AIEd علمی ذخیرہAIEd KB
اس صفحے پر

یہ صفحہ انگریزی میں پڑھیں

تصورات

عالمی جنوب

تخلیق شدہ 2026-08-18 · اپ ڈیٹ شدہ 2026-11-04

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

عالمی جنوب — افریقہ، ایشیا، لاطینی امریکہ اور اوشیانہ کے وہ ممالک جو عالمی شمال کے مقابلے میں اکثر معاشی، سیاسی اور تاریخی طور پر حاشیے پر رہے ہیں۔ تعلیم میں AI کی تحقیق میں اِن سیاق و سباق کو شواہد کی بنیاد میں کم نمائندگی کا شکار تسلیم کیا جا رہا ہے، پھر بھی یہ مساوات، ثقافتی مطابقت، وسائل کی قید، اور مغربی، انگریزی زبان والے تربیتی ڈیٹا کے علمی غلبے کے بارے میں الگ نوعیت کے سوالات اٹھاتے ہیں۔

غور کرنے کے لیے سوالات

  • اگر کوئی AI نظام مغربی، انگریزی زبان کے ڈیٹا سے بنے بینچ مارک ٹیسٹوں پر اچھی کارکردگی دکھاتا ہے، تو آپ کو کتنا یقین ہونا چاہیے کہ وہ آپ کے طلبہ کے لیے بھی اتنا ہی اچھا کام کرے گا؟ اپنے سیاق و سباق میں اُس پر بھروسا کرنے سے پہلے آپ کیا جانچنا چاہیں گے؟
  • ایسا سیکھنے کا ٹول تصور کریں جس کا تربیتی ڈیٹا اور جانچ کے پیمانے سب عالمی شمال میں تیار کیے گئے ہوں۔ وہ زبان، علمی روایات اور تعلیمی حقیقتوں کے بارے میں کون سے مفروضے خاموشی سے سمو سکتا ہے — اور اِن سے غلط نمائندگی کا سب سے زیادہ خطرہ کس کو ہے؟
  • جب AI کے اپنانے کا مطالعہ ہوتا ہے، تو شواہد کی بنیاد پر کس کے کلاس روم اور ادارے غالب رہتے ہیں؟ یہ اِس بات کو کیسے متاثر کر سکتا ہے کہ ہم کیا جانتے ہیں کہ تعلیم میں AI 'کام کرتا ہے' یا نہیں؟
  • یہ صفحہ دلیل دیتا ہے کہ سیکھنے والوں کے تجربے اور برادری کی علمیت کو مستند مانا جائے، محض مغربی ماڈلز کا ضمیمہ نہیں۔ آپ کے اپنے AI سے متعلق عمل یا تحقیق کو مقامی علم کو مرکز بنانے کے لیے کیا درکار ہوگا، بجائے اِس کے کہ اُسے کہیں اور سے درآمد کیا جائے؟
  • عالمی جنوب کے سیاق و سباق میں وسائل کی قید بار بار دہرایا جانے والا موضوع ہے۔ کم لاگت، قابلِ توسیع AI کی نوید موجودہ مواقع کے خلا کو کیسے بند بھی کر سکتی ہے اور وسیع بھی، اِس پر منحصر کہ اُسے کیسے ڈیزائن اور تعینات کیا جاتا ہے؟
  • آپ کیسے جان سکتے ہیں کہ کسی خاص ماحول میں 'اپنایا گیا' ٹول واقعی اِس لیے اپنایا گیا کہ وہ مقامی حالات سے میل کھاتا تھا — یا اِس لیے کہ یہ مفروضہ تھا کہ وہ منتقل ہو جائے گا؟ کون سا ثبوت اِن دو باتوں میں فرق کرے گا؟

تعارف

یہ AIED کے لیے کیوں اہم ہے

مرکزی دھارے کی AI اور تعلیمی ٹیکنالوجی کی تحقیق پر تاریخی طور پر مغربی، انگریزی زبان کے ڈیٹا سیٹ اور ادارہ جاتی سیاق و سباق غالب رہے ہیں۔ اِس سے دو مسائل پیدا ہوتے ہیں: (1) ایسے ڈیٹا پر تربیت یافتہ AI نظام عالمی جنوب کے ماحول میں کمزور کارکردگی دکھا سکتے ہیں یا سیکھنے والوں کی غلط نمائندگی کر سکتے ہیں، اور (2) عالمی شمال میں بنے جانچ کے بینچ مارک دیگر خطوں کی تعلیمی حقیقتوں، زبانوں یا علمی روایات کی عکاسی نہیں کر سکتے۔ اِس علمی ذخیرے میں عالمی جنوب کے سیاق و سباق سے آنے والی تحقیق ثقافتی طور پر بنیاد رکھنے والے ڈیٹا سیٹ، بینچ مارک اور ٹیکنالوجی کے اپنانے کے مطالعات پر پھیلی ہوئی ہے، جن کے مضمرات مصنوعی ذہانت کی لیٹریسی اور اعلیٰ اور K-12 تعلیم پر پڑتے ہیں۔

علمی ذخیرے میں اطلاقات

  • ثقافتی طور پر بنیاد رکھنے والا ڈیٹا اور بینچ مارک: IKS-Instruct ایک کثیراللسان ہندوستانی علمی نظاموں کا ہدایتی ڈیٹا سیٹ فراہم کرتا ہے؛ NSMQ Riddles گھانا پر مبنی STEM بینچ مارک متعارف کراتا ہے، جو عالمی جنوب کے ابتدائی تعلیمی جانچ ڈیٹا سیٹوں میں سے ایک ہے۔

  • گھانا کی اعلیٰ تعلیم میں AI اخلاقیات سے آگاہی: Acquah وغیرہ (2026) نے گھانا کے 509 یونیورسٹی طلبہ کے ساتھ تین عوامل (خود مختاری، احسان، انصاف) والا AI اخلاقی آگاہی کا پیمانہ تصدیق کیا، اور یکساں طور پر بہت بلند آگاہی سے لے کر تقریباً صفر آگاہی والے چھوٹے جھرمٹ تک پانچ پوشیدہ پروفائل پائے — احسان کے پہلو میں سب سے کمزور — اور صنفی فرق نہیں پایا، جو AI اور اخلاقیات کے ادب کے لیے عالمی جنوب کا ایک پیمائشی لنگر فراہم کرتا ہے۔

  • کم وسائل والے سیاق و سباق میں اساتذہ کا اخلاقی استدلال: Adelana وغیرہ (2026) نے کم وسائل والے ماحول میں خدمات انجام دینے والے ثانوی STEAM اساتذہ میں پایا کہ وہ AI اخلاقیات پر رسمی اصولوں کی فہرست کے بجائے پیشہ ورانہ شناخت، کلاس روم کی حقیقتوں اور ثقافتی معمولات کے ذریعے استدلال کرتے ہیں، جو عالمی جنوب کے بارے میں "اخلاقیات سے خالی" مفروضوں کی تردید کرتا ہے۔

  • سیاق و سباق کے مطابق اپنانا: Asag اور Al Mamun بنگلہ دیشی GenAI اپنانے کا ماڈل انجینئرنگ طلبہ میں بناتے ہیں، اور ConnectED ویتنامی تعلیم کے لیے نصاب سے ہم آہنگ سبق کی منصوبہ بندی کا نظام تعینات کرتا ہے۔

  • فیکلٹی کے اپنانے کو بنیادی ڈھانچے نے نہیں بلکہ صلاحیت کی تعمیر نے حرکت دی۔ 255 بنگلہ دیشی فیکلٹی میں GenAI کے تئیں رویے نے استعمال کی مضبوط پیش گوئی کی (β = 0.556) اور شعبے سے مخصوص مطابقت نے رویے کو ہدایت دی (β = 0.413)، جبکہ ادارے کی ٹیکنالوجی کی فراہمی اور سماجی معمولات معنی خیز پیش گو نہ تھے (Alam وغیرہ (2026))۔

  • ادارہ جاتی انضمام اور ساختی عدم مساوات: Adeniranye وغیرہ (2026) کے 45 نائجیرین یونیورسٹیوں (وفاقی/ریاستی/نجی) کے تقابلی مواد کے تجزیے سے پتہ چلا کہ AI کے انضمام کی پیش گوئی ادارے کی عمر اور جغرافیائی محلِ وقوع کرتی ہے — حکمرانی کی قسم نہیں — اور یہ کہ بین الاقوامی اور صنعتی نیٹ ورک کے روابط ایک دوسرے کو مضبوط کرتے ہیں (r = 0.74)، چنانچہ اچھے تعلق والے ادارے فائدہ بڑھاتے جاتے ہیں جبکہ دیگر مزید پیچھے رہ جاتے ہیں۔ یہ ڈیجیٹل عدم مساوات کو محض سیکھنے والے کی سطح پر نہیں بلکہ خود اعلیٰ تعلیمی اداروں کی ساختی صلاحیت میں تلاش کرتا ہے۔

  • علمی ترقی بطور ساختی قید کے تحت ڈیجیٹل وساطت: Sithole (2026) جنوبی افریقہ کے دو تاریخی طور پر محروم اداروں میں بارہ علمی ترقی کاروں اور سیکھنے کے ڈیزائنرز کے انٹرویو کر کے ایک تجزیاتی لکیر کھینچتے ہیں جسے عالمی جنوب کا ادب اکثر دھندلا دیتا ہے: ڈیجیٹل عدم مساوات تقسیمی ہے اور اصولی طور پر دوبارہ تقسیم اور رسائی سے اُس کا جواب دیا جا سکتا ہے، جبکہ الگورتھمی نو آبادیات علمی ہے اور مکمل رسائی کے باوجود برقرار رہتی ہے کیونکہ وہ اِس میں پیوست ہے کہ نظام کیا انکوڈ کرتے ہیں اور کس کے علم کو مرکز بناتے ہیں۔ دونوں ایک دوسرے میں الجھے ہوئے ہیں مگر مختلف جواب مانگتے ہیں، اور ادارہ دوہری حالت میں ہے — بنیادی ڈھانچے کی قلت سے خارج، اور شامل ہونے پر درآمد شدہ نظاموں کے تابع جو دیگر علم اور معمولات انکوڈ کرتے ہیں۔ ادارہ جاتی AI کی بیان بازی ("عمل سے زیادہ کارکردگی") تدریس کی مادی حقیقتوں سے ڈھیلی جڑی ہوئی آئی، چنانچہ ترقی کاروں نے عالمی ڈیجیٹل تبدیلی کی گفتگو کو سیاق و سباق کے لحاظ سے قابلِ عمل مشق میں بدلا: ہم مرتبہ حلقوں میں اوزار آزمانا اور جان بوجھ کر اُنہیں "توڑنا"، مہارت کے بجائے فیصلے پر اصرار، اور ایسی مہارت کا مظاہرہ کرنے کی جذباتی قیمت اٹھانا جو وہ ابھی سیکھ رہے تھے۔

  • علمی حاشیہ پذیری: Tali-Otmani دلیل دیتے ہیں کہ مغرب پر مرکوز تربیتی ڈیٹا غیر مغربی اور معذوری کو مرکز بنانے والے علم کو حاشیے پر دھکیلتا ہے — جو عالمی جنوب کے خدشات کو مساوات اور ثقافتی طور پر متعلقہ تدریس سے جوڑتا ہے۔

  • عالمی جنوب میں معذوری اور شمولیت: Khlaif وغیرہ (2026) — تین فلسطینی یونیورسٹیوں کے 21 بصارت سے محروم انڈرگریجویٹس کا معیاری کیس اسٹڈی — پایا کہ GenAI معذور سیکھنے والوں کے لیے ڈیجیٹل، جغرافیائی اور سماجی و معاشی خلیجوں کو پاٹتا ہے، اور ٹیکنالوجی کی قبولیت کی تحقیق کو ایسے معذوری کے سیاق و سباق تک بڑھاتا ہے جہاں قابلِ استعمال ہونا، سستی اور رسائی ایک دوسرے کو مضبوط کرتے ہیں۔

  • وسائل کی قید میں مقامی دباؤ کے لیے ڈیزائن: Bashir اور Afzal (2026) Sukoon کو ایک دستاویزی عدم مطابقت کے جواب میں عالمی جنوب کے ڈیزائن کے طور پر بناتے ہیں — ذہنی صحت کے چیٹ بوٹ زیادہ تر مغربی ڈیٹا سیٹوں پر اور بھاری اکثریت میں انگریزی زبان میں تربیت یافتہ، جبکہ پاکستانی طلبہ تعلیمی، مالی، خاندانی اور تعلقاتی دباؤ کا بیک وقت سامنا کرتے ہیں اور بدنامی کی وجہ سے اکثر والدین، اساتذہ یا ساتھیوں کے سامنے جذباتی مشکلات نہیں اٹھا سکتے۔ مصنفین کی عملی قیدیں اُن کے ماڈل جتنی ہی سبق آموز ہیں: کم وسائل کی ضرورت کے لیے میزبان API کے ذریعے مفت رسائی والا اوپن سورس بڑے لینگویج ماڈلز (LLMs)، علاقائی یونیورسٹیوں کے لیے ہلکا Flask تعیناتی، "اوزار دستیاب ہیں مگر اکثر مہنگے" بطور رکاوٹ درج، اور بامعاوضہ ماڈلز تک غیر مساوی رسائی کو عمومی انحصار کا خطرہ قرار دینا۔ وہ یہ بھی نوٹ کرتے ہیں کہ درجہ بند کرنے والا (classifier) عوامی طور پر دستیاب ڈیٹا سیٹ پر تربیت یافتہ تھا جو پاکستانی طلبہ کی نمائندگی نہیں کرتا، اور آبادی کے بارے میں نتائج نکالنے سے پہلے مقامی طور پر جمع شدہ DASS-21 ڈیٹا کا عہد کرتے ہیں۔

  • افریقی اعلیٰ تعلیم سے پتلا اور ٹول مخصوص جانچی ثبوت: PRISMA 2020 کا منظم جائزہ 2023 اور 2025 کے درمیان شائع شدہ تجربی تحقیق کا صرف دس مطالعات تک پہنچا، جو نائجیریا اور جنوبی افریقہ میں مرکوز اور تقریباً مکمل طور پر ChatGPT پر کیے گئے، چنانچہ افریقی اعلیٰ تعلیم میں جنریٹو AI کے لیے جانچ کی از سرِ نو تشکیل کے بارے میں جو کچھ معلوم ہے وہ ناپے گئے سیکھنے کے فوائد کے بجائے چھوٹے نمونے، ایک ادارے اور خود رپورٹ شدہ مطالعات پر ٹکا ہے — جائزے کے مصنفین اپنی سفارشات کو طے شدہ اثرات کے بجائے سمتوں کے طور پر پیش کرتے ہیں۔

  • مساوات خطے بھر میں سب سے کم مطالعہ شدہ پہلو ہے۔ عالمی جنوب کے 75 مطالعات (2022–2025) کے PRISMA-ScR دائرہ کار جائزے نے مساوات کو اپنے پانچ شعبوں میں سب سے کم جانچا گیا پایا، باوجود اِس کے کہ وہ شامل تعلیم کے لیے مرکزی حیثیت رکھتی ہے، اور طلبہ کے بیان کردہ اخلاقی موقف اور اُن کے رویے کے درمیان خلا کی اطلاع دی (Nguyen اور Perkins, 2026)۔

مضمرات

عالمی جنوب کے سیاق و سباق پر توجہ دینے کے لیے اِس مفروضے سے آگے بڑھنا ضروری ہے کہ مغربی ماڈل اور بینچ مارک براہِ راست منتقل ہو جاتے ہیں۔ اِس کے لیے مقامی طور پر بنیاد رکھنے والے ڈیٹا سیٹ، ثقافتی طور پر متعلق تدریسیات، برادری کو مرکز بنانے والے جانچ کے معیارات، اور ایسی تحقیق درکار ہے جو سیکھنے والوں کے تجربے اور برادری کی علمیت کو مستند مانے — جو برادری پر مبنی AI سیکھنے اور مقامی حالات کے مطابق ڈھالے گئے ٹیکنالوجی کی قبولیت کی تحقیق جیسے فریم ورکوں سے ہم آہنگ ہے۔

بڑے پیمانے پر پھیلانے کا ریکارڈ بھی اِسی تصویر کا حصہ ہے، اور وہ سوچنے پر مجبور کرتا ہے۔ جو پروگرام پائلٹ کے پیمانے پر کام کرتے ہیں وہ اکثر اُس وقت کام کرنا بند کر دیتے ہیں جب حکومتیں اُنہیں چلاتی ہیں: کینیا کا پروگرام جس نے غیر سرکاری نفاذ میں خاطر خواہ فوائد پیدا کیے، حکومتی پیمانے پر کوئی قابلِ تشخیص فائدہ نہ دکھا سکا (Bold وغیرہ)، پروگرام بڑھنے کے ساتھ اثر کے حجم گرتے ہیں (Vivalt)، اور مقامات کے بڑھنے کے ساتھ نفاذ کا معیار پتلا ہوتا جاتا ہے (Al-Ubaydli, List اور Suskind)۔ لاطینی امریکہ کی اپنی مثال پیرو کا One Laptop per Child پروگرام ہے — تقریباً 800,000 لیپ ٹاپ تقسیم کیے گئے مگر ریاضی یا پڑھائی پر کوئی قابلِ تشخیص اثر نہ ہوا — جس سے یہ سبق لیا گیا کہ ٹیکنالوجی تک رسائی تدریس نہیں ہے۔ Restrepo Morales وغیرہ (2026) پھیلانے کے سبق میں رپورٹنگ کا سبق بھی جوڑتے ہیں: 2026 کے ایل سلواڈور واقعے میں 171 اسکولوں میں AI ٹیوٹرنگ کا پائلٹ جرمنی اور سویڈن کے برابر قرار دیا گیا، جبکہ اُسی ملک کے نمائندہ PISA 2025 نمونے نے تین میں سے دو مضامین میں کوئی حرکت نہ دکھائی، اور پائلٹ کا ڈیٹا اِتنا پتلا تھا (فی اسکول 7.0 جانچے گئے طلبہ بمقابلہ ملک گیر 25.4) کہ انتخاب کو وضاحت کے طور پر خارج کیا جا سکے۔ عالمی جنوب کے اُن نظاموں کے لیے جو AI کو بڑے پیمانے پر اپنا رہے ہیں، مضمرات دوہرے ہیں: یہ ثبوت کہ کوئی اصلاح کام کرتی ہے عموماً اُن اجزا کے بارے میں ہوتا ہے جو وہ ساتھ لاتی ہے، نہ کہ اُس ٹیکنالوجی کے بارے میں جو اُس کے سرخی میں ہے، اور تعیناتی سے پہلے ڈیزائن کیا گیا مرحلہ وار پھیلاؤ تقریباً بغیر کسی لاگت کے اثرات کی نشاندہی کرتا ہے — جو سب سے زیادہ وہاں اہم ہے جہاں رابطے کی دستیابی ویسے بھی مرحلوں کا تعین کرتی ہے۔

Ng'ambi اور van der Merwe (2026) جنوبی افریقہ کے ایک گریڈ 9 کلاس روم سے دلیل دیتے ہیں کہ پہلے پابندی لگانے والی ادارہ جاتی پالیسی اُن حالات کو بند کر دیتی ہے جن میں AI تدریسی قلت کے تحت اساتذہ کی جگہ لینے کے بجائے اُن کی توسیع کر سکتا ہے، اور یہ کہ سیکھنے والے جو تعامل ڈیٹا پیدا کرتے ہیں وہ غیر ملکی حکمرانی کے نظاموں کے قبضے میں رہتا ہے۔

عام غلط فہمیاں

  • "کم وسائل والے سیاق و سباق میں AI اخلاقیات کا کوئی فریم ورک نہیں اور اُسے درآمد کرنے کی ضرورت ہے۔" کم وسائل والے ماحول میں خدمات انجام دینے والے ثانوی STEAM اساتذہ رسمی اصولوں کے بجائے پیشہ ورانہ شناخت، کلاس روم کی حقیقتوں اور ثقافتی معمولات کے ذریعے AI اخلاقیات پر استدلال کرتے ہیں۔ استدلال موجود ہے اور سیاق و سباق میں جڑا ہوا ہے؛ ایک عالمگیر اصولوں کی فہرست اُس پر بری طرح منتقل ہوتی ہے۔
  • "حکمرانی کی قسم یونیورسٹیوں میں AI کے انضمام کی پیش گوئی کرتی ہے۔" 45 نائجیرین یونیورسٹیوں (وفاقی، ریاستی اور نجی) کے تقابلی مواد کے تجزیے سے پتہ چلا کہ AI کے انضمام کی پیش گوئی ادارے کی عمر اور جغرافیائی محلِ وقوع — حکمرانی کی قسم نہیں کرتی۔ یہ مفروضہ کہ سرکاری اور نجی ادارے مختلف سمت جاتے ہیں، رد ہو جاتا ہے۔
  • "ڈیجیٹل تقسیم بنیادی رکاوٹ ہے۔" تین فلسطینی یونیورسٹیوں کے 21 بصارت سے محروم انڈرگریجویٹس کے معیاری کیس اسٹڈی نے پایا کہ GenAI ڈیجیٹل، جغرافیائی اور سماجی و معاشی رکاوٹوں کو بیک وقت پاٹتا ہے۔ رکاوٹیں تہہ دار ہیں، اور رسائی کو واحد مانع سمجھنا باقی سب کو چھوڑ دیتا ہے۔

منسلک تصورات

منسلک مضامین

میٹا ڈیٹا

درجہHigher Ed, K 12
ٹیکنالوجیز اور طریقےجنریٹو AI
مساوات، اخلاق اور ذمہ دار استعمالثقافتی طور پر متعلقہ تدریس, مساوات, عالمی جنوب
تعلیم میں AI کی بنیادیںمصنوعی ذہانت کی لیٹریسی
ذریعہتاریخچہترمیم کریںگفتگو

اس صفحے کو ایمبیڈ کریں

نیچے دیا گیا کوڈ نقل کریں تاکہ اس صفحے کو کسی سیکھنے کے انتظامی نظام یا دوسری ویب سائٹ پر ایمبیڈ کری سکیں۔ ایمبیڈ شدہ نسخہ صرف صفحے کا مواد دکھاتا ہے — یہ سائٹ کا ہیڈر، نیویگیشن اور فوٹر چھپا دیتا ہے۔