لرننگ اینالیٹکس

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

لرننگ اینالیٹکس — طلبہ اور اُن کے سیاق کے بارے میں ڈیٹا کی پیمائش، جمع آوری، تجزیہ اور رپورٹنگ، جس کا مقصد سیکھنے کو سمجھنا اور بہتر بنانا ہے۔ AI نے لرننگ اینالیٹکس کو وضاحتی ڈیش بورڈز سے پیش گوئی اور ہدایتی نظاموں میں بدل دیا ہے۔

غور کرنے کے لیے سوالات

• بیشتر لوگ سمجھتے ہیں کہ زیادہ سیکھنے کا ڈیٹا جمع کرنا خود بخود تعلیم کو بہتر بنا دیتا ہے۔ یہ صفحہ دلیل دیتا ہے کہ اینالیٹکس تبھی معنی خیز بنتی ہیں جب وہ کسی مداخلت میں واپس جائیں — ورنہ وہ محض بیان یا نشان زد کرتی ہیں، سیکھنے کو بدلتی نہیں۔ آپ نے کہاں ایسا ڈیٹا جمع ہوتے دیکھا جو کبھی کسی عمل کا باعث نہ بنا؟
• فرض کریں کوئی ڈیش بورڈ بتاتا ہے کہ ایک طالب علم 'خطرے میں' ہے — یعنی ایک پیش گوئی۔ اِسے اُس رہنمائی سے کون سی چیز الگ کرتی ہے جو واقعی قابلِ عمل ہو اور جو استاد یا ادارہ حقیقت میں نافذ کر سکے؟ صفحہ بتاتا ہے کہ محض پیش گوئی کافی نہیں۔
• صفحہ نوٹ کرتا ہے کہ AI نے لرننگ اینالیٹکس کو یہ بتانے سے کہ کیا ہوا، یہ بتانے تک پہنچا دیا ہے کہ کیا ہوگا اور یہ ہدایت دینے تک کہ آگے کیا کرنا چاہیے۔ اِن تین نسلوں میں سے آپ نے کون سی تجربہ کی، اور باقیوں میں کیا کمی تھی؟
• ایک مطالعے میں، تین مختلف AI ماڈلز نے ایک ہی طالب علم ڈیٹا کے لیے یکسر مختلف معاونتی منصوبے پیدا کیے، اور اینالیٹکس کے اشاروں اور تجویز کردہ مدد کے درمیان روابط زیادہ تر کمزور تھے۔ یہ کسی AI کے مشورے کو بے تامل مان لینے کے بارے میں کیا بتاتا ہے؟
• لرننگ اینالیٹکس رازداری کے ایک تناؤ میں بیٹھی ہے: ڈیٹا جتنا باریک ہو، اُتنا ہی زیادہ افشا کرنے والا — اور مداخلت اُتنی ہی زیادہ طاقتور۔ آپ اپنے یا اپنے طلبہ کے بارے میں کیا جمع ہو، اِس پر حد کہاں کھینچیں گے، اور فیصلہ کس کا ہونا چاہیے؟

تعارف

AI سے بہتر بنائی گئی اینالیٹکس

• پیش گوئی اینالیٹکس: طالب علم کے تعامل کے ڈیٹا پر مشین لرننگ نتائج کی پیش گوئی کرتی ہے — خطرے میں طلبہ کی شناخت سے لے کر علمی کیفیت کے اندازے تک۔

• تصدیق اُتنی ہی اہم ہے جتنی پیش گوئی۔ Schuetze, Yan, اور Carvalho (2025) دکھاتے ہیں کہ پیش گوئی کرنے والے علمی کیفیت کے ماڈلز (BKT، BKT-with-Forgetting، AFM) مکمل سیشن کی تاریخ پر ماضی کی طرف فٹ کرنے پر درست لگتے ہیں، تاہم وقت پر مبنی کراس ویلیڈیشن کے تحت — یعنی پچھلے سیشنوں سے اگلے سیشن کی پیش گوئی، جیسے اینالیٹکس واقعی تعینات ہوتی ہیں — وہ طالب علم کی کارکردگی کا زیادہ اندازہ لگاتے ہیں، وقفے اور فراموشی کی حرکیات سے محروم رہتے ہیں، اور مشق کی شرطوں کی ترتیب غلط کر سکتے ہیں۔ اینالیٹکس کے لیے تنبیہ یہ ہے: ماضی کی طرف فٹ ہونا طول بلد ڈیٹا پر کمزور آگے کی پیش گوئی کی صداقت کو چھپا سکتا ہے، لہٰذا اشارے اور ڈیش بورڈ ماڈلز کی تصدیق واگ-فارورڈ کی جانی چاہیے۔

• اندازے کے پیچھے آئٹم اور خصوصیت کے نقشے کی تصدیق کریں۔ آئٹمز کو خصوصیات سے جوڑنے والا Q-matrix ایک مفروضہ ہے، ڈیٹا نہیں: 918 تجزیاتی سوچ کے آئٹمز میں سے 14 کے مسترد شدہ اندراجات، درست کیے جانے پر، ایک جھوٹے علمی کیفیت کے نمونے کو 14.2% سے 3.8% تک کم کر گئے — لہٰذا مہارت کی اینالیٹکس کو اپنی Q-matrix کا بھی جائزہ لینا چاہیے، صرف اپنی پیش گوئی کی فٹ تک نہیں (Feng & Huang, 2026)۔

• نصاب سے جڑی پیش گوئی اینالیٹکس: Pradeesh et al. (2026) Outcome-Based Education کے اندر علمی کیفیتیں LMS تعامل اور حصولیابی کے ڈیٹا سے براہِ راست کورس کے نتائج کا سراغ لگا کر اندازہ لگاتے ہیں، OBE تعلقیت کے نقشے (کورس اور پروگرام کے نتائج کے تعلقات) سے تصوراتی روابط کی ساخت بناتے ہیں اور میموری سے تقویت یافتہ نیٹ ورک سے نتائج کے مابین اثر کی ماڈلنگ کرتے ہیں — زندہ یونیورسٹی انجینئرنگ ڈیٹا پر 89.81% AUC حاصل کرتے اور DKT، DKVMN، EKT اور SimpleKT کو پیچھے چھوڑتے ہیں، جبکہ عمومی ASSISTments ڈیٹا پر صرف مسابقتی (برتر نہیں) رہتے ہیں۔

• عمل کے وقفے کے ساتھ قابلِ تفسیر ترقی کی پیش گوئی: Zhang, Jeffries & Koprinska (2025) بڑے پیمانے کے آن لائن پروگرامنگ کورسز میں مواد سے تعامل کے لاگ خصوصیات سے ماڈیول کی سطح پر طالب علم کی ترقی کی پیش گوئی کرتے ہیں، اور شیشے کے صندوق والے فیصلہ درخت استعمال کرتے ہیں جو بلیک باکس درستگی (85–91%) کے برابر ہیں اور ماڈیول کی آخری تاریخ سے 7–8 دن پہلے تک "No submission" یعنی دستبرداری کے نتائج نشان زد کرتے ہیں — یہ مداخلت کے لیے ایک صریح، حقیقی وقت کی کھڑکی ہے، محض خطرے کا ننگا جھنڈا نہیں، اور ساتھ ہی غیر مصروف مگر خطرے میں، غیر مصروف مگر کامیاب، اور مصروف اعلیٰ کارکردگی والے پروفائلز کی تلاشی قسم بندی بھی۔

• منظوری شمولیت کے نمونے کی پیش گوئی نہیں کرتی۔ GAI کی معاونت والے پروگرامنگ کورس میں طالب علم کی طرف کے اینالیٹکس ٹول سے ملنے والے ٹریس ڈیٹا نے 27 طلبہ کو Deep، Self-Oriented اور Peer-Oriented Explorers کے علاوہ آخری مرحلے کے Limited Explorers پروفائل میں تقسیم کیا، تاہم اِن پروفائلز میں اسسٹنٹ کے بارے میں سازگار ادراک نمایاں طور پر مختلف نہ تھا (Sun et al. (2026))۔

• اداروں کے پار فیڈریٹڈ، قابلِ وضاحت خطرے کی ماڈلنگ (2026)۔ Villegas-Ch et al. (2026) خطرے کی ماڈلنگ کو ایک ہی ادارے کی پیش گوئی سے آگے بڑھاتے ہیں اور فیڈریٹڈ لرننگ کے ذریعے نقلی اداروں میں کثیر الوظیفہ (کارکردگی + دستبرداری) ماڈل تربیت دیتے ہیں، تاکہ خام طالب علم ڈیٹا کبھی کسی ادارے سے باہر نہ جائے۔ کنٹرول شدہ ناہمیتی (لیبل کا جھکاؤ، کلاسوں کا عدم توازن، وقتی بہاؤ، ساختی گمشدگی) کے تحت ماڈل درجہ بندی کی درستگی (OULAD AUC 0.918) اور ساختی طور پر مستحکم فیچر اہمیت کی درجہ بندی برقرار رکھتا ہے، تاہم احتمالی کیلیبریشن بہک جاتی ہے — یعنی درجہ بندی کی کارکردگی کو احتمال کے اعتبار سے الگ کر دیتا ہے۔ ابتدائی انتباہی نظاموں کے لیے یہ تنبیہ ہے کہ حد پر مبنی مداخلتوں کو فی ادارہ کیلیبریشن درکار ہو سکتی ہے، اور یہ دلیل بھی کہ اینالیٹکس کا جائزہ بیک وقت امتیاز، کیلیبریشن، مضبوطی اور وضاحت پذیری پر ہونا چاہیے۔

• مصنوعی ڈیٹا کی تصدیق رازداری کے تحفظ والی اینالیٹکس کی پیشگی شرط ہے۔ چار سالانہ مطالعہ عادات کے گروہوں (اٹھارہ ہفتوں میں 117-120 طلبہ) کے مصنوعی نسخوں پر ساختی جانچ نے پایا کہ تقسیم کے وصف چار میں سے دو گروہوں میں قریب قریب متفق تھے جبکہ ہفتہ بہ ہفتہ تغیر بلا استثنا 2.6 سے 4.9 گنا کم رہا (تغیر کا گتانک 0.086-0.152 بمقابلہ اصل گروہوں کے 0.399-0.539)، اور مصنوعی پائلٹ ڈیٹا پر پہنچے گئے نتائج میں سے صرف 36% پچیس تصدیقی درخواستوں میں اصل ڈیٹا پر تصدیق ہوئے (Inoue & Yasutake (2026))۔

• شمولیت کی اینالیٹکس: شمولیت کی پیمائش اور شدت کی ماڈلنگ یہ مقدار ناپتی ہیں کہ طلبہ AI نظاموں کے ساتھ کیسے تعامل کرتے ہیں۔

• تکمیل کی شرحیں شمولیت کے انہدام کو چھپا سکتی ہیں۔ ایک گروہی بے ترتیب یونیورسٹی آزمائش میں، کورس میں ضم شدہ AI ٹیوٹر نے ہوم ورک جمع کرانا تو ویسا ہی رکھا مگر پلیٹ فارم پر شرکت تیزی سے گری — صفحے کے نظارے 0.37 معیاری انحراف، فعال دن 0.51 — لہٰذا اہم اینالیٹکس اشارہ وہ سرگرمی تھی جسے ٹول نے ہٹایا، نہ کہ تکمیل کا وہ پیمانہ جو برابر رہا (Liu et al. (2026))۔

• فیڈبیک اینالیٹکس: فیڈبیک کی درجہ بندی اور معیار کا جائزہ طلبہ کو ملنے والی فیڈبیک کا تجزیہ کرتے ہیں۔

• نیٹ ورک تجزیہ: ہم وقوع نیٹ ورک تجزیہ اور علمی نیٹ ورک تجزیہ تعامل کے نمونے سامنے لاتے ہیں۔

• رازداری کے تناؤ: رازداری کے خدشات بڑھتے جاتے ہیں جیسے جیسے اینالیٹکس زیادہ باریک اور AI سے چلنے والی ہوتی ہے۔

• طالب علم ڈیٹا کے لیے گورننس جائزے کا فریم ورک۔ LEAGUE چھ ستون تجویز کرتا ہے — Lawfulness، Equity، Agency، Governance، Utility، اور Ethics by Design — اور FERPA اور GDPR کی تعمیل کو فرش مانتا ہے اور ماڈلز کے بہکنے پر مقررہ وقت پر دوبارہ جائزے کی سفارش کرتا ہے (Varadaraju & Vijayakumar (2026))۔

کورس کی ہم وقتی کو ماڈل کریں، صرف ترتیب کو نہیں۔ TRACE ایک سمسٹر کے ہر کورس کو یکساں مقامی انکوڈنگ دیتا ہے، اور کورسز اور درجات کی مشترکہ پیش گوئی نے درجے کی پیش گوئی کی غلطی کو 0.1339 MAE تک کم کر دیا — یعنی صرف درجات والے ٹرانسفارمر کے مقابل 46.4% کمی — دس سال کے ادارہ جاتی ڈیٹا پر (Savala (2026))۔

تعامل کا ڈیٹا ماڈلنگ کا مسئلہ بننے سے پہلے نمائندگی کا مسئلہ ہے۔ Taufer et al. (2026) ہر انسانی-AI تبادلے کو الگ تھلگ پرامپٹ کے بجائے ایک ساختہ ریکارڈ کے طور پر لیتے ہیں جس میں وہ کمپیوٹیشن ہوتی ہے جس نے درخواست کو جنم دیا، درخواست، جواب، صارف کی فیڈبیک اور اُس کے بعد کا اجرا۔ 35 طلبہ کی تعیناتی میں 140 طالب علم اور اسائنمنٹ کے جوڑوں میں، صرف تعامل کی تعداد کامیابی سے چلائے گئے سیلز کے ساتھ r = 0.12 پر متعلق تھی، اور وہی کال اُس کے گرد کی حالت کے مطابق غلطی کی بحالی، اگلا قدم، تصور کی جانچ یا تصدیق ہو سکتی تھی۔ رسائی رکھنے والے سینتیس جوڑوں میں کوئی تعامل ہی نہ ہوا، لہٰذا لاگ میں AI کے استعمال کی عدم موجودگی کو ضرورت کی عدم موجودگی نہیں پڑھا جا سکتا۔

لرننگ اینالیٹکس کا چکر

لرننگ اینالیٹکس کو روایتی طور پر ایک چکر کے طور پر دیکھا جاتا ہے جو طالب علم کی سرگرمی سے شروع ہوتا ہے، جو ڈیٹا پیدا کرتی ہے، جسے پیمانوں اور اشاروں میں پراسیس کیا جاتا ہے، جنہیں پھر مداخلتوں میں بدلا جاتا ہے — اور مداخلت واپس طالب علم کی سرگرمی میں جا کر لوپ بند کرتی ہے۔ مداخلت کا مرحلہ ہی اینالیٹکس کو محض نگرانی یا پیش گوئی سے الگ کرتا ہے: اُس کے بغیر اینالیٹکس بیان اور نشان زد کرتی ہے مگر سیکھنے کو کبھی نہیں بدلتی۔ یہی چکر اِس بات کو سمجھنے کا ترتیبی فریم ہے کہ AI ٹولز (ڈیش بورڈز، فیڈبیک جنریٹرز، ہدایتی سفارش کنندگان) پائپ لائن میں کہاں بیٹھتے ہیں اور کون سا مرحلہ خودکار کرتے ہیں۔

طالب علم کی طرف کا ڈیش بورڈ اُتنا ہی اچھا ہے جتنی اُس کی رسائی: ہانگ کانگ کے نویں جماعت کے تحریری مطالعے میں ایک پرامپٹ کلاسیفائر 0.757 کا macro F1 حاصل کر گیا، 46 طلبہ میں سے تقریباً ایک تہائی نے GenAI استعمال کے تین ڈیش بورڈز کھولے اور نقل اور سیکھنے پر مبنی پرامپٹنگ میں گروہی فرق قابلِ اعتماد نہ تھا (Fong et al. (2026))۔

کیفی ڈیٹا کی تعدد کی انکوڈنگ ایک داخلہ نقطہ ہے، فیصلہ نہیں: دس شرکاء کے مطالعے میں، بعض مدرسین نے تعدد کی انکوڈنگ کو اندر آنے کا کارآمد راستہ سمجھا جبکہ دیگر نے خبردار کیا کہ وہ نادر مگر نہایت اہم جوابات کو دھندلا دیتی ہیں، چنانچہ ڈیزائن ہر مجموعی منظر کو طالب علم کے اصل متن سے واپس جوڑے رکھتا ہے (Nguyen et al. (2026))۔

بیان سے مداخلت تک

• ثبوت کی بنیاد ابھی مداخلت کا ثبوت نہیں۔ طالب علم، شعبہ جاتی، تعلیم کار اور ادارہ جاتی سطحوں پر چار مطالعوں کی ترکیب کرتے ہوئے، Rienties, Divjak اور Law (2026) پاتے ہیں کہ میدان پر کراس سیکشنل، خود رپورٹ، مکالمے پر مبنی اور ماہر فیصلے والے ڈیزائن چھائے ہوئے ہیں، اور وہ مداخلتی تحقیق کا مطالبہ کرتے ہیں جو سببی میکانزم اور طویل مدتی، تقسیمی نتائج کی جانچ کرے۔

لرننگ اینالیٹکس علمی ذخیرے میں تین نسلوں سے گزری ہے: وضاحتی (کیا ہوا؟)، پیش گوئی (کیا ہوگا؟)، اور ہدایتی (ہمیں کیا کرنا چاہیے؟)۔ AI ہدایتی تہہ کو ممکن بناتا ہے — ایسی اینالیٹکس جو براہِ راست تدریسی مداخلتیں شروع کرے۔ ایک کلیدی سرحد قابلِ عملیت کا خلا ہے: SC2R (Le, Abel & Laforge 2026) دکھاتا ہے کہ محض پیش گوئی فیصلے کی معاونت کے لیے ناکافی ہے، اور یہ کہ متقابل حقیقتی چارہ تبھی عملی طور پر معنی خیز ہوتا ہے جب سفارشیں معنوی طور پر ممکن اور مشین سے جانچنے کے قابل ہوں — یعنی وقت، بجٹ، ناقابلِ تغیر اور دستیابی کی SHACL تصدیق سے محدود، محض ماڈل کے لحاظ سے درست نہیں۔ یہ میدان کو خطرے کے اسکور سے آگے اُن سفارشوں کی طرف لے جاتا ہے جو ادارے واقعی نافذ کر سکیں، اور انسانی نگرانی برقرار رہے۔

ہدایتی تہہ کا براہِ راست تجربی امتحان López-Pernas et al. (2026) سے آتا ہے، جنہوں نے تین LLMs سے 4,500 مصنوعی طالب علم ونیٹوں کے لیے معاونتی منصوبے تجویز کرنے کو کہا۔

اینالیٹکس کلاس روم تک کیسے پہنچتی ہے، اِس کا ایک تکمیلی، استاد مرکز امتحان Mejia-Domenzain et al. (2026) سے آتا ہے، جنہوں نے دو مخلوط سیاقوں میں اساتذہ تک ML سے اخذ شدہ خود ضابطگی والی سیکھنا پروفائلز پہنچانے کے لیے لرننگ اینالیٹکس ڈیش بورڈ (DashED) ڈیزائن کیا۔ اُن کے 100 اساتذہ والے مطالعے سے ظاہر ہوتا ہے کہ اینالیٹکس کی پیش کش بذاتِ خود عمل کی راہ میں رکاوٹ ہے: اساتذہ نے منظم طریقے سے سادہ، زیادہ روایتی چارٹس (بار پلاٹ، پائی چارٹ) کو ترجیح دی حتیٰ کہ زیادہ پیچیدہ ڈیزائن (مثلاً ہیٹ میپس) زیادہ بھرپور بصیرتیں دیتے تھے، اور زیادہ بصری خواندگی نے گہری، زیادہ تفصیلی تفسیر کی پیش گوئی کی (مثلاً زیادہ اساتذہ نے ٹائم سیریز ڈیٹا میں رجحانات شناخت کیے)۔ گروہی موازنے کے لیے اساتذہ نے پہلو بہ پہلو دکھانے کے بجائے اوپر تلے دکھانے اور واضح فرق کی انکوڈنگ کے بجائے مکمل معلومات والے پلاٹس کو ترجیح دی۔ اساتذہ نے جو اقدامات تجویز کیے وہ پلاٹ کی قسم کے بجائے پیش کردہ مواد اور اُن کی تدریس سطح سے تشکیل پائے تھے — یونیورسٹی کے اساتذہ نے ہفتہ وار ٹیسٹ اور کورس کی سطح پر انطباق کی حمایت کی، جبکہ پیشہ ورانہ اساتذہ نے براہِ راست، انفرادی کوچنگ تجویز کی — لہٰذا ہدایتی قدم اُتنا ہی اِس پر منحصر ہے کہ اینالیٹکس کو کیسے بصری شکل دی جاتی ہے، جتنا ماڈل پر۔ اُن کی دریافت تنبیہی ہے: LA اشاروں اور تجویز کردہ مدد کے درمیان ارتباط زیادہ تر کمزور تھے، مختلف ماڈلز کی سفارشیں ایک ہی طالب علم کے لیے یکسر مختلف تھیں، اور مدد اکثر اِس بات سے قطع نظر دی جاتی تھی کہ اُس کی سب سے زیادہ ضرورت کسے تھی۔ مصنفین یہ نتیجہ نکالتے ہیں کہ موجودہ LLMs بڑے پیمانے پر طالب علم کی معاونت کے لیے ہدایتی ماڈلز کے طور پر ابھی قابلِ اعتماد نہیں، جس سے یہ بات پختہ ہوتی ہے کہ ہدایتی قدم کو ابھی تصدیق، فائن ٹیوننگ اور انسانی نگرانی درکار ہے، آف دی شیلف آٹومیشن نہیں۔

اسکور کے بعد کا قدم — کسے مدد ملتی ہے، اور کیا وہ وہاں دی گئی جہاں ضرورت تھی — طالب علم کی معاونت اور کامیابی کا حصہ ہے، جو وہ آؤٹ ریچ، ریفرل اور تقسیم کا ثبوت رکھتی ہے جسے اِس صفحے کی ہدایتی تہہ کھلاتی ہے۔

ایک سالمیت کا نتیجہ بھی اُسی پیش گوئی تہہ میں داخل ہوتا ہے۔ Akçapınar (2026) پہلے آٹھ ہفتوں کے Moodle اور ویڈیو پلیئر ٹریس سے AI کی معاونت والی نقل کے خطرے کی پیش گوئی کرتا ہے، logistic regression سے 0.763 کا AUC حاصل کرتا ہے، اور دلیل دیتا ہے کہ اشارہ اِسی لیے قابلِ استعمال ہے کہ وہ امتحان کے دوران کے بجائے اُس سے پہلے آتا ہے۔ ایک تکمیلی لائن خود اینالیٹکس کی تفسیر کو نشانہ بناتی ہے۔ Marques et al. (2026) کا FACTRIA فریم ورک کسی اشارے کے پیچھے تعصب پیدا کرنے والے عوامل — پائپ لائن، ادارہ جاتی، کورس اور آبادیاتی — کو منظم کرتا ہے، اور غور و فکر پر ابھارنے والا چیٹ بوٹ ہر کیس میں 11 اسٹیک ہولڈرز کے تولے گئے ذیلی عوامل کو 1.41 سے 3.45 تک لے گیا (d = 2.15)، اور اُنہیں براہِ راست پڑھت سے مشروط پڑھت کی طرف منتقل کر دیا۔

طریقے اور نیٹ ورک تجزیہ

نیٹ ورک کے طریقے لرننگ اینالیٹکس کی بنیاد ہیں: ٹرانزیشن نیٹ ورک تجزیہ (TNA) طالب علم کے اعمال کی وقتی ترتیبوں کی ماڈلنگ کرتا ہے (مثلاً چیٹ بوٹ کے سہارے والی تحریر میں نظرثانی اور چیٹ کے لوپ)، اور علمی نیٹ ورک تجزیہ (ENA) یہ نقشہ بناتا ہے کہ کوڈز یا ساخت سرگرمی میں کیسے ہم وقوع ہوتے ہیں — دونوں مل کر سیکھنے کا عمل اور طالب علم کا AI سے تعامل سامنے لاتے ہیں، صرف اُس کی پیداوار نہیں۔(Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing)(Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing)

• خود رہنمائی والے رویے کا ترتیب + مارکوف چین تجزیہ۔ An, Hammock & Goel (2025) نے VERA میں 822 ماحولیاتی ماڈلز بنانے والے 315 آن لائن طلبہ کے کلک اسٹریمز پر سرگرمی کی ترتیب کا تجزیہ، درجہ بندی کی کلسٹرنگ اور مارکوف چین ماڈلز کو جوڑا، اور نو باریک، منتقلی پر مبنی رویے کے کلسٹرز کو تین وسیع نمونوں (Observation، Construction، Exploration) میں سمٹایا۔ اُن کا کام دکھاتا ہے کہ ترتیب کے تجزیے کو مارکوف چین ماڈلنگ کے ساتھ جوڑنا غیر ساختہ، خود رہنمائی والے کاموں میں معنی خیز رویہ سامنے لا سکتا ہے، حتیٰ کہ آبادیاتی یا سیاقی ڈیٹا کی مکمل عدم موجودگی میں بھی۔

• LA اور GenAI سیکھنے کے ڈیزائن کو مختلف طریقے سے تشکیل دیتے ہیں (2026)۔ Claassen et al. (2026) نے 11 مدرسین کے فوکس گروپس پر ENA استعمال کیا تاکہ موازنہ کیا جا سکے کہ لرننگ اینالیٹکس اور جنریٹو AI سیکھنے کا ڈیزائن کے فیصلے کیسے متاثر کرتے ہیں۔ LA کی گفتگو سیاقی معلومات، کورس کی سطح کے ڈیزائن اور تخلیقی مسئلہ حل کرنے کے گرد گھومتی رہی (شمولیت کی تشخیص اور معاونت کو نشانہ بنانے کے لیے LA)، جبکہ GenAI کی گفتگو جانچ کے ڈیزائن اور طالب علم کی خود تعین کے لیے ڈیزائن کے گرد گھومتی رہی (خیالات اور جانچ کی تیاری کے لیے GenAI)۔ سیاق اور تخلیقیت دونوں میں مرکزی رہے — یہ یاد دہانی کہ اینالیٹکس ڈیزائن کو صرف تدریسی سیاق اور مدرس کی خودمختاری کے اندر ہی معلومات دیتی ہے۔

• جب ساخت سماجی ہو تو گفتگو فیوژن سے بہتر ہے، اور بہترین ماخذ فی ساخت الگ ہے۔ طریقوں کو زیادہ سے زیادہ کرنے کے بجائے، مشترکہ ماڈلنگ کے حصوں پر پانچ فیچر ترتیبوں کا LAK26 موازنہ پایا کہ صرف متن والی ایمبیڈنگز مجموعی طور پر سب سے مضبوط تھیں (mean ROC AUC 0.650، 95% CI 0.615 سے 0.685) بمقابلہ متن اور لاگز (0.613) اور سیاقی کھڑکی کے ساتھ متن اور لاگز (0.623)۔ لاگز نے اکیلے 0.526 ناپا، جو سماجی ساخت کے لیے قریب قریب اتفاقِ رائے ہے، تاہم وہی واحد ماخذ تھے جنہوں نے غور و فکر کی شناخت بہتر کی (0.5862)، جبکہ منصوبہ بندی ارد گرد کی گفتگو پر منحصر تھی، ماحول کے نشانات پر نہیں۔ فیچر کا انتخاب ساخت کے بارے میں ایک دعویٰ ہے، بجٹ کا فیصلہ نہیں (Zhang et al., 2026)۔

• رویے کے نشانات علمی حالت کے پیمانے نہیں — خصوصاً خاص ضروریات والے طلبہ کے لیے۔ Vasileiou et al. (2026) خبردار کرتے ہیں کہ تعامل کے نشانات (کام پر وقت، بار بار غلطیاں، مدد طلب کرنا، بے قاعدہ ترقی) اساتذہ کی یہ جاننے میں مدد کر سکتے ہیں کہ طالب علم کو کہاں معاونت درکار ہے، مگر اندرونی حالتوں کے شفاف پیمانے نہیں: سست جواب دہی محتاط سوچ، زبان کی پراسیسنگ، تشتت، ناقابلِ رسائی ڈیزائن یا تکنیکی دشواری کی عکاسی ہو سکتی ہے۔ "الگورتھمز کو صرف رویے کے ڈیٹا سے ایگزیکٹو کمی یا تشخیصی حیثیت کا اندازہ نہیں لگانا چاہیے" — اینالیٹکس پیشہ ورانہ جانچ اور طالب علم سے مکالمے کے اندر معلومات کے ایک ماخذ کے طور پر جائز ہیں۔

• ڈیزائن اینالیٹکس: نشانات کے بجائے منصوبہ بند سرگرمی کی ترتیبوں کی کان کنی (2026)۔ Divjak, Svetec اور Horvat (2026) نے ایک کھلے لرننگ ڈیزائن ٹول میں منصوبہ بند 554 کورسز کی 29,064 تدریسی اور سیکھنے کی سرگرمیوں کی ڈیزائن شدہ ترتیب پر مارکوف چینز اور ترتیبی نمونوں کی کان کنی لاگو کی۔ منتقلی میٹرکس Assessment سے Discussion پر عروج پر تھی (0.332)، خود منتقلیاں Practice (0.317) اور Acquisition (0.292) پر غالب رہیں، اور سب سے مضبوط متواتر قاعدہ Acquisition سے Assessment سے Practice سے Practice تھا (confidence 0.743، lift 1.449)، جبکہ سب سے زیادہ تعدد والا چار قدمی راستہ Acquisition، Practice، Practice، Assessment تھا (120 وقوع)۔ Discussion اور Assessment سب سے زیادہ قابلِ رسائی اقسام تھیں اور Production سب سے دور اور بکھری ہوئی۔ یہ مطالعہ یاد دہانی ہے کہ لرنگ اینالیٹکس کا آغاز LMS نشانات سے ضروری نہیں: ڈیزائن کے وقت کا ڈیٹا کسی کورس کی تدریسی گرامر کسی طالب علم کے آنے سے پہلے ہی سامنے لا سکتا ہے، تاہم مصنفین زور دیتے ہیں کہ الٹے، استفساری یا پراجیکٹ پر مبنی ڈیزائنوں سے مشابہت ارادے کا ثبوت نہیں۔

• خود وضاحت کرنے والے ڈسٹلڈ LLMs (2026): ایک دو مرحلوں والا پائپ لائن بلیک باکس لرننگ اینالیٹکس ایسٹیمیٹر اور اُس کی بعد از وقت تفسیر کو ایک چھوٹے، کھلے وزن والے بڑے لینگویج ماڈلز (LLMs) میں ڈسٹل کرتا ہے جو انفرادی سطح کا اندازہ اور قدرتی زبان کی وضاحت، دونوں واپس کرتا ہے۔ وفاداری کو مقدم رکھنے والا آڈٹ جانچتا ہے کہ بیانیے اُن انتسابات سے میل کھاتے ہیں جنہیں وہ بیان کرتے ہیں؛ نقلی آزمائش oracle mentor کے ساتھ تقریباً بے نقصان بحالی (r > .90) دکھاتی ہے، جو اینالیٹکس کے لیے زیادہ شفاف، قابلِ تعینات راستہ پیش کرتی ہے (Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics)۔

• LA پر مبنی تعلیمی مداخلتوں کے مُمکِّنات (2026)۔ Svetec, Divjak & Kadoić (2026) Delphi + AHP + SNAP کے ذریعے قابلِ اعتماد LA پر مبنی تعلیمی مداخلتوں کے سات مُمکِّنات کی شناخت اور ترجیح ترتیب کرتے ہیں: ادارہ جاتی اسٹریٹجک رجحان، تدریسی اور دیگر تحقیقی بنیادیں، دستیاب وسائل، تدریسی معاونت، اخلاقیات اور ڈیٹا گورننس، اسٹیک ہولڈرز کی شمولیت، اور معیار کی یقین دہانی۔ ادارہ جاتی اسٹریٹجک رجحان سب سے اوپر رہا (اور دیگر مُمکِّنات پر سب سے زیادہ اثر انداز)، دستیاب وسائل دوسرے نمبر پر۔ قابلِ اعتمادی (اخلاقی تعمیل، شفاف اور غیر جانبدار الگورتھم، تدریسی صداقت) کو وہ پیشگی شرط قرار دیا گیا جس کے بغیر LA پر مبنی مداخلتیں معنی خیز نہیں۔

• LLM تعامل کی گہرائی کام کے معیار کی پیش گوئی کرتی ہے مگر یاد آوری کی نہیں (2026)۔ Tsiligkiris (2026) باری باری سطح کے LLM مکالماتی ٹیلی میٹری (Depth/Volume/Pacing) کو سیکھنے کے نتائج سے جوڑتا ہے: وضاحت طلب "گہرائی" نے آزادانہ نشان زدہ کام کے معیار کی پیش گوئی کی (β = 6.27) مگر فوری یاد آوری کی نہیں — یعنی تفصیل سے چلنے والی فہم اور بازیابی سے چلنے والے استحکام کے درمیان تفریق، جو بڑے لینگویج ماڈلز (LLMs) کے تعامل کو LA میں کیسے ناپا اور جانچا جائے، اِس پر مضمرات رکھتی ہے۔

• ایک مشترک تعاملاتی اکائی غائب ہے۔ 33 مطالعوں کی 46 قسم بندیوں میں کوئی مشترک میٹا خصوصیت نہیں — ملتے جلتے لیبل مختلف مظاہر کے نام ہیں — چنانچہ جائزہ تعامل کے واقعے کو، یعنی مقصد پر مبنی محدود تبادلے کو، مکالمے کو مہارت کے حصول سے متعلق کرنے کی اکائی تجویز کرتا ہے (Borchers, Jansen & Weidlich (2026))۔

• لرننگ اینالیٹکس کے لیے مشترکہ مکالمے کی نقل۔ Fang (2026) باریک فائن ٹیونڈ شریک مخصوص LLM ایجنٹس سے مشترکہ مسئلہ حل کرنے کے مکالمے دوبارہ پیدا کرتا ہے، اور اِن کی تصدیق Epistemic Network Analysis سے کرتا ہے (ENA فاصلہ 0.17، permutation p = 0.65)۔ یہ طریقہ لرننگ اینالیٹکس کے محققین کو تعامل کی حرکیات، باری لینے اور موضوعاتی کوڈ کے سفر کے مطالعے کے لیے اصلی مشترکہ مکالمہ پیدا کرنے کا قابلِ توسیع راستہ دیتا ہے، بغیر نیا انسانی ڈیٹا جمع کیے۔

• کھلا، دوبارہ پیدا ہونے والا ڈیٹا اور ٹریس کے لیے تیار اینالیٹکس۔ ASTRA ایک مصنوعی بینچ مارک جاری کرتا ہے جس کی اسکیما ٹریس کے لیے تیار ہے (N=540؛ 360 سیشنز؛ 1,440 واقعات) تاکہ مشترکہ پروگرامنگ میں تعامل اور شرکت کے توازن کا تجزیہ ہو سکے۔ اِس ادب میں لاگ اور ٹریس ڈیٹا خود رپورٹ کا فطری متوازن ہے: ایک ہی ساخت اکثر دو بار ناپی جاتی ہے، ایک بار پوچھ کر اور ایک بار مشاہدہ کر کے، اور دونوں ہمیشہ متفق نہیں ہوتے۔ الگ سے، SHAP تجزیے والے ایک تلاشی ML فریم ورک نے یونیورسٹی طلبہ میں ChatGPT کے ارادے والے تعلیمی استعمال سے سب سے زیادہ جڑے سیکھنے سے متعلق ساختوں کی شناخت کی، اور وضاحت پذیری کو ترجیح دی (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education)۔

• دوبارہ استعمال کے قابل اینالیٹکس انفراسٹرکچر، جس کی تصدیق صرف اندر ہی ہوئی (2026)۔ Bai et al. (2026) نے تین Georgia Tech AI اسسٹنٹس کے شائع شدہ نتائج کو کوڈ کے بجائے کنفیگریشن کی قدریں بدل کر دوبارہ پیدا کیا، تاہم یہ دعویٰ موجودہ یک ادارہ جاتی ڈیٹا سیٹس کے دوبارہ تجزیے پر ٹکا ہے اور ایک ہی صلاحیت کی توسیع اندر والوں نے کی۔

روابط

لرننگ اینالیٹکس نالج ٹریسنگ (بنیادی تجزیہ)، تشکیلی جانچ (اینالیٹکس سے چلنے والی جانچ)، طالب علم کی ماڈلنگ اور انطباقی تدریس (وہ طالب علم نمائندگی جسے اینالیٹکس بھرتی ہے)، رازداری (اخلاقی پابندی)، اور ایج ٹیک پلیٹ فارم (جہاں اینالیٹکس تعینات ہوتی ہے) سے جڑتی ہے۔ چونکہ ہدایتی اینالیٹکس کا جائزہ تیزی سے نقلی طلبہ پر ہوتا ہے — جہاں کنٹرول شدہ آزمائشوں میں مصنوعی طالب علم گروہ اصل گروہوں کی جگہ لیتے ہیں — لرننگ اینالیٹکس طالب علم کی نقلی تشکیل سے بھی جڑتی ہے۔

• ڈیش بورڈز کیا نظر آتا ہے، یہی طے کرتا ہے کہ اساتذہ کس پر عمل کریں۔ Köroğlu et al. (2026) نے 27 تجربی مطالعوں (2016–2025) کا جائزہ لیا اور AI کی معاونت والے لیکچرر فیصلہ سازی کی سماجی-تکنیکی قسم بندی آٹھ فیصلہ اقسام میں بنائی: تدریسی، نصابی، جانچی، فیڈبیک، سیکھنے کے ماحول، جذباتی، انتظامی اور اخلاقی۔ لرننگ اینالیٹکس ڈیش بورڈز سب سے زیادہ رپورٹ شدہ نظام تھے، اور کوڈنگ دکھاتی ہے کہ معاونت تدریسی، فیڈبیک اور جانچی فیصلوں پر مرکوز تھی جنہیں رویے کا متن اور لاگ ڈیٹا معلومات دے سکتا ہے، جبکہ جذباتی، اخلاقی، نصابی اور سیکھنے کے ماحول کے فیصلوں کو شاذ و نادر ہی معاونت ملی۔ مصنفین اِسے صلاحیت کی حد کے بجائے توجہ کا اثر پڑھتے ہیں: چونکہ نظاموں نے طلبہ کے رویے کا ڈیٹا نظر آنے اور قابلِ عمل بنایا، محرک، میٹا کوگنیشن، جذبات اور ماحول کے امور اُس دائرے سے باہر رہ گئے جس پر ڈیٹا لیکچررز کو غور کرنے کی دعوت دیتا تھا۔

• AI تجزیوں کو کلاس روم کی گفتگو میں بدلنا بذاتِ خود استاد کی مہارت ہے۔ چار ثانوی ریاضی کے اسباق میں، ایک استاد کی 47 پوری کلاس کی ترتیبوں نے ڈیش بورڈ کے آؤٹ پٹ کو طلبہ کے دلائل کو چن کر اور ترتیب دے کر اجتماعی استدلال میں بدلا، اور مطالعہ چار بار بار آنے والی اقسام کے نام دیتا ہے (Lee, Park اور Lee (2026))۔

• وہ اینالیٹکس جو استاد کا بوجھ ہلکا کرے، ایسی اینالیٹکس نہیں جو طالب علم کا بوجھ ہلکا کرے۔ مجسم سیکھنے میں AI کے 23 مطالعوں کے جائزے میں، 40 کردار ٹیگز میں سے 62.5% حسی کردار تھے جو کسی حرکت، سفر یا آرٹیفیکٹ کا اندازہ لگاتے ہیں — وہ کام جو ورنہ استاد کے حصے میں آتا — اور مصنفین خبردار کرتے ہیں کہ استاد کے بوجھ میں کمی کو طالب علم کے بوجھ میں کمی نہیں پڑھا جانا چاہیے۔ اُن کی وجہ اِس بات پر ایک حد ہے کہ اِس قسم کی کوڈنگ کیا دکھا سکتی ہے: کسی نظام کا فعل ریکارڈ کرنا اُس کے طالب علم پر اثر کے بارے میں کچھ نہیں بتاتا، لہٰذا کرداروں کی تعدد یہ طے نہیں کر سکتی کہ نظام نے علمی بوجھ اتارا یا گہرا کیا (Kim اور Han (2026))۔

عمل کی سطح کی پیمائش وضاحتی تہہ کا اگلا نچلا قدم ہے۔ Prol et al. (2026) نے اوپن سورس Parsons-problem پلیٹ فارم کو بڑھایا تاکہ ہر بلاک کی جگہ، ہٹانے اور جمع کرانے کو زمانی ٹریس کے طور پر ریکارڈ کرے، ہر جمع کرانے کو فی بلاک درستگی کی رنگت اور کوششوں کی تاریخ کے ساتھ جوڑے، اور اختیاری طور پر ٹریس کو بڑے لینگویج ماڈلز (LLMs) پائپ لائن سے گزارے جو بار بار آنے والے دشواری کے نمونوں کو مدرس کے جائزے کے لیے نشان زد کرے۔ اعلیٰ درجے کے Java سافٹ ویئر ڈیزائن کورس کے 68 طلبہ اور ابتدائی Python کورس کے 36 طلبہ میں تجزیے نے وہی تین دشواریاں سامنے لائیں — غلط استثنا کی قسم چننا، throw کی جگہ return لگانا، اور کنٹرول فلو کی غلط ترتیب — جنہیں درستگی اور کوششوں کی گنتی سامنے نہیں لا سکتی، کیونکہ وہ یہ بتاتی ہیں کہ ترتیب درست تھی یا نہیں، نہ کہ عمل کیا تھا۔ AI مدرس کے لیے مترجم کا کردار ادا کرتا ہے، طالب علم کا اسکورر نہیں، اور اُس کا آؤٹ پٹ درجے کے بجائے کلاس کی دشواریوں کے بارے میں جائزہ لینے کے قابل مفروضے کے طور پر پیش کیا جاتا ہے۔

• سیکھنے کے نظام کی دیوار: لاگ ڈیٹا پلیٹ فارمز کے پار عام نہیں ہوتا۔ MATHia، i-Ready اور IXL حتیٰ کہ بنیادی ساختیں — "کوشش"، "اشارہ" — بھی مختلف طریقے سے متعین کرتے ہیں، چنانچہ ماڈلز اِن کے درمیان منتقل نہیں ہو سکتے۔ زیرِ تکمیل حل مسئلے کو ویڈیو کی طرف سے حل کرتا ہے: ایک Gemini پائپ لائن ٹیوٹرنگ کی اسکرین ریکارڈنگز کو ایک ہی اسکرین پلے ٹرانسکرپٹ میں سمٹاتی ہے جو اصل MATHia لاگز سے بطور بنیادی حقیقت منسلک ہو۔ ویڈیو وہ کچھ بازیافت کرتی ہے جو کوئی اکیلی سٹریم نہیں کرتی: وائٹ بورڈ سہارا، بیرونی ٹولز میں خاموش کیلکولیٹر کا کام، اور اسکرین سے باہر کا سیاق جسے اصل لاگز "بے عملی" تک محدود کر دیتے ہیں۔ کھلے چیلنجز ابھی زمانی لنگراندازی، گھڑی کے بہاؤ اور پلیٹ فارم کے واقعات کو دیگر سیکھنے کے عمل سے الگ کرنے میں باقی ہیں۔ (Towards breaking the learning system wall using multimodal tutoring transcriptions)
• تعامل کے لاگ ایک مستقل بنیادی خط سے ہار سکتے ہیں۔ 16,851 LLM ٹیوٹر تبادلوں کی سمسٹر سطح کی خصوصیات اسائنمنٹ اسکور کے میڈین پیش گو کو صرف 0.114 پوائنٹ سے پیچھے چھوڑ سکیں، یعنی ایسا وقفہ جو صفر کو کاٹتا ہے، اور غلطی کا 62.1% سب سے نچلے چوتھائی حصے میں تھا (Dong et al. (2026))۔

عام غلط فہمیاں

• "علمی کیفیت کا اندازہ اپنی صداقت ڈیٹا سے ورثے میں پاتا ہے۔" آئٹمز کو خصوصیات سے جوڑنے والا Q-matrix ایک مفروضہ ہے، ڈیٹا نہیں: 918 تجزیہ شدہ آئٹمز میں سے 14 کے مسترد شدہ اندراجات کا مطلب ہے کہ خود نقشے کو فیصلہ درکار تھا۔ نقشے کی تصدیق ایک مرحلہ ہے، رسم نہیں۔
• LLMs کلک اسٹریمز کو نامزد سیکھنے کی حکمت عملیوں کے مقابل پڑھتے ہیں۔ Radmehr et al. (2026) ایک LLM پائپ لائن ترتیب دیتے ہیں جو طالب علم کے ٹریس میں کسی حکمت عملی کا ثبوت ڈھونڈتی ہے، اُس کی پاسداری کا فیصلہ کرتی ہے، اور فیصلے کے پیچھے کے اعمال کا حوالہ دیتی ہے، اور زیادہ مشکل نقلی آزمائش میں 0.735 مجموعی معیار حاصل کرتی ہے بمقابلہ 0.704 سادہ بنیادی خط کے۔
• "اینالیٹکس کو کلک اسٹریم ٹریس درکار ہوتے ہیں۔" Outcome-Based Education کے اندر علمی کیفیتیں LMS تعامل اور حصولیابی کے ڈیٹا سے براہِ راست کورس کے نتائج کا سراغ لگا کر اندازہ لگائی جا سکتی ہیں، OBE تعلقیت کے نقشے کے ذریعے — اشارہ ادارہ جاتی ریکارڈ فراہم کرتا ہے۔
• "عمل کے وقفے کے بغیر پیش گوئی مفید ہے۔" ترقی کی پیش گوئی اُس وقت سب سے زیادہ قابلِ استعمال ہوتی ہے جب وہ قابلِ تفسیر ہو اور عمل کے وقفے کے ساتھ جڑی ہو: Zhang, Jeffries اور Koprinska (2025) ماڈیول کی سطح کے نتائج کی پیش گوئی کرتے ہیں، جو ایسی شکل ہے جس پر مشیر عمل کر سکتا ہے، ننگے اسکور کے برعکس۔

منسلک تصورات

• قابلِ وضاحت AI
• نالج ٹریسنگ
• طالب علم کی ماڈلنگ اور انطباقی تدریس
• تشکیلی جانچ
• رازداری
• ایج ٹیک پلیٹ فارم
• طلبہ کی شمولیت
• تعلیم میں AI کی تشخیص
• فیڈبیک
• اعلیٰ تعلیم
• K-12
• بڑے لینگویج ماڈلز (LLMs)
• طلبہ کی سمولیشن
• خود رپورٹ پیمائشیں
• ری کامنڈر نظام اور سیکھنے کے راستے
• طلبہ کی معاونت اور کامیابی — وہ معاونتی پہلو جسے پیش گوئی کھلاتی ہے: ریفرل، تقسیم، اور وہ نتائج جنہیں یہ بدلتے ہیں یا نہیں

منسلک مضامین

• ClickSight: An LLM Framework for Interpreting Student Clickstreams Through Learning Strategies — ClickSight: ادب میں متعین سیکھنے کی حکمت عملیوں کے ذریعے کلک اسٹریمز کی تفسیر (Radmehr et al. 2026)

• Human-AI Interactions as First-Class Data: A Formal Interaction Model and Runtime for Explainable AI Collaboration — انسانی-AI تبادلے بطور ساختہ ریکارڈ: پرامپٹ کی گنتی میں پیش رفت کا تقریباً کوئی اشارہ نہیں

• Supporting mathematical argumentation in AI-integrated lessons: networking instrumental orchestration and teacher noticing — AI تجزیوں کو نوٹ کرنا اور اجتماعی استدلال میں ترتیب دینا (Lee, Park & Lee 2026)

• Responsible Institutional Analytics: Interpreting Bias with AI Support — ذمہ دار ادارہ جاتی اینالیٹکس: AI کی معاونت سے تعصب کی تفسیر

• AI-Supported Lecturer Decision-Making in Higher Education: A Socio-Technical Perspective — اعلیٰ تعلیم میں AI کی معاونت والی لیکچرر فیصلہ سازی

• Federated and Explainable Learning Analytics for Privacy-Preserving Academic Risk Modeling Across Heterogeneous Educational Institutions — رازداری کے تحفظ والی تعلیمی خطرے کی ماڈلنگ کے لیے فیڈریٹڈ اور قابلِ وضاحت لرننگ اینالیٹکس (Villegas-Ch et al. 2026)

• What Students Ask Matters: LLM Interaction Depth, Task Quality, and Immediate Recall in Higher Education — طلبہ کیا پوچھتے ہیں، یہ اہم ہے: LLM تعامل کی گہرائی، کام کا معیار اور فوری یاد آوری (Tsiligkiris 2026)

• From Learning Analytics to Educational Interventions: Enhancing Decision-Making and Learning Design — لرننگ اینالیٹکس سے تعلیمی مداخلتوں تک: قابلِ اعتماد LA پر مبنی مداخلتوں کے مُمکِّنات (Svetec, Divjak & Kadoić 2026)

• Understanding the Role of Learning Analytics and Generative Artificial Intelligence on Decision-Making and Learning Design Practice in Higher Education — سیکھنے کے ڈیزائن کے فیصلے میں LA اور GenAI

• Analysis and Prediction of At-Risk Students Using Machine Learning Algorithms

• Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction

• Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies

• A Durability and Cross-Language Transfer Benchmark for a Validated Teaching-Feedback Classification Protocol

• Through the WordStream Glass: Revisiting Quantitative Encoding for Qualitative Learning Analytics

• Jointly Predicting Courses and Grades Using a Transformer-Based Model (TRACE)

• Toward Convergence in Student-LLM Interactions: A Rapid Scoping Review and Taxonomy for Learning-Oriented Use

• From Student Risk Prediction to SC2R: Semantics-Constrained Counterfactual Recourse for Educational Decision Support — طالب علم کے خطرے کی پیش گوئی سے SC2R تک: متقابل حقیقتی چارہ

• Bayesian cognitive diagnosis optimizes personalized learning paths via mediation of cognitive load and Hidden Markov Model state transitions — ذاتی نوعیت کے سیکھنے کے راستوں کے لیے Bayesian علمی تشخیص

• Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics — لرننگ اینالیٹکس کے لیے خود وضاحت کرنے والا LM ڈسٹل کرنا

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

• Modelling Individual Participants as LLM Agents in Collaborative Problem Solving Simulations — باریک فائن ٹیونڈ شریک مخصوص LLM ایجنٹس جو مشترکہ مسئلہ حل کرنے کے مکالمے دوبارہ پیدا کرتے ہیں (Fang 2026)

• ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring — کثیر ایجنٹ ٹیوٹرنگ اور شرکت میں متوازن تعاون کے لیے ASTRA مصنوعی بینچ مارک

• An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education — اعلیٰ تعلیم میں مستقبل کے ChatGPT استعمال کے ML/SHAP عوامل

• Making machine learning findings accessible to teachers in blended classrooms — مخلوط کلاس رومز میں اساتذہ کے لیے ML نتائج کو قابلِ رسائی بنانا

• Outcome-based knowledge tracing with affinity mapping and memory augmented outcome impact — تعلقیت کے نقشے کے ساتھ نتیجے پر مبنی نالج ٹریسنگ

• How Online Learners Engage in Self-Directed Modeling: A Behavioral Analysis

• Capturing Session-to-Session Dynamics of Learning and Forgetting: Testing the Limits of Knowledge Tracing Models

• A Machine Learning Approach for Predicting Student Progress in Online Programming Education

• Learning paths and patterns in learning design: Insights from 500+ courses — 554 کورسز کی 29,064 منصوبہ بند سرگرمیوں کی مارکوف چین اور پیٹرن مائننگ، جو Acquisition کی قیادت اور Practice کے استحکام والی ڈیزائن گرامر سامنے لاتی ہے

• Pulla: A Parsons Problem Tool for Fine-Grained Behavioral Tracing and Instructor-Facing Problem-Solving Analysis — Pulla: Parsons مسائل میں عمل کی سطح کا رویہ ٹریس کرنا اور مدرس کے لیے دشواری کا تجزیہ (Prol et al. 2026)

• Generalizing a Highly Configurable Analytics Pipeline to Replicate and Support Educational Research Across Multiple Domains

• Beyond Compliance: A Proposed Framework for Ethical Governance of Student Data in Learning Analytics

• Using Learning Analytics to Support Secondary School Students' Writing with Generative AI — ثانوی اسکول کے طلبہ کی تخلیقی AI کے ساتھ تحریر کی معاونت کے لیے لرننگ اینالیٹکس کا استعمال

• "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech — "ہم بعد میں ٹھیک کر لیں گے": تعلیم، AI، اور ایڈٹیک میں طالب علم کی رازداری کی تاخیر

• What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data — وفاداری کے پیمانے کیا چھوڑ دیتے ہیں: مصنوعی تعلیمی ڈیٹا پر ایک ساختی جانچ

• Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics — Akçapınar (2026) — سمسٹر کے ابتدائی LMS نشانات سے AI کی معاونت والی نقل کے خطرے کی پیش گوئی (AUC 0.763)

• Towards breaking the learning system wall using multimodal tutoring transcriptions — کثیر الوضعی ٹیوٹرنگ ٹرانسکرپشنز کے ذریعے سیکھنے کے نظام کی دیوار توڑنے کی طرف (Thomas et al. 2026)

• The Effects of Course-Integrated AI Tutoring on Student Performance and Engagement: A Randomized University Trial — تکمیل کی شرحیں شمولیت کے انہدام کو چھپا سکتی ہیں

• Artificial Intelligence in Embodied Learning: A Systematic Literature Review — مجسم سیکھنے میں AI زیادہ تر مشاہدہ کرتا ہے: کوڈ شدہ کردار ٹیگز میں حسی کردار 62.5%، اور کسی جائزہ شدہ نظام نے کثیر الوضعی سٹریمز کو یکجا نہ کیا جبکہ طلبہ اُسے استعمال کر رہے تھے (Kim & Han 2026)