انسان-در-حلقہ

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

انسان-در-حلقہ — وہ ڈیزائن پیٹرن جس میں تعلیمی AI نظام خودکار تخلیق کے ساتھ انسانی ماہر کا فیصلہ جان بوجھ کر ملیاتے ہیں، اور پیداوار کو وسعت دیتے ہوئے پیدگوجیکل معیار اور حفاظت کو برقرار رکھتے ہیں۔ جانچ، فیڈبیک یا تدریس کو مکمل خودکار بنانے کی بجائے HITL انسان (مدرس، موضوع کا ماہر، یا سیکھنے والا) کو فیصلے کے حلقے میں رکھتا ہے، وہاں جہاں اُس کے فیصلے کی حاشیائی قدر سب سے زیادہ ہے — معیار جانچنے، کناروں کے کیس طے کرنے، اور سیکھنے والے کی ایجنسی اور حفاظت بچانے کے لیے۔ مرکزی ڈیزائن سوال یہ نہیں آیا انسان شامل کیے جائیں، بلکہ یہ کہ پائپ لائن میں کہاں اُن کی نگرانی سب سے قیمتی ہے اور سب سے کم بدلے جانے کے قابل۔

غور کرنے کے لیے سوالات

• HITL کا مرکزی ڈیزائن سوال یہ نہیں کہ انسان شامل کیے جائیں یا نہیں، بلکہ یہ کہ پائپ لائن میں کہاں اُن کا فیصلہ سب سے قیمتی ہے۔ کسی AI جانچ یا فیڈبیک نظام میں آپ کس مقام پر اصرار کریں گے کہ انسان حلقے میں رہے؟
• AI سوال کی تخلیق کے مطالعات نے پایا کہ کمپیوٹر وضاحت اور جواز اچھی طرح سنبھالتا ہے مگر معنی خیز گمراہ کن آپشن اور اچھا فیڈبیک بنانے کے لیے انسان اب بھی درکار ہے۔ تعلیمی فیصلے کے کچھ حصے خودکار بنانے کے خلاف مزاحمت کیوں کر سکتے ہیں؟
• ایک جانچ نے پایا کہ تین LLM نے طلبہ کی معاونت کے لیے متضاد اور غیر حساس سفارشات دیں — اور یہ نتیجہ نکالا کہ AI کے طلبہ کو مشورہ دینے سے پہلے انسانی فیصلہ اب بھی ضروری ہے۔ جب کوئی AI کسی مشکلات میں گھرے طالب علم کے لیے معاونت کی 'سفارش' کرتا ہے، تو کوئی انسان جائزہ لیے بغیر کیا غلط ہو سکتا ہے؟
• صفحہ کہتا ہے کہ انسان اور الگورتھم مختلف قسم کے مسائل پکڑتے ہیں — جسے درست طریقے سے جانچا جا سکتا ہے اُسے خودکار بنائیں، اور جہاں باریکی کا کوئی بدل نہیں وہاں فیصلہ بچائیں۔ آپ کی اپنی مشق میں دونوں کے درمیان حد کہاں ہے؟
• انسان کو حلقے میں رکھنا معیار کے علاوہ سیکھنے والے کی ایجنسی اور حفاظت بچانے کے طور پر بیان کیا گیا ہے۔ مکمل خودکاری طلبہ کے اِس احساس کو کیسے باریک طریقے سے بدل سکتی ہے کہ اُن کی سیکھنے کی ذمہ داری کس پر ہے؟
• اگر AI زیادہ خودمختار ہوتا جائے تو HITL نگرانی کو حفاظت کی بنیادی گارڈ ریل بتایا جاتا ہے۔ AI کی خودمختاری کی کس سطح پر آپ بے چینی محسوس کریں گے — اور یہ بے چینی آپ کو کیا بتاتی ہے کہ نگرانی کہاں ہونی چاہیے؟

تعارف

HITL مکمل خودمختار تعلیم میں AI کی حدوں اور خطرات کا جواب ہے: خودکار نظام بڑے پیمانے پر تخلیق کر سکتے ہیں مگر اُن میں وہ سیاقی، اخلاقی اور پیدگوجیکل فیصلہ نہیں جو مدرس اور ماہر لاتے ہیں۔ دو حالیہ تعینات الگ الگ معماریاں دکھاتی ہیں:

• اگر انسان صرف منظوری دے تو انسان-در-حلقہ ناکافی ہے۔ Rienties, Divjak اور Law (2026) کہتے ہیں کہ معنی خیز ایجنسی کے لیے یہ قابلیت درکار ہے کہ انسان AI کی معاونت والی سفارشات کو سمجھ سکے، اُن پر اعتراض کر سکے، نئے سرے سے ڈیزائن کر سکے اور کبھی مسترد کر سکے — نہ کہ صرف اُن فیصلوں کی منظوری دے جو کہیں اور بنے ہوں۔

ہدایتی معاونت ایک ایسا میدان ہے جہاں انسانی نگرانی کو تیزی سے ناگزیر بتایا جا رہا ہے۔ López-Pernas et al. (2026) نے جانچا کہ کیا تین LLM لرننگ اینالیٹکس کے اشاروں سے طلبہ کی معاونت کے منصوبے تجویز کر سکتے ہیں، اور پایا کہ ضرورت کے لیے حساسیت محدود ہے اور ماڈلز کے درمیان سخت تضاد ہے — اور نتیجہ یہ نکالا کہ بڑے لینگویج ماڈلز (LLMs) کی ہدایتی مشاورت محفوظ اور اخلاقی طور پر تعینات کرنے سے پہلے انسان-در-حلقہ فیصلہ اب بھی ضروری ہے۔

کسی نظام کا ترجیحی جواب روک لینا اصلاحی نہیں بلکہ حفاظتی ہے: ایسی کثیر-ایجنٹ بحث میں جس نے کبھی کوئی تجویز کردہ موقف ظاہر نہیں کیا، غلط AI جواب کی طرف نقصان دہ تبدیلی 42.0–60.5% سے گھٹ کر 5.7–8.2% رہ گئی، جبکہ درست مشورے کا اختیار بھی کم ہوا (Tuo et al., 2026)۔

تیسری معماری انسانی فیصلے کو ماڈل کی پیداوار پر نہیں بلکہ ماڈل سے پہلے رکھتی ہے۔ Lee, Atif اور Kang (2026) کے سیکھنے والوں کے سوالات کی درجہ بندی کے مطالعے میں، تین ڈاکٹری سطح کے ماہرین پوری پائپ لائن کے ذمہ دار تھے: اُنہوں نے ہر کنسترکٹوِسٹ کردار کی عملی تعریفیں نکھاریں، آزادانہ طور پر لیبل لگائے یہاں تک کہ اختلافات کے حل کے بعد Fleiss' kappa 0.60 سے 0.83 تک پہنچا، اور تربیتی مجموعے کو متوازن کرنے کے لیے استعمال شدہ واپس ترجمہ شدہ اور نئے الفاظ میں ڈھالے گئے آئٹمز کی تصدیق کی۔

CODE-GEN: انسان-در-حلقہ MCQ کی تخلیق

Duan et al. (2026) نے RAG (ریٹریول سے افزودہ تخلیق) پر مبنی ایجنٹک نظام دو ایجنٹوں کے ساتھ بنایا:

• جنریٹر ایجنٹ — کورس کے سیکھنے کے مقاصد کے مطابق متعدد انتخابی کوڈنگ سوالات تیار کرتا ہے
• توثیق کرنے والا ایجنٹ — سات پیدگوجیکل جہتوں پر معیار جانچتا ہے

جانچ: 6 SMEs نے 288 AI سے تیار شدہ سوالات کا فیصلہ کیا۔ انسانی تصدیق شدہ کامیابی کی شرحیں: جہتوں کے حساب سے 79.9%–98.6%۔

AI کے مضبوط پہلو (کم انسانی بوجھ):

• سوال کی وضاحت، کوڈ کا جواز، تصور کی ہم آہنگی، درست جواب کا جواز

انسان کے مطلوب پہلو (زیادہ انسانی بوجھ):

• پیدگوجیکل طور پر معنی خیز گمراہ کن آپشن کا ڈیزائن
• اعلیٰ معیار کا وضاحتی فیڈبیک

حکمتِ عملی کی بصیرت: انسانی محنت وہاں مرکوز ہونی چاہیے جہاں تدریسی فیصلہ بدلے جانے کے قابل نہ ہو؛ کمپیوٹیشنل توثیق کو مکمل خودکار کیا جا سکتا ہے۔

MAIC: انسان-در-حلقہ اسکرپٹ کی تخلیق

Yu et al. (2024) نے Tsinghua University میں ایک کثیر-ایجنٹ کلاس روم (استاد ایجنٹ، TA ایجنٹ، ہم جماعت کے نمونے) تعینات کیا جس میں 500 سے زیادہ طلبہ اور 100,000 سے زیادہ سیکھنے کے ریکارڈ تھے۔ انسانی مدرس اسکرپٹ کی تخلیق اور نگرانی میں شریک ہوتے ہیں، تاکہ بڑے پیمانے پر AI افزودگی پیدگوجیکل مہارت کو ہٹا نہ دے۔

PedaCo: AI ویڈیو کی تخلیق کے لیے دوہری دروازہ بندی

Kim, Baek اور Kwak (2026) HITL کو AI سے تیار شدہ تدریسی ویڈیو تک بڑھاتے ہیں PedaCo (Pedagogical Co-creation) کے ذریعے، جو دو تکمیلی دروازہ بندی کی تہوں والی پائپ لائن ہے اور Mayer کے Cognitive Theory of Multimedia Learning (CTML) پر مبنی اصولی مزاحمت کو عملی شکل دیتی ہے۔ پہلی تہہ انسان کو اسکرپٹ کے مرحلے پر رکھتی ہے: ایک LLM اسکرپٹ کا مسودہ بناتا ہے، ایک AI جائزہ لینے والا ممکنہ CTML خلاف ورزیاں نشان زد کرتا ہے (مثلاً، "منظر 3 تکنیکی اصطلاحات پیش کرتا ہے بغیر پیشگی وضاحت")، اور معلم قبول کرنے، نظرثانی کرنے یا دوبارہ تخلیق کرنے کا فیصلہ کرتا ہے۔ دوسری تہہ ترکیب کے بعد ہم آہنگی، زیادتی، زمانی تسلسل، طریقیت اور تصویر کے معیار پر خودکار پیمائشیں چلاتی ہے، جن کا معلم جائزہ لیتا ہے۔ ایک اندر-موضوع مطالعے (23 معلمین) میں جائزے پر مبنی طریقے نے ہر CTML اصول کو بہتر کیا (اوسط درجہ 3.07→3.86، p<.01)، اور معلمین نے پیداواری کارکردگی کو 4.26/5 درجہ دیا — رگڑ کو پیداواری سمجھا گیا، بوجھ نہیں۔ ڈیزائن کا اصول علم کی بنیاد کی HITL ترکیب کی بازگشت ہے: انسان اور الگورتھم مختلف قسم کے مسائل پکڑتے ہیں، اِس لیے سب سے مؤثر نظام وہاں خودکار بناتے ہیں جہاں کمپیوٹیشنل توثیق درست ہے (زمانی ہم آہنگی) اور انسانی فیصلہ وہاں بچاتے ہیں جہاں پیدگوجیکل باریکی کا بدل نہیں (لہجہ، سامعین سے مناسبت)۔

جگہ کا تعین موجودگی سے زیادہ اہم ہو سکتا ہے: ماہرینِ عمل نے Social Story تصنیف کے ٹول کو بہت قابلِ استعمال درجہ دیا (SUS 86.8) مگر بتایا کہ جائزہ بہت دیر سے آیا، کیونکہ ثقافتی اور طبی قیود جو تخلیق سے پہلے طے ہو جاتی ہیں — مغربی اسٹریٹ ویئر کی بجائے عبایہ — پیداوار میں بعد ازاں ترمیم سے بحال کرنا مشکل ہوتا ہے (Enkhjargal et al. (2026))۔

AI کے دور میں HITL کیوں اہمیت رکھتا ہے

انسان-در-حلقہ ڈیزائن علم کی بنیاد کی ایجنٹک AI اور ذمہ دار AI استعمال کی بحثوں میں کئی ملتے ہوئے اسباب سے مرکزی ہو گیا ہے:

• پیدگوجیکل حفاظت۔ تدریسی حفاظت کا تقاضا ہے کہ حقیقی تدریسی اختیار رکھنے والا AI انسانی نگرانی برقرار رکھے، تاکہ غلطیاں، تعصبات یا نقصان دہ پیداوار طلبہ تک پہنچنے سے پہلے پکڑی جائیں۔ یہ خاص طور پر ایسے خودمختار ایجنٹوں کے لیے اہم ہے جو فعال طور پر مقاصد کے پیچھے لگتے ہیں۔

• نگرانی عملی طور پر نایاب ہے، صرف نظریے میں نہیں۔ Wang et al. (2026) نے پایا کہ 474 تعلیمی ایجنٹک-AI نظاموں میں مضبوط اندرونی حکمرانی اور انسان-در-حلقہ نگرانی شاذ و نادر ہی نظر آئی، حالانکہ واحد-کام کی خودمختاری اور کثیر-ایجنٹ تعاون بڑھ رہے تھے — یعنی ڈیزائن اصول اور تعینات مشق کے درمیان خلا۔

• فیصلہ کن سوال یہ ہے کہ حلقے کو قابلِ عمل کیسے بنایا جاتا ہے، نہ کہ انسان کتنے شریک ہوتے ہیں۔ سیکھنے کی سائنسز کا ایک نظریہ کہتا ہے کہ سیکھنے کو ڈیٹا کی گرفت، کمپیوٹیشنل تفسیر اور ممکنہ ردِعمل کے گرد منظم کرنا پیدگوجیکل عمل کو اِس پر منحصر بنا دیتا ہے کہ نظام کیا شناخت کر کے کیا کر سکتے ہیں، اور یہ کہ الرٹس اور شمولیت کی درجہ بندیاں کسی استاد یا طالب علم کے عمل سے پہلے سیکھنے والے کی تفسیر کر لیتی ہیں (Pande (2026))۔

• جواز اور معیار کا کنٹرول۔ HITL خودکار جانچ اور تخلیق کے لیے معیار کا دروازہ ہے — انسان وہاں فیصلہ کرتے ہیں جہاں خودکار اسکورنگ ناقابلِ بھروسا ہے (دیکھیں LLM کا مقالہ جانچنا تحقیق) اور تیار شدہ آئٹمز کی تصدیق کرتے ہیں۔ 42 جانچ اور فیڈبیک مطالعات (2023–2025) کا PRISMA کی رہنمائی والا منظم جائزہ بھی واضح طور پر یہی نتیجہ دیتا ہے: LLM مختصر، اچھی ساخت والے کاموں میں انسانی جانچنے والوں کے برابر آتے ہیں مگر پیچیدہ، کھلے یا موضوعی کام میں انسانی فیصلے کا مکمل متبادل نہیں بن سکتے، اور سب سے زیادہ جانچ کی اثر پذیری اُن ہائبرڈ نظاموں میں ملتی ہے جو AI کی جانچ کو استاد کی نگرانی اور تصدیق کے ساتھ جوڑتے ہیں (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback)۔ Falahat et al. (2026) ٹھوس طور پر دکھاتے ہیں کہ یہ حد کہاں پڑتی ہے: ChatGPT-5 فارمیسی کے امتحان کے معروضی آئٹمز پر فیکلٹی کے برابر آیا (CCC 0.935–1.000) مگر مختصر-جواب اور مقالہ آئٹمز پر ناقابلِ بھروسا رہا، حتیٰ کہ ربڑک دیے جانے پر بھی، جس کی بنا پر مصنفین پیچیدہ، موضوعی یا زیادہ اہمیت والی جانچ کے لیے انسانی جائزے والی ہائبرڈ جانچ تجویز کرتے ہیں۔

• تکرار اُس نگرانی کا متبادل نہیں: پانچ مختلف دنوں میں یکساں جمع شدہ کاغذات کو دوبارہ درجہ دیتے ہوئے، وہی ماڈل اپنے نتائج صرف Krippendorff's alpha 0.625 پر دہرا سکا، اور فرق درمیانی درجوں میں مرکوز تھا جبکہ A اور F پانچ سیشن کے شمار میں غائب رہے (Brevik et al. (2026))۔

• سیکھنے والے کی ایجنسی۔ انسان کو حلقے میں رکھنا ایجنسی بچاتا ہے اور خود ضابطگی والی سیکھائی کی تائید کرتا ہے، اور اُس حد سے زیادہ انحصار کا توڑ کرتا ہے جو مکمل خودمختار معاونت پیدا کر سکتی ہے۔

• طلبہ خود انسان کو زیادہ اہمیت والے سرے پر رکھتے ہیں۔ 93 گریجویٹ طلبہ میں، 81.7% نے درجے کے 40% کے برابر حتمی مقالے کے لیے انسانی اسکورنگ کو ترجیح دی، 93 میں سے 75 نے چاہا کہ AI جانچنے والوں کی جگہ نہ لے بلکہ معاونت کرے، اور 69 نے چاہا کہ AI کی اسکورنگ ہمیشہ انسانی جائزے سے گزرے (Yildirim-Erbasli et al. (2026))۔

• بھروسا اور انطباق۔ شفاف انسانی نگرانی بھروسے کی تشکیل کی تائید کرتی ہے — سیکھنے والے اور مدرس جانتے ہیں کہ نظام کے پیچھے کوئی اہل انسان کھڑا ہے۔

• جائزے سے پہلے نظر آنے والے معیار اتفاق بڑھاتے ہیں۔ Coscia et al. (2026) نے پایا کہ جب جائزہ لینے والے LLM کے جوابات کا موازنہ کرتے ہوئے بھروسے کے پیمانے سامنے دیکھیں تو جانچنے والوں کے درمیان اتفاق Krippendorff's alpha 0.3987 سے 0.4931 تک بڑھ گیا، جبکہ مزید پیمانے شامل کرنا بغیر فائدے کے علمی بوجھ بڑھا گیا۔

• محدود ایجنسی بطور معماری، نہ کہ دستبرداری کا بیان۔ Ilieva et al. (2026) کا AGAI-HE فریم ورک ایجنٹک سیکھنے کی معاونت کے لیے نگرانی کو خود ماڈل میں بناتا ہے، پیدگوجیکل ورک فلو اور ایجنٹک معاونت کی تہوں کے ساتھ تیسری تہہ کے طور پر: یہ قابلِ قبول AI استعمال، پیدگوجیکل حدود، رازداری کے قواعد، افشا کے تقاضے، ماخذ کی تصدیق، مدرس کے پڑاؤ، دیانت کے طریقے اور حتمی انسانی جواب دہی متعین کرتا ہے، اور ہر ایجنٹک فعل کا تعلق کسی سیکھنے کی ضرورت، جانچ کے مقصد یا حکمرانی کے کنٹرول سے جوڑنے کا مطالبہ کرتا ہے۔ یہ اِس اصول کی ٹھوس شکل ہے کہ HITL نظام کے ڈیزائن کی خاصیت ہے، پالیسی کا بیان نہیں — اور مصنفین کا 130 طلبہ پر مشتمل ادراک کا مطالعہ یاد دہانی ہے کہ اُس نگرانی کے تحت ایجنٹک ترتیب شامل کرنا بذاتِ خود چیٹ بوٹ سے بہتر سیکھنے کی معاونت کے طور پر درج نہیں ہوا۔

• انسان کتنی بار دیکھتا ہے، یہ بھی ایک ڈیزائن کا فیصلہ ہے۔ Venetsanos (2026) نگرانی کی تعدد کو اُس کے مقام سے الگ کرتا ہے: زیادہ تعدد والا HITL، جو ہر AI پیداوار کو طلبہ تک پہنچنے سے پہلے دیکھتا ہے، معیار کا کنٹرول، تیز غلطی کی نشاندہی، جواب دہی اور مسلسل انطباق خریدتا ہے مگر اُس کارکردگی کو کاٹ سکتا ہے جس نے خودکاری کو تحریک دی تھی اور درجہ بندی کے مصروف ترین ادوار میں رکاوٹ بن سکتا ہے؛ کم تعدد والا HITL، جو نمونے چھانٹ کر دیکھتا ہے اور صرف نشان زد کیسوں کا جائزہ لیتا ہے، پیمانہ اور رفتار دیتا ہے مگر خطرہ ہے کہ غلطیاں تحویلوں میں بے نشان پھیل جائیں، جواب دہی کمزور ہو، اور مساوات کا مسئلہ پیدا ہو اگر کچھ طلبہ کو دوسروں سے زیادہ تفصیلی انسانی جائزہ ملے۔ عالمگیر جواب تجویز کرنے کی بجائے، فریم ورک یہ تقاضا کرتا ہے کہ یہ سودا شعبی غلطی کی برداشت، یہ کہ جانچ تکوینی ہے یا اختتامی، گروہ کا حجم اور ادارتی وسائل کے مقابلے میں واضح طور پر کیا جائے — اور معمول کے کارکردگی کے استدلال کے اُلٹ ایک طے شدہ نقطۂ آغاز رکھتا ہے: زیادہ تعدد والی نگرانی سے شروع کریں اور اُسے صرف اُس وقت پیچھے کریں جب ٹھوس شواہد قابلِ قبول بھروسے، تحفظ اور انصاف دکھائیں، تاکہ ثبوت کا بوجھ اِس بات پر ہو کہ کم نگرانی محفوظ ہے۔ مقالہ یہ انتباہ بھی دیتا ہے کہ ایسی نگرانی کے پیچھے کے اصول عملے کی محنت کو کم کرنے کی بجائے منتقل کر سکتے ہیں، اور خالص کارکردگی کے فائدے ایک کھلا تجربی سوال رہتے ہیں۔

• تعینات انسانی نگرانی معیار کے فیصلے کی بجائے منظوری کی روٹنگ بھی ہو سکتی ہے: ایک ہائبرڈ سوال نظام میں قبولیت کا خانہ صرف یہ ظاہر کرتا تھا کہ حل کرنے والا پوچھنے والے سے مختلف تھا یا نہیں، اور کسی پیمانے نے جواب کے معیار کا جائزہ نہیں لیا (Gupta et al. (2026))۔

HITL علم کی بنیاد کی تحقیق میں کہاں آتا ہے

• خودکار جانچ اور درجہ بندی: HITL نظام AI کی تخلیق/اسکورنگ کو انسانی تصدیق کے ساتھ جوڑتے ہیں، مختصر جواب کی جانچ (Confidence Estimation in Automatic Short Answer Grading with LLMs)، خود-وضاحت کی جانچ (Exploring the Effectiveness of Using LLMs for Automated Assessment of Student Self Explanations in Programming Education)، اور مقالے کی اسکورنگ (PsyScore: A Psychometrically-Aware Framework for Trait-Adaptive Essay Scoring and ZPD-Scaffolded Feedback) میں۔ Cvengros اور Kortemeyer اِسے زیادہ اہمیت والی، ہاتھ سے لکھی عمومی کیمسٹری کی جانچ میں عملی شکل دیتے ہیں: چونکہ کثیرالوسیط LLM کا بھروسا جواب کی شکل کے حساب سے بدلتا ہے (متنی اور کیمیائی ردِعمل والے جوابات قابلِ بھروسا ہیں جبکہ ڈرائنگ اور گراف بنانا بے ترتیب سے بھی بدتر اسکور کرتے ہیں) اور غلط مثبت طلبہ کی نظر سے نہیں گزرتے، وہ خام AI اسکور کو اعتماد کے فلٹروں کے ذریعے منتخب قبول/تاخیر کی پالیسی میں بدلتے ہیں — جزوی کریڈٹ کی حدیں، IRT پر مبنی خطرے کی حد، اور مسئلے کی قسم کو خارج کرنا — اور غیر یقینی اور گرافیکل آئٹمز انسانوں کو بھیجتے ہیں، ایسا طریقہ جسے مصنفین اُن ضابطہ جاتی فریم ورکوں سے جوڑتے ہیں جو تعلیمی جانچ میں AI کو زیادہ خطرہ والا قرار دیتے ہیں اور دستاویز شدہ انسانی نگرانی لازمی ٹھہراتے ہیں۔

• فیڈبیک کے نظام: دستاویز شدہ انسانی نگرانی لازمی ٹھہراتے ہیں۔

• قومی جانچ میں عملی HITL اسکورنگ (2026): Curi et al. (2026) یوراگوئے کے Acredita EB امتحان میں ادارتی پیمانے پر HITL کو عملی شکل دیتے ہیں۔ چونکہ LLM اسکورر کی غلطیاں منظم طور پر قدامت پسند ہیں (کم درجہ دینا)، ورک فلو ایک فیصلہ نقطے کی منطق استعمال کرتا ہے جو انسانی جائزہ بالکل اُن امیدواروں کی طرف بھیجتا ہے جن کا پاس/فیل نتیجہ تحریری حصے پر منحصر ہے — AI کے نشان زد کردہ پاس ہونے والے جوابات اعتماد کے ساتھ قبول کیے جاتے ہیں، جبکہ AI کے نشان زد کردہ فیل (15.3–16.5% کیس) ماہر جانچنے والے تصدیق کرتے ہیں، جس سے مکمل اسکورنگ کا بوجھ ≥50% کم ہو جاتا ہے اور بقایا AI غلطی سے پاس ہونے کا خطرہ صرف 0.2–0.6% رہ جاتا ہے۔ یہ HITL بطور وسائل کی تقسیم کی حکمتِ عملی ہے: انسان بالکل وہاں فیصلہ کرتے ہیں جہاں AI کا قدامت پسند تعصب ورنہ زیادہ اہمیت والے نتائج بدل دے گا۔

• ربڑک کی اپنی ریزولیوشن سے تاخیر کی حد کا اخذ کرنا (2026)۔ Cruz et al. (2026) نے AI اور مدرس کے درمیان رواداری 0.5 پوائنٹس رکھی — سب سے بڑا فرق جو کسی تحویل کو اینکر بینڈ سے آگے نہیں لے جا سکتا — اور 0.8 پوائنٹس پر غیر معمولی کیسز اوپر بھیجے، اور فیڈبیک جاری ہونے سے پہلے 362 میں سے 11 تحویلیں (3.0%) انسانی جائزے کو گئیں۔

• تشریح کرنے والوں کے درمیان اتفاق انسانی بنیادی حقیقت نہیں۔ Bernado et al. (2026) ماڈل کی تشریح کو آڈٹ کی تہہ میں دھکیل دیتے ہیں بغیر اُسے انسانی سنہری لیبلوں کے خلاف کبھی جانچنے کے، اور ماڈلز کے درمیان اتفاق (میڈین 0.401) کو دعوے کے معیار کا قائم مقام چھوڑ دیتے ہیں، جسے مشترکہ ماڈل غلطیاں بچا سکتی ہیں۔ اُن کا ڈیزائن نگرانی کو آرائشی کی بجائے تشخیصی رکھتا ہے: چونکہ درمیانی فیصلے واضح ہیں، جائزہ لینے والا دیکھ سکتا ہے کہ کون سے رویّے فعال ہوئے اور غلط پڑھے گئے رویّے کو اُس قاعدے سے الگ کر سکتا ہے جو تصور کو بری طرح نقش کرتا ہے۔

• فیڈبیک کے نظام: انسان-در-حلقہ فیڈبیک کا ڈیزائن تعاونی فیڈبیک نظاموں اور اعتماد-آگاہ مختصر جواب کی جانچ میں آتا ہے۔

• کلاس روم میں تعاون کی معاونت۔ CoBi استاد کو اُس AI نظام میں جائزہ لینے والا انسان رکھتا ہے جو چھوٹے گروہوں کی اُٹھانے والی گفتگو شناخت کرتا ہے: اساتذہ نے واضح طور پر عمل سے پہلے/بعد کے جائزے کو براہِ راست حقیقی وقت کے ڈسپلے پر ترجیح دی جو اُنہیں "امتحان کے کٹہرے میں" کھڑا کر دیتا، اور نظام کا کلاس روم کی سطح (انفرادی کی بجائے) مجموعی فیڈبیک ہی وہ چیز ہے جو اُسے رازداری، نگرانی اور طالب علم کی ایجنسی کے درمیان کشیدگی سنبھالنے دیتا ہے۔

• سوال اور مواد کی تخلیق: CODE-GEN کے علاوہ، HITL جانچ اور سکافولڈنگ کے لیے سوال کی تخلیق کی رہنمائی کرتا ہے (CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation، From Evaluated Models to Evaluation Aids: A Multi-Evidence Study of LLM-Based Difficulty Calibration for Programming Examinations)۔

• ایجنٹک اور کثیر-ایجنٹ نظام: جیسے جیسے AI زیادہ خودمختار ہوتا ہے، HITL نگرانی ایک بنیادی ڈیزائن گارڈ ریل ہے (Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning، Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics)۔

• فیصلے کے نتیجے سے روٹنگ، ماڈل کی غیر یقینی سے نہیں (2026)۔ ایک 2026 کا عملی مطالعہ یوراگوئے کے Acredita EB قومی اسناد کے امتحان (دو ایڈیشن، ہر ایک میں تقریباً 5,000-6,000 امیدوار) کا بتاتا ہے کہ انسان-در-حلقہ ڈیزائن کیسی شکل لیتا ہے جب وہ ماڈل کی غیر یقینی کی بجائے فیصلے کے نتائج سے چلایا جائے۔ ایک GPT-5 اسکورر 15 ربڑک آئٹمز میں سے 60-80% پر ماہر جانچنے والوں سے متفق رہا مگر منظم طور پر قدامت پسند تھا، اور پاس/فیل موازنوں میں 15.3% (2024) اور 16.5% (2025) میں انسان-پاس/AI-فیل کا تضاد پیدا کیا اور تقریباً کبھی اِس کا اُلٹ نہیں۔ چنانچہ فریم ورک AI کے پاس ہونے والے نتائج کو بظاہر قبول کرتا ہے اور ہر ایسا AI-فیل نتیجہ جو امیدوار کا انجام بدل سکتا ہے ماہر جائزے کو بھیجتا ہے — پہلے اُن امیدواروں کو چھوڑ کر جن کا پاس/فیل تحریری حصے پر منحصر نہیں ہو سکتا — جس سے مکمل انسانی اسکورنگ طلب کرنے والے جوابات کم از کم 50% کم ہو جاتے ہیں۔ ایک دوسرا 2026 ڈیزائن حد کو دوسری طرف سے کھینچتا ہے: کثیر-ایجنٹ AI معیاری-مریض پلیٹ فارم میں (Yang et al.)، انسانی نگرانی اُس چیز کے لیے مخصوص ہے جسے فیصلہ کرنے کے لیے AI نااہل سمجھا جائے، جہاں فیکلٹی اور انسانی معیاری مریض سیاقی تفسیر، اصلاح اور تیاری کے فیصلے فراہم کرتے ہیں، اور نظام کو واضح طور پر طبی قابلیت خودمختار طور پر متعین کرنے کی اجازت نہیں۔

• تحقیقی آلات: انسان اسکور کی بجائے لیبلوں کی تصدیق کرتے ہیں۔ سیکھنے کی سائنس اور کمپیوٹر سائنس کے کوڈرز نے LLM سے تیار شدہ رویّے کے حصوں کو ہم وقت ٹائم لائن پر κ = 0.703 پر جانچا، اور اُن کے اختلافات خود مطالعے کا غلطی تجزیہ بن گئے (Fonteles et al., 2026)۔

• ماڈل خلاصہ کرتا ہے اور محقق لیبل لگاتا ہے۔ ایک تعاونی-ماڈلنگ مطالعے نے GPT-3.5-Turbo سے 394 گفتگو حصوں میں سے ہر ایک کا کام کے سیاق سے واقف خلاصہ لکھوایا، محققین نے ہر خلاصے کی تصدیق کی اور اُنہیں κ ≥ 0.7 پر کوڈ کیا، اور شناخت کنندگان کو اِنہی لیبلوں پر تربیت دی، چنانچہ ماڈل نے خود کبھی فیصلہ نہیں کیا۔ اِس کے بعد نگرانی باہر کی طرف منتقل ہوئی: چار تجربہ کار اساتذہ نے لیبل زدہ ایک حصہ دیکھا، تین نے رویّے پہچانے، اور ایک نے دلیل دی کہ ایک حصے پر دو لیبل اِس بات کو دھندلا دیتے ہیں کہ طلبہ کیا کر رہے تھے — یہ استعمال پذیری کا اعتراض جسے مصنفین نے حل کرنے کی بجائے درج کیا (Zhang et al., 2026)۔

• HITL بطور پورے ایک شعبے کی معماری، نہ کہ ایک ورک فلو کی۔ Zhai et al. (2026) چار جڑی ہوئی تہیں متعین کرتے ہیں — ڈیٹا کی بنیادی ڈھانچہ، ماڈل کی ترقی، پیدگوجیکل انٹرفیس اور انسانی حکمرانی — جنہیں تین اصول جوڑے رکھتے ہیں: انسانی نگرانی اور ایجنسی، مشترکہ موافق ذہانت، اور سیاق کے حساب سے جواب دہی۔

ترکیب

انسان-در-حلقہ ڈیزائن محض حفاظتی اقدام نہیں—یہ وسائل کی تقسیم کی حکمتِ عملی ہے۔ سرحدی سوال یہ نہیں آیا انسان شامل کیے جائیں، بلکہ یہ کہ پائپ لائن میں کہاں اُن کے فیصلے کی حاشیائی قدر سب سے زیادہ ہے۔ سب سے مؤثر HITL نظام کمیاب انسانی مہارت وہاں مرکوز کرتے ہیں جہاں خودکار نظام سب سے کمزور ہیں (گمراہ کن آپشن کا ڈیزائن، وضاحتی فیڈبیک، کناروں کے کیس کا فیصلہ، اخلاقی فیصلہ) اور باقی کو خودکار بناتے ہیں — اور پیداوار کو وسعت دیتے ہوئے معیار، حفاظت اور بھروسا بچاتے ہیں۔

• AI کی معاونت والے کام میں انسانی نگرانی برقرار رہتی ہے۔ منظم جائزوں کی تحقیق نے پایا کہ AI خودکاری کے ٹولز نے طریقہ کار کے بوجھ (مثلاً اسکریننگ) کم کیے مگر تفسیری فیصلوں کے لیے اب بھی خاطر خواہ انسانی نگرانی درکار تھی؛ اینڈراگوگی کی تحقیق انسان-در-حلقہ (مشترکہ ذہنی ماڈل، مشترکہ تخلیق) کو AI ڈیزائن کا بنیادی اصول بناتی ہے۔
• ادارتی پیمانے پر انسان-در-حلقہ۔ Qin (2026) بتاتا ہے کہ Lingnan University نے کیسے ایک انسان-در-حلقہ تعلیمی ماڈل تیار کیا جو اخلاقی استدلال، تنقیدی فیصلے اور سماجی ذمہ داری کو سامنے رکھتا ہے اور ساتھ ہی GenAI تک رسائی کو جمہوری بناتا ہے۔ یہ ماڈل انسانوں کو فیصلے اور اقدار کا مرکز ٹھہراتا ہے حتیٰ کہ AI نصاب میں شامل ہو جاتا ہے — انسان-در-حلقہ اصولوں کی ادارتی شکل کا ایک ٹھوس نمونہ، اعلیٰ تعلیم میں۔
• سیکھنے والے اپنی ہی ٹیوٹرنگ کے انسان-در-حلقہ ہیں۔ Value Sensitive Design نے کمیونٹی کالج کے طلبہ کے ساتھ ایک ITS کے لیے سیکھنے والوں کے لیے HITL خصوصیات کا پورا خاندان پیدا کیا (دوبارہ جانچ اور جائزے پر کنٹرول، ذاتی مقاصد/رفتار، جائزے کے لیے نشانی لگانا، مہارت کی بجائے اعتماد کی تصدیق، اور AI معاونت کی شمولیت کی سطح کا کنٹرول)، جو طالب علم کو موافق فیصلوں کا غیر فعال صارف بنانے کی بجائے ٹیوٹرنگ حلقے کا فعال قابو رکھنے والا بناتا ہے۔ مطالعے نے یہ بھی پایا کہ مدرسین میں اختلاف تھا کہ آیا ایسا سیکھنے والا کنٹرول نظام کی رہنمائی والے سیکھنے کے راستے کی دیانت کو نقصان پہنچا سکتا ہے — یہ اُس وسیع تر وسائل کی تقسیم کے سوال کی ایک مثال ہے کہ انسانی (سیکھنے والے بمقابلہ استاد) فیصلہ کہاں سب سے زیادہ قدر بڑھاتا ہے۔
• AI سے ماہر تک بڑھانا خود انسان-در-حلقہ کا اقدام ہے۔ SCAN فریم ورک کاموں کو سیکھنے والے کی دوری کے حساب سے چار جنریٹو-AI طریقوں میں تقسیم کرتا ہے، اور درست طریقے سے تفویض شدہ AI کام کے اندر غیر فعال شمولیت کو ایسا اشارہ پڑھتا ہے کہ مہارت غلط سمت میں ڈھل رہی ہے، اور سیکھنے والے کو AI کی معاونت سے ماہر کی معاونت کی طرف منتقل کرتا ہے، جہاں انسان علمی آڈٹر ہے (Tsim et al. (2026))۔
• AI اپنانے کے مشورے کی نگرانی۔ چونکہ گفتگو والے AI نظام جن سے شکوک رکھنے والے صارف مشورہ لیتے ہیں، اپنانے کی ترغیب کی طرف مائل ہو سکتے ہیں، انسانی نگرانی اور آزاد جانچ ناگزیر ہیں۔ ایک آڈٹ نے دکھایا کہ بیشتر سرحدی ماڈل شکوک رکھنے والے دیہی K-12 عملے کو شمولیت کی طرف موڑتے ہیں، جو شفاف اور آڈٹ کے قابل AI مشورے کی ضرورت کو نمایاں کرتا ہے، نہ کہ غیر تنقیدی انحصار کی۔

عام غلط فہمیاں

• "نظام کی سفارش دکھانا انسان کو اُس کی نگرانی میں مدد دیتا ہے۔" کسی نظام کا ترجیحی جواب روک لینا اصلاحی نہیں بلکہ حفاظتی ہے: ایسی کثیر-ایجنٹ بحث میں جس نے کبھی کوئی تجویز کردہ موقف ظاہر نہیں کیا، AI کے جواب کی طرف نقصان دہ تبدیلی گھٹ گئی۔ افشا نے تابعداری کو دعوت دی؛ روک لینے نے فیصلے کی تائید کی۔
• "انسان-در-حلقہ کا مطلب ایک انسان، ایک فیصلہ ہونا چاہیے۔" استاد ایجنٹ، TA ایجنٹ اور ہم جماعت کے نمونوں کا ایک کثیر-ایجنٹ کلاس روم Tsinghua University میں 500 سے زیادہ طلبہ اور 100,000 سے زیادہ سیکھنے کے ریکارڈ کے ساتھ تعینات کیا گیا۔ نگرانی ترتیب کے ذریعے پیمانہ پاتی ہے، نگران افراد کو ضرب دینے سے نہیں۔
• "AI کی پیداوار کا جائزہ لینا بدیہی ہے۔" 23 معلمین کے اندر-موضوع مطالعے میں جائزے پر مبنی طریقے نے ہر CTML اصول بہتر کیا (اوسط درجہ 3.07 سے 3.86، p < .01)، اور معلمین نے پیداواری کارکردگی کو پسندیدہ درجہ دیا۔ جائزہ ایک مہارت ہے جو ایک منظم طریقے کے تحت بہتر ہوئی۔

منسلک تصورات

• تدریسی نمونے — آزمودہ ترتیبوں میں انسانی جائزہ کہاں بیٹھتا ہے، اور کیا چیز کبھی الگ تھلگ جانچی نہیں گئی
• گارڈ ریل
• تشکیلی جانچ
• خودکار جانچ
• سکافولڈنگ
• تدریس
• مصنوعی ذہانت کی لیٹریسی
• ذہین ٹیوٹرنگ
• فیڈبیک
• طلبہ کا تجربہ
• خود ضابطگی والی سیکھنا
• میٹا کوگنیشن
• تعلیمی ترقی
• جنریٹو AI
• سیکھنے والے کی ایجنسی
• تدریسی حفاظت
• اعتماد کی کیلیبریشن
• ایجنٹک AI
• علمی بوجھ اتارنا
• علمی سپردگی
• طلبہ کی معاونت اور کامیابی — خودکار معاونت کے بہاؤ کے اندر انسانی فیصلہ

منسلک مضامین

• Science Literacy: Generative AI as Enabler of Coherence in the Teaching, Learning, and Assessment of Scientific Knowledge and Reasoning — سائنس کی تعلیم میں جنریٹو AI کے لیے چار تہوں والی HITL معماری (Zhai et al. 2026)

• Analyzing embodied learning in classroom settings: A human-in-the-loop AI approach for multimodal learning analytics — کوڈرز LLM کے رویّے کے حصوں کی تصدیق بطور تحقیقی آلات (Fonteles et al. 2026)

• Analysing AI utilisation in education through learner question types: A constructivist approach — ماہر لیبل زدہ سوال کی درجہ بندی: انسان لیبلنگ، افزودگی اور غلطی کے تجزیے کا انتظام کرتے ہیں (Lee, Atif اور Kang 2026)

• Agentic Generative AI in Higher Education: Perceived Benefits, Risks, and Implications for Learning — ایجنٹک GAI کورس ڈیزائن کی تیسری تہہ کے طور پر انسانی نگرانی اور حکمرانی (Ilieva et al. 2026)

• Value-Sensitive Design in Action: Designing Student-Centered Intelligent Tutoring Systems with Community College Students and Instructors — طالب علم مرکز ITS کا قدر-حساس ڈیزائن (سیکھنے والے ٹیوٹرنگ حلقے میں)

• A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment — بڑے پیمانے کی قومی تحریری جانچ میں HITL AI کی معاونت والی اسکورنگ (Curi et al. 2026)

• AI as Teammate: Rethinking Task Distribution in Medical Training — SCAN فریم ورک: طبی تربیت میں AI کام کی تقسیم پر نئے سرے سے سوچنا (Tsim et al. 2026)

• A scoping review of generative AI-powered agentic AI in education: Research landscape, agentic capabilities, and insights from the frontier agent paradigm, exemplified by OpenClaw

• AICoFe: Implementation and Deployment of an AI-Based Collaborative Feedback System for Higher Education

• Calibrating Trustworthiness: Co-Designing Metrics and Visualizations for Evaluating LLMs in Education

• CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation

• Confidence Estimation in Automatic Short Answer Grading with LLMs

• TeachArena: Are Language Agents Ready for Realistic Teaching Work?

• From Evaluated Models to Evaluation Aids: A Multi-Evidence Study of LLM-Based Difficulty Calibration for Programming Examinations

• LLMs Do Not Grade Essays Like Humans — LLM مقالے انسانوں کی طرح درجہ نہیں دیتے (Mathew et al. 2026)

• Adult Learners' Perspectives of AI Applications in Supporting Andragogy — اینڈراگوگی کی معاونت میں AI کے اطلاقات (Kim et al. 2026)

• Scaffolding Systematic Reviews in Learning Design and Technology Through Mentoring and AI Integration — رہنمائی اور AI کے ساتھ منظم جائزوں کی سکافولڈنگ (Wang 2026)

• 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

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

• A Feasibility and Implementation Integrity Study of the Community Builder (CoBi): An AI-based Collaboration Support System in K-12 Classrooms

• Assisting the grading of a handwritten general chemistry exam with artificial intelligence

• Bridging technology and education: The use of ChatGPT in grading pharmacy student exams

• Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback

• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — کلینیکل انٹرویو کی تربیت کے لیے سکافولڈنگ پر مبنی کثیر-ایجنٹ بڑے لسانی ماڈل نظام کی جانچ

• A Tripartite Feedback Framework for AI-Assisted Assessment of Complex Reports in Higher Education — سہ رخی فریم ورک: فیڈبیک کو علمی حیثیت کے حساب سے چھانٹنا اور AI کی شمولیت کے پانچ حد بندی اصول (Venetsanos 2026)

• AI-Assisted Social Story Intervention for Special Education: The Design of AdaptED Stories — خصوصی تعلیم کے لیے AI کی معاونت والی Social Story مداخلت: AdaptED Stories کا ڈیزائن

• EduBehaviors: Assertion-based Schemas for Auditable Coding of Educational Dialogues — EduBehaviors: تعلیمی گفتگو کی آڈٹ کے قابل کوڈنگ کے لیے دعوے پر مبنی اسکیمے

• From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026 — جذبات کی درجہ بندی سے قابلِ عمل اور ذمہ دار فیڈبیک تک: تدریس کے طالب علم جائزے میں NLP کا اسکوپنگ جائزہ اور شواہد کا نقشہ، 2015–2026

• Large language models as grading assistants in public health education: a method-comparison study of essay-style exam assessment — مختلف دنوں میں LLM کی یکساں درجہ بندی کے دہرانے صرف Krippendorff's alpha 0.625 پر دہراتے ہیں

• When Do Undergraduate Students Prefer AI? Insights into AI Scoring and Feedback — گریجویٹ طلبہ زیادہ اہمیت والے کام کے لیے انسانی اسکورنگ اور AI کو بطور معاون چاہتے ہیں، نہ کہ متبادل

• What Students Actually Ask: Demand Structure and Automation Potential in a Hybrid Support System — طلبہ واقعی کیا پوچھتے ہیں: ہائبرڈ معاونت نظام میں طلب کی ساخت اور خودکاری کا امکان

• Rethinking "In-The-Loop" Approaches in Educational AI: A Learning Sciences Perspective — تعلیمی AI میں "ان-در-لوپ" طریقوں پر نئے سرے سے سوچنا: سیکھنے کی سائنسز کا نقطۂ نظر

• Countering the Risks of AI Overreliance: Leveraging Multi-Agent Debate for Complementary Human–AI Decision-Making in Legal Contexts — نظام کا ترجیحی جواب روک لینے نے غلط AI مشورے کی طرف جھکنے کو کم کیا، حفاظتی طور پر نہ کہ اصلاحی طور پر