مساوات

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

مساوات — یہ اصول کہ AI کو تمام طلبہ کی منصفانہ خدمت کرنی چاہیے، اور AI تعلیمی اوزار تک رسائی، اُن میں نمائندگی، اور اُن سے ملنے والے فوائد میں نظامی عدم توازن کا مطالعہ۔ علمی ذخیرے میں مساوات کی تحقیق رسائی کے خلا اور ڈیجیٹل تقسیم، AI نظاموں میں تعصب اور انصاف، ثقافتی طور پر جوابدہ اور لسانی طور پر شامل ڈیزائن، معذور طلبہ کے لیے رسائی، اور مختلف گروہوں میں AI کے فوائد اور نقصانات کی تقسیم کا جائزہ لیتی ہے۔ یہ تکنیکی (تعصب کا ازالہ، منصفانہ الگورتھم) کو ساختی (بنیادی ڈھانچہ، پالیسی) اور تدریسی (ثقافتی طور پر متعلقہ تدریس) سے جوڑتی ہے۔

غور کرنے کے سوالات

• کسی اسکول یا کلاس روم کو AI اوزار فراہم کرنا خود بخود کامیابی کے خلا کو ختم نہیں کرتا — درحقیقت، محض رسائی اِن خلا کو مزید وسیع کر سکتی ہے۔ اگر 'رسائی کافی نہیں' تو AI کے لیے تمام طلبہ کی واقعی منصفانہ خدمت ممکن بنانے کے لیے اور کیا کچھ ہونا ضروری ہے؟
• یہاں تک کہ طلبہ کی نقل کے لیے استعمال ہونے والا ڈیٹا بھی تعصب رکھتا ہے: جب LLMs نے طلبہ کے ونیٹ تیار کیے تو مختلف ماڈلوں نے زیادہ Global North یا Global South پروفائلز اور صنفی ضمیریں پیدا کیں۔ جب ماڈل خود غیر متوازن ترجیحات رکھتے ہوں تو طلبہ کی AI سے تیار کردہ نمائندگیوں پر ہمیں کتنا بھروسا کرنا چاہیے؟
• AI تعلیم میں مساوات کو اکثر تین پہلوؤں کے گرد ترتیب دیا جاتا ہے: اوزار کس کو ملتے ہیں (رسائی)، اُن میں نمائندگی کس کی ہے (نمائندگی)، اور فائدہ کس کو ہوتا ہے (نتائج)۔ کیا آپ ایسی صورتحال سوچ سکتے ہیں جہاں کسی گروہ کو رسائی ملے مگر پھر بھی فائدہ نہ ہو؟ اِس خلا کی وضاحت کیا کرتی ہے؟
• 'ساختی خاموشی' پر تحقیق کا موقف ہے کہ کم نمائندگی والی زبانوں کے بولنے والے AI بنیادی ڈھانچے — تربیتی کارپورا، ٹوکنائزیشن، بینچ مارک — سے کسی ماڈل کی تربیت سے بھی پہلے نقصان اٹھاتے ہیں۔ اگر نقصان بنیادی ڈھانچے میں ہی شامل ہو تو اُسے درست کرنے کی شروعات کہاں سے ہوتی ہے؟

تعارف

AI تعلیم میں مساوات تین باہم متداخل پہلوؤں سے نمٹتی ہے: AI اوزار کون حاصل کرتا ہے (رسائی)، AI نظاموں میں کس کی اور کیا نمائندگی ہے (نمائندگی)، اور فائدہ کس کو ہوتا ہے (نتائج)۔ AI ڈیزائن، بنیادی ڈھانچے اور پالیسی کے لحاظ سے موجودہ عدم مساوات کو وسیع بھی کر سکتا ہے اور تنگ بھی۔ چنانچہ مساوات ایک ہمہ گیر عینک ہے جو الگورتھمی انصاف، ڈیجیٹل رسائی، لسانی شمولیت، رسائی اور ثقافتی طور پر متعلقہ تدریس پر لاگو ہوتی ہے۔

رسائی اور بنیادی ڈھانچے کی مساوات

• ڈیجیٹل تقسیم: سماجی و اقتصادی حدود، خطوں اور ممالک میں AI سے چلنے والے سیکھنے کے اوزار تک غیر مساوی رسائی ایک بنیادی رکاوٹ ہے۔ شواہد دستاویز کرتے ہیں کہ جنریٹو AI کے فوائد ممالک اور اداروں میں غیر مساوی طور پر تقسیم ہوتے ہیں۔
• اوزار کا معیار تقسیم کا حصہ ہے، صرف اوزار تک رسائی نہیں: Canonigo (2026) نے 50 ریاضی کے پرامپٹ ایک ہی ماڈل کے مفت اور پریمیم درجوں کو تین تین بار جمع کرائے اور پایا کہ مفت درجہ اپنی 150 میں سے 49 جوابات میں (32.7%) نادرست تھا، جبکہ پریمیم درجہ 150 میں سے 18 (12%) میں (χ2(1) = 17.5, p < 0.001)؛ مطالعے کے دو اسکولوں میں سے کم وسائل والے اسکول کے اساتذہ نے مفت ماڈل کو "ریاضی کے لیے تقریباً بیکار" کہا۔ مصنفین اِسے ایک الگورتھمی تقسیم کے طور پر پڑھتے ہیں جو ڈیجیٹل تقسیم کو ڈیوائس تک رسائی سے آگے بڑھا کر خود اوزار کے معیار تک لے جاتی ہے، چنانچہ "AI رسائی" رکھنے والا اسکول بھی طلبہ کو مادی طور پر کم قابلِ بھروسا ٹیوٹر دے رہا ہو سکتا ہے، اور وہ اپنی یہ تحفظ بھی لگاتے ہیں کہ موازنہ تلاشی نوعیت کا تھا اور پرامپٹ بے ترتیب نہیں تھے، لہٰذا خلا کا حجم اشاراتی ہے، طے شدہ نہیں۔ یہی مطالعہ دکھاتا ہے کہ خلا کی سمت اوزار سے طے نہیں ہوتی: جہاں اساتذہ نے طلبہ سے کہا کہ AI کے جواب کا اپنے کام سے موازنہ کریں اور ماڈل کو پہلے سے ہدایت دی کہ حل نہ دے، وہاں جواب تنقید کا مواد بن گیا، جبکہ بغیر ثالثی والی کلاسوں میں طلبہ پہلے الگورتھم سے رجوع کرتے اور استاد تصدیق کرنے والا بن جاتا ("میں اب غیب کا منبع نہیں؛ میں ایڈیٹر ہوں")۔
• رسائی کافی نہیں: ساختی رکاوٹوں کو دور کیے بغیر AI اوزار فراہم کرنا خلا کو ختم نہیں کرتا — رسائی کو مہارت، معاونت اور ایسی شرائط کے ساتھ جوڑنا ضروری ہے جو حقیقی استعمال ممکن بنائیں۔

تفریق شدہ معاونت منصفانہ فائدے کا ثبوت نہیں: ریاضی میں AI ٹیوٹرنگ کے ایک جائزے نے شمولیت کے دعوے غیر مصدقہ پائے، کیونکہ مطالعے شاذ و نادر ہی جانچتے ہیں کہ فوائد صلاحیت، جنس، سماجی و اقتصادی حیثیت، زبان، معذوری اور جغرافیائی گروہوں میں یکساں طور پر تقسیم ہوتے ہیں یا نہیں، جس سے یہ ثابت نہیں ہوتا کہ یہ نظام کامیابی کے خلا کم کرتے ہیں (Ogunsakin et al. (2026))۔

• تفریق شدہ انسانی-AI ٹیوٹرنگ اِس بات کا ثبوت ہے کہ ہائبرڈ ماڈل خلا کو تنگ کر سکتے ہیں — جب مختص کرنا ضرورت کے مطابق ہو۔ ایک difference-in-discontinuities مطالعہ (635 طلبہ، درجات 5–8؛ اوسط سے کم کارکردگی والوں کو فعال انسانی ٹیوٹرنگ ملی، اوسط سے زیادہ والوں کو ردِعمل پر مبنی طلب پر معاونت، اور موازنہ خزاں کے صرف-AI بنیادی دور سے کیا گیا) نے پایا کہ ہائبرڈ ٹیوٹرنگ نے کام پر وقت 25%، مہارتی قابلیت 36% اور مجموعی تعلیمی نشوونما 61% بڑھائی — اور دونوں بازوؤں نے مختلف طریقہ کار سے قابلِ موازنہ شمولیت اور مہارت میں اضافہ حاصل کیا۔ مساوات سے متعلق تفصیل: فعال ٹیوٹرنگ نے معمولی طور پر زیادہ اوسط نشوونما (75%, p = .065) دکھائی جو کٹ آف سے زیادہ نیچے والے طلبہ میں مرکوز تھی — یعنی خلا کے سکڑنے کا نمونہ، یکساں بلندی نہیں — جبکہ ایک ہی ٹیوٹر فی نشست دونوں گروہوں کی خدمت کرتا رہا۔ مصنفین مناسب احتیاط برتتے ہیں: DiDC ڈیزائن نیم تجرباتی ہے، دو حصوں میں تقسیم کرنے والا اوسط کٹ آف گروہ کے اندر ضرورت کے تغیر کو نظرانداز کرتا ہے، اور 75% اثر معمولی ہے۔ (Improving hybrid human-AI tutoring by differentiating human tutor roles based on student needs)

• اساتذہ توقع رکھتے ہیں کہ تقسیم مزید وسیع ہوگی۔ Watson and Rainie (2026) نے 1,057 امریکی کالج اور یونیورسٹی اساتذہ کا سروے کیا اور پایا کہ 81% توقع رکھتے تھے کہ جنریٹو AI ڈیجیٹل عدم مساوات کو وسیع کرے گا (58% نے کہا بہت زیادہ) — رپورٹ میں مساوات سے متعلق سب سے مضبوط توقع، اور یہ اُن 68% کے ساتھ بیٹھتی ہے جنہوں نے کہا کہ اُن کے اداروں نے اساتذہ کو تدریس اور رہنمائی کے لیے اوزار استعمال کرنے کی تیاری نہیں کرائی۔ یہی سروے دکھاتا ہے کہ اوزار کتنے غیر مساوی طور پر اپنائے جاتے ہیں: 26% جواب دہندگان جنریٹو AI بالکل استعمال نہیں کرتے، جو فنون اور انسانیات کے اساتذہ میں 40% اور سماجی سائنسدانوں میں 28% تک پہنچتا ہے، چنانچہ عدم استعمال اور عدم تیاری مخصوص شعبوں میں مرکوز ہیں۔ رپورٹ غیر احتمال نمونہ ہے جسے اُس کے مصنفین خود ناقابلِ تعمیم قرار دیتے ہیں، لہٰذا یہ شعبے کی ظاہر کردہ تشویشات ہیں، ناپے گئے اثرات نہیں۔

• بنیادی ڈھانچے کی محرومی: ساختی خاموشی دکھاتی ہے کہ AI بنیادی ڈھانچہ — تربیتی کارپورا، ٹوکنائزیشن، بینچ مارک، تعیناتی کے ڈھانچے — کم نمائندگی والی زبانوں کے بولنے والوں کو ماڈل کی تربیت سے پہلے ہی منظم طریقے سے محروم رکھتا ہے، اور ڈیٹا سیٹ کی کمی کو اتفاقی کے بجائے ساختی مسئلہ قرار دیتا ہے۔

• مصنوعی ڈیٹا میں ماڈل کے مخصوص آبادیاتی رجحانات: López-Pernas et al. (2026) نے پایا کہ جب LLMs نے طلبہ کے ونیٹ تیار کیے تو ہر ماڈل نے الگ آبادیاتی رجحان مسلط کیا — GPT نے زیادہ Global North پروفائلز پیدا کیے اور they/them ضمیریں استعمال کیں، Qwen نے زیادہ Global South پروفائلز بنائے، اور Mistral she/her کی طرف جھکا۔ چنانچہ بڑے لینگویج ماڈلز (LLMs) کی طرف سے طلبہ کے ڈیٹا کی تشکیل بھی علاقائی اور صنفی ترجیحات رکھتی ہے جو آگے کی سفارشات میں منتقل ہو سکتی ہیں، اور یہ ایک کم زیرِ بحث مساواتی خطرہ ہے۔

• سماجی و اقتصادی میلانات: AI اور تاحیات سیکھنے کی پالیسی اور پیداواری خلا کے تجربات جائزہ لیتے ہیں کہ AI مختلف طلبہ گروہوں کے درمیان خلا کو کیسے تنگ یا وسیع کر سکتا ہے۔

• معذور طلبہ کے لیے تقسیمیں پاٹنا: Khlaif et al. (2026) نے پایا کہ GenAI بصارت سے محروم انڈرگریجویٹس کے لیے ڈیجیٹل، جغرافیائی اور سماجی و اقتصادی تقسیموں میں میدان ہموار کرتا ہے، اور شمولیت کو بنیادی ڈھانچے اور ثقافت دونوں کا معاملہ قرار دیتا ہے — ڈیجیٹل مساوات کی بحث کو رسائی سے آگے بڑھا کر تعلق، آواز اور نمائندگی تک لے جاتا ہے۔

تیاری ترجیح سے زیادہ اہم ہے، اور انکار کا حق غیر مساوی طور پر تقسیم ہے۔ مضبوط تعلیمی خود اعتمادی رکھنے والے طلبہ بغیر جرمانے کے AI سے انکار کر سکتے ہیں، جبکہ جنہیں زبان کی مدد، رسائی کی معاونت یا فوری فیڈبیک درکار ہو وہ انکار کو موقع کے ضیاع کے طور پر تجربہ کرتے ہیں، اور غیر مستقل عملہ اُن اوزاروں کو اپنانے کا دباؤ محسوس کر سکتا ہے جو تیاری کا وقت کم کرتے ہیں مگر ذمہ داری کم نہیں کرتے۔ جہاں سمجھنے کی ذمہ داری تربیت، محفوظ بنیادی ڈھانچے اور واضح پالیسی کے بغیر مسلط کی جائے، وہاں یہ پوشیدہ کام بن جاتی ہے، اور انکار ادارتی کم تیاری کے خلاف پیش قیاسی ردِعمل بن جاتا ہے، ٹیکنالوجی کے خلاف مزاحمت نہیں (Zagami 2026)۔

کرایہ تین کرنسیوں میں ادا ہوتا ہے، اور ملکیت والی قابلیت گریجویٹ کے ساتھ جاتی ہے۔ de Barba (2026) دلیل دیتی ہیں کہ تجارتی اوزار میں موجود قابلیت صرف فراہم کنندہ کی شرائط پر دستیاب ہوتی ہے، چنانچہ ادارتی لائسنس مالک کو ہٹاتے نہیں بلکہ منتقل کرتے ہیں: رسائی عموماً داخلے کے ساتھ ختم ہو جاتی ہے، اور کرائے کی قابلیت پھر صرف اُن گریجویٹس کے پاس رہتی ہے جو ادا کرتے رہ سکیں۔ وہ دو مزید تقسیمیں شامل کرتی ہیں جنہیں رسائی کی بحثیں عموماً نظرانداز کرتی ہیں — خود کی لاگتیں عادت ڈالنے میں مرکوز ہوتی ہیں، جہاں کم پیشگی علمی معلومات رکھنے والے طلبہ سب سے زیادہ وقت لگاتے ہیں، اور کرائے کے معیار اپنے ساتھ ماڈل کے حوالہ جاتی نقطے لاتے ہیں، جن کے بارے میں پیش گوئی ہے کہ وہ اُن طلبہ کے معیار کو زیادہ بے گھر کریں گے جن کے ثقافتی اور لسانی حوالہ جاتی نقطے ماڈل سے مختلف ہیں۔ یہی اوزار بیک وقت رسائی وسیع کرتا ہے اور معیار بے گھر کرتا ہے، اسی لیے وہ یہ بتانا کہ کسی کورس کو خود کون سی قابلیتیں بنانی ہیں، مساوات کا بھی اقدام ہے اور تدریس کا بھی۔

نمائندگی کی مساوات

• تربیتی ڈیٹا اور نتائج میں تعصب: AI کا تربیتی ڈیٹا بڑی حد تک غالب ثقافتی نقطہ ہائے نظر کی عکاسی کرتا ہے۔ صنفی تعصب کی منتقلی کی تحقیق دکھاتی ہے کہ LLM کی مدد سے لکھائی طلبہ کے کام میں صنفی تعصب شامل کر سکتی ہے؛ تاریخ کی تعلیم کے فلٹر اور AI اسکورنگ مغرب مرکز اور لسانی طور پر متعصب مفروضے شامل کر سکتے ہیں۔

• حاشیے پر دھکیلے گئے علوم: اقلیتی علوم پر تحقیق جائزہ لیتی ہے کہ جنریٹو AI اعلیٰ تعلیم میں غیر غالب علمی نظاموں اور معذوری کے نقطہ ہائے نظر کو کیسے حاشیے پر دھکیلتا ہے۔

• نصاب میں تنوع: اساتذہ نصابی مواد میں تنوع لانے کے لیے تیزی سے LLMs استعمال کر رہے ہیں (Wang et al., 2025 نے پایا کہ 78% نے ایسا کیا)، پھر بھی AI سے ترتیب دی گئی پڑھنے کی فہرستیں BIPOC مصنفین کی کم نمائندگی کرتی ہیں، اور STEM کے AI ٹیوٹر بطور طے شدہ مغرب مرکز مسئلہ سیاق استعمال کرتے ہیں۔

• تیار کردہ تصویریں غالب بصری معیار کو دہراتی ہیں، جس سے تنقیدی استعمال ایک قابلیت بن جاتا ہے، ضمیمہ نہیں۔ Jiang et al. (2026) مشاہدہ کرتے ہیں کہ GenAI تصویر کی تخلیق بصری تعصب جیسے غالب ملٹی موڈل معیار کو دوبارہ پیش کرتی ہے، اور خبردار کرتے ہیں کہ اِسے نظرانداز کرنے والا ملٹی موڈل جانچ عدم مساوات کو خودکار اور دہرانے کا خطرہ مول لیتا ہے؛ چنانچہ دوسری زبان کے اساتذہ کے لیے اُن کا فریم ورک یہ قابلیت لازم کرتا ہے کہ وہ طلبہ کو متعصب ماڈل نتائج کو پہچاننے، جانچنے اور اُن کے خلاف بیانیہ تشکیل دینے میں مدد دیں (Jiang et al., 2026)۔

• نمائندگی کا تعلق شواہد سے بھی ہے، صرف طلبہ سے نہیں۔ Bulut (2026) دلیل دیتے ہیں کہ ٹیکنالوجی سے معاون جانچ میں مساوات اُس علم کی سیاقی منتقلی پذیری کو بھی محیط ہے جس پر کوئی ڈیزائن کھڑا ہو، چنانچہ اچھے وسائل والے ماحول میں تصدیق شدہ نظام دیگر مقامات پر غیر جانچے گئے مفروضے ساتھ لے کر جاتا ہے۔

نتائج کی مساوات

394 GenAI اعلیٰ تعلیمی مطالعات کے ایک اسکوپنگ جائزے میں مساوات اور رسائی اُن نتائج میں شامل تھیں جنہیں سب سے کم ہدف بنایا گیا، میٹا کوگنیشن، اخلاقیات اور تخلیقیت کے ساتھ (Lin et al. (2026))۔

• تفریق شدہ اثر: AI اوزار مساوات کی عینک کے بغیر ڈیزائن کیے جائیں تو خلا کو وسیع کر سکتے ہیں — منظم جائزے اور اسکورنگ تعصب کے مطالعات طلبہ گروہوں میں غیر مساوی فوائد اور نقصانات دکھاتے ہیں۔ فائدے کے مجموعی شواہد پر بھی یہی حد لاگو ہے: Jing et al. (2026) 35 مطالعات میں انڈرگریجویٹس کے لیے درمیانے سے بڑے مجموعی فائدے کا تخمینہ لگاتے ہیں (g=0.53, 95% CI [0.48, 0.64])، مگر ساتھ یہ بھی کہتے ہیں کہ مہنگے اوزار تک غیر منصفانہ رسائی اُن خطرات میں سے ہے جنہیں یہ اثر کے حجم قید نہیں کر سکتے، اور تعلیمی کارکردگی اور پیشہ ورانہ مہارتوں کے لیے معنی خیز Egger ٹیسٹ فنل پلاٹ کی غیر متوازنی اور چھوٹے مطالعات کے اثرات کو حل طلب رکھتے ہیں۔

• دو ترتیبِ مقدار کی لاگت میں مساوی سیکھنا۔ StudentBench نے مجموعی AI ٹیوٹرنگ کو ماہر انسانی ٹیوٹرنگ کے شماریاتی طور پر مساوی پایا، جبکہ ٹیوٹروں کے درمیان پھیلاؤ سیکھنے کے فائدے کے فی فیصد نقطے پر $0.005 سے $1.40 تک تھا اور ایک کھلا ماڈل فی نقطہ 918× کم لاگت پر انسانی فوائد کے برابر پہنچا ($0.0052 بمقابلہ $4.81)، جس سے سیکھنے کی فی اکائی لاگت صرف معیار کا نہیں، رسائی کا بھی متغیر بن جاتی ہے (Northcutt et al. (2026))۔

• تعصب کی افزائش: AI کی تجاویز اور خودکار فیڈبیک اساتذہ اور نظام کے موجودہ تعصبات کو مضبوط کر سکتے ہیں (چیلنج نہیں)۔ Marked Pedagogies دکھاتا ہے کہ LLM تحریری فیڈبیک کے اوزار منظم طور پر دقیانوسی تصویر کے مطابق تعریف اور روکی گئی تنقید کی طرف جھک جاتے ہیں جب فیڈبیک کسی طالب علم کی نسل، زبان، معذوری، کارکردگی یا محرک سے شخصی بنایا جائے — یکساں مضامین پر بھی — جس سے "شخصی بنانا" خودکار فیڈبیک میں تعصب کا ایک ٹھوس ذریعہ بن جاتا ہے۔

• انصاف سے واقف نظام: تعصب کا ازالہ اور بنیادی حقیقت کی قابلِ اعتمادی کی تحقیق AI ٹیوٹروں، اسکورروں اور سفارش کاروں میں تعصب پہچاننے اور درست کرنے کے طریقے تیار کرتی ہے۔

• انصاف کے ریگولرائزر نئے طلبہ پر عام نہ ہو سکیں: Fragkiadakis et al. (2026) نے حقیقی وقت میں طلبہ کی توجہ کی پیش گوئی کرنے والے کثیرالوسیط AI ٹرانسفارمر میں جنس اور عمر کے ہدف والے غلطی کے خلا کا ریگولرائزیشن شامل کیا اور پایا کہ اِس نے تصدیقی ڈیٹا پر آبادیاتی تفاوتیں کم کیں، مگر یہ فوائد مستقل طور پر الگ رکھے گئے مضامین یا دہرائے گئے مضمون سطح کی تقسیموں پر منتقل نہ ہوئے (ریگولرائزڈ ماڈل نے صرف 10 میں سے 4 تربیتی دوروں میں خلا کم کیا)۔ چنانچہ ایک واحد تقسیم پر تصدیق شدہ انصاف واقعی نئے طلبہ پر غائب ہو سکتا ہے — تعلیمی AI کو مجموعی پیمانوں کے بجائے مضامین کو الگ رکھنے والی، دہرائے گئے بیج والی جانچ درکار ہے۔

• اگلے موقعے کے فیصلے تفریق کے ساتھ تقسیم ہوتے ہیں۔ جو تعصب ہر کیس میں جائز لگے وہ بھی طلبہ کو منظم طور پر ترتیب دے سکتا ہے: Entezami et al. (2026) نے تین LLMs سے سافٹ ویئر انجینئرنگ کی کلاسوں میں 11,200 ٹیم اسائنمنٹس تقسیم کروائیں، جہاں مردوں کا Core Development کے بجائے Interface Design تک پہنچنے کا امکان خواتین سے کم از کم 80% کم تھا (GPT-5.2 OR < 0.01) اور قومیت نے اسائنمنٹس کو قابلیت سے آزادانہ طور پر متاثر کیا۔ مہارت نے اِسے طے نہیں کیا — مہارت پر مبنی 99.2% اسائنمنٹس دو درست ٹیموں میں سے ایک سے مطابقت رکھتے تھے، پھر بھی جنس نے یکساں درست اختیارات کے درمیان انتخاب کیا، چنانچہ صرف مجموعی اعداد و شمار ہی نمونہ ظاہر کرتے ہیں؛ ایک فرد والی کورس کی تصویریں مرد اور ہلکی جلد کی طرف جھکی رہیں (Database، Debugging اور Individual Programming کے پرامپٹس کے لیے 95% سے زیادہ ہلکی جلد) جبکہ کئی افراد والی تصویریں نسبتاً متنوع تھیں۔

• طلبہ کی ایجنسی: یہ یقینی بنانا کہ AI طلبہ کی آواز اور سیکھنے والے کی ایجنسی کو تبدیل کرنے کے بجائے بااختیار بنائے، خصوصاً تاریخی طور پر حاشیے پر دھکیلے گئے طلبہ کے لیے۔

• نفسیاتی بمقابلہ علمی مساوات: Liang et al. (2026) نے پایا کہ ہانگ کانگ کے ثانوی اسکولوں میں AI تعلیم کا ایک سال نفسیاتی AI تیاری کے خلا (خود اعتمادی، تحریک، اخلاقی آگاہی) کو تنگ کیا مگر علمی خلا کو نہیں — خود پہل کرنے والے ("اعلیٰ ایجنسی") طلبہ اور اُن کے ساتھیوں کے درمیان معروضی مصنوعی ذہانت کی لیٹریسی کے خلا برقرار رہے، یہ میتھیو اثر کا نمونہ ہے جہاں نصاب نے "فرش بلند کیا مگر میدان ہموار نہ کیا۔" محض نصاب تک رسائی، مستقل خود پہل والی شمولیت کے بغیر، نفسیاتی ہم آہنگی پیدا کر سکتی ہے مگر مکمل علمی ہم آہنگی نہیں۔

• خودکار نشاندہی، حصولِ تعلیم اور زبان۔ 761 حقیقی مضامین پر تین فرنٹیئر ماڈلوں کا OpRaise موازنہ نے پایا کہ AI اور انسان کے درمیان اختلاف طلبہ کی تعلیمی سطح اور سطحی لسانی خصوصیات (ذخیرہ الفاظ کی وسعت، رابطے، جملے کی پیچیدگی) کے ساتھ اِس طرح بدلا جس طرح انسانی نشاندہی میں نہیں ہوتا، اور درستگی تین برطانوی اداروں میں مختلف رہی جن کے ہم آہنگ گروہ مختلف ہیں — مصنفین اِسے براہِ راست اداروں کی UK Equality Act کے تحت ذمہ داریوں سے جوڑتے ہیں، اِس استدلال پر کہ بعض طلبہ گروہ دوسروں سے زیادہ متاثر ہو سکتے ہیں، اور نوٹ کرتے ہیں کہ جہاں خودکار نشاندہی کے فیصلے طلبہ پر اثر ڈالیں وہاں GDPR کے آرٹیکل 22 کے تحت وضاحت کا حق ہے۔ چونکہ AI کے نشان تقسیم کے درمیان کی طرف سکڑتے ہیں، اِس لیے سب سے زیادہ بے نقاب طلبہ وہ ہیں جو حصولی کی حد کے اوپر اور نیچے ہیں۔

• جانچ کے قواعد لسانی محرومی کو دیانت داری کے خطرے میں بدل سکتے ہیں۔ Li (2026) دلیل دیتی ہیں کہ GenAI کو غیر مجاز معاونت کی ایک ہی قسم قرار دینے والے دیانت داری کے قواعد اُن طلبہ پر زیادہ تعمیل کا بوجھ ڈالتے ہیں جو انگریزی اضافی زبان کے طور پر استعمال کرتے ہیں، جن کا زبان کی معاونت کا جائز استعمال زیادہ متواتر اور تکراری ہوتا ہے، اور شک اُن لکھنے والوں پر مرکوز کرتے ہیں جن کی سطحی روانی سب سے زیادہ بدلی ہے — یہ رویے کا نہیں، قاعدے کی ترتیب کا مسئلہ ہے، اور یہ کمزور شواہد پر منتخب نفاذ کا خطرہ بڑھاتا ہے۔ تجویز کردہ حد اوزار کی بجائے مقصد اور تعمیر پر مبنی ہے: گرامر، رموزِ اوقاف اور جملے کی سطح کی وضاحت کی تدوین، فہم کے لیے ترجمہ، اور پہلا مسودہ جسے طالب علم حقیقی معنوں میں دوبارہ لکھے، اجازت شدہ معاونت شمار ہوتے ہیں کیونکہ وہ کوئی نیا خیال، کوئی نیا ماخذ اور تجزیے کی کوئی بنیادی ترتیبِ نو شامل نہیں کرتے، جبکہ دلائل یا جوابی دلائل پیدا کرنا، حقائق پر شعبے کے قواعد لاگو کرنا، تجزیاتی ترتیب کو نئے سرے سے ترتیب دینا، یا حوالہ جات تخلیق کرنا متبادل کے زمرے میں آتا ہے۔ چونکہ تعمیر کے بیانات اکثر روانی اور محاورے کو استدلال کے قائم مقام انعام دیتے ہیں، EAL طلبہ اپنے اسکوروں میں تعمیر سے غیر متعلق تغیر کا سامنا کرتے ہیں؛ اِس کے علاج یہ ہیں: اجازت شدہ اور ممنوع افعال کے بارے میں پیشگی وضاحت، ایسی افشا کاری جو روزمرہ معاونت کے اعلان کو کتابیاتی اندراج سے کم مہنگا بنائے، مرحلہ وار جمع کرانا اور ماخذ کے نشان، شناخت کی قیادت والے استنتاج کے بجائے، اور ریفرلز اور پابندیوں کی ہم آہنگ سطح پر نگرانی۔ یہ فریم ورک تجویزی اور غیر جانچا ہے — Li EAL طلبہ کی طرف سے GenAI استعمال کی شرح کے بارے میں کوئی دعوی نہیں کرتیں۔

• طلبہ خود معاونت اور متبادل کی حد کو درست پرکھتے ہیں، مگر تذبذب کے ساتھ۔ Reed et al. (2026) نے 531 انڈرگریجویٹس کے سامنے چھ اخلاقی ونیٹ رکھے اور پایا کہ 57.6% نے چھوں کو درست درجہ دیا (اوسط 88.54%): تصدیق سے معاون استعمال بڑے پیمانے پر قبول کیے گئے — پروفیسر کی تصدیق کے ساتھ نوٹس کا خلاصہ (91.7%)، خود لکھے گئے مقالے پر گرامر کی بہتری (84.9%)، AI سے تیار کردہ تلاش کے الفاظ کے بعد خودمختار ادب کا جائزہ (91.1%) — جبکہ متبادل استعمال بھاری اکثریت سے مسترد کیے گئے۔ غیر یقینی اُن کیسوں پر مرکوز تھی جنہیں کسی قاعدے کو واقعی حل کرنا ہوتا ہے، یعنی غیر تصدیق شدہ AI سے تیار کردہ حوالہ جات (9.9% "غیر یقینی") اور معمولی تدوین شدہ AI متن (9.6%)، جسے مصنفین اِس بات کا ثبوت پڑھتے ہیں کہ معاونت اور بامعنی تصنیف کے درمیان حد طلبہ کے لیے واضح نہیں۔ معروضی مصنوعی ذہانت کی لیٹریسی نے درجہ بندی کی درستگی کی صرف کمزور پیش گوئی کی (Spearman's ρ = 0.234)، نمونہ ایک سرکاری Midwestern یونیورسٹی میں زیادہ تر سفید فام، خواتین اور پہلے سال کے طلبہ پر مشتمل تھا، اور مصنفین زور دیتے ہیں کہ درست فیصلہ اخلاقی عمل نہیں۔

• پرامپٹ استحقاق: Jin et al. "پرامپٹ استحقاق" دستاویز کرتے ہیں — جو صارف درخواست کو مہارت سے بیان کرتے ہیں وہ منظم طور پر اُن صارفین سے بہتر LLM جواب حاصل کرتے ہیں جو وہی ارادہ کم مہارت سے ظاہر کرتے ہیں — جس سے پرامپٹنگ کی مہارت خاموشی سے غیر مساوی وسیلہ بن جاتی ہے۔ اُن کا Prompt Equity Transformer پرامپٹ کی اصلاح کو نظام کے اندر منتقل کرتا ہے اور منصفانہ جواب کو رسائی کی خاصیت قرار دیتا ہے، نہ کہ نوآموزوں سے ماہرانہ پرامپٹنگ کا مطالبہ۔

• خلا قابلیت پر دوبارہ کھلتا ہے، رسائی پر نہیں۔ 380 انڈرگریجویٹس میں، خاندان کا ڈیجیٹل سرمایہ ادراک شدہ تعلیمی فوائد سے بڑی حد تک پرامپٹ انجینئرنگ کی قابلیت کے ذریعے متعلق تھا، جو اِن فوائد کے ساتھ .793 تعلق رکھتی تھی (Li et al. (2026))۔

• تعامل کے انتظام کا خلا۔ Brunnström and Palmqvist (2026) GenAI کے برابر کرنے والے ہونے کے بارے میں دو رخا نتیجے پر پہنچتے ہیں: چونکہ نتیجہ خیز استعمال کے لیے یہ پہچاننا ضروری ہے کہ جواب حد سے زیادہ تجریدی ہے، سادگی کی درخواست کرنا، اور نشست کو چھوٹے اہداف کے گرد ترتیب دینا، اِس لیے بغیر رہنمائی GenAI "شاید سب سے زیادہ فائدہ پہلے ہی مستفید طلبہ کو دے" — یعنی جن کی مطالعے کی عادتیں مضبوط ہیں اور AI کی رہنمائی میں خود اعتمادی ہے — جبکہ کمزور مطالعے کی مہارت یا کم تعلیمی خود اعتمادی والے طلبہ مزید پیچیدگی اور مایوسی سے دوچار ہوتے ہیں۔ یہ اوزار تعلیمی مکالمے کے غائب ساتھیوں کا متبادل بننے کے بجائے ایک نئی قابلیت متعارف کراتا ہے جس کا حصول خود اپنا خلا پیدا کرتا ہے؛ مصنفین یہ نتیجہ اخذ کرتے ہیں کہ اِسے سکھانے کی ذمہ داری صرف طالب علم پر نہیں ڈالی جا سکتی (مصنوعی ذہانت کی لیٹریسی، خود ضابطگی والی سیکھنا)۔

• مہارت کے خلا اور وسائل کے خلا کے میکانزم ایک ہی مسئلہ نہیں۔ Kumar, Wongsirichot and Nanthaamornphong (2026) دو میکانزم الگ کرتے ہیں جنہیں اُن کے 72 کمپیوٹنگ تعلیمی مطالعات کے منظم جائزے نے ادب میں گڈمڈ ہوتے پایا۔ مہارت کا خلا ایک ہی کلاس روم کے اندر کام کرتا ہے: زیادہ پیشگی علم رکھنے والے طلبہ AI کی معاونت کو پائیدار مہارت میں بدلتے ہیں جبکہ کمزور طلبہ اِسے ایسی عصا بناتے ہیں جو نتیجہ خیز جدوجہد ہٹا دیتا ہے، جس سے سمسٹر کے اختتام تک قابلیت کی تقسیم وسیع ہو جاتی ہے — اِس کا علاج مظاہرہ شدہ قابلیت سے منسلک بتدریج رسائی ہے۔ وسائل کا خلا اداروں اور قومی سیاق کے پار کام کرتا ہے: قابلِ اعتماد انٹرنیٹ اور ادا شدہ API سبسکرپشنز زیادہ قابل اوزار کے استعمال کو برقرار رکھتے ہیں بہ نسبت اُن طلبہ کے جن کے پاس یہ نہیں — اِس کا علاج مشترکہ اوزار تک رسائی میں ادارتی سرمایہ کاری اور ایسی پالیسیاں ہیں جو عالمی دستیابی کو مفروضہ نہ بنائیں۔ مساوات جائزے کی تین فریم ورک شرطوں میں سب سے پتلی ہے (چھ مطالعات)، اور مصنفین اِس پتلا پن کو ہی نتیجہ پڑھتے ہیں: مساوات پر مرکوز مداخلتی تحقیق کی عدم موجودگی خود مساوات کا مسئلہ ہے (جانچ کا اعتبار، سکافولڈنگ)۔

• بہترین شواہد والے طریقے سب سے کم قابلِ توسیع ہیں۔ 73 کمپیوٹنگ اساتذہ کی ایک ورکشاپ میں، زبانی اور متعامل جانچ کو انفرادی فہم کے دستیاب مضبوط ترین ثبوت کے طور پر رپورٹ کیا گیا، اور یہ تجویز کردہ سب سے کم قابلِ توسیع علاج تھا — ایک ہی کمرے میں 400 سے زائد طلبہ اور مٹھی بھر تدریسی معاونین کے ساتھ اٹھایا گیا — چنانچہ تصدیق شدہ سیکھنے سے واضح ترین تعلق رکھنے والی حکمتِ عملیاں اُن اداروں میں ہیں جو سب سے کم طلبہ پڑھاتے ہیں، اور یہ خلا اداروں کے درمیان ہے، کسی ہم آہنگ گروہ کے اندر نہیں (Akbar et al., 2026)۔

• ٹیوٹرنگ کا معیار سیکھنے والوں کی آبادیات کے ساتھ بدلتا ہے۔ EduFair-Bench ہر ٹیوٹر کے ساتھ ایک مقررہ LLM طالب علم جوڑتا ہے، نو آبادیاتی سطحوں پر جو جنس، تارکینِ وطن پس منظر، پہلی زبان اور سماجی و اقتصادی حیثیت پر پھیلی ہیں، اور پانچ باری سطح کے تدریسی پیمانے اسکور کرتا ہے۔ LLM ٹیوٹرنگ میں سب سے بڑے انحراف واضح آبادیاتی شرائط میں ظاہر ہوتے ہیں — مرحلہ وار سہارا ریاضی میں |r| = 0.144 تک تعلق رکھتا ہے اور اصلاحی لہجہ کیمیا (0.102-0.168) اور طبیعیات (0.129-0.294) میں ہر ماڈل کے لیے 0.10 سے تجاوز کرتا ہے — اور 15 میں سے 11 ماڈل بہ شعبہ خلیوں میں غلط جواب والی شرط درست سے زیادہ اسکور کرتی رہی، جو ظاہر کرتا ہے کہ لہجہ طالب علم کی آبادیاتی لیبل کی پیروی کر رہا تھا، اُس کی استدلال کے معیار کی نہیں۔ تدریس کے لیے مخصوص ری انفورسمنٹ لرننگ نے اِن خلا کو ہٹانے کے بجائے دوبارہ تقسیم کیا۔ (EduFair-Bench: Evaluating Pedagogical Fairness of LLM Tutors Across Student Demographics)

• مضمر آبادیاتی اشارے بیان کردہ خصوصیات سے کم قابلِ قابو تعصب کے ذریعے ہیں۔ Rooein, Benedetto and Hovy (2026) نے ہر کام کے اِن پٹ کو مقرر رکھتے ہوئے صرف آبادیاتی سیاق کو چھ LLMs اور تین تعلیمی کاموں میں بدلا، 192,480 استنتاجی کالز پیدا کیں، اور واضح اشاروں (بیان کردہ طالب علم خصوصیات) کو مضمر اشاروں سے الگ کیا جو دس پرامپٹ کی گفتگو تاریخ لے کر آتی ہے۔ خودکار مضمون اسکورنگ میں زیادہ تر ماڈل واضح شرط بندی کے تحت نسبتاً مستحکم رہے، جبکہ مضمر شرط بندی نے اسکور بڑھا دیے — Llama-70B نے اپنے طے شدہ سے 1.57 پوائنٹ زیادہ اسکور کیا (p < 0.001)۔ ماورائے لسانی سوال جواب میں مضمر شرط دوسری سمت بہی: کم تعلیمی سطحوں کے جوابات کو کم مثبت جذبہ ملا، 0-4 پیمانے پر سب سے نچلی اور بلند تعلیمی سطحوں کے درمیان اوسطاً 0.3 کا فرق، جبکہ اندرونی آئٹم معیاری انحراف 0.07 تھا۔ مساوات کی دشواری ساختی ہے — یہ اشارہ کوئی بیان کردہ خصوصیت نہیں جسے پالیسی منع کر سکے یا کوئی پرامپٹ خانہ جس کا آڈٹ معائنہ کر سکے، بلکہ خود تعامل کی خاصیت ہے۔

• تصدیق کسی فائدے کو کمزور طلبہ کی طرف موڑ سکتی ہے۔ Dang & Nguyen (2026) نے پایا کہ پہلے سال کے معاشیات کورس میں ماہر سے تصدیق شدہ AI مطالعاتی مواد 2.34 نمبر کے اضافے سے منسلک تھا، مگر تقریباً تین چوتھائی اضافہ نچلے پنجم میں پیدا ہوا، اور 60% حد سے نیچے نمبروں کا حصہ 24.7 پوائنٹ کم ہوا — یعنی جانچنے کا بوجھ طلبہ سے جواب دہ ٹیوٹر پر منتقل ہو گیا۔

لسانی، ثقافتی اور معذوری کی شمولیت

• زبان: زیادہ تر AI اوزار انگریزی کو ترجیح دیتے ہیں اور کثیراللسانہ طلبہ کو حاشیے پر دھکیلتے ہیں۔ تعلیمی تحریر میں لسانی تنوع، کم نمائندگی والی زبانیں اور زبان سیکھنا کی تحقیق اِس سے نمٹتی ہے۔
• شناخت سب سے زیادہ کثیراللسانہ لکھنے والوں پر لگتی ہے۔ چونکہ شناخت کار متن کی پیش قیاسی پذیری کی بنیاد پر درجہ بندی کرتے ہیں، نہ کہ ماخذ کی، اِس لیے وہ جس کم پریپلکسیٹی اور فارمولائی کثافت کی نشاندہی کرتے ہیں وہ اضافی زبان کی تحریر کی بھی خصوصیات ہیں؛ دستاویز شدہ مطالعات نے پایا کہ GPT شناخت کار غیر مادری انگریزی بولنے والوں کے اصل TOEFL مضامین کا بڑا حصہ غلط درجہ بندی کرتے ہیں — یہ تکنیکی سے پہلے تفریقی اثرات کا خطرہ ہے (Angelier (2026))۔
• میکانزم لسانی چمک ہے، تصنیف نہیں۔ ایک غیر مادری تصنیف شدہ مخطوطے کی تدوین نے شناخت کاروں کے فیصلے دونوں سمتوں میں بدلے — MAGE متن کو AI قرار دینے کے امکان میں 10.7 فیصد پوائنٹ کم، LastDE+ 5.8 پوائنٹ زیادہ — اور یہ تغیر اِس قدر بڑھا جتنی بھاری تدوین کی گئی (Park, Jeong and Kim (2026))۔ چونکہ تصنیف میں کوئی تبدیلی نہیں آئی، اِس لیے یہ اوزار جو پڑھتے ہیں وہ صیقل ہے، مشینی مداخلت نہیں۔
• پہچان، صرف رسائی نہیں: AI کی ثقافتی ہمواری بطور مساواتی نتیجہ: پانچ رنگین ثانوی اسکول شاگردوں کے ساتھ 9 ماہ کی بیانیہ تحقیق میں Gyekye (2026) نے پایا کہ طلبہ انصاف کو مرئی تعصب کی عدم موجودگی کے مترادف سمجھتے تھے — ایک "ثقافتی ہمواری" جس میں شناخت سے مخصوص تجربات اور ثقافتی علامات AI جوابات میں غیر نمائندہ رہتے ہیں — اور اُنہوں نے ایجنسی انکار (عدم استعمال بطور ادارتی ہم آہنگی) اور مفاہمت (AI نتائج کو ادارتی طور پر قابلِ فہم بنانا) کے ذریعے تشکیل دی۔ مطالعہ کا Recognition Bandwidth تصور اُس گنجائش کا نام ہے جو سیکھنے والوں کے پاس AI نتائج میں خود کو دیکھنے کے لیے ہے، اور Institutional AI Literacy اُس صلاحیت کا جو ادارتی توقعات کے اندر AI کو سمجھنے کی ہے۔ یہ پانچ طلبہ کا ایک ہی پروگرام کا معیاری مطالعہ ہے؛ اِس کا مساواتی حصہ یہ دکھانا ہے کہ غیر جانبداری بطور انصاف خود اخراج کا میکانزم بن سکتی ہے۔
• AI ٹیوٹر سے فائدہ کس کو ہوتا ہے — تلاشی میدانی شواہد: استاد کی ثالثی والے AI ریاضی پلیٹ فارم کی پورے ضلع میں تعیناتی میں Goblins (Alam et al. 2026) نے IEP والے طلبہ (+0.122 SD)، انگریزی سیکھنے والوں (+0.191 SD) اور Hispanic طلبہ (+0.084 SD) کے لیے موازنہ گروہوں سے بڑے تعلیمی تعلقات پائے، جو اِس کے ملٹی موڈل اِن پٹ اور سات زبانوں کی آواز کی معاونت کے شمولیت کی رکاوٹیں کم کرنے سے ہم آہنگ ہے۔ مصنفین واضح ہیں کہ تلاشی، کم طاقت والے ذیلی گروہ یہ ثابت نہیں کر سکتے کہ رسائی کی خصوصیات ہی نے تفریق پیدا کی — یہ ابتدائی، مفروضہ ساز اشارہ ہے، مساواتی نتیجہ نہیں۔
• ثقافت: ثقافتی طور پر متعلقہ تدریس اور برادری مرکز AIED ایسے AI کی وکالت کرتے ہیں جو سیکھنے والوں کے ثقافتی سیاق کی عکاسی کرے، غالب معیار مسلط کرنے کے بجائے۔
• معذوری اور نیورو ڈائیورسٹی: قابلِ رسائی سیکھنا، عالمی ڈیزائن برائے سیکھنا، عصبی تنوع اور خصوصی تعلیم کی تحقیق جائزہ لیتی ہے کہ AI معذور طلبہ کی مدد کر سکتا ہے یا اُنہیں خارج کر سکتا ہے — نیورو ڈائیورجنٹ کمپیوٹنگ طلبہ، ڈسلیکسیا والے طلبہ اور قابلِ رسائی تعلیمی مواد اِس کی مثالیں ہیں۔
• زبان، ثقافت اور لاگت ایک ساتھ: Bashir اور Afzal (2026) بہبود AI میں منصفانہ ڈیزائن کو زبان، ثقافت اور لاگت کے ایک ہی سوال کے طور پر ترتیب دیتے ہیں — صرف انگریزی والے اوزار اُن طلبہ میں ناکام ہوتے ہیں جو اردو یا رومن اردو میں تکلیف کا اظہار کرتے ہیں، مغربی ڈیٹا سیٹ مقامی طور پر اہم تناؤ پیدا کرنے والے عوامل قید نہیں کر پاتے، اور مہنگے تجارتی نظام کم وسائل والی یونیورسٹیوں میں ناکام ہوتے ہیں (Sukoon)۔ اُن کے جواب نے کم وسائل کی ضرورت کے لیے میزبان API کے ذریعے رسائی والا اوپن سورس کثیراللسانہ LLM، دو لسانی جانچ کا انٹرفیس، اور تصدیق شدہ 20 خصوصیات والے آلے پر تربیت یافتہ درجہ بندی کار کو یکجا کیا — جبکہ یہ تسلیم کرتے ہوئے کہ تربیتی ڈیٹا ہدف آبادی کی نمائندگی نہیں کرتا، کہ "بعض علاقوں میں... اوزار دستیاب ہیں مگر اکثر مہنگے ہیں،" اور یہ کہ موافقت پرامپٹ کی سطح پر ہے اور طلبہ کے ساتھ تصدیق شدہ نہیں، یعنی منصفانہ ارادے اور مظاہرہ شدہ مساوات کے درمیان خلا کا صاف گو بیان۔

خصوصی آبادیاں اور عالمی مساوات

• خصوصی آبادیاں: خصوصی تعلیم، نیورو ڈائیورجنٹ سیکھنے والے، ڈسلیکسیا والے سیکھنے والے اور معذور سیکھنے والے ایسے گروہ ہیں جن کی ضروریات AI نظام کی تشکیل میں عموماً نظرانداز ہوتی ہیں۔
• Global South کے نقطہ ہائے نظر: افریقی طلبہ کے محرکات، ویتنامی AI سبق کی منصوبہ بندی اور گھانائی اساتذہ کی قبولیت Global South کے وہ نقطہ ہائے نظر فراہم کرتے ہیں جو مغرب مرکز AIED تحقیق میں عموماً غائب ہیں۔ ادارتی سطح پر Adeniranye et al. (2026) دکھاتے ہیں کہ 45 نائجیرین یونیورسٹیوں میں AI انضمام ادارے کی عمر اور جغرافیے سے چلتا ہے، نہ کہ گورننس کی قسم سے، اور باہم تقویت دینے والے نیٹ ورک تعلقات اچھی طرح جڑے اداروں کو فائدہ مزید بڑھانے دیتے ہیں — یہ ثبوت کہ مساوات کے خلا ساختی طور پر دوبارہ پیدا ہوتے ہیں، صرف انفرادی رسائی سے نہیں۔
• عالمی صلاحیت: شواہد دستاویز کرتے ہیں کہ جنریٹو AI کے فوائد ممالک اور اداروں میں غیر مساوی طور پر تقسیم ہوتے ہیں، اور AI اور تاحیات سیکھنے کی پالیسی ساختی سماجی و اقتصادی میلانات سے نمٹتی ہے۔
• 72 اعلیٰ تعلیمی جانچ مطالعات کے PRISMA جائزے نے پایا کہ شواہد کی بنیاد جغرافیائی طور پر مرکوز ہے: آسٹریلیا اور برطانیہ نے مل کر 72 مطالعات میں سے 31 فراہم کیے، اور جنوبی امریکہ سے کوئی مطالعہ شناخت نہیں ہوا (Crompton and Burke (2026))۔
• معذوری اور Global South کا تقاطع: Khlaif et al. (2026) — تین فلسطینی یونیورسٹیوں کے 21 بصارت سے محروم انڈرگریجویٹس کا معیاری کیس مطالعہ — دکھاتا ہے کہ GenAI ڈیجیٹل، جغرافیائی اور سماجی و اقتصادی تقسیموں کو پاٹتا ہے اور ٹیکنالوجی قبولیت کے ماڈل کو معذوری کے سیاق تک بڑھاتا ہے، جہاں استعمال پذیری، قدرتِ خرید اور رسائی ایک دوسرے کو تقویت دیتے ہیں۔
• کمپیوٹنگ میں صنفی مساوات: GenAI کے مساوات پر مبنی استعمال کم دریافت ہوئے ہیں۔ یورپ میں صرف لڑکیوں کے لیے GenAI میکرسپیس اقدام نے دو GenAI اوزار نسوانی تدریس کے ساتھ جوڑے تاکہ کمپیوٹنگ میں لڑکیوں کی نمائندگی کی مستقل صنفی عدم مساوات سے نمٹا جا سکے، اور عمل کرنے والوں نے لڑکیوں کی شرکت اور شمولیت کی معاونت کے لیے مخصوص قدم اٹھائے — یہ مساوات پر مرکوز GenAI ڈیزائن کی مثال ہے۔ دانستہ صنفی AI خود مداخلت کا کردار بھی ادا کر سکتا ہے: Rücker and Becker-Genschow (2026) نے دکھایا کہ Ada Lovelace کے کردار پر ڈھالا گیا، زنانہ کوڈ والا، شعبے سے مخصوص ریاضی کا چیٹ بوٹ (جو بیک وقت رول ماڈل اور سیکھنے کا معاون دونوں طرح تعینات تھا) نویں جماعت کے طلبہ میں ریاضی کی صلاحیت اور ریاضی کے مردانہ میدان ہونے کے بارے میں صنفی دقیانوسی عقائد کو نمایاں طور پر کم کر گیا — دونوں جنسوں میں، اور ٹیکنالوجی کی قبولیت بلند اور صنفی طور پر غیر جانبدار رہی۔ یہ نمائندگی کو صرف آڈٹ کرنے والا تعصب نہیں بلکہ ڈیزائن کا ایک ہینڈل قرار دیتا ہے: منظم طور پر ڈیزائن کی گئی AI شخصیات صنفی تعصب کو دہرانے سے بچنے کے بجائے اُس کا مقابلہ کر سکتی ہیں۔

AI تعلیم کے لیے مضمرات

• انصاف ڈیزائن ہے، بعد کا خیال نہیں: تعصب کا ازالہ اور انصاف سے واقف الگورتھم AI ٹیوٹروں، اسکورروں اور سفارش کاروں میں شامل کیے جائیں، اور درستگی کے ساتھ ساتھ مساوات پر بھی جانچے جائیں۔
• بنیادی ڈھانچہ ہی مساوات ہے: ڈیجیٹل تقسیم اور کم نمائندگی والی زبانوں کے بنیادی ڈھانچے سے نمٹنا منصفانہ AI کی پیش شرط ہے، ثانوی معاملہ نہیں۔
• استاد کی ثالثی والی فراہمی اُن طلبہ تک پہنچتی ہے جنہیں AI چھوتا ہی نہیں۔ جہاں ڈیجیٹل تقسیم فی طالب علم ایک ڈیوائس کی گنجائش نہیں دیتی، وہاں Rodrigues et al. (2026) نے طلبہ کو کاغذ اور قلم کے ساتھ کام کرتے رکھا جبکہ اساتذہ اُن کے حل کی تصویر لیتے اور AI شخصی مشقوں کی فہرستیں اور غلطی سے مخصوص فیڈبیک واپس دیتا، 19 برازیلی سرکاری اسکول کلاسوں کے کلسٹر نیم تجربے میں۔
• نمائندگی مواد اور جانچ میں اہم ہے: AI سے ترتیب دیا گیا مواد اور خودکار جانچ متنوع سیکھنے والوں، ثقافتوں، زبانوں اور علمی نظاموں کی عکاسی کرے اور اُنہیں جرمانہ نہ دے۔
• رسائی کو معاونت کے ساتھ جوڑیں: اوزار فراہم کرنا ناکافی ہے؛ فائدے کے لیے سیکھنے والوں کو مہارت، شرائط اور ثقافتی طور پر متعلقہ سہارا درکار ہے۔
• اُن سامعین تک پہنچیں جنہیں رسمی تعلیم چھوڑ دیتی ہے: عوامی خدمت میڈیا کے لیے AI خواندگی کا فریم ورک دلیل دیتا ہے کہ فراہمی اُنہی تک پہنچتی رہے گی جو پہلے ہی مستفید ہیں، جب تک اِسے مختلف طریقے سے ڈیزائن نہ کیا جائے، اُن نوجوانوں کو نامزد کرتا ہے جو ڈیجیٹل یا دیگر اعتبار سے حاشیے پر ہیں اور رسمی تعلیم کے ذریعے سب سے کم مواقع رکھتے ہیں، اور علاج کے طور پر ہدف شدہ شراکت داری کے ساتھ قومی سطح کی فراہمی تجویز کرتا ہے — عالمی اشاعت نہیں۔
• پالیسی اور گورننس: ادارتی AI پالیسی (تعلیم میں AI کی پالیسی، AI گورننس) کو مساوات کو رہنما اصول کے طور پر شامل کرنا چاہیے۔

مساوات کی ایک ماحولیاتی اور حسابی جہت بھی ہے: حسابی طور پر شدید ماڈلوں تک غیر مساوی رسائی طلبہ کے درمیان اور اچھے اور کم وسائل والے اداروں کے درمیان تفاوتیں وسیع کر سکتی ہے، اور بڑے ماڈل تعینات کرنے کی نمایاں توانائی کھپت اور کاربن فٹ پرنٹ اعلیٰ تعلیم کے پائیداری اہداف سے متصادم ہے (Li et al. (2026))۔

عام غلط فہمیاں

• "مساوات کا مسئلہ اوزار تک رسائی ہے۔" اوزار کا معیار تقسیم کا حصہ ہے، صرف اوزار تک رسائی نہیں: Canonigo (2026) نے 50 ریاضی کے کام جمع کرائے اور پایا کہ معیار کے فرق اوزار کی پیروی کرتے ہیں، صارف کی نہیں۔
• "ہائبرڈ انسانی-AI ٹیوٹرنگ خلا کو تنگ نہیں کر سکتی۔" تفریق شدہ انسانی-AI ٹیوٹرنگ اِس بات کا ثبوت ہے کہ ہائبرڈ ماڈل خلا کو تنگ کر سکتے ہیں — جب مختص کرنا ضرورت کے مطابق ہو۔ difference-in-discontinuities مطالعے (635 شرکاء) نے پایا کہ فعال ٹیوٹرنگ نے معمولی طور پر زیادہ اوسط نشوونما (75%, p = .065) دکھائی جو کٹ آف سے زیادہ نیچے والے طلبہ میں مرکوز تھی۔ فائدہ وہیں مرکوز ہوا جہاں ضرورت سب سے زیادہ تھی۔
• "اوسط اثر بتا دیتا ہے کہ مساوات بہتر ہوئی یا نہیں۔" بصیرت یہ ہے کہ مختص کرنے کا قاعدہ ہی مساواتی نتیجہ طے کرتا تھا: جو مداخلت سب کی یکساں مدد کرے وہ خلا کو ویسا ہی رہنے دیتی ہے، اور جو ضرورت کے تناسب سے مدد کرے وہ اُنہیں تنگ کرتی ہے۔

منسلک تصورات

• طلبہ کے مختلف گروہوں میں تفریقی اثرات
• سیکھنے والے — سیکھنے والے: سیکھنے والے کی طرف کے تصورات کی چھتری
• ڈیجیٹل تقسیم — سماجی و اقتصادی حدود، خطوں اور ممالک میں AI اوزار اور بنیادی ڈھانچے تک غیر مساوی رسائی
• تعصب کا ازالہ — AI ٹیوٹروں، اسکورروں اور سفارش کاروں میں تعصب پہچاننے اور درست کرنے کے طریقے
• رسائی — ایسا ڈیزائن جو AI سیکھنے کے اوزار معذور طلبہ کے لیے قابلِ استعمال بنائے
• معاون ٹیکنالوجی — وہ اوزار جو AI کی ثالثی والے ماحول میں معذور سیکھنے والوں کی معاونت کرتے ہیں
• ثقافتی طور پر متعلقہ تدریس — ایسی تدریس جو غالب معیار مسلط کرنے کے بجائے سیکھنے والوں کے ثقافتی سیاق کی عکاسی کرے
• زبان سیکھنا — کثیراللسانہ اور کم نمائندگی والی زبانوں کے سیکھنے والوں کی لسانی شمولیت
• شمولیتی سیکھنا — تمام سیکھنے والوں کے لیے قابلِ رسائی اور منصفانہ سیکھنا
• سیکھنے کے لیے عالمگیر ڈیزائن — شروع ہی سے سیکھنے والوں کے تغیر کے لیے ڈیزائن کرنا
• عصبی تنوع — AI تعلیم میں نیورو ڈائیورجنٹ سیکھنے والوں کی معاونت
• خصوصی تعلیم — AI نظام کی تشکیل میں معذور سیکھنے والوں کی ضروریات پوری کرنا
• مصنوعی ذہانت کی لیٹریسی — وہ مہارتیں جو سیکھنے والوں کو AI سے منصفانہ فائدہ اٹھانے کے لیے درکار ہیں
• تعلیم میں AI کی پالیسی — ادارتی پالیسی جو مساوات کو رہنما اصول کے طور پر شامل کرے
• AI گورننس — منصفانہ AI کے لیے نگرانی اور احتساب
• سیکھنے والے کی ایجنسی — یہ یقینی بنانا کہ AI طلبہ کی آواز کو تبدیل کرنے کے بجائے بااختیار بنائے
• حصہ دار — چھتری: AI تعلیم میں لوگ اور سامعین (سیکھنے والے، اساتذہ، ڈیزائنرز، منتظمین، پالیسی ساز)
• والدین اور خاندان
• طلبہ کی معاونت اور کامیابی — معاونتی نظام کس تک پہنچتے ہیں، اور خطرے کے اسکور پر عمل کرنے کے خطرات

منسلک مضامین

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — GenAI کا بصری تعصب ملٹی موڈل جانچ میں کیسے داخل ہوتا ہے، اور اُس کے خلاف بیانیہ تشکیل دینا استاد کی قابلیت کیوں ہے

• The Rented Self: How AI-Enabled Tools Decouple Performance From Becoming — کرائے کا خود: کرایہ پیسے، خود اور معیار میں ادا ہونا، اور وہ لائسنس جو گریجویشن پر ختم ہو جاتے ہیں

• Verified, not generated: expert-verified AI study materials and the distribution of learning gains in a university course — تصدیق شدہ، تخلیق شدہ نہیں: ماہر سے تصدیق شدہ AI مطالعاتی مواد اور یونیورسٹی کورس میں سیکھنے کے فوائد کی تقسیم

• Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations — مساوات بطور فراہمی کا مسئلہ: اُن نوجوانوں تک پہنچنا جنہیں رسمی تعلیم چھوڑ دیتی ہے

• AI in University Assessment: Evaluating the Opportunities and Risks of Automated Marking — OpRaise رپورٹ: تین برطانوی یونیورسٹیوں کے 761 یونیورسٹی مضامین کی AI نشاندہی

• Generative AI in computing education: A systematic review and a framework for responsible integration — مہارت کا خلا بمقابلہ وسائل کا خلا: دو مساواتی میکانزم جن کے علاج مختلف ہیں

• AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education — بغیر رہنمائی GenAI خلا کو وسیع کر سکتا ہے: تعامل کے انتظام کی قابلیت (Brunnström & Palmqvist 2026)

• Institutional Structures, Digital Inequality, and AI Integration in Higher Education — ادارتی ڈھانچے، ڈیجیٹل عدم مساوات، اور نائجیرین اعلیٰ تعلیم میں AI انضمام

• Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation — حقیقی وقت میں طلبہ کی توجہ کے تخمینے کے لیے انصاف سے واقف ملٹی موڈل ٹرانسفارمر ماڈلنگ

• Does school-based AI education narrow readiness gaps? The role of prior agency-related learning — اسکولی AI تعلیم نفسیاتی تیاری کے خلا کو تنگ کرتی ہے، علمی خلا کو نہیں

• Same Question, Different Answer? Measuring and Mitigating Prompt Privilege for Equitable AI Access — پرامپٹ استحقاق: LLM تک رسائی میں رسائی کی تفاوتوں کی پیمائش اور تخفیف

• AI-based scoring systematically underestimates conceptual understanding of linguistically weak students' explanations in physics — AI پر مبنی اسکورنگ میں لسانی تعصب

• Contaminated Collaboration: Measuring Gender Bias Transfer in LLM-Assisted Student Writing — LLM کی مدد سے لکھائی میں صنفی تعصب کی منتقلی

• Generative artificial intelligence and the marginalization of minoritized knowledges in higher education — جنریٹو AI اور اقلیتی علوم کی حاشیے پر دھکیل

• Structural Silence: When AI Infrastructure Fails Speakers of Underrepresented Languages — ساختی خاموشی: AI بنیادی ڈھانچے میں کم نمائندگی والی زبانیں

• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025) — اعلیٰ تعلیم میں GenAI: منظم جائزہ

• Artificial Intelligence in Lifelong Learning: Opportunities and Challenges in Adult Education Policy — AI اور تاحیات سیکھنے کی پالیسی

• Does generative AI narrow education-based productivity gaps? Evidence from a randomized experiment — کیا جنریٹو AI تعلیم پر مبنی پیداواری خلا کو تنگ کرتا ہے؟

• Generative AI and linguistic diversity in academic writing and publishing: Perspectives from World Englishes — AI کی ثالثی والی تعلیمی تحریر میں لسانی تنوع

• Access is Not Enough: Human Support Improves Engagement with AI Tutoring — رسائی کافی نہیں

• Bridging the Gender Gap in STEM Education with AI: Female-Coded Chatbot as Role Model and Learning Assistant — زنانہ کوڈ والا چیٹ بوٹ بطور رول ماڈل جو ریاضی کے صنفی دقیانوسی تصورات کم کرتا ہے

• The Paternalistic Filter: Epistemic Injustice and Differential Refusal in LLM-Mediated History Education for Marginalized Romanian Students — LLM پر مبنی تاریخ کی تعلیم میں پدرانہ فلٹرنگ

• DysLexLens: A Low-Resource LLM Framework for Analysing Dyslexic Learners Insights from Online Forums — DyslexLens: ڈسلیکسیا والے سیکھنے والوں کے لیے AI معاونت

• Modernizing Ground Truth: Four Shifts Toward Improving Reliability and Validity in AI in Education — AIED میں بنیادی حقیقت کی قابلِ اعتمادی

• Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback — Marked Pedagogies: طلبہ کی خصوصیات کے مطابق دقیانوسی فیڈبیک تعصب

• Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation — کیا AI متنوع طلبہ پروفائلز کے لیے مناسب معاونت دے سکتا ہے؟ ایک بڑے پیمانے کا جائزہ

• Beyond “painting in pink”: A critical case study of all-girls generative AI workshops in a European makerspace — صرف لڑکیوں کے GenAI میکرسپیس ورکشاپس اور کمپیوٹنگ میں صنفی مساوات

• Assistive Generative AI for Visually Impaired Learners: Personalization and Inclusion in Higher Education — بصارت سے محروم سیکھنے والوں کے لیے معاون GenAI

• An AI-Powered Culturally Aware Chatbot for Stress Detection and Wellness Support among Pakistani University Students Using NLP and Machine Learning — پاکستانی یونیورسٹی طلبہ میں تناؤ کی شناخت اور بہبود کی معاونت کے لیے NLP اور مشین لرننگ استعمال کرنے والا AI سے چلنے والا ثقافتی طور پر واقف چیٹ بوٹ

• The Role of Implicit and Explicit Demographic Signals in Large Language Model-based Student Assessment — مضمر (گفتگو کی تاریخ والے) آبادیاتی اشارے LLM کی اسکورنگ، فیڈبیک اور جواب بدلتے ہیں (Rooein, Benedetto & Hovy 2026)

• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — 1,057 امریکی اساتذہ AI کے حال اور مستقبل پر: 81% وسیع تر ڈیجیٹل عدم مساوات کی توقع رکھتے ہیں، 26% اوزار استعمال نہیں کرتے

• GenAI assessment and language equity: Drawing the line between support and substitution — معاونت اور متبادل کی حد کھینچنا: GenAI جانچ کے قواعد اور EAL طلبہ کا تعمیل کا بوجھ

• AI refusal in higher education: the right to refuse, the duty to understand and the diagnostic value of non-use — انکار کا حق غیر مساوی طور پر تقسیم ہے: انکار بطور ادارتی کم تیاری کا ثبوت (Zagami 2026)

• AI literacy and scenario-based ethical judgment about generative AI among undergraduate students — 531 انڈرگریجویٹس میں منظر نامے پر مبنی اخلاقی فیصلہ اور AI خواندگی

• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench: AI اور انسانی ٹیوٹرنگ مساوی GRE سیکھنے کے فوائد دیتے ہیں

• AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI — AI آپ کا ہوم ورک کر سکتا ہے۔ اب کیا؟ جنریٹو AI کے دور میں کمپیوٹنگ جانچ پر آن لائن ورکشاپ کی رپورٹ

• Generative AI May Reinforce Social Biases in Software Engineering Education — جنریٹو AI سافٹ ویئر انجینئرنگ تعلیم میں سماجی تعصبات کو مضبوط کر سکتا ہے

• Teacher Mediation and the Contingent Promise of Generative AI in Mathematics Education — ریاضی میں مفت درجے اور پریمیم ماڈل کے درمیان درستگی کا خلا: 32.7% بمقابلہ 12% (Canonigo 2026)

• The Impact of Generative Artificial Intelligence on Learning Outcomes in Higher Education: A Meta-Analysis — مجموعی GenAI سیکھنے کے فوائد (g=0.53) اور مہنگے اوزار تک غیر منصفانہ رسائی جسے وہ قید نہیں کر سکتے

• Reimagining mathematics education through intelligent tutoring: evidence, opportunities, and implementation challenges — ریاضی AI ٹیوٹرنگ کا جائزہ جو شمولیت اور کامیابی کے خلا کے دعووں کو غیر مصدقہ پاتا ہے

• Improving hybrid human-AI tutoring by differentiating human tutor roles based on student needs — طلبہ کی ضروریات کی بنیاد پر انسانی ٹیوٹر کے کرداروں میں تفریق کر کے ہائبرڈ انسانی-AI ٹیوٹرنگ بہتر بنانا (Gurung et al. 2026)

• Teacher-Mediated Multimodal Platform and Math Achievement: Evidence from Goblins' Yearlong District Implementation — ضلعی AI ریاضی تعیناتی جس میں IEP، انگریزی سیکھنے والوں اور Hispanic طلبہ کے لیے بڑے تلاشی تعلقات (ملٹی موڈل/کثیراللسانہ معاونت؛ سببی تعلق غیر جانچا)

• Constructing Selves in AI-Mediated Apprenticeship Learning: Students of Colour's Narratives of Agency, Recognition and Negotiation — رنگین شاگردوں نے انصاف کو ثقافتی ہمواری کے مترادف سمجھا؛ ایجنسی انکار اور مفاہمت سے تشکیل پائی؛ Recognition Bandwidth اور Institutional AI Literacy

• AIED unplugged, teacher workload, and numeracy learning: a clustered quasi-experimental mixed-methods study — استاد کی ثالثی والی فراہمی اُن طلبہ تک پہنچتی ہے جنہیں AI چھوتا ہی نہیں

• The pitfalls of AI detection in academic writing: bias, false positives, and the need for inclusive assessment — شناخت سب سے زیادہ کثیراللسانہ لکھنے والوں پر لگتی ہے

• Who Benefits from LLMs? Prompt Engineering Competence as an Equity Pathway — قابلیت طے کرتی ہے کہ طلبہ LLM تک رسائی سے کتنا فائدہ اٹھاتے ہیں (Li et al. 2026)