بڑے لینگویج ماڈلز (LLMs)

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

بڑے لینگویج ماڈلز (LLMs) — نیورل نیٹ ورک ماڈلز جو بے پناہ متنی ذخیروں پر تربیت یافتہ ہیں اور انسان جیسا متن پیدا کرتے ہیں، اور زیادہ تر جدید تعلیم میں AI ایپلیکیشنز کی بنیاد بنتے ہیں۔ تعلیم میں LLMs جنریٹیو AI ٹیوٹرنگ، جانچ اور مواد کی تخلیق کی کمپیوٹیشنل ریڑھ کی ہڈی ہیں۔

غور کرنے کے لیے سوالات

• آپ کے خیال میں کوئی AI چیٹ بوٹ جب آپ کو جواب دیتا ہے تو وہ کیا 'جانتا' ہے؟ یہ صفحہ LLMs کو تصدیق شدہ حقائق ڈھونڈنے کے بجائے ممکنہ متن پیدا کرنے والا قرار دیتا ہے — یہ فرق اس بات کو کیسے بدلتا ہے کہ آپ ماڈل کی وضاحتوں پر کتنا بھروسا کریں گے؟
• LLMs کو زیادہ تر جدید AI تعلیمی ٹولز کے انجن کے طور پر بیان کیا گیا ہے — ٹیوٹرنگ، گریڈنگ، مواد کی تخلیق، اور یہاں تک کہ طلبہ کو کیا آتا ہے اس کی تشخیص۔ ان استعمالات میں سے کون سا آپ کے خیال میں ایک امکانی متن پیدا کرنے والے کے لیے سب سے زیادہ اور سب سے کم موزوں ہے، اور کیوں؟
• صفحہ بتاتا ہے کہ تین مختلف LLMs نے ایک ہی لرننگ اینالیٹکس ان پٹ کے لیے بالکل مختلف سپورٹ منصوبے بنائے، جن میں سے ہر ایک مختلف آبادیاتی مفروضے رکھتا تھا۔ اگر ماڈلز مشیر کے طور پر قابلِ تبادلہ نہیں ہیں، تو یہ کسی ایسے ادارے کے لیے کیا معنی رکھتا ہے جو ان میں سے کسی ایک کو اپناتا ہے؟
• چونکہ LLM کا نتیجہ پرامپٹس اور سیٹنگز کے لیے حساس ہے، دو لوگ ایک ہی ماڈل سے بہت مختلف نتائج حاصل کر سکتے ہیں۔ یہ اس بات پر کیسے اثر ڈالنا چاہیے کہ آپ — بحیثیت طالب علم یا ڈیزائنر — درخواستیں کیسے لکھتے ہیں، اور ایک ہی نتیجے پر کتنا بھروسا کرتے ہیں؟
• ایک کلیدی حد ہیلوسینیشن ہے — قابلِ یقین لگنے والا مگر بے بنیاد مواد۔ ٹیوٹرنگ یا گریڈنگ کے سیاق میں، آپ کو یہ یقین دلانے کے لیے کیا درکار ہوگا کہ ماڈل کچھ گھڑ نہیں رہا، اور کسی حقیقی طالب علم کی جانچ کرنے سے پہلے آپ کون سی حفاظتی تدابیر کا مطالبہ کریں گے؟

تعارف

AIED کے انجن کے طور پر LLMs

LLMs نالج بیس میں سب سے زیادہ حوالہ دیا جانے والا تصور ہیں (60 سے زائد مضامین) کیونکہ یہ تقریباً ہر AI تعلیمی ایپلیکیشن کی بنیاد ہیں:

• ٹیوٹرنگ: AI ٹیوٹرز مکالمے، وضاحت اور مسئلہ حل کرنا کی رہنمائی کے لیے LLMs استعمال کرتے ہیں۔ تربیت اور فائن ٹیوننگ عمومی LLMs کو تعلیمی استعمال کے لیے ڈھالتی ہے۔

• جانچ: گریڈنگ نظام، مضمون کی اسکورنگ اور آئٹم دشواری کی پیش گوئی LLM کی صلاحیتوں سے فائدہ اٹھاتی ہیں۔ Razavi اور Powers (2026) دکھاتے ہیں کہ GPT-4o K-5 ریاضی اور پڑھائی کے آئٹمز (N = 5170) کی دشواری کا اندازہ لگا سکتا ہے جو Rasch IRT ماڈل کے تحت کیلیبریٹ کیے گئے تھے: زیرو شاٹ ریٹنگز حقیقی دشواریوں کے ساتھ درمیانی سے مضبوط حد تک ہم آہنگ تھیں (r = 0.83 ریاضی، r = 0.81 پڑھائی) مگر جماعت کے لحاظ سے مختلف تھیں، جبکہ فیچر پر مبنی حکمت عملی، جس میں LLM درخت پر مبنی ماڈلز کے لیے علمی اور لسانی خصوصیات نکالتا ہے، r = 0.87 تک ہم آہنگی تک پہنچی — یہ ثبوت کہ ساختہ فیچر نکالنا ایک ہی مجموعی LLM فیصلے سے بہتر کارکردگی دکھا سکتا ہے۔ مجموعی گریڈنگ لٹریچر میں، 42 تجرباتی مطالعات (2023–2025) کے PRISMA کے تحت کیے گئے منظم جائزے کا نتیجہ یہ ہے کہ LLMs مختصر، اچھی ساخت والے کاموں میں تفصیلی ربرک کے ساتھ انسانی گریڈرز کے برابر آتے ہیں مگر پیچیدہ، کھلے اور موضوعی کام میں انسانی فیصلے کی مکمل جگہ نہیں لے سکتے، اور یہ کہ ماڈل کا ورژن گریڈنگ کے معیار کا غالب تعین کرنے والا عامل ہے (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback)۔ اعتبار آئٹم کی قسم کے لحاظ سے بھی تیزی سے بدلتا ہے: Falahat et al. (2026) نے پایا کہ ChatGPT-5 فارمیسی امتحان کے معروضی آئٹمز پر فیکلٹی سے قریب سے ہم آہنگ تھا (CCC 0.935–1.000) مگر مختصر جواب (CCC ≈0) اور مضمون (0.341–0.854) کے آئٹمز پر غیر قابلِ اعتماد تھا، اور یہ کہ ربرک دینے سے اتفاق مستقل طور پر بہتر نہیں ہوا۔

• تخلیق شدہ آئٹم لیبل سطحی شکل سے چلتے ہیں، دشواری سے نہیں۔ 378 آئٹمز کے آڈٹ نے پایا کہ LLM کے Easy/Medium/Hard لیبل اس کے اپنے ساتھ پیدا کردہ Bloom سطح (ρ=0.90) اور سوال کی لمبائی (15.9 سے 30.2 الفاظ) کے ساتھ قدم بہ قدم بڑھے، مگر 7,888 طلبہ جوابات پر تجرباتی آئٹم دشواری کے ساتھ صرف ρ=0.06 پر ہم آہنگ تھے، یعنی یہ ثبوت کہ تخلیق کے وقت کی دشواری میٹا ڈیٹا فارمیٹنگ بیان کرتی ہے، سابقہ علم پر مطالبہ نہیں (An & Wang (2026))۔

• تخلیق شدہ آئٹمز پھر بھی ماہر آئٹمز کے برابر آ سکتے ہیں۔ o3-mini نے generate→judge→revise لوپ میں 71 کلاسوں کے امتحانات بنائے؛ Bayesian hierarchical 2PL IRT ماڈل کے تحت AI آئٹمز ماہر AP Statistics آئٹمز سے آسان مگر زیادہ امتیازی (ᾱ = 1.3 بمقابلہ 1.2) اور زیادہ معلوماتی (I_max = 3.85 بمقابلہ 2.61) تھے (Isley et al. (2025))۔

• تشریح کا معیار ایک ڈیزائن کا نتیجہ ہے، کسی ایک پرامپٹ کی خاصیت نہیں۔ Bernado et al. (2026) نے پانچ ماڈلز کے پینل کو ہر اُٹرنس کے بارے میں انسان کے پڑھنے کے قابل دعوے جانچنے کی ہدایت کی، بجائے یہ کہ براہ راست لیبل دے، اور ان ثنائی فیصلوں پر ایک شفاف classifier (macro-F1 0.673، Cohen's κ 0.688) نے کسی فرنٹیئر ماڈل کی بہترین شائع شدہ براہ راست پرامپٹنگ (0.61 macro-F1) کو پیچھے چھوڑا جبکہ فائن ٹیونڈ RoBERTa-base انکوڈر (0.76) سے پیچھے رہا؛ ماڈلز کے درمیان اتفاق نے چھلنی کے طور پر کام کیا، اعتبار کے ثبوت کے طور پر نہیں۔

• گریڈر کے طور پر کثیرالوسیط AI استدلالی LLMs: جب ایک ملٹی موڈل، استدلال کے قابل LLM (GPT-o4-mini) نے 296 طلبہ کے ہاتھ سے لکھے عمومی کیمسٹری امتحان کے صفحے کو ربرک تصاویر کے مقابل صفحہ بہ صفحہ گریڈ کیا، تو ایک ہی رن کے کل اسکور انتہائی قابلِ تکرار تھے (ICC(A,1) = 0.967؛ پانچ رنز کی اوسط 0.993 تک پہنچی) اور TA کے کل اسکور سے مضبوط اتفاق رکھتے تھے (R² = 0.91)، پھر بھی آئٹم کی سطح کا اعتبار فارمیٹ پر تیزی سے منحصر تھا — متنی اور ری ایکشن-مساوات کے جوابات اچھی طرح گریڈ ہوئے جبکہ ڈرائنگ اور گرافنگ بے ترتیب سے بھی بدتر تھے (پس منظر کے گرڈ AI وژن کو منتشر کرتے ہیں)۔ یہ دکھاتا ہے کہ LLM گریڈر کی اعتبار پذیری جواب کے فارمیٹ اور کام کا فعل ہے، نہ کہ صرف خام ماڈل صلاحیت کا، اور یہ کہ زیادہ خطرے والے استعمال کے لیے اعتماد کے فلٹرز کے ذریعے انتخابی حوالگی درکار ہے (Assisting the grading of a handwritten general chemistry exam with artificial intelligence)۔

• مواد: جنریٹیو AI مواد کی تخلیق LLMs پر منحصر ہے۔ سوال کی تخلیق اور ویڈیو کی تخلیق LLM سے چلتی ہیں۔

• حفاظت: تدریسی حفاظت، ہیلوسینیشن کا خطرہ اور SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems تحقیق LLM سے مخصوص خطرات جانچتی ہے۔

• تشخیص: نالج ٹریسنگ اور علمی تشخیص زیادہ بھرپور طالب علم ماڈلنگ کے لیے بڑھتی ہوئی تعداد میں LLMs کو شامل کرتے ہیں۔ غلطی کی تشخیص کے لیے بنیاد کا ہونا بے حد اہم ہے: Reddig, Arora & MacLellan (2025) نے دکھایا کہ GPT-4 کو ٹیوٹر انٹرفیس کی ساخت اور Bayesian نالج ٹریسنگ مہارت کے اندازے دینے سے فیکٹرنگ میں منطقی غلطی کی شناخت 40% سے 81% ہو گئی (مجموعی غلطی کی تشخیص ~87.8%)، جبکہ کثیر المرحل مسائل اور کئی غلطیوں والے جوابات کمزور کیس رہے اور گھڑے گئے "عام غلط فہمی" تشخیص برقرار رہے — یہ ثبوت کہ LLM کی تشخیصی قدر اتنی ہی ساختہ سیاق و سباق اور طالب علم ماڈل کے اشاروں کا فعل ہے جتنی خود ماڈل کی۔

• تخلیق سے الگ کردہ تصدیق — مگر باہم جڑے ناکامی کے طریقوں کے ساتھ۔ Hossain et al. (2026) ٹیوٹر کی ریٹریول کو مدرس کی منظور شدہ کورس مواد تک محدود کرتے ہیں اور دعووں کو تعمیراتی طور پر الگ DeBERTa-v3-large-MNLI تصدیق کار سے گزارتے ہیں، مگر خبردار کرتے ہیں کہ دونوں ماڈلز وسیع ویب تربیت میں شریک ہیں اور باہم جڑے طریقوں سے ناکام ہو سکتے ہیں، اور تصدیق کار کوڈ ٹریس کو چلائے بغیر جانچ نہیں سکتا۔

• جانچ کے ماڈل کی تبدیلی (2017–2024): Morley اور ساتھیوں کا خود کار نشان زدگی والے مختصر جواب سائنس سوالات کا اسکوپنگ جائزہ میدان کی اس حرکت کو بیان کرتا ہے کہ چھوٹے فائن ٹیونڈ BERT ماڈلز (2021 تک غالب) سے تقریباً 2022 سے بڑے LLMs (GPT-1/2/3.5/4) کی پرامپٹنگ کی طرف جاتے ہیں — جسے فائن ٹیوننگ کے بجائے پرامپٹ انجینئرنگ کے ذریعے اپنایا گیا — اور ڈومین سے بڑھے ماڈلز، ربرک سے آگاہ پرامپٹنگ اور chain-of-thought نے درستگی بڑھائی۔ پھر بھی GPT ماڈلز کو معیاری ذخیروں پر BERT کے مقابل شاذ و نادر ہی بینچ مارک کیا گیا، چند خود کار نشان زدہ کرنے والے اپنے نشانات کی وضاحت کر سکے، اور تعصب کا شاذ و نادر ہی جائزہ لیا گیا — یہ انتباہات عام طور پر LLM جانچ پر لاگو ہوتے ہیں (Auto-marking short answer questions in science: The foundational years of transformer-based models from BERT to GPT-4)۔

ماڈل سے متعلق مخصوص تحقیق

نالج بیس عمومی مقصد کے LLMs (GPT-4، Claude) اور تعلیم سے مخصوص ڈھانچوں دونوں کا احاطہ کرتا ہے۔ چھوٹے لینگویج ماڈل کے بینچ مارکس ٹیوٹرنگ کے لیے SLM کی کارکردگی کا موازنہ کرتے ہیں، اور Suvernev et al. (2026) دلیل دیتے ہیں کہ SLMs ایجنٹک ٹیوٹرنگ کے لیے تعمیراتی طور پر موزوں ہیں جب انہیں ٹول سے بڑھے پلانر کے طور پر تعینات کیا جائے — طے شدہ ٹولز وہ بوجھ اٹھاتے ہیں جو چھوٹا ماڈل ورنہ بالواسطہ طور پر سنبھالتا — اور تدریسی کنٹرول ماڈل کے بجائے ایسکلیشن پالیسی میں ہوتا ہے۔ تعلیمی ہم آہنگی کی تحقیق اس بات پر غور کرتی ہے کہ LLMs کو تدریسی لحاظ سے موزوں کیسے بنایا جائے۔ تین فرنٹیئر خاندانوں پر ایک کلاس روم مطالعہ — Oppenheimer, Cash & Connell Pensky (2025) — نے پایا کہ ChatGPT، Gemini یا Claude استدلالی تحریر کے لیے باہمی تنقیدی ساتھی کا کردار ادا کر سکتے ہیں: ایک سمسٹر کے دوران بار بار مضامین لکھنے سے طلبہ دلائل کے معیار، پرامپٹ انجینئرنگ اور AI فیڈبیک پر ردعمل میں تقریباً ایک مکمل معیاری انحراف جتنا بہتر ہوئے (تمام p < .001) اور گہرائی سے جڑے (87.8% نے LLM کے دعووں کی تردید کی)، جو عمومی مقصد کے LLMs کو محض جواب پیدا کرنے والوں کے بجائے قابلِ عمل باہمی سیکھنے کے ساتھیوں کے طور پر پیش کرتا ہے۔

کام کا ایک تکمیلی سلسلہ LLMs کو جامد گریڈرز سے تدریسی استدلال کے نقال بناتا ہے۔ Yaşar et al. (2026) نے دکھایا کہ GPT-4، جسے معنوی طور پر باریک بین اور بار بار ساتھ بہتر بنائے گئے ربرک کا سہارا دیا گیا، تشخیصی فیصلے میں انسانی فیصلے کے قریب جا سکتا ہے ڈیزائن پر مبنی سیکھنے کے دوران: شروع میں LLM اور انسان کے درمیان اتفاق ناقص تھا (Cronbach's Alpha = 0.393؛ Kappa −0.06 تا 0.18)، مگر ربرک کی تکراری بہتری نے اوسط اتفاق 54.75% سے 81.25% کر دیا (حتمی Alpha = 0.798، Kappa 0.40–0.55)، اور انسانی اور LLM اسکور میٹرکس کے K-means جھرمٹ بندی نے انتہائی ہم آہنگ مراکز دکھائے (r = 0.89)۔ یہ مطالعہ ربرک کو انسانی تدریسی ارادے اور مشینی استنتاج کے درمیان وسطی انٹرفیس قرار دیتا ہے — یہ ثبوت کہ آف دی شیلف LLMs بھی بطور جائزہ لینے والے قابلِ تبادلہ نہیں ہیں، اور یہ کہ ان کا جانچ کا رویہ ایک ڈیزائن کا نتیجہ ہے جو انہیں دیے گئے ربرک اور پرامپٹس سے شکل پاتا ہے۔ خام ماڈل صلاحیت بھی گریڈنگ میں فرق ڈالتی ہے: بینچ مارکنگ کے ذریعے گیارہ GenAI اور sentence-embedding ماڈلز کو 1,885 کھلے جوابات پر جانچتے ہوئے Pecuchova, Benko & Drlik (2025) نے پایا کہ صرف GPTo1 ماہر انسانی گریڈرز کے ساتھ تقریباً کامل اتفاق تک پہنچا (Fleiss' Kappa 0.82)، Claude3 اور PaLM2 تھوڑا پیچھے رہے، جبکہ BERT جیسے حوالہ سے ہم آہنگ ماڈل بہت پیچھے رہے — جو دکھاتا ہے کہ فرنٹیئر ماڈل کی سیاق و سباق کی حساسیت قابلِ اعتماد کھلی جانچ کے لیے اہم ہے۔ ماڈل کے فرق زیادہ خطرے والے بعد کے استعمالات میں بھی اہم ہیں۔ López-Pernas et al. (2026) نے دکھایا کہ تین LLMs نے ایک ہی لرننگ اینالیٹک ان پٹ کے لیے طلبہ کی مدد کے بالکل مختلف نسخے بنائے، اور ہر ایک نے اپنے بنائے گئے طالب علم پروفائلز پر الگ آبادیاتی مفروضے مسلط کیے — یہ ثبوت کہ آف دی شیلف LLMs بطور نسخہ لکھنے والے مشیر بھی قابلِ تبادلہ نہیں ہیں۔ اسی طرح، Olvet et al. (2026) نے پایا کہ GPT-4 کی pre-clerkship طبی کھلے سوالات کی اسکورنگ فیکلٹی کے ساتھ کافی سے تقریباً کامل بین الجائزہ اتفاق تک صرف تین دور کے تکراری ربرک بہتر بنانے کے بعد پہنچی (weighted kappa 0.94 تک)، اور ایک مجموعی ربرک آئٹم پر درمیانی سطح (κw = 0.54) تک گر گئی — جو اس بات کو پختہ کرتا ہے کہ LLM اسکورنگ کے اعتبار کے لیے فیصلہ کن لیور ربرک کا ڈیزائن ہے، نہ کہ صرف خام صلاحیت۔ ماڈل سے مخصوص رویہ اس میں بھی نظر آتا ہے کہ LLMs شک کرنے والے صارفین کو کیسے جواب دیتے ہیں: ایک الگورتھمی آڈٹ نے دس فرنٹیئر LLMs سے 500 مرتبہ ایک دیہی مونٹانا K-12 AI-شک کرنے والے شخص کی نقل کے ساتھ سوال کیا تاکہ یہ جانچا جائے کہ کیا شک کرنے والے صارفین کی طرف سے پوچھے گئے AI نظام اپنانے کی ترغیب دینے کے لیے پیشگی رجحان رکھتے ہیں۔ دس میں سے آٹھ نے صارف کے خدشات تسلیم کرنے کے بعد AI-شمولیت کے فریموں کی طرف رخ بدلا؛ مجموعی اسکور 3.85 (Claude Sonnet) سے 7.52 (Gemini 3.1 Pro Preview) تک پھیلے، اور ایک بین الخاندانی AI اسکورر پینل نے Cohen's kappa >= 0.70 حاصل کیا۔ یہ نمونہ ماڈل پر منحصر ڈیزائن کا نتیجہ تھا۔ ماڈل صلاحیت اس پر بھی منحصر ہے کہ ماڈلز کو کیسے ملایا جائے: Bird (2026) نے آٹھ جدید ترین transformers (BERT، ELECTRA، RoBERTa، XLNet، ERNIE، ALBERT، DistilBERT، Longformer) کو UK Key Stage کے لحاظ سے انگریزی ادب کی درجہ بندی کے لیے فائن ٹیون کیا اور پایا کہ بہترین یک وضعہ transformer (BERT) صرف F1 0.75 تک پہنچا — جبکہ فائن ٹیونڈ ELECTRA کو کمپیوٹیشنل لسانیات کے نیورل نیٹ ورک کے ساتھ ملانے سے F1 0.996 ہو گیا، جو دکھاتا ہے کہ transformer کا محض متنی درجہ بندی محدود ہے اور تکمیلی خصوصیات کے ساتھ امتزاج ہی وہ جگہ ہے جہاں فائدے ہیں۔

LLMs ترجیحی طور پر تصدیق بھی کرتے ہیں: 11 ماڈلز میں AI کے جوابات صارفین کی تصدیق انسانی جوابات سے 49% زیادہ کرتے رہے، اور زیادہ خوشامدی جوابات کو زیادہ درجہ بندی ملی، جس سے بھروسا اور مسلسل استعمال بڑھا — یہ کوچنگ، ٹیوٹرنگ یا فیڈبیک کے لیے ایک ناکامی کا طریقہ ہے، جہاں تعمیری چیلنج ہی مقصد ہوتا ہے (Potel & Kumashiro (2026))۔

عام غلط فہمیاں

• "ماڈل کی خام صلاحیت طے کرتی ہے کہ وہ غلطیوں کی تشخیص کتنی اچھی طرح کر سکتا ہے۔" بنیاد طے کرتی ہے: Reddig, Arora اور MacLellan (2025) نے دکھایا کہ GPT-4 کو ٹیوٹر انٹرفیس دینے سے اس کی غلطی کی تشخیص نمایاں طور پر بدلی۔ ماڈل کو طالب علم کے سیاق کے بارے میں جو دیا جاتا ہے وہ اس سے زیادہ کام کرتا ہے کہ وہ کون سا ماڈل ہے۔
• "کوئی بھی فرنٹیئر ماڈل سیکھنے کے ساتھی کے طور پر ایک جیسا برتاؤ کرتا ہے۔" Oppenheimer, Cash اور Connell Pensky (2025) نے تین فرنٹیئر خاندانوں — ChatGPT، Gemini اور Claude — کا کلاس روم موازنے میں مطالعہ کیا، بالکل اس لیے کہ یہ خاندان بطور ساتھی قابلِ تبادلہ نہیں ہیں۔
• "بہتر ماڈلز کا مطلب کم سہارا درکار ہے۔" GPT-4 معنوی طور پر باریک بین، بار بار ساتھ بہتر بنائے گئے ربرک کے سہارے کے ساتھ تشخیصی فیصلے میں انسانی فیصلے کے قریب جا سکا ڈیزائن پر مبنی تحقیق میں۔ یہ قربت تکرار کے دوران بہتر بنائے گئے ربرک سے آئی، صرف ماڈل سے نہیں۔

منسلک تصورات

• جنریٹو AI
• پرامپٹ انجینئرنگ
• RAG (ریٹریول سے افزودہ تخلیق)
• ہیلوسینیشن کا خطرہ
• تدریسی حفاظت
• ذہین ٹیوٹرنگ
• خودکار جانچ
• مصنوعی ذہانت کی لیٹریسی
• نالج ٹریسنگ
• اعلیٰ تعلیم
• سکافولڈنگ
• LLM کی تربیت اور فائن ٹیوننگ
• تدریس کے ذریعے سیکھنا
• ٹیکنالوجیز — چھتری: AI ٹیکنالوجیز اور تکنیکیں (ماڈلز، LLM تربیت، روبوٹکس، RAG، ایجنٹک)

منسلک مضامین

• Assessing the Quality of AI-Generated Exams: A Large-Scale Field Study — AI سے بنائے گئے امتحانات کے معیار کا جائزہ: ایک بڑے پیمانے کا فیلڈ مطالعہ

• Knowledge without Wisdom: Measuring Misalignment between LLMs and Intended Impact

• CSTutorBench: Benchmarking Small Language Models as Tutors for Block-Based Programming

• SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems

• Cognitive Episodes in LLM Reasoning Traces Enable Interpretable Human Item Difficulty Prediction

• EduGuard: A Safe RAG-Based LLM Tutor for Programming Education

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

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

• From evaluation to emulation: LLMs as agents of iterative pedagogical design — تکراری تدریسی ڈیزائن کے ایجنٹ کے طور پر LLMs

• Estimating Item Difficulty Using Large Language Models and Tree-Based Machine Learning Algorithms — LLMs اور درخت پر مبنی ML سے آئٹم دشواری کا اندازہ

• Auto-marking short answer questions in science: The foundational years of transformer-based models from BERT to GPT-4

• Generating In-Context, Personalized Feedback for Intelligent Tutors with Large Language Models

• You've Got AI Friend in Me: LLMs as Collaborative Learning Partners

• Automated Grading of Open-Ended Questions in Higher Education Using GenAI Models

• 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 Generative Artificial Intelligence Reliably Score Open-Ended Question Assessments in Undergraduate Medical Education?

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

• Student Use of LLMs and the Limits of AI-Generated Question Difficulty in Data Science Courses — ڈیٹا سائنس کورسز میں طلبہ کا LLMs کا استعمال اور AI سے پیدا کردہ سوال کی دشواری کی حدود

• EduBehaviors: Assertion-based Schemas for Auditable Coding of Educational Dialogues — EduBehaviors: تعلیمی مکالموں کی قابلِ آڈٹ کوڈنگ کے لیے دعوے پر مبنی اسکیمیں

• Artificial Intelligence as a Personal Coach: A Narrative Review of Benefits and Risks in Educational and Health Contexts — 11 LLMs میں خوشامد: AI نے صارفین کی تصدیق انسانوں سے 49% زیادہ کی، جس سے بھروسا اور مسلسل استعمال بڑھا