات

• سیکھنے والے — سیکھنے والے: سیکھنے والے کی طرف کے تصورات کی چھتری
• تدریسی شراکت داریاں — تدریسی شراکتیں
• تشکیلی جانچ — تکوینی جانچ: بڑے پیمانے پر AI سے تخلیق شدہ، جانچے اور ڈھالے گئے سوالات
• خودکار جانچ — جانچ کے تمام طریقوں میں خودکار گریڈنگ اور اسکورنگ
• مستند جانچ — عمل پر مبنی، AI کے مقابلے میں مضبوط اصلی کام
• جانچ کا اعتبار — تخلیقی AI کے تحت جانچ کی توثیق
• تعلیمی پیمائش — AI جانچ کے پیچھے پیمائش کا نظریہ
• خودکار مضمون جانچ — خودکار مضمون اسکورنگ
• خودکار سوال سازی — خودکار سوال سازی
• زبانی جانچ — زبانی جانچ: ایسے زندہ اور ریکارڈ شدہ فارمیٹس جو AI کے متبادل کا مقابلہ کرتے ہیں
• اختتامی جانچ — اختتامی جانچ: AI کے مقابلے میں مضبوط فارمیٹس (زبانی، نگرانی والے، بند کتاب امتحانات)
• آئٹم رسپانس تھیوری — AI کے دور کے جانچ جوابات کی تشریح کے لیے IRT
• سائیکو میٹرکس سے باشعور AI — سائیکو میٹرک طور پر واقف AI اسکورنگ
• لرننگ اینالیٹکس — جانچ کے ڈیٹا کو سیکھنے سے جوڑنے والا تجزیہ
• فیڈبیک — جانچ سے سیکھنے تک کا چکر مکمل کرنے والے فیڈبیک لوپس
• فیڈبیک لیٹریسی — سیکھنے والے کی فیڈبیک خواندگی
• علمی سالمیت — دیانت اور AI کی شناخت کی بحث
• AI کی پکڑ — AI سے تخلیق شدہ متن کا پتہ لگانا
• تعلیم میں AI کی تشخیص — خودکار جانچنے والوں کی تشخیص کے طریقے اور بینچ مارک
• ای-پورٹ فولیو — عمل پر مبنی ای پورٹ فولیو جانچ
• گفتار اور آواز کی ٹیکنالوجیز
• ہم مرتبہ جانچ

منسلک مضامین

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — ایک سال طویل پروگرام جو کثیر الجہتی جانچ کی خواندگی کی تعریف کرتا ہے اور ناپتا ہے کہ کیا بدلا اور کیا نہیں
• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — AI ایجنٹس، خوشگوار جانچ اور تیسرا میدان
• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — جانچے جانے والے کام سے ماخوذ کام کی سطح پر AI کی اجازتیں (McCorkle 2025)
• Who grades best? Comparing ChatGPT, peer, and instructor evaluations across varying levels of student project quality — پروجیکٹ کے معیار کی سطحوں پر ChatGPT، ہم مرتبہ اور مدرس گریڈنگ کا موازنہ (Usher & Faraon 2026)
• Responsible Assessment in the AI Era: Key Insights from a Future-Focused Conference — AI کے دور میں ذمہ دار جانچ
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — پتہ لگانے سے آگے: اصلی جانچ
• Coauthorship integrity: Reconceptualising assessment validity for the age of generative artificial intelligence — شریک تصنیفی دیانت اور جانچ کی توثیق
• Knowledge, Skills, Attitudes, Production: Competency-Based Education After Generative AI — تخلیقی AI کے بعد قابلیت پر مبنی تعلیم
• Generative AI as a Design Variable: An Evidence-Centered Framework for Principled Governance in STEM Assessment — جانچ میں تخلیقی AI کی شواہد پر مرکوز گورننس
• Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity — AI دیانت کا جائزہ: پتہ لگانے کے ساتھ جانچ کی نئی تشکیل لازم ہے
• Heads We Win, Tails You Lose: AI Detectors in Education — سکہ ہمارا، پانسہ بھی ہمارا: تعلیم میں AI ڈیٹیکٹرز (Bassett et al. 2026)
• Exploring student anxiety and experience in performance-based assessments using AIvaluate: an LLM-augmented emotionally — AIvaluate: طالب علم کی بے چینی کی LLM سے بڑھائی گئی جانچ (2026)
• Intelligent tutoring in dynamic domains: a graph-based system for comparative analysis of adaptive algorithms — متحرک شعبوں کے لیے گراف پر مبنی ذہین ٹیوٹرنگ (2026)
• Asynchronous Oral Assessments: Enhancing Integrity, Engagement, and Communication in the AI Era — AI کے دور میں غیر ہم وقتی زبانی جانچ (Pentland 2026)
• Assessing students' DRIVE: A framework to evaluate learning through interactions with generative AI — DRIVE: GenAI تعامل کے ذریعے سیکھنے کی جانچ (DRI + Visible Expertise)
• How university students work on assessment tasks with generative AI: matters of judgement — جانچ کے کاموں میں GenAI کے ساتھ طلبہ کے کام میں فیصلہ سازی (26 طلبہ، اسکرول بیک)
• Same tool, different work: patterns of generative AI use and academic outcomes — GenAI استعمال کے نمونے (تشخیصی آمیزش بمقابلہ کم تصدیق والا استعمال) اور نتائج
• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — GenAI کی مدد سے تیار کام کی گریڈنگ میں قدری فیصلے: دیانت، اعتماد، توثیق اور دو طرفہ شفافیت (Luo & Dawson 2026)
• Estimating Item Difficulty Using Large Language Models and Tree-Based Machine Learning Algorithms — LLM اور درخت پر مبنی ML سے سوال کی مشکل کا تخمینہ
• Automated Grading of Open-Ended Questions in Higher Education Using GenAI Models
• Innovative assessment and grading practices in higher education: A critical exploration for management educators
• Can Generative Artificial Intelligence Reliably Score Open-Ended Question Assessments in Undergraduate Medical Education?
• Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback
• AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI — AI آپ کا ہوم ورک کر سکتی ہے۔ اب کیا؟ تخلیقی AI کے دور میں کمپیوٹنگ کی جانچ پر ایک آن لائن ورکشاپ کی رپورٹ
• The shifting landscape of assessment in STEM education in the age of generative AI — جانچ کو از سر نو ہم آہنگ کرنے کے لیے تین کونوں کا فریم
• Rubrics and Generative AI: Towards Process-Based Assessment — روبرک معیارات جو تعامل کو گریڈ کریں، تیار شدہ شے کو نہیں