مقداری تحقیق

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

مقداری تحقیق — تجربی طریقوں کا وہ خاندان جو نمونوں کی وضاحت، تعلقات کی جانچ اور سببی اثرات کے تخمینے کے لیے عددی ڈیٹا جمع اور تجزیہ کرتا ہے۔ تعلیم میں AI میں مقداری طریقے یہ ناپتے ہیں کہ AI اوزار سیکھنے کے نتائج، شمولیت، تحریک اور خود اعتمادی پر اثر ڈالتے ہیں یا نہیں اور کیسے، اور AI کے استعمال کے نفسیاتی و رویے کے میکانزم کو ماڈل کرتے ہیں۔ یہ وہ وسعت، درستگی اور سببی استنتاج کی طاقت دیتے ہیں جو معیاری طریقے گہرائی اور سیاق و سباق کے بدلے چھوڑ دیتے ہیں۔

غور کرنے کے لیے سوالات

• 'AI ٹیوٹر استعمال کرنے والے طلبہ زیادہ اسکور کرتے ہیں' — پڑھنے سے پہلے، کیا یہ سببیہت کا دعویٰ ہے یا ارتباط کا، اور ثبوت کی کون سی واحد چیز ایک کو دوسرے میں بدل دے گی؟
• ایک وقتی سروے پیچیدہ وسطی ماڈل کی جانچ کر سکتا ہے مگر کبھی سببیہت قائم نہیں کر سکتا۔ سروے میں دو متغیرات باہم مرتب کیوں ہو سکتے ہیں جبکہ ان میں سے کوئی دوسرے کا سبب نہ ہو؟ کیا آپ تعلیم میں ایسی ارتباط کا شکار ہونے کا کوئی طریقہ سوچ سکتے ہیں جس سے واقعی گمراہی ہو؟
• مقداری اوزار اتنے ہی اچھے ہوتے ہیں جتنا وہ ناپتے ہیں — اور صفحہ نوٹ کرتا ہے کہ اوزار غلط تصور بھی ناپ سکتے ہیں۔ جب آپ 'اعتماد' یا 'شمولیت' کے بارے میں خود بیانی سروے بھرتے ہیں، تو وہ درحقیقت اس کے بجائے کیا پکڑ رہا ہو سکتا ہے، اور آپ یہ کیسے معلوم کریں گے؟
• RCT سیکھنے والوں کو تصادفی طور پر شرائط میں تفویض کر کے سببی اثر کا تخمینہ لگاتا ہے۔ تصادفی تفویض کو طاقتور کیا بناتا ہے، اور جب 'علاج' ایک ممکنہ مددگار AI اوزار ہو جس سے کچھ طلبہ محروم رکھے جا رہے ہوں تو کون سے عملی اور اخلاقی مسائل کھڑے ہوتے ہیں؟
• طولانی ڈیزائن ایک ہی سیکھنے والوں کو وقت کے ساتھ ٹریک کرتے ہیں — جو AI سے پھولی ہوئی کارکردگی کو پائیدار سیکھائی سے الگ کرنے کے لیے لازم ہے۔ زیادہ اسکور کی ایک واحد تصویر یہ کیوں نہیں دکھا سکتی کہ سیکھنا واقعی ہوا؟
• مقداری کام وسعت اور سببی طاقت دیتا ہے؛ معیاری کام گہرائی اور معنی۔ اس جوڑی کو پڑھنے سے پہلے، آپ کے خیال میں صرف اعداد نے کسی سیکھائی کے دعوے کے بارے میں آپ کو سب سے زیادہ کب گمراہ کیا، اور جانچنے کے لیے آپ کون سا طریقہ شامل کریں گے؟

تعارف

مقداری تحقیق وضاحتی ڈیزائنوں (پھیلاؤ اور نمونوں کی پیمائش)، ارتباطی/مشاہداتی ڈیزائنوں (متغیرات کے درمیان تعلقات کی جانچ) اور تجربی و نیم تجربی ڈیزائنوں (سببی اثرات کے تخمینے) پر پھیلی ہوئی ہے۔ ان سب کو یکجا کرنے والی چیز مشاہدات کو منظم طریقے سے اعداد میں گھٹانا، اعداد و شمار سے تجزیہ کرنا، اور اعتبار، جواز اور عمومیت کو ترجیح دینا ہے — جو تعلیمی پیمائش کی بنیادی فکریں ہیں۔

مقداری تحقیق کے بڑے طریقے

سروے اور ارتباطی تحقیق

وقتی سروے خود بیانی رویوں، ادراکات، تحریک، خود اعتمادی اور ٹیکنالوجی کی قبولیت کو ناپتے ہیں، اور اکثر مفروضہ تعلقات اور وسطیوں کی جانچ کے لیے ریگریشن یا ساختی مساوات ماڈلنگ (SEM/PLS-SEM) سے ماڈل کیے جاتے ہیں۔ یہ نالج بیس کے ذخیرے پر چھائے ہوئے ہیں، خاص طور پر قبولیت، تحریک اور نفسیاتی میکانزم کے سوالات میں۔ AI کی معاونت والے انگریزی اوزاروں کی قبولیت TAM پر SEM کے ساتھ کھڑی ہے؛ GenAI اپنانے کے راستے PLS-SEM، fsQCA اور اہمیت–کارکردگی نقشہ بندی استعمال کرتا ہے؛ اساتذہ کی AI خواندگی خود تعین کا نظریہ پر کھڑے عامل سے تصدیق شدہ سروے استعمال کرتی ہے۔

• طاقتیں: بڑے نمونے؛ وسیع، کم لاگت کوریج؛ پیچیدہ وسطی ماڈلوں کی جانچ؛ ایسے رویوں کے لیے بھی ممکن جو مشاہدے میں مشکل ہوں۔
• حدود: وقتی ڈیٹا سببیہت قائم نہیں کر سکتا؛ خود بیانی تعصب؛ سہولت کے نمونے عمومیت کو محدود کرتے ہیں؛ وسطی کوویریئنس سے نکالا جاتا ہے، ہیرا پھیری سے نہیں۔ ان حدود کے اوزار والے پہلو کے لیے خود رپورٹ پیمائشیں دیکھیں۔
• سیر شدہ وسطی ماڈل اپنی ترتیب کی جانچ نہیں کر سکتا۔ 1,020 نرسنگ طلبہ کے واحد موجی سروے نے 1.36 کے کل اثر کو خود ضابطہ سیکھائی کے راستے 0.92 براہ راست اور 0.44 بالواسطہ میں تقسیم کیا، جو کل کا 32.35% ہے، ایسے ماڈل کے ساتھ جس کے آزاد پیرامیٹر اتنے ہی ہیں جتنے مشاہدہ شدہ کوویریئنس، اور جو اس لیے تعمیر ہی کے باعث ڈیٹا کو دہرا دیتا ہے (Li et al. (2026))۔ قریب صفر کل بالواسطہ اثر دو زندہ راستے چھپا سکتا ہے۔ 568 ڈیزائن طلبہ کی ایک خود بیانی موج میں بالواسطہ تعلق فروغ کی توجہ کے راستے 0.0929 اور رکاوٹ کی توجہ کے راستے -0.0884 تھا، جو ملا کر 0.0045 بنتا ہے جبکہ براہ راست راستہ کل کا 98.7% اٹھا رہا تھا (Wang et al. (2026))۔

تجربی اور نیم تجربی تحقیق

تجربات سیکھنے والوں کو تصادفی طور پر شرائط میں تفویض کرتے ہیں (مثلاً AI ٹیوٹر بمقابلہ انسانی ٹیوٹر، یا AI کی معاونت والا بمقابلہ بلا معاونت) تاکہ نتائج پر سببی اثرات کا تخمینہ لگائیں۔ تصادفی کنٹرول شدہ تجربات (بے ترتیب کنٹرول شدہ آزمائش (RCT)) داخلی جواز کے لیے معیارِ زر ہیں۔ انسانی معاونت کے ساتھ AI ٹیوٹرنگ کا ایک تصادفی میدانی مطالعہ اور تدریس میں جنریٹو AI پر ایک RCT سببی اثرات کو الگ کرنے کے لیے تفویض استعمال کرتے ہیں۔ نیم تجربی ڈیزائن (پیش/بعد، بغیر تصادفی کے موافق گروہ) برقرار کلاس رومز میں زیادہ ممکن ہوتے ہیں مگر سببی دعووں میں کمزور۔

Kestin et al. (2025) اس کے بجائے اندرونی موضوعی کراس اوور اپناتے ہیں: ہر طالب علم ایک ہی طبیعیات کے مواد سے دو بار گزرتا ہے، ایک بار کلاس کے فعال سیکھنے والے سبق میں اور ایک بار کورس کے اپنے AI ٹیوٹر کے ذریعے، ہر ایک کے گرد پیش و بعد کے ٹیسٹوں کے ساتھ، چنانچہ ہر سیکھنے والا خود اپنا کنٹرول بنتا ہے اور افراد کے درمیان فرق کٹ جاتے ہیں۔

• طاقتیں: سب سے مضبوط سببی استنتاج؛ صاف نتیجہ پیمائش؛ اثر سائز کے تخمینے اور افادیت کے دعووں کو سہارا۔
• حدود: مہنگے اور سست؛ مصنوعی حالات ماحولیاتی جواز کم کرتے ہیں؛ تیزی سے بدلتے AI اوزار تجربات کو جلدی پرانا کر دیتے ہیں؛ چھوٹے نمونے اثرات کی شناخت کی طاقت کم کرتے ہیں؛ مددگار اوزار روکنے پر اخلاقی پابندیاں۔
• گروہی تصادفی رسائی کے تجربے کو اپٹیک کی جانچ درکار ہے۔ علاج والی کلاسوں میں تقریباً 15% طلبہ کے کبھی ٹیوٹر استعمال کرنے کے ساتھ، مطالعے کا ارادہ–علاج کا تخمینہ اوزار متعارف کرانے کے اثر کی عکاسی کرتا ہے — بشمول وہ اجازت اور متبادل جو اس کے ساتھ آیا — نہ کہ انفرادی اجلاسوں کے الگ تھلگ اثر کی (Liu et al. (2026))۔

طولانی تحقیق

طولانی ڈیزائن ایک ہی سیکھنے والوں کو وقت کے ساتھ ٹریک کرتے ہیں، اور تبدیلی، ترقی اور پائیدار سیکھائی کو پکڑتے ہیں جو واحد وقت کی پیمائش سے چھوٹ جاتی ہے۔ LMS کا ایک طولانی مطالعہ طلبہ کو پورے تعلیمی سال میں ٹریک کرتا ہے۔ طولانی ڈیزائن AI سے پھولی ہوئی کارکردگی کو پائیدار سیکھائی سے الگ کرنے کے لیے لازم ہیں۔

ڈیٹا سیٹوں کے درمیان موازنوں کے لیے ایک مقررہ نقطۂ کار درکار ہے: مصنوعی تعلیمی ڈیٹا کی ساختی جانچ نے پایا کہ ہر ڈیٹا سیٹ کا اپنی اپنی حد پر تجزیہ کرنا اُس تضاد کو اُلٹ دیتا ہے جو مشترکہ نقطے پر قائم تھا، اور یہ کہ اس کے متبادل موازنے کو صرف مصنوعی ڈیٹا اور اس کی اپنی ترتیب بدلیوں کی ضرورت تھی - مطلق حد کے بجائے ترتیب پر مبنی صفر مفروضہ (Inoue & Yasutake (2026))۔

کمپیوٹیشنل اور سائیکو میٹرک مقداریت

مقداری طریقوں میں اوزار کے ذریعے تصورات کی براہ راست پیمائش بھی شامل ہے — جو تعلیمی پیمائش اور آئٹم رسپانس تھیوری کا میدان ہے۔ نالج بیس کا GLAT 20 آئٹموں والا مقداری اوزار ہے جو IRT سے تصدیق شدہ ہے؛ پیمائشی اوزار AI خواندگی، قبولیت اور خود اثر آفرمی میں وہ تصدیق شدہ اسکیل مہیا کرتے ہیں جن پر سروے اور تجربی تحقیق کھڑی ہے۔

کتابیات پیمائی کا تجزیہ ایک اور مقداری خاندان ہے: Sriram et al. (2026) ملک، ادارے اور کلیدی الفاظ کے ہم وقوع نیٹ ورکوں کے ذریعے 1,403 طبی اور صحت پیشہ ورانہ تعلیم مطبوعات کا نقشہ بناتے ہیں، یعنی ادب کی ساخت پڑھتے ہیں، اس کے مطالعات کا جائزہ لینے کے بجائے — اور یہی ان کے اس نتیجے کو، کہ AI گورننس کی علمیات صلاحیت کی جانچ کے ساتھ قدم نہیں ملا سکی، میدان کے بارے میں دعویٰ بناتا ہے، سیکھائی کے بارے میں نہیں۔

مقداری تحقیق نالج بیس میں کیسے نظر آتی ہے

• افادیت اور سببی دعوے۔ RCTs اور نیم تجربات جانچتے ہیں کہ AI اوزار سیکھائی کو بہتر کرتے ہیں یا نہیں (Access is Not Enough: Human Support Improves Engagement with AI Tutoring، Generative AI Can Harm Teaching، Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study)۔

• پیشگی اندراج اور تکرار۔ Meyer et al. (2026) تجربے سے پہلے اپنے مفروضے اور تجزیے کا منصوبہ بیان کرتے ہیں اور تصادفی موازنے کو دو سمسٹروں اور دو بڑے غیر حاضر کورسز میں یکجا کرتے ہیں، چنانچہ تخمینہ کسی واحد نمونے کے بجائے ایک مقرر منصوبے اور تکرار پر کھڑا ہے۔

• میکانزم کی ماڈلنگ۔ SEM/PLS-SEM AI کے اپنانے اور سیکھائی کے وسطیوں اور تعدیل کنندگان کی جانچ کرتا ہے (Decoding symmetric and asymmetric pathways in generative AI learning adoption: a multi-method study، Acceptance of AI-Assisted English Language Learning Tools in Higher Education: Psychological Correlates Across Disciplinary and Proficiency Groups، Teacher education for artificial intelligence literacy through a self-determination theory perspective)۔

• ایسے پینل ماڈل جو افراد کے اندر اور درمیان کے اثرات کو الگ کرتے ہیں۔ Wu and Lu (2026) باہمی تحریر کے ڈیٹا کی تین موجوں پر بے ترتیب وقفہ کراس لِگ پینل ماڈل کا تخمینہ لگاتے ہیں، جو طلبہ کے درمیان مستحکم فرق کو فرد کے اندر کی زمانی ترتیب سے الگ کرتا ہے — اور یہی امتیاز اجازت دیتا ہے کہ بڑھے ہوئے انحصار کو محسوس کردہ ایجنسی میں کمی سے پہلے آنے والی چیز پڑھا جائے، نہ صرف اس کے ساتھ چلنے والی۔

• پیمائش اور اسکیل کی ترقی۔ نالج بیس مقداری اوزار کی ترقی اور تصدیق درج کرتا ہے (GLAT، تعلیمی پیمائش)۔

• کارکردگی بمقابلہ پائیدار سیکھائی۔ Barcaui (2025) 120 طلبہ کو AI کی معاونت والی یا روایتی پڑھائی میں تصادفی طور پر تقسیم کرتا ہے اور مداخلت کے 45 دن بعد اچانک 20 سوالوں والے ٹیسٹ سے یادداشت ناپتا ہے، چنانچہ نتیجہ وہ ہے جو تاخیر کے بعد بچا، نہ وہ جو اجلاس کے آخر میں نظر آیا۔

طاقتیں اور حدود

• طاقتیں: درستگی اور شماریاتی طاقت؛ متعین آبادیوں تک عمومیت؛ سببی استنتاج (تجربی ڈیزائنوں کے ساتھ)؛ موثر بڑے نمونے کی کوریج؛ مطالعات میں مجموعی اور موازنہ پذیر۔
• حدود: جو قابلِ پیمائش ہے وہی پکڑتی ہے، اور اکثر عمل، معنی اور سیاق و سباق چھوٹ جاتے ہیں (معیاری تحقیق دیکھیں)؛ خود بیانی تعصب؛ اوزار غلط تصور ناپ سکتے ہیں (پیمائش کے مسائل دیکھیں)؛ ارتباط بغیر سببیہت؛ AI کی تبدیلی کے مقابلے میں مصنوعی اور سست ہو سکتی ہے۔

مقداری اور معیاری طریقے ایک دوسرے کے تکمیلی ہیں — مقداری کام وسعت اور سببی طاقت دیتا ہے، معیاری کام گہرائی اور معنی۔ مخلوط طریقوں کے ڈیزائن انھیں یکجا کرتے ہیں۔ طریقوں کے مکمل موازنے اور تجربی، سروے، معیاری اور دیگر ڈیزائنوں کے درمیان فرق کے لیے AIED میں تحقیقی طریقے دیکھیں۔

عام غلط فہمیاں

• "ارادہ–علاج کا تخمینہ بتاتا ہے کہ اوزار کیا کرتا ہے۔" گروہی تصادفی رسائی کے ایک تجربے میں جہاں علاج والی کلاسوں میں تقریباً 15% طلبہ نے کبھی ٹیوٹر استعمال کیا، ITT تخمینہ اوزار متعارف کرانے کے اثر کی عکاسی کرتا ہے، اسے استعمال کرنے کے اثر کی نہیں۔ کم اپٹیک ITT کے عدد کو نفاذ کے بارے میں بیان بنا دیتا ہے، اور اسے اوزار کے اثر کے طور پر پیش کرنا اس بات کو بڑھا چڑھا کر دکھاتا ہے کہ ناپا کیا گیا۔
• "کام پر کارکردگی ہی نتیجہ ہے۔" Barcaui (2025) 120 طلبہ کو AI کی معاونت والی یا روایتی پڑھائی میں تصادفی طور پر تقسیم کرتا ہے اور یادداشت ناپتا ہے — یہی وہ ڈیزائن ہے جو فوری کارکردگی کو پائیدار سیکھائی سے الگ کرتا ہے۔ جو مطالعہ کام پر ہی رک جائے اس نے آسان مقدار ناپ لی ہے۔
• "ڈیٹا سیٹوں کے درمیان موازنے سیدھے سادے ہیں۔" مصنوعی تعلیمی ڈیٹا کی ساختی جانچ نے پایا کہ ہر ڈیٹا سیٹ کا اپنی اپنی حد پر تجزیہ کرنا اُس تضاد کو اُلٹ دیتا ہے جو مشترکہ نقطۂ کار پر قائم تھا۔ موازنے کی سمت کا انحصار ایک تجزیاتی انتخاب پر تھا، اور یہی وہ نزاکت ہے جسے پیشگی اندراج شدہ نقطۂ کار روکنے کے لیے موجود ہے۔

منسلک تصورات

• AIED میں تحقیقی طریقے
• معیاری تحقیق
• مخلوط طریقوں کی تحقیق
• تعلیمی پیمائش
• آئٹم رسپانس تھیوری
• بے ترتیب کنٹرول شدہ آزمائش (RCT)
• سیکھنے میں اضافہ
• طلبہ کی شمولیت
• خود اعتمادی
• ٹیکنالوجی اپنانے کے ماڈل
• خود رپورٹ پیمائشیں

منسلک مضامین

• Access is Not Enough: Human Support Improves Engagement with AI Tutoring — انسانی معاونت کے ساتھ AI ٹیوٹرنگ کا تصادفی میدانی مطالعہ

• Generative AI Can Harm Teaching — جنریٹو AI تدریس کو نقصان پہنچا سکتا ہے: ایک RCT

• Acceptance of AI-Assisted English Language Learning Tools in Higher Education: Psychological Correlates Across Disciplinary and Proficiency Groups — AI کی معاونت والے انگریزی سیکھنے کے اوزاروں کی قبولیت

• Decoding symmetric and asymmetric pathways in generative AI learning adoption: a multi-method study — GenAI اپنانے کے راستے (PLS-SEM، fsQCA)

• Teacher education for artificial intelligence literacy through a self-determination theory perspective — خود ارادی نظریے کے ذریعے اساتذہ کی AI خواندگی

• GLAT: The Generative AI Literacy Assessment Test — GLAT: IRT سے تصدیق شدہ GenAI خواندگی کا امتحان

• AI-Integrated Learning Management System for Middle School: A Longitudinal Study of Learning Outcomes Through High — AI سے یکجا LMS کا ایک طولانی مطالعہ

• Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study — موافقت پذیر پیشگی جانچ اور یادداشت

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

• The Effects of Course-Integrated AI Tutoring on Student Performance and Engagement: A Randomized University Trial — گروہی تصادفی رسائی کے تجربے کو اپٹیک کی جانچ درکار ہے

• Ethical and responsible use of artificial intelligence in medical education — کتابیات پیمائی ایک اور مقداری خاندان ہے: Sriram et al.

• Generative artificial intelligence use and interpersonal educational interaction among nursing students: self-regulated learning as a statistical mediator — نرسنگ طلبہ میں جنریٹو مصنوعی ذہانت کا استعمال اور باہمی تعلیمی تعامل: خود ضابطہ سیکھائی بطور شماریاتی وسطی

• AI technological disruption awareness, design thinking mindset, and design innovation competence among design students — ڈیزائن طلبہ میں AI تکنیکی خلل کی آگاہی، ڈیزائن سوچ کی ذہنیت اور ڈیزائن جدت کی قابلیت