لیٹنٹ پروفائل تجزیہ

اس صفحے پر

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

لیٹنٹ پروفائل تجزیہ (LPA) — ایک شخص پر مرکوز طریقہ جو نمونے کو غیر مشاہدہ ذیلی گروپوں (پروفائلز) میں چھانٹتا ہے، جب ہر کیس ایک ساتھ کئی متغیرات سے بیان ہو۔ یہ mixture-modeling خاندان کا مسلسل اشاروں والا رکن ہے؛ اس کا ہمزاد لیٹنٹ کلاس تجزیہ (LCA) یہی منطق قطعی اشاروں پر لاگو کرتا ہے۔ دونوں اُس سوال سے مختلف سوال پوچھتے ہیں جو تعلیم میں AI کی تحقیق پر چھائے ہوئے متغیر پر مرکوز ماڈلز پوچھتے ہیں: "X اوسطاً Y کی کتنی پیش گوئی کرتا ہے" نہیں، بلکہ "اُس اوسط کے اندر کتنے مختلف قسم کے طالب علم، استاد یا منتظم چھپے ہوئے ہیں۔" اس نالج بیس میں یہ طریقہ دکھاتا ہے کہ ایک ہی AI ٹول مختلف ذیلی گروپوں میں بالکل مختلف جگہ لگتا ہے — گھانا کے انڈرگریجویٹس میں اخلاقی آگاہی کے پانچ پروفائلز، یوکرین کے تعلیمی منتظمین میں تیاری کی چھ درجہ بندیاں، تائیوان کے پری سروس اساتذہ میں جنریٹیو AI کی قبولیت کے چار پروفائلز۔

غور کرنے کے لیے سوالات

ایک مطالعہ بتاتا ہے کہ طلبہ کی AI کے ساتھ اوسط آسائش 5 میں سے 3.8 ہے۔ اگر ایک گروپ پُرجوش ہو اور دوسرا خاموشی سے مزاحم، تو یہ اوسط کیا چھپا رہی ہوگی؟
LPA مسلسل اسکورز کو ماڈل کرتا ہے؛ LCA زمروں کو۔ اگر آپ انٹرویو کے جوابات کو "حد سے زیادہ انحصار کا ذکر: ہاں/نہیں" کے طور پر کوڈ کریں، تو آپ کو کون سا چاہیے؟
پانچ پروفائل والا حل اینٹروپی 0.816 رپورٹ کرتا ہے؛ چار پروفائل والا حریف حل 0.929 اسکور کرتا ہے مگر ڈیٹا کو کم بھرپور طریقے سے بیان کرتا ہے۔ آپ کون سا شائع کریں گے؟
پروفائلز وضاحتی ہیں، سببی نہیں۔ اگر کوئی "Resistant Skeptics" پروفائل استعمال میں بلند آسانی مگر اپنانے کا کم ارادہ دکھائے، تو یہ کس بات کی تائید کرتا ہے، اور کس بات کی نہیں؟

تعارف

تعلیم میں AI کا زیادہ تر ثبوت متغیر پر مرکوز ہے: یہ اوسط تعلقات کا اندازہ لگاتا ہے، اور اوسط یکسانیت کا مفروضہ رکھتا ہے۔ شخص پر مرکوز طریقے اس کے بجائے شخص کو تجزیے کی اکائی بناتے ہیں اور پوچھتے ہیں کہ نمونے میں خصوصیات کی کتنی الگ الگ تشکیلات موجود ہیں۔ LPA اسی خاندان کا حصہ ہے، اور یہاں اس کا فائدہ یہ ہے کہ وہ طلبہ کے تنوع کو ایک بیان بازی کے دعوے سے ایک قابلِ پیمائش نتیجے میں بدل دیتا ہے: جب اخلاقی آگاہی کے پروفائلز آرام دہ نمونہ اوسط کے باوجود 26.1% سے 4.5% تک پھیلے ہوں، تو تفریق ایک ڈیزائن کی ترجیح رہنا چھوڑ دیتی ہے۔

یہ طریقہ کیا کرتا ہے، اور یہ کب درست آلہ ہے

LPA فرض کرتا ہے کہ نمونہ ذیلی گروپوں کے مرکب سے لیا گیا ہے، جن میں سے ہر ایک کے اشاروں پر اپنے اوسط اور تغیرات ہیں۔ محقق اشارے اور گروپوں کی تعداد مہیا کرتا ہے؛ الگورتھم ہر کیس کی رکنیت کا امکان اندازہ لگاتا ہے اور بلند ترین امکان کے مطابق تفویض کرتا ہے، اور ہر گروپ کے لیے اوسط پروفائل، ہر پروفائل کے لیے حجم اور یہ خلاصہ واپس کرتا ہے کہ کیس کتنے صاف طور پر الگ ہوتے ہیں۔ آپ خاندان کے کس رکن کو استعمال کریں گے، یہ اشاروں سے چلتا ہے، تحقیقی سوال سے نہیں:

LCA — قطعی اشارے۔ Becker اور ساتھیوں نے 1,189 فزکس طلبہ کے کھلے جوابات کے کوڈ شدہ جوابی زمروں کو اشارہ متغیرات میں بدلا اور دو کلاسز برقرار رکھیں: Pragmatic Users (70%) اور Skeptical Non-Users (30%)؛ چونکہ غیر ذکر شدہ موضوع "تائید نہیں" شمار ہوتا ہے، مصنفین تجزیے کے ڈیٹا فریم میں zero-inflation کی نشان دہی کرتے ہیں۔
LPA — مسلسل اشارے جیسے اسکیل اسکور اور تعمیراتی اوسط۔ Chen اور ساتھیوں نے 128 تائیوانی پری سروس اساتذہ کو پانچ TAM/UTAUT2 تعمیرات پر پروفائل کیا؛ Acquah اور ساتھیوں نے 509 گھانا کے انڈرگریجویٹس کو اخلاقی آگاہی کی تین جہتوں پر پروفائل کیا؛ Schweder اور ساتھیوں نے 2,464 طلبہ کو محرک ضرورت کی تسکین پر پروفائل کیا۔
لیٹنٹ (پروفائل) منتقلی تجزیہ خاندان کو وقت کے ساتھ بڑھاتا ہے، ہر لہر پر پروفائلز اور ان کے درمیان منتقل ہونے کے امکان کا اندازہ لگاتا ہے۔ Liang اور ساتھیوں نے 2,086 طلبہ کی AI سیکھنے کی محرکات ایک سال تک ٹریک کیں؛ Wu نے 457 جاپانی زبان کے طلبہ کو تین لہروں پر فالو کیا، اور maladaptive پروفائل 26.48 سے 17.74% تک سکڑ گیا۔

عام جھرمٹ بندی (k-means اور hierarchical) بھی یہی شخص پر مرکوز ارادہ رکھتی ہے مگر کیسز کو احتمال کے ماڈل کا اندازہ لگانے کے بجائے ہندسی فاصلے سے تقسیم کرتی ہے۔ LPA یا LCA کی طرف اس وقت جائیں جب سوال ذیلی گروپوں کے بارے میں ہو — کیا "طالب علم" آپ کے نمونے کی یکجائی کی سطح پر ایک خیالی تصور ہے، اور کیا ذیلی گروپ شکل کے ساتھ ساتھ سطح میں بھی مختلف ہیں۔ اس کی طرف اس وقت نہ جائیں جب آپ کو اوسط علاج کا اثر چاہیے: بے ترتیب تجربے کے اندر موافق ٹیوٹر کا پانچ پروفائل والا حل بعد از امتحان فرق کی پیش گوئی کرتا ہے (partial η² = .27) مگر شرط × پروفائل کا کوئی تعامل نہیں ملا (ps ≥ .198)۔

کارپس اسے کیسے استعمال کرتا ہے

تین استعمال بار بار آتے ہیں۔

اس کے لیے ڈیزائن کرنے سے پہلے متفاوتیت قائم کرنا۔ Kremen اور ساتھیوں کے 395 یوکرینی تعلیمی منتظمین کے سروے نے شخص پر مرکوز LCA استعمال کر کے دکھایا کہ "منتظم" ایک خیالی تصور ہے: چھ درجہ بندیاں Competency-constrained (25.6%، آمادہ مگر غیر ہنر مند) سے Barrier-free skeptics (بلند ترین تیاری مگر 74% AI پر عدم اعتماد) تک پھیلی ہیں، اور مصنفین انہیں متفاوت تربیت کے حکم کے طور پر پڑھتے ہیں۔
استحکام کی جانچ کے طور پر بین النظام ہم آہنگی۔ Fang اور Jin (2026) نے 49 تعلیمی نظاموں کے 40,680 اساتذہ سے چار عقیدے کے پروفائلز برقرار رکھے (Indifferent 6.13% سے Measured Endorsement 56.29%)، اور ہم آہنگی کا حوالہ بدلنے سے درجہ بندی کا اتفاق 99.62% پر رہا — جبکہ utility نے تمام 49 نظاموں میں پروفائلز کو یکساں ترتیب دی اور risk نے نہیں۔
وہ ذیلی گروپ بازیافت کرنا جو اجتماع چھپا دیتا ہے۔ Acquah اور ساتھیوں نے اخلاقی آگاہی کے پانچ پروفائلز Comprehensive Very High (26.1%) سے Low Ethical Awareness (4.5%، beneficence 2.06) تک برقرار رکھے، یہ پھیلاؤ نمونے کے ایک چوتھائی سے کچھ زیادہ سے ایک بیسویں سے کم تک جاتا ہے۔ Chen اور ساتھیوں نے پایا کہ Resistant Skeptics نے استعمال کی بلند ادراکی آسانی مگر بہت کم رویہ جاتی نیت رپورٹ کی — کارپس کا سب سے واضح مظاہرہ کہ آسانیِ استعمال اور نیت کا تضاد اوسط سطح کے ماڈل سے پوشیدہ رہتا ہے۔
سطح کے بجائے کیلیبریشن کی پروفائلنگ۔ استاد کی AI خواندگی کے مطالعے نے خود رپورٹ اور معروضی پیمانوں کے درمیان اتفاق پر LPA لاگو کیا، اور چھ پروفائلز حاصل کیے: بیش تخمینہ، کم تخمینہ، ہم آہنگی، اور ایک low/low گروپ جو ان اساتذہ میں مرکوز تھا جن کا سابقہ AI خواندگی تجربہ نہ تھا۔ یہاں پروفائلز آلات کے پار ایک نمونہ بیان کرتے ہیں، اسکور کی پٹی نہیں۔

پھر پروفائلز ایک آزاد متغیر کا کردار ادا کرتے ہیں: شعبے نے پری سروس اساتذہ میں رکنیت کی تشکیل کی (Cramér's V = 0.532، STEM طلبہ Technology Pioneers میں مرکوز)، اور رکنیت نے کارپس میں کہیں اور بعد کی خود اعتمادی، burnout اور AI بے چینی کی پیش گوئی کی۔

پروفائلز کی تعداد کا انتخاب

کوئی ایک شماریہ حل کا انتخاب نہیں کرتا؛ کارپس برقراری کو کئی معیاروں کے ساتھ مل کر کیے گئے فیصلے کے طور پر دیکھتا ہے۔

معلوماتی معیار (BIC، AIC)۔ کم عموماً بہتر ہے، مگر یک رخی کمی فاتح کے بجائے مسئلے کا اشارہ ہے۔ یوکرینی منتظم مطالعے میں BIC دو سے چھ کلاس کی حد میں یک رخی گرتا رہا بغیر کسی واضح کم سے کم کے، اور مصنفین اسی ثبوت پر اپنے چھ کلاس والے حل کو تلاشاتی کہتے ہیں۔
اینٹروپی۔ درجہ بندی کی یقین دہانی کا خلاصہ، 1 کے قریب ہونا زیادہ صاف تفویض کو ظاہر کرتا ہے۔ Chen اور ساتھیوں نے چار پروفائلز کے لیے 0.985 رپورٹ کیا؛ Acquah اور ساتھیوں نے پانچ پروفائلز کے لیے 0.816 بمقابلہ چار کے لیے 0.929 رپورٹ کیا، اور خود زیادہ مستحکم گروپ بندی کے لیے یکجا کرنے کی تجویز دی۔
تشریح پذیری اور پروفائل کا حجم۔ AI پر بھروسے کی پروفائلنگ کے مطالعے نے تین جھرمٹ رکھے اگرچہ Calinski–Harabasz اشاریہ دو کو ترجیح دیتا تھا، کیونکہ تین قابلِ تشریح تھے، اور یہ نوٹ کرتا ہے کہ 0.288 کا silhouette coefficient کمزور یا سرحدی علیحدگی کا اشارہ ہے۔ Chen اور ساتھیوں نے خبردار کیا کہ ان کا سب سے چھوٹا پروفائل (128 کیسز کا 14.06%) غیر مستحکم ہو سکتا ہے، اور گھانا مطالعے کے سب سے چھوٹے پروفائل میں صرف 23 طلبہ ہیں، جنہیں اس کے مصنفین یکجا کرنے کی تجویز دیتے ہیں۔
دوبارہ نمونے لینے کے تحت استحکام۔ Bootstrap استحکام اس بات کی ایماندار جانچ ہے کہ پروفائلز نئے نمونے میں دوبارہ آئیں گے: یوکرینی چھ کلاس والے حل کے لیے اوسط adjusted Rand index 0.385 تھا مگر AI پر بھروسے کے مطالعے میں 100 بے ترتیب آغازات میں 0.989 — وہی برائے نام ڈیزائن، بہت مختلف ثبوتی وزن۔
Bootstrap likelihood ratio tests (BLRT) اور Lo–Mendell–Rubin ٹیسٹ وسیع تر mixture-modeling لٹریچر میں BIC اور اینٹروپی کے معیاری ساتھی ہیں، مگر اس نالج بیس کے پروفائل مطالعات انہیں رپورٹ نہیں کرتے۔ جہاں صفحہ صرف BIC اور اینٹروپی رپورٹ کرے، وہاں کلاسوں کی تعداد کو عارضی سمجھیں۔
وہ likelihood-ratio جانچ جو یہ کارپس ورنہ چھوڑ دیتا ہے۔ Song et al. (2026) نے 379 بزنس طلبہ سے چار پروفائلز (اینٹروپی 0.824) برقرار رکھے اور Lo–Mendell–Rubin فیصلہ رپورٹ کیا: چار پر معنی خیز (p = 0.035) اور پانچ پر غیر معنی خیز (p = 0.376)۔
حریف حل اور likelihood-ratio ٹیسٹ کے ساتھ دفاعی برقراری۔ Suriá-Martínez et al. (2026) رپورٹ کرتے ہیں کہ چار پروفائل والا حل 102 طلبہ پر قدرے بہتر فٹ ہوا مگر معنی خیز طور پر بہتر نہیں ہوا اور سب سے چھوٹی کلاس 12.7% پر چھوڑ گیا، اس لیے وہ عددی طور پر بہتر فٹ ہونے والے ماڈل کے بجائے تین پروفائلز (اینٹروپی .89) برقرار رکھتے ہیں۔ ہارنے والے حل اور اسے نااہل کرنے والی چیز کی رپورٹنگ ہی برقرار رکھی گئی کلاسوں کی تعداد کو ایسا فیصلہ بناتی ہے جسے قارئین جانچ سکیں، اور مطالعے کے لیے مقصد کے طور پر بنایا گیا 12 آئٹم والا AI استعمال کا پیمانہ — جو 85 کے الگ نمونے پر تصدیق شدہ ہے جسے مصنفین ابتدائی کہتے ہیں — اس کے ثبوت کی دوسری حد نشان زد کرتا ہے۔

موازنے رپورٹ کریں، صرف فاتح نہیں: ایسا صفحہ جو "ہم نے پانچ پروفائلز برقرار رکھے" کہے بغیر حریف حل، اینٹروپی کی اقدار اور سب سے چھوٹے پروفائل کے حجم کے بغیر، قارئین کو انتخاب جانچنے کا کوئی طریقہ نہیں دیتا۔

نتائج پڑھنا اور رپورٹ کرنا، اور وہ کہاں غلط ہوتے ہیں

پروفائل کو اس کی سطح کے ساتھ ساتھ اس کی شکل سے بھی پڑھیں۔ گھانا مطالعے میں پروفائلز خودمختاری، beneficence اور انصاف کی تشکیل میں مختلف ہیں — سب سے بڑا خودمختاری کی مضبوط تائید کو کم beneficence کے ساتھ جوڑتا ہے — اس لیے دو پروفائلز مجموعی سطح میں قریب ہو سکتے ہیں اور پھر بھی مختلف تدریس کا مطالبہ کرتے ہیں۔

چار انتباہات، ہر ایک ماخذ صفحات میں بیان شدہ:

پروفائلز وضاحتی ہیں۔ وہ بتاتے ہیں کہ نمونے میں کون ہے، کیوں نہیں، اور کراس سیکشنل ڈیزائن استحکام یا حرکت نہیں دکھا سکتے (پری سروس استاد، گھانا اور فزکس کے مطالعات)۔ صرف طولانی تجزیے — ایک سال طویل منتقلی مطالعہ اور Wu کی تین لہریں — حرکت کے دعووں کی تائید کرتے ہیں، اور وہاں بھی حرکت اتحاد ہے، مداخلت کا اثر نہیں۔
رکنیت کا اندازہ لگایا جاتا ہے، مشاہدہ نہیں کیا جاتا۔ کیسز بلند ترین posterior احتمال سے تفویض ہوتے ہیں، اس لیے سرحد کے قریب افراد حقیقی غیر یقینی کے ساتھ درجہ بند ہوتے ہیں؛ کم اینٹروپی اور کمزور silhouette اقدار کا مطلب ہے کہ سرحدوں کو نرم سمجھا جائے۔
اشاروں کا انتخاب جواب کی تعریف کرتا ہے۔ پروفائلز مکمل طور پر ان متغیرات پر منحصر ہیں جو ماڈل میں داخل ہوں، اس لیے جو متفاوتیت مطالعہ کبھی ناپتا نہیں، وہ ایسی متفاوتیت ہے جو وہ ڈھونڈ نہیں سکتا — گھانا مطالعے نے پس منظر میں صرف صنف جمع کی اور اس لیے یہ نہیں کہہ سکتا کہ رکنیت کی پیش گوئی کیا کرتا ہے۔
پائی گئی متفاوتیت، پائی گئی سببیّت نہیں۔ ٹیوٹر تجربے کا پروفائل × شرط null اس کی یاد دہانی ہے: تجربے کے اندر کسی نتیجے کی پروفائلنگ علاج کی موڈریشن جانچ نہیں۔

تعلیم میں AI کے لیے مضمرات

مداخلت تجویز کرنے سے پہلے متفاوتیت ناپیں۔ اس کارپس کے پروفائلز بار بار نمونے کا ایک چوتھائی یا زیادہ حصہ سرخی والی اوسط سے نیچے رکھتے ہیں؛ اوسط کے بجائے موجود پروفائلز کے لیے ڈیزائن کریں۔
جب فراہمی تفریق ہو تو شخص پر مرکوز طریقوں کو ترجیح دیں۔ پری سروس استاد اور منتظم کے مطالعات دونوں اس تبدیلی کو اپنی طریقہ کارانہ شراکت کے طور پر پیش کرتے ہیں، کیونکہ اوسط پیش گو وہ تشکیلات ظاہر نہیں کر سکتے جو متفاوت مدد کا جواز بنتی ہیں۔
برقراری کا ثبوت مکمل رپورٹ کریں۔ BIC/AIC موازنے، اینٹروپی، پروفائل کے حجم اور استحکام کی جانچ شائع کریں، اور صاف کہیں جب کلاسوں کی تعداد تلاشاتی ہو۔
پروفائلز کو تشخیص سمجھیں، لیبل نہیں۔ پروفائل ایک تحقیقی تعمیر ہے جس کی سرحد کا اندازہ لگایا گیا ہے، اس لیے وہ ٹول جو افراد کو نامزد زمروں میں تفویض کرے، کسی بھی پیمائشی آلے کا انتباہ ساتھ رکھتا ہے — اور طالب علم گروپوں میں متفاوت اثرات کسی بھی ذیلی گروپ تجزیے کی طرح جانچ کے مستحق ہیں۔

عام غلط فہمیاں

"لیٹنٹ پروفائل تجزیہ ایسے گروپ دریافت کرتا ہے جو موجود ہیں۔" LPA طلبہ کے تنوع کو بیان بازی کے دعوے سے قابلِ پیمائش نتیجے میں بدلتا ہے، اور پروفائلز ایک تسلسل کا ماڈل ہیں جو منتخب سرحدوں پر تقسیم کیا گیا ہے، قدرتی اقسام نہیں۔ پروفائلز کی تعداد ایک تجزیاتی فیصلہ ہے۔
"لیٹنٹ متغیر خاندان کا کوئی بھی رکن ٹھیک ہے۔" آپ کون سا استعمال کریں گے یہ اشاروں سے چلتا ہے: قطعی اشاروں کے لیے LCA، مسلسل کے لیے LPA۔ پہلے طریقہ چننا اور بعد میں اشارے، نتیجے کو انتخاب کا مصنوعی اثر بنا دیتا ہے۔
"پروفائلز مطالعات کے پار قابلِ موازنہ ہیں۔" Chen اور ساتھیوں نے 128 تائیوانی پری سروس اساتذہ کو پانچ TAM/UTAUT2 تعمیرات پر پروفائل کیا، جبکہ Acquah اور ساتھیوں نے 509 گھانا انڈرگریجویٹس کو پروفائل کیا۔ مختلف آبادیوں میں مختلف اشارے قابلِ موازنہ پروفائل لیبل پیدا نہیں کرتے۔

منسلک تصورات

منسلک مضامین

Beyond Positive or Negative: Latent Profiles of University Students’ AI Attitude and Their Career-Development Correlates — 379 بزنس طلبہ میں چار AI رویہ پروفائلز کے لیے Lo–Mendell–Rubin برقراری کا ثبوت
Profiles and Transitions of Psychological Adaptation in AI-Assisted Japanese Language Learning — نفسیاتی موافقت کا تین لہروں والا لیٹنٹ پروفائل منتقلی تجزیہ
From disengaged to self-determined: a latent transition analysis of students' AI learning motivation — ایک سال میں تین محرک پروفائلز کا لیٹنٹ منتقلی تجزیہ
Psychological Profiles Associated with Trust in Artificial Intelligence Among University Students: A Machine Learning Clustering Approach — k-means پروفائلز؛ silhouette بمقابلہ Calinski–Harabasz اختلاف؛ ARI 0.989
Uncovering adoption personas for generative AI in higher education: a clustering-based segmentation approach — hierarchical اور k-means جھرمٹ بندی سے چار GenAI اپنانے والی شخصیات
Teachers’ AI Belief Profiles and Their Associations with AI Use, Pedagogical Applications, and Barriers: A Person-Centered Analysis of TALIS 2024 — 49 نظاموں کے 40,680 اساتذہ سے چار استاد AI عقیدہ پروفائلز، ہم آہنگی استحکام کے ساتھ

میٹا ڈیٹا

تحقیقی طریقے اور جائزہ	مقداری تحقیق, AIED میں تحقیقی طریقے

ذریعہ تاریخچہ ترمیم کریں گفتگو