طلبہ کے مختلف گروہوں میں تفریقی اثرات

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

طلبہ کے مختلف گروہوں میں تفریقی اثرات — تعلیم میں AI کے بارے میں تحقیق اِس بارے میں کیا پاتی ہے کہ AI کا استعمال اور اُس کے اثرات مختلف قسم کے طلبہ میں کیسے مختلف ہوتے ہیں: معذوری والے طلبہ اور نیورو ڈائیورجنٹ طلبہ، دوسری زبان والے اور کثیر لسانی طلبہ، لڑکیاں اور لڑکے، اقلیتی پس منظر کے طلبہ، کم آمدنی والے پس منظر کے طلبہ، دیہی طلبہ، پہلی نسل کے طلبہ، بین الاقوامی طلبہ، اور بالغ طلبہ۔ ساتھ لے جانے کے قابل نمونہ ایک ہی وقت میں دو سمتوں میں ناہموار ہے: کچھ دھاریوں کے پاس حقیقی ثبوت ہے (معذوری، زبان) جبکہ دیگر تقریباً خالی ہیں (پہلی نسل، بین الاقوامی، پناہ گزین)، اور مضبوط دھاریاں بھی شاذ و نادر ہی یہ ثابت کرتی ہیں کہ کوئی گروہ مختلف ہے — وہ یہ ثابت کرتی ہیں کہ کسی ٹول نے اُس گروہ کے ایک نمونے کی مدد کی یا اُسے نقصان پہنچایا، جو ایک الگ دعویٰ ہے، اور اِس دعوے کے لیے موازنہ گروہ کے بغیر کوئی راستہ نہیں۔ یہ صفحہ نقشہ کھینچتا ہے کہ کیا موجود ہے، کیا دکھاتا ہے، اور وہ طریقہ کارانہ وجوہات کہ گروہی اوسط کسی طالب علم کے بارے میں پیش گوئی نہیں ہے۔

غور کرنے کے لیے سوالات

• آپ کا ٹول زیادہ تر آپ کی کلاس کے طلبہ کے لیے کام کرتا ہے، اور پانچ طلبہ کے ایک ذیلی گروہ نے جدوجہد کی۔ اِس قسم کے مطالعے میں اُس حجم کا ذیلی گروہی فرق کیا بالکل قابلِ شناخت ہوتا — اور کیا آپ اُس ثبوت پر پوری کلاس کے لیے ٹول بدلنا چاہیں گے؟
• معذوری والے طلبہ پر تحقیق ایسے اثرات رپورٹ کرتی ہے جو معذوری کی قسم کے حساب سے بدلتے ہیں۔ اگر دو قسمیں ایک ہی میٹا تجزیے میں بہت مختلف اثر حجم پر بیٹھیں، تو یہ ڈیزائن کے فیصلے میں "معذوری" کو ایک گروہ سمجھنے کے بارے میں کیا کہتا ہے؟
• کئی مطالعات ایسے AI ٹولز پاتے ہیں جن کے اثرات صنف کے حساب سے مختلف نہیں ہوتے، اور دیگر کام دکھاتا ہے کہ AI فیڈبیک اور AI کی مدد سے تحریر صنفی دقیانوسی تصورات کو دہراتی ہیں جب پرسونا یا پرامپٹ اُنھیں ساتھ لے چلیں۔ یہ دونوں باتیں بیک وقت درست کیسے ہو سکتی ہیں؟
• زیادہ تر انصاف کا کام حقیقی طلبہ کی بجائے مصنوعی طالب علم پرسونا آزماتا ہے، کیونکہ بیشتر تعیناتیوں میں ماڈل کو استنتاج کے وقت حقیقی آبادیاتی خصوصیات دستیاب نہیں ہوتیں۔ ایک ضدِ حقیقت پرسونا آڈٹ کیا ثابت کر سکتا ہے، اور کیا نہیں؟
• اِس صفحے کی دھاریوں کا جائزہ لیتے ہوئے، آپ کے ٹول کی تصدیق کے پیچھے موجود مطالعات میں کون سے طلبہ گروہ واقعی نمائندگی رکھتے ہیں — اور ایسے گروہ کے بارے میں آپ کیا کریں گے جو غائب ہے؟
• ایسی مداخلت جو سب کے نتائج بڑھائے مگر خلا پُر کرے (سب سے زیادہ پیچھے رہنے والے طلبہ کی مدد کرے) کا مساوات کا قصہ اُس مداخلت سے مختلف ہے جو اوسط بڑھائے۔ جب آپ کسی پائلٹ کا جائزہ لیتے ہیں، تو آپ خلا ناپ رہے ہیں یا اوسط؟

تعارف

"کیا AI اِس قسم کے طالب علم کے لیے کام کرتا ہے؟" کے اندر دو سوال چھپے ہیں۔ پہلا اثرات کے بارے میں ہے: کیا کوئی ٹول مختلف گروہوں کے لیے مختلف نتائج پیدا کرتا ہے۔ دوسرا استعمال کے بارے میں ہے: کیا مختلف گروہ ایک ہی ٹول کو مختلف طریقے سے اپناتے، حاصل کرتے یا اُس سے تعامل کرتے ہیں، جو بغیر کسی تفریقی اثر کے بھی نتائج کو شکل دے سکتا ہے۔ یہ صفحہ دونوں کا احاطہ کرتا ہے، گروہ بہ گروہ، اور صاف بتاتا ہے کہ ادب کہاں رک جاتا ہے۔ یہ فرق عملی ہے: اگر اثر موجود نہیں اور صرف استعمال مختلف ہے، تو علاج استعمال کے راستے میں ہے؛ اگر اثر موجود ہے تو علاج خود ٹول کے ڈیزائن میں ہے۔

یہ جان بوجھ کر اپنے پڑوسیوں کی نقل نہیں ہے۔ تعلیم میں AI میں مساوات معیاری اور ساختی فریم رکھتا ہے — رسائی، نمائندگی اور نتائج کی مساوات، اور اِس دلیل کہ تعلیم میں AI کو کیا کرنا چاہیے۔ شامل سیکھنا ڈیزائن کا فریم رکھتا ہے، بشمول سیکھنے کے لیے عالمگیر ڈیزائن۔ ڈیجیٹل تقسیم رسائی اور مہارت کی تہوں کا احاطہ کرتا ہے۔ عصبی تنوع، خصوصی تعلیم، رسائی اور کثیر لسانی سیکھنا الگ الگ گروہوں پر گہرائی سے جاتے ہیں۔ اِس صفحے کے لیے جو بچتا ہے وہ بین گروہی ثبوت کا نقشہ اور تشخیصی سوال ہے: یہ اثرات کیسے اندازے جاتے ہیں، کون سے گروہ بالکل پڑھے جاتے ہیں، اور گروہی سطح کی دریافت آپ کو کیا کرنے کی اجازت دیتی ہے۔

گروہی فرق کیسے رپورٹ ہوتے ہیں، اور بیشتر کیوں نہیں ہو سکتے

ایک واحد گروہ کا مطالعہ تفریقی اثر کا مطالعہ نہیں ہے۔ اِس میدان کا بیشتر ادب کسی ایک گروہ کو بغیر موازنہ گروہ کے ناپتا ہے۔ Zhang et al. (2024) نے معذوری والے طلبہ کے لیے AI کے 29 (نیم-)تجرباتی مطالعات کو یکجا کیا اور درمیانہ مثبت اثر پایا (Hedges' g = 0.588, 95% CI [0.349, 0.826]) — بغیر کسی نیورو ٹائپیکل موازنہ کے۔ یہ آپ کو بتاتا ہے کہ مداخلت نے مدد کی، یہ نہیں کہ اُس نے اِس گروہ کی مدد مختلف طریقے سے کی۔

ذیلی گروہی تجزیے عام طور پر سوال کا جواب دینے کے لیے بہت چھوٹے ہوتے ہیں۔ GCSE سائنس مائیکرو-RCT غیر معمولی طور پر واضح ہے: اُس کا علاج-بہ-حالت تعامل 0.57 نمبر تھا (95% CI −2.25 تا 3.39)، ایک گروہ کے لیے سطح بند اندازے g = 0.28 (95% CI −0.04 تا 0.59) اور دوسرے کے لیے g = 0.35 (95% CI 0.18 تا 0.52)۔ یعنی ایک گروہ کا وقفہ صفر سے نیچے تک جاتا ہے جبکہ دوسرے کا وقفہ صفر سے واضح طور پر اوپر ہے، اور یہی عدم توازن بتاتا ہے کہ مطالعہ دونوں گروہوں کے فرق کے بارے میں خاموش ہے۔ صفر کو چھوتا ہوا ذیلی گروہی وقفہ مقامی پائلٹ کے لیے ایک سوال ہے، پوری کلاس کے لیے اصول کی بنیاد نہیں۔

آبادیاتی خصوصیات عام طور پر مصنوعی ہوتی ہیں۔ حقیقی طالب علم کی آبادیات شاذ و نادر ہی ماڈل کے اِن پُٹس کے ساتھ جڑی ہوتی ہیں، اِس لیے آڈٹ پرسونا فراہم کرتے ہیں۔ Rooein, Benedetto اور Hovy (2026) نے چھ ہدایت-ٹیونڈ ماڈلز کو تین تعلیمی کاموں پر ماڈل-ڈیفالٹ، صریح-پرسونا اور مضمر-تاریخ کی شرائط میں چلایا — 192,480 استنتاج کالز — اور پایا کہ صریح پرسونا اور مضمر گفتگو کی تاریخیں دونوں ماڈل کے رویّے کو ہلاتی ہیں۔ اُن کا امتیاز سنبھالنے کے قابل ہے: طلبہ کے فرق سے آگاہی مطلوب ہو سکتی ہے (طالب علم کی پہلی زبان کے لیے فیڈبیک ایڈجسٹ کرنا)، جبکہ یہی حساسیت نقصان ہے جب وہ یکساں کام کے فیصلے کو بدل دے — یعنی جب دو بالکل ایک جیسے جوابات کو صرف طالب علم کی شناخت کی بنا پر مختلف درجے ملیں۔

انصاف کی اصلاحات لازماً عام نہیں ہوتیں۔ Fragkiadakis et al. (2026) نے تصدیقی ڈیٹا پر طالب علم توجہ کے اندازے میں صنف- اور عمر-ہدف غلطی کے خلا کم کیے، مگر یہ فائدے مستقل طور پر الگ رکھے گئے مضامین یا دہرائے گئے مضمون-سطح تقسیموں پر منتقل نہیں ہوئے۔

گروہی لیبل اپنے اندر کا تنوع چھپا دیتے ہیں۔ اُسی معذوری میٹا تجزیے میں، مخصوص سیکھنے کی معذوری، ذہنی و نشوونما کی معذوری والے یا بہرے طلبہ نے بڑا اثر دکھایا (g = 0.952) نسبت آٹزم اسپیکٹرم ڈس آرڈر والے طلبہ کے (g = 0.368) — یہ فرق مصنفین 41 آزاد نمونوں کے 239 اثر حجم میں شماریاتی طور پر غیر اہم بتاتے ہیں۔ "معذوری" ایک گروہ نہیں ہے، اور "L2 طالب علم" بھی نہیں۔

معذوری اور نیورو ڈائیورجنس

یہ علم کی بنیاد کی سب سے گہری دھاری ہے، اور وہی جہاں رپورٹنگ سب سے مضبوط ہے: بڑے نمونے، واضح اثر حجم، اور ایسے جائزے جو اپنے ہی تعصب کا حساب دیتے ہیں۔

• اثرات حقیقی ہیں مگر نتائج کے حساب سے ناہموار تقسیم ہیں۔ Zhang et al. (2024) میں تعلیمی کارکردگی نے سب سے بڑا اثر دکھایا (k = 80, g = 0.929)، جو روزمرہ زندگی اور دیگر مہارتوں (g = 0.766) اور سماجی-جذباتی مہارتوں (k = 144, g = 0.382) سے آگے تھا۔ اشاعت کا تعصب موجود تھا (Egger's test β = 2.837, p < .001)؛ trim-and-fill نے مشترکہ اندازے کو g = 0.2694 تک گھٹایا، جو شماریاتی طور پر اہم رہا۔ سرخی کا اثر اور تعصب-ایڈجسٹ شدہ اثر دونوں ایک ساتھ پڑھیں۔

• میدان جنریٹو AI کے گرد دوبارہ منظم ہو گیا ہے۔ نیورو ڈائیورجنٹ طلبہ کے لیے ڈیجیٹل معاون ٹیکنالوجیز کا اسکوپنگ جائزہ نے 766 ریکارڈ چھان کر 40 تجرباتی مطالعات شامل کیے، جن میں 15 نے جنریٹو AI اور 11 نے عمیق (immersive) فارمیٹ استعمال کیا۔ یہ دھاری پختہ ہونے کی بجائے چھوٹی اور نئی ہے، اور اِس کا بیشتر ثبوت گزشتہ تین سالوں میں آیا ہے۔

• کچھ AI معاونتیں تفریق پیدا کرنے کی بجائے برابری لاتی ہیں۔ Pimenova, Begel اور ساتھیوں نے تدریسی ویڈیوز کو اندر-شرکاء مطالعے (17 ADHD، 10 غیر-ADHD) میں ایک-ہدایت کے ٹکڑوں میں مقررہ وقفوں کے ساتھ تقسیم کیا؛ سب بہتر ہوئے، اور ADHD شرکاء کی غلطیاں اور ہچکچاہٹیں اپنے غیر-ADHD ساتھیوں کے برابر آ گئیں۔ یہ خودکار مواد تبدیلی کے ذریعے سیکھنے کے لیے عالمگیر ڈیزائن کے لیے دستیاب ثبوت کی سب سے مضبوط صورت ہے: ایک عام تبدیلی جو خلا پُر کرے، نہ کہ گروہ-ہدف اصلاح۔

• نیورو ڈائیورجنٹ طلبہ اپنی ضرورت کے طور پر جو بتاتے ہیں وہ اکثر معمولی سی چیز ہوتی ہے۔ 24 نیورو ڈائیورجنٹ کمپیوٹنگ طلبہ اور 20 نیورو ٹائپیکل ساتھیوں کا سروے، چار انٹرویوز کے ساتھ، نے ایسے اسائنمنٹس سے نمایاں بے چینی پائی جن میں واضح ساخت نہ ہو یا مبہم توقعات ہوں — ایسی سہولت جس کی فراہمی پر کچھ خرچ نہیں آتا، مگر جسے طلبہ خود مانگنے میں ہچکچاتے ہیں۔

• ڈیزائن کے انتخاب علمی طور پر بھی خارج کر سکتے ہیں۔ Tali-Otmani (2026) دلیل دیتے ہیں کہ انگریزی، مغرب-مرکز تربیتی ڈیٹا غیر غالب طریقہ ہائے دانائی کو حاشیے پر دھکیلتا ہے، اور معذور طلبہ کی صورتِ حال کو اُس تنقید کے مرکز میں رکھتے ہیں۔

• "ایک ہی انسانی درجے پر، گریڈر شناخت شدہ اور غیر شناخت شدہ طلبہ کے ساتھ یکساں سلوک کرتا ہے۔" 3,000 ASAP 2.0 مضامین میں، جو فیصل شدہ درجے پر بالکل ملائے گئے تھے، 22 ماڈلز میں سے ہر ایک نے معذوری-شناخت شدہ گروہ کو کم درجہ دیا، چھ نکاتی پیمانے پر −0.086 سے −0.429 تک، اور 20 نے GAP REPLICATES پڑھا۔ کنونشن کی غلطیاں اور طوالت 20 میں سے 17 ماڈلز کے لیے اِس کا زیادہ سے زیادہ پانچواں حصہ تھیں، اور چونکہ ASAP 2.0 ایک ہی درجہ جاری کرتا ہے، ڈیزائن انسانی پینل کے مشترکہ تعصب کو ماڈلز کے مشترکہ تعصب سے الگ نہیں کر سکتا (پڑھائی SHARED GAP ہے، ماڈل کا تعصب نہیں)۔

زبان: دوسری زبان، کثیر لسانی اور انگریزی سیکھنے والے

مضامین کی گنتی کے حساب سے یہ سب سے بڑی دھاری ہے، اور یہ صاف طور پر ٹول کے اثرات اور ٹول کے نقصانات میں بٹ جاتی ہے: ایک طرف وہ مطالعات جو دکھاتے ہیں کہ مدد کام کرتی ہے، دوسری طرف وہ جو دکھاتے ہیں کہ خود زیرِ استعمال ڈھانچہ کس کو نقصان پہنچاتا ہے۔

• ٹول کے اثرات امید افزا اور شور بھرے ہیں۔ Wang, Zhang اور Zou (2026) نے روبوٹ کی مدد سے زبان سیکھنے کے 11 مطالعات (17 اثر حجم، N = 595) کا میٹا تجزیہ کیا اور مجموعی مثبت اثر پایا (g = 0.83, 95% CI [0.46, 1.21])، بلند غیر ہم آہنگی کے ساتھ (I² = 84.4%)؛ آزمائے گئے چھ ماڈریٹرز میں صرف روبوٹ-طالب علم تعامل کی قسم اہم تھی۔ اِس حجم کی ثبوت کی بنیاد ایک عارضی بینچ مارک کو سہارا دیتی ہے، خریداری کے فیصلے کو نہیں۔
• بنیادی ڈھانچہ ہی کسی ٹول کے استعمال سے پہلے ناہموار ہے۔ Roy اور Roy (2026) بنگالی کو مثال بنا کر کارپس کے خلا کو دستاویز کرتے ہیں: عالمی ویب مواد کا 0.5% سے کم، جبکہ انگریزی کے لیے تقریباً 49.5%، حالانکہ بنگالی بولنے والے دنیا کی آبادی کا تقریباً 4% ہیں۔
• تدریس کی زبان 294 اعلیٰ تعلیمی طلبہ کے نتائج بدلتی ہے۔ وہی جائزہ رپورٹ کرتا ہے کہ غیر ملکی زبان کا مواد مادری زبان کی تدریس سے کم نتائج دیتا ہے، اور دو لسانی پروگرامنگ تدریس نے صرف-انگریزی تدریس سے بہتر کارکردگی دکھائی۔
• ڈیٹیکٹرز دوسری زبان لکھنے والوں کو جرمانہ کرتے ہیں۔ Hadra, Cambridge اور Mesbah (2026) نے Turnitin اور Originality کو 192 متن پر آزمایا: ایک ڈیٹیکٹر نے پیشہ ورانہ لکھے گئے 48 میں سے 48 متن درست درجہ بند کیے مگر EFL طلبہ کے 48 میں سے چار کو غلط درجہ بند کیا (91.6%)۔ عدم توازن ہی اصل بات ہے — غلطی اُس گروہ پر پڑتی ہے جس کی تحریر پہلے ہی جانچی جا رہی ہے۔

صنف

یہاں صنف کی تحقیق دو حصوں میں بٹتی ہے: کیا ٹولز طلبہ کے ساتھ مختلف سلوک کرتے ہیں، اور کیا طلبہ دقیانوسی تصورات سے لدی ٹولنگ کے سامنے آتے ہیں۔

• جان بوجھ کر صنف-غیر جانبدار ڈیزائن نے کوئی صنفی فرق نہیں دکھایا۔ 195 نویں جماعت کے طلبہ کا نیم-تجرباتی مطالعہ نے ADA آزمایا، ایک زنانی-کوڈ شدہ چیٹ بوٹ جو Ada Lovelace پر استوار تھی: حالاتی دلچسپی دونوں صنفوں میں بڑھی، اور جذباتی ردِعمل، علمی بوجھ یا تعلیمی کارکردگی میں کوئی صنفی فرق نہ آیا۔ رول ماڈل پرسونا دقیانوسی خطرے کو بھڑکائے بغیر بنایا جا سکتا ہے۔
• مگر پرامپٹ کا مواد تعصب کو طالب علم کے کام میں منتقل کرتا ہے۔ 123 شرکاء کا کنٹرول شدہ مطالعہ نے طلبہ سے کہا کہ صرف صنف میں مختلف جڑے پروفائلز کے لیے کیریئر منصوبے کے مضامین لکھیں، بغیر-AI، غیر جانبدار-AI اور صنفی-متعصب-AI شرائط میں؛ متعصب شرط نے صنفی-متفاوت زبان طالب علم کی تحریر میں منتقل کی اور زنانی سیکھنے والے کی ایجنسی کو غیر متناسب طور پر دبایا۔ محققین نے پہلے 1,600 تخلیق شدہ مضامین پر اثر کی تصدیق کی۔
• جگہ اور فریمنگ کا اتنا ہی دخل ہے جتنا ٹول کا۔ صرف لڑکیوں کے جنریٹو AI میکر اسپیس کی کیس اسٹڈی نے پایا کہ لڑکیوں نے یک-صنفی ماحول کو زیادہ محفوظ اور پُرسکون سمجھا، اور "girlification" کے خلاف خبردار کیا — سطحی موافقت جو طاقت کے تعلقات کو اچھی طرح نہیں چھوڑتی۔
• ماڈل کی حساسیت ماڈل کی خاصیت ہے، مستقل نہیں۔ EduFair-Bench میں، 7B سے 70B تک پانچ ٹیوٹرز نو آبادیاتی سطحوں پر آڈٹ کیے گئے: Qwen2.5-7B نے 12 ڈومین-بہ-جہت خلیوں میں سے 7 میں |r| ≥ 0.10 تعصب کی حد سے تجاوز کیا، جبکہ LLaMA-3.1-8B نے ایک بار۔ تدریس-مخصوص تربیت نے کچھ تعصبات کم اور کچھ زیادہ کیے۔
• یک-محور اصلاح کسی گروہ کو زیادہ نقصان میں چھوڑ سکتی ہے: صنفی-متنوع طلبہ، جو "Unknown Gender" کے زمرے میں ڈال دیے گئے، ہر انصاف کے طریقے کے تحت کم ترین حقیقی مثبت شرح رکھتے تھے، اور کسی یک-محور طریقے نے اُن کے ساتھ سلوک بہتر نہ کیا — وہی گروہی-لیبل کا تنوع جو اوپر نوٹ ہوا، ایک پیش گوئی کرنے والے ابتدائی انتباہ ماڈل کے اندر، ٹیوٹر میں نہیں (McConvey et al. (2026))۔

نسل، قومیت اور اقلیتی طلبہ

یہ دھاری مضامین کی گنتی میں چھوٹی اور طریقہ کار میں مضبوط ہے، کیونکہ ثبوت اِس بارے میں ہے کہ AI کسی آبادیاتی خصوصیت کے ملنے کے بعد اُس کے ساتھ کیا کرتا ہے — نہ کہ صرف یہ کہ اُس خصوصیت والے طلبہ کم یا زیادہ سیکھتے ہیں۔

• شخصی بندی تعصب کا راستہ ہے۔ Marked Pedagogies دکھاتا ہے کہ بڑے لینگویج ماڈلز (LLMs) تحریری-فیڈبیک ٹولز یکساں مضامین پر، جب فیڈبیک طالب علم کی نسل، زبان، معذوری، کامیابی یا تحریک کے ساتھ شخصی بنایا جائے، دقیانوسی-ہم آہنگ تعریف اور روکی گئی تنقید کی طرف سرک جاتے ہیں۔
• آبادیاتی اشارہ مضمر بھی ہو سکتا ہے۔ اوپر کے ضدِ حقیقت آڈٹ نے پایا کہ گفتگو کی تاریخیں، نہ صرف صریح پرسونا، اسکورنگ اور فیڈبیک کے رویّے کو ہلاتی ہیں — وہی 192,480 استنتاج کالز کا نتیجہ، اور ایک وجہ کہ اعلان شدہ آبادیات کے بارے میں افشا کا اصول ناکافی ہے۔
• ہجرت اور زبان کے خلا غالب آ سکتے ہیں۔ EduFair-Bench میں، 70B ماڈل نے سب سے بڑے زبان اور ہجرت کے خلا سب سے چھوٹے پیدگوجیکل خلا کے ساتھ جوڑے، چنانچہ جو ٹیوٹر پیدگوجیکل طور پر مضبوط دکھتا ہے وہی اِس بات کے لیے سب سے زیادہ حساس ہو سکتا ہے کہ طالب علم کیسا لگتا ہے، اور پیدگوجیکل معیار کا سکور اِس حساسیت کے بارے میں کچھ نہیں بتاتا۔
• علمی اخراج، صرف غلطی نہیں: اوپر اقلیتی طریقہ ہائے دانائی کی حاشیہ بندی دیکھیں۔

سماجی و اقتصادی حیثیت، جغرافیہ اور عمر

• ڈیجیٹل خواندگی ثالث ہے، AI کا استعمال نہیں۔ Wang اور ساتھیوں (2026) نے نیدرلینڈز کے 4,497 چھٹی جماعت کے طلبہ کے سروے اور قومی رجسٹری ڈیٹا کی ماڈلنگ کی اور پایا کہ شخصیت کی خصوصیات اور تعلیمی کارکردگی کا ربط AI استعمال کی شدت کی بجائے ڈیجیٹل خواندگی سے گزرتا ہے، جہاں ڈیجیٹل خواندگی کے فرق سماجی و اقتصادی حیثیت سے زیادہ شخصیت سے چلتے ہیں — اور SES کے فائدے AI شمولیت سے آزاد کام کرتے ہیں۔ صرف-SES کا روایتی فریم نامکمل ہے۔
• جغرافیہ بائنڈنگ رکاوٹ ہو سکتا ہے۔ ARC کا بیان K-12 روبوٹکس اور AI تعلیم کے بارے میں رپورٹ کرتا ہے کہ دیہی FIRST LEGO League شرکت 2020 کے ریموٹ سیزن میں گر گئی اور کبھی نہ اُبھری جبکہ شہری شرکت آہستہ آہستہ اُبھری، اور پائیدار مقامی تکنیکی رہنمائی — کٹس یا نصاب نہیں — کو وہ رکاوٹ قرار دیتا ہے جو جغرافیائی طور پر تقسیم ہے۔
• بالغ طلبہ الگ ڈیزائن کیس ہیں، جن کا احاطہ بالغ سیکھنا اور علم کی بنیاد کا اینڈراگوجی کام کرتا ہے، K-12 مطالعات نہیں۔
• رسائی پھر بھی باقی سب کچھ گیٹ کرتی ہے: ڈیجیٹل تقسیم دیکھیں اور وہ دریافت کہ AI ٹیوٹنگ تک رسائی کافی نہیں بغیر پیدگوجیکل ہم آہنگی کے۔

شعبہ جاتی پس منظر

شعبہ جاتی پس منظر ایک تفریقی محور ہے جو اِس صفحے کا گروہ-بہ-گروہ نقشہ ابھی تک نہیں اٹھاتا تھا: ایک ہی ٹول اپنا فائدہ طلبہ کی آبادیات کے بجائے شعبوں میں ناہموار تقسیم کر سکتا ہے۔

• ایک ٹول ایک شعبے کو شامل اور دوسرے کو جدا کر سکتا ہے۔ مخلوط-شعبہ ٹیموں میں 130 انڈر گریجویٹس کے دو ہفتے کے نیم-تجربے میں، ChatGPT نے STEM طلبہ کے لیے جسمانی شمولیت بڑھائی اور غیر-STEM طلبہ کے لیے گھٹائی (Q = 9.87, p < .05)، اور ChatGPT کے بغیر لکھے گئے نوٹس شعبہ جاتی خیالات کے تنوع اور یکجائی پر زیادہ اسکور کیے (Zhu et al. (2026))۔

کہاں ثبوت غائب ہے

اِس جائزے کی ایماندار دریافت یہ ہے کہ کچھ گروہ کتنے پتلے ہیں۔ اِن میں سے ہر ایک ثبوت کی بنیاد میں حقیقی خلا ہے، اِس صفحے میں خلا نہیں، اور اِن خلاوں کو لکھنا ہی اِس جائزے کا سب سے مفید حصہ ہے۔

• پہلی نسل کے طلبہ: ایک مطالعہ اثر کے بجائے استعمال کا فرق رپورٹ کرتا ہے۔ ایک CS2 تفتیشی مطالعے میں، جاری-نسل کے طلبہ نے AI کو فعال مسئلہ حل کرنا ساتھی سمجھا، جبکہ پہلی نسل کے طلبہ نے تصدیقی، جواز-مرکز کردار اپنایا اور مجموعی طور پر کم سوالات پوچھے۔

• پہلی نسل کے طلبہ: پہلا اثر اندازہ، اور وہ اُلٹی سمت چلتا ہے۔ Liu et al. (2026) کا بے ترتیب آزمائش، جو کورس-مربوط AI ٹیوٹر کا ہے، وہ فراہم کرتا ہے جو اوپر کے اندراج میں نہیں — استعمال کے نمونے کی بجائے ایک ناپا ہوا تفریقی فرق۔ مکمل نمونے میں ٹیوٹر تک رسائی کا آخری درجات پر اثر پہلی نسل کے طلبہ کے لیے 2.87 نمبر (0.28 SDs) زیادہ منفی تھا، یعنی اُن کے لیے −5.10 نمبر (−0.50 SDs) بمقابلہ اُن کے ساتھیوں کے −2.23 نمبر (−0.22 SDs)؛ تفریقی فرق بالکل-مطابق نمونے میں بڑا تھا (−3.89 نمبر، −0.35 SDs)، اور پہلی نسل کے طلبہ نے ہوم ورک کے زیادہ نمبر اور پلیٹ فارم کے زیادہ صفحہ ویوز بھی کھوئے۔ مطالعہ کوئی طریقہ کار نہیں بتاتا اور اُس کی درستگی نتیجے کے حساب سے بدلتی ہے، مگر سمت خلا تنگ کرنے والی کہانی کے اُلٹ ہے: جن طلبہ کی تعلیمی مدد تک پیشگی رسائی سب سے کم تھی اُنھیں سب سے بڑی ناپی گئی لاگت اُٹھانی پڑی۔

• بین الاقوامی طلبہ: ایک مخلوط طریقہ مطالعہ (سروے n = 60، انٹرویو n = 14) بین الثقافتی موافقت کی مدد پر۔

• بین الاقوامی طلبہ: ایک ناپا ہوا شمولیت کا نمونہ، اثر کا اندازہ نہیں۔ سات برطانوی بزنس اسکولوں میں 270 اقلیتی نسلی بین الاقوامی طلبہ میں، رپورٹ شدہ جنریٹو AI استعمال چاروں شمولیت دھاریوں کے ساتھ مثبت طور پر وابستہ تھا — سب سے مضبوط ایجنٹک شمولیت (β = 0.429) — اور سہولت بخش شرائط (β = 0.369) استعمال کی نیت کی سب سے مضبوط پیش گو (Adekoya et al. (2026))۔

• ہونہار اور اعلیٰ کامیابی والے طلبہ: اِس کارپس میں بطور گروہ عملاً غیر مطالعہ شدہ۔

• پناہ گزین، تارکین وطن اور بے گھر طلبہ: کوئی مطالعہ نہیں۔

• صنف کو اب بھی دو رخی سمجھا جاتا ہے اوپر کے بیشتر کام میں، اور معذوری کی قسمیں مطالعے بدلتی ہیں، چنانچہ "اسی" گروہ کا بین-مطالعہ موازنہ حدود رکھتا ہے۔

• "سیکھنے کا سیاق گریڈر کو زیادہ منصف بناتا ہے۔" 3,000 مضامین پر، دو ماڈلز کے گریڈ کیے ہوئے، ایک ابلیشن نے ہر اُس گروہ کے لیے اعلیٰ-ادنیٰ لیبل کا خلا یکساں پایا جسے وہ آزمایا جا سکتا تھا، ہر فرق ایک سطح کے 0.045 کے اندر۔ Qwen پر ادنیٰ لیبل نے پھر بھی انگریزی سیکھنے والوں، معاشی طور پر محروم اور معذوری-شناخت شدہ طلبہ سے اُن کے ساتھیوں کی نسبت 0.06 سے 0.08 نمبر زیادہ لیا۔ بغیر لیبل دونوں ماڈلز نے آخری دو گروہوں کو برابر انسانی اسکور پر ساتھیوں سے نیچے ہی رکھا۔ ایک ریکارڈ جو غلط ہو سکتا ہے نمبر ہلاتا ہے، اور سب سے سخت اُنھی پر ہلاتا ہے جنھیں پہلے ہی کم سمجھا جا رہا ہے۔

اِس ثبوت کو گروہی لیبل پر اوور فٹ کیے بغیر استعمال کرنا

• گروہی اوسط کو آبادی کے بارے میں مفروضہ سمجھیں، کبھی کسی شخص کے بارے میں پیش گوئی نہیں۔ اوپر کا ہر تفریقی دعویٰ تقسیمی بیان ہے: یہ بتاتا ہے کہ گروہوں کی تقسیم کیسی دکھتی ہے، نہ یہ کہ اگلا طالب علم کیسا ہوگا۔
• پوچھیں کہ کیا آپ کے طلبہ تصدیقی نمونے میں بالکل شامل تھے کسی ٹول کی دعویٰ کردہ شمولیت پر بھروسا کرنے سے پہلے؛ نیورو ڈائیورجنس اور زبان کی دھاریاں دونوں دکھاتی ہیں کہ ترقی میں نمائندگی استثنا ہے۔
• جہاں ثبوت اجازت دے، برابری لانے والے ڈیزائن کو ترجیح دیں۔ ADHD ویڈیو-تقسیم کا نتیجہ — سب بہتر ہوتے ہیں، خلا پُر ہوتا ہے — عام کلاس کے لیے گروہ-ہدف اضافے سے بہتر فٹ ہدف ہے۔
• آبادیاتی خصوصیات کھانے والی شخصی بندی سے محتاط رہیں۔ marked pedagogies کی دریافت بالکل اُسی طریقہ کار کے بارے میں ہے، اور یہ بہبود چیک-اِنز، جذباتی ٹیوٹرز اور طلبہ کی پروفائل بنانے والے ری کامنڈر نظاموں پر لاگو ہوتی ہے۔
• مقامی طور پر آزمائیں، اُس گروہ پر جس کی آپ کو فکر ہے، ایسے نتیجے کے ساتھ جو ٹول کے بغیر ناپا گیا ہو۔ تشخیصی عادتوں کے لیے AIEd تحقیق کی تشریح اور اطلاق دیکھیں اور مقامی آزمائش کو قابلِ دفاع بنانے والے ڈیزائنوں کے لیے تعلیم میں AI میں تحقیقی طریقے دیکھیں۔
• سب سے زیادہ براہِ راست عملی ثبوت والا گروہ بندی متغیر علمی ہے، آبادیاتی نہیں۔ Wang et al. (2026) نے گروہوں کو پیشگی علم پر ملایا (U = 293.50, p = 0.515) اور پھر بھی پایا کہ طلبہ کی استدلال کا انداز شکل دیتا ہے کہ کیا ہوتا ہے۔ مختلف پیشگی تصورات والے آٹھ گروہوں اور ملتے جلتے چھ گروہوں نے یکساں قسم کے سوالات پوچھے، پھر بھی AI متنوع گروہوں میں یکجائی کا مرکز بنا اور ملتے جلتے گروہوں میں سیدھے راستے پر بیٹھا، الٹی پائیدار جانچ کے ساتھ۔ یہ ایک 60 منٹ کے کام میں چودہ گروہوں پر کھڑا ہے، اِس لیے اِسے اِس بارے میں مفروضہ سمجھیں کہ آپ گروہ کیسے بناتے ہیں، اصول نہیں۔

عام غلط فہمیاں

• "گروہی لیبل اُس تنوع کو پکڑتے ہیں جو اہم ہے۔" گروہی لیبل اپنے اندر کا تنوع چھپا دیتے ہیں: معذوری کے میٹا تجزیے میں، مخصوص سیکھنے کی معذوری، ذہنی و نشوونما کی معذوری والے اور دیگر قسمیں ایک ساتھ یکجا ہیں، چنانچہ گروہی اوسط اُن میں سے کسی کا بیان نہیں، اور اُس اوسط پر بنایا گیا کوئی فیصلہ کسی بھی قسم کے طالب علم کے لیے غلط ہو سکتا ہے۔
• "ذیلی گروہی تجزیے تفریقی اثرات کے سوال کا جواب دیتے ہیں۔" وہ عام طور پر اُس کا جواب دینے کے لیے بہت چھوٹے ہوتے ہیں: GCSE سائنس مائیکرو-RCT غیر معمولی طور پر واضح ہے کہ اُس کا علاج کا موازنہ مجموعی اثر کے لیے طاقت رکھتا ہے، ذیلی گروہی فرق کے لیے نہیں۔ کم طاقت والا ذیلی گروہی نتیجہ مفروضہ ہے، نتیجہ نہیں۔
• "درمیانہ مشترکہ اثر آپ کو بتاتا ہے کہ کوئی گروہ فائدہ اُٹھاتا ہے یا نہیں۔" 29 (نیم-)تجرباتی مطالعات معذوری کی اقسام میں یکجا کر کے Hedges' g = 0.588 (95% CI [0.349, 0.826])۔ وقفہ اُن اقسام پر اوسط کا بیان ہے، اور "کون سا گروہ، کون سی ضرورت" الگ تجزیہ ہے۔

منسلک تصورات

• مساوات
• شمولیتی سیکھنا
• ڈیجیٹل تقسیم
• عصبی تنوع
• رسائی
• خصوصی تعلیم
• کثیر لسانی سیکھنا
• زبان سیکھنا
• تعصب کا ازالہ
• ثقافتی طور پر متعلقہ تدریس
• سیکھنے کے لیے عالمگیر ڈیزائن
• معاون ٹیکنالوجی
• عالمی جنوب
• ذاتی نوعیت کی سیکھنا
• سیکھنے والے
• سیکھنے والے کی شناخت
• AIEd تحقیق کی تشریح اور اطلاق

منسلک مضامین

• Let's CHAT About Artificial Intelligence for Students With Disabilities: A Systematic Literature Review — معذوری والے طلبہ کے لیے AI کے 29 مطالعات: g = 0.588، اور تعصب ایڈجسٹمنٹ کے بعد g = 0.269
• ChatGPT for interdisciplinary learning: Does it equally benefit STEM and non-STEM students — ChatGPT نے بین الشعبہ سیکھنے میں STEM اور غیر-STEM طلبہ کو غیر مساوی فائدہ دیا
• Multidimensional engagement effects of generative AI adoption among minority ethnic international students in UK higher education — اقلیتی نسلی بین الاقوامی طلبہ میں GenAI استعمال اور چار-دھاری شمولیت
• Generative AI, virtual reality, and beyond: A scoping review of digital assistive technologies for neurodivergent students in higher education — 766 ریکارڈ سے 40 مطالعات، اُن میں 15 جنریٹو AI
• Leveling the Playing Field: Temporal Video Segmentation for Individuals with ADHD in Computing Education — ایک عام ڈیزائن تبدیلی جس نے ADHD شرکاء کو برابری پر لایا
• I can't read your mind": A Study of Neurodivergent Computing Students' Experiences with Collaborative Active Learning — 24 نیورو ڈائیورجنٹ طلبہ، ساخت، ابہام اور تعاون پر
• Generative artificial intelligence and the marginalization of minoritized knowledges in higher education — AI میں علمی حاشیہ بندی، معذوری کو مثال بنا کر
• Multimodality and Social Interactions in AI-Enhanced Embodied Robot-Assisted Language Learning: A Meta-Analysis — چھوٹی L2 ثبوت کی بنیاد میں g = 0.83، I² = 84.4% کے ساتھ
• Structural Silence: When AI Infrastructure Fails Speakers of Underrepresented Languages — بنگالی ویب مواد کا 0.5% سے کم، انگریزی کے 49.5% کے مقابل
• Evaluating the accuracy and reliability of AI content detectors in academic contexts — ڈیٹیکٹرز EFL تحریر کو غلط درجہ بند کرتے ہیں جبکہ پیشہ ورانہ متن کو کامل اسکور دیتے ہیں
• Bridging the Gender Gap in STEM Education with AI: Female-Coded Chatbot as Role Model and Learning Assistant — 195 طلبہ پر زنانی-کوڈ شدہ رول ماڈلز کا امتحان، بغیر صنفی فرق کے
• Contaminated Collaboration: Measuring Gender Bias Transfer in LLM-Assisted Student Writing — صنفی-متعصب پرامپٹس کا طالب علم مضامین میں منتقل ہونا
• Beyond “painting in pink”: A critical case study of all-girls generative AI workshops in a European makerspace — یک-صنفی جگہ کو قدر دی گئی، girlification کے خلاف انتباہ کے ساتھ
• EduFair-Bench: Evaluating Pedagogical Fairness of LLM Tutors Across Student Demographics — ٹیوٹر کا انصاف ماڈل، ڈومین اور رویّے کی جہت کے حساب سے بدلتا ہے
• Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback — یکساں مضامین پر دقیانوسی-ہم آہنگ فیڈبیک
• The Role of Implicit and Explicit Demographic Signals in Large Language Model-based Student Assessment — 192,480 کالز: صریح پرسونا اور مضمر تاریخیں دونوں ماڈلز کو ہلاتی ہیں
• Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation — انصاف کی باقاعدہ بندی جو عام نہ ہو سکی
• Decoding Divides: The Role of Socioeconomic Status and Personality Traits in AI Divides and Educational Inequality — 4,497 طلبہ: خلا کی ثالثی ڈیجیٹل خواندگی کرتی ہے، AI استعمال نہیں
• Teaching AI, Robotics, & Community: A Hubs-Based K-12 Education Framework for Reaching Rural Schools — دیہی شرکت جو کبھی نہ اُبھری، اور رکاوٹ کے طور پر رہنمائی
• Evaluating AI Tutoring at the Speed of Innovation: Practitioner-Led Micro-Randomised Trials of an AI Tutoring Platform in GCSE Science — ایک ذیلی گروہی تعامل جس کا اعتماد وقفہ صفر کو کاٹتا ہے
• Analysis of Types of Inquiries in Student-AI Interaction: A case study of two CS2 tasks — کارپس کی واحد پہلی-نسل استعمال کی دریافت
• Understanding How International Students in the U.S. Are Using Conversational AI to Support Cross-Cultural Adaptation — کارپس کا واحد بین الاقوامی طالب علم مطالعہ
• The Effects of Course-Integrated AI Tutoring on Student Performance and Engagement: A Randomized University Trial — پہلی نسل کے طلبہ کے لیے کارپس کا پہلا اثر اندازہ: ٹیوٹر تک رسائی نے اُنھیں آخری درجے کے 0.50 SDs کا نقصان پہنچایا بمقابلہ ساتھیوں کے 0.22 (Liu et al. 2026)
• Fairness Theatre: Evaluating Post-Hoc Fairness Interventions in Vendor-Controlled Early Warning Systems — Fairness Theatre: Evaluating Post-Hoc Fairness Interventions in Vendor-Controlled Early Warning Systems
• GenAI-based metacognitive prompting in collaborative inquiry: A comparison across diverse preconception groups — براہِ راست عملی ثبوت والا علمی گروہ بندی متغیر: پیشگی علم پر ملائے گئے مگر پیشگی تصورات کے تنوع میں مختلف گروہوں نے ایک ہی AI مختلف طور پر اپنایا (Wang et al. 2026)
• Beyond agreement: a benchmark of how language models grade student work, and how they fail — اتفاق سے آگے: 22 پرامپٹ شدہ گریڈرز ایسے پروبز سے ملتے ہیں جن کا درست جواب معلوم ہے، اور اُن میں سے بیشتر کو بہلا کر اوپر لایا جا سکتا ہے (Porcaro 2026)
• Learner context changes an LLM grader's marks on identical work: a within-item ablation on six models — سیکھنے کا سیاق یکساں کام پر LLM گریڈر کے نمبر بدلتا ہے، اور استاد کے ساتھ اتفاق اُسے رجسٹر نہیں کرتا (Porcaro 2026, Paper VI)