علمی نفسیات

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

علمی نفسیات / علمی نظریہ — اُن نظریات کا خاندان جو سیکھنے کی وضاحت صرف قابلِ مشاہدہ رویے سے نہیں بلکہ اندرونی ذہنی عمل سے کرتے ہیں — توجہ، ادراک، یادداشت، استدلال اور میٹا کوگنیشن۔ تعلیم میں AI میں علمی مفروضے میدان کی سب سے مخصوص شراکتوں کی بنیاد ہیں: ذہین ٹیوٹرنگ نظام جو سیکھنے والے کے علم کی ماڈلنگ کرتے ہیں، نالج ٹریسنگ اور علمی تشخیص جو سراغ لگاتے ہیں کہ سیکھنے والا کیا جانتا ہے، غلطی کی تشخیص پر ٹکے فیڈبیک ڈیزائن، اور پورا سیکھنے والے کی ماڈلنگ اور انطباقی تدریس خاندان۔ علمی نظریہ رویہ پرستی (سیکھنا بطور رویے کی تبدیلی) اور تعمیریت (سیکھنا بطور فعال معنی سازی) کے درمیان درمیانی زمین ہے، اور یہ اُس نظریاتی عدسے سے سب سے زیادہ قریب ہے جو ذہن کے کمپیوٹر استعارے سے جڑا ہے، جس نے ابتدائی AIED کو حرکت دی۔

غور کرنے کے لیے سوالات

• جب آپ 'سیکھنے' کے بارے میں سوچتے ہیں تو کیا آپ کے ذہن میں یہ آتا ہے کہ کوئی کیا کرتا ہے اُس میں تبدیلی، یا یہ کہ وہ کیا جانتا ہے اور یاد کر سکتا ہے اُس میں تبدیلی؟ یہ فرق آپ کے اِس فیصلے کو کیسے بدل سکتا ہے کہ کوئی AI ٹیوٹرنگ ٹول واقعی کام کرتا ہے یا نہیں؟
• AI ٹیوٹرنگ 'کمپیوٹر استعارے' پر بنی ہے — ذہن کو یادداشت کی حدود والا معلوماتی عمل کا نظام سمجھنا۔ یہ استعارہ کہاں طاقتور محسوس ہوتا ہے، اور کہاں یہ انسانوں کی سیکھنے کے بارے میں کوئی اہم بات کھو سکتا ہے؟
• ایک AI ٹول کسی کام کو بے محنت بنا دیتا ہے: وہ اگلا قدم سمجھا دیتا ہے، رکاوٹ کم کرتا ہے، اور سیکھنے والا اُسے استعمال کرتے ہوئے شاندار کارکردگی دکھاتا ہے۔ کیا یہ کامیاب تدریس شمار ہوتا ہے؟ آپ کیسے جانیں گے کہ سیکھنے والا اب ٹول کے بغیر یہ کر سکتا ہے؟
• علمی بوجھ کا نظریہ اندرونی، غیر ضروری اور متعلق بوجھ میں فرق کرتا ہے۔ اگر آپ کوئی AI معاون ڈیزائن کر رہے ہوتے تو آپ کس قسم کا بوجھ جان بوجھ کر کم کرنے کی کوشش کرتے، اور کسے ہٹانے سے احتیاط کرتے کہ ہٹائیں نہیں؟
• اگر سیکھنے والا جانتا ہے کہ وہ یادداشت اور استدلال کا بوجھ AI پر ڈال سکتا ہے، تو یہ کب ہوشیار حکمتِ عملی ہے اور کب ایسا شارٹ کٹ جو خاموشی سے سیکھنے کو روک دیتا ہے؟ فرق کیا چیز طے کرتی ہے؟
• علمی نظریہ فرض کرتا ہے کہ علم کو اجزاء میں تقسیم کیا جا سکتا ہے اور وقت کے ساتھ سراغ لگایا جا سکتا ہے۔ جب ہم سیکھنے والے کی فہم کو قابلِ سراغ علمی اجزاء کے ایک مجموعے تک محدود کر دیتے ہیں تو کیا کھو سکتا ہے؟

تعارف

علمی نفسیات وہ سیکھنے کا نظریاتی رُجحان ہے جو سیکھنے کو اندرونی ذہنی نمائندوں — یادداشت میں رکھے تصورات، اسکیما اور طریقہ ہائے کار — میں تبدیلی سمجھتا ہے، نہ کہ قابلِ مشاہدہ رویے میں تبدیلی۔ اُس کی معلوماتی عمل کی اصطلاحات (توجہ، انکوڈنگ، بازیافت، محدود کام کرنے والی یادداشت) نے سیکھنے کی دشواری کے لیے تشخیصی زبان اور ذہین ٹیوٹرنگ و نالج ٹریسنگ کے پیچھے معماری، دونوں فراہم کیں: ایسے نظام جو سیکھنے والے کی اندرونی حالت کا اندازہ لگا کر اُس کے مطابق ڈھلتے ہیں۔ یہ اِس علمی ذخیرے میں میٹا کوگنیشن، فائدہ مند مشکلات اور خود ضابطگی والی سیکھنا کے لیے حوالہ جاتی ڈھانچہ بنا ہوا ہے۔

Su وغیرہ (2026) نے سائنس کی ویڈیوز کے دوران سیکھنے والوں کے EEG سے تصاویر دوبارہ بنائیں اور پایا کہ نمائندگی کی وفاداری امتحان کی کارکردگی کا سراغ لگاتی ہے (regression coefficient 0.8481، R² = 0.79) — یہ براہِ راست شہادت کہ اندرونی نمائندگی کا پیمانہ انکوڈنگ کی نشان دہی کر سکتا ہے

بنیادی خیالات

• سیکھنا اندرونی ذہنی نمائندوں میں تبدیلی ہے۔ علمی نظریہ کہتا ہے کہ سیکھنے میں یادداشت میں علم کا حصول، ذخیرہ اور دوبارہ ترتیب شامل ہے — تصورات، اسکیما اور طریقہ ہائے کار — نہ کہ صرف قابلِ مشاہدہ ردِ عمل میں تبدیلی۔ اہم یہ ہے کہ سیکھنے والا کیا جانتا اور یاد کر سکتا ہے، نہ کہ صرف وہ کیا کرتا ہے۔
• معلوماتی عمل (کمپیوٹر) کا استعارہ۔ ذہن کو ایک معلوماتی عمل کا نظام سمجھا جاتا ہے جس کی صلاحیتیں اور رکاوٹیں ہیں — پوشیدہ صلاحیت کی پیمائش، کام کرنے والی یادداشت کی حدود، انکوڈنگ اور بازیافت — اور یہی وہ ماڈل ہے جس نے AI ٹیوٹرنگ (ایک کمپیوٹر پروگرام جو سیکھنے والے کے ادراک کی ماڈلنگ کر کے اُس کے مطابق ڈھلتا ہے) کو قدرتی مطابقت بنا دیا۔
• توجہ اور یادداشت محدود ہیں۔ کام کرنے والی یادداشت کی گنجائش محدود ہے؛ پائیدار سیکھنے کے لیے دہرائی، توسیع اور بازیافت کی مشق کے ذریعے طویل مدتی یادداشت میں انکوڈنگ درکار ہے۔ یہ علمی نظریے کو تحقیق سے جوڑتا ہے جو علمی بوجھ اتارنا (یادداشت/عمل کو بیرونی آلات پر منتقل کرنا) اور "کارکردگی–سیکھنے کے خلا" سے جوڑتا ہے، جو اُس وقت پیدا ہوتا ہے جب AI بازیافت اور مشق کو نظر انداز کر دیتا ہے۔
• میٹا کوگنیشن ادراک کو ضابطہ دیتا ہے۔ میٹا کوگنیشن — اپنی سوچ کی نگرانی اور کنٹرول — واضح طور پر علمی تعمیر ہے، اور یہ بتاتا ہے کہ سیکھنے والوں کا اِس بات کی کیلیبریشن کیوں اہم ہے کہ کب AI پر بھروسہ کریں (دیکھیں علمی بوجھ اتارنا اور خود ضابطگی والی سیکھنا)۔
• علم قابلِ تقسیم اور قابلِ سراغ ہے۔ علمی AIED فرض کرتا ہے کہ سیکھنے والے کے علم کو اجزاء کے طور پر پیش کیا جا سکتا ہے اور وقت کے ساتھ سراغ لگایا جا سکتا ہے — یہ نالج ٹریسنگ، علمی تشخیص اور آئٹم رسپانس تھیوری کی بنیاد ہے۔ قابلِ سراغ ہونا بھی ایک اسکورنگ قاعدہ ہے۔ نالج ٹریسنگ کے چار تازہ کاری قواعد ایک ہی ASSISTments واقعاتی ترتیبوں پر چلائے گئے: کسی بھی مدد یافتہ تکمیل کو کریڈٹ کرنے نے 93.9% طالب علم-مہارت جوڑوں کو مہارت یافتہ قرار دیا، جبکہ مدد یافتہ سطروں کو ناکام پہلی کوشش پڑھنے پر 72.8% رہے۔ نرم قاعدے نے جن جوڑوں کو جلدی مہارت یافتہ کہا، وہ بعد میں 0.709 بغیر مدد درستگی تک پہنچے، جبکہ جہاں قواعد متفق تھے وہاں 0.857 رہی (Srivastava, 2026)۔ ماڈل صرف اُسی چیز کا سراغ لگاتا ہے جسے شہادت کا قاعدہ گننے دیتا ہے۔

علمی نظریہ اور تعلیم میں AI

AIED کا علمی نسب

علمی نظریہ شاید وہ نظریہ ہے جس کا تعلیم میں AI کے وجود کا سب سے زیادہ سہرا ہے۔ ابتدائی علمی ٹیوٹرز (مثلاً Anderson کے ACT-R پر مبنی ٹیوٹرز) نے اِس مفروضے کو مجسم کیا کہ سیکھنے کی ماڈلنگ production rules کے طور پر کی جا سکتی ہے اور نظام اِس کا سراغ لگا سکتا ہے کہ سیکھنے والے نے کون سے قواعد پر مہارت حاصل کی۔ اِس سے وہ معیاری معماری پیدا ہوئی جو آج بھی میدان کی تعریف کرتی ہے: ایک ڈومین ماڈل، ایک طلبہ کا ماڈل جو سیکھنے والے کی علمی حالت کا سراغ لگاتا ہے، اور ایک تدریسی ماڈل جو تدریس کو ڈھالتا ہے — یہ سب اصل میں علمی ہیں۔ جدید نالج ٹریسنگ (Bayesian، ڈیپ لرننگ اور IRT پر مبنی) اور علمی تشخیص اِسی روایت کو آگے بڑھاتے ہیں۔ یہی مفروضہ ذہین ٹیوٹرنگ، انطباقی سیکھنا اور ذاتی نوعیت کی سیکھنا کی بنیاد بھی ہے، جو علمی ذخیرے میں سیکھنے والے کی ماڈلنگ اور انطباقی تدریس کی چھتری کے نیچے رکھے گئے ہیں۔

علمی بوجھ اور تدریس کا ڈیزائن

علمی بوجھ کا نظریہ (CLT) تدریسی ڈیزائن میں سب سے زیادہ استعمال ہونے والا علمی فریم ورک ہے: یہ اندرونی بوجھ (کام کی پیچیدگی)، غیر ضروری بوجھ (پیشکش کی رکاوٹ) اور متعلق بوجھ (اسکیما بنانے کی کوشش) میں فرق کرتا ہے۔ اچھی طرح ڈیزائن کیا گیا AI غیر ضروری بوجھ کم کرے مگر متعلق عمل کو بچائے رکھے؛ ناقص طور پر ضم شدہ AI تینوں کو کم کر دیتا ہے اور مکمل کیے گئے کاموں میں خالی سیکھنا چھوڑ دیتا ہے۔ CLT کا کام کرنے والی یادداشت کا ڈھانچہ علمی بوجھ اتارنا کی بحثوں میں بھی مرکزی ہے — کہ آیا AI نقصان دہ غیر ضروری بوجھ کم کرتا ہے یا اُس متعلق عمل کو کاٹ دیتا ہے جو سیکھنے کو جنم دیتا ہے۔

بوجھ نے یہ دکھایا کہ کوشش کیسے منظم ہوئی، یہ نہیں کہ کتنی خرچ ہوئی: GenAI کے ساتھ سبق کے منصوبے ڈیزائن کرنے والے 67 قبل از خدمت اساتذہ میں، زیادہ معیار والا گروہ رپورٹ شدہ کوشش میں مختلف نہ تھا (2.85 بمقابلہ 3.26) مگر اُس نے کم ذہنی طلب (3.09 بمقابلہ 4.03) اور کم مایوسی (2.12 بمقابلہ 3.82) رپورٹ کی (Fang وغیرہ (2026))۔

Mayer کا کثیرالوسائط سیکھنے کا علمی نظریہ (CTML) وہی کام کرنے والی یادداشت کے مفروضے خود مواد پر لاگو کرتا ہے، اور اُس کی ہدایات غیر معمولی طور پر ٹھوس ہیں: سیکھنے والے صرف الفاظ کے بجائے الفاظ اور تصاویر سے بہتر سیکھتے ہیں، جب غیر ضروری مواد خارج ہو، جب سبق حصوں میں تقسیم ہو اور صارف کی رفتار سے چلے نہ کہ ایک مسلسل اکائی کے طور پر پیش ہو، جب متعلق الفاظ اور تصاویر قریب اور ایک ہی وقت میں آئیں، اور جب راوی کی آواز مکالماتی اور دوستانہ انسانی ہو نہ کہ رسمی یا مشین سے پیدا کردہ۔

علمی نظریہ بمقابلہ رویہ پرستی اور تعمیریت

• رویہ پرستی کے مقابلے میں: رویہ پرستی سیکھنے کی وضاحت انعام اور مشق کے ذریعے قابلِ مشاہدہ رویے کی تبدیلی سے کرتی ہے؛ علمی نظریہ اندرونی نمائندوں پر اصرار کرتا ہے اور ذہنی حالتوں کا سراغ لگاتا ہے۔ AI کے عمل میں اکثر "نام میں تعمیریت، عمل میں رویہ پرستی" کا خلا نظر آتا ہے، مگر علمی ڈیزائن (طلبہ کی ماڈلنگ، نالج ٹریسنگ) خالص رویہ پرست مشق اور فیڈبیک سے مختلف ہیں کیونکہ وہ سیکھنے والے کے اندازہ شدہ علم کی نمائندگی کر کے اُس کے مطابق ڈھلتے ہیں، نہ کہ صرف جوابوں کو تقویت دیتے ہیں۔
• تعمیریت کے مقابلے میں: تعمیریت کہتی ہے کہ سیکھنے والے تجربے کے ذریعے معنی فعال طور پر تعمیر کرتے ہیں؛ علمی نظریہ (اکثر پیشگی ڈھانچے والے) علم اور مہارت کی درست انکوڈنگ پر زور دیتا ہے۔ AIED کے علمی نسب (منظم ڈومین، واضح علمی اجزاء) کو تعمیریت پسند کبھی کبھی ضرورت سے زیادہ رویہ پرست یا زیادہ ترسیلی قرار دیتے ہیں، جبکہ علمی نظریہ جواب دیتا ہے کہ علم کی نمائندگی اور سراغ لگانا ہی واقعی انطباقی تدریس کو ممکن بناتا ہے۔
• سیکھنے کی سائنسز کے مقابلے میں: علمی نظریہ وہ میکانیزم فراہم کرتا ہے جن سے وہ میدان ڈیزائن کرتا ہے — کام کرنے والی یادداشت، انکوڈنگ، بازیافت، قابلِ تقسیم علمی اجزاء — مگر خود ڈیزائن پر مبنی نہیں۔ یہ بتاتا ہے کہ سیکھنا کیسے ہوتا ہے؛ سیکھنے کی سائنسز پوچھتی ہیں کہ ایسے ماحول کیسے بنائیں جن میں یہ ہو، اور اُن ڈیزائنوں کو تجرباتی جانچ پر پرکھتی ہیں۔

AI کے دور کی کشمکش: علمی نظریے کی حد دباؤ میں ہے

جنریٹو AI علمی نظریے کو بیک وقت وسیع اور چیلنج کرتا ہے۔ یہ اُسے اِس طرح وسیع کرتا ہے کہ علم کی نمائندگیں زیادہ طاقتور بناتا ہے (LLM بطور علمی انجن جن کا نالج ٹریسنگ سے سراغ لگایا جا سکتا ہے اور طالب علم کی ماڈلنگ اور انطباقی تدریس سے انطباق کیا جا سکتا ہے)۔ یہ اُسے اِس طرح چیلنج کرتا ہے کہ یہ الجھا دیتا ہے کہ ادراک "کہاں ہے": جب AI استدلال، یادداشت اور حتیٰ کہ میٹا کوگنیشن جیسے کام انجام دیتا ہے، تو یہ علمی مفروضہ کہ سیکھنا فرد کے ذہن میں اندرونی عمل ہے، ڈگمگا جاتا ہے — جیسا کہ تقسیم شدہ ادراک، ہم ضابطگی اور ما بعد انسانی ڈھانچے دلیل دیتے ہیں کہ ادراک انسانی اور مصنوعی نظاموں میں تقسیم ہو سکتا ہے۔ پھر بھی علمی سوال میدان کا مرکزی سوال رہتا ہے: کیا سیکھنے والا علم کو اندرونی بنا لیتا ہے، یا ٹول اُسے تھامے رکھتا ہے؟ یہ علمی منتقلی اور کارکردگی–سیکھنے کے خلا کا سوال اپنی خالص ترین شکل میں ہے۔

ڈیزائن اور تحقیق کے لیے مضمرات

1. اندرونی بنانے کے لیے ڈیزائن کریں، صرف کارکردگی کے لیے نہیں۔ علمی AIED کی جانچ اِس بات پر ہونی چاہیے کہ سیکھنے والا ٹول کے بغیر علم یاد کر اور لاگو کر سکتا ہے یا نہیں — مدد یافتہ کارکردگی پر نہیں۔ یہ کارکردگی–سیکھنے کا خلا ہے اور بغیر مدد منتقلی ناپنے کی دلیل۔
2. سیکھنے والے کی نمائندگی کریں، صرف جواب نہ دیں۔ AI کے مکالمے کے ساتھ منظم طالب علم کی ماڈلنگ اور انطباقی تدریس اور نالج ٹریسنگ جوڑیں تاکہ نظام روانی سے مگر آنکھیں بند کر کے جواب دینے کے بجائے اندازہ شدہ علم کے مطابق ڈھلے۔(EduClaw-Bench: A Long-Horizon Benchmark for Pedagogical LLM Agents with Simulated Learners)
3. کام کرنے والی یادداشت کی حدود کا احترام کریں۔ AI کے صارف تجربے پر علمی بوجھ کا نظریہ لاگو کریں: غیر ضروری بوجھ (رکاوٹ، بوجھل انٹرفیس) کم کریں مگر متعلق عمل (نتیجہ خیز جدوجہد، بازیافت کی مشق) بچائیں، ہر علمی طلب کو کم سے کم کرنے کے بجائے۔
4. میٹا کوگنیشن کی کیلیبریشن کریں۔ چونکہ میٹا کوگنیشن طے کرتا ہے کہ سیکھنے والے کب بوجھ منتقل کرنے کا انتخاب کرتے ہیں، کیلیبریشن سکھانا (یہ جاننا کہ بغیر مدد کے واقعی کیا کر سکتے ہیں) حد سے زیادہ انحصار کا علمی جواب ہے (دیکھیں علمی بوجھ اتارنا)۔

عام غلط فہمیاں

• "ذہنی نمائندگیاں ناقابلِ مشاہدہ ہیں، لہٰذا سیکھنے کے بارے میں علمی دعوے محض مفروضے ہیں۔" سائنس ویڈیوز کے دوران سیکھنے والوں کے EEG سے تصاویر دوبارہ بنانے پر پایا گیا کہ نمائندگی کی وفاداری امتحان کی کارکردگی کا سراغ لگاتی ہے (regression coefficient 0.8481، R² = 0.79)۔ اندرونی نمائندگی کا علمی مفروضہ قابلِ پیمائش ہے، اور اُس پیمائش نے نتیجے کی پیش گوئی کی۔
• "زیادہ R² کا مطلب ہے کہ نمائندگی سیکھنے کی وضاحت کرتی ہے۔" R² = 0.79 اُسی مواد پر وفاداری اور کارکردگی کے درمیان ایک مضبوط تعلق ہے۔ یہ ثابت نہیں کرتا کہ وفاداری بڑھانے سے کارکردگی بڑھتی ہے، اور یہی مداخلت کا دعوی ہے۔
• "علمی اجزاء محض ماڈلنگ کی سہولت بخش افسانہ ہیں۔" قابلِ تقسیم ہونا ہی نالج ٹریسنگ اور علمی تشخیص کو ممکن بناتا ہے، اور یہ طریقے اُس حد تک کام کرتے ہیں جس حد تک یہ مفروضہ درست ہے۔ اِسے افسانہ سمجھنا اُس وجہ کو ضائع کر دیتا ہے کہ طریقے قابلِ استعمال اندازے کیوں دیتے ہیں — جبکہ اِسے حقیقت سمجھنا اِس بات کو بڑھا چڑھا کر پیش کرتا ہے کہ فٹ کیا گیا ماڈل کسی ذہن کے بارے میں کیا بتاتا ہے۔

منسلک تصورات

• رویہ پرستی
• تعمیریت
• سیکھنے کے نظریے
• میٹا کوگنیشن
• علمی بوجھ اتارنا
• نالج ٹریسنگ
• علمی تشخیص
• طالب علم کی ماڈلنگ اور انطباقی تدریس
• ذہین ٹیوٹرنگ
• انطباقی سیکھنا
• ذاتی نوعیت کی سیکھنا
• آئٹم رسپانس تھیوری
• تقسیم شدہ ادراک
• ICAP فریم ورک
• سیکھنے کی منتقلی
• خود ضابطگی والی سیکھنا
• تعلیم میں مصنوعی ذہانت
• سیکھنے کے علوم
• ریٹریول، وقفہ کاری اور انٹرلیونگ — وہ یادداشت کی دریافتیں جن پر یہ عملی خاندان ٹکا ہے

منسلک مضامین

• Evidence of a Cognitive Shift in AI Education: How Students Are Rethinking Human Intelligence? — AI تعلیم میں علمی تبدیلی
• CogTax: A Four-Level Cognitive Taxonomy for Command-Line Computing Education — AI کے استعمال کے لیے ایک علمی درجہ بندی
• EduClaw-Bench: A Long-Horizon Benchmark for Pedagogical LLM Agents with Simulated Learners — نالج ٹریسنگ پر ٹکے تدریسی LLM ایجنٹ
• PersonaVLM: Long-Term Personalized Multimodal LLMs — LLM سے طلبہ کی ماڈلنگ اور یادداشت
• Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning — ہم ضابطہ سیکھنے میں AI بطور علمی ساتھی
• Towards a philosophy of ensemble cognition: Reconceptualising agency and mind in AI-mediated educational environments — مجموعی ادراک: سوچ بطور انسانی–AI تعامل
• Human–AI collaborative patterns in GenAI-supported instructional design among pre-service teachers: an analysis of interaction sequences and cognitive load — کوشش کی منظم ترتیب، نہ کہ مقدار، بوجھ اور مایوسی کا سراغ لگاتی ہے
• Crediting assisted work inflates mastery: a preregistered comparison of evidence rules in intelligent tutoring logs — نالج ٹریسنگ سے مہارت کے دعوے اِس بات پر منحصر ہیں کہ مدد یافتہ کام کو کیسے کریڈٹ کیا جاتا ہے (Srivastava 2026)