تشکیلی جانچ

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

تشکیلی جانچ — ایسی جانچ جو جاری تدریس اور سیکھنے کو معلومات فراہم کرنے کے لیے ڈیزائن کی جائے، اختتامی جانچ کے برعکس۔ AI تعلیم میں تشکیلی جانچ بیک وقت AI سے بدل رہی ہے اور اُس کے لیے ناگزیر بھی ہے: AI نظام بڑے پیمانے پر تشکیلی آئٹمز اور فیڈبیک پیدا، تصدیق اور ڈھال سکتے ہیں، جبکہ تشکیلی فیڈبیک وہ بنیادی طریقہ کار ہے جس کے ذریعے AI ٹیوٹرز اور انطباقی نظام سیکھنے کو سہارا دیتے ہیں۔ علمی ذخیرے کی تحقیق AI سے پیدا شدہ تشکیلی آئٹمز، AI سے پیدا شدہ فیڈبیک، اور اِن نظاموں کے ڈیزائن اور جائزے کا مطالعہ کرتی ہے۔

غور کرنے کے لیے سوالات

• تشکیلی جانچ کا مقصد چکر مکمل کرنا ہے — یہ سامنے لانا کہ طلبہ کیا نہیں جانتے اور ایسا فیڈبیک دینا جس پر وہ سیکھنے کے دوران ہی عمل کر سکیں۔ یہ اختتامی جانچ سے بنیادی طور پر کیسے مختلف ہے، اور عملاً کب یہ دونوں گڈمڈ ہو سکتی ہیں؟
• AI قابلِ تصدیق جہتوں پر متاثر کن درستگی کے ساتھ کثیر الانتخابی سوالات بنا سکتا ہے، مگر تدریسی فیصلے کی جہتوں پر سب سے کمزور ہے۔ اگر کوئی مشین درست جوابات میں اچھی مگر تدریسی فیصلے میں کمزور ہو، تو اُس پر کیا کرنے کا بھروسہ کرنا چاہیے — اور انسانوں کو کیا کرتے رہنا چاہیے؟
• AI سے پیدا شدہ فیڈبیک تبھی فائدہ دیتی ہے جب طلبہ واقعی اُسے عمل میں لائیں — 'عمل میں لائی گئی فیڈبیک' کی وہ حالت، جس میں طلبہ تجاویز منتخب کرتے، جانچتے اور لاگو کرتے ہیں، محض فیڈبیک دیے جانے سے بہتر کارکردگی دکھاتی ہے۔ اگر عمل میں لانا خود فیڈبیک سے زیادہ اہم ہے، تو اِس کا مطلب یہ ہے کہ تشکیلی فیڈبیک کیسے ڈیزائن کی جانی چاہیے؟
• فیڈبیک کو معلومات کی منتقلی نہیں بلکہ ایک اخلاقی، رشتہ دارانہ عمل کہا گیا ہے۔ جب تشکیلی جانچ کو 'AI کی بھرتی' کی صورت میں بڑے پیمانے پر تیار کیا جائے تو کیا کھو جاتا ہے — اور انسانی تبصرے کے ذخیرے اور رشتہ دارانہ نگہداشت کیا بچا سکتے ہیں؟

تعارف

تشکیلی جانچ تعلیم میں AI کے مرکز میں ہے کیونکہ یہ جانچ اور سیکھنے کے فیڈبیک کے سنگم پر بیٹھی ہے۔ اُس کا مقصد چکر مکمل کرنا ہے: یہ سامنے لانا کہ طلبہ کیا جانتے اور کیا نہیں جانتے، اور ایسا فیڈبیک دینا جس پر وہ بہتری کے لیے عمل کر سکیں۔ AI اِسے بڑے پیمانے پر ممکن بناتا ہے — آئٹمز پیدا کرنا، جوابات کو اسکور کرنا اور انفرادی نوعیت کا فیڈبیک پہنچانا — مگر علمی ذخیرے کی تحقیق دکھاتی ہے کہ معیار آئٹم کی قسم کے لحاظ سے ڈرامائی طور پر بدلتا ہے، اور فیڈبیک تبھی فائدہ دیتی ہے جب طلبہ واقعی اُسے عمل میں لائیں۔

Correnti et al. (2026) ثبوت دیتے ہیں کہ ایک خودکار تحریری نظام مستند تشکیلی مقصد پورا کر سکتا ہے: بہتری نظرثانی کے معیار میں ظاہر ہوئی، محض خصوصیات کے اسکور میں نہیں، مگر صرف وہاں جہاں اساتذہ نے فیڈبیک کو کلاس روم کی گفتگو میں شامل کیا۔

AI سے پیدا شدہ تشکیلی آئٹمز

AI نظام مختلف وضعیتوں میں تشکیلی جانچ کے آئٹمز پیدا کرتے ہیں، اور اعتبار قسم کے لحاظ سے بدلتا ہے:

• کثیر الانتخابی سوالات: CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation دکھاتا ہے کہ ایجنٹک AI کوڈنگ کی فہم کے لیے MCQs قابلِ اعتماد طریقے سے بنا سکتا ہے جب سات تدریسی جہتوں پر تصدیق کی جائے — کامیابی کی شرح تصور کی ہم آہنگی کے لیے 98.6% اور فیڈبیک کے معیار کے لیے 79.9% تک پہنچتی ہے — جو بتاتا ہے کہ AI قابلِ تصدیق جہتوں پر سب سے مضبوط اور تدریسی فیصلے کی جہتوں پر سب سے کمزور ہے۔ یہ عمومی طور پر خودکار سوال سازی سے جڑتا ہے۔

• آسان پیدا شدہ آئٹم بینک کوئی تشکیلی اشارہ نہیں دیتا۔ 10 ہفتوں کی تعیناتی میں AI سے پیدا شدہ تقریباً 70% مشقی آئٹمز ہر طالب علم نے درست حل کیے (p = 1.0)، چنانچہ ہر 15 سے 20 منٹ میں چلنے والی کم داؤ والی کوئزز کو خوب پذیرائی ملی مگر اُن میں تدریس کو ڈھالنے کے لیے تقریباً کوئی امتیازی معلومات نہ تھیں (An & Wang (2026))۔

• خودکار مضمون اسکورنگ: کثیر ایجنٹ فریم ورکس (مثلاً MASS) تنہا LLMs کے مقابلے میں مضمون اسکورنگ کے لیے مستقل مزاجی بہتر کرتے ہیں، اگرچہ کثیر ایجنٹ اسکورنگ کے فیصلوں کی قابلِ تشریح ایک کھلا چیلنج رہتی ہے۔

• تشکیلی اسکورنگ پائپ لائنز: CoTAL Chain-of-Thought پرامپٹنگ کو فعال سیکھنے اور Evidence-Centered Design کے ساتھ جوڑ کر ایسی عمومی نوعیت کی تشکیلی جانچ اسکورنگ پیدا کرتا ہے جس میں انسان بھی لوپ میں شامل ہو (پرامپٹ انجینئرنگ)۔

• کثرت سے اور خودکار نشان زدہ جانچ: A-level سائنسز میں خودکار تشکیلی جانچ کثرت سے خودکار نشان زدہ تشکیلی جانچ کے سیکھنے کے نتائج پر اثر کا جائزہ لیتی ہے۔ سائنس میں مختصر جواب کی خودکار نشان زدگی (2017–ابتدائی 2024) کا ایک اسکوپنگ جائزہ تصدیق کرتا ہے کہ یہ تشکیلی مختصر جواب کا استعمال ایک ایسا میدان ہے جس میں واقعی رفتار ہے: BERT خاندان کے ماڈل 2021 تک خودکار نشان زدگی پر چھائے رہے، پھر تقریباً 2022 سے بڑے LLMs کی پرامپٹنگ شروع ہوئی، اور ڈومین سے بڑھے ہوئے، روبرک سے واقف اور chain-of-thought ماڈلز سب سے بہتر کارکردگی دکھاتے رہے — پھر بھی جائزے کی جامع جانچ کی اپیلیں اور غیر حل شدہ انصاف اور قابلِ تشریحی کے خلا خبردار کرتے ہیں کہ ایسے نظاموں کو غیر وساطت شدہ اختتامی یا زیادہ داؤ والے استعمال تک نہ بڑھایا جائے (Auto-marking short answer questions in science: The foundational years of transformer-based models from BERT to GPT-4)۔

AI سے پیدا شدہ فیڈبیک

علمی ذخیرے کی ایک بڑی تحقیق AI سے پیدا شدہ تشکیلی فیڈبیک کا جائزہ لیتی ہے:

• عمل میں لانے کا مسئلہ: AI سے پیدا شدہ فیڈبیک کو معنی خیز بنانا (13,037 طلبہ؛ 51,296 وسائل) دکھاتا ہے کہ فیڈبیک کی قدر اِس بات پر منحصر ہے کہ طلبہ اُسے عمل میں لاتے ہیں یا نہیں — عمل میں لائی گئی فیڈبیک کی حالت، جس میں طلبہ AI فیڈبیک کی تجاویز منتخب، جانچ اور لاگو کرتے ہیں، سادہ ہدایت شدہ فیڈبیک سے بہتر کارکردگی دکھاتی ہے۔

• جب روبرک معیارات اُٹھائے ہوئے ہو تو AI فیڈبیک ماہر اساتذہ کا ہم پلہ ہو سکتی ہے۔ ماخذ سے اندھا رکھتے ہوئے اور 47 یونیورسٹی پراجیکٹ گروہوں میں بے ترتیب تقسیم کے ساتھ، ایک LLM جسے مشترکہ طور پر بنایا گیا 0–30 کا روبرک اور نمونہ دیا گیا، ماہر فیڈبیک کے مقابلے میں غیر کم تر اور مساوی رہا (+0.23، 90% CI [−0.46, 0.91]) — کیلیبریشن روبرک نے دی، ماڈل نے نہیں (Grion et al. (2026))۔

• فیڈبیک معلومات کی منتقلی نہیں: فیڈبیک کی نگہداشت بھری دستکاری دلیل دیتا ہے کہ فیڈبیک ایک اخلاقی، رشتہ دارانہ عمل ہے، معلومات کی ترسیل نہیں — فیڈبیک تبھی فیڈبیک بنتی ہے جب طلبہ اُسے سمجھ کر اُس پر عمل کریں، اور یہ بڑے پیمانے پر تیار کی گئی "AI کی بھرتی" کا موازنہ انسانی تبصرہ بینک کے شارٹ کٹس سے کرتا ہے۔

• ترتیب وار فیڈبیک اُلٹا اثر دے سکتی ہے: ترتیب وار AI فیڈبیک (حوصلہ افزائی → اشارے → درست جواب، جو خودمختاری بڑھانے کے لیے ڈیزائن کی گئی تھی) نے ایک بے ترتیب تجربے (N=199) میں شمولیت اور مثبت ادراک بڑھانے کے باوجود سیکھنے کو درحقیقت نقصان پہنچایا — فیڈبیک کے ڈیزائن کے بارے میں ایک متنبہ کرنے والا نتیجہ۔

• طالب علم مرکز آلات: PolyFeed ML تجویز کے ماڈلز کو استاد کی مشق کے ساتھ جوڑتا ہے اور دکھاتا ہے کہ اساتذہ AI فیڈبیک کی تجاویز کو کیسے اپناتے اور ڈھالتے ہیں؛ AI کی معاونت والا اندرونی فیڈبیک انڈرگریجویٹس کو جائزہ لینے کا فیصلہ پروان چڑھانے میں مدد دیتا ہے۔

• روبرک کی رہنمائی والی پرامپٹنگ اور کردار سے آگاہ فیڈبیک: Yaşar et al. (2026) نے دکھایا کہ روبرک کی تکراری بہتری — کارکردگی کے وصف صاف کرنا اور سیکھنے کے مضمر اشاروں کو صریح طور پر قبول کرنا — نے طلبہ کے ڈیزائن کے کام پر LLM اور انسان کے اتفاق کو 54.75% سے 81.25% تک پہنچا دیا (Cronbach's Alpha 0.393 سے 0.798 تک بڑھا)، اور سب سے بڑے فوائد علمی طور پر زیادہ مطالبہ کرنے والے Iteration & Reflection زمرے میں آئے۔ اُسی ماڈل کو مدرس، ہم مرتبہ جائزہ لینے والا اور گرانٹ جائزہ لینے والا کے کرداروں میں پرامپٹ کرنے سے الگ الگ جائزہ فیڈبیک پیدا ہوا، اور نظرثانی کے بعد LLMs کارکردگی کی حدیں لاگو کرنے میں بعض انسانی جانچنے والوں سے زیادہ مستقل مزاج تھے — جو روبرک کی رہنمائی والے LLMs کو تشکیلی فیڈبیک کے ماحول میں کیلیبریشن اور مشترکہ ڈیزائن کے ساتھی بناتا ہے، جبکہ انسان کا لوپ میں نگران رہنا ناگزیر ہے۔

• اتفاق کے اعداد ایک سمت چھپا دیتے ہیں: ماڈل درمیانی زمرے کی طرف جھک سکتا ہے۔ گفتگو پر مبنی جانچ کے اندر ایک LLM جانچنے والے نے مکالمے کی باریوں کو ٹیگ کرتے ہوئے 155 واقعات میں سے 52.2% پر انسانی کوڈنگ سے اتفاق کیا، مگر جھکی ہوئی PARTIAL_CORRECT لیبل جانچنے والوں سے زیادہ استعمال کی (53.5% بمقابلہ 41.3%) اور 5.4% باریوں کو IRRELEVANT قرار دیا جہاں جانچنے والوں نے کوئی نہیں دیا (Hou et al.، 2025)۔

• AI فیڈبیک شرکت برقرار رکھتی ہے اور بڑے پیمانے پر فوائد لاتی ہے: Geschwind et al. (2026) کے انڈرگریجویٹ ٹیوٹوریلز میں پورے سمسٹر چلنے والے میدانی تجربے نے پایا کہ انفرادی GPT-4 تشکیلی فیڈبیک (Hattie & Timperley کی تینوں جہتوں — Feed-Back، Feed-Up، Feed-Forward — پر پھیلی ہوئی) نے آٹھ کھلے جواب والے کاموں میں سب سے زیادہ شرکت برقرار رکھی، طلبہ کے جوابات لمبے کیے، اور مواد سیکھنے کے سب سے مضبوط فوائد پیدا کیے — یہ اثر AI کی قابلِ اعتماد، مستقل فراہمی سے چلا، کیونکہ جب واقعی اعلیٰ معیار کا متنی ہم مرتبہ فیڈبیک ملا تو ہم مرتبہ کے نتائج AI کے برابر رہے۔

• فیڈبیک کے مستقبل: فیڈبیک کے مستقبل ایک خصوصی شمارے کی ترکیب کرتا ہے اور دلیل دیتا ہے کہ سوال یہ نہیں کہ GenAI فیڈبیک پیدا کر سکتا ہے یا نہیں، بلکہ یہ کہ سیکھنے کو سہارا دینے والی فیڈبیک کیسے ڈیزائن کی جائے، اور میدان بھر کے بار بار ابھرنے والے تناؤ کو کشید کرتا ہے۔

• زیادہ تر تشکیلی فیڈبیک لمحاتی ہے، پائیدار نہیں۔ 37 مستند جانچ مطالعوں کے اسکوپنگ جائزے میں 23 نے فوری بہتری کے لیے تشکیلی فیڈبیک استعمال کی مگر صرف چار نے پائیدار فیڈبیک، جسے طلبہ آئندہ سیاق میں منتقل کرتے ہیں — یہی ردِعمل کا وہ نمونہ ہے جسے موجودہ AI فیڈبیک ٹولز دہراتے ہیں (Zhan, Boud & Du (2025))۔

• کھلے مقداری مسائل کے لیے تشخیص اول فیڈبیک: Arthur (Yin et al. 2026) Engineering Economics کے Calculated Formula Questions پر حقیقی وقت، ذاتی نوعیت کا تشکیلی فیڈبیک دیتا ہے، یعنی ایسے میدان میں جہاں ہاتھ سے لکھے، غیر ساختہ حل پہلے AI کی معاونت کو روک رہے تھے۔ فی سوال XGBoost ریڑھ کی ہڈی طلبہ کے جمع کردہ عددی جوابات سے روبرک کے لیبل والی ممکنہ غلطیاں تشخیص کرتی ہے (اوسط درستگی 0.81، بازیابی 0.79)، اور مکالمے پر مبنی ایک اسکیم صرف اُس وقت درمیانی جوابات طلب کرتی ہے جب پیش گوئی کا اعتماد کم ہو — جو سوال بینک کے ویب انٹرفیس میں فیڈبیک کی درستگی اور جمع آوری کی کارکردگی میں توازن رکھتی ہے۔

• LLM تشکیلی فیڈبیک کا پیمانہ اور حدود (منظم ثبوت): 42 تجربی مطالعوں (2023–2025) کا PRISMA کی رہنمائی والا منظم جائزہ پاتا ہے کہ LLMs اساتذہ کا بوجھ کم کر سکتے ہیں اور بڑے پیمانے پر تیز، ذاتی نوعیت کا فیڈبیک دے سکتے ہیں — خصوصاً بڑے یا اعلیٰ تعلیمی گروہوں میں — مگر یہ فیڈبیک کبھی کبھی بہت عمومی یا دیے گئے درجے سے غیر ہم آہنگ ہوتی ہے اور طویل، کثیر لسانی یا باریک کاموں میں اُس کی اعتبار پستی کا شکار ہوتی ہے، جو اِس بات کو مزید پختہ کرتا ہے کہ تشکیلی AI فیڈبیک معلم کی نگرانی میں ہی بہترین ہے (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback)۔

• انطباقیت ایک الگ جزو ہے، سجاوٹ نہیں: Sukjaitham, Schaaf, Brod & Breitwieser (2026) وہ براہِ راست سببی امتحان پیش کرتے ہیں جسے بیشتر LLM فیڈبیک مطالعے مفروضہ طور پر نظر انداز کر دیتے ہیں، اور GPT-4 کے جواب کے لحاظ سے مشروط فیڈبیک کا موازنہ ماہرین کے لکھے عمومی رہنمائی سے کرتے ہیں جسے ساخت، لہجے، طوالت اور محرک فقروں پر ہم آہنگ کیا گیا تھا (پانچ جہتوں والے معیار کے روبرک سے تصدیق شدہ، κ = .76–1.00)۔ پہلے سے رجسٹرڈ دروں افراد کے تجربے میں، 155 جرمن پانچویں اور چھٹی جماعت کے بچوں (M = 12.08 سال) نے چھ if-then منصوبے نظرثانی کیے: انطباقی فیڈبیک کے تحت منصوبے کا معیار درمیانی 2 → 5 تک بڑھا، بمقابلہ 2 → 3 عمومی رہنمائی کے تحت (دروں فرد V = 10,440، p < .001، r = .86؛ حالت × وقت کے تعامل کا تخمینہ = 1.68، SE = 0.14، p < .001، سہارے سے پہلے کوئی فرق نہیں)۔ بچوں نے انطباقی فیڈبیک کو زیادہ مددگار (r = .67) اور زیادہ محرک (r = .74) بھی درجہ دیا، اور آزمائش کی سطح کے ادراک نے نظرثانی کے فوائد کے حجم کی پیش گوئی کی — جو ادراک شدہ افادیت کو محض جذباتی ضمنی پیداوار کے بجائے راستے کا حصہ بناتا ہے۔ چونکہ کنٹرول بھی خود اچھی طرح ڈیزائن کیا گیا تھا، مطالعہ اچھی غیر مشروط رہنمائی کے آگے اضافی قدر دکھاتا ہے، نہ کہ فیڈبیک اور کچھ نہ ہونے کے درمیان فرق: عمومی رہنمائی ایک حقیقی مگر محدود متبادل ہے جو اپنی ہی درمیان پر رک جاتی ہے۔ منصوبہ بندی کو آزمائشی معاملہ بنایا گیا کیونکہ وہ خود ضابطہ سیکھنے کی ایک بنیادی حکمت عملی ہے جس کے معیار صریح ہیں، اور یہی چیز مشروطیت — وہ خاصیت جو سکافولڈنگ کو جامد سہارے سے الگ کرتی ہے — کو ایک جملے کے جواب پر براہِ راست ناپنے کے قابل بناتی ہے۔ مصنفین انطباقیت کی تعریف تنگ معنوں میں فیڈبیک کے مواد کو سیکھنے والے کے ٹھوس جواب کے لحاظ سے مشروط ڈھالنے کے طور پر کرتے ہیں، اور اُسے مکالماتی تعامل، لہجے اور مستقل خواص والی انطباقی سیکھنے سے الگ کرتے ہیں۔

• ادراک شدہ افادیت قابلِ عمل ہونے کے ساتھ چلتی ہے: Mendonça et al. (2026) نے 144 پروگرامنگ طلبہ سے 893 LLM سے پیدا شدہ فیڈبیک کے نمونوں کو پانچ جہتوں پر اور 237 یکجا شدہ رپورٹوں کو چھ جہتوں پر درجہ بندی کرایا، جبکہ ڈومین، کام اور آلہ مستقل رکھے اور تعلیمی سطح بدلتی رہی۔ درجہ بندی ہر جگہ سازگار رہی، انفرادی جوابات کے لیے طالب علم کی سطح کے اوسط 4.24 سے 4.43 اور رپورٹوں کے لیے 4.11 سے 4.38، پھر بھی قابلِ عمل ہونے اور افادیت کو سب سے کم درجہ بندی ملی، اُس وقت بھی جب قابلِ عمل ہونے اور ادراک شدہ درستگی نے سب سے بڑا نسبتی وزن اُٹھایا (32.6% اور 29.0%) ایک ایسے ماڈل میں جو ادراک شدہ افادیت کے تغیر کا 76% بیان کرتا ہے، اور محرک اور ذاتی نوعیت نے استعمال کی نیت کے رپورٹ سطح کے ماڈل کی قیادت کی جو 53% بیان کرتا ہے۔ چونکہ قابلِ عمل ہونا وہ جہت ہے جسے فیڈبیک کی تحقیق فراہم کرنا سب سے مشکل سمجھتی ہے، یہ نمونہ فیڈبیک پر لاگو ٹیکنالوجی کی قبولیت پڑھا جاتا ہے: افادیت اِس بات کے ساتھ چلتی ہے کہ سیکھنے والا عمل کر سکتا ہے یا نہیں، اِس کے ساتھ نہیں کہ فیڈبیک کتنی چمکی ہوئی سنائی دیتی ہے۔

• آف لائن اتفاق براہِ راست کارکردگی کو بڑھا چڑھا کر دکھاتا ہے: Cruz et al. (2026) کی GPT-4o فیڈبیک پائپ لائن نے 362 جمع شدہ کاموں میں سے 83% میں مدرس کے نشان کو 0.5 پوائنٹ کے اندر دہرایا، پھر بھی موقع پر درست شدہ اتفاق صرف درمیانہ تھا (ICC(2,1) = 0.49) اور تاریخی اسکرپٹس پر r = 0.92 سے براہِ راست مدرس کی نگرانی والے استعمال میں 0.57 تک گر گیا۔

• نظرثانی کے راستے پر فہم قابلِ عمل ہونے سے آگے نکل جاتی ہے: Yao اور Fan (2026) نے مسئلے کی سطح کی تشخیص کو تجاویز سے الگ کیا اور طلبہ کو خودمختار نظرثانی سے پہلے تحریری تشریحی پرچہ دیا (دوبارہ بیان، اثر کی وضاحت، غیر یقینی کی نشان دہی، نظرثانی کا منصوبہ)، پھر ساختہ استاد کا جائزہ، دوبارہ جانچ اور غور و فکر۔ دو برقرار کلاسوں (96 طلبہ؛ 288 چکر سطح کے مشاہدات) میں تین تحریری چکروں میں، فیڈبیک کی فہم کا نظرثانی کے معیار سے سب سے مضبوط تعلق تھا (r = 0.501، جو 0.480 پر قابلِ عمل ہونے اور 0.445 پر تشخیصی درستگی سے آگے تھی)، اور تشخیصی گروہ نے 3.58 کے مقابلے میں 5.92 تحریری پوائنٹ حاصل کیے (Hedges' g = 1.12)، جو اہمیت کو تشخیص کی قابلِ عمل ہونے میں تنہا کے بجائے طلبہ کی اُس کی فہم میں تلاش کرتا ہے۔

نصاب سے جڑا اور معلم کے لوپ میں ڈیزائن

LearnLens AI کی تشکیلی جانچ کے تین مستقل مسائل کا حل پیش کرتا ہے: غلطی سے آگاہ جانچ (سطحی غلطیوں کے بجائے باریک استدلالی غلطیاں قید کرنا)، موضوع سے جڑی یادداشت کی زنجیریں (شور بھری مشابہت پر مبنی RAG (ریٹریول سے افزودہ تخلیق) کی جگہ ساختہ نصاب سے جڑی بازیابی)، اور معلم کے لوپ میں ڈیزائن (مکمل خودکاری کے بجائے استاد کی تخصیص اور نگرانی)۔ یہ انسان-در-حلقہ کے وسیع تر تناؤ سے جڑتا ہے: ماہر کی تصدیق کے ساتھ قابلِ پیمانہ خودکاری۔

Hoppe, Loibl & Leuders (2026) اِس بات کو تیز کرتے ہیں کہ معلم کے لوپ میں ہونے کا مطلب کیا ہے جب ٹول خام مشاہدات کے بجائے اپنے دعوے پیدا کرنے لگے۔ اُن کا تصوراتی تجزیہ دلیل دیتا ہے کہ AI سے پیدا شدہ تشخیصی اندازے معیار کے لحاظ سے مختلف ثبوت ہیں، کیونکہ وہ پہلے ہی الگورتھمی تفسیر کی پیداوار ہیں، چنانچہ اساتذہ کو ایک اضافی تہہ درکار ہے جسے مصنفین میٹا تشخیص کہتے ہیں: کسی اندازے کو سوچ سمجھ کر قبول کرنا، رد کرنا یا تبدیل کرنا اور اُسے اپنے سیاق و سباق کے علم کے ساتھ یکجا کرنا۔ اِس کے لیے DiaCoM فریم ورک کی تفصیل دینے سے AI سے پیدا شدہ اندازے کو حالات کی خصوصیت اور قبول، رد یا تبدیلی کے فیصلے کو تشخیصی رویہ سمجھا جاتا ہے، جبکہ اُن شخصی خصوصیات کو بھی وسعت دی جاتی ہے جن میں اساتذہ کو AI نظاموں کے اصل کام کرنے کے طریقے کا علم شامل ہونا چاہیے۔ چونکہ موجودہ نظام زیادہ تر کارکردگی کے ڈیٹا، مثلاً کام کی درستگی اور تکمیل کے وقت، پر ٹکے ہوئے ہیں، محرکی کیفیتیں اور کلاس روم کی حرکیات زیادہ تر غائب رہتی ہیں، چنانچہ مقالہ ذمہ دار غور و فکر کرنے والے ایجنٹ ڈیش بورڈ کے بجائے اساتذہ کو ہی رکھتا ہے اور الگورتھمی دعووں کا جائزہ لینے کو پیشہ ورانہ ترقی کا ہدف قرار دیتا ہے۔

AI کے کردار کو کامیابی کی سطح سے مطابقت دینا ایک متعلقہ ڈیزائن قدم ہے: پری سروس سائنس اساتذہ نے ChatGPT کو کم کامیاب طلبہ کے لیے مریض ٹیوٹر، درمیانے طلبہ کے لیے ذاتی کوچ، اور زیادہ کامیاب طلبہ کے لیے فکری مباحثہ ساتھی قرار دیا، جبکہ مشکل مواد کی حتمی وضاحت مدرس کے پاس رہی (Ratniyom et al.، 2026)۔

ڈیزائن کی تجارتیں

جانچ، فیڈبیک اور سیکھنا

AI تعلیم میں تشکیلی جانچ خود سیکھنے کے عمل سے جڑتی ہے:

• فیڈبیک لوپ: فیڈبیک لوپ وہ طریقہ کار ہیں جن سے تشکیلی جانچ سیکھنے کو معلومات فراہم کرتی ہے؛ AI ٹیوٹرز اور انطباقی نظام اِن لوپوں کو بڑے پیمانے پر مکمل کرتے ہیں۔

• خود ضابطہ سیکھنا: تشکیلی فیڈبیک خود ضابطہ سیکھنے کو سہارا دیتی ہے جب طلبہ پیش رفت کی نگرانی کرتے اور ایڈجسٹ کرتے ہیں؛ AI فیڈبیک کو جائزہ لینے کا فیصلہ پروان چڑھانا چاہیے، اُسے ہٹانا نہیں۔

• خودکار اسکورنگ چکر کے بعض مراحل تک پہنچتی ہے، سب تک نہیں: Chen & Liu (2026) نے 14 ہفتے کا نیم تجربہ چلایا جس میں 46 ترجمانی کے طلبہ ہفتہ وار تراجم ایک خودکار اسکورنگ نظام کو جمع کراتے تھے جو فوری اسکور، نقل، نشان زد غلطیاں اور حوالہ جاتی ترجمہ واپس دیتا تھا، جبکہ کنٹرول گروہ کو صرف پوری کلاس کے استاد کا فیڈبیک ملتا تھا۔ خودکار گروہ مجموعی طور پر زیادہ بہتر ہوا (d = 1.03)، مگر فائدہ وہیں رہا جہاں کمی تفکیک پذیر تھی، اشارہ قابلِ اعتماد تھا اور پیمانہ حساس تھا: لسانی درستگی اور منطقی تسلسل بڑھے جبکہ معلومات کی وفاداری (انسانی جانچنے والوں سے اتفاق r = 0.12) اور بیان کی روانی نہ ہلی۔ خود ضابطہ سیکھنا اِسی انداز میں ناہموار رہا، جہاں عمل اور نگرانی اسکور کے فوائد سے جڑے (r = 0.42) جبکہ منصوبہ بندی اور جذباتی محرک پیمانے کے درمیانی نقطے کے قریب بیٹھے، اور کئی طلبہ نے کم اسکور کے بعد وجوہات کا تجزیہ کرنے کے بجائے شمولیت کو مؤخر کر دیا۔ نظام چکر کے کارکردگی کے مرحلے تک پہنچا، اُس سے پہلے کی منصوبہ بندی تک نہیں۔

• خودکار تشخیص سے پیدا شدہ مشق تک: Zhu, Luo & Li (2026) موسیقی کی تعلیم کے لیے آڈیو اور اسکور کی ہم آہنگی، غلطی کی مقدار بندی اور Proximal Policy Optimization کی تہہ کو ایک بند لوپ میں جوڑتے ہیں، اور تال کی غلطی کے اشاروں (91.2% بازیابی، 98.4% خصوصیت) کو ایسے انعامات میں بدلتے ہیں جو پیدا شدہ مشق کے ٹریک چلاتے ہیں، اور 120 انڈرگریجویٹ موسیقی کے طلبہ کے ساتھ 12 ہفتے کے نیم تجربے میں نظام والے گروہ کے حق میں نمایاں Group x Time تعامل (beta = 0.52) کی اطلاع دیتے ہیں۔ مصنفین اِسے تکنیکی امکان کے طور پر پیش کرتے ہیں، اور عملی تشریح جانچ کے بجائے چھانٹی ہے: 89.7% کی درستگی کا مطلب ہے کہ دس میں سے تقریباً ایک نشان زد تال کی غلطی جھوٹا الارم ہے، اور مطالعے کے ماہر جائزہ لینے والوں نے موسیقی کے اظہار کی معاونت کو سب سے کمزور شعبہ قرار دیا، چنانچہ خودکار لوپ تکنیکی مشقوں کے لیے موزوں ہیں جبکہ اظہار کا فیصلہ اساتذہ کے پاس رہتا ہے۔

• سہارا: سکافولڈنگ اور تشکیلی جانچ مل کر کام کرتے ہیں — AI بروقت اشارے اور پرامپٹس دے سکتا ہے، اگرچہ ترتیب وار فیڈبیک کی تحقیق حد سے زیادہ ساخت کے خلاف خبردار کرتی ہے۔

• روبرک کا معیار خودکار درجہ بندی کے اتفاق کو ماڈل کے انتخاب سے زیادہ ہلاتا ہے۔ 1,200 Linux/bash امتحانی جوابات پر Alonso-Carracedo et al. (2026) نے پایا کہ مکمل روبرک اور حوالہ جاتی جواب شامل کرنے سے ہر ماڈل بہتر ہوا (بہترین: Gemini 3.0 Pro، ICC(3,1) = 0.888، انسانی حد 0.949 کے مقابلے میں)، جبکہ سوال کی علمی سطح بڑھنے کے ساتھ اتفاق یکساں طور پر گرتا رہا۔

• AI سے پیدا شدہ روبرکس انسانی اسکورنگ سے صرف ایک حد کے اندر ملے۔ چار AI روبرکس نے 308 پروگرامنگ جوابات پر انسانی بنیاد کے ساتھ ±5 پوائنٹ کے اندر مشترکہ مساوات حاصل کی (ارتباط 0.948–0.973)، مگر پانچ روبرک-اسائنمنٹ خانے اُس سے آگے نکل گئے، اور GPT-4.1/4o نے ساختہ روبرکس پر یکساں طور پر زیادہ سخت درجہ بندی کی (−4.46، بمقابلہ آزاد ساخت پر −0.66) (Mendonça et al.، 2026)۔

• اعتبار اور معیار: AI سے پیدا شدہ تشکیلی آئٹمز اور فیڈبیک کے معیار اور اعتبار کا جائزہ لینا ضروری ہے؛ تعلیم میں AI کی تشخیص طریقے فراہم کرتا ہے۔

• AI اسکورنگ ایک اضافی اعتباری خطرہ لاتی ہے۔ چونکہ AI اسکور کرنے والا زبان کی روانی جیسی تعبیر سے غیر متعلق خصوصیات کو علمی استدلال کے بجائے انعام دے سکتا ہے، Stanford/ETS کا ایک وائٹ پیپر جو تقریباً 100 رہنماؤں کے اجلاس سے کشید کیا گیا ہے دلیل دیتا ہے کہ جانچ کو یک بار کے آؤٹ پٹ کی سند دینے کے بجائے مسلسل، سیاق سے بھرپور ثبوت جمع کرنا چاہیے (McGee et al. (2026))۔

• کمزور کام کو رکھیں اور اُس کا جڑواں شامل کریں۔ Roe, Perkins & Giray (2026) دلیل دیتے ہیں کہ گھر پر کیے جانے والے مضامین اور تحقیقی رپورٹیں کافی تشکیلی قدر رکھتے ہیں اور سیکھنے کے لیے برقرار رکھے جانے چاہئیں، اُن کے ساتھ ایک دوسرا کام جو وہی نتائج جانچے اور قابلِ اعتماد اختتامی ثبوت فراہم کرے۔

• ٹیکنالوجی کی معاونت والی تشکیلی جانچ ایک نظام کی خصوصیت ہے، آلے کی نہیں۔ Bulut (2026) اِسے تکنیکی صلاحیت، تدریسی ضابطگی، سیکھنے والے کی ایجنسی اور انسانی فیصلے کی مشترکہ پیداوار قرار دیتے ہیں، اور دلیل دیتے ہیں کہ اُس کی قدر خودکاری میں نہیں بلکہ ثبوت-فیڈبیک-غور و فکر-عمل کے چکر کو برقرار رکھنے میں ہے۔

خطرہ: جانچ بطور نگرانی

تشکیلی جانچ کے نظام سیکھنے کو سہارا دینے والے آلات سے بدل کر رویے کی نگرانی کا ڈھانچہ بن سکتے ہیں۔ وہی ڈیٹا کی ندیاں جو انطباقی ٹیوٹرنگ کو ممکن بناتی ہیں، اگر گورننس کمزور ہو تو سزا والی ٹریکنگ بھی ممکن بنا سکتی ہیں۔ یہ رازداری اور طلبہ کی بہبود سے جڑتا ہے، اور ایسے تشکیلی نظاموں کی وکالت کرتا ہے جو سیکھنے کو سہارا دیں، اُس پر نگرانی نہ کریں۔

قابلِ مشاہدگی نگرانی کے بغیر بھی ڈیزائن کی جا سکتی ہے: یہ وہ ثبوت ہے جو کوئی جانچ سیکھنے کے بارے میں قابلِ دفاع فیصلے کے لیے واقعی پیدا کرتی ہے، اور اُسے ایسی ڈیزائن ترجیح سمجھا جاتا ہے جس کی قیمت اخلاقیات کے بجائے عملی امکان میں ادا ہوتی ہے (Pedlow et al. (2026))۔

تعلیم میں AI کے لیے مضمرات

• آئٹم کی قسم کو AI کے اعتبار سے مطابقت دیں: AI کو قابلِ تصدیق جہتوں (تصور کی ہم آہنگی، درستگی) کے لیے استعمال کریں اور تدریسی جہتوں (گمراہ کن آپشن کا معیار، فیڈبیک کی گہرائی) کے لیے انسانی فیصلہ برقرار رکھیں۔

• فراہمی کے بجائے عمل میں لانے کے لیے ڈیزائن کریں: AI فیڈبیک تبھی فائدہ دیتی ہے جب طلبہ اُسے منتخب، جانچ اور لاگو کریں — ایسے ورک فلو بنائیں جو عمل میں لانے کو سہارا دیں۔

• فیڈبیک کا ڈیزائن حجم سے زیادہ اہم ہے: ترتیب وار یا حد سے زیادہ ساختہ فیڈبیک اُلٹا اثر دے سکتی ہے؛ ایسی فیڈبیک کو ترجیح دیں جو طالب علم کی معنی سازی اور خودمختاری کو سہارا دے۔

• معلمین کو لوپ میں رکھیں: نصاب سے جڑے اور معلم کو لوپ میں رکھنے والے نظام مطابقت بہتر کرتے اور شور کم کرتے ہیں۔

• معیار اور اعتبار کا جائزہ لیں: AI سے پیدا شدہ آئٹمز اور فیڈبیک کو معیار، اعتبار اور مساوات کے لیے جانچیں، محض تخلیق کی رفتار کے لیے نہیں۔

• تشکیلی جانچ کو ایک فلسفہ سمجھیں، اوزاروں کا مجموعہ نہیں۔ Mesny, Roberge-Maltais & Galy (2026) وسیع تر اعلیٰ تعلیمی ادب کی ترکیب کر کے "سیکھنے کے لیے جانچ" کا ایک نمونہ پیش کرتے ہیں جو تشکیلی، جاری اور انفرادی فیڈبیک کو محض اوزاروں کے مجموعے کے بجائے ایک مجموعی فلسفہ قرار دیتا ہے — تشکیلی اور اختتامی مقاصد میں توازن رکھتا ہے اور طالب علم کی ایجنسی، خود ضابطگی اور میٹا کوگنیشن مہارت کو سامنے لاتا ہے۔ وہ پانچ باہم مضبوط کرنے والے طریقے بتاتے ہیں (مستند جانچ، خود اور ہم مرتبہ جانچ، دوبارہ جانچ، معیار پر مبنی درجہ بندی، بے درجہ بندی) جن کے ذریعے یہ فلسفہ عملی شکل پا سکتا ہے، اور نوٹ کرتے ہیں کہ اعلیٰ تعلیم کے مختلف شعبوں میں اُن کا اپنانا انتہائی ناہموار ہے۔

• مسلسل جانچ خود تشکیلی ریکارڈ کو نئے سرے سے تشکیل دیتی ہے۔ AIM-CAI حوالہ جاتی ڈھانچہ (ایک موقفی مقالہ، عمل درآمد نہیں) تجویز کرتا ہے کہ بنیادی ثبوت کی بنیاد کے طور پر وقفے وقفے کی جانچ کی جگہ چھ تہوں کا ڈھانچہ لے: پلیٹ فارمز پر ثبوت کی تخلیق، ماخذ کے سیاق کو محفوظ رکھنے والی تسلسل بندی، AI کی وساطت سے معنوی ترجمہ، نفسیاتی تشریح، طویل المدتی قابلیت کے پروفائل، اور وفاقی گورننس۔ اُس کا تبدیلی کا جدول یہ فرق بیان کرتا ہے: فی اسائنمنٹ فیڈبیک طویل المدتی فیڈبیک بن جاتی ہے جو رہنمائی اور غور و فکر کو سہارا دیتی ہے؛ درجے ترقی پذیر قابلیت کے پروفائل بن جاتے ہیں؛ اسناد شفاف ترقیاتی ریکارڈ بن جاتی ہیں۔ گورننس کی تہہ مقالے کی ضد ہے — سات نامزد تناؤ (باہمی عمل پذیری بمقابلہ مقامی خودمختاری، رازداری بمقابلہ افادیت، سیکھنے والے کی ایجنسی بمقابلہ پیش گوئی کرنے والی خودکاری، نگرانی بمقابلہ سہارا، وغیرہ) ہر ایک خطرات اور جوابات کے ساتھ نقش کیے گئے ہیں، اور یہ تنبیہ بھی کہ غیر گورن شدہ مسلسل اندازہ لگانا غالب ثقافتی معیارات کو فوقیت دے دیتا ہے۔ نیا پن کا دعویٰ ترکیبی ہے: اجزاء موجود ہیں؛ کارنامہ ڈھانچہ اور گورننس کا نقشہ ہے۔ (AI-Mediated Continuous Assessment Infrastructure (AIM-CAI): Connecting Learning Evidence Across Contexts and Time)

عام غلط فہمیاں

• "پیدا شدہ مشقی آئٹمز مفید تشکیلی اشارہ دیتے ہیں۔" ایک آسان پیدا شدہ آئٹم بینک کوئی تشکیلی اشارہ نہیں دیتا: 10 ہفتوں کی تعیناتی میں AI سے پیدا شدہ تقریباً 70% مشقی آئٹمز ہر طالب علم نے درست حل کیے۔ ایسا بینک جسے سب پاس کر لیں، اِس بارے کوئی معلومات نہیں رکھتا کہ کس کو کیا درکار ہے۔
• "آئٹم سازی کا اعتبار تمام شکلوں میں یکساں ہے۔" AI نظام مختلف وضعیتوں میں تشکیلی آئٹمز پیدا کرتے ہیں اور اعتبار قسم کے لحاظ سے بدلتا ہے — اُن میں کثیر الانتخابی بھی شامل ہے۔ پیدا شدہ آئٹمز کو شکلوں کے درمیان تبادلے کے قابل سمجھنا اِس بات کو چھپا دیتا ہے کہ تخلیق کہاں قابلِ بھروسہ ہے۔
• "طلبہ کو AI فیڈبیک دینے سے عمل میں لانا پیدا ہو جاتا ہے۔" عمل میں لانے کا مسئلہ فیڈبیک کے معیار سے الگ دستاویز کیا گیا ہے: فیڈبیک وصول کرنا اور اُس پر عمل کرنا الگ الگ قدم ہیں، اور تشکیلی جانچ دوسرے ہی میں کامیاب یا ناکام ہوتی ہے۔

منسلک تصورات

• تدریسی نمونے — وہ ترتیب وار شکلیں جو تشکیلی جانچ اُس وقت اختیار کرتی ہے جب فیڈبیک کا کچھ حصہ AI فراہم کرے
• جانچ
• تعلیمی پیمائش
• خودکار جانچ
• خودکار سوال سازی
• جانچ کا اعتبار
• فیڈبیک
• AI فیڈبیک کا معیار
• فیڈبیک لیٹریسی
• خود جانچ
• لرننگ اینالیٹکس
• ذاتی نوعیت کی سیکھنا
• انطباقی سیکھنا
• سکافولڈنگ
• خود ضابطگی والی سیکھنا
• انسان-در-حلقہ
• ذہین ٹیوٹرنگ
• تعلیم میں AI کی تشخیص
• اختتامی جانچ — اختتامی جانچ: AI کے خلاف مزاحمت کرنے والی شکلیں (زبانی، نگرانی والے، بند کتاب کے امتحانات)

منسلک مضامین

• An LLM-Enhanced Multi-Agent Architecture for Conversation-Based Assessment — گفتگو پر مبنی جانچ کے لیے چار ایجنٹوں کا ڈھانچہ، جس کا جانچنے والا درمیانی زمرے کی طرف جھکتا ہے (Hou et al. 2025)
• Causal Modelling of Support Interventions for Student Competency Assessment — طلبہ کی قابلیت کی جانچ کے لیے معاون مداخلات کی سببی ماڈلنگ
• It Takes a Village... Program-Wide Approaches to Redesigning Assessment in a Time of Generative Artificial Intelligence (GenAI) — GenAI کے دور میں جانچ کو نئے سرے سے ڈیزائن کرنے کے پروگرام وسیع طریقے
• Making AI-Generated Feedback Matter: From Provision to Student Enactment — AI سے پیدا شدہ فیڈبیک کو معنی خیز بنانا: فراہمی سے عمل میں لانے تک
• The care-full craft of feedback in an age of generative AI — GenAI کے دور میں فیڈبیک کی نگہداشت بھری دستکاری
• Feedback futures: beyond the limits of human and GenAI capacities — فیڈبیک کے مستقبل: انسانی اور GenAI صلاحیتوں کی حدوں سے آگے
• Assessing the Impact and Underlying Pathways of Sequenced AI Feedback on Student Learning — ترتیب وار AI فیڈبیک کا اثر اور راستے
• Enhancing learner-centered feedback with AI: teachers'' practices and perceptions — طالب علم مرکز فیڈبیک کو AI کے ساتھ بہتر بنانا
• From automated scoring to learning diagnosis: a mechanism study of AI-supported formative assessment in English writing — خودکار اسکورنگ سے سیکھنے کی تشخیص تک: انگریزی تحریر میں AI کی معاونت والی تشکیلی جانچ کا طریقہ کار مطالعہ
• Unravelling undergraduates' development of evaluative judgments through AI-supported internal feedback — AI کی معاونت والے اندرونی فیڈبیک کے ذریعے جائزہ لینے کے فیصلے پروان چڑھانا
• CoTAL: Human-in-the-Loop Prompt Engineering for Generalizable Formative Assessment Scoring and Feedback — CoTAL: انسان کے لوپ میں پرامپٹنگ کے ساتھ تشکیلی جانچ کی اسکورنگ
• The Effect of High-Frequency, Automatically-marked Formative Assessments on Student Outcomes in A-Level Sciences — کثرت سے خودکار تشکیلی جانچ
• Artificial intelligence and feedback in university education: effectiveness and student perceptions — اعلیٰ تعلیم میں AI سے پیدا شدہ فیڈبیک
• Designing Needs- and Attention-Aware AI Learning Tools for Engineering Education: Insights from Psychological Outcomes — LearnLens: نصاب سے جڑا AI فیڈبیک
• Comparing Generative AI and teacher feedback: student perceptions of usefulness and trustworthiness — GenAI بمقابلہ استاد کے فیڈبیک کا موازنہ
• Students' engagement with ChatGPT feedback: implications for student feedback literacy in the context of generative artificial intelligence — ChatGPT فیڈبیک اور شمولیت
• CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation — CODE-GEN: تصدیق شدہ MCQ سازی
• Responsible Assessment in the AI Era: Key Insights from a Future-Focused Conference — AI کے دور میں ذمہ دار جانچ
• Designing for Authentic Assessment: A Scoping Review — مستند جانچ کے لیے ڈیزائن کرنا
• Automated Grading of Linux/Bash Examinations Using Large Language Models — Linux/bash امتحانات کی خودکار درجہ بندی
• Instructor and AI Roles in the Chemistry Classroom: Future Science Teachers' Perceptions in a ChatGPT-Enhanced Formative Assessment — ChatGPT سے بہتر بنائی گئی تشکیلی جانچ میں مدرس اور AI کے کردار
• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — زبانی امتحانات کو مستند، AI کے خلاف مزاحمت کرنے والی جانچ کے طور پر دوبارہ سوچنا
• Assessment twins: An approach for strengthening assessment validity in the age of generative AI — GenAI کے دور میں جانچ کے اعتبار کو مضبوط کرنے کے لیے جڑواں جانچیں (Roe, Perkins & Giray 2026)
• A Hybrid Reasoning Framework for Artificial Intelligence Assessment Rubric Generation in Human and Automated Contexts: Evidence from an Undergraduate Programming Course — HARMOGEN-R: AI جانچ روبرک کی تخلیق
• AI-assisted, instructor-supervised grading and feedback in higher education: Design and evaluation of an end-to-end pipeline — AI کی معاونت والی، مدرس کی نگرانی میں درجہ بندی اور فیڈبیک
• Adaptive Scaffolding for Cognitive Engagement in an Intelligent Tutoring System — ایک ITS میں انطباقی ICAP سہارا (BKT بمقابلہ DRL)
• From evaluation to emulation: LLMs as agents of iterative pedagogical design — LLMs بطور تکراری تدریسی ڈیزائن کے ایجنٹ
• Auto-marking short answer questions in science: The foundational years of transformer-based models from BERT to GPT-4
• GPT-4 feedback increases student activation and learning outcomes in higher education
• Arthur: An artificial intelligence powered teaching assistant system for Engineering Economics class
• Innovative assessment and grading practices in higher education: A critical exploration for management educators
• Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback
• Adaptivity Makes Feedback Effective: Evidence From AI-Generated Feedback on Children's Plans — انطباقیت فیڈبیک کو مؤثر بناتی ہے: بچوں کے منصوبوں پر AI سے پیدا شدہ فیڈبیک کا ثبوت
• Impact of automated scoring on interpreting performance and self-regulated learning: evidence from a pedagogical experiment — خودکار اسکورنگ، کارکردگی کی تفسیر اور خود ضابطہ سیکھنا (Chen & Liu 2026)
• Rethinking teachers’ diagnostic skills in AI-supported formative assessment: from diagnosis to meta-diagnosis — AI کی معاونت والی تشکیلی جانچ میں اساتذہ کی تشخیصی مہارتیں: تشخیص سے میٹا تشخیص تک
• Perceived usefulness and intention to use large language model-generated feedback across three educational levels: a user-centred study in programming — پروگرامنگ میں LLM سے پیدا شدہ فیڈبیک کی ادراک شدہ افادیت اور استعمال کی نیت، تین تعلیمی سطحوں پر
• Adaptive teaching assistance model combining generative AI and big data analytics — موسیقی کی تعلیم میں تخلیقی AI اور بڑے ڈیٹا کے تجزیے کو یکجا کرنے والی انطباقی تدریسی معاونت
• Student Use of LLMs and the Limits of AI-Generated Question Difficulty in Data Science Courses — ڈیٹا سائنس کورسز میں طلبہ کا LLMs کا استعمال اور AI سے پیدا شدہ سوال کی دشواری کی حدیں
• AI-Mediated Continuous Assessment Infrastructure (AIM-CAI): Connecting Learning Evidence Across Contexts and Time — AI کی وساطت والا مسلسل جانچ کا ڈھانچہ (AIM-CAI): سیاق و سباق اور وقت کے پار سیکھنے کے ثبوت کو جوڑنا (McNamara & Hasnine 2026)
• A Conversational AI Framework for Teacher Training — ثبوت سے جڑے مکالمے کے ساتھ تدریسی غلط فہمیوں کی مکالماتی AI تشخیص (Miranda & Calvani 2026)
• Trade-offs in assessment and feedback design: a trilemma-based model — نگرانی کے خطرے کا مثبت ہم منصب: قابلِ مشاہدگی بطور ثبوت ڈیزائن، نگرانی نہیں