تعلیم میں AI کی پالیسی

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

تعلیم میں AI کی پالیسی — تعلیمی اداروں میں AI کے استعمال کو ضابطہ دینے والے رسمی اور غیر رسمی قواعد، قومی قانون سازی سے لے کر کلاس روم کی رہنما ہدایات تک۔ علمی ذخیرے میں پالیسی کی تحقیق ادارہ جاتی گورننس، نصاب کے لازمی تقاضوں اور اساتذہ کی تیاری کی شرائط پر پھیلی ہوئی ہے۔

غور کرنے کے سوالات

• ادارہ جاتی AI پالیسیاں اکثر ایسے لکھی جاتی ہیں جیسے لوگوں کو قواعد بتا دینا اُن کے عمل کو بدل دے گا۔ تحقیق بتاتی ہے کہ یہ پالیسیاں اصل AI استعمال سے بہت پیچھے رہ سکتی ہیں۔ آپ کے خیال میں 'کاغذ پر' پالیسی اتنی بار کلاس روم میں ہونے والے واقع سے کیوں مطابقت نہیں رکھتی؟
• اگر ہوم ورک آؤٹ سورس کرنا ایسے سیکھنے کے نقصانات کا سبب بنتا ہے جو زیادہ تر نظر نہیں آتے — کیونکہ کوئی ایک استاد طالب علم کے زوال کو AI کے استعمال سے نہیں جوڑتا — تو کس قسم کی پالیسی بھی ممکن ہو گی؟ نگرانی کیسی نظر آئے گی؟
• جانچ کی پالیسی کے فیصلے جیسے زبانی امتحانات، نگرانی والے ٹیسٹ اور بند کتاب کے فارمیٹ، خود AI سے ممکن ہونے والی بے ایمانی کے جواب ہیں۔ کیا آپ سمجھتے ہیں کہ 'آؤٹ پٹ' کی پولیسنگ کرنا (AI استعمال پکڑنا) جانچ کو اِس طرح نئے سرے سے ڈیزائن کرنے سے بہتر حکمتِ عملی ہے کہ کام بذاتِ خود آؤٹ سورس کرنا مشکل ہو جائے؟
• تعلیم میں AI کی پالیسی قومی قانون سازی، حکومتی رہنمائی، ادارہ جاتی قواعد اور کلاس روم کی سطح کے انتخاب پر پھیلی ہوئی ہے۔ آپ کے خیال میں اِن سطحوں میں سے کون سی طلبہ اور اساتذہ کے رویے کو واقعی سب سے زیادہ شکل دیتی ہے — اور کیوں؟
• AI پالیسی کو عام طور پر کس کی آوازیں شکل دیتی ہیں — اور کس کی آوازیں غائب ہیں؟ جب کوئی ادارہ طے کرتا ہے کہ کون سا AI استعمال جائز ہے اور اُسے کیسے گورن کیا جائے گا، تو میز پر کس کو ہونا چاہیے؟

تعارف

تعلیم میں AI آلات کے ایک ڈھیر کے تابع ہے — قومی قانون سازی، حکومتی رہنمائی، ادارہ جاتی پالیسیاں، شعبہ جاتی قواعد، اور وہ بیانات جو اساتذہ انفرادی نصاب میں لکھتے ہیں۔ یہ قانونی قوت میں، اِس بات میں کہ کتنی بار اُن پر نظرِ ثانی ہوتی ہے، اور اِس میں کہ کن سے توقع کی جاتی ہے کہ وہ اُن کی تفسیر کریں، مختلف ہیں، مگر ایک مسئلہ اُن میں مشترک ہے: وہ عموماً اُس ٹیکنالوجی کے بعد لکھے جاتے ہیں جسے وہ ضابطہ دیتے ہیں، حالانکہ وہ پہلے ہی کلاس روم میں داخل ہو چکی ہوتی ہے۔

علمی ذخیرے کی پالیسی تحقیق اِس خلا کو دونوں طرف سے دستاویز کرتی ہے۔ ادارہ جاتی پالیسیاں اصل AI استعمال سے پیچھے رہتی ہیں، اور جہاں قواعد موجود ہیں وہ اکثر قابلِ نفاذ پالیسی کے بجائے رہنمائی ہوتے ہیں، جو ادارے کی سطح پر نہیں بلکہ کورس کی سطح پر انفرادی مدرسین لکھتے ہیں۔ یہی نمونہ K-12 میں نظر آتا ہے، جہاں صرف اقلیتی اسکول کسی پالیسی کے حامل ہونے کی اطلاع دیتے ہیں، اور پیشہ ورانہ پروگراموں میں، جہاں مشاورتی دستاویزات پابند قواعد سے زیادہ ہیں۔

اِس خلا کی ایک تنظیمی شکل ہے اور ایک گفتاری شکل بھی۔ Hashem (2026) چار UNESCO اور OECD مطبوعات کو Laclau کے تیرتے اشاروں کے ذریعے پڑھتے ہیں اور پاتے ہیں کہ مشترک گورننس کی لغت — ذمہ داری، شفافیت، بھروسا، اصلیت، ذمہ دارانہ استعمال، افزودگی — تکرار سے معیاری قوت حاصل کر لیتی ہے مگر کبھی کوئی عملی تعریف حاصل نہیں کرتی۔ OECD (2026) تئیس ممالک اور دائرہ ہائے اختیار کو اِس لغت پر اکٹھے ہوتے ہوئے دستاویز کرتا ہے جبکہ اُس کا معنی سیاقی تفسیر پر چھوڑ دیتا ہے، اور OECD (2023) بتاتا ہے کہ 2024 کے اوائل تک اٹھارہ سروے شدہ ممالک میں سے کسی کے پاس تعلیم میں تخلیقی AI کی مخصوص ضابطہ بندی نہ تھی، نو نے بنیادی ذمہ داری اسکول کی سطح کو سونپ دی۔ اثر Ahmed کی غیر-ادائیگی ہے: وعدے امکانی زبان میں کیے جاتے ہیں، بغیر کسی ایسے میکانزم کے جس کے ذریعے اُنہیں نافذ یا جانچا جا سکے، اور ذمہ داری فراہم کنندگان، اداروں، اساتذہ اور طلبہ میں اِس طرح تقسیم ہو جاتی ہے کہ کوئی ایک فریق اُسے تھامے نہیں رہتا۔

Hashem کا عملی نتیجہ پالیسی کے نفاذ سے پالیسی کے عمل میں لانے (enactment) کی طرف منتقلی ہے، جس میں ادارے وہ افشا، مصنفیت اور جانچ کی حدود لکھتے ہیں جو بین الاقوامی متون کھلی چھوڑ دیتے ہیں۔

یہ صفحہ پالیسی کو گورننس سے الگ سمجھتا ہے۔ پالیسی جواب دیتی ہے کہ قواعد کیا ہیں؛ گورننس جواب دیتی ہے کہ فیصلہ کون کرتا ہے، اور قواعد واقعی کیسے نافذ ہوتے ہیں۔ دونوں کو الگ رکھنا اِس لیے اہم ہے کہ تحقیق بار بار دکھاتی ہے کہ پالیسیاں مواد کی کمی سے نہیں بلکہ مشینری کی کمی سے ناکام ہوتی ہیں — نظرِ ثانی کے چکر، پیشہ ورانہ ترقی، اپیل کے راستے اور نگرانی۔ نیچے کے حصے وہ سطحیں بیان کرتے ہیں جن پر پالیسی بنتی ہے، وہ پختگی کا خلا جو لکھے ہوئے قواعد کو کلاس روم کے عمل سے جدا کرتا ہے، وہ جانچ پالیسی کے سوالات جو AI لازم کرتا ہے، اور وہ گورننس ڈھانچے جو طے کرتے ہیں کہ اِن میں سے کوئی چیز قائم رہتی ہے یا نہیں۔

پالیسی کی سطحیں

پالیسی بیک وقت کئی سطحوں پر بنتی ہے، اور وہ مل کر نہیں چلتیں۔ نیچے کے نکات سطح کا نام لیتے ہیں اور اُس تحقیق کا بھی جو اُسے دستاویز کرتی ہے۔

• ادارہ جاتی پالیسی: ادارہ جاتی پالیسی کا تجزیہ موازنہ کرتا ہے کہ یونیورسٹیاں AI پالیسیاں کیسے تیار کرتی ہیں۔ ادارہ جاتی تبدیلی کے فریم ورک پالیسی کی تیاری کے لیے ماڈل فراہم کرتے ہیں۔ Qian (2026) نے 2025 میں سب سے زیادہ اختراعی درجہ پانے والی 50 امریکی یونیورسٹیوں کے بنیادی AI صفحات کو کوڈ کیا اور پایا کہ صرف 6 نے اُنہیں "پالیسی" کے طور پر فریم کیا جبکہ 44 نے رہنمائی، ہدایات، اصول یا وسائل کے مراکز شائع کیے، اور 50 میں سے 33 نے مدرسین کو ادارہ جاتی توقعات کو کورس کے قواعد میں بدلنے والے بنیادی مترجم کے طور پر رکھا — ادارہ جاتی پالیسی دانستہ طور پر مقرر قاعدے کے بجائے کورس کی سطح کی تفسیر کے لیے لچک دار رہنمائی کے طور پر لکھی جا رہی ہے۔
• حکومتی پالیسی: عمر بھر سیکھنے کی پالیسی قومی اور علاقائی سطحوں پر ضابطہ بندی کے طریقوں کا جائزہ لیتی ہے۔ حکومتی پالیسی سازی میں AI کا ایک تنقیدی، بنیادی ڈھانچے کی سطح کا نظریہ Perrotta (2026) پیش کرتے ہیں، جن کا برطانوی Redbox سول سروس LLM پروٹوٹائپ کا تجزیہ دکھاتا ہے کہ عام مقصد کا AI "زیرو شاٹ گورننس" کے ذریعے پالیسی کے پیشہ ورانہ اوزار میں کیسے داخل ہوتا ہے — شعبے سے بے نیاز بنیادی ماڈل فیصلوں میں مداخلت کرتے ہیں، پتلی شعبے سے مخصوص سہاروں میں لپٹے ہوئے۔
• K-12 پالیسی: Stanford کے ثبوت کے جائزے 818 مقالوں کے K-12 AI پالیسی کو معلومات فراہم کرتے ہیں۔
• جانچ کی پالیسی: جانچ اصلاح کی پالیسیاں اور مستند جانچ کے فریم ورک AI سے ممکن ہونے والی بے ایمانی کے پالیسی سطح کے جواب ہیں۔ اختتامی جانچ کے فارمیٹ کا انتخاب — زبانی، نگرانی والا، بند کتاب — بذاتِ خود جانچ کی پالیسی کا فیصلہ ہے (دیکھیں اختتامی جانچ)۔

پختگی کا خلا: پالیسی جو استعمال سے پہلے، اور ثبوت سے پہلے لکھی جاتی ہے

علمی ذخیرہ دستاویز کرتا ہے کہ ادارہ جاتی AI پالیسیاں اصل AI استعمال سے پیچھے رہتی ہیں۔ تعلیمی ترقی کے پروگرام، اساتذہ کی AI قابلیت کے فریم ورک، اور ضابطہ بندی سب کو مربوط پالیسی بنیادیں درکار ہیں۔ بڑے پیمانے کا میدانی ثبوت (Strömberg, Lei, & Wu 2026) دکھاتا ہے کہ ہوم ورک آؤٹ سورس کرنے سے ہونے والے سیکھنے کے نقصانات زیادہ تر نظر نہیں آتے کیونکہ انفرادی مضامین کے اساتذہ اور طلبہ شاذ و نادر ہی اِس زوال کو AI کے استعمال سے جوڑتے ہیں — یہ ایسا خلا ہے جسے ثبوت سے آگاہ پالیسی (مثلاً بند کتاب جانچ کو وزن دینا، طلبہ کو طویل مدتی قیمتوں سے آگاہ کرنا، آؤٹ پٹ کے بجائے اِن پٹ کی نگرانی) مخاطب کر سکتی ہے۔ چار ممالک کی 36 یونیورسٹی GenAI پالیسیوں کے پہلو پر مبنی جذباتی تجزیے نے پایا کہ تدریس کے بیانات مثبت انداز میں اور GenAI و اخلاقیات کے بیانات منفی انداز میں فریم کیے گئے، بغیر کسی نمایاں ملکی اثر کے — فریمنگ پالیسی کی جہت کی پیروی کرتی ہے، قومی نظام کی نہیں (Sun et al. (2026))۔

یہ عدم تسلسل اُسے نافذ کرنے والوں کے لیے محض نظری نہیں: پندرہ سیسنیل تعلیمی ماہرین نے بتایا کہ طلبہ ایسے قواعد پر عمل نہیں کر سکتے جو یونٹوں کے درمیان مختلف ہوں، اور واضح رہنمائی کے بغیر پھیلاؤ کا اندازہ بھی نہیں لگایا جا سکتا (Andriamora & Andriamora, 2026)۔

جہاں اِس خلا کو بھرنے کے لیے اتفاقِ رائے بن چکا ہے، وہاں 22 ممالک میں پھیلے 35 ماہرین کے Delphi میں Crompton et al. (2026) آٹھ گورننس شعبوں پر متفق ہوئے — تعلیمی دیانت کو مرکزی لنگر کے طور پر — اور ساتھ چھ حصوں پر مشتمل نظرِ ثانی کا میکانزم (قائمہ GenAI کمیٹی، مقررہ پالیسی جائزے، پیشہ ورانہ ترقی، رابطہ، اثرات کی تشخیص، نگرانی) تاکہ پالیسیاں بروقت رہیں۔

قومی AI آمادگی ادارہ جاتی پالیسی کی مضبوطی کی پیش گوئی نہیں کرتی۔ Adarkwah et al. (2026) نے دس اعلیٰ AIPI ممالک کی 26 یونیورسٹیوں کو UNESCO کے آٹھ اجزاء والے GenAI فریم ورک کے خلاف اسکور کیا اور پایا کہ Nordic اور نیوزی لینڈ کے اداروں نے اُسے اعلیٰ درجہ پانے والے ساتھیوں کے مقابلے میں زیادہ مکمل طور پر محیط کیا، جبکہ شمولیت، مساوات اور پائیداری سب سے زیادہ نظر انداز عناصر تھے۔

مشاورتی دستاویزات پابند پالیسی سے زیادہ ہیں۔ کسی ایک پیشہ ورانہ شعبے کے ہر تسلیم شدہ پروگرام کی مکمل گنتی دکھاتی ہے کہ پختگی کا خلا وقت کے ساتھ ساتھ شکل کا بھی ہے۔ Eldredge et al. (2026) نے ریاستہائے متحدہ کے تمام 48 CAHIIM سے تسلیم شدہ ہیلتھ انفارمیٹکس اور ہیلتھ انفارمیشن مینجمنٹ ماسٹرز پروگراموں سے AI پالیسی اور رہنمائی کی دستاویزات جمع کیں اور پایا کہ 40 (83%) کے پاس کم از کم ایک عوامی طور پر دستیاب AI سے متعلق دستاویز تھی جبکہ 8 کے پاس کوئی نہیں، مگر دستاویزات زیادہ تر رہنمائی تھیں، قابلِ نفاذ قواعد نہیں: 21 ہدایات (53%) بمقابلہ 7 رسمی پالیسیاں (18%)۔ اُن کا مواد تعلیمی دیانت اور قابلِ قبول استعمال کے گرد تھا، جبکہ رازداری، دانشورانہ ملکیت اور ضابطے کے تصورات (HIPAA، FERPA، تحقیقی تعمیل) بہت کم دکھائی دیے، اور موضوعی ماڈلنگ نے وہی طلبہ کے طرزِ عمل پر زور لوٹایا۔ نہ دستاویز کی قسم نہ مخاطب آبادی فراہمی کے انداز کے لحاظ سے مختلف ہوئی (Fisher's exact P = .85 اور P = .71)۔ مصنفین اِسے اِس ثبوت کے طور پر پڑھتے ہیں کہ تعلیمی پروگرام کی پالیسی نصاب کے ڈیزائن اور افرادی قوت کی قابلیت کی ترقی سے الگ سرگرمی ہے، اور دلیل دیتے ہیں کہ تسلیم کرنے والے ادارے AI پالیسی کے فریم ورک فراہم کر کے اِس تنوع کو کم کر سکتے ہیں جو تعلیمی دیانت، ڈیٹا کی اخلاقیات اور مساوی رسائی کو یکجا کریں۔

قانونی شکل قانونی زبان سے کمابیش نایاب ہے۔ 160 دستاویزوں کے اسکوپنگ جائزے میں 2.5% آلات قانونی قوت رکھتے تھے جبکہ 57.5% رہنمائی یا ٹول کٹس تھے، اور قانونی کنٹرول کا ذکر کرنے والی 131 دستاویزوں میں سے صرف 3 خود قانونی آلات تھیں (Elmahjub et al. (2026))۔

برطانیہ کا ایک منظم جائزہ اِسی خلا پر شعبہ جاتی تہہ چڑھاتا ہے: بنیادی ڈھانچے کی سرمایہ کاری اور عملے کی AI تربیت تحقیقی شدت والی (Russell Group) یونیورسٹیوں میں مرکوز ہے جبکہ تدریس کی قیادت والے (post-92) ادارے گنجائش کی قید کا سامنا کرتے ہیں، اور برطانوی اداروں میں صرف اقلیت باقاعدہ AI گورننس منصوبے رکھتی ہے (Ashiq (2026))۔

ایک شعبہ جو ثبوت کی بنیاد کے بغیر پالیسی بنا رہا ہے۔ پختگی کا خلا پیشہ ورانہ پروگراموں میں ثبوت کے مسئلے کے طور پر بھی ظاہر ہوتا ہے۔ Gutowski اور Hurley (2025) نے ABA سے منظور شدہ امریکی قانونی اسکولوں کی ادارہ جاتی پالیسیوں کو پانچ جہتوں پر اسکور کیا — ممانعت، اجازت، تعلیمی انضمام، شفافیت و جواب دہی، اور گہرائی — اور پایا کہ بیشتر اسکول عموماً ممانعتی موقف اختیار کرتے ہیں جبکہ صوابدید انفرادی مدرسین کے لیے محفوظ رکھتے ہیں اور ٹیکنالوجی کے آگے بڑھنے پر قواعد کا جائزہ لینے کا وعدہ کرتے ہیں۔ وہ اِس احتیاط کی وجہ ثبوت کے بجائے وقت کے دباؤ کو ٹھہراتے ہیں: ABA کے 2024 سروے میں تسلیم شدہ اسکولوں میں سے صرف تقریباً 15% نے جواب دیا، اور مصنفین بتاتے ہیں کہ اِس پر کوئی اتفاق نہیں کہ AI کے استعمال کا افشا لازم ہے یا اُس کا حوالہ کیسے دیا جائے۔ اُن کا نتیجہ طریقہ کار کا ہے — پالیسی اساتذہ کے ساتھ بنائیں، اُن کے لیے نہیں، پیش بندی سے تربیت دیں، اور پالیسی کی تشکیل کو یک بار کا عمل نہیں بلکہ بار بار آنے والا واقعہ سمجھیں — جو قانونی تعلیم کو اُس پالیسی بمقابلہ گورننس امتیاز کے واضح ترین معاملات میں سے ایک بنا دیتا ہے جو یہ صفحہ کھینچتا ہے۔

مدرسین ضابطہ بناتے ہیں؛ ادارے عموماً نہیں

اِس پختگی کے خلا کا دوسرا چہرہ ہے، جو تدریس کی طرف سے نظر آتا ہے۔ Watson اور Rainie (2026) نے 1,057 امریکی کالج اور یونیورسٹی فیکلٹی کا سروے کیا اور پایا کہ قواعد ادارے کے مقابلے میں اُس سے نیچے کی سطح پر کہیں تیزی سے لکھے گئے ہیں: 87% جواب دہندگان نے طلبہ کے AI استعمال کے لیے اپنی اسائنمنٹ سطح کی پالیسیاں بنائیں، جبکہ 35% نے کہا کہ اُن کے شعبے نے ہدایات لکھی ہیں اور 48% نے کہا کہ اُن کے ادارے نے۔ اِن دستاویزات کے پیچھے ساختی جواب پتلا ہے — 55% نے ٹاسک فورس یا نگرانی گروپ بتایا، 37% نے AI پر مرکوز نئی کلاسیں، 17% نے AI میجر یا مائنر، 16% نے تعلیمی قیادت کے نئے دفاتر، اور صرف 13% نے AI خواندگی کو عمومی تعلیم کے نتیجے کے طور پر اختیار کیا۔ اِس دوران 68% نے کہا کہ اُن کے اسکولوں نے فیکلٹی کو اِن اوزاروں کے ساتھ تدریس کے لیے تیار نہیں کیا۔ (مصنفین نمونے کو غیر سائنسی اور غیر قابلِ تعمیم بتاتے ہیں، چنانچہ اِسے شعبے کی ظاہر کردہ تشویشات کے طور پر پڑھنا بہتر ہے۔) چونکہ طلبہ اِس نتیجے میں بنے پیوند کو ایک ہی ادارہ جاتی نظام کے طور پر دیکھتے ہیں، یہ دریافت اِس صفحے کے اُس امتیاز کا براہِ راست ثبوت ہے جو پالیسی دستاویز اور اُسے مستقل بنانے والی گورننس کے درمیان ہے۔ اِس خلا کا طلبہ کی طرف ایک ناپا گیا نتیجہ ہے۔ Chen کے دو مطالعاتی ڈیزائن میں — منظرنامہ تجربے میں 160 آرٹ طلبہ اور سروے میں 425 (Chen, 2026) — پایا گیا کہ یونیورسٹی کی GAI وکالت اور اُس کی اصل تدریسی، جانچ اور معاون طریقوں کے درمیان ادراک شدہ عدم تسلسل نے رکاوٹ (β = 0.431) اور چیلنج (β = 0.496) دونوں اندازوں کی مثبت پیش گوئی کی۔ اِن اندازوں نے تخلیقی عمل کی شمولیت پر متضاد بالواسطہ اثرات اٹھائے (رکاوٹ کے ذریعے β = −0.060، p = 0.004؛ چیلنج کے ذریعے β = 0.217، p < 0.001)، چنانچہ ایک ہی غیر ہم آہنگ پالیسی طلبہ کے تخلیقی کام کو بیک وقت دبا بھی سکتی ہے اور برقرار بھی رکھ سکتی ہے۔

کام کی سطح کی ضابطہ بندی ابھرتا ہوا نمونہ ہے۔ ایک بڑی عوامی تحقیقی یونیورسٹی میں 31,000 سے زیادہ کورس نصابات (2021–2025) کا بڑے پیمانے پر طولانی مطالعہ (Chirikov 2026) دکھاتا ہے کہ مدرسین عملاً AI کو کیسے ضابطہ دیتے ہیں: واضح AI ضابطہ بندی تقریباً صفر سے بڑھ کر خزاں 2025 تک 55% کورسز تک پہنچ گئی، مگر رجحان پابندی سے اجازت کی طرف بدلا، اور مدرسین نے بڑھتی ہوئی حد تک کام کی قسم کے لحاظ سے فرق کیا — مسودہ سازی/استدلال (بے دخلی کے خطرے والے کام) کے لیے AI محدود کرتے ہوئے ترمیم/پروف ریڈنگ اور مطالعہ کی معاونت (افزودگی کے کاموں) کے لیے اجازت دی۔ فریمنگ بھی تعلیمی دیانت (63%→49% نصابات) سے سیکھنے کے اثر (1%→29%) کی طرف بدلی۔ یہ کام پر مبنی نمونہ — جو کام کی بے دخلی، افزودگی اور بحالی کے محنت-معاشی میکانزم پر بنتا ہے — یک سر اختیار یا پابندی کی پالیسیوں کا زیادہ باریک بین متبادل پیش کرتا ہے اور اوپر بیان کردہ پالیسی بمقابلہ گورننس امتیاز کا براہِ راست تجربی لنگر ہے۔

کام کی سطح کی ضابطہ بندی کا طلبہ کی طرف بھی اتنا ہی پالیسی سے تشکیل پانے والا رخ ہے۔ تین میں سے دو جانچوں کے ایک جیسے کھلے استعمال کے درجے میں ہونے کے باوجود، جانچ کے فارمیٹ نے پھر بھی طے کیا کہ طلبہ نے GenAI کس لیے استعمال کیا: فیڈبیک کا استعمال سہاروں والی پیشکش میں 0% سے گھر لے جانے والے کوئز میں 66.7% تک بڑھا (Quince اور Faulconer (2026))۔

مدرس کی سطح پر پالیسی ڈیزائن بطور ہم آہنگی کی مشق۔ کام کی سطح کی ضابطہ بندی کا نصاب کے نیچے ایک ڈیزائن ہم منصب ہے۔ McCorkle (2025) کا ڈیزائن کیس کسی کورس کے جائز اور ناجائز GenAI استعمالات "میں دراصل کیا جانچ رہا/رہی ہوں؟" سے اخذ کرتا ہے — منصوبے کے ہر کام کی فہرست بناتا ہے، ہر کام کو سیکھنے کے ہدف سے جوڑتا ہے، ہر ایک کو ابھرتی ہوئی GenAI افرادی قوت کی قابلیت (کیریئر کی ترقی اور آمادگی) کے ساتھ جوڑتا ہے، اور پھر طے کرتا ہے کہ کون سی فکر ترجیح پائے گی: طالب علم کی کارکردگی جانچنے کی ضرورت یا قابلیت بنانے کی قدر۔ نتیجے میں بننے والی پالیسی ایک ہی منصوبے کے اندر کام بہ کام مختلف ہوتی ہے — موضوعات پر ذہن سازی اور تصاویر کی چھانٹی کی اجازت، سیکھنے کے اہداف لکھنے اور سلائیڈز ڈیزائن کرنے کی نہیں — اور دلیل براہِ راست طلبہ کے لیے لکھی جاتی ہے۔ کیس یہ بھی دستاویز کرتا ہے کہ یک سر ممانعتیں عملاً کیوں ناکام ہوتی ہیں: جو طلبہ خود کو بے ایمان نہیں سمجھتے وہ ممانعت کو اپنے اوپر لاگو نہیں سمجھتے، اور جب توقعات مضمر چھوڑ دی جائیں تو پالیسی غیر منصفانہ ہو جاتی ہے (تعلیم میں AI کی مساوات)۔ یہ اوپر کی بالا سے نیچے والی پالیسی سطحوں کی تکمیل کرتا ہے، یہ دکھا کر کہ پالیسی کا مواد کورس اور اسائنمنٹ کی سطح پر جانچ کی ہم آہنگی سے کیسے پیدا کیا جا سکتا ہے۔

جانچ کی پالیسی: حدود، نگرانی اور حملے کی سطحیں

جانچ کی پالیسی میں حد اور ثبوت کا خلا۔ عوامی GenAI جانچ رہنمائی کے 30 یونیورسٹیوں کے آڈٹ (Yao 2026) سے پتہ چلتا ہے کہ ادارہ جاتی پالیسیاں AI استعمال کی درجہ بندی کرنے میں بہتر ہیں بہ نسبت یہ بتانے میں کہ ہر درجے کے تحت سیکھنے کا کون سا ثبوت معتبر رہتا ہے: اوسط تفویض-حد اسکور (2.47/4) اوسط ثبوت-معیار اسکور (1.89/4) سے زیادہ تھا، حفاظتی تدابیر کم تھیں (8 میں سے 2.75)، اور رہنمائی حتمی آؤٹ پٹ کی جگہ لینے کے معاملے میں سب سے واضح تھی۔ علمی سرپرستی کا فریم ورک دلیل دیتا ہے کہ پالیسیوں کو تصدیقی منطق کو نظر آنے والا بنانا چاہیے — سیکھنے والے کیا تفویض کر سکتے ہیں، اب بھی کیا مظاہرہ کرنا لازم ہے، اور ادارے منصفانہ ثبوت کیسے محفوظ کرتے ہیں — بجائے محض AI استعمال کی نگرانی کے۔

حد سے زیادہ گیر ممانعتی زبان اور غلط لاگو کیے گئے قواعد۔ کسی قاعدے کا دائرہ ایسا پالیسی فیصلہ ہے جس کے نتائج تعمیل سے آگے جاتے ہیں۔ Wright (2026) دلیل دیتے ہیں کہ 2023 کے بعد اعلیٰ تعلیم میں لکھی گئی یک سر ممانعتیں "تخلیقی AI" پر پابندی لگاتی ہیں بغیر اُس فنی باریک بینی کے جو مواد کی تخلیق کو AI کی مدد سے فارمیٹ تبدیلی سے الگ کرے — بصری حرف شناسی، ہاتھ سے لکھے متن کی شناخت اور تقریر سے متن، شناخت کی ٹیکنالوجیز ہیں جو طالب علم کے پہلے لکھے ہوئے کو پڑھتی ہیں، نہ کہ نیا مواد پیدا کرتی ہیں۔ اِس قراءت میں، صرف نقل کے استعمال کی سزا دینا بہتر طور پر پالیسی کی غلط تطبیق ہے، بدعنوانی نہیں، اور عدم باریک بینی کی قیمت غیر مساوی طور پر پڑتی ہے: مساوات کے لحاظ سے غیر محفوظ اور معذور طلبہ جو اِن اوزاروں پر انحصار کرتے ہیں، غیر متناسب غلط مثبت خطرہ اٹھاتے ہیں — ایسا خطرہ جسے قانونی مسائل اور خطرات دیانت کا سوال نہیں بلکہ معقول ایڈجسٹمنٹ کا سوال سمجھتے ہیں۔

اوزار کی فہرست کے بجائے مقصد پر مبنی حد۔ Li (2026) وہ پالیسی مواد فراہم کرتے ہیں جس کی حد سے زیادہ گیر ممانعتی زبان میں کمی ہے: معاونت اور جگہ لینے کے درمیان لکیر جو فعل اور جانچ کے سانچے سے متعین ہو، اوزاروں کے نام گنوانے سے نہیں، اِس دلیل پر کہ اوزاروں کی فہرستیں متروک ہو جاتی ہیں اور انٹرفیس کے ذریعے تعمیل کی ترغیب دیتی ہیں۔ جائز معاونت وہ سطحی مداخلت ہے جو نہ کوئی خیال، نہ ماخذ اور نہ تجزیے کی کوئی مادی ترتیبِ نو شامل کرتی ہے؛ جگہ لینا یہ ہے کہ دلائل یا جوابی دلائل پیدا کیے جائیں، شعبے کے قواعد کو حقائق پر لاگو کیا جائے، تجزیاتی ترتیب نئے سرے سے بنائی جائے، یا شامل کرنے کے لیے حوالہ جات پیدا کیے جائیں۔ یہ فریم ورک تین آلات کی صورت میں پیش کیا جاتا ہے — مشترکہ فوری جانچ کے ساتھ عملی تعریفیں تاکہ دو جانچنے والے ایک ہی طرزِ عمل کی یکساں درجہ بندی کریں، کیلیبریٹ شدہ افشا کے سانچے جو اندرونی کم خطرہ افعال کے لیے کچھ بھی نہ ہوں سے لے کر بیرونی لسانی ترمیم کے لیے ایک سطری بیان اور جہاں محدود تصور سازی واضح طور پر مجاز ہو وہاں تقریباً 80–120 الفاظ تک ہوں، اور فیصلے کا معیار جو کمزور قائم مقامات (چمکیلی زبان یا اچانک روانی، غیر مادری محاورہ، واحد ڈیٹیکشن اسکور) کا نام اُن ثبوت کی اقسام کے ساتھ لیتا ہے جو وزن اٹھا سکتی ہیں۔ یہ وہ شرطیں بھی بتاتا ہے جن کے تحت AI Assessment Scale جیسے وسیع اجازتی نظام قابلِ عمل رہتے ہیں: مخصوص کام کے لیے استعمال واضح طور پر مجاز ہو، سانچہ اِس طرح دوبارہ متعین ہو کہ طلبہ اور جانچنے والے جان لیں کہ کیا جانچا جا رہا ہے، اور افشا قابلِ عمل رہے۔

مرحلہ وار خودکاری، لازمی انسانی نگرانی کے ساتھ۔ یوراگوئے کا Acredita EB قومی نچلی ثانوی منظوری کا ٹیسٹ جانچ کی پالیسی میں نگرانی محفوظ رکھنے والی خودکاری کا ٹھوس ماڈل پیش کرتا ہے: کثیر الانتخاب حصے اور موجودہ طریقہ کار بدستور رہتے ہیں، AI صرف تحریری حصے کے لیے استعمال ہوتا ہے، 50–100 متون پر لازمی کیلیبریشن مرحلے کے اندر، اور دو چھانٹی کے قواعد طے کرتے ہیں کہ کون سے نتائج ماہرانہ جائزے کے متقاضی ہیں — وہ امیدوار جو باقی دو حصوں میں کامیاب نہیں ہو سکتے اُن کے تحریری جائزے کی ضرورت نہیں، اور تینوں حصوں میں ماہر امیدوار صرف 0.2%/0.6% مشاہدہ شدہ بقایا خطرے کے ساتھ کامیاب ہوتے ہیں۔ مصنفین اندازہ لگاتے ہیں کہ یہ ڈیزائن مکمل انسانی جانچ کے متقاضی تحریری جوابات کو کم از کم 50% کم کر سکتا ہے، جبکہ یہ رہنما اصول برقرار رہتا ہے کہ ٹیسٹ کے نتائج کے بارے میں کوئی حتمی فیصلہ مناسب انسانی نگرانی کے بغیر نہیں کیا جاتا۔ یہ اوپر کے حد اور ثبوت کے کام کی تکمیل کرتا ہے، ایسی پالیسی دکھا کر جو نہ صرف یہ بتاتی ہے کہ AI کہاں مجاز ہے بلکہ یہ بھی کہ کون سا انسانی ثبوت اور جائزہ لازمی رہتا ہے۔

خودکار جانچ کا مخالفانہ رخ۔ جو پالیسی جانچ کو AI ٹول کے ذریعے گزارتی ہے وہ حملے کی سطح ورثے میں لیتی ہے۔ Humble (2026) نے ادارہ جاتی جانچ کے ورک فلو پر ریڈ ٹیم حملہ کیا، ایک مصنوعی جمع کردہ فائل میں پانچ بالواسطہ پرامپٹ انجیکشن چھپا کر، جسے Microsoft Copilot (GPT-5.2) نے تمام چھ بنیادی رنوں میں فیل قرار دیا تھا۔ دو حکمتِ عملیوں نے صارف کو کوئی نظر آنے والی انتباہ کے بغیر گریڈ بڑھا دیا — حملے کی کامیابی کی بتائی گئی شرحیں 100% (9 میں سے 9 تکرار) اور 94% (18 میں سے 17) — اور ٹول نے سادہ ترین حملہ روکنے کے بعد خاموشی سے ایک چیٹ بند کر دی اور، ایک تکرار میں، یہ اعلان کیا کہ وہ اندرونی ہدایات کو نظر انداز کرے گا، پھر اگلے چھ رنوں میں گریڈ بڑھا دیا۔ چھپی ہوئی ہدایت سے حاصل کیا گیا گریڈ کوئی اعتبار کا دعویٰ نہیں رکھتا، اور یہی تکنیک کسی جمع کرائی گئی چیز کو بغیر کسی پائیدار نشان کے گرا بھی سکتی ہے، چنانچہ مقالے کے مطالبات فنی نہیں بلکہ پالیسی کی سطح کے ہیں: شعبہ جاتی رہنمائی، پیشہ ورانہ ترقی، زیادہ داؤ والے کام کے لیے انسانی جائزے کے ساتھ محدود AI استعمال، اور پرامپٹ انجیکشن کے خلاف مزاحمت کی معیاری، شعبے سے بے نیاز جانچ تاکہ حملے کی سطح ناپی جائے، فرض نہ کی جائے۔ یہ اوپر کے نگرانی کے ڈیزائنوں کا مخالفانہ ہم منصب ہے: جہاں وہ بتاتے ہیں کہ کون سا انسانی جائزہ لازمی ہے، یہ ہیرا پھیری کی اُس قسم کی نشاندہی کرتا ہے جسے پکڑنا جائزے کا مقصد ہے مگر جس کے لیے کوئی قابلِ اعتماد اشارہ موجود نہیں۔

اقدار/اصول کا میٹرکس بطور پالیسی بنیاد۔ Agarwal et al. (2026)، 25 مقالات کا منظم جائزہ، AIED کی اخلاقیات کو چھ بنیادی اخلاقی اقدار میں یکجا کرتے ہیں (عدم امتیاز، ڈیٹا کی سرپرستی، انسانی نگرانی، خیر خواہی، وضاحت پذیری، تعلیمی موزونیت) اور ادب سے نکالے گئے اخلاقی اصولوں کو ایک اسٹیک ہولڈر بمقابلہ قدر میٹرکس پر نقش کرتے ہیں۔ جائزہ اِس میٹرکس کو AIED کے لیے تفصیلی اخلاقی فریم ورک اور ضابطہ بندی کی تعمیر کی بنیاد قرار دیتا ہے، جو تعلیمی اداروں، ڈویلپرز اور ضابطہ سازوں کو مخصوص اقدار کے نفاذ کے لیے ٹھوس اصول دیتا ہے۔ یہ پاتا ہے کہ ضابطہ سازوں کے لیے خیر خواہی کے اصول کسی بھی دوسرے اسٹیک ہولڈر گروہ کے مقابلے میں کہیں زیادہ (نو) ہیں، جو ضابطہ سازوں کے اُس کردار کی نشاندہی کرتا ہے کہ وہ پالیسی اور قانون سازی کے ذریعے AIED کے فوائد سیکھنے والوں تک پہنچائیں — یہ اُس پالیسی بمقابلہ گورننس مشینری کے لیے ٹھوس، قدر پر لنگر انداز نقطہ آغاز ہے جو یہ صفحہ بیان کرتا ہے۔

ثبوت کے دعوے اور پالیسی کی مشینری

ایسے دعوے جو اپنی شرطوں سے آگے سفر کرتے ہیں۔ پائلٹ کا اعلان بھی ایک پالیسی آلہ ہے، اور اُس کی رپورٹنگ کے معیار پالیسی کا حصہ ہیں۔ Restrepo Morales et al. (2026) ستمبر 2026 کے ایل سلواڈور واقعے کا تجزیہ کرتے ہیں، جس میں 171 سرکاری اسکولوں میں AI ٹیوٹرنگ پائلٹ کو جرمنی اور سویڈن کے مقابلے نتائج تک پہنچنے کے طور پر رپورٹ کیا گیا: جرمن PISA 2022 ریاضی اوسط کے مقابلے میں، قومی کامیابی کی تقسیم کا سب سے اوپر 5.5% بغیر کسی سیکھنے کے فائدے کے بھی بینچ مارک کے برابر آتا، اور پائلٹ کی جانچ نے فی اسکول 7.0 طلبہ کو محیط کیا جبکہ اُسی سال کے قومی سروے میں 25.4 تھے، چنانچہ شائع شدہ ثبوت انتخاب کو بطور وضاحت خارج نہیں کر سکتا۔ اُن کی تجویز چھ بنیادی رپورٹنگ معیار ہے — شریک اسکولوں کی بنیادی حالت، نمونہ بندی کا پروٹوکول (اہل طلبہ، جانچے گئے طلبہ، شناخت کا قاعدہ، شرکت کی شرح)، معیاری خطاؤں کے ساتھ الگ الگ اسکور، ہر اصلاحاتی جزو کی عملی تاریخ، نمائندہ قومی نمونے کے ساتھ اوورلیپ، اور دعوے کے ساتھ اسی دستاویز، پوسٹ یا پیراگراف میں بیان کی گئی شرط — جو خود اعلان کے افشا کی حساب کتاب سے تحریک پاتی ہے: دعوے والی World Bank پوسٹ نے تقریباً 441,000 ملاحظات درج کیں جبکہ اُسی تھریڈ میں چار مقامات بعد شرط والی پوسٹ کے لیے تقریباً 11,000۔ پالیسی کا سبق یہ ہے کہ جہاں کوئی نظام اسکول کی سطح کے نتائج کو اپنے بارے میں ثبوت کے طور پر استعمال کرے، وہاں افشا کا فارمیٹ ہی طے کرتا ہے کہ کون سا بیان عوامی حقیقت بنتا ہے۔

پائلٹ کرنا بذاتِ خود پالیسی مشینری بن سکتا ہے۔ Williamson et al., 2026 انگلینڈ کے EdTech Impact Testbed کو — 2025 میں 16 پروٹوٹائپ بنانے والی کمپنیوں کے لیے ابتدائی £1 m، پھر پائلٹ کو 1,000 اسکول مقامات تک پھیلانے کے لیے £23 ملین — متوقع گورننس کے طور پر پڑھتے ہیں: کلاس روم ایسے ٹیسٹ بیڈ بن جاتے ہیں جو توسیع کے لیے وعدہ خیز، بروقت ثبوت فراہم کرتے ہیں۔

PISA 2022-2025 کا ملکی سطح کا تجزیہ پایا کہ جن ممالک میں تخلیقی AI کا استعمال زیادہ تھا وہاں پڑھائی اور ریاضی میں زیادہ بڑی کمی دکھائی دی، یہ تعلق پچھلی کارکردگی کو کنٹرول کرنے پر غائب ہو گیا (Guerra اور Aslanov، 2026)۔ مصنفین اِسے اِس احتیاط کے طور پر پڑھتے ہیں کہ چیٹ بوٹ تک زیادہ رسائی کو بذاتِ خود فائدہ نہ سمجھا جائے، اور مطالبہ کرتے ہیں کہ اجرا کے ساتھ طولانی تشخیص جوڑی جائے۔

پالیسی بمقابلہ گورننس

پالیسی اور گورننس قریبی تعلق رکھتی ہیں مگر الگ ہیں، اور اُنہیں الگ رکھنا علمی ذخیرے کی تحقیق کو سمجھنے کے لیے اہم ہے۔

• پالیسی مواد ہے — جو طے کیا جاتا ہے۔ پالیسی ایک رسمی قاعدہ، اصول یا بیان ہے: کون سا AI استعمال جائز، ممنوع یا لازمی ہے؛ کیا افشا کرنا ہے؛ کون سے جانچ کے فارمیٹ جائز ہیں۔ یہ ایک دستاویزی آرٹی فیکٹ (قانون سازی، ادارہ جاتی ہدایت، نصاب کا بیان) کے طور پر موجود ہوتی ہے اور "قواعد کیا ہیں؟" کا جواب دیتی ہے۔
• گورننس مشینری ہے — اُس پر فیصلہ کیسے ہوتا ہے، اُسے کیسے نافذ کیا جاتا ہے اور کیسے لاگو کرایا جاتا ہے۔ گورننس اُن ادارہ جاتی ڈھانچوں، اصولوں اور جواب دہی کے میکانزموں کو محیط ہے جو پالیسی پیدا کرتے، اُسے آگے بڑھاتے اور نگرانی کرتے ہیں: قواعد کون مقرر کرتا ہے، اُنہیں کیسے بتایا اور وسائل فراہم کیے جاتے ہیں، تعمیل کیسے لاگو کرائی اور چیلنج کی جاتی ہے، اور AI کے ارتقا کے ساتھ اُن پر نظرِ ثانی کیسے ہوتی ہے۔ یہ "فیصلہ کون کرتا ہے، اور قواعد واقعی کیسے نافذ ہوتے ہیں؟" کا جواب دیتی ہے۔
• وہ باہم منحصر ہیں۔ بغیر گورننس کے پالیسی غیر نافذ ہے — لکھا ہوا قاعدہ جس کا کوئی مالک، نگراں یا تازہ کار نہ ہو۔ بغیر پالیسی کے گورننس بے سمت ہے — ایسے ڈھانچے جو کسی خاص چیز کا انتظام نہیں کرتے۔ علمی ذخیرے کی تحقیق بار بار دکھاتی ہے کہ دونوں کو مل کر بنانا ہوتا ہے: وہ پالیسی جو AI استعمال کی صرف درجہ بندی کرے بغیر اُس گورننس کے جو ثبوت، حفاظتی تدابیر اور نظرِ ثانی کے عمل متعین کرے، عملاً کمزور رہتی ہے (علمی سرپرستی کا آڈٹ)، اور وہ گورننس جو محض نگرانی کرے بغیر واضح پالیسی کے، انصاف کے بغیر نگرانی کا خطرہ مول لیتی ہے (دیکھیں AI گورننس)۔

سینئر AI قیادت اسٹریٹجک عزائم کے مقابلے میں نایاب ہے۔ 19 ماخذوں کے اسکوپنگ جائزے نے پایا کہ صرف 7% اداروں نے سینئر AI قیادت کے عہدے بنائے تھے جبکہ 49% نے AI کو اسٹریٹجک ترجیح سمجھا، اور شامل بیشتر مطالعات تصوراتی یا مقاطعہ تھے، چنانچہ متوقع گورننس کا کوئی سببی اثر قائم نہیں کیا جا سکا (Baroudi (2026))۔

دونوں کو الگ کرنے کا عملی امتحان یہ ہے: پالیسی کاغذ پر پڑھی جا سکتی ہے، مگر گورننس اِس سے دیکھی جاتی ہے کہ قاعدہ نافذ ہوتا ہے، لاگو کرایا جاتا ہے اور ڈھالا جاتا ہے یا نہیں۔ اسی لیے گورننس ضابطہ بندی اور پالیسی کو اداروں میں پھیلاتی ہے، اور اسی لیے علمی ذخیرہ جانچ کے فارمیٹ کے انتخاب (اختتامی جانچ) کو پالیسی کے فیصلے سمجھتا ہے جو صرف گورننس کے ڈھانچوں جیسے جائزہ بورڈز، اعلانیہ فریم ورک اور اپیل کے راستوں سے مؤثر بنتے ہیں۔

کلاس روم کی پالیسی بطور گورننس کی تفسیری سرحد۔ گورننس کی مشینری ادارہ جاتی دستاویز پر رکتی نہیں؛ جو اساتذہ اُسے پڑھتے اور ڈھالتے ہیں وہ زنجیر کی آخری کڑی ہیں، اور Nash اور Burriss (2026) دکھاتے ہیں کہ یہ کڑی عملاً کیسی دکھتی ہے۔ اُن کے پیشہ ورانہ تربیت کے زیرِ عمل اساتذہ AI پالیسیوں والے اضلاع میں کام کرنے کی توقع رکھتے تھے مگر پھر بھی اپنے طلبہ کے لیے کلاس روم کے مخصوص قواعد لکھنے پڑے — یہ ایک لازمی ڈھالنے کی مہارت ہے — اور مصنفین دلیل دیتے ہیں کہ اساتذہ مخصوص پڑھائی اور لکھائی کے کاموں کے لیے AI اختیار کرنے سے انکار کر سکتے ہیں بغیر اُسے نظر انداز کیے، اور اصولی انکار کو غیر تنقیدی رد سے ممتاز کیا جا سکتا ہے۔ اِس امتیاز کو قابلِ عمل رکھنا بذاتِ خود گورننس کا کام ہے: اضلاع اور تربیتی پروگراموں کو وہ رہنمائی، پیشہ ورانہ ترقی اور پالیسی کا بنیادی ڈھانچہ درکار ہے جو اساتذہ کو مخصوص استعمالات سے انکار کی اجازت دے بغیر اُنہیں پچھڑا ہوا قرار دیے جانے کے۔

تصدیقِ شناخت کے مسئلے کے لیے گورننس کے اشارے۔ Coates، Croucher اور Calderon (2025) وہ پیمائشی تہہ فراہم کرتے ہیں جو یہ پالیسی بمقابلہ گورننس امتیاز تقاضا کرتا ہے، اور GenAI کے دور میں تعلیمی دیانت کو پکڑنے کے مسئلے سے پہلے گورننس کا مسئلہ سمجھتے ہیں اور معاصر تعلیمی گورننس کو مضبوط مگر طلبہ کی جانچ کی تصدیقِ شناخت کے تحفظ کے لیے "نہ اچھی طرح تیار نہ آمادہ" قرار دیتے ہیں۔ اُن کا فریم ورک آٹھ جہتوں کے تحت 130 گورننس سوالات رکھتا ہے — ڈیزائن کرنا، ترقی دینا، تربیت دینا، نافذ کرنا، تجزیہ کرنا، رپورٹ کرنا، تشخیص کرنا اور بہتر کرنا — اور بیانات نفسیاتی پیمانوں کے بجائے ادارہ جاتی مشینری کے بارے میں سوالات ہیں: کیا ادارے کے سب سے بالا بورڈ یا کونسل کو جانچ کے عمل اور نتائج پر اپ ڈیٹس ملتے ہیں، کیا کلیدی کارکردگی کے اشارے جانچ کے معیار کو محیط ہیں، جانچنے والے اساتذہ کتنے فیصد طلبہ کو انفرادی طور پر جانتے ہیں، کیا انتہائی کم یا زیادہ نمبروں کی جانچ پڑتال ہوتی ہے، اور کیا کنٹریکٹ بے ایمانی کے معاملات ارجاع کرنے کا کوئی آسان راستہ ہے۔ ساتھ کا اصلاحاتی پروگرام گورننس کی معماریوں، گورننس کے عہدے سنبھالنے والے افراد، اور جانچ کو سہارا دینے والی ٹیکنالوجیز اور وسائل کو نشانہ بناتا ہے، اور مصنفین دلیل دیتے ہیں کہ بہت کم ادارہ جاتی ترقی ضابطہ بندی، بینچ مارکنگ اور بین الادارہ جاتی مقابلے سے بیرونی سہارے کے بغیر پھل نہیں دیتی — وہی ضابطہ جاتی دباؤ جسے ضابطہ بندی کا صفحہ گورننس اصلاح کی پابند شرط سمجھتا ہے۔ یہ خلا صرف یونیورسٹیوں میں نہیں، K-12 میں بھی ناپا گیا ہے۔ 1,018 امریکی سرکاری اسکول اساتذہ اور پرنسپلز کے قومی نمائندہ سروے میں صرف 18% اساتذہ اور 24% پرنسپلز نے اسکول کی تخلیقی-AI پالیسی کی اطلاع دی — وہی ادارے سے نیچے کا نمونہ جو یہ صفحہ اعلیٰ تعلیم میں دستاویز کرتا ہے (Tench، Weinstein اور James، 2026)۔

AI × SEL تحقیق میں پالیسی کا خسارہ

65 مقالات کا منظم جائزہ، جو AI اور سماجی-جذباتی سیکھنے کے سنگم پر ہے (Tran، Liu اور Nguyen 2026)، ایک "پالیسی خسارے" کو دستاویز کرتا ہے: تقریباً تین چوتھائی مطالعات کوئی پالیسی مضمرات بیان نہیں کرتے، اور جو کرتے ہیں وہ اکثر فریق پر مبنی مخصوصیت سے محروم ہوتے ہیں۔ جائزہ پاتا ہے کہ پالیسی شمولیت اشاعت کے مقام سے متعلق ہے، جو اُن تعلیمی ترغیبات کی عکاسی کرتی ہے جو تکنیکی ندرت کو گورننس اور ضابطہ بندی پر ترجیح دیتی ہیں۔ یہ ایک "WH-سوال" فریم ورک (کون، کیا، کیوں، کب/کہاں، کیسے) اور "مضمر بطور بعد از خیال" سے "مضمر بطور طریقہ کار" کی طرف منتقلی تجویز کرتا ہے — یعنی پالیسی کے اظہار کو تحقیق کی ڈیزائن شرط سمجھنا، بعد از وقت اضافہ نہیں۔

اِس خسارے کا طلب کا رخ بھی ہے۔ Gillette et al. (2026) سویڈن کے ایک سماجی سائنس شعبے سے طلب کی طرف کا ثبوت شامل کرتے ہیں: سروے اور فوکس گروپ کے 31% شرکاء نے بغیر پوچھے اخلاقیات کا ذکر کیا، بیشتر نے مزید ادارہ جاتی رہنمائی چاہی، اور genAI کے ماحولیاتی نتائج پالیسی دستاویزات سے بالکل غائب تھے۔

عام غلط فہمیاں

• "یونیورسٹیوں کے پاس حقیقی AI پالیسی ہے۔" قانونی شکل قانونی زبان سے کمابیش نایاب ہے۔ ایک 160 دستاویزوں کے اسکوپنگ جائزے میں، 2.5% آلات قانونی قوت رکھتے تھے جبکہ 57.5% رہنمائی یا ٹول کٹس تھے۔ سو دستاویزوں کے برابر AI گورننس کا تقریباً چوتھائی حصہ غیر پابند رہنمائی ہے۔
• "ادارہ جاتی احتیاط ثبوت کی عکاسی کرتی ہے۔" احتیاط کی وجہ ثبوت کے بجائے وقت کا دباؤ بتایا جاتا ہے: ABA کے 2024 سروے میں صرف تقریباً 15% تسلیم شدہ اسکولوں سے جوابات آئے، چنانچہ محتاط اتفاقِ رائے ایک غیر نمائندہ نمونے پر ٹکا ہے۔
• "پالیسی کی پہنچ کا نقشہ نمائندہ سروے سے بنایا جا سکتا ہے۔" AI پالیسی اور رہنمائی ایک ہی شعبے کے تمام 48 CAHIIM سے تسلیم شدہ پروگراموں سے جمع کی گئی — کسی خاص گوشے کی مکمل گنتی، جو اُس گوشے کے بارے میں زیادہ معلومات دیتی ہے بہ نسبت عمومی طور پر پالیسی کے۔

منسلک تصورات

• تدریسی شراکت داریاں — تدریسی شراکت داریاں
• تعلیم میں AI کی ضابطگی
• AI گورننس
• تعلیمی ترقی
• مساوات
• اعلیٰ تعلیم
• K-12
• علمی سالمیت
• اخلاقیات
• استاد کی AI صلاحیت
• طلبہ کے لیے AI استعمال کی فریمنگ
• اختتامی جانچ
• کیمسٹری کی تعلیم — کیمسٹری کی تعلیم اور AI: لیبز، تکوینی جانچ، LLM کی حدود، تجربے کا فلسفہ
• حیاتیات کی تعلیم — حیاتیات کی تعلیم اور AI: لیب میں تدریسی معاون، حیاتیات میں AI خواندگی، تنقیدی سوچ، مخصوص اوزار
• حصہ دار — چھتری تصور: AI تعلیم میں لوگ اور مخاطب (سیکھنے والے، اساتذہ، ڈویلپرز، منتظمین، پالیسی ساز)
• طلبہ کی معاونت اور کامیابی — ادارہ جاتی معاونت کی تعیناتی کا پالیسی سیاق

منسلک مضامین

• Cheating or being cheated? Academic integrity and a changing cheating habitus in international AI governance discourse — UNESCO اور OECD متون ایک گورننس لغت رکھتے ہیں اور کوئی عملی تعریف نہیں؛ تئیس دائرہ ہائے اختیار بغیر اُس کے اکٹھے ہو جاتے ہیں
• Toward Partnership Ethics for Generative Artificial Intelligence in Higher Education — سویڈن کا سروے اور فوکس گروپ مطالعہ جو دلیل دیتا ہے کہ ادارہ جاتی genAI فیصلوں کی رہنمائی شراکت کی اخلاقیات کرے، بے ایمانی کا فریم نہیں
• Generative AI Governance in Education: A Scoping Review of Principles, Mechanisms, and Risks in English-Language Documents — تعلیم میں تخلیقی AI کی گورننس: اصولوں، میکانزموں اور خطرات کا اسکوپنگ جائزہ (Elmahjub et al. 2026)
• Artificial learning: how sessional academics view contract cheating and digital academic misconduct in assessment — یونٹ کی سطح کے قواعد جنہیں طلبہ آپس میں نہیں ملا سکتے
• An AI Policy Isn't a Playbook: Educators Need Agency, Not Just New Rules — AI پالیسی کی پہنچ، ایجنسی اور کلاس روم کے پانچ ڈراموں پر امریکی اساتذہ اور پرنسپلز کا قومی نمائندہ سروے (Tench، Weinstein اور James 2026)
• When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education — جب یونیورسٹیاں GAI کی وکالت کریں مگر عمل کم پڑے: فن کی تعلیم میں طلبہ کے اندازے اور تخلیقی عمل کی شمولیت
• Writing the Rules for Generative Machines: Tensions and Entanglements in Preservice Teachers' Classroom AI Policies — پیشہ ورانہ تربیت کے زیرِ عمل انگریزی اساتذہ کی کلاس روم AI پالیسیاں: اُنہوں نے کس کی اجازت دی، کسے محدود کیا اور کس پر پابندی لگائی (Nash اور Burriss 2026)
• A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment — بڑے پیمانے کی تحریری جانچ میں AI معاون اسکورنگ کے لیے انسانی نگرانی والا فریم ورک
• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — جائز اور ناجائز GenAI استعمالات کو جانچے جانے والے امر سے کام بہ کام اخذ کرنا (McCorkle 2025)
• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — مدرسین 31,000 کورس نصابات میں AI کو کیسے ضابطہ دیتے ہیں (Chirikov 2026)
• Artificial Intelligence and Grade Inflation — AI کے ذریعے کام کی بے دخلی بطور گریڈ افراط کا میکانزم (Chirikov 2026)
• Governing generative AI in higher education: a global Delphi study on policy and practice — اعلیٰ تعلیم میں تخلیقی AI کی گورننس پر عالمی Delphi
• Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — پالیسی پر رہنمائی کا غلبہ: مدرسین کے مقرر کردہ نصابی قواعد اور 50 اختراعی امریکی یونیورسٹیوں میں چار یونٹ کا معاون ماحول (Qian 2026)
• Forging ahead or proceeding with caution: Developing policy for generative artificial intelligence in legal education — ثبوت کی بنیاد کے بغیر پالیسی بنانے والے شعبے میں قانونی اسکولوں کی GenAI پالیسیوں کا پانچ عاملی موازنہ (Gutowski اور Hurley 2025)
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — نقل، تخلیق نہیں: حد سے گیر AI قواعد، فارمیٹ تبدیلی اور معذوری کے لیے ایڈجسٹمنٹ (Wright 2026)
• Anticipatory governance and leadership for AI implementation in higher education: A scoping review — اعلیٰ تعلیم میں AI کے لیے متوقع گورننس (اسکوپنگ جائزہ)
• Institutional approaches to artificial intelligence policy and guidance in health informatics and information management education: emerging trends and inconsistencies — تمام 48 تسلیم شدہ ہیلتھ انفارمیٹکس ماسٹرز پروگراموں میں AI پالیسی دستاویزات: زیادہ تر رہنمائی، تعلیمی دیانت کے گرد مرکوز (Eldredge et al. 2026)
• What Does the Credential Still Certify? Cognitive Stewardship for AI-Mediated Education — AI کے ذریعے جانچ کے لیے علمی سرپرستی (30 یونیورسٹیوں کا پالیسی آڈٹ)
• Generative Artificial Intelligence Policy: A Qualitative UNESCO Framework Analysis
• A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education
• A Framework for Institutional Change in the Age of AI
• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform
• The Evidence Base on AI in K-12: A 2026 Review
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making
• The Policy Deficit in AI × Social-Emotional Learning Research — AI × SEL تحقیق میں پالیسی کا خسارہ
• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — تعلیم میں AI کے لیے اخلاقی اقدار اور اصول
• Zero-shot governance — زیرو شاٹ گورننس: پالیسی میں عام مقصد کا AI (Perrotta 2026)
• How much selection would be enough? Bounding the learning claim of El Salvador's artificial intelligence tutoring pilot — ایل سلواڈور کے AI ٹیوٹرنگ پائلٹ کے سیکھنے والے دعوے کی حد بندی (Restrepo Morales et al. 2026)
• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — 1,057 امریکی فیکلٹی: 87% اپنے اسائنمنٹ قواعد خود لکھتے ہیں جبکہ ادارہ جاتی اور شعبہ جاتی ہدایات پتلی ہیں (Watson اور Rainie 2026)
• GenAI assessment and language equity: Drawing the line between support and substitution — مقصد پر مبنی معاونت–جگہ لینے کی حد، کیلیبریٹ شدہ افشا اور فیصلے کے معیارات کے ساتھ (Li 2026)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — AI کے ذریعے جانچ میں پرامپٹ انجیکشن: گریڈز بغیر پکڑے گئے بدل گئے، اور پالیسی سطح کا جواب (Humble 2026)
• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — جانچ کی تصدیقِ شناخت کے لیے 130 گورننس اشارے، اور اُس بیرونی دباؤ کی ضرورت جو اصلاح کو درکار ہے (Coates، Croucher اور Calderon 2025)
• Student GenAI use under changing institutional policies: a mixed-methods case study in undergraduate physics — پالیسی کا درجہ بمقابلہ کام کا ڈیزائن: تین فزکس جانچوں میں طلبہ نے GenAI کس لیے استعمال کیا (Quince اور Faulconer 2026)
• Generative AI use and the 2022–2025 decline in PISA performance across countries — زیادہ ملکی سطح کا تخلیقی-AI استعمال بڑی PISA 2022-2025 کمی کے ساتھ چلا، ایسا تعلق جو پچھلی کارکردگی کو کنٹرول کرنے پر غائب ہو گیا (Guerra اور Aslanov 2026)
• Experimental futuring: AI prototyping and pilot testing as anticipatory governance in education — انگلینڈ کا EdTech Impact Testbed بطور متوقع گورننس: ایسے پائلٹ جو وعدہ خیز ثبوت پیدا کرتے ہیں (Williamson et al