خودکار سوال سازی

اس صفحے پر

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

خودکار سوال سازی (AQG) — AI، خاص طور پر NLP اور بڑے زبان ماڈلز (LLMs)، کا استعمال تاکہ تعلیمی جانچ کے آئٹم (کثیر الانتخابی، مختصر جواب، خالی جگہ پُر کریں، کوڈنگ اور کارکردگی کے سوالات) ماخذ مواد یا سیکھنے کے مقاصد سے خودکار طور پر پیدا کیے جائیں۔ AQG بڑے پیمانے پر جانچ ممکن بناتا ہے — تکوینی کوئز، انطباقی مشقیں اور مشق کے آئٹم بناتا ہے — مگر معیار آئٹم کی قسم کے لحاظ سے ڈرامائی طور پر بدلتا ہے اور من گھڑت یا غلط کیلیبریٹ شدہ سوالات سے بچنے کے لیے تصدیق درکار ہے۔ یہ خودکار جانچ کا بنیادی جزو اور انطباقی سیکھنا اور ذاتی نوعیت کی سیکھنا کا اہم ممکن کنندہ ہے۔

غور کرنے کے لیے سوالات

خودکار سوال سازی ماخذ مواد سے بڑے پیمانے پر جانچ کے آئٹم بناتی ہے — مگر یہ صفحہ خبردار کرتا ہے کہ معیار آئٹم کی قسم کے لحاظ سے ڈرامائی طور پر بدلتا ہے۔ پڑھنے سے پہلے، آپ کے اندازے میں AI کون سی قسم سب سے قابلِ اعتماد طریقے سے بناتا ہے: کثیر الانتخابی، مختصر جواب، یا کوڈ — اور کیوں؟
مرکزی چیلنج معیار کا کنٹرول ہے: LLMs حقائق کے لحاظ سے غلط سوالات بنا سکتے ہیں۔ ایک پائپ لائن نے ”پیدا کریں پھر تصدیق و بہتری“ کا چکر شامل کر کے ہیلوسینیشن 62% کم کیا۔ آپ کے خیال میں AI سے اپنے ہی سوالات کی تصدیق کروانا اُنہیں بامعنی طور پر بہتر کیوں کرے گا، محض اپنی ہی پیداوار پر مہر لگانے کی بجائے؟
تحقیق دکھاتی ہے کہ پیدا شدہ سوالات نچلے درجے کی سوچ (یادداشت) کی طرف مائل ہو سکتے ہیں، جب تک اعلیٰ درجے کے نتائج کے لیے واضح طور پر ڈیزائن نہ کیے جائیں۔ اگر آپ AI سے مشق کے آئٹم بناتے تو آپ کیسے جان پاتے کہ وہ حقیقی فہم کی تربیت کر رہے ہیں یا محض رٹّہ لگوانے کی؟
مشکل کی کیلیبریشن اہم ہے: AI کے مشکل کے اندازے طلبہ کی کارکردگی سے مضبوط تعلق رکھتے ہیں، مگر صفحہ اونچے داؤ پر غلط استعمال سے خبردار کرتا ہے۔ ایسا سوال جسے AI ”درست مشکل“ کہے، کسی خاص سیکھنے والے سے پوچھنے کے لیے کب غلط سوال ہو سکتا ہے؟
رسائی کو مدنظر رکھنے والی پیداوار بہرے اور سماعت سے محروم سیکھنے والوں کے لیے ترتیب دیے گئے سوالات بناتی ہے، جنہیں ہدف برادری کی شراکت میں نکھارا جاتا ہے۔ یہ مثال کیا بتاتی ہے کہ سوال سازی کو محض تکنیکی یا صرف مواد کا مسئلہ کیوں نہیں سمجھا جا سکتا؟

تعارف

خودکار سوال سازی اِس لیے اہم ہے کہ جانچ کے آئٹم ہاتھ سے بنانا مہنگا ہے، اور AI اُنہیں تیزی سے اور بڑے پیمانے پر بنا سکتا ہے۔ تاہم، علمی ذخیرے کی تحقیق دکھاتی ہے کہ پیدا شدہ آئٹم کی درستگی، مطابقت اور مشکل کے لیے تصدیق ضروری ہے، اور مختلف آئٹم اقسام (MCQs، مختصر جواب، کوڈ) کی پیداوار کی قابلِ اعتمادی مختلف ہے۔ چنانچہ AQG جنریٹو AI، تعلیمی NLP اور تعلیمی پیمائش کے ملاپ پر کھڑا ہے۔

سوال سازی کے طریقے

علمی ذخیرے کی تحقیق کئی طریقے دکھاتی ہے:

پیدا کریں پھر تصدیق کریں کے خطوط: Generate-Then-Validate پیدا کریں → تصدیق → بہتری کا چکر متعارف کرواتا ہے جو براہِ راست پیداوار کے مقابلے LLM کے ہیلوسینیشن کو 62% کم کرتا ہے، STEM ڈیٹا سیٹوں پر 89% درستگی اور مطابقت میں 23% بہتری حاصل کرتا ہے۔ تصدیق کا مرحلہ غلط یا کم معیار کے آئٹم چھانٹتا ہے، اور ناکام آئٹم اصلاحی پرامپٹ کے ساتھ دوبارہ پیداوار کو متحرک کرتے ہیں۔
نالج ٹریسنگ پر مبنی پیداوار: KT4EQG نالج ٹریسنگ کی رہنمائی میں ذاتی نوعیت کی مشقی سوالات پیدا کرتا ہے، اور آئٹم کو ہر سیکھنے والے کی علمی حالت کے مطابق ڈھالتا ہے، عام سوالات بنانے کی بجائے۔
تشخیصی لیبل کے طور پر غلط فہمی سے بندھے ڈسٹریکٹر: CoLearn (ہی وغیرہ، 2026) ہر ڈسٹریکٹر کو ایک ہی کان سے نکالی گئی غلط فہمی سے جوڑتا ہے اور ٹھیک ایک درست آپشن نشان زد کرتا ہے، چنانچہ آئٹم اپنے تشخیصی اہداف کے ساتھ پیدا ہوتا ہے اور پھر بغیر کسی بڑے لینگویج ماڈلز (LLMs) کال کے قطعی طور پر گریڈ کیا جا سکتا ہے — مصنفین کی فعال تعیناتی پر تقریباً 7.6 سیکنڈ اور قریباً $0.005 فی راؤنڈ، جبکہ LLM سے گریڈ ہونے والے مختصر جواب کے راؤنڈ میں تقریباً 32 سیکنڈ اور $0.015۔ یہ بندھن اُتنا ہی اچھا ہے جتنا اُس کے پیچھے کے غلط فہمی کے لیبل، کیونکہ نکالی گئی AI کے بارے میں غلط فہمیاں ہدف غلط فہمیوں سے F1 ≈ 0.56 پر مطابقت رکھتی تھیں، اور اُس کے آئٹم کے انتخاب 0.72 مواقع پر واقعی کمزور مہارت کی خدمت کرتے تھے۔
علمی گہرائی سے آگاہ پیداوار: LLM سے پیدا شدہ سوالات کی علمی گہرائی کا جائزہ دیکھتا ہے کہ پیدا شدہ آئٹم اعلیٰ درجے کی سوچ (تخلیق، جانچ) کو چھوتے ہیں یا صرف رٹّے کو، اور Bloom کی درجہ بندی اور تعلیمی پیمائش سے جڑتا ہے۔
بار بار جانچ کے لیے غلطی سمائی ہوئی کیس مسائل: تاکاہاشی وغیرہ (2026) نے نئے درجہ بندی والے تشخیصی استدلال (HDR) کے مسائل بنائے — مختصر کیس جن میں جان بوجھ کر غلطیاں سمائی ہوتی ہیں جنہیں طلبہ کو ڈھونڈ کر بیان کرنا ہوتا ہے — اور پایا کہ GPT-4o کے لکھے آئٹم داخلی ہم آہنگی (دونوں کے لیے Cronbach's α = 0.78) اور مشکل میں انسانی لکھے آئٹم کے برابر رہے، اور Fisher کے عین آزمائشیں 100 شرکاء میں اسکور کی تقسیم کا کوئی نمایاں فرق نہ پا سکیں۔ یہ شکل اعلیٰ درجے کی سوچ کے تقاضے کو محدود جواب کے ساتھ جوڑتی ہے، چنانچہ جوابات یکجا ہو جاتے ہیں اور گریڈنگ قابلِ اعادہ بن جاتی ہے۔ جنریٹو محرک آئٹم کا دوبارہ استعمال ہے: ایک کیس دوبارہ استعمال کرنا یادداشت اور جواب کے دوبارہ استعمال کو دعوت دیتا ہے، جبکہ ساختی طور پر مساوی مگر سیاق میں مختلف پیدا شدہ کیس دوبارہ پیمائش میں آئٹم کے تعصب کو دباتے ہیں۔
تدریسی پائپ لائنیں: سلائیڈ ڈیک سوال و جواب کی پیداوار کورس کے مواد سے تدریسی طور پر درست سوال سازی کے لیے کئی مرحلوں والی پائپ لائن استعمال کرتی ہے۔
رسائی سے آگاہ پیداوار: چن وغیرہ بہرے اور سماعت سے محروم سیکھنے والوں کے لیے LLM سے چلنے والا سوال سازی نظام ڈیزائن کرتے ہیں، جس میں بصری اور جذباتی سوال کی حکمتِ عملیاں متعارف کروائی جاتی ہیں جو ویڈیو میں بصری یا جذباتی مشکل کے لمحات کو نشانہ بناتی ہیں، اور سوالات کو ہدف برادری کے ساتھ بار بار نکھارا جاتا ہے تاکہ لسانی رسائی یقینی ہو۔
RAG پر مبنی، انسان شامل چکر والے نظام: CODE-GEN ریٹریول سے بڑھی پیداوار کو انسان شامل چکر کے جائزے کے ساتھ جوڑتا ہے تاکہ کثیر الانتخابی جانچ بنائی جا سکے۔
بینچ مارک اور جانچ: NSMQ Riddles سوال سازی اور استدلال کے نظاموں کے جائزے کے لیے سائنسی/ریاضیاتی پہیلیوں کا بینچ مارک فراہم کرتا ہے۔

تصدیق اور معیار

AQG میں مرکزی چیلنج معیار کا کنٹرول ہے:

حل کا عمل جانچیں، صرف سوال نہیں: ProIQA دلیل دیتا ہے کہ آئٹم کے معیار کا جائزہ اُس کام کی پیروی کرنا چاہیے جو ماہر کرتا ہے — حل کی نقل — اور ہر آئٹم کے لیے LLM سے پیدا شدہ استدلال کا درخت بناتا ہے، جسے ریاضیاتی درستگی کے لیے 90.38–97.80% پر تصدیق کیا جاتا ہے، پھر اُس کی انحصاری ساخت کو گراف عصبی نیٹ ورک کے ساتھ محض سوال کے منظرنامے کے ساتھ رمز کرتا ہے۔ یہ دوسرے بہترین طریقے پر اوسط فائدے بتاتا ہے: تصور کی جانچ میں 7.5%، مشکل کے اندازے میں 6.3% اور قابلیت کی جانچ میں 19.5%، اور اُس کا خطا کا تجزیہ ایک قابلِ توجہ ناکامی کا نام دیتا ہے: منطقی طور پر درست مگر ساختی طور پر اتھلا استدلال کا درخت مشکل آئٹم کو آسان دکھا دیتا ہے۔
ہیلوسینیشن کا خطرہ: LLMs حقائق کے لحاظ سے غلط سوالات بنا سکتے ہیں۔ Generate-Then-Validate دکھاتا ہے کہ ایک مخصوص تصدیقی مرحلہ اِسے تیزی سے کم کرتا ہے، اور ہیلوسینیشن کا خطرہ پوری بحث میں تسلیم شدہ فکر ہے۔
مشکل کی کیلیبریشن: پیدا شدہ سوالات کو مناسب مشکل پر کیلیبریٹ کرنا ضروری ہے۔ مشکل کی کیلیبریشن کی تحقیق دکھاتی ہے کہ AI کے مشکل کے اندازے طلبہ کی کارکردگی سے مضبوط تعلق رکھتے ہیں (مثلاً rho ≈ −0.87)، جس سے بہتر آئٹم انتخاب ممکن ہوتا ہے — جبکہ اونچے داؤ پر غلط استعمال سے خبردار کرتی ہے۔ رضوی اور پاورز (2026) اِسے K-5 ریاضی اور پڑھائی کے آئٹم تک بڑھاتے ہیں (N = 5170) جنہیں Rasch IRT ماڈل کے تحت کیلیبریٹ کیا گیا: GPT-4o کے زیرو شاٹ مشکل کے درجے حقیقی مشکل کے ساتھ درمیانی سے مضبوط تعلق رکھتے تھے (r = 0.83 ریاضی، r = 0.81 پڑھائی) مگر جماعت کے لحاظ سے بدلتے تھے، جبکہ خصوصیات پر مبنی طریقہ — LLM سے نکالی گئی علمی اور لسانی خصوصیات جو درخت پر مبنی ماڈلز میں ڈالی جائیں — r = 0.87 تک تعلق تک پہنچا۔ مطالعے کی ساختی خصوصیات کا اخراج (مثلاً نحو کی پیچیدگی، علمی بوجھ، ڈسٹریکٹر کی چالاکی) اور اُس کا عملی سات مرحلوں والا ورک فلو پیدا شدہ آئٹم کیلیبریٹ کرنے کا سانچہ پیش کرتے ہیں، جبکہ ابتدائی جماعتوں میں دائرے کی تنگی کا پتہ اور عمومیت کے تحفظات اونچے داؤ پر استعمال سے روکتے ہیں۔
پیدا شدہ مشکل کے لیبل کیلیبریشن کی خطا نہیں بلکہ ساخت کی درستگی کی ناکامی ہو سکتے ہیں۔ 378 پیدا شدہ آئٹم میں ماڈل کے آسان/درمیانہ/مشکل لیبل اُن کے ساتھ پیدا شدہ Bloom سطح کے مطابق چلے (ρ=0.90) اور ظاہری شکل کے مطابق — اوسط سوال کی لمبائی 15.9 سے 22.1 پھر 30.2 الفاظ تک بڑھی — مگر 54 طلبہ کے 7,888 جوابات پر تجرباتی آئٹم مشکل سے تعلق صرف ρ=0.06 تھا، جو پیدا شدہ میٹا ڈیٹا کو جواب کے ڈیٹا کے خلاف کیلیبریٹ کرنے کی دلیل ہے، ساتھ پیدا شدہ ٹیگ پر بھروسہ کرنے کے خلاف (آن اور وانگ (2026)).
بڑے پیمانے پر نفسیاتی میدانی تصدیق: AI سے پیدا شدہ امتحانات کا جائزہ ایک بہتری کے چکر والی AQG پائپ لائن (پیدا کریں→جانچیں→نظرثانی، Self-Refine انداز) کی 91 حقیقی کالج کلاسوں (~1,686 طلبہ) میں تصدیق کرتا ہے۔ Bayesian درجہ بندی والا 2PL IRT تجزیہ دکھاتا ہے کہ AI سے پیدا شدہ سوالات ماہر کے لکھے معیاری امتحان کے آئٹم کے برابر کارکردگی دیتے ہیں — کچھ آسان (β̄ = −0.45 بمقابلہ 0.35) مگر ذرا زیادہ امتیازی (ᾱ = 1.3 بمقابلہ 1.2)، اور زیادہ بلند امتحانی معلومات کے ساتھ (قابلِ اعتمادی 0.79 بمقابلہ 0.72) — جو ثابت کرتا ہے کہ AQG بڑے پیمانے پر کورس کے مطابق، نفسیاتی طور پر درست جانچ پیدا کر سکتا ہے۔
اوسط نفسیاتی برابری آئٹم کی سطح کی کمیوں کو چھپا سکتی ہے: طبی تعلیم کی 153 رپورٹوں کے ایک دائرہ کار جائزے نے پایا کہ AI کی آئٹم پیداوار کبھی انسانی مشکل اور امتیاز کے برابر رہی، مگر ایک فعلیات کے موازنے میں 40 میں سے صرف 9 ChatGPT آئٹم تمام مثالی معیار پر پورے اترے، جبکہ فیکلٹی کے 40 آئٹم میں 19 پورے اترے (ژاؤ وغیرہ (2026)).
زندہ امتحان میں پہچان، اور جائزہ واقعی کیا ہٹاتا ہے: ووگٹ وغیرہ (2026) نے 30 AI سے پیدا شدہ اور 30 قومی لائسنسنگ امتحان کے MCQs ایک گریڈ ہونے والے ٹیبلٹ امتحان میں رکھے جو 119 پانچویں سال کے طبی طلبہ نے دیا، جہاں AI آئٹم ChatGPT-4o اور Gemini 1.5 Pro نے کورس کے اپنے مواد سے تیار کیے، ایک ماہر پینل کے ذریعے جس نے اُن میں سے 82% قبول کیے اور 18.2% ناقابلِ استعمال قرار دے کر خارج کیے۔ طلبہ کی ماخذ کی نسبت دونوں قسم کے آئٹم میں مختلف نہ تھی، اور آئٹم کی مشکل، ڈسٹریکٹر کی تقسیم اور نصاب سے سمجھی جانے والی مطابقت شماریاتی طور پر الگ نہ تھیں — یہ پہچان کا نتیجہ ہے، معیار کا نتیجہ نہیں، اور یہی وجہ ہے کہ مصنفین ورک فلو کے فائدے کو اساتذہ کی محنت کو مسودہ سازی سے جائزے کی طرف منتقل کرنا کہتے ہیں، اُسے ختم کرنا نہیں۔ ایک تلاشی فرق باقی رہا: Gemini کے آئٹم لائسنسنگ امتحان کے آئٹم سے مشکل تھے (p = 0.028)، جبکہ ChatGPT کے آئٹم نہیں (p = 0.984)۔
کام پر انحصار: پیداوار کی قابلِ اعتمادی آئٹم کی قسم کے لحاظ سے بدلتی ہے۔ مختصر جواب کی گریڈنگ اور تجزیاتی تحریری جانچ دکھاتے ہیں کہ کھلے جواب اور تحریری آئٹم بنانا اور قابلِ اعتماد طریقے سے گریڈ کرنا ساختی آئٹم سے مشکل ہے۔
علمی معیار: علمی گہرائی کا جائزہ دکھاتا ہے کہ پیدا شدہ آئٹم نچلے درجے کی سوچ کی طرف مائل ہو سکتے ہیں، جب تک اعلیٰ درجے کے نتائج کے لیے واضح طور پر ڈیزائن نہ کیے جائیں۔
علمی سطح کا خودکار لیبل لگانا پیدا شدہ آئٹم پر منتقل نہیں ہوتا۔ منتخب آئٹم بینک پر تربیت یافتہ Bloom درجہ بندی کا درجہ بند کنندہ AI سے پیدا شدہ سوالات پر ڈھیر ہو گیا — macro F1 تقسیم کے اندر 0.88 سے باہر 0.48 اور 0.20 پر آ گیا — کیونکہ پیدا شدہ آئٹم اوسطاً کہیں زیادہ الفاظ رکھتے ہیں (18.2 بمقابلہ 9.3) اور منتخب ذخیرے کے ساتھ اپنے Bloom محرک افعال کا صرف درمیانی 10.5% مشترک رکھتے ہیں، جبکہ قریب تر مجموعے کے لیے یہ 35.1% ہے؛ لیبل شدہ تقسیم سے باہر ڈیٹا پر دوبارہ تربیت سب سے بڑا واحد فائدہ تھی، تقریباً N > 1,000 لیبل شدہ نمونوں کی حد پر (کاستاناریس وغیرہ، 2026)۔

انطباقی اور ذاتی نوعیت کی سیکھنے میں کردار

AQG انطباقی اور ذاتی نوعیت کی سیکھنے کا اہم ممکن کنندہ ہے: یہ وہ بڑے آئٹم بینک بناتا ہے جن سے انطباقی ٹیوٹر استفادہ کرتے ہیں، اور — نالج ٹریسنگ یا طلبہ کی ماڈلنگ کے ساتھ مل کر — انفرادی سیکھنے والوں کی علمی حالتوں کے مطابق آئٹم پیدا کر سکتا ہے (KT4EQG)۔ دلچسپی پر مبنی ذاتی نوعیت دکھاتی ہے کہ AQG سوالات کو صرف مشکل ہی نہیں بلکہ طلبہ کی دلچسپیوں کے مطابق بھی ڈھال سکتا ہے۔

تعلیم میں AI کے لیے مضمرات

پیدا کریں پھر تصدیق کریں: ہیلوسینیشن کے کنٹرول اور مطابقت کی یقین دہانی کے لیے پیداوار کو ہمیشہ تصدیق/بہتری کے مرحلے کے ساتھ جوڑیں۔
آئٹم کی قسم کو قابلِ اعتمادی سے ملائیں: AQG ساختی آئٹم اقسام (MCQ، خالی جگہ پُر کریں، کوڈ) کے لیے استعمال کریں جہاں یہ سب سے زیادہ قابلِ اعتماد ہے، اور کھلے جواب اور تحریری آئٹم پر محتاط تصدیق کریں۔
علمی گہرائی کے لیے ڈیزائن کریں: پرامپٹ اور پائپ لائنوں کو اعلیٰ درجے کی سوچ کو نشانہ بنانا چاہیے، صرف یادداشت کو نہیں، تاکہ حقیقی سیکھنے کی حمایت ہو۔
مشکل کیلیبریٹ کریں: AI کے مشکل کے اندازے مناسب چیلنج والے آئٹم چننے کے لیے استعمال کریں، اور اونچے داؤ پر استعمال سے پہلے مضبوط تصدیق کریں۔
سیکھنے والے کے ماڈل سے ذاتی بنائیں: AQG کو نالج ٹریسنگ اور دلچسپی کے ماڈلز کے ساتھ جوڑ کر انطباقی، انفرادی آئٹم پیدا کریں۔

عام غلط فہمیاں

”پیدا شدہ سوالات اُس پیمانے پر قابلِ استعمال ہیں جتنے بنائے جا سکتے ہیں۔“ حجم پابندی نہیں، کیلیبریشن ہے۔ معیار آئٹم کی قسم کے لحاظ سے ڈرامائی طور پر بدلتا ہے اور من گھڑت یا غلط کیلیبریٹ شدہ آئٹم سے بچنے کے لیے تصدیق درکار ہے، یہی وجہ ہے کہ کامیاب پائپ لائنیں اپنی محنت تصدیق پر صرف کرتی ہیں، پیداوار پر نہیں — ایک نے ”پیدا کریں پھر تصدیق و بہتری“ کا چکر شامل کر کے ہیلوسینیشن 62% کم کیا۔

”بہتری کا چکر پیدا شدہ آئٹم کو قابلِ بھروسہ بنا دیتا ہے۔“ یہ اُنہیں کم غلط بناتا ہے۔ ہیلوسینیشن میں 62% کمی ایک خاصا باقی ماندہ چھوڑ دیتی ہے، اور کوئی چکر اِس مشکل تر سوال کو حل نہیں کرتا کہ آئٹم کی بیان کردہ مشکل اُس سے میل کھاتی ہے یا نہیں جو طلبہ واقعی کرتے ہیں — یہی درستگی کا سوال ہے جس پر مشکل کے لیبل کے شواہد پیدا شدہ میٹا ڈیٹا کو ناکام دکھاتے ہیں۔ تصدیق من گھڑت مواد کم کرتی ہے؛ کیلیبریشن کے لیے طلبہ کے جواب کا ڈیٹا درکار ہے۔

”سوال سازی فطری طور پر مشق کو ذاتی بناتی ہے۔“ یہ رسد پیدا کرتی ہے، اور ذاتی نوعیت ایک مطابقت کا مسئلہ ہے۔ زیادہ آئٹم بنانا یہ نہیں بتاتا کہ کسی سیکھنے والے کو اگلا کون سا آئٹم دیکھنا چاہیے، اور انطباقی انتخاب کا سوال ایک الگ طریقہ کار ہے جس کے اپنے شواہد ہیں۔

”پیداوار جانچ کو بڑھاتی ہے بغیر یہ بدلے کہ جانچ کیا ناپتی ہے۔“ یہ اِس کی ترکیب بدل دیتی ہے کہ کیا ناپا جاتا ہے، کیونکہ جو آئٹم اچھی طرح پیدا ہوتے ہیں وہ اُن آئٹم کا نمائندہ نمونہ نہیں جو اچھی طرح جانچتے ہیں۔ آسانی سے پیدا ہونے والی شکلیں آہستہ آہستہ مشکل سے پیدا ہونے والیوں کو پیچھے دھکیل دیں گی، جو خاموشی سے ساخت کو نئے سانچے میں ڈھال دیتا ہے۔

منسلک تصورات

منسلک مضامین

Generative artificial intelligence and the transformation of medical education: a scoping review — AI آئٹم پیداوار بمقابلہ فیکلٹی آئٹم کے معیار پر طبی تعلیم کی 153 رپورٹوں کا دائرہ کار جائزہ
Assessing the Quality of AI-Generated Exams: A Large-Scale Field Study — IRT کے ذریعے AI سے پیدا شدہ امتحان کے معیار کی بڑے پیمانے پر میدانی تصدیق
Generate-Then-Validate: Question Generation for Education — پیدا کریں پھر تصدیق کریں والی سوال سازی
KT4EQG: Personalized Exercise Question Generation via Knowledge Tracing — نالج ٹریسنگ کے ذریعے ذاتی نوعیت کی سوال سازی
Exploring the Design of LLM-Powered Question Generation for Deaf and Hard of Hearing Learners — بہرے اور سماعت سے محروم سیکھنے والوں کے لیے LLM سے چلنے والی سوال سازی
From Memorization to Creation: Evaluating the Cognitive Depth of LLM-Generated Educational Questions — LLM سے پیدا شدہ سوالات کی علمی گہرائی
Slide Deck Q&A Quality Assurance App: A Multi-Stage Pipeline for Pedagogical Question Generation — سلائیڈ ڈیک سوال و جواب کی تدریسی سوال سازی
CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation — CODE-GEN: RAG پر مبنی، انسان شامل چکر والی سوال سازی
NSMQ Riddles: A Benchmark of Scientific and Mathematical Riddles for Quizzing Large Language Models — NSMQ Riddles بینچ مارک
Taklif.AI: LLM-Powered Platform for Interest-Based Personalized College Assignments — دلچسپی پر مبنی ذاتی نوعیت کے اسائنمنٹ
From Evaluated Models to Evaluation Aids: A Multi-Evidence Study of LLM-Based Difficulty Calibration for Programming Examinations — LLM پر مبنی مشکل کی کیلیبریشن
Towards Self-Referential Analytic Assessment: A Profile-Based Approach to L2 Writing Evaluation with LLMs — خود حوالہ جاتی تجزیاتی تحریری جانچ
Cross-Dataset Bloom Question Classification: Supervised Models and Prompted LLMs — بین ڈیٹا سیٹ Bloom سوال کی درجہ بندی
Are LLM-based Chatbots Good Enough to Support Computer Science Students in Multiple-Choice Exercises? — LLM چیٹ بوٹس اور CS کثیر الانتخابی آئٹم
The Theoretical Foundation of Socratic Tests: Dynamic, Multimodal, Conversational Examinations — سقراطی آزمائشیں: مکالماتی جانچ
What out-of-the-box LLMs can(t) do in law? A Turing test in Italian exams for lawyers, judges and notaries — قانونی امتحانات میں LLM ٹیورنگ ٹیسٹ
Estimating Item Difficulty Using Large Language Models and Tree-Based Machine Learning Algorithms — LLMs اور درخت پر مبنی ML سے آئٹم کی مشکل کا اندازہ
ProIQA: A Process-Based Framework for Fine-Grained Math Item Quality Assessment — ProIQA: عمل پر مبنی ریاضی آئٹم کے معیار کا جائزہ
CoLearn: An Agentic Tutor that Learns its Learner in a Human-AI Co-Learning Loop — CoLearn: ایک ایجنٹک ٹیوٹر جو انسان-AI شریک سیکھنے کے چکر میں اپنے سیکھنے والے کو سیکھتا ہے
Automating Constructive Assessment with Large Language Models: Toward Scalable and Repeated Evaluation of Practical Competence — بڑے زبان ماڈلز کے ساتھ تعمیری جانچ خودکار کرنا: عملی قابلیت کی قابلِ توسیع اور بار بار جانچ کی طرف
Student Use of LLMs and the Limits of AI-Generated Question Difficulty in Data Science Courses — ڈیٹا سائنس کورسوں میں LLMs کا طلبہ کا استعمال اور AI سے پیدا شدہ سوال کی مشکل کی حدود
Evaluation of pre-trained models for pedagogical assessment of novel AI-assisted educational questions — نئے AI کی معاونت والے تعلیمی سوالات کی تدریسی جانچ کے لیے پہلے سے تربیت یافتہ ماڈلز کا جائزہ
Can students identify AI? – A cross-sectional quantitative study about AI recognition in tablet-based MCQ assessment among fifth-year undergraduate medical students at Saarland University, Germany — طلبہ گریڈ ہونے والے امتحان میں AI سے پیدا شدہ MCQs اور لائسنسنگ امتحان کے آئٹم میں فرق نہ کر سکے، اور پیدا شدہ آئٹم میں سے 18.2% جائزے میں خارج ہوئے (Vogt et al. 2026)

میٹا ڈیٹا

ٹیکنالوجیز اور طریقے	انطباقی سیکھنا, تعلیمی NLP, جنریٹو AI, بڑے لینگویج ماڈلز (LLMs), ذاتی نوعیت کی سیکھنا
جانچ اور پیمائش	جانچ, خودکار جانچ, خودکار سوال سازی, تعلیمی پیمائش, تشکیلی جانچ
تحقیقی طریقے اور جائزہ	تعلیم میں AI کی تشخیص
صفحے کی قسم	Evaluation

ذریعہ تاریخچہ ترمیم کریں گفتگو