AIEd علمی ذخیرہAIEd KB
اس صفحے پر

یہ صفحہ انگریزی میں پڑھیں

تصورات

ثقافتی طور پر متعلقہ تدریس

تخلیق شدہ 2026-05-08 · اپ ڈیٹ شدہ 2026-11-04

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

ثقافتی طور پر متعلقہ تدریس — Gloria Ladson-Billings (1995) نے متعارف کرائی، یہ نظرانداز شدہ طلبہ کے ثقافتی حوالوں کو نصاب کی تشکیل کے مرکز میں رکھتی ہے۔ یہ تین ستونوں پر کھڑی ہے: تعلیمی کامیابی (سخت معیار جو ثقافتی شناخت کا احترام کرتے ہیں)، ثقافتی قابلیت (ثقافت اور طاقت کے بارے میں تنقیدی شعور)، اور سماجی سیاسی شعور (طلبہ کو غیر منصفانہ نظاموں کو چیلنج کرنے کے قابل بنانا)۔ جیسے جیسے AI اوزار کلاس رومز میں داخل ہو رہے ہیں، CRP ایک مرکزی عدسہ بن گئی ہے جس سے یہ دیکھا جاتا ہے کہ AI غیر غالب ثقافتی علم کو بڑھاتا ہے یا مٹا دیتا ہے۔

غور کرنے کے لیے سوالات

  • ثقافتی طور پر متعلقہ تدریس تعلیمی کامیابی، ثقافتی قابلیت اور سماجی سیاسی شعور پر کھڑی ہے۔ اِن ستونوں میں سے کون سا AI اوزاروں کے ساتھ حاصل کرنا سب سے مشکل ہے — اور کیوں؟
  • ایک مطالعے نے پایا کہ AI سے پیدا کردہ 94% سبق کے منصوبوں میں کوئی قابلِ شناخت کثیر الثقافتی مواد نہیں تھا، اور تقریباً کوئی بھی تبدیلی یا سماجی عمل کی سطح تک نہیں پہنچا۔ اگر AI بہ طورِ طے شدہ یک ثقافتی پیداوار دیتا ہے، تو غائب نقطہ ہائے نظر شامل کرنے کی ذمہ داری کس کی ہے؟
  • AI کی تربیتی ڈیٹا زیادہ تر مغربی اور انگریزی بولنے والی دنیا کی ہے۔ کسی نظام کے لیے علم کے طریقوں کو 'فعال طور پر نظرانداز کرنا' کا کیا مطلب ہے — اور یہ محض رسائی کی کمی سے کیسے مختلف ہے؟
  • برادری پر مبنی AI سیکھنے کی تجویز یہ ہے کہ طلبہ کی اپنی زندگی کے تجربے سے جڑی معرفتیں (epistemologies) AI کی پیداوار جانچنے کا معیار ہونی چاہئیں، اور انکار اور استعمال نہ کرنا بھی درست ردِعمل سمجھا جائے۔ آپ برادری کے علم کو AI کی مطابقت اور نقصان کا فیصلہ کرنے والا مرکز کیسے بنائیں گے؟
  • ثقافتی طور پر بنیاد رکھی گئی ڈیٹا AI کی مطابقت کو ڈرامائی طور پر بہتر بنا سکتی ہے — بھارت کے علم کا ایک ڈیٹا سیٹ ایک چھوٹے ماڈل کو تقریباً صفر سے اُٹھا کر کہیں بڑے عمومی ماڈل کے مقابلے پر لا کھڑا کیا۔ اگر بہتر ڈیٹا ہی حل ہے، تو اُسے کسے بنانا اور کس کی ملکیت میں ہونا چاہیے؟
  • ایک بین الثقافتی مطالعے نے پایا کہ AI کے استعمال کے بالکل یکساں برتاؤ کو ایک ملک میں اخلاقی اور دوسرے میں غیر اخلاقی سمجھا گیا، تحریری پالیسی سے قطع نظر۔ یہ آپ کو یکساں قواعد سے AI کے استعمال کی حکمرانی کی کوشش کے بارے میں کیا بتاتا ہے؟

تعارف

CRP میں AI کا دو دھاروں والا کردار

AI اساتذہ کی مدد کر سکتا ہے کہ تدریس کو ثقافتی طور پر جوابدہ بنائیں، مگر بغیر ہدایت کے چھوڑ دینے پر اُس کی طے شدہ پیداوار غالب بیانیوں کو مضبوط کرنے کا خطرہ بھی رکھتی ہے۔

  • اساتذہ کے لیے معاونت: Wang et al. (2025) نے CulturAIEd بنایا، ایک LLM پر چلنے والا نظام جو K-12 اساتذہ کو ثقافتی طور پر جوابدہ مصنوعی ذہانت کی لیٹریسی سرگرمیاں ڈیزائن کرنے میں مدد دیتا ہے، طلبہ کی آبادیاتی معلومات کو روبرک کی رہنمائی سے جوڑ کر (ایک CRT چیک لسٹ جو پیداوار میں شامل کر دی جاتی ہے)۔ چار اساتذہ کے پائلٹ میں اُس نے ثقافتی جوابدگی کے مواقع پہچاننے اور موجودہ سرگرمیوں میں تبدیلی کرنے میں اساتذہ کا اعتماد بڑھایا، اور 78% نے کہا کہ AI کی تجاویز مواد کو متنوع بنانے میں مددگار تھیں۔ یہ اوزار اُن وقت، تربیت اور وسائل کی رکاوٹوں کو براہِ راست نشانہ بناتا ہے جو CRP کے نفاذ کو روکتی ہیں۔
  • یک ثقافتی پیداوار کا خطرہ: Trust et al. (2025) نے AI سے پیدا کردہ شہریت کے 310 سبق منصوبے (2,230 سرگرمیاں) کا تجزیہ کیا: 94% میں کوئی قابلِ شناخت کثیر الثقافتی مواد نہیں تھا، اور جن 144 میں تھا اُن میں سے 137 سب سے نچلی "اضافی" سطح پر تھے — صرف ایک "تبدیلی" تک پہنچا اور کوئی بھی "سماجی عمل" تک نہیں پہنچا۔ تینوں چیٹ بوٹس نے ساختی طور پر یکساں، یک ثقافتی سبق کے سانچے پیدا کیے۔ یہ ٹھوس ثبوت ہے کہ AI طے شدہ طور پر یکساں نصاب کی طرف جاتا ہے، الا یہ کہ اساتذہ فعال طور پر مداخلت کریں۔

AI نظاموں میں معرفتی نظراندازی

سبق کی پیداوار سے آگے، CRP ایک گہرے تنقیدی نکتے سے جڑتی ہے: AI کی تربیتی ڈیٹا اور ڈیزائن کے عمل مغربی، انگریزی زبان کے معرفتی فریم ورک سمائیے ہوئے ہیں جو علم کے دیگر طریقوں کو نظرانداز کرتے ہیں۔

  • معرفتی نو آبادیاتی حیثیت: Tali-Otmani (2026) دلیل دیتے ہیں کہ GenAI نظام معرفتی طور پر غیر جانبدار نہیں — زیادہ تر مغربی مرکز تربیتی ڈیٹا اقلیتی علوم کو فعال طور پر نظرانداز کرتا ہے، جس سے معذور طلبہ کے لیے "دوہری نظراندازی" پیدا ہوتی ہے، جن کی معرفتیں نہ تربیتی ڈیٹا میں نمائندگی رکھتی ہیں اور نہ ڈیزائن میں شامل کی جاتی ہیں۔ یہ مساوات کی گفتگو کو رسائی سے کس کا علم مستند ہے تک بڑھا دیتا ہے۔
  • معرفتی اختیار کی دوبارہ تقسیم: Ojeda-Ramirez, Gyles اور Peppler (2026) برادری پر مبنی AI سیکھنے کی تجویز دیتے ہیں، ایک فریم ورک جو طلبہ کی زندگی کے تجربے سے جڑی اور برادری پر مبنی معرفتوں کو AI کی پیداوار پر جانچ کا معیار بنا دیتا ہے۔ اُس کے تین عہد — معرفتی فائن ٹیوننگ، اختیار کی دوبارہ تقسیم، اور مقامی تمیز — اعتماد کو مقامی تاریخوں اور برادری کی مہارت کے مطابق ڈھالتے ہیں، اور انکار اور سوچے سمجھے عدم استعمال کو AI کے سامنے CRP کے درست ردِعمل سمجھتے ہیں۔

ثقافتی طور پر بنیاد رکھا گیا ڈیٹا اور جانچ

معلوماتی بنیاد سے آنے والے کاموں کا ایک مجموعہ CRP کے پیچھے موجود مواد اور جانچ کے خلا کو نشانہ بناتا ہے۔

  • غیر مغربی تربیتی ڈیٹا: IKS-Instruct ایک 24,795 مثالوں والا کثیر اللسانی ہدایتی ڈیٹا سیٹ فراہم کرتا ہے جو تدریس کرنے والے LLM کو سات زبانوں اور 41 تدریسی تکنیکوں میں بھارتی علم کے نظام سکھاتا ہے۔ ایک چھوٹا، ڈومین پر فائن ٹیون کیا گیا 7B ماڈل جج اسکور کے درمیانی 6.39 تک پہنچا (کہیں زیادہ بڑے عمومی ماڈل کے 6.54 کے مقابل) — جبکہ بنیادی ماڈل نے IKS کے مخصوص پہلوؤں پر تقریباً صفر اسکور کیا، جو دکھاتا ہے کہ ثقافتی طور پر بنیاد رکھا ڈیٹا مطابقت کو کتنا بہتر بناتا ہے۔
  • عالمی جنوب کے بینچ مارک: NSMQ Riddles بینچ مارک گھانا کے قومی سائنس اور ریاضی کوئز کے 11 سالوں سے 1.8K سائنسی/ریاضیاتی پہیلیاں لیتا ہے — عالمی جنوب کے پہلے تعلیمی بینچ مارکس میں سے ایک — اور پایا کہ جدید ترین LLM بہترین طلبہ مقابلہ کرنے والوں سے کم کارکردگی دکھاتے ہیں، جو ماڈلز کی جانچ کے طریقے میں جغرافیائی تعصب کو بے نقاب کرتا ہے۔
  • ثقافت بمقابلہ پالیسی: کینیڈا اور جنوبی کوریا کے کمپیوٹنگ طلبہ کے بین الثقافتی سروے نے پایا کہ ثقافت نے، نہ کہ پالیسی کے متن نے، AI کے استعمال کی اخلاقی حیثیت کے تاثرات کو چلایا — یکساں برتاؤ کو مختلف گروہوں میں مختلف طور پر پرکھا گیا، جو تجریدی قواعد کی بجائے ثقافتی طور پر باخبر رابطے کی ضرورت کو مضبوط کرتا ہے۔
  • ثقافتی سفر وہ جگہ ہے جہاں AI کی معاونت سب سے کمزور ہے: بین الاقوامی طلبہ نے گفتگو کرنے والے AI کو گرامر، ساخت اور خلاصہ سازی میں سب سے زیادہ (اوسط 4.27) اور ثقافتی سفر میں سب سے کم (اوسط 3.49) درجہ دیا (Nourian et al. (2026))۔
  • ثقافتی موافقت بہ طورِ ڈیزائن اقدامات: Bashir اور Afzal (2026) ایک AI بہبود معاون نظام (Sukoon) میں ثقافتی مطابقت کو تین اقدامات سے عملی شکل دیتے ہیں: ایک دو لسانی 20 سوالوں والی جانچ جس میں انگریزی اور اردو لیبل متوازی ہیں؛ ایک نظامی پرامپٹ جو ماڈل کو ہدایت دیتا ہے کہ پاکستانی سماجی و ثقافتی اصولوں کے مطابق جواب دے اور جہاں مناسب ہو اردو اور رومن اردو کے الفاظ استعمال کرے؛ اور مقامی طور پر اہم دباؤ کے عوامل (خاندانی توقعات، مالی دباؤ، استاد-طالب علم کے درجہ بند تعلقات) کے لیے واضح حساسیت۔ اُن کا جواز تجربی بھی ہے اور اخلاقی بھی — خصوصیات کی اہمیت نے استاد-طالب علم کے تعلق کو دباؤ کے پیش گوؤں میں دوسرے نمبر پر رکھا — مگر وہ مانتے ہیں کہ موافقت پرامپٹ میں رہتی ہے، NLP پائپ لائن میں نہیں، اور ثقافتی مناسبیت صرف غیر رسمی آزمائش سے پرکھی گئی، اُن طلبہ سے نہیں جن کے لیے نظام بنایا گیا۔

عملی رہنمائی

معلوماتی بنیاد کے اپنے مضامین پر کھڑے ہو کر، ماہرینِ تعلیم اور ڈیزائنر CRP کو AI پر لاگو کر سکتے ہیں:

  • AI کو مسودہ ساز سمجھیں، اختیار نہیں۔ Trust et al. کے شہریت کے نتائج دکھاتے ہیں کہ اساتذہ کو اعلیٰ درجے کی سوچ اور کثیر الثقافتی نقطہ ہائے نظر خود شامل کرنے ہوں گے جو AI چھوڑ دیتا ہے؛ ثقافتی اصلیت اور برادری کے ساتھ ہم آہنگی کے لیے انسانی فیصلہ ناگزیر رہتا ہے۔
  • پرامپٹس اور اوزاروں میں آبادیاتی اور ثقافتی سیاق کی تہہ چڑھائیں۔ CulturAIEd اور ConnectED (ویتنامی، نصاب سے ہم آہنگ سبق منصوبہ بندی کا نظام) دکھاتے ہیں کہ منظم، مقامی طور پر بنیاد رکھے گئے پرامپٹ سانچے اور استاد کی توثیق کے دروازے عمومی پیداوار سے بہتر ثقافتی مطابقت دیتے ہیں۔
  • برادری کے علم کو جانچ کا معیار بنائیں۔ برادری پر مبنی AI سیکھنے کی پیروی میں، طلبہ سے کہیں کہ AI کی پیداوار کو مطابقت، نقصان اور افادیت کے مقامی طور پر بنیاد رکھے گئے معیاروں پر پرکھیں، اور اُس سیاق کا احترام کریں جہاں انکار یا عدم استعمال درست فیصلہ ہو۔
  • ثقافتی طور پر بنیاد رکھے گئے ڈیٹا سیٹ اپنائیں اور جانچیں۔ IKS-Instruct اور NSMQ Riddles واضح کرتے ہیں کہ شعبے کے مخصوص، غیر مغربی ڈیٹا مطابقت اور دیانت دار جانچ، دونوں کو بامعنی طور پر بہتر بناتا ہے۔
  • AI مسودہ بنانے سے پہلے استاد کا انٹرویو کرے۔ Zhai et al. (2026) ایک ثقافتی طور پر جوابدہ سبق منصوبہ ساز بیان کرتے ہیں جس کا متعامل نیم خودکار پرامپٹ ڈھانچہ پہلے سیاق و ثقافت کے سوالات پوچھتا ہے، پھر عمومی منصوبہ بنانے کی بجائے استاد کے اپنے جوابات سے مسودہ تیار کرتا ہے۔

عام غلط فہمیاں

"AI کی پیداوار ثقافتی طور پر غیر جانبدار ہے، الا یہ کہ آپ ثقافت کے لیے پرامپٹ کریں۔" طے شدہ حالت غیر جانبدار نہیں، غالب ہے۔ 310 AI سے پیدا کردہ شہریت سبق منصوبوں (2,230 سرگرمیوں) کے تجزیے نے پایا کہ 94% میں کوئی قابلِ شناخت کثیر الثقافتی مواد نہیں تھا — اور جن 144 سرگرمیوں میں تھا، اُن میں 137 سب سے نچلی "اضافی" سطح پر تھیں، صرف ایک "تبدیلی" تک پہنچی، اور کوئی "سماجی عمل" تک نہیں۔ بغیر ہدایت کے چھوڑے جانے پر ماڈلز نے غیر متنوع طے شدہ حالت دہرائی، لہٰذا ثقافت کے لیے پرامپٹ کرنا تعصب کے ازالے کا اقدام نہیں، بلکہ اِس کا واحد سبب ہے کہ کچھ بھی ظاہر ہوتا ہے۔

"کثیر الثقافتی مثالیں شامل کر دینا ثقافتی طور پر متعلقہ تدریس ہے۔" فریم ورک کی اپنی درجہ بندی کچھ اور کہتی ہے، اور پیدا شدہ مواد دکھاتا ہے کہ یہ فرق عملی طور پر کیوں اہم ہے۔ اضافی مواد ساخت اور اکائی کے مفروضوں کو چھیڑے بغیر چھوڑ دیتا ہے؛ تبدیلی یہ بدلتی ہے کہ مواد کیسے فریم ہوتا ہے؛ سماجی عمل طلبہ سے کہتا ہے کہ اُس پر عمل کریں۔ نمائندگی کو تبدیلی سمجھ لینا وہ راستہ ہے جس سے کوئی ذخیرہ تنوع پر 6% غیر خالی ہو سکتا ہے اور پھر بھی ثقافتی طور پر جوابدہ سے بہت دور ہو۔

"ادارے کی AI استعمال کی پالیسی طے کرتی ہے کہ طلبہ کسے اخلاقی سمجھتے ہیں۔" ثقافت پالیسی کے متن سے زیادہ کام کرتی ہے۔ کینیڈا اور جنوبی کوریا کے کمپیوٹنگ طلبہ کے بین الثقافتی سروے نے پایا کہ ثقافت نے، نہ کہ پالیسی نے، AI کے استعمال کی اخلاقی حیثیت کے تاثرات کو چلایا — یکساں برتاؤ کو مختلف گروہوں میں مختلف طور پر پرکھا گیا۔ لہٰذا ایک ادارے بھر کی واحد پالیسی مشترک اخلاقیات پیدا نہیں کرتی، اور اُسے ایسا سمجھنا آپ کے طلبہ کو غلط پڑھے گا۔

"چار اساتذہ کا پائلٹ جس میں اساتذہ زیادہ بااعتماد محسوس کرتے ہیں، ثبوت ہے کہ طریقہ کارگر ہے۔" یہ استاد کے تاثر کا ثبوت ہے، جو رکھنے کے قابل ہے مگر وہی چیز نہیں۔ اُس پائلٹ میں ثقافتی جوابدگی کے مواقع پہچاننے میں اساتذہ کا اعتماد بہتر ہوا اور 78% نے AI کی تجاویز کو مواد متنوع بنانے میں مددگار پایا — جبکہ مصنفین مانتے ہیں کہ ثقافتی موافقت پرامپٹ میں رہتی ہے، NLP پائپ لائن میں نہیں، اور ثقافتی مناسبیت کو ڈیزائن کرنے کی بجائے پرکھا گیا۔ اعتماد اور افادیت کا ملنا طلبہ کے لیے ثابت شدہ ثقافتی مطابقت نہیں ہے۔

عمل کے لیے مضمرات

مدرسین کے لیے

  • بغیر ہدایت والا AI سبق منصوبہ کبھی ثقافتی طور پر جوابدہ کہہ کر پیش نہ کریں۔ 94% کے عدد ہی طے شدہ برتاؤ ہیں، لہٰذا ثقافتی مواد واضح طور پر متعین کرنا اور ایک ایک مد پر جانچنا ہوگا۔
  • اپنے اضافوں کو اضافی/تبدیلی/سماجی عمل کی سیڑھی پر رکھیں اور کم از کم ایک زینہ اُس سے اوپر کا ہدف بنائیں جو فطری محسوس ہوتا ہے۔ پیدا شدہ تنوع زیادہ تر نچلے درجے پر بیٹھا ہے۔
  • یہ فرض نہ کریں کہ آپ کے ادارے کی پالیسی آپ کے طلبہ کے ساتھ سفر کرتی ہے۔ ثقافتی سیاق اُن کے اخلاقی فیصلوں کو قاعدے کی کتاب سے زیادہ تراشتی ہے۔

ڈویلپرز کے لیے

  • ثقافتی مناسبیت کو پرامپٹ کا نہیں، پائپ لائن کا معاملہ سمجھیں۔ پائلٹ کی اپنی حد یہ ہے کہ موافقت پرامپٹ میں بیٹھی تھی، یعنی پرامپٹ بدلنے پر وہ غائب ہو جاتی ہے۔
  • پیدا شدہ مواد کو پوری سیڑھی پر جانچیں اور رپورٹ کریں کہ کتنی مدیں تبدیلی یا سماجی عمل تک پہنچتی ہیں — تنوع کی گنتی جو اضافی پر رک گئی، تسلی بخش دکھے گی اور بہت کم معنی رکھے گی۔
  • استاد-طالب علم تعلق کو جو بھی آپ ناپیں، اُس میں نظر آنے والا بنائیں؛ مذکورہ کام میں خصوصیات کی اہمیت نے اُسے دباؤ کے پیش گوؤں میں دوسرے نمبر پر رکھا، اور وہی وہ سرمایہ ہے جو عمومی پیداوار مہیا نہیں کر سکتی۔

محققین کے لیے

  • ثقافتی مواد کو موجودگی یا عدم موجودگی کے بجائے درجے کے حساب سے رپورٹ کریں، کیونکہ 94% بمقابلہ 6% موجودگی اِس بارے میں کچھ نہیں کہتی کہ وہ 6% کیا ہے۔
  • پائلٹ رپورٹ کرتے وقت استاد کے تاثر کے نتائج کو طلبہ کے نتائج سے واضح طور پر الگ رکھیں۔

منسلک تصورات

منسلک مضامین

میٹا ڈیٹا

درجہK 12, Higher Ed
مطلوبہ سامعینLearners
ٹیکنالوجیز اور طریقےجنریٹو AI, ذہین ٹیوٹرنگ, بڑے لینگویج ماڈلز (LLMs)
مساوات، اخلاق اور ذمہ دار استعمالمساوات, شمولیتی سیکھنا
تعلیم میں AI کی بنیادیںمصنوعی ذہانت کی لیٹریسی, نصاب کی تشکیل
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۔