سیکھنے کے علوم

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

سیکھنے کے علوم — وہ بین الضابطہ تحقیقی میدان جو یہ مطالعہ کرتا ہے کہ لوگ کیسے سیکھتے ہیں اور ایسے ماحول کیسے ڈیزائن کیے جائیں جن میں سیکھنا واقع ہوتا ہے؛ یہ علمی نفسیات، نظریۂ سیکھنا، کمپیوٹر سائنس اور لسانیات سے مواد لیتا ہے اور اپنے ڈیزائنوں کو محض نظریے کے بجائے تجرباتی شواہد سے پرکھتا ہے۔ اِس علمی ذخیرے میں یہ تعلیم میں AI کے گرد تحقیق کا میدان ہے، اسکولی مضامین میں سے کوئی ایک نہیں: یہ وہ میکانزم فراہم کرتا ہے جنہیں AI نظام عملی جامہ پہناتے ہیں (علمی اجزا، مہارت کی حدیں، منتقلی)، وہ ڈیزائن اشیاء جن میں یہ میکانزم رکھے جاتے ہیں (منصوبہ بند کورس ترتیبیں، ٹیوٹرز، فیڈبیک کے نظام) اور وہ معیار جن سے اُن کا فیصلہ ہوتا ہے (سیکھنے میں اضافہ، جانچ کا اعتبار، مساوات)۔ اِس کا بنیادی سوال یہ نہیں کہ کوئی ٹول کتنا اچھا کام کرتا ہے، بلکہ یہ کہ کیا سیکھنے والے میں کوئی تبدیلی آئی۔

غور کرنے کے لیے سوالات

• ایک طالب علم مشق کے ہر آئٹم میں کامیاب ہو جاتا ہے، چنانچہ مہارت کی حد سیٹ ختم کر دیتی ہے — پھر وہ اُس موقع پر قاعدہ غلط لاگو کرتا ہے جہاں عمل روک لینا چاہیے تھا۔ یہ کس کی خطا ہے: طالب علم کی، ماڈل کی، یا رکنے کے قاعدے کی؟
• تسلسل کی کان کنی 554 کورسز کو نمونوں کے طور پر بیان کر سکتی ہے، بغیر کسی کلاس روم کا مشاہدہ کیے۔ ڈیزائن شدہ ارادوں کو برتے گئے عمل کے بجائے مطالعہ کر کے یہ میدان کیا حاصل کرتا ہے اور کیا کھو دیتا ہے؟
• کسی LLM کے فیڈبیک میں آبادیاتی حساسیت اُس وقت انطباق معلوم ہوتی ہے جب وہ سیکھنے والے کی بتائی ہوئی تعلیمی سطح کو جھلکائے، اور اُس وقت تعصب جب وہ اپنا لہجہ بدل دے۔ کیا ایسا میدان، جو اِن دونوں کو الگ نہیں کر سکتا، جانچ کے لیے کھلے سرے والے ماڈل استعمال کرتا رہے؟
• کیا سیکھنے کے علوم کی سببی ڈیزائن کے لیے بھوک — بے ترتیب تفویض، پِچھلی حالت کے آڈٹ، سیکھنے والے کے قابلِ اجرا ماڈل — اِس بات کو تنگ کر دیتی ہے کہ تعلیم میں AI میں شواہد کسے کہا جائے گا؟

تعارف

سیکھنے کے علوم سیکھنے اور سیکھنے کے ماحول کے ڈیزائن کا مطالعہ کرتے ہیں، اور اُن کی تعریف اُن کے موضوعات جتنی ہی اُن کے طریقوں سے ہوتی ہے: تجربات، کلاس روم کے آزمائشی مطالعات، طلبہ کے ڈیٹا کی مقداری ماڈلنگ، ڈیزائنوں اور سیاق و سباق کا کیفیاتی تجزیہ، اور ڈیزائن پر مبنی تحقیق جو کوئی مداخلت بنا کر اُسے استعمال کے دوران نظرثانی کرتی ہے۔ یہی وسعت اِس صفحے کو اُن ہمسایوں سے الگ کرتی ہے جو فریم ورک، عمل اور آلات فراہم کرتے ہیں؛ نیچے کا حصہ ہر حد، اور اُس حد کے پار میدان نے جو کچھ ثابت کیا ہے، دونوں بیان کرتا ہے۔

یہ صفحہ اُن ٹھوس علوم کا احاطہ کرتا ہے جو ایسے طریقوں نے پیدا کیے — سیکھنے والے تخلیقی ماڈل کے ساتھ کیا کرتے ہیں، کون سی ترتیبیں نتائج بدلتی ہیں، اور میدان کے اپنے آلات کہاں ناکام ہوتے ہیں۔ شعبوں میں AIEd اُلٹا زاویہ اختیار کرتا ہے، یعنی یہ کہ مضمون ہی بدل دیتا ہے کہ معاونت کو کیا کرنا چاہیے؛ سیکھنے کے علوم ہمہ گیر نقطۂ نظر لیتے ہیں، اور وہ میکانزم جنہیں وہ جانچتے ہیں علمی نفسیات کے تحت یکجا ہیں۔

سیکھنے کے علوم میں AI کیسے ظاہر ہوتا ہے

• پہلے میکانزم، پھر ماڈل۔ An, McLaren اور Stamper (2026) نے Riichi Mahjong کے لیے ذہین ٹیوٹرنگ نظاموں کے ساتھ گیارہ تجربات (N = 192) چلائے اور دکھایا کہ جن سیکھنے والوں نے ایک ضرورت سے زیادہ عمومیت یافتہ پروڈکشن مرتب کیا — یعنی عمل، مگر بغیر اُس کی اطلاقی قید کے — اُنہوں نے پہلے "عمل نہ کریں" آئٹم پر اُسے 61.5%–100% تک غلط لاگو کیا، جبکہ Bayesian knowledge tracing کے تحت متوقع خطا 12% تھی۔ 95% مہارت کی حد کے ساتھ نظام نے مشق تب روک دی جب طلبہ ایسے کیس تک پہنچے ہی نہ تھے جہاں عمل روکنا لازم ہوتا، چنانچہ نقص پکڑا ہی نہ گیا۔ "عمل نہ کریں" کی مختصر مشق، جس میں فیڈبیک غائب قید کا نام لیتا تھا، نے غلط اطلاق کو 0.0%–23.1% (Cohen's h 1.70–2.44) تک گھٹا دیا، اور تیرہ K-12 Decimal Point ڈیٹا سیٹوں کے ثانوی تجزیے میں بھی صحیح عدد کے تعصب (موازنے کی 84%–88% خطائیں) میں وہی ساخت ملی۔

• ایک اتفاق رائے ترتیب دیتا ہے کہ GenAI کہاں سیکھنے میں مدد دیتا ہے اور کہاں نقصان۔ 30 سیکھنے کے علوم کے ماہرین کے پہلے سے رجسٹرڈ Delphi نے 65 سیکھنے کے عملوں کو درجہ دیا اور 42 پر اتفاق کیا: GenAI ابتدائی حصول اور اعلیٰ درجے کی سوچ کو خطرے میں ڈالتا ہے مگر استحکام کو بڑھاتا ہے (Kendeou وغیرہ، 2026)۔

• خود ضابطگی والی شمولیت کو ایجنٹ کی قسم نے نہیں، فیڈبیک کے انداز نے حرکت دی۔ 51 پوسٹ گریجویٹ طلبہ کے 2 × 2 تجربے میں سقراطی فیڈبیک زیادہ مضبوط فہم کی نگرانی سے منسلک تھا جبکہ ہدایتی فیڈبیک زیادہ علمی بوجھ اُٹھائے ہوئے تھا؛ دونوں انداز ایک مقررہ، غیر متوازن ترتیب میں چلے، چنانچہ یہ تقابل حالت سے جڑا ہے، سببی نہیں (Han وغیرہ (2026))۔

• بہترین توازن مواد پر منحصر ہے۔ Rachatasumrit, Koedinger اور Carvalho (2025) مثال اور مسئلے کے تناسب کو مواد اور طریقہ کار کے تعامل کے طور پر دیکھتے ہیں: جیومیٹری کے رقبے کے مواد پر 95 شرکاء کے 2×2 تجربے میں، صرف مشق والی تربیت نے لفظی حقائق کے لیے بڑے سیکھنے کے فوائد پیدا کیے جبکہ مثالوں میں پیوست تربیت نے قابلِ منتقلی مہارتوں کے لیے بڑے فوائد پیدا کیے (β = 0.41, p = .038, d = 0.38)۔ ایک مصنوعی سیکھنے والے (Apprentice Learner) نے یہ تقاطع صرف اُس وقت دہرایا جب اُسے ACT-R طرز کا یادداشت اور فراموشی کا میکانزم دیا گیا۔ زیادہ مشق یکساں طور پر بہتر نہیں ہوتی: یادداشت پر مبنی مواد ریٹریول کا تقاضا کرتا ہے، اور استقرائی مہارتیں مربوط مثالیں طلب کرتی ہیں۔

• ڈیزائن بطور قابلِ تجزیہ شے۔ Divjak, Svetec اور Horvat (2026) نے لرننگ اینالیٹکس کو خود سیکھنے کا ڈیزائن پر لگایا اور ایک مفت کورس ڈیزائن ٹول میں منصوبہ بند 554 کورسز کے 29,064 سرگرمیوں کو کوڈ کیا۔ حصول سب سے عام سیکھنے کی قسم اور سب سے عام داخلے کا مقام تھا؛ سب سے مضبوط Markov منتقلی جانچ → بحث (0.332) تھی اور سب سے زیادہ اعتماد والا قاعدہ حصول → جانچ → مشق → مشق (0.743، lift 1.45)۔ سیکھنے کی قسم مطلوبہ نتائج کی سطح کے ساتھ چلی، حصول Bloom سطح 1 پر سرگرمیوں کے تقریباً 50% سے سطح 6 پر تقریباً 20% تک گرتا رہا۔ مصنفین زور دیتے ہیں کہ یہ عمل درآمد سے پہلے کے ڈیزائن ہیں: اُلٹے، تحقیق پر مبنی یا منصوبہ پر مبنی سلسلوں سے مشابہت ارادے کا ثبوت نہیں۔

• اُن ماڈلوں کا آڈٹ جو جانچتے ہیں۔ Rooein, Benedetto اور Hovy (2026) نے LLMs کی چھ اقسام کا مضمون کی جانچ، تکوینی فیڈبیک اور سوال جواب کے کاموں میں آڈٹ کیا، کام کا اِدخال مقرر رکھتے ہوئے صرف آبادیاتی سیاق بدلتے رہے (192,480 کالز)۔ واضح شخصیات کے تحت اسکورنگ مستحکم رہی، مگر Llama-70B نے مضمر گفتگو کی تاریخ کے تحت اپنے ہی اسکور 1.57 پوائنٹ بڑھا لیے (p < 0.001)، اور اعلیٰ تعلیم میں جوابات کم پڑھنے کے قابل اور زیادہ مثبت آئے — جذبات کا فرق تقریباً چار معیاری انحرافات۔ پڑھنے کی آسانی کے اثرات سمٹتے گئے جبکہ طوالت کے اثرات بڑھتے گئے، اور کچھ معاملات حالتوں کے درمیان علامت بدل گئے۔ مصنفین اِسے تعیناتی کا فیصلہ نہیں بلکہ آڈٹ کا آلہ بتاتے ہیں، اور آبادیاتی و موضوعاتی اشاروں کی اِن تہوں میں الجھن کو جواز اور مساوات کے لیے خطرہ پڑھتے ہیں۔

• قابلیت کی پیمائش، اور اُس کی حدیں۔ Verí (2026) جنریٹو AI کے باکفایت استعمال کے آلات کو چار میدانوں میں ترتیب دیتے ہیں — علم اور استعمال، علمیاتی نگرانی، انحصار کی درستی، اور ٹول استعمال کرنے والے ایجنٹوں کا کنٹرول — اور اِنہیں ایک ہی قابلیت کے تسلسل میں سمونے سے انکار کرتے ہیں۔ خود بتائی گئی اور مظاہرہ شدہ AI خواندگی کے درمیان ایک ہی نمونے کی تین ارتباطات ملا کر r = .055 بنتی ہیں (95% CI [-.047, .156]، درج N = 2,765)، جسے مصنف اِس قدر کافی پڑھتے ہیں کہ خود بیانیہ درجہ بندیوں کو کارکردگی کے اسکور کے ساتھ قابلِ تبادلہ سمجھنا رد کر دیں، مگر کٹ آف مقرر کرنے کے لیے ناکافی۔ کوئی تصدیق شدہ آلہ اُن تمام فیصلوں کا احاطہ نہیں کرتا جو ٹول استعمال کرنے والے ایجنٹ پیدا کرتے ہیں؛ تجویز کردہ تہہ دار بیٹری ایک ڈیزائن مفروضہ ہے۔

• سیکھنے والے کی اپنی منتقلی کے بارے میں خود بیانیہ۔ Alam (2026) علمی بوجھ اتارنا کے ادب کو PAUSE میں ڈھالتے ہیں، یعنی صرف براؤزر میں چلنے والا خود جانچنے کا آلہ جس کے چار میدان ہیں، جس کا ہر LLM دور کا آئٹم کسی ماخذ سے جڑا ہے، جس میں کوئی جامع اسکور نہیں، کوئی ذخیرہ نہیں اور کوئی ماڈل پروڈکشن میں نہیں؛ اُس کے درجے وضاحتی ہیں، معیاری نہیں، اور کسی پڑھائی کو جانچ، داخلے یا بھرتی کے فیصلوں کا جواز نہیں بننا چاہیے۔ اُس کی بیان کردہ حدیں اہم ہیں: منتقلی کا خود بیانیہ اُس قوتِ مدرکہ کے لیے خطرے سے دوچار ہے جس کا وہ ذکر کرتا ہے، جو جواب دہندہ دانستہ طور پر AI کو سہارے کے طور پر استعمال کرتا ہے وہ کئی آئٹمز پر منتقلی کرنے والا پڑھا جاتا ہے، اور یہ کہ AI سے جڑی منتقلی عام ٹیکنالوجی انحصار سے الگ ہے یا نہیں، یہ سوال کھلا ہے۔

• انسانی مہارت کہاں بیٹھتی ہے۔ Wang وغیرہ (2024) محنت کی سب سے واضح تقسیم پیش کرتے ہیں: دو ماہ کے بے ترتیب کنٹرول شدہ آزمائشی مطالعے میں، تقریباً 900 نو آموز K-12 ٹیوٹرز اور قریباً 1,800 طلبہ کے ساتھ، تجربہ کار ٹیوٹرز کے استدلال سے لی گئی بروقت تجاویز نے موضوع پر مہارت 4 فیصد پوائنٹ بڑھائی (62% سے 66%، p < 0.01)، اور کم درجہ بندی والے ٹیوٹرز کے لیے 9 پوائنٹ، فی ٹیوٹر تقریباً $20 سالانہ کی لاگت پر، اور ٹیوٹرنگ کو رہنمائی کرنے والے سوالات کی طرف موڑ دیا۔ فوائد قریبی رہے — سال کے آخر کے امتحانات نہ ہلے۔ Reichert وغیرہ (2026) پاتے ہیں کہ اساتذہ ڈیزائن کے ذریعے اسی موقف پر پہنچتے ہیں: چھ ثانوی اساتذہ نے چیٹ بوٹ کے نمونے بنا کر ایک محدود ماہر متعین کیا، اختیار کی حدیں برقرار رکھیں (سیکھنے اور حفاظت کی ذمہ داری تفویض نہیں کی جا سکتی) اور مہارت کی حدیں (ماڈل کو انفرادی طلبہ کا اُن کا علم نہیں)، اور مواد کی پیشکش، مشق اور اصلاحی فیڈبیک تفویض کیا جبکہ مقاصد کا تعین اور جامع جانچ اپنے پاس رکھی۔

• میدان کی سطح پر قابلیت۔ Sutedjo, Chowdhury اور Liu (2026) نے 127 اساتذہ کا سروے TPACK کے اُس آلے سے کیا جو تخلیقی AI کے لیے ڈھالا گیا تھا: مضبوط مواد اور تدریسی مواد کا علم (M = 4.70–5.15) کے ساتھ نمایاں طور پر کم ٹیکنالوجی میں پیوست علم، مجموعی TPACK سب سے کم 2.55، مواد کا علم کسی بھی ٹیکنالوجی میں پیوست میدان سے غیر متعلق، اور تینوں پیوست میدان اِس قدر زیادہ باہم مربوط (r = .81–.91) کہ وہ ایک ہی عامل کا کام دے سکتے ہیں۔ Perrotta (2026) حکمرانی کی تہہ کو ایک بند شدہ برطانوی سرکاری نمونے سے پڑھتے ہیں جس کا کوڈ بیس ایک سسٹم پرامپٹ اور تجارتی ماڈلوں پر ایک ریٹریول پائپ لائن تھا، اور دلیل دیتے ہیں کہ بنیادی ماڈلوں کی عمومیت ایک طرف پالیسی آلات میں تیزی سے دوبارہ استعمال کو ممکن بناتی ہے اور دوسری طرف غیر معمولی اِدخال کو ہمیشہ کے لیے صرف کم کیے جا سکنے والا خطرہ بنا دیتی ہے — ایسی نگرانی جو حلقے کے باہر سے جھانکتی ہے، اُس کے اندر بیٹھی نہیں۔

• انضمام کا خلا، نقشے میں: Malik اور Bashir (2026) نے 32 مطالعات (PRISMA 2020، موضوعاتی تجزیہ) کو چار موضوعات میں یکجا کیا: میدان کے اندر علمیاتی انتشار، نظریے اور ٹیکنالوجی کی ضد (حسابی نظام پیشین گوئی اور قابلِ پیمائش رویے پر چلتے ہیں جبکہ تعلیمی نظریے سیاق و سباق اور سماجی تعامل پر زور دیتے ہیں)، تجزیات کے ذریعے سیکھنے کا ڈیٹا کاری، اور مخلوط ذہانت بطور ابھرتا نمونہ۔ اُن کا Hybrid Intelligence Framework ایک تصوراتی ترکیب ہے، تصدیق شدہ ماڈل نہیں — مصنفین خود کہتے ہیں کہ یہ تجرباتی جانچ کا منتظر ہے — مگر چار موضوعات کا نقشہ نظریے سے حساب تک ترجمے کے اُس مسئلے کے لیے مفید آڈٹ عدسہ ہے جس سے یہ میدان بار بار ٹکراتا ہے۔

• طلبہ تخلیقی ماڈل کیسے استعمال کرتے ہیں، یہ اِس سے زیادہ اہم ہے کہ وہ استعمال کرتے ہیں یا نہیں۔ 50 انڈرگریجویٹ تبادلوں کو کوڈ کرنے پر 64% غیر فعال جائزہ یا لین دین والے سوالات نکلے اور صرف 36% حکمتِ عملی پر مبنی مکالمہ، اور غور و فکر کے ڈھانچے والے اسائنمنٹ نے توازن مکالمے کی طرف موڑ دیا (Zahra، 2026)۔

• شخص کے اندر انحصار سمجھی گئی ایجنسی میں کمی سے پہلے آتا ہے۔ AI کی معاونت والے تعاونی تحریری کورس میں 85 مقرر گروہوں میں 342 انڈرگریجویٹس کے تین مرحلوں کے ڈیٹا میں، معمول سے زیادہ GenAI انحصار نے بعد میں کم سمجھی گئی انسانی ایجنسی کی پیشین گوئی کی، جبکہ اُلٹا راستہ کمزور تھا اور شماریاتی طور پر ثابت نہ ہوا (Wu اور Lu (2026))۔

• GenAI استعمال کی تقسیم ایک ادارہ جاتی انتخاب ہے۔ Sun, Dohn اور Rehm (2026) نے 102 اعلیٰ تعلیمی مطالعات کو اِس اعتبار سے درجہ بند کیا کہ علمیاتی کام طالب علم اور نظام کے درمیان کیسے تقسیم ہوا، اور پایا کہ Assistant اور Enabler الجھنیں 42.16% فی کس کے ساتھ غالب ہیں، اور اِس جھکاؤ کو ٹیکنالوجی کی قابلیت نہیں بلکہ ادارہ جاتی جواز پڑھا۔

• عمل کا ثبوت چینل کی شرط پر ہے۔ ایک GenAI کی معاونت والا تدریسی ڈیزائن کا کام 79 انڈرگریجویٹس کے ساتھ بیک وقت تعامل لاگز اور ساتھ ساتھ بلند آواز سوچنے دونوں میں کوڈ کرتے ہوئے، Li اور Liu (2026) نے پایا کہ گہرائی والی نگرانی کا ثبوت بلند آواز سوچنے کے ریکارڈ میں زیادہ عام تھا مگر گہرائی والی ضابطگی کا ثبوت لاگز میں زیادہ عام، چنانچہ کوئی بھی ایک نشان تنہا میٹا کوگنٹو دعوے کا معیار نہیں۔

• طریقہ نتیجے جتنا ہی اہم ہے: گروہ اور AI کے تعامل کا تسلسلی تجزیہ۔ Wang وغیرہ (2026) نے 39 چیٹ بوٹ پرامپٹس کے گرد 595 اور 785 بیانات کو کوڈ کیا، lag-1 منتقلیاں ایڈجسٹ شدہ بقایا اور Yule's Q سے جانچیں، پھر ہر واقعے کو ایک کیس بنا کر عمل کی کان کنی چلائی۔ اِس جوڑ نے AI کو ایک گروہی ترکیب کے تعامل نیٹ ورک کے مرکز میں اور دوسری میں ایک ہی راستے پر رکھا، ایسا فرق جو پرامپٹ کی گنتی نہیں دکھا سکتی تھی۔ یہ اِس سوال کے لیے ایک سانچہ ہے کہ AI کسی گروہ کے تعامل نیٹ ورک میں کہاں بیٹھا ہے، نہ کہ وہ کتنی بار نمودار ہوتا ہے۔

سیکھنے کے علوم کا اپنے ہمسایوں سے تعلق

ڈیزائن پر مبنی تحقیق وہ طریقہ ہے جو اِس میدان نے مستعار لینے کے بجائے خود تراشا: کوئی مداخلت چلتے کلاس روم کے اندر بنائی اور نظرثانی کی جاتی ہے، اور اُس کا نظریاتی استدلال بھی ساتھ ساتھ نظرثانی ہوتا ہے، چنانچہ ایک ہی مطالعہ ایک شے بھی دیتا ہے اور ایک ڈیزائن اصول بھی۔ یہی اِسے تجربہ گاہ کے تجربے سے الگ کرتا ہے، جو سیاق کو جمے رکھ کر ایک سبب الگ کرتا ہے، اور یہی وجہ ہے کہ اِس میدان کے نتائج اثر کے حجم کے طور پر نہیں بلکہ ڈیزائن کے علم کے طور پر آتے ہیں۔ AIED میں تحقیقی طریقے دوسرا قطع کرتا ہے: وہ صفحہ پورے ذخیرے — تجربات، سروے، کیفیاتی کام، بینچ مارک، جائزے، اتفاق رائے کے طریقے — کو آلات کے درمیان انتخاب کے طور پر سروے کرتا ہے، ہر ایک کو اُس دعوے کے جواز کے اعتبار سے تولتا ہے جو وہ سہار سکتا ہے۔ یہ صفحہ اُسی ذخیرے کو ٹھوس پہلو سے پڑھتا ہے، یہ پوچھتا ہے کہ ذخیرے نے سیکھنے کے بارے میں کیا ثابت کیا ہے، اور کسی طریقے کو اِس بات پر پرکھتا ہے کہ اُس کا ڈیزائن دعویٰ سیکھنے والوں سے واسطہ پڑنے پر قائم رہتا ہے یا نہیں۔

سیکھنے کے نظریے ممکنہ فریم ورک — رویہ پرستی، علمیت پرستی، تعمیریت پرستی، سماجی ثقافتی بیانات، ترغیب اور خود ضابطگی — کو AI پڑھنے کے عدسوں کے طور پر یکجا کرتا ہے۔ سیکھنے کے علوم وہ ذخیرۂ الفاظ تو بانٹتے ہیں مگر وہ موقف نہیں: یہاں نظریہ میکانزم کے بارے میں ایک دعویٰ ہے جسے ڈیزائن کو یا تو عملی شکل دینی ہے یا رد کرنا ہے، اور میدان کی ساکھ فریم ورک کی ہم آہنگی پر نہیں بلکہ تجرباتی اور ڈیزائن کے کام پر ٹکی ہے۔ فریم ورک کیا کہتا ہے یہ جاننے کے لیے نظریے کا صفحہ کھولیں؛ کسی فریم ورک نے کتنا ثبوت جمع کیا ہے، اُس کے لیے یہ صفحہ ہے۔

میدان نظریہ خود بھی بناتا ہے، صرف مستعار فریم ورک نہیں جانچتا: تعلیم میں AI میں نظریے کی تشکیل اُس تصوراتی کام کا احاطہ کرتا ہے جو بیان کرتا ہے کہ سیکھنے والے، اساتذہ اور AI نظام کیسے باہم عمل کرتے ہیں، اور وہیں میدان کے اپنے تصورات پر پیمائش سے پہلے بحث ہوتی ہے۔ اِس کے ڈیزائنوں سے عام طور پر جو چیز طلب کی جاتی ہے وہ منتقلی ہے — ایسا علم اور مہارت جو اُس ٹیوٹر، مضمون یا کام سے آگے قائم رہے جس میں وہ سیکھے گئے — اور یہی وجہ ہے کہ کسی ٹول کے اندر ناپا گیا فائدہ، اُس کے بغیر ناپے گئے فائدے سے کمزور دعویٰ سمجھا جاتا ہے۔ اور چونکہ ڈیزائن شدہ ماحول ایک مرکب مداخلت ہے، کسی نتیجے کو ایک جزو سے منسوب کرنا میدان کا مستقل پیمائشی مسئلہ ہے: تعلیمی پیمائش وہ نفسیاتی پیمائشی سازوسامان فراہم کرتا ہے جس سے یہ نسبت بحث کے قابل ہی کہلائے، اِس لیے پیمائش کے سوالات یہاں بعد میں نہیں بلکہ شروع ہی میں آتے ہیں۔

علمی نفسیات وہ میکانزم کی سطح کا ضابطہ ہے جس سے یہ میدان سب سے زیادہ مواد لیتا ہے: محدود فعال یادداشت، انکوڈنگ اور ریٹریول، تحلیل پذیر علمی اجزا، اور سیکھنے والے کی ماڈلنگ کی تشخیصی زبان۔ سیکھنے کے علوم اِن میکانزم کو استعمال کرتے ہیں مگر اُن میں سمٹتے نہیں: اُن کی تجزیہ کی اکائی ایک ڈیزائن شدہ ماحول ہے جو سماجی، ترغیبی اور سیاقی متغیرات اُٹھائے ہوئے ہے جو یادداشت کے تجربہ گاہی بیان میں نہیں، اور اُن کے امتحانات الگ تھلگ علمی اثرات پر نہیں بلکہ پوری مداخلتوں پر چلائے جاتے ہیں۔

تدریسی طریقے اور حکمت عملیاں اور سیکھنے کا ڈیزائن عمل کا احاطہ کرتے ہیں — کون سی تدریسی حکمتِ عملی اختیار کی جائے، اور مقاصد، سرگرمیوں اور جانچ کو کورس میں کیسے ترتیب دیا جائے۔ دونوں وہی ہیں جنہیں سیکھنے کے علوم باہر سے مطالعہ کرتے ہیں، یعنی بیان اور تشخیص کی اشیاء کے طور پر؛ یہ میدان استاد کو نہیں بتاتا کہ اگلا حربہ کون سا اختیار کرے، یہ بتاتا ہے کہ حربوں نے کیا کرتے ہوئے دکھایا ہے۔ سیکھنے کا ڈیزائن زیادہ قریبی رشتہ دار ہے، چونکہ دونوں ایسی چیز پیدا کرتے ہیں جسے نافذ اور جانچا جا سکے، مگر ڈیزائنر کی پیداوار ایک پڑھایا جا سکنے والا کورس ہے اور میدان کی پیداوار عمومی طور پر ڈیزائنوں کے بارے میں علم۔

یہ نتائج اُس وقت اہمیت رکھتے ہیں جب وہ تدریس تک پہنچیں، اور وہ سفر تین صفحوں سے گزرتا ہے۔ تعلیمی ترقی وہ ادارہ جاتی عمل ہے جو اُنہیں اُٹھائے چلتا ہے — فیکلٹی کی ترقی، معیارات، پالیسی اور شناخت کا کام طے کرتے ہیں کہ کوئی تصدیق شدہ ڈیزائن کبھی کلاس روم تک پہنچتا ہے یا نہیں، اِس لیے میدان کا ثبوت معمول کے مطابق اداروں کے نافذ کردہ سے آگے چلتا ہے۔ اساتذہ کی تربیت وہ جگہ ہے جہاں علم کو استاد کے کمرے میں داخل ہونے سے پہلے پہنچنا ہوتا ہے، اور تدریس وہ جگہ جہاں وہ بعد میں پہنچتا ہے، یعنی لمحہ بہ لمحہ اِس فیصلے میں کہ کب مداخلت کرنی ہے، کون سا آلہ استعمال کرنا ہے، اور کب سیکھنے والے کو اکیلا چھوڑ دینا ہے۔ تینوں میں سے کوئی بھی سیکھنے کے علوم کے نتائج پیدا نہیں کرتا؛ تینوں یہ طے کرتے ہیں کہ وہ نتائج عمل کو بدلتے ہیں یا نہیں۔

عام غلط فہمیاں

• "مہارت کی بلند حد اس بات کی ضمانت ہے کہ سیکھنے والا امتیاز کر سکتا ہے۔" An, McLaren اور Stamper (2026) نے ذہین ٹیوٹرنگ نظاموں کے ساتھ گیارہ تجربات (N = 192) کیے اور پایا کہ 95% مہارت کی حد پر نظام نے مشق اُس وقت روک دی جب طلبہ ایسے کیس تک پہنچے ہی نہ تھے جہاں عمل روکنا لازم ہوتا، چنانچہ نقص پکڑا ہی نہ گیا۔ عمل پر مہارت میں یہ جاننا شامل نہ تھا کہ کب اُسے لاگو نہ کرنا ہے، اور حد نے غلط تصور کی تصدیق کر دی۔
• "زیادہ مثالیں زیادہ محفوظ ہیں۔" Rachatasumrit, Koedinger اور Carvalho (2025) مثال اور مسئلے کے تناسب کو مواد اور طریقہ کار کا تعامل سمجھتے ہیں، اور 2×2 تجربے میں بہترین توازن مواد پر منحصر نکلا۔ کوئی عالمی طور پر درست تناسب نہیں، چنانچہ ایک مقررہ تدریسی سانچہ تعامل کے خلاف ایک شرط ہے۔
• "غلط فہمی کو دور کرنا طلبہ کو صحیح جواب بتا دینے کا معاملہ ہے۔" "عمل نہ کریں" کی مختصر مشق، جس میں فیڈبیک غائب قید کا نام لیتا تھا، نے غلط اطلاق 0.0%-23.1% (Cohen's h 1.70-2.44) تک گھٹا دیا، اور تیرہ K-12 Decimal Point ڈیٹا سیٹوں کے ثانوی تجزیے میں وہی ساختی نمونہ ملا۔ کارگر مداخلت ہدف شدہ فیڈبیک کے ساتھ امتیازی مشق تھی، نہ کہ دعوے سے اصلاح — جو ردیہ متن کا کام عمومی طور پر ثابت کرتا ہے۔
• "بلند Bloom سطح کا مطلب زیادہ فعال سیکھنا ہے۔" سیکھنے کی قسم مطلوبہ نتائج کی سطح کے ساتھ چلی، اور حصول Bloom سطح 1 پر سرگرمیوں کے تقریباً 50% سے سطح 6 پر تقریباً 20% تک گرا۔ علمی مطالبہ اور سرگرمی کی قسم ساتھ چلتے ہیں مگر ایک ہی محور نہیں، چنانچہ کسی کام کو Bloom سطح سے نشان زد کرنا یہ نہیں بتاتا کہ سیکھنے والے اُس کے ساتھ کیا کریں گے۔

عمل کے لیے اس کا کیا مطلب ہے

اساتذہ کے لیے

• منفی کیس صریحاً پڑھائیں۔ 95% حد کی ناکامی ہی وجہ ہے: ایسی شرائط رکھیں جہاں درست حرکت عمل روک لینا ہو، ورنہ سیکھنے والا اُسے ہر جگہ لاگو کرے گا۔
• مثال اور مسئلے کا تناسب پورے کورس میں ایک جیسا نہ رکھیں۔ مواد اور طریقہ کار کا تعامل کہتا ہے کہ طریقوں کے لیے درست تناسب تصورات کے لیے درست تناسب نہیں۔
• قاعدہ دہرانے کے بجائے ایسے فیڈبیک کے ساتھ امتیازی مشق استعمال کریں جو غائب قید کا نام لے۔ یہی وہ مداخلت ہے جس کے اثر کے حجم یہاں ناپے گئے ہیں۔
• اپنے مہارت کے معیار پر بھروسا کرنے سے پہلے جانچیں کہ وہ واقعی کس چیز کی تصدیق کرتا ہے۔

ڈویلپرز کے لیے

• مشق صرف درستی پر نہ روکیں۔ روکنے کی شرط کو اپنی الگ مہارت کے طور پر ماڈل کریں، ورنہ نظام حد سے زیادہ عمومیت کی تصدیق کر دے گا۔
• تناسب کو مستقل نہیں، پیرامیٹر رہنے دیں، کیونکہ شواہد کہتے ہیں کہ بہترین توازن مواد پر منحصر ہے۔
• بتائیں کہ آپ کا معیار کس تصور کی پیمائش کرتا ہے، اور اُس سے الگ بتائیں کہ آپ کی تصدیق کس تصور کی پیمائش کرتی ہے۔

منسلک تصورات

• سیکھنے کے نظریے
• علمی نفسیات
• تدریسی طریقے اور حکمت عملیاں
• سیکھنے کا ڈیزائن
• AIED میں تحقیقی طریقے
• تعلیم میں AI میں نظریے کی تشکیل
• ڈیزائن پر مبنی تحقیق
• اساتذہ کی تربیت
• تعلیمی ترقی
• شعبوں میں AIEd
• ذہین ٹیوٹرنگ
• لرننگ اینالیٹکس
• جانچ کا اعتبار
• تعلیمی پیمائش
• علمی بوجھ اتارنا
• سیکھنے میں اضافہ
• سیکھنے کی منتقلی
• تدریس
• مساوات
• تعلیم میں AI کی پالیسی

منسلک مضامین

• Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use — باکفایت تخلیقی AI استعمال کے اقدامات کا جائزہ اور تلاشی میٹا تجزیہ (Verí 2026)

• Deceptive Overgeneralization: When Adaptive Learning Enables Systematic Misapplication — درستگی جو نامکمل قاعدے کو چھپا دے: انطباقی سیکھنے میں مہارت کے رکنے کے قاعدے (An, McLaren اور Stamper 2026)

• The Role of Implicit and Explicit Demographic Signals in Large Language Model-based Student Assessment — LLM کی طالب علم جانچ میں آبادیاتی اشاروں کا پِچھلی حالت والا آڈٹ (Rooein, Benedetto اور Hovy 2026)

• Learning paths and patterns in learning design: Insights from 500+ courses — 554 کورسز کی 29,064 سرگرمیوں پر Markov زنجیریں اور نمونہ کان کنی (Divjak, Svetec اور Horvat 2026)

• PAUSE: A Privacy-Preserving Self-Reflection Tool for AI-Associated Cognitive Offloading — AI سے جڑی منتقلی کے لیے رازداری بچانے والا، غیر تشخیصی خود جائزہ (Alam 2026)

• Zero-shot governance — صفر شاٹ حکمرانی: پالیسی میں عام مقصد والا AI، Redbox کوڈ بیس سے پڑھا گیا (Perrotta 2026)

• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content — بہترین مثال اور مسئلے کا تناسب مواد پر کیوں منحصر ہے (Rachatasumrit, Koedinger اور Carvalho 2025)

• Human-Centered Design of LLM-Powered Educational Chatbots: A Study with Secondary Teachers — اساتذہ محدود ماہر چیٹ بوٹ ڈیزائن کرتے ہیں، تدریس کی منتخب تفویض کے ساتھ (Reichert وغیرہ 2026)

• Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills — فیکلٹی کی GenAI TPACK: مضبوط مواد کا علم، کمزور ٹیکنالوجی میں پیوست علم (Sutedjo, Chowdhury اور Liu 2026)

• Tutor CoPilot: A Human-AI Approach for Scaling Real-Time Expertise — Tutor CoPilot: بڑے پیمانے پر انسانی اور AI کی براہِ راست ٹیوٹرنگ کا بے ترتیب آزمائشی مطالعہ (Wang وغیرہ 2024)

• Ways Generative AI Can Support and Threaten Learning in K–20 US Education — 30 ماہرین کا پہلے سے رجسٹرڈ Delphi کہ GenAI کن سیکھنے کے عملوں کو بڑھاتا ہے اور کن کو خطرے میں ڈالتا ہے

• Three Pathways of Student-AI Interaction: Constraint-First Design for Higher-Order Thinking — طالب علم اور AI تعامل کی ایک درجہ بندی: 64% غیر فعال یا لین دین والا، 36% حکمتِ عملی پر مبنی مکالمہ

• The Effects of Agent Type and Feedback Style on Self-Directed Learning: A Mixed-Methods Study — ایجنٹ کی قسم نے نہیں، فیڈبیک کے انداز نے خود ضابطگی والی شمولیت کو حرکت دی

• Mapping the Distribution and Depth of Metacognitive Processes in Generative AI-Assisted Learning: Evidence from Interaction Logs and Concurrent Think-Aloud Protocols — عمل کا ثبوت چینل کی شرط پر ہے

• Literacy demands placed on students in student–GenAI entanglements in higher education — GenAI استعمال کی تقسیم ایک ادارہ جاتی انتخاب ہے

• A helping hand or a dominant partner? Individual perceptions of GenAI reliance and human agency in collaborative learning — شخص کے اندر انحصار سمجھی گئی ایجنسی میں کمی سے پہلے آتا ہے

• GenAI-based metacognitive prompting in collaborative inquiry: A comparison across diverse preconception groups — تاخیری تسلسلی تجزیہ اور عمل کی کان کنی نے AI کو، پیشگی تصورات کی ترکیب کے لحاظ سے، گروہی تعامل کے مرکز یا خطی راستے پر رکھا (Wang وغیرہ 2026)