ڈیزائن پر مبنی تحقیق

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

ڈیزائن پر مبنی تحقیق (DBR) — ایک طریقہ کارانہ نقطۂ نظر جو کسی تعلیمی مداخلت کو اصلی سیاق میں بار بار ڈیزائن، نافذ اور بہتر بناتا ہے، اور نظریے، ڈیزائن اور حقیقی عمل کے درمیان چکر لگاتا ہے تاکہ بیک وقت ایک قابلِ استعمال شے اور تصدیق شدہ ڈیزائن اصول پیدا ہوں۔ تعلیم میں AI میں DBR پسندیدہ طریقہ ہے AI سیکھنے کے ماحول، تدریسی ماڈل اور اساتذہ کی تربیت کے پروگراموں کو تیار کرنے کے لیے، جنہیں کلاس روم کی بکھری حقیقت میں کام کرنا ہوتا ہے — یہ تجربات کے سببی کنٹرول کے بدلے ماحولیاتی اصلیت اور تکراری بہتری لیتی ہے۔

غور کرنے کے لیے سوالات

ڈیزائن پر مبنی تحقیق کسی مداخلت کو اصلی کلاس روم میں بار بار ڈیزائن، نافذ اور بہتر بناتی ہے، اور نظریے اور عمل کے درمیان چکر لگاتی ہے۔ یہ کنٹرول شدہ تجربے سے بنیادی طور پر کیسے مختلف ہے — اور کلاس روم کا محقق اِسے کیوں ترجیح دے سکتا ہے؟
DBR جان بوجھ کر سببی کنٹرول کے بدلے ماحولیاتی اصلیت لیتی ہے۔ اگر آپ یقین سے نہیں کہہ سکتے کہ سیکھنے میں بہتری کس چیز سے آئی، تو یہ علم پھر بھی کس چیز کے قابل ہے؟
DBR بیک وقت دو چیزیں پیدا کرتی ہے: ایک قابلِ استعمال شے اور تصدیق شدہ ڈیزائن اصول۔ اِن دو پیداواروں میں آپ کے لیے زیادہ اہم کون سی ہے — ایسا اوزار جو کام کرے، یا ایسا اصول جسے آپ کہیں اور لاگو کر سکیں؟
DBR کی طاقت اُس کی عملی مطابقت ہے؛ کمزوری یہ کہ نتائج سیاق سے بندھے ہوتے ہیں اور اُنہیں عام کرنا مشکل ہے۔ آپ کب کسی DBR نتیجے پر اِتنا بھروسا کریں گے کہ اُسے بالکل مختلف ماحول میں لاگو کر دیں؟
بغیر مدد کے، کنٹرول شدہ نتیجے کی پیمائش کے بغیر، DBR کے سیکھنے کے فوائد وہی "AI سے بڑھی ہوئی کارکردگی" کا مسئلہ ظاہر کر سکتے ہیں جس کا وہ خود مطالعہ کرتی ہے۔ آپ DBR کا مطالعہ کیسے ڈیزائن کریں گے تاکہ اُس کے رپورٹ شدہ فوائد واقعی سیکھنا ہوں، معاون کارکردگی نہیں؟

تعارف

DBR ایک ڈیزائن کی روایت ہے، ڈیٹا کی روایت نہیں: یہ مقداری/کیفیاتی/تجرباتی تقابل میں صاف طور پر نہیں بیٹھتی۔ یہ جان بوجھ کر تینوں کے عناصر یکجا کرتی ہے — تکراری چکروں میں نتیجے اور عمل، دونوں کا ڈیٹا جمع کرتی ہے — تاکہ اِس سوال کا جواب دے کہ "ہم اِس AI سیکھنے کے ماحول کو کیسے ڈیزائن کریں کہ وہ عمل میں کام کرے؟"، نہ یہ کہ "کیا X سے Y ہوتا ہے؟"۔ اِس کا سیکھنے کا ڈیزائن (جو ڈیزائن کا عمل متعین کرتا ہے) اور قابلِ استعمال ہونے کی جانچ (جو بہتری کو خوراک دیتی ہے) سے گہرا تعلق ہے، مگر یہ اپنے مسلسل، نظریے سے چلنے والے، کئی چکر والے انداز اور اپنے دوہرے ہدف — عمل کو بہتر بنانا اور نظریہ پیدا کرنا — سے الگ پہچانی جاتی ہے۔

DBR کا چکر

DBR کوئی واحد ڈیزائن نہیں بلکہ ایک تکراری حلقہ ہے، جو عموماً اِن پر مشتمل ہوتا ہے:

ضرورت کا تجزیہ — مسئلے، سیاق اور سیکھنے والوں کو اصلی ماحول میں سمجھنا۔
ڈیزائن — کسی مداخلت اور اُس کی بنیادی نظریاتی دلیل کو واضح کرنا۔
عمل درآمد — مداخلت کو کسی حقیقی کلاس روم یا پروگرام میں تعینات کرنا۔
بہتری — ڈیٹا کا تجزیہ، ڈیزائن کی نظرثانی اور تکرار (اکثر کئی چکروں میں)۔
نظریے اور شے کی پیداوار — بیک وقت ایک قابلِ استعمال مداخلت اور عام کرنے کے قابل ڈیزائن اصول یا تصدیق شدہ ماڈل پیدا کرنا۔

AIEd کی معیاری مثال AI-Assisted Collaborative Learning (AACL) ماڈل کا مطالعہ ہے، جس نے چار مرحلوں والا DBR چکر چلایا — ضرورت کا تجزیہ، ماڈل کا ڈیزائن، انڈونیشیائی انڈر گریجویٹ طلبہ کے ساتھ آٹھ ہفتوں کا کلاس روم عمل درآمد، اور ماڈل کی بہتری — اور چار مرحلوں والے سیکھنے کے چکر پر تکرار کی (مسئلے کی نشان دہی → AI کی معاونت والی باہمی کھوج → باہمی مسئلہ حل کرنا → غور و فکر اور پیشکش)۔

DBR علمی ذخیرے میں کیسے نظر آتی ہے

سیکھنے کے ماڈل تیار کرنا۔ AACL ماڈل کا مطالعہ DBR استعمال کر کے ایسا AI کی معاونت والا باہمی سیکھنے کا ماڈل تیار اور جانچتا ہے جو تنقیدی سوچ اور اعلیٰ تعلیم میں مسئلہ حل کرنے کو نشانہ بناتا ہے۔
AI خواندگی کی اساتذہ تربیت کی تعمیر۔ Le وغیرہ DBR پر مبنی ایک GenAI خواندگی کی تربیتی مداخلت تیار اور جانچتے ہیں جو اساتذہ کی تربیت کے طلبہ کے لیے ہے؛ Baran وغیرہ 2023–2025 کے دوران DBR استعمال کر کے Human-Centered AI اصولوں پر مبنی تنقیدی AI خواندگی کے لیے پیشہ ورانہ سیکھنا ڈیزائن کرتے ہیں۔
ادارہ جاتی معیارات کا ڈیزائن۔ Crompton وغیرہ دو تکراری بڑے چکروں اور 114 شرکاء کے ساتھ DBR استعمال کر کے اساتذہ کے لیے ٹیکنالوجی انضمام کے چھ معیارات تیار کرتے ہیں۔
نظام کا تکراری نفاذ۔ Rienties وغیرہ چھ تکراری DBR مطالعات بیان کرتے ہیں (18 ماہ، 498 شرکاء) جو Open University کے AIDA AI معاون کو ایمبیڈڈ سسٹمز کے انداز میں نافذ کرتے ہیں۔
سہارا اور مداخلت کا ڈیزائن۔ GenAI تنقیدی سوچ کا سہارا اور مداخلت کی تیاری کے دیگر مطالعات DBR استعمال کر کے AI پر مبنی سہارے ڈیزائن اور بہتر بناتے ہیں۔
نوجوانوں اور ماہرین کی رہنمائی والا نصاب کا ڈیزائن۔ Moore وغیرہ (2026) نوجوانوں اور AI ماہرین کے مشاورتی بورڈ کے ساتھ دو سالہ DBR عمل استعمال کر کے ہائی اسکول کے لیے سائنس سے مربوط AI خواندگی / ML نصاب ڈیزائن کرتے ہیں، مختلف کوہورٹس میں ڈیزائن بہتر بناتے اور ML علم میں بہتری ناپتے ہیں — یہ DBR بطور شراکتی مشترکہ ڈیزائن کی مثال ہے جو نوجوانوں کی آواز کو ڈیزائن کے چکر میں شامل کرتی ہے۔
تکراری ربرک کی مشترکہ بہتری بطور DBR۔ Yaşar وغیرہ (2026) DBR کے تکراری بہتری والے کردار کو خود جانچ کے اوزار پر لاگو کرتے ہیں: اُنہوں نے ربرک کو ایک قابلِ نظرثانی ڈیزائن شے سمجھا اور LLM کے ساتھ مشترکہ بہتری کے چکر چلائے — کارکردگی کی تفصیلات واضح کیں اور سیکھنے کے مضمر اشاروں کو واضح طور پر قبول کیا — جس سے 80 طلبہ کے ڈیزائن پوسٹروں پر LLM اور انسان کے درمیان اتفاق 54.75% سے 81.25% ہو گیا (Cronbach's Alpha 0.393 → 0.798)۔ مطالعہ ربرک کو انسانی تدریسی ارادے اور مشینی اندازے کے درمیان وسیطی سطح کے طور پر رکھتا ہے، اور اُس کی کردار سے آگاہ پرامپٹنگ (مدرس، ہم مرتبہ جائزہ لینے والا، گرانٹ جائزہ لینے والا) دکھاتی ہے کہ ڈیزائن کے انتخاب جانچ کی پیداوار کو کیسے شکل دیتے ہیں — یہ DBR طرز کا مظاہرہ ہے کہ جانچ کا اوزار بھی، نہ صرف مداخلت، ڈیزائن کی شے ہے۔
ابتدائی بچپن کی AI خواندگی کا مشترکہ ڈیزائن۔ Lee (2026) DBR استعمال کر کے دو pre-K اور دو کنڈرگارٹن اساتذہ کے ساتھ تکراری چکروں میں Play With AI (PL-AI) نصاب کے مشترکہ ڈیزائن، آزمائشی نفاذ اور بہتری کرتے ہیں، اور اساتذہ کے سروے، 32 گھنٹے کے کلاس روم ویڈیو، میدانی نوٹس اور ڈیزائن میٹنگ کی نقول سے مدد لیتے ہیں۔ مطالعہ دستاویز کرتا ہے کہ DBR نشوونما کے لحاظ سے مناسب AI خواندگی کی سرگرمیوں کی تکراری بہتری کو کیسے سہارا دیتی ہے اور قابلِ منتقلی ڈیزائن اصول کیسے دیتی ہے (جسمانی کھیل، ٹھوس کوڈنگ، رہنمائی شدہ مکالمہ، اساتذہ کا مشترکہ ڈیزائن)۔
ماہرانہ جائزہ بطور بہتری کا ثبوت — اور دائرے کا ایماندار بیان۔ Dong وغیرہ (2026) اپنا ابتدائی چار رخہ روبوٹکس نصاب پانچ ماہرین کو دیتے ہیں، جو اُسے آٹھ جہتوں پر جانچتے ہیں، اور پھر جواب میں نظرثانی کرتے ہیں: خودمختار PPO نفاذ ایک توسیعی حصے میں منتقل ہو جاتا ہے اور Python کی شرط شامل کی جاتی ہے جب پانچ میں سے چار ماہرین علمی بوجھ کی نشان دہی کرتے ہیں۔ نظرثانی کو اوسط کے ساتھ ساتھ پھیلاؤ بھی چلاتا ہے — محرک سیاق کا اوسط 4.00 تھا جس کا SD = 1.73 اور ایک تنہا 1/5 درجہ بندی — اور مصنفین صاف کہتے ہیں کہ نظرثانی شدہ فریم ورک طلبہ کے ڈیٹا کے منتظر، ابھی غیر جانچا ہوا ہے۔
تثلیث، اور وہ حد جسے یہ عبور نہیں کر سکتی۔ Kenzhebayeva وغیرہ (2026) ایک کردار گردش ماڈل کو پانچ DBR مرحلوں — مسئلے کا تجزیہ، تدریسی ڈیزائن، نفاذ، جانچ، بہتری — میں آٹھ ہفتوں اور 62 شرکاء کے ساتھ چلاتے ہیں، اور غور و فکر کے جرائد، انٹرویوز، مشاہداتی نوٹس اور طلبہ کی تیار کردہ مصنوعات کو ممبر چیکنگ کے ساتھ تثلیث میں رکھتے ہیں۔ ڈیزائن کا سبق اِس میں ہے کہ مصنفین اِس سے کیا دعویٰ کرتے ہیں: بغیر کسی پیش و پس مہارت کی پیمائش اور بغیر موازنے والے گروہ کے، وہ ثبوت کو مداخلت کے دوران شمولیت کے طور پر پیش کرتے ہیں، نہ کہ مظاہر شدہ مہارت کے فوائد کے طور پر، اور یہی وہ حد ہے جسے کئی ماخذوں والا DBR ڈیزائن عبور کر سکتا ہے اور نہیں بھی۔

طاقتیں اور حدود

طاقتیں: بلند ماحولیاتی اعتبار اور عملی مطابقت؛ قابلِ استعمال شیے اور نظریہ، دونوں کی پیداوار؛ حقیقی کلاس روموں کی پیچیدگی اور بدلتے AI اوزاروں کے لیے موزوں؛ کسی ماڈل کو تیار کرنے اور اصلی نفاذ کے ثبوت کی بنیاد پر اُسے بہتر بنانے کے لیے مناسب؛ اِس بات کو گرفت میں لینا کہ مداخلت عمل میں واقعی کیسے کام کرتی ہے (یا ناکام ہوتی ہے)۔
حدود: کمزور داخلی اعتبار (بہت کم یا کوئی کنٹرول گروہ نہیں)؛ نتائج سیاق سے بندھے اور عام کرنا مشکل؛ طویل مدتی منصوبے؛ یہ الگ کرنا مشکل کہ کون سا ڈیزائن عنصر نتیجہ پیدا کرتا ہے — DBR قابلِ عمل ہونے اور بہتری کا مظاہرہ کرتی ہے مگر سیکھنے کے فوائد کو کسی مخصوص میکانزم سے منسوب نہیں کر سکتی۔

DBR تجربات کے سببی کنٹرول کے بدلے ماحولیاتی اصلیت اور تکراری بہتری لیتی ہے: اُس کا ثبوت تصور کے ثبوت اور ڈیزائن کی رہنمائی کے طور پر سب سے مضبوط ہے، سببی اثر کے طور پر نہیں۔ DBR کے سیکھنے کے فوائد پڑھنے کے لیے وہی احتیاط درکار ہے جو دیگر ڈیزائنوں کے لیے — بغیر مدد کے، کنٹرول شدہ نتیجے کی پیمائش کے بغیر، فوائد وہی AI سے بڑھی کارکردگی کا مغالطہ ظاہر کر سکتے ہیں جو سیکھنے کے فوائد کے تحت دستاویز ہے۔

دیگر طریقوں سے تعلق

DBR سیکھنے کی سائنس کا امتیازی طریقہ ہے — وہ بین الضابطہ میدان جو سیکھنے اور سیکھنے کے ماحول کے ڈیزائن کا مطالعہ کرتا ہے، اور مداخلت بنانے اور اُس کا مطالعہ کرنے کو دو الگ کاموں کے بجائے ایک ہی سرگرمی سمجھتا ہے۔ یہ دیگر تحقیقی طریقوں کے لیے متبادل نہیں بلکہ تکمیلی ہے (مکمل منظرنامے کے لیے دیکھیں AIED میں تحقیقی طریقے)۔ جہاں تجربات سببی تعلق قائم کرتے ہیں اور سروے وسعت قائم کرتے ہیں، وہاں DBR قابلِ عملیت اور ڈیزائن کا علم قائم کرتی ہے — یعنی یہ کہ کسی مداخلت کو اصلی عمل میں کام کرنے کے قابل بنایا جا سکتا ہے یا نہیں، اور کون سے ڈیزائن اصول اُسے سہارا دیتے ہیں۔ یہ اکثر قابلِ استعمال ہونے کی جانچ (سطح کو بہتر بنانے کے لیے) اور کیفیاتی طریقوں (سیکھنے والے مداخلت کا تجربہ کیسے کرتے ہیں، یہ سمجھنے کے لیے) کے ساتھ جوڑی جاتی ہے۔ ایک پختہ DBR پروگرام عموماً اثر کی آزمائش یا پیمائش کے مطالعے پر منتج ہوتا ہے، جو تیار شدہ مداخلت کے سببی اثرات کو بڑے پیمانے پر جانچتا ہے۔

عام غلط فہمیاں

"ڈیزائن پر مبنی تحقیق ایک کیفیاتی طریقہ ہے۔" DBR ایک ڈیزائن کی روایت ہے، ڈیٹا کی روایت نہیں: یہ مقداری/کیفیاتی/تجرباتی تقابل میں بالکل نہیں بیٹھتی، کیونکہ اُس کا کام کی اکائی ایک ہی پیمائشی منصوبہ نہیں بلکہ تکراری شے ہوتی ہے۔ DBR کے اندر مطالعات مقداری، کیفیاتی یا تجرباتی ہو سکتے ہیں؛ اُنہیں DBR بناتا یہ ہے کہ نتیجہ پیدا ہوتے ہوتے ڈیزائن میں نظرثانی ہو رہی ہوتی ہے۔

"تکراری بہتری ڈیزائن کو اُس مغالطے سے محفوظ کر دیتی ہے جس کا سامنا دیگر طریقوں کو ہے۔" تکرار ایک خطرے کے بدلے دوسرا لیتی ہے۔ مطالعے کے دوران ڈیزائن بہتر بنانے کا مطلب ہے کہ حتمی شکل اُس شکل سے مختلف ہے جس نے ابتدائی ثبوت پیدا کیا، چنانچہ "مداخلت" کے بارے میں کوئی دعویٰ کئی مداخلتوں پر پھیل جاتا ہے۔ یہ بتانا کہ کس نظرثانی نے کون سا نتیجہ پیدا کیا، شعبے کی ذمہ داری ہے، اور یہ اکثر مضمر ہی رہ جاتا ہے۔

"چونکہ DBR کام کرنے والی شے پیدا کرتی ہے، اِس لیے اُس نے اثر انگیزی کا مظاہرہ کر دیا ہے۔" ایسا ڈیزائن جو اُس ہی جگہ کام کرے جس نے اُسے مشترکہ طور پر پیدا کیا، مقامی قابلِ عملیت کا مظاہرہ کرتا ہے، اور یہ اثر انگیزی سے مختلف دعویٰ ہے۔ شے اُس سیاق کے لیے کی گئی موافقت لیے ہوئے ہوتی ہے، اور اُسے منتقل کرنا ایسے مفروضوں کو منتقل کرنا ہے جو کبھی مفروضے قرار دیے ہی نہیں گئے۔

"کسی اوزار کو قابلِ نظرثانی ڈیزائن شے سمجھنا DBR سے انحراف ہے۔" یہ DBR کے تکراری کردار کا اطلاق مداخلت کے بجائے پیمائش پر ہے: اِس ذخیرے کے ایک مطالعے نے خود ربرک کو شے سمجھا اور LLM کے ساتھ مشترکہ بہتری کے چکر چلائے۔ یہ توسیع قابلِ ذکر ہے کیونکہ یہ خود اوزار کی تیاری کو ثبوت کا حصہ بنا دیتی ہے۔

منسلک تصورات

منسلک مضامین

Design-Based Research for Developing an AI-Assisted Collaborative Learning Model to Enhance Critical Thinking and Problem-Solving Skills in Higher Education — AI کی معاونت والے باہمی سیکھنے کے ماڈل کے لیے DBR
Development and evaluation of artificial intelligence literacy training for teacher education students — اساتذہ کی تعلیم میں AI خواندگی کی تربیت کے لیے DBR
Designing faculty standards for technology integration in higher education institutions: a design-based research study — اساتذہ کے ٹیکنالوجی انضمام کے معیارات کے لیے DBR
Human-centered AI for teacher educators: Designing professional learning for critical AI literacy — اساتذہ کے تربیت کاروں کے لیے انسان مرکز AI (DBR)
New systems of learning for distance learning institutions? A six-study review of implementing AIDA — Open University میں AIDA نافذ کرنے والے چھ DBR مطالعات
Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher — GenAI تنقیدی سوچ کے سہارے کے لیے DBR
Design of a Science-Integrated Secondary School AI Literacy Curriculum: A Youth & AI Expert Guided Design-Based Research Approach — سائنس سے مربوط AI خواندگی نصاب کے لیے DBR (Moore وغیرہ 2026)
Play With AI (PL-AI): A Play-Centered, Design-Based Curriculum for AI Literacy in Pre-K and Kindergarten — Play With AI (PL-AI): pre-K اور کنڈرگارٹن کے لیے کھیل مرکز AI خواندگی نصاب (Lee 2026)
From evaluation to emulation: LLMs as agents of iterative pedagogical design — LLM بطور تکراری تدریسی ڈیزائن کے ایجنٹ

میٹا ڈیٹا

تحقیقی ڈیزائن	Literature Review
تحقیقی طریقے اور جائزہ	ڈیزائن پر مبنی تحقیق, AIED میں تحقیقی طریقے

ذریعہ تاریخچہ ترمیم کریں گفتگو