ہم مرتبہ جانچ

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

ہم مرتبہ جانچ — وہ عمل جس میں طلبہ ایک دوسرے کے کام کی جانچ کرتے، درجہ دیتے یا فیڈبیک دیتے ہیں، تحریری ہم مرتبہ جائزے، ہم مرتبہ درجہ بندی، ہم مرتبہ کوڈ جائزے، یا گروپ اور ٹیم جانچ کے ذریعے۔ تحریر کی تدریسی طریقے اور حکمت عملیاں میں یہ ایک قدیم بہترین عمل ہے: طلبہ معیار پر مبنی فیڈبیک وصول کرنے سے بھی سیکھتے ہیں اور اسے دینے سے بھی، اور مشترکہ کام پر ہم مرتبہ گفتگو گہری سیکھنے، سامعین سے آگاہی اور سماجی نشوونما کے ساتھ تعلق رکھتی ہے۔ AI کے دور میں اسے ایک واحد سرگرمی کے بجائے جانچ کے ڈیزائن کے انتخاب کے طور پر نئے سرے سے دیکھا جا رہا ہے — AI کے پیدا کردہ فیڈبیک کا انسانی تکملہ، فیڈبیک لیٹریسی کی تربیت گاہ، اور وہ مقام جہاں علمی سالمیت اور طلبہ کی ایجنسی نئے سرے سے طے ہوتی ہیں۔

غور کرنے کے سوالات

• ایک ایسے وقت کو یاد کریں جب آپ کے کام کی جانچ کسی ہم مرتبہ نے کی تھی—یا آپ نے ان کے کام کی۔ آپ نے کس سے زیادہ سیکھا: فیڈبیک دینے سے یا وصول کرنے سے، اور کیوں؟
• کسی طالب علم کا فیڈبیک AI فیڈبیک سے زیادہ سیاق آگاہ اور جذباتی طور پر معاون کیوں ہو سکتا ہے، حتیٰ کہ جب AI فیڈبیک زیادہ مستقل اور روبرک پر مبنی ہو؟ دونوں ایک دوسرے کی تکمیل کیسے کر سکتے ہیں؟
• ہم مرتبہ افراد مضبوط کام کو کم درجہ دیتے ہیں اور AI کمزور کام کو بڑھا چڑھا کر پیش کرتا ہے۔ اگر کوئی بھی پورے معیار کے دائرے میں قابل اعتماد طور پر درست نہیں، تو کسی بھی ماخذ کے درجے کو کس کام کے لیے استعمال کرنا چاہیے؟
• ہم مرتبہ جانچ کا انحصار بہت حد تک سکافولڈنگ اور واضح معیارات پر ہے، اور دوستی کا تعصب اور سماجی بے چینی غیر تربیت یافتہ ہم مرتبہ جائزے کو کسی بھی جائزے سے بدتر بنا سکتی ہے۔ آپ کے سیاق میں مناسب تربیت درحقیقت کیسی دکھتی ہے؟
• اگر AI تنظیم اور ساخت پر تبصرے کا مسودہ تیار کر سکتا ہے، تو کیا اس سے ہم مرتبہ جانچ غیر ضروری ہو جاتی ہے — یا یہ ساتھیوں کو وہ مخصوص، سامعین سے آگاہ فیڈبیک دینے کی آزادی دیتی ہے جو صرف وہی دے سکتے ہیں؟
• ایک تحقیق میں GenAI کی معاونت والا ہم مرتبہ فیڈبیک سادہ ہم مرتبہ فیڈبیک سے بہتر ثابت ہوا، لیکن صرف پرامپٹ سہارا شامل کرنے پر۔ وہاں سہارا کس کو دیا جا رہا ہے — AI کو، طالب علم کو، یا جانچ کو؟
• AI کے پیدا کردہ فیڈبیک کی تنقیدی جانچ کو AI خواندگی اور مصنفانہ ایجنسی کی تعمیر کہا جاتا ہے۔ جب مشینیں تیزی سے آپ کے کام پر تبصرہ کرتی ہیں تو اپنے کام پر ایجنسی رکھنے کا مطلب کیا ہے؟

تعارف

ہم مرتبہ جانچ جانچ کے ڈیزائن کا ایک انتخاب ہے جس میں طلبہ اس جانچ کے کام کا کچھ حصہ سنبھال لیتے ہیں جو عام طور پر مدرسین کے لیے مخصوص ہوتا ہے۔ اس کی شکلیں اس بات میں مختلف ہیں کہ طلبہ کیا پیدا کرتے ہیں اور داؤ پر کیا ہے: ہم مرتبہ فیڈبیک (مسودے پر تبصرے، عموماً تکوینی اور کم داؤ والے)، ہم مرتبہ درجہ بندی (ایک نمبر جو درجے میں شمار ہوتا ہے)، ہم مرتبہ کوڈ جائزہ، اور گروپ یا ٹیم جانچ (جہاں ساتھی اجتماعی مصنوع یا ایک دوسرے کے حصوں کی جانچ کرتے ہیں)۔ شکل ہی طے کرتی ہے کہ طلبہ کس چیز کی مشق کرتے ہیں — معیار پر مبنی تبصرہ دینا جانچی صلاحیت کو نمبر دینے سے مختلف طریقے سے تعمیر کرتا ہے، اور اپنے کوڈ کا زبانی دفاع کرنا پھر کچھ اور تعمیر کرتا ہے۔ خود جانچ، جو اس کا ہم زاد عمل ہے، اسی معیار پر مبنی گہری جانچ کو طالب علم کے اپنے کام پر مبذول کرتا ہے، جبکہ ہم مرتبہ جانچ اسے کسی ساتھی کی پیش کش پر اور اس کے ساتھ آنے والی سامعین آگاہی پر مرکوز کرتی ہے۔

تحقیقی بنیاد اس بات پر متفق ہے کہ ہم مرتبہ جانچ سیکھنے کو جنم دیتی ہے، اور اس بات پر مختلف ہے کہ کتنا کچھ ڈیزائن پر منحصر ہے۔ یہ طلبہ کو ایک حقیقی سامعین دیتی ہے، معیار پر مبنی جواب کے ذریعے جانچی صلاحیت پروان چڑھاتی ہے، اور وہ سماجی سیاق تعمیر کرتی ہے جو شمولیت اور تحریک کو سہارتا ہے۔ اس کا معیار بہت حد تک سکافولڈنگ پر منحصر ہے — کہ یہ کتنی اچھی طرح ساختہ ہے، اور کہ طلبہ کو واضح معیارات اور تربیت ملتی ہے یا نہیں۔ اسی انحصار میں AI داخل ہوتا ہے، ساتھیوں کے دیے گئے مخصوص، سیاق آگاہ فیڈبیک کے لیے ایک مستقل، روبرک پر مبنی تکملے کے طور پر، اور تیزی سے خود ہم مرتبہ جانچ کے عمل میں شامل ایک سہارے کے طور پر۔

Wang and Guo (2026) پاتے ہیں کہ وہ EFL طلبہ جنہوں نے کسی جنریٹیو AI کے ساتھ کھلے مکالمے کے ذریعے ساتھیوں کی تحریر کا جائزہ لیا، ایسا فیڈبیک پیدا کیا جسے وصول کنندگان نے معیار میں زیادہ درجہ دیا، اور جذباتی ردعمل اور فیڈبیک خواندگی میں اضافہ مکالمے کے معیار کے لحاظ سے مختلف رہا۔

طلبہ ساتھیوں کی جانچ سے کیا سیکھتے ہیں

ہم مرتبہ جانچ کے حق میں سب سے مضبوط دلیل یہ ہے کہ جانچنے والا سیکھتا ہے۔ Fowles et al. (2026) نے ہر CS1 پیش کش کو ایک تربیت یافتہ تدریسی معاون کے ساتھ 15 منٹ کا زبانی کوڈ جائزہ انٹرویو لازمی بنایا، جس کا وزن اسائنمنٹ کے درجے میں 70% تھا۔ پیسٹ شدہ حروف کا کل حروف سے تناسب 61.0% سے 68.1% ہو گیا (p < 0.0001)، پھر بھی امتحانی اسکور نہیں گرے اور کام پر صرف ہونے والا وقت مستحکم رہا؛ 90% طلبہ نے کہا کہ جائزوں نے انہیں اپنے کوڈ کو بہتر سمجھنے کی ترغیب دی اور 65% نے کہا کہ انہوں نے AI پر حد سے زیادہ انحصار سے بچنے میں مدد کی۔ طلبہ سے اپنا کام ایک تربیت یافتہ ہم مرتبہ کو سمجھانے کا مطالبہ ممکنہ منتقلی کو خود ضابطگی مشق کے موقع میں بدل دیا۔

یہ طریقہ کار ادب میں بار بار آتا ہے۔ 203 میں سے چھانٹے گئے 22 مضامین کے PRISMA 2020 منظم جائزے میں Martínez-Peláez et al. (2025) نے پایا کہ LLMs تعاون کی مدد جزوی طور پر ہم مرتبہ فیڈبیک سے کرتے ہیں اور روبرک پر مبنی جانچوں کی نقل کرتے ہیں، اور وہ طلبہ جو ماڈل کے نتائج کی تصدیق اور اصلاح کرتے ہیں وہ تنقیدی سوچ پروان چڑھاتے ہیں۔ تدریس کے ذریعے سیکھنا مشینوں میں بھی نظر آتا ہے: 2.4 ملین سے زیادہ AI ایجنٹوں کے درمیان ہم مرتبہ سیکھنے جیسی گفتگو زیادہ تر دعوے پر مبنی تھی، تفتیش پر نہیں (بیان اور سوال کا تناسب 11.4:1، 28,683 پوسٹوں میں کوڈ شدہ درجہ بندی کا صرف 7% میٹا کوگنیشن غور)، جسے Chen et al. (2026) اس انتباہ کے طور پر لیتے ہیں کہ سطحی گفتگو یہ ثابت نہیں کرتی کہ کچھ سیکھا گیا ہے۔

تربیت، معیار بندی اور فیڈبیک خواندگی

ہم مرتبہ جانچ اس وقت پیش گوئی کے مطابق ناکام ہوتی ہے جب طلبہ غیر تربیت یافتہ ہوں۔ Gu, Chen, and Yan (2026) نے چین میں مخلوط طریقہ نیم تجربہ کیا جس میں 118 پہلے سال کے انڈرگریجویٹس شامل تھے، جس میں پہلے سے تربیت یافتہ روبرک کے تحت ChatGPT-4o کا موازنہ اعلیٰ معیار کے نمونے والی ساختہ ہم مرتبہ جائزہ ورک شیٹس سے کیا۔ فیڈبیک خواندگی GenAI گروپ میں قدرے زیادہ بڑھی (ANCOVA p = 0.049، η²p = 0.03)، لیکن معیاری نتائج زیادہ اہم ہیں: ہم مرتبہ گروپ کے طلبہ نے فیڈبیک کے ذرائع سماجی سہولت سے چنے — قریبی ساتھی، ہم مضمون ساتھی، روم میٹ — ان کے پاس شاذ و نادر ہی کوئی مخصوص فیڈبیک مقصد ہوتا تھا، اور انہیں فیڈبیک مانگنے میں سماجی بے چینی کا سامنا تھا۔ ہم مرتبہ جانچ اکثر دوستی کے تعصب اور ساتھی کی سمجھی گئی مہارت سے مسخ ہو جاتی تھی، اور ہم مرتبہ غور اکثر بعد کے امتحانات تک مؤخر رہتا تھا۔ مصنفین گمنام ہم مرتبہ فیڈبیک کے ساتھ کثیر المرحل ڈیزائن کی سفارش کرتے ہیں، کیونکہ ہم مرتبہ جائزہ پھر بھی فیڈبیک دینے کے ذریعے سامعین آگاہی اور جانچی صلاحیت منفرد طور پر تعمیر کرتا ہے۔

ڈیزائن فریم ورک ان رکاوٹوں کو نشانہ بناتے ہیں۔ Irwin and Muller (2026) تقریر پر EFL/ESL ہم مرتبہ فیڈبیک میں GenAI کے دو کردار تجویز کرتے ہیں، ایسا معاملہ جو ان کی دلیل کے مطابق تحریر سے زیادہ مشکل ہے کیونکہ وقت کا دباؤ، عارضی زبانی کارکردگی اور بڑھا ہوا جذباتی پہلو ہے: ایک ٹرینر جو نمونے پر مبنی معیار بندی اور فیڈبیک پر فیڈبیک کے ذریعے فیڈبیک دینے والوں کی مدد کرتا ہے، اور ایک سنتھیسائزر جو ساتھیوں کے تبصروں کو معیار سے منسلک قبولیت کی رپورٹ میں یکجا کرتا ہے جو فارمیٹس کو معیاری بناتا ہے، اقلیتی نظریات محفوظ رکھتا ہے اور تضادات کی نشاندہی کرتا ہے۔ ان کے اصول ہیں محتاط وقت اور ترتیب، ٹرینر کی مختصر مکرر اکائیاں، فیڈبیک دینے والوں کی آواز محفوظ رکھنا، اور ایسے گارڈ ریل جو استاد کو حلقے میں رکھیں اور کوئی خودکار درجہ بندی نہ ہو۔ مقالہ تصوراتی ہے، اس میں کوئی نیا تجرباتی ڈیٹا نہیں۔

اعتبار، انصاف اور درجہ بندی کی درستگی: ہم مرتبہ بمقابلہ AI بمقابلہ مدرس

جہاں ہم مرتبہ جانچ کوئی درجہ پیدا کرتی ہے، سوال یہ ہے کہ درجہ کس بنیاد پر قابل دفاع ہے۔ Usher and Faraon (2026) نے پایا کہ ہم مرتبہ اور مدرس کے درمیان ہم آہنگی کم معیار کے کام میں سب سے مضبوط تھی (کم معیار کی سطح میں r = 0.51) اور اعلیٰ معیار کے منصوبوں میں کمزور ہو گئی، جنہیں ساتھی کم درجہ دیتے تھے — غالباً مضبوط کام پر تنقید سے ہچکچاہٹ کا عکس۔ ChatGPT نے الٹا نمونہ دکھایا: اعلیٰ معیار کے کام پر بہتر ہم آہنگی، مگر کمزور پیش کشوں کے لیے بڑھے ہوئے درجات۔ طلبہ نے ساتھیوں کے درجات کو ساتھیوں کے اپنے تحریری فیڈبیک سے زیادہ ہم آہنگ سمجھا، اور ساتھیوں کے رشتے سے آگاہ فیصلے کو ChatGPT کی غیر جانبدار مستقل مزاجی کے ساتھ قدر کی نگاہ سے دیکھا۔ ہم مرتبہ کی درستگی معیار پر منحصر اور رشتے کے تئیں حساس ہے، اور کوئی اکیلا ماخذ پورے دائرے میں قابل اعتماد نہیں۔

یہ اس بات کو محدود کرتا ہے کہ ہم مرتبہ کے درجے کو کس کام کے لیے استعمال کرنا چاہیے۔ تقسیم کے وسط میں معیار بند کیا گیا نمبر ضروری نہیں کہ اوپر یا نیچے بھی معیار بند ہو، اس لیے ہم مرتبہ کے درجات کسی معتدل فیصلے کے ان پٹ کے طور پر یا جانچنے والے کی صلاحیت کے ثبوت کے طور پر زیادہ قابل دفاع ہیں، بجائے اس کے کہ مضبوط کام پر حتمی نمبر ہوں۔ Suen and Hung (2026) اس بات پر زور دیتے ہیں کہ ادارے قابل توسیع متبادل کیوں تلاش کرتے رہتے ہیں: ہم مرتبہ فیڈبیک اور ماہر کی کوچنگ وقت طلب، مہنگی اور مستقل طور پر توسیع پذیر کرنا مشکل ہے۔ ان کے بند حلقے والے نظام نے 204 بالغ سیکھنے والوں کو پریزنٹیشن مہارتوں پر XGBoost ریڑھ کی ہڈی کے ساتھ اسکور کیا جو ماہر درجہ بند کرنے والے کے اعتبار کے قریب پہنچتا ہے (ρ = 0.69–0.78) اور پہلے اور بعد کے فوائد Cohen's d = 0.39–0.90 تھے — یہ ایک پہلے اور بعد کا میدانی مطالعہ ہے، ہم مرتبہ جانچ سے موازنہ نہیں، جو ہم مرتبہ کے فیصلے کو بڑھانے کے بجائے مشینی فیصلے کا متبادل بناتا ہے۔

AI سے افزودہ ہم مرتبہ جانچ: PAIRR اور ٹرینر/سنتھیسائزر کی تقسیم

غالب ڈیزائن نمونہ ہم مرتبہ کو مرکز میں رکھتا ہے اور اس کے گرد AI شامل کرتا ہے۔ پیئر اینڈ AI ریویو + ریفلیکشن ماڈل اس کی سب سے بہتر دستاویزی مثال ہے۔ Sperber et al. (2025) نے PAIRR کو 10 تحریری کورسز اور تین تحریر پر مبنی STEM کورسز میں نافذ کیا، جن میں 654 طلبہ تھے (37% پہلی نسل، 13% بین الاقوامی، 68% کثیر اللسانی)۔ طلبہ نے مسودہ تیار کیا، ہم مرتبہ جائزے کا تبادلہ کیا، اسی مسودے پر روبرک پر مبنی فیڈبیک کے لیے ChatGPT کو پرامپٹ کیا، دونوں کی تنقیدی جانچ کی، نظرثانی کی منصوبہ بندی کی، اور غور کیا۔ 58% نے مشترکہ فیڈبیک کو ترجیح دی، 36% نے صرف ہم مرتبہ فیڈبیک کو، اور صرف 6% نے صرف AI فیڈبیک کو۔ دونوں ذرائع اکثر مماثل تھے (75% نے مماثلتیں بتائیں، جنہیں ایک دوسرے کی تصدیق اور تقویت کے طور پر بیان کیا گیا) اور جب مختلف ہوتے تو تکمیلی: AI فیڈبیک کو اکثر حد سے زیادہ عمومی کہا گیا (31%) مگر اس نے تنظیم اور ساخت پر قابل عمل نظرثانی کی حکمت عملیاں دیں، جبکہ ہم مرتبہ فیڈبیک زیادہ مخصوص اور تفصیلی تھا (28%) اور اسائنمنٹ کے سیاقی علم سے استفادہ کرتا تھا۔ AI کے نتائج کی تنقیدی جانچ نے مصنوعی ذہانت کی لیٹریسی تعمیر کی، اور صرف 5.3% طلبہ نے اس پر حد سے زیادہ اعتماد دکھایا۔

یہ نمونہ پیشہ ورانہ تحریر تک عام ہوتا ہے۔ MacArthur et al. (2025) نے PAIRR کو ایک اعلیٰ ڈویژن بزنس رائٹنگ کورس میں لاگو کیا جہاں پانچ بڑے اسائنمنٹس میں سے ہر ایک کے لیے مسودہ، سامعین کا تجزیہ، 2–3 ساتھیوں کا ہم مرتبہ جائزہ اور نظرثانی ضروری تھی (داخلہ یافتہ 46 میں سے 34 طلبہ نے شرکت کی؛ 69% کثیر اللسانی)۔ طلبہ نے AI فیڈبیک کو قدر کی نگاہ سے دیکھا مگر کبھی اسے حد سے زیادہ عمومی پایا، اور ساتھیوں کے سیاقی علم کو سراہا — "میرے ساتھیوں نے اسے آجر کے نقطہ نظر سے دیکھا… ChatGPT نے ایسا زیادہ نہیں کیا۔" بڑے PAIRR مطالعے میں کوڈ شدہ غور و فکر کے ایک چوتھائی نے AI فیڈبیک پر شک ظاہر کیا یا غلطیاں نوٹ کیں، جسے مصنفین AI خواندگی کی ترقی کے طور پر پڑھتے ہیں۔ یہ مطالعہ توصیفی اور کورس کے لیے مخصوص ہے۔

ہم مرتبہ فیڈبیک اور گروپ جانچ کے اندر GenAI بطور سہارا

ڈیزائن کتنا اہم ہے اس کا سب سے سخت امتحان ایک کثیر مقام جھرمٹ بے ترتیب تجربہ ہے۔ Ateş (2026) نے 4 یونیورسٹیوں کے 48 سیکشن بے ترتیب تفویض کیے — حیاتیات، کیمسٹری اور فزکس میں 1,176 پہلے سال کے انڈرگریجویٹس — اور سائنسی استدلال کے لیے چار شرطیں بنائیں: صرف ہم مرتبہ فیڈبیک، براہ راست GenAI فیڈبیک، غور طلب GenAI فیڈبیک (خود جانچ پھر AI تنقید)، اور خود جانچ → ہم مرتبہ فیڈبیک → GenAI تنقید کا امتزاج۔ براہ راست GenAI نے فوری دلیل کے معیار پر ہم مرتبہ فیڈبیک کو پیچھے چھوڑا مگر کمزور منتقلی دکھائی؛ غور طلب اور امتزاجی ڈیزائنوں نے زیادہ مضبوط فیڈبیک قبولیت اور خود ضابطہ سیکھنا پیدا کیا؛ امتزاج نے تصوراتی سیکھنے پر سب سے واضح برتری دکھائی؛ دونوں نے تاخیری، AI سے پاک منتقلی پر براہ راست GenAI کو پیچھے چھوڑا۔ مصنفین یہ نتیجہ اخذ کرتے ہیں کہ GenAI کی قدر رسائی پر کم اور اس پر زیادہ منحصر ہے کہ ماحول نظرثانی کے دوران طالب علم کی ایجنسی اور ملکیت محفوظ رکھتا ہے یا نہیں۔

AI فیڈبیک کو ہم مرتبہ بحث سے پہلے ترتیب دینا، بعد میں نہیں، بھی نتائج بڑھاتا ہے: صرف ہم مرتبہ فیڈبیک کے مقابلے میں، 122 چینی EFL طلبہ جنہیں AI اور ہم مرتبہ کا مربوط فیڈبیک دیا گیا، انہوں نے زیادہ جذباتی، رویّاتی اور علمی شمولیت رپورٹ کی (جزوی η² = 0.29، 0.28، 0.32) اور IELTS تحریر کی چاروں جہتوں پر بہتر کارکردگی دکھائی، سب سے زیادہ کام کی تکمیل میں (d = 1.41) (Liu (2026))۔

یہ نمونہ — ابتدائی برتری جو قائم نہیں رہتی — پھر آتا ہے جب موازنہ صرف GenAI کے بجائے استاد کے فیڈبیک اور AI کی معاونت والے ہم مرتبہ فیڈبیک کے درمیان ہو۔ Tang, Li, and Luo (2026) نے 61 چینی L2 مصنفین (244 درجہ بند متون) کے ساتھ آٹھ ہفتے کا نیم تجربہ کیا جو ایک ہی پانچ جہتوں والی چیک لسٹ پر کام کر رہے تھے، ایک کلاس کو استاد کا تحریری فیڈبیک اور دوسری کو AI کی معاونت والا ہم مرتبہ فیڈبیک ملا۔ استاد کے فیڈبیک نے کہیں زیادہ تبصرے پیدا کیے — پہلے کام میں 185 کے مقابلے 316 اکائیاں — جو الفاظ اور تکنیکی تفصیلات پر مرکوز تھے، اور قدرے بڑا فوری فائدہ دیا، لیکن اس کی بہتری دوسرے کام تک تیزی سے گر گئی جبکہ AI کی معاونت والی ہم مرتبہ کلاس مستحکم رہی اور زیادہ نظرثانی اسکور کے ساتھ ختم ہوئی۔ AI کی معاونت والے ہم مرتبہ تبصرے کم تھے مگر مواد اور ساخت میں جڑے رہے، اور الفاظ کے تنوع میں ان کی ابتدائی برتری قائم نہ رہی؛ کسی بھی طریقے نے نحوی پیچیدگی کو حرکت نہیں دی۔ مصنفین دونوں کو تکمیلی سہارے پڑھتے ہیں اور AI–ہم مرتبہ–استاد کا امتزاج تجویز کرتے ہیں، جس میں AI مسودہ سازی کے دوران سطحی غلطیاں نشان زد کرتا ہے، ساتھی نظرثانی میں مواد پر گفت و شنید کرتے ہیں، اور استاد اس چیز کو نشانہ بناتا ہے جہاں تک کوئی نہ پہنچا۔

GenAI شامل کرنا ہم مرتبہ فیڈبیک کے معیار کو بھی بڑھا سکتا ہے، لیکن بظاہر صرف پرامپٹ سہارے کے ساتھ۔ Chang et al. (2026) نے 12 گروپوں میں 45 طالب علم اساتذہ کے درمیان تعاونی استدلال کے چار دوروں میں تین شرطوں کا موازنہ کیا: سادہ ہم مرتبہ فیڈبیک، GenAI کے ساتھ ہم مرتبہ فیڈبیک، اور پرامپٹ سہارے کے تحت GenAI کے ساتھ ہم مرتبہ فیڈبیک۔ GenAI کی معاونت والے گروپوں نے استدلال کی کارکردگی پر سادہ ہم مرتبہ فیڈبیک کو پیچھے چھوڑا، اور پرامپٹ سہارے والے گروپ نے "جوابی ڈیٹا اور جواز" اور "مخالف نقطہ نظر سے خطاب" جیسے اعلیٰ عناصر پر بہترین کارکردگی دکھائی۔ GenAI کی معاونت والے گروپوں نے زیادہ وضاحتیں، تجاویز، اور غیر جانبدار یا منفی فیڈبیک پیدا کیا، اور سہارے والے گروپ نے منفی جذبات کو اعلیٰ درجے کے فیڈبیک مواد کے ساتھ جوڑا — یعنی غیر فعال قبولیت کے بجائے تنقیدی جانچ۔ یہ ایک چھوٹا اکیلا تجربہ ہے، مگر یہ پرامپٹ سہارے کو بطور فعال جزو الگ کرتا ہے۔

گروپ جانچ مسئلہ بدل دیتی ہے، کیونکہ طلبہ کو یہ طے کرنا ہوتا ہے کہ کس کا AI استعمال قابل قبول ہے۔ Chen and Zou (2026) نے ایک ایسے کورس میں 52 پری سروس اساتذہ کے 15 فوکس گروپس کے انٹرویو کیے جہاں حتمی درجے کے 30% مالیت کی گروپ پریزنٹیشن کے لیے تکامل اور ہم آہنگی ضروری تھی۔ تین نمونے سامنے آئے: پانچ گروپوں میں تعاون پر مبنی ایجنسی، جنہوں نے کام کو باندھے رکھنے اور مشترکہ درجہ بچانے کے لیے GenAI استعمال تیز کیا؛ سات گروپوں میں معیاری ایجنسی، جنہوں نے اصلیت اور انصاف بچانے کے لیے استعمال کو محدود کیا — ایک طالب علم نے دلیل دی کہ AI میں کوئی حصہ بنانا "دوسرے گروپ ساتھیوں کے ساتھ انصاف نہیں" ہوگا؛ اور تین گروپوں میں غیر نافذ شدہ ایجنسی جن کا عمل انفرادی کام سے کبھی نہ بدلا۔ مصنفین دلیل دیتے ہیں کہ انفرادی قابلیت بذات خود اجتماعی ایجنسی نہیں بنتی اور قابل قبول AI استعمال کی گفت و شنید کو خود ایک قابل جانچ نتیجہ بننا چاہیے، جس میں ہم مرتبہ جائزے کے کام حتمی مصنوع کو تقویت دیں۔

فیڈبیک کا ڈھانچہ، افشا اور ہم مرتبہ جانچ کی سماجی شرائط

ہم مرتبہ جانچ اس بات پر بھی منحصر ہے کہ طلبہ ایک دوسرے کا کتنا دیکھ سکتے ہیں اور کتنا تسلیم کریں گے۔ Hao and Cukurova (2026) نے آٹھ ہفتوں میں 128 طلبہ کے ساتھ تین تکراروں میں AI کے پیدا کردہ خلاصے والا سیکھنے کا ڈیزائن آزمایا۔ AI کی معاونت والی تکراروں کے طلبہ نے بیس لائن کے مقابلے نمایاں طور پر زیادہ معیاری بیرونی درجہ مرکزیت دکھائی (β = 0.547 اور β = 0.438، دونوں p < 0.001): انہوں نے زیادہ ساتھیوں کو دیکھا یا ان سے تعامل کیا۔ انٹرویوز نے خلاصوں کو ایک نیویگیشن نقشہ قرار دیا جس نے بدنام دھاگوں میں دبی شراکتوں کو ڈھونڈنے کی محنت کم کی، اور طلبہ دوستی کے بجائے متضاد آراء کے لیے چنے گئے فعال شراکت داروں کی طرف متوجہ ہوئے۔ ڈیزائن نے بڑھتے ہوئے کام کے بوجھ تلے دیکھنے کی گرتی ہوئی سرگرمی کو نہیں روکا، اس لیے صرف تکنیکی سہولیات شمولیت کو برقرار نہیں رکھتیں۔

ہم مرتبہ کے معیارات ایمانداری کو بھی تشکیل دیتے ہیں، جو ہر وہاں اہم ہے جہاں ساتھی AI سے متاثر کام کی جانچ کرتے ہیں۔ Qu and Wang (2026) نے 409 سنگاپوری انڈرگریجویٹس کا سروے کیا کہ طلبہ افشا کے احکامات کے باوجود GenAI استعمال کیوں چھپاتے ہیں، اور پایا کہ رشتوں سے جڑے متغیرات غالب رہے: سمجھی گئی ہم مرتبہ افشا اور مدرسین کے ساتھ سہولت افشا کی سب سے مضبوط پیش گو تھیں، جبکہ اخلاقی عدم وابستگی کمزور تھی۔ عدم افشا سمجھے گئے ہم مرتبہ معیارات اور کم تفسیری اعتماد کے لیے حکمت عملی کے مطابق موافقت تھا، اخلاقی غفلت نہیں۔ اس لیے ہم مرتبہ کے معیارات ایمانداری کو سہار سکتے ہیں، جیسے جب گروپ جانچ کے طلبہ نے ساتھیوں کے ساتھ ذمہ داری کی وجہ سے AI استعمال محدود کیا، یا اسے دبا سکتے ہیں، جیسے جب اجتماعی اختیار نے غلط استعمال کا سمجھا گیا خطرہ کم کیا۔ مصنفین دلیل دیتے ہیں کہ شفافیت تعمیل پر کم اور اعتماد اور مثبت معیاری ماحول پر زیادہ منحصر ہے — ایک رشتوں کی شرط جسے ہم مرتبہ جانچ کے ڈیزائن یا تو پیدا کرتے ہیں یا تباہ۔

ڈیزائن کے مضمرات اور کھلے سوالات

کئی ڈیزائن اقدامات ان سے نکلتے ہیں۔ جانچنے والوں کو جانچ سے پہلے تربیت، نمونے اور معیارات دیں، کیونکہ غیر تربیت یافتہ ہم مرتبہ جانچ دوستی کے تعصب، سہولت پر مبنی ماخذ کے انتخاب اور سماجی بے چینی کا شکار ہے۔ کام کو ایسے ترتیب دیں کہ خود جانچ ہم مرتبہ فیڈبیک اور AI تنقید سے پہلے آئے، کیونکہ امتزاجی شرط نے سب سے مضبوط تصوراتی سیکھنا اور بہترین تاخیری منتقلی پیدا کی۔ جہاں GenAI داخل ہو، طلبہ اسے کیسے پرامپٹ کریں اس کو سہارا دیں۔ جو بھی درجہ بنے اس کے لیے استاد کو حلقے میں رکھیں، ہم مرتبہ کے درجات کو یکساں نمبروں کے بجائے معیار پر منحصر ثبوت سمجھیں، اور AI استعمال کو خود ایسی چیز بنائیں جس پر گروپ گفت و شنید کریں اور دستاویز بنائیں۔

GenAI کی وساطت سے ہونے والا جائزہ ٹول کے لسانی معیارات بھی ورثے میں لیتا ہے: ورلڈ انگلشز کے ایک مکالمے میں شراکت دار دلیل دیتے ہیں کہ GenAI استعمال کرنے والے جائزہ لینے والے ماڈلز کی طرح غالب انگریزی اقسام کی اسی جانب داری کے سامنے ہوتے ہیں، اور تجویز دیتے ہیں کہ پیدا شدہ متن میں ترمیم یا دوبارہ تحریر کی جائے تاکہ مصنف کی اپنی لسانی شناخت جھلکے (Ugwuanyi et al. (2026))۔

کھلے سوالات صرف ڈیزائن کے بارے میں نہیں بلکہ ثبوت کی مضبوطی کے بارے میں ہیں۔ ہم مرتبہ اور AI کا زیادہ تر ثبوت چھوٹا اور سیاق و سباق سے جڑا ہے: ایک کورس میں 45 طالب علم اساتذہ، ایک بزنس رائٹنگ کورس میں 34 طلبہ، 15 فوکس گروپس میں 52 پری سروس اساتذہ۔ PAIRR سروے یہاں سب سے بڑا ڈیٹا سیٹ ہے اور یہ طلبہ کے تاثرات ناپتا ہے، ان AI نتائج کے معیار کو نہیں جنہیں طلبہ نے جانچا۔ صرف کثیر مقام تجربے کے 1,176 انڈرگریجویٹس ہی سببی-موازناتی پیمانے کے قریب پہنچتے ہیں، اور وہ ہم مرتبہ جانچ کے بجائے سائنسی استدلال کے لیے فیڈبیک ڈیزائن آزماتا ہے۔ دریں اثنا O'Neill (2026) نے 14 ہم مرتبہ جائزہ شدہ میٹا تجزیوں کا آڈٹ کیا جو دعویٰ کرتے ہیں کہ AI تعلیم کو بہتر بناتا ہے اور پایا کہ کسی نے بھی اپنے دعووں کے لیے درست بنیاد فراہم نہیں کی — دو کے سوا سب نے مداخلت کو تدریسی مداخلت کے بجائے ٹول کے طور پر بیان کیا، I² رپورٹ کرنے والے ہر میٹا تجزیے میں متفاوتیت بلند تھی (77.2% سے 94.4%)، اور 59 بنیادی مطالعات کے آڈٹ نے پایا کہ 61% میں اعتبار کے خدشات تھے، اکثر ناپے گئے نتیجے اور کیے گئے دعوے کے درمیان عدم مطابقت۔ AI ہم مرتبہ جانچ میں کیا کرتا ہے اس بارے میں دعووں کو ایک ڈیزائن شدہ سرگرمی کے بارے میں دعوے سمجھنا چاہیے، جو اسی سرگرمی کی شرائط پر آزمائے جائیں۔

عام غلط فہمیاں

• "زبانی دفاع AI کی معاونت والے کام کو روک دیتا ہے۔" ہر CS1 پیش کش کے درجے کے 70% مالیت کے 15 منٹ کے زبانی کوڈ جائزے کے تابع ہونے کے بعد پیسٹ شدہ حروف کا تناسب 61.0% سے 68.1% ہو گیا (p < 0.0001)۔ جس رویے کو نشانہ بنایا گیا وہ بڑھا — اور امتحانی اسکور نہیں گرے اور کام پر صرف ہونے والا وقت مستحکم رہا، جبکہ 90% طلبہ نے کہا کہ جائزوں نے انہیں ترغیب دی۔ مداخلت نے سمجھ پر کام کیا، پیسٹ کرنے پر نہیں۔
• "زبانی جانچ کا مقصد دھوکہ دہی کی نشاندہی ہے۔" ناپے گئے نتائج سمجھ اور ترغیب تھے، پیسٹ شدہ متن میں کمی نہیں۔ ڈیزائن کو اس کی نشاندہی کی شرح سے جانچنا اس بات کو غلط پڑھنا ہے کہ اس نے کیا حاصل کیا۔
• "ہم مرتبہ جائزہ مدرس کے فیڈبیک کا سستا متبادل ہے۔" سکھانے سے سیکھنا طریقہ کار ہے، اور یہ مشینوں میں بھی نظر آتا ہے: 2.4 ملین AI ایجنٹوں کے درمیان ہم مرتبہ سیکھنے جیسی گفتگو زیادہ تر دعوے پر مبنی تھی، تفتیش پر نہیں۔ تنقید پیدا کرنا وصول کرنے سے مختلف فعل ہے۔

منسلک تصورات

• تدریسی نمونے — PAIRR اور مشترکہ ہم مرتبہ جمع AI فیڈبیک: ترتیبیں اور ان کا موازناتی ثبوت
• تحریر
• تشکیلی جانچ
• خود جانچ
• AI فیڈبیک کا معیار
• مصنوعی ذہانت کی لیٹریسی
• خود ضابطگی والی سیکھنا
• میٹا کوگنیشن
• طلبہ کا تجربہ
• اشتراکی سیکھنا
• علمی سالمیت
• فیڈبیک لیٹریسی
• فیڈبیک
• گروپ ورک
• جانچ
• سکافولڈنگ

منسلک مضامین

• AI-peer integrated feedback in second language writing classes: exploring students' engagement and writing performance — مربوط AI جمع ہم مرتبہ فیڈبیک نے شمولیت کی تینوں جہتیں اور IELTS تحریر کی چاروں جہتیں بڑھائیں

• Who grades best? Comparing ChatGPT, peer, and instructor evaluations across varying levels of student project quality — ChatGPT، ہم مرتبہ اور مدرس کی درجہ بندی کا منصوبے کے معیار کی سطحوں میں موازنہ (Usher & Faraon 2026)

• Peer and AI Review + Reflection (PAIRR): A Human-Centered Approach to Formative Assessment — ہم مرتبہ اور AI جائزہ + غور (PAIRR)

• AICoFe: Implementation and Deployment of an AI-Based Collaborative Feedback System for Higher Education — AI ہم مرتبہ فیڈبیک نظام

• Unravelling undergraduates' development of evaluative judgments through AI-supported internal feedback — انڈرگریجویٹس کی جانچی صلاحیت کی نشوونما کو کھولنا

• Enhancing learner-centered feedback with AI: teachers'' practices and perceptions — AI کے ساتھ سیکھنے والے مرکز فیڈبیک کو بہتر بنانا

• Generative AI and linguistic diversity in academic writing and publishing: Perspectives from World Englishes — جنریٹیو AI اور تعلیمی تحریر میں لسانی تنوع

• GIFT-AI: Teaching the Game and Leveling the Field: Peer and AI Review + Reflection in a Business Writing Course — بزنس رائٹنگ کورس میں PAIRR: ہم مرتبہ جائزہ، چیٹ بوٹ فیڈبیک، غور (MacArthur et al. 2025)

• Fostering feedback literacy by scaffolding self-regulated feedback: a comparative study of GenAI and human peers — خود ضابطہ فیڈبیک اور فیڈبیک خواندگی کے سہارے کے لیے GenAI بمقابلہ انسانی ساتھی (Gu et al. 2026)

• Positioning Generative AI in EFL Peer Feedback: Training Feedback Literacy and Enabling Uptake in Speaking Classes — تقریر پر EFL ہم مرتبہ فیڈبیک میں GenAI بطور ٹرینر اور سنتھیسائزر (Irwin & Muller 2026)

• Human-centered GenAI feedback design in higher education: a multisite experiment on direct, reflective, and hybrid approaches to scientific argumentation — صرف ہم مرتبہ، براہ راست، غور طلب اور امتزاجی GenAI فیڈبیک کا کثیر مقام تجربہ (Ateş 2026)

• Leveraging generative AI to facilitate peer feedback in collaborative argumentation learning — تعاونی استدلال میں پرامپٹ سہارے والا GenAI ہم مرتبہ فیڈبیک (Chang et al. 2026)

• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — GenAI کی وساطت والی گروپ جانچ میں ایجنسی: تعاون، ضبط، عدم نفاذ (Chen & Zou 2026)

• Combating Harms of Generative AI in CS1 with Code Review Interviews and a Flipped Classroom — CS1 میں GenAI کے لیے نقصان میں کمی کے طور پر زبانی کوڈ جائزہ انٹرویوز (Fowles et al. 2026)

• An Interpretable Closed-Loop Intelligent Tutoring System for Multimodal Affective Feedback in Asynchronous Presentation Training — ہم مرتبہ فیڈبیک کے قابل توسیع متبادل کے طور پر خودکار ملٹی موڈل پریزنٹیشن کوچنگ (Suen & Hung 2026)

• Enhancing Peer Exposure and Creating Opportunities for Bridging Social Capital Through an AI-Generated Summary-Driven Learning Design in Online Discussion Forums — AI کے پیدا کردہ بحث کے خلاصے آن لائن فورمس میں ہم مرتبہ کی نمائش کو وسیع کرتے ہیں (Hao & Cukurova 2026)

• To disclose or not to disclose: Peer influence and psychological factors in students' use of generative artificial intelligence — طلبہ کے GenAI افشا میں ہم مرتبہ اثر اور رشتوں کا اعتماد (Qu & Wang 2026)

• Can Large Language Models Foster Critical Thinking, Teamwork, and Problem-Solving Skills in Higher Education?: A Literature Review — تنقیدی سوچ، ٹیم ورک اور مسئلہ حل کرنے کے لیے LLMs کا منظم جائزہ (Martínez-Peláez et al. 2025)

• When AI Agents Teach Each Other: Discourse Patterns Resembling Peer Learning in the Moltbook Community — 2.4 ملین AI ایجنٹوں کے درمیان ہم مرتبہ سیکھنے جیسی گفتگو (Chen et al. 2026)

• Presumed Effective: The Manufacturing of an Evidence Base for AI-in-Education Through Flawed Meta-Analysis — 14 AIED میٹا تجزیوں اور 59 بنیادی مطالعات کا آڈٹ (O'Neill 2026)

• Teacher feedback vs. AI-assisted peer feedback in L2 writing: A quasi-experimental study in a Chinese university — L2 تحریر میں استاد کا فیڈبیک بمقابلہ AI کی معاونت والا ہم مرتبہ فیڈبیک: دو کاموں میں مقدار، توجہ اور بہتری کے رجحانات (Tang, Li & Luo 2026)