سکافولڈنگ

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

سکافولڈنگ — ایسی منظم معاونت جو سیکھنے والوں کو وہ کام مکمل کرنے میں مدد دیتی ہے جو وہ ابھی خود سے نہیں کر سکتے، اور قابلیت بڑھنے کے ساتھ معاونت کم ہوتی جاتی ہے۔ تعلیم میں مصنوعی ذہانت میں سکافولڈنگ وہ بنیادی ڈیزائن اصول ہے جو یقینی بناتا ہے کہ AI اوزار سیکھنے کو سہارا دیں، اُن کی جگہ نہ لیں۔

غور کرنے کے لیے سوالات

• کسی ایسے موقع کا سوچیں جب کسی نے آپ کی کسی سیکھی جانے والی چیز میں "مدد" کی، اور اُس مدد نے کام اتنی اچھی طرح کر دیا کہ آپ نے کم سیکھا۔ وہ لکیر کہاں ہے جو سہارا دینے والی معاونت کو آپ کی جگہ لینے والی معاونت سے الگ کرتی ہے؟ یہ صفحہ دلیل دیتا ہے کہ یہی AI ٹیوٹرز کا مرکزی ڈیزائن سوال ہے۔
• سکافولڈنگ کی جڑ قریبی نشوونما کے زون میں ہے — اتنی معاونت جو ترقی ممکن بنائے، مگر اتنی نہیں کہ سیکھنا بائی پاس ہو جائے۔ AI ٹیوٹر میں "حد سے زیادہ معاونت" کیسی دکھتی ہے، اور کیا آپ اُسے صرف طالب علم کے برتاؤ سے پکڑ سکتے ہیں؟
• ایک اہم دریافت: طلبہ اکثر زیادہ ہدایتی AI ٹیوٹر کرداروں کو ترجیح دیتے ہیں، حالانکہ مشترکہ ہم مرتبہ اور تدریس-اسسٹنٹ کرداروں کے ساتھ وہ بہتر کارکردگی دکھاتے ہیں۔ کیا سیکھنے والے کی ترجیح قابلِ اعتماد طور پر اُس راستے پر چلتی ہے جو سیکھنے کے لیے بہترین ہے — اور یہ فرق طلبہ کو اپنی سکافولڈنگ خود چننے دینے کے بارے میں کیا اشارہ دیتا ہے؟
• جو سکافولڈنگ کبھی کم نہ ہو وہ انحصار پیدا کرتی ہے۔ صفحہ نوٹ کرتا ہے کہ خودکار سکافولڈز کے جامد رہنے کا خطرہ ہے، بجائے اِس کے کہ قابلیت بڑھنے پر واپس لیے جائیں۔ "کم ہونا" لازمی کیوں ہے، اور کوئی AI نظام اِسے کیوں نہ کر پائے اگر اُسے جان بوجھ کر ایسا ڈیزائن نہ کیا گیا ہو؟
• ڈیزائن اصول ہے "سکافولڈ کریں، متبادل نہ بنیں۔" طلبہ نے خود ایسا AI مانگا جو "آپ کے لیے کوئی حل فراہم نہیں کرتا — آپ پھر بھی سیکھتے ہیں کیونکہ درست جواب خود ڈھونڈنا پڑتا ہے۔" کیا یہ آپ کے تجربے میں مؤثر مدد سے میل کھاتا ہے، یا آپ نے شارٹ کٹ کو ترجیح دی، یہ جانتے ہوئے بھی کہ اُس کی قیمت آپ نے چکائی؟
• پڑھنے سے پہلے ایک ہدف مقرر کریں: کوئی ایسا کام چنیں جو آپ پڑھاتے ہیں، اور خاکہ بنائیں کہ ایسا اشارہ کیسا ہوگا جو سیکھنے والے کی کوشش بچائے، اور ایسا جواب کیسا ہوگا جو اُسے ہٹا دے۔ آپ کیسے جانیں گے کہ آپ کے اشارے پیداواری جدوجہد کے زون میں ہیں؟

تعارف

AIED میں سکافولڈنگ کیسے ظاہر ہوتی ہے

• پرامپٹ پر مبنی سکافولڈنگ: رہنمائی والی LLM سکافولڈنگ منظم پرامپٹنگ کو ایک سیکھنے کی مداخلت کے طور پر سکھاتی ہے۔ تنقیدی شمولیت کی سکافولڈنگ ثقافتی طور پر جوابدہ طریقے استعمال کرتی ہے۔

• اُن خلاں کے لیے مخلوط پہل کاری والی سکافولڈنگ جنہیں سیکھنے والا نام نہیں دے سکتا: Sun et al. (2026) بیانیہ کی ترکیب کا اختیار مصنف کے پاس رکھتے ہیں جبکہ نظام صرف ڈومین کی کھوج پر پہل کاری کرتا ہے، اور ایسے علمی خلاں کی طرف فعال طور پر توجہ دلاتا ہے جنہیں مصنفین استفسار کی شکل نہیں دے سکتے۔

• سقراطی سکافولڈنگ: سقراطی AI مکالمہ براہِ راست جوابات روک لیتا ہے اور دریافت کی رہنمائی کے لیے سوالات استعمال کرتا ہے — یہ فائدہ مند مشکلات سکافولڈنگ کی ایک شکل ہے۔ ایک حدی شرط کے طور پر، سوال پوچھنا آغاز پر مدد کرتا ہے مگر گہرائی کے ساتھ ماند پڑتا ہے، لہٰذا کم ہونے کا قاعدہ ابھارنے سے غلطی سے نمٹنے کی طرف منتقل ہو جاتا ہے: فائدہ آغاز پر 20 پوائنٹ کے سبقت سے چوتھی بار پھنسنے والی باری تک 3 پوائنٹ رہ جاتا ہے، جبکہ غلطی سے نمٹنا +5 سے +12 تک اٹھ جاتا ہے Ahtisham et al. (2026)۔

• موافق کم ہونا: ذہین ٹیوٹرنگ نظام نالج ٹریسنگ کے تخمینوں کی بنیاد پر سکافولڈنگ ایڈجسٹ کرتے ہیں، غیر فہم شدہ تصورات کے لیے زیادہ معاونت اور معلوم تصورات کے لیے کم فراہم کرتے ہیں۔

• کام، اوزار نہیں، طے کرتا ہے کہ کامیابی کیا ہے: Vasileiou et al. (2026) خصوصی تعلیم میں AI معاونت کے لیے تین کاموں والا فریم ورک تجویز کرتے ہیں۔ معاوضہ کسی عملی مطالبے کو کم کرتا ہے تاکہ سیکھنے والا شریک ہو سکے (کامیابی = رسائی، جبکہ معاونت برقرار رہے)۔ سکافولڈنگ موجودہ قابلیت سے ذرا آگے کی کارکردگی کو سہارا دیتی ہے (کامیابی = ہدف شدہ مدد کے ساتھ فیصلے)۔ ترقی ایسی حکمتِ عملیاں بناتی ہے جو اوزار کے بغیر استعمال ہو سکیں (کامیابی = کم ہونے یا منتقلی کے بعد حکمتِ عملی کا استعمال)۔ ہر کام کا اپنا الگ جانچی معیار ہے، اور میدان کی بار بار ہونے والی غلطی یہ ہے کہ معاونت کے دوران کام کی تکمیل کو ترقی کے طور پر رپورٹ کیا جائے۔ یہ ایک بیانیہ جائزہ ہے جس میں تفسیری قسمیں ہیں، مشترکہ اثر کا تخمینہ نہیں۔

• کلینیکل انٹرویو کی تربیت میں ضرورت سے متحرک موافق سکافولڈنگ: MeduAI-SP بے ترتیب آزمائش (Yang et al., 2026؛ N = 100 تیسرے سال کے طبی طلبہ) نے سکافولڈنگ کو موافق، ضرورت سے متحرک معاونت کے طور پر عملی شکل دی: ایک باری کی سطح کا جانچنے والا ایجنٹ علامت لگاتا جب سیکھنے والا پھنس جاتا، کلیدی تاریخ چھوڑ دیتا، قبل از وقت نتیجہ اخذ کرنے کا خطرہ ہوتا، یا ربط خراب کرتا، اور صرف تب ایک ٹیوٹر ایجنٹ سقراطی اشارہ دیتا۔ 207 مشوروں کی ماہرانہ تشریح نے دکھایا کہ سکافولڈنگ کی ضرورت مرحلے پر سختی سے منحصر تھی، جو ملاقات کے شروع میں طالب علم کے جملوں کے تقریباً 16.1% سے بڑھ کر آخر میں 34.8% ہو گئی (مجموعی طور پر 24.1% نشان زد) — یہ تجربی ثبوت کہ نو آموز مشورے کی معاونت کو یکجا کرنے اور تشخیصی استدلال کے دوران سب سے زیادہ ضرورت ہوتی ہے، ابتدائی معلومات جمع کرنے میں نہیں۔ سکافولڈنگ والی حالت نے آخری OSCE کے مطابق امتحان پر منظم تدریجی افشا کے کنٹرول کو ہرایا (71.8% بمقابلہ 55.6%؛ β = 16.4 فیصد پوائنٹ؛ P = 3.30e-4)، اور سب سے بڑا فائدہ رابطے میں رہا (Hedges' g = −0.79)۔

• اشارہ نظام: AI ٹیوٹر اشارہ تحقیق جانچتی ہے کہ اشارے کب مدد کرتے ہیں اور کب حد سے زیادہ انحصار کی ترغیب دیتے ہیں۔

• ایسے سکافولڈز جو غلطی کے بعد کی بحالی بڑھاتے ہیں۔ 6,000 طلبہ کے ایک مڈل اسکول میدانی تجربے میں AI معاونت نے پیش رفت سست کی اور کوشش کیے گئے سوالات کم کیے، مگر غلطیوں کے بعد اگلی کوشش کی درستگی بڑھا دی اور درست جواب تک واپس آنے کے لیے درکار کوششیں کم کر دیں — جواب کی فراہمی کی بجائے ایک "پیداواری سست روی" (Oreopoulos et al. (2026))۔

• سیکھنے والے کی تربیت خود ایک سکافولڈ ہے۔ ایک 45 منٹ کے سیشن نے طلبہ کو سکھایا کہ ماڈل کو SRL مرحلے کے حساب سے پرامپٹ کریں، اور اُس کی بصری اور استدلالی غلطیاں دور کریں، جس سے طبیعیات کی نظرثانی کی درستگی بڑھی (d = 0.81) اور بتایا گیا کل علمی بوجھ نہیں بڑھا (Huang et al. (2026))۔

• تصوراتی اور نمائندگی والے سکافولڈز: Concept Catalyst اور LLM ٹیوٹر پر نظرِ ثانی علمی معاونت کے ڈیزائن نمونے کھوجتے ہیں۔ Davor (2026) ایسا ڈومین فراہم کرتا ہے جہاں نمائندگی والی معاونت اور جواب دینے کو الگ کرنا پڑتا ہے: جیومیٹری کا ثبوت بصری نمائندگی کے وسائل سے بھرا ہے، پھر بھی دکھائی دینے والے رشتے سے درست اخذی دلیل تک کا قدم وہی ہے جو سیکھنے والے سے نہیں بنتا، لہٰذا سکافولڈ کو اُنہیں نمائندگیوں کے پار لے جانا ہے، ایک اور تصویر تھمانا نہیں۔ 86 گھانائی سینئر ہائی اسکول طلبہ کے ساتھ اُس کے نیم تجربے نے جنریٹو AI کو حل کرنے کی بجائے اشارہ دینے اور سوال پوچھنے پر ترتیب دیا — سیکھنے والوں سے کہا گیا کہ جو دیکھا اُس کا جواز دیں، متعلقہ نظریات کے نام لیں، اور اپنے منطقی مراحل ترتیب دیں، جبکہ استاد AI کی نمائندگیوں سے بحث کی رہنمائی کرتا رہا — اور AI کی معاونت والی کلاس نے پہلے امتحان کی کارکردگی کو کنٹرول کرنے کے بعد بھی ثبوت کی تشکیل میں روایتی تدریس سے زیادہ اسکور کیا۔ فیڈبیک اور وضاحت کے معیار کے بارے میں تاثرات مثبت رہے، اگرچہ صرف تجربی گروہ کا سروے ہوا۔ سکافولڈ یہاں بصری وجدان سے اخذی استدلال تک کے پل کے طور پر رکھا گیا ہے، اور مقالہ نہ ماڈل کا نام لیتا ہے نہ جمع آوری کا کوئی وقفہ، لہٰذا یہ نقل کے نسخے سے زیادہ ڈیزائن کا جواز پیش کرتا ہے۔

• "سکافولڈ کریں، متبادل نہ بنیں" بہ طورِ ڈیزائن اصول: Favero et al. (2026) دلیل دیتے ہیں کہ تعلیم میں AI کا مرکزی خطرہ عدم توازن ہے — وہ AI جو انسانی کوشش کا متبادل بن جائے، اُن قابلیتوں کو گھسا دیتا ہے جنہیں تعلیم بنانے کے لیے ہے — اور اِس سے ایک واحد ڈیزائن اصول اخذ کرتے ہیں، سکافولڈ کریں، متبادل نہ بنیں۔ سکافولڈنگ AI نظاموں کی پہلے درجے کی صلاحیت ہونی چاہیے: یہ جاننا کہ کب جواب روکنا، سوال پوچھنا، غیر یقینی کو سامنے لانا، یا متبادل نقطہ ہائے نظر پیش کرنا ہے۔ طلبہ کے مضامین کے اُن کے تجزیے سے پتہ چلتا ہے کہ سیکھنے والے خود اِسی نتیجے پر پہنچتے ہیں — وہ ایسا AI مانگتے ہیں جو "آپ کے لیے کوئی حل فراہم نہیں کرتا، آپ پھر بھی سیکھتے ہیں کیونکہ درست جواب خود ڈھونڈنا پڑتا ہے۔" یہ اصول سکافولڈنگ کو علمی، سیکھنے والے کی ایجنسی، جذباتی اور اخلاقیات سطحوں پر متبادل بننے کے خود تقویت بخش نقصان کے چکر کا متبادل قرار دیتا ہے۔

• ایک تحقیقی عمل کے لیے سکافولڈنگ بہ طورِ رہنمائی۔ Wang et al. (2026) منظم جائزے کو ایک سوچے سمجھے سیکھنے کے تجربے کے طور پر لیتے ہیں جس میں رہنمائی یکجا طریقہ کار اور جذباتی سکافولڈنگ فراہم کرتی ہے، جبکہ خودکاری صرف طریقہ کار کے بوجھ تک محدود رہتی ہے جیسے خلاصوں کی چھانٹی، اور ڈیٹا کا اخراج، مصالحت اور ترکیب انسانی جائزہ لینے والوں کے پاس رہتے ہیں۔

• سکافولڈنگ میڈیم کے اندر پیوست، باہر سے لگی نہیں: Wang, Du اور Jin (2026) ایک ویڈیو پلیئر کے اندر چار سکافولڈنگ اصولوں کو عملی شکل دیتے ہیں — ZPD پر مبنی تبصرے کی گہرائی کی ایڈجسٹمنٹ، کم ہوتی سکافولڈنگ (علمی معاونت ٹائم لائن پر پتلی ہوتی جاتی ہے)، تقسیم شدہ سکافولڈنگ (ہر تبصرہ یا علمی ہے یا جذباتی معاونت)، اور علمی بوجھ سے اخذ کردہ اوقات — فریم کی سطح پر ویڈیو اینٹروپی حساب کر کے اور تبصرے صرف کم معلومات والے وقفوں میں داخل کر کے۔ 20 سیکھنے والوں کے ساتھ اُن کے چار حالتوں والے ایبلیشن نے پایا کہ اینٹروپی-اوقات ماڈیول ہٹانے پر ادراک شدہ معیار پر سب سے مضبوط اور مستحکم اثر ڈالتا تھا (Z = −2.85، r = 0.45، p = .004)، جو سکافولڈنگ کے شیڈول کو پیکیجنگ کی تفصیل کی بجائے ایک قابلِ پیمائش ڈیزائن متغیر بنا دیتا ہے۔ یہ مطالعہ خودکار سکافولڈنگ کے لیے ایک انتباہ بھی رکھتا ہے: ChatGPT سے پیدا کردہ تبصرے مستقل طور پر پڑھنے میں مشکل، لغوی طور پر کم متنوع، اور موضوعی طور پر کم ہم آہنگ تھے، اور سب سے بڑا مطابقت کا خلا جذباتی معاونت میں تھا (فیڈبیک کا معیار)۔

• جذباتی سکافولڈنگ بہ طورِ پرامپٹ کی تہہ، صرف علمی سکافولڈنگ کے مقابل ناپی گئی۔ انٹرفیس اور سبق کو یکساں رکھتے ہوئے، جذباتی نسخے نے طلبہ سے تین مقامات پر جذبات بتانے کو کہا اور اُن رپورٹوں سے لہجہ، جذباتی سکافولڈنگ اور علمی چیلنج کو کنٹرول اور قدر کے اندازوں کے مطابق بدلا، اور درجہ حرارت 0.7 رکھا تاکہ موافقتیں جوابات کی رہنمائی کریں، اُنہیں حکم نہ دیں۔ مکالمے کے نشانات میں اُس نے صرف SRL پرامپٹس سے زیادہ کارکردگی کے مرحلے اور خود عکاسی کا کام حاصل کیا، اور زیادہ لطف اور کم اکتاہٹ دی۔ 25 منٹ کے ایک ہی سیشن میں اُس نے سیکھنے کے فوائد یا خود اعتمادی میں کچھ نہیں بڑھایا (Diordiev, Stenberdt & Makransky, 2026)۔

• ترجیحی سکافولڈنگ ہمیشہ سب سے مؤثر نہیں ہوتی: Zhu, Yang اور Yang (2026) نے اندرونی موازنے والے تجربے میں پایا کہ طلبہ نے ہم مرتبہ اور تدریسی معاون AI کرداروں کے ساتھ بہترین کارکردگی دکھائی (جو مشترکہ استدلال کو پروان چڑھاتے ہیں) مگر زیادہ ہدایتی ٹیوٹر اور بہترین طالب علم کرداروں کو ترجیح دی — ترجیح اور کارکردگی کے درمیان یہ فرق خبردار کرتا ہے کہ AI کی معاونت والی ریاضیاتی ماڈلنگ میں سیکھنے والے کی ترجیح کو مؤثر سکافولڈنگ کے برابر نہ سمجھا جائے۔

• زیادہ منظم سکافولڈ خود بخود زیادہ ایجنٹک نہیں ہوتا: ایک ماہر ڈیزائن بوٹ نے سادہ ChatGPT کے مقابل تعامل کی لمبائی اور خود لکھے گئے پرامپٹس بڑھائے، مگر مشترکہ مسئلہ حل کرنے کی ایجنسی دونوں حالتوں میں گری، اور تنقید کی بجائے اتفاق سب سے کم ایجنسی والا برتاؤ رہا (Krushinskaia et al. (2026))۔

• خودکار اسکورنگ بہ طورِ سوچا سمجھا سکافولڈ: Chen اور Liu (2026) نے ایک خودکار مترجم اسکورنگ نظام کو پیمائشی اوزار کی بجائے تکوینی سکافولڈنگ کے طور پر لیا، 46 انگریزی ترجمہ و ترجمانی کے سوفومور طلبہ کے ساتھ 14 ہفتوں کے موازنے میں۔ سکافولڈ فائدے میں صرف وہاں بدلا جہاں اُس کا نشانہ بنایا گیا خلا تجزیے کے قابل، قابلِ اعتماد طور پر اسکور شدہ اور حساس پیمانے پر تھا: لسانی درستگی اور منطقی ربط بڑھے، جبکہ معلوماتی وفاداری اور ادائیگی کی روانی جمود پر رہی، اور وفاداری وہی جہت تھی جس پر خودکار اور انسانی درجہ بندی سب سے زیادہ متفق نہ ہوئی (r = 0.12)۔ جس چکر کو اُس نے تقویت دی وہ بھی جزوی تھا۔ صرف مشق کے مرحلے کی انجام دہی اور نگرانی اسکور کے اضافے سے متعلق تھی (r = 0.42)، جبکہ سیکھنے سے پہلے کی منصوبہ بندی پیمانے کے وسط کے قریب بیٹھی (M = 3.01) اور طلبہ نے اہداف سامنے آنے والے کام کی بجائے پچھلے اسکور سے مقرر کیے۔ کوئی سکافولڈ کارکردگی کے مرحلے میں اچھی جگہ پر ہو سکتا ہے اور پھر بھی وہ منصوبہ بندی چھوڑ سکتا ہے جو اُسے غیر ضروری بنا دیتی۔

• سیکھنے والے کی موجودہ حد پر بند چکر کی سکافولڈنگ: Zhu, Luo اور Li (2026) نے موسیقی کی تعلیم کا ایک چکر بنایا جس میں کارکردگی کی آڈیو اور اسکور پر کثیرالوسیط AI غلطی کی نشان دہی وہ انعام بنتی ہے جو ری انفورسمنٹ سے پیدا شدہ مشق کے ٹریک چلاتا ہے، تاکہ مشکل مقررہ نصاب کی بجائے سیکھنے والے کی موجودہ حد کے مطابق چلے: پیدا شدہ مشق کے راستے سیکھنے والے کے مہارت کے پروفائل سے 0.962 کی چوٹی کوزائن مشابہت پر ملے، اور 120 انڈرگریجویٹس کے ساتھ 12 ہفتوں کے نیم تجربے میں Group x Time تعامل سکافولڈ والے گروہ کے حق میں رہا (beta = 0.52، 95% CI [0.31, 0.73])۔ خودکار سکافولڈنگ کے لیے دو حدیں اِس سے نکلتی ہیں۔ نشان دہی فیصلے کی بجائے چھانٹی ہے، کیونکہ تال کی غلطی کی 89.7% درستگی کا مطلب ہے کہ دس میں سے تقریباً ایک نشان زد غلطی جھوٹا الارم ہے، اور بغیر جانے ماہرانہ جائزے نے موسیقی کے اظہار کی معاونت کو نظام کا سب سے کمزور حصہ قرار دیا، تفسیر استاد کے پاس چھوڑتے ہوئے۔

• رفتار بھی سکافولڈ ہوتی ہے۔ Englmeier (2025) مواد کی سکافولڈنگ کے ساتھ وقت کی ایک تہہ جوڑتا ہے — ہفتہ وار وقت کی گنجائش، پیش رفت کے ڈیش بورڈ اور حصے کے آخر کی جانچ؛ رفتار کی بندی کے بغیر، 600 سے زیادہ سیکھنے والوں میں سے تقریباً 25 فیصد نے آخری ہفتے میں آغاز کیا اور اُن میں سے 95 فیصد ناکام رہے۔

ZPD کا تعلق

Vygotsky کا قریبی نشوونما کا زون نظریاتی بنیاد فراہم کرتا ہے: سکافولڈنگ اُس خلا کو نشانہ بناتی ہے جو سیکھنے والے خود کر سکتے ہیں اور جو وہ معاونت کے ساتھ کر سکتے ہیں، اِن کے درمیان ہے۔ AI اوزاروں کو اِسی زون میں کام کرنا چاہیے — اتنی معاونت جو پیش رفت ممکن بنائے، اتنی نہیں کہ سیکھنا بائی پاس ہو جائے۔ موافقت کی معمول کی سمت کو اُلٹ دینے والی ایک ترتیب Sidorkin (2026) کے گریجویٹ کورس میں ملتی ہے، جہاں معاونت کی سطح نظام کی بجائے سیکھنے والے نے مقرر کی: ہفتہ وار پڑھائی طلب کے مطابق پیدا ہوتی اور طلبہ تکراری پرامپٹنگ (رفتار، تعریفیں، الفاظ کی کثافت، گہرائی) کے ذریعے فہم کی سطح گھماتے۔ تین پڑھائی کے لاگز کے تجزیے نے پایا کہ فہم کی طرف اشارہ کرنے والے پرامپٹس کے بعد AI جوابات میں تعریفی علامات بنیادی وضاحتی متن کے مقابل 3.4 گنا سے 8.7 گنا زیادہ کثرت سے آئیں، اور سب سے واضح معاملوں میں پہلے تعریفی تہہ بنی اور پھر گنے ہوئے طریقہ کار کی تہہ، جو سکافولڈ کی کثافت کو صرف نظام کے مہارت کے اندازے کی بجائے سیکھنے والے کی طلب کی قابلِ پیمائش خاصیت بنا دیتا ہے۔ ہر پڑھائی پر کم از کم تین فالو اپ سوال لازمی کرنے سے یہ گھمانا معمول بن گیا، اور متن ایسی بات چیت میں بدل گیا جو ایسے فہمی خلاں کو سامنے لاتی جنہیں مدرس ورنہ نہ دیکھ پاتا۔

سکافولڈ کی شکل کو اُس چیز سے میل کھانا پڑتا ہے جو سیکھنے والا پہلے ہی اٹھا سکتا ہے، صرف اُس سے نہیں جو کام کا تقاضا ہے۔ منظم دائرہ جائزے میں، جو 6 سے 15 سال کے بچوں میں تخلیقی سوچ پر 24 ثبوتی ماخذوں کو ڈھانپتا ہے، Niu et al. (2026) رپورٹ کرتے ہیں کہ چھوٹے بچوں میں وہ دقیق لسانی اور میٹا کوگنٹو قابو نہیں تھا جس کا متنی پرامپٹنگ تقاضا کرتی ہے، اور اُنہیں کثیر النمط، بالغ کی سہولت والے انٹرفیس درکار تھے، جبکہ متنی LLM نے بڑے بچوں اور نو عمر نوجوانوں کے ساتھ زیادہ مضبوط رپورٹ شدہ نتائج دکھائے۔ پرامپٹ پر انحصار نچلی جماعتوں میں سب سے زیادہ تھا، اور شامل مطالعات میں سے کسی نے نشوونما کی تیاری کی حدیں نہیں دیکھیں، لہٰذا مصنفین نمونے اور سکافولڈنگ کے انتخاب کو ایک کھلا ڈیزائن سوال سمجھتے ہیں جسے سہولت کی بجائے سیکھنے والے کی صلاحیت سے طے ہونا چاہیے۔

روابط

سکافولڈنگ حد سے زیادہ انحصار سے جڑتی ہے (جو سکافولڈنگ کم نہ ہو وہ انحصار پیدا کرتی ہے)، علمی بوجھ کے نظریے سے (سکافولڈنگ علمی بوجھ کا انتظام کرتی ہے)، فیڈبیک لوپ سے (سکافولڈنگ تکوینی فیڈبیک فراہم کرتی ہے)، اور مصنوعی ذہانت کی لیٹریسی سے (سیکھنے والوں کو پہچاننا ہوتا ہے کہ سکافولڈنگ کب مفید ہے اور کب سیکھنے کی جگہ لے لیتی ہے)۔

ایجنٹس کو متحرک طور پر سکافولڈ کرنا ہوگا، جامد طور پر نہیں: Woollaston et al. (2026) نشان زد کرتے ہیں کہ خودکار سکافولڈز کے قابلیت بڑھنے پر واپس لیے جانے کی بجائے جامد رہنے کا خطرہ ہے، اور ایسے متحرک سکافولڈز کی سفارش کرتے ہیں جو ڈھلیں اور کم ہوں — یہ ایجنٹک AI کے لیے ایک کلیدی گارڈ ریل ہے۔ CoMeT (Hou et al. 2026) دونوں چیزیں فراہم کرتا ہے: علیحدگی اور اِس بات کا جواز کہ کب کم ہونا چاہیے: اُس کی معاونت ہر اُس بار ایک زینہ چڑھتی ہے جب سیکھنے والا اُسے استعمال نہ کرے، اور قبولیت پر سب سے ہلکے زینے پر اتر آتی ہے، اور میٹا کوگنیشن کے مطالبے کو ایک روکنے والے ٹیوٹر کے شماریاتی طور پر برابر رکھتی ہے (p_TOST = .004) جبکہ 48.1% سیشنوں میں کوئی مصنوعات فراہم کرتی ہے، 23.7% کے مقابل — یعنی نظام کا زیادہ محنت، کم نہیں۔ اُس نے جس محرک کی توثیق کی وہ گہرائی کی بجائے نیت ہے: مکمل مظاہرے کے بعد ٹیوٹر نے بعد میں 30.3% پر تسلیم کیا کہ کیا کھلا رہ گیا، چسپاں کی گئی مصنوعات کے بعد 25.9%، سادہ دعوے کے بعد 20.4% اور تعمیر کی درخواست کے بعد 33.7%، جبکہ اُن باریوں میں جو معاونت والے فیصلے کی طرف نشانہ نہ تھیں، بعد میں تسلیم کرنے کی شرح 40.3% رہی، نشانہ باریوں کے 28.8% کے مقابل (11.5 پوائنٹ فرق، 95% بوٹ اسٹریپ وقفہ [2.1, 22.4])۔ قبولیت کم تھی — پہلی درخواست کے بعد 37.0% اور تیسری کے بعد 21.8% — لہٰذا سیکھنے والے کی کوشش پر منحصر کم ہونے کا قاعدہ جواب نہ دینے کو تیاری سمجھ بیٹھے گا۔

کم ہونا ٹیوٹر سے تربیت کے ذریعے خارج کیا جا سکتا ہے۔ ایک کئی باریوں والا RL ٹیوٹر جسے صرف موجودہ مسئلے پر انعام دیا گیا، اور ایک نقاب پوش قریبی منتقلی والا نسخہ، معاونت کم کرنا اور خودمختار کام دینا بند کر بیٹھے، حالانکہ کسی چیز نے اِن پر جرمانہ نہیں لگایا، کیونکہ اُن کا فائدہ ایک مکالمے کے واقعے سے آگے ہے (Macina, Kapur & Sachan, 2026)۔ ایسا انعامی افق جو مسئلے کے ساتھ ختم ہو جائے، ڈیزائن کی بتائی ہوئی کم ہونے کی خاصیت مٹا دے گا۔

چوتھا زون سکافولڈ کے ماخذ کو نظر آنے والا بناتا ہے: Tsim اور Gutoreva (2025) Vygotsky کے زونوں میں "GenAI کو معلوم" کا اضافہ کرتے ہیں، تاکہ کوئی کام Substitute، Complement، Aid یا Non-negotiable میں گرے — اور Non-negotiable وہ رکھتا ہے جسے انسان کی ضرورت ہے کیونکہ وہ معیاری، مضمر یا اِس قدر خطرناک ہے کہ سونپا نہ جائے۔

• AI کو خیال کے مرحلے کے حساب سے رکھیں، کورس کے حساب سے نہیں۔ چھ حرکتوں والا جگہ کا فریم AI کو پہلی سخت کوشش اور آخری بلا معاونت جانچ سے باہر رکھتا ہے اور اِن کے درمیان اشاروں، مثالوں اور مشق کے لیے اجازت دیتا ہے؛ اگر AI کام کو بے محنت محسوس کرائے، تو وہ غلط جگہ پر ہے (Brcic & Frljic, 2026)۔

سکافولڈنگ کو حالات کے مطابق ہونا چاہیے، زیادہ سے زیادہ نہیں: Zhang et al. (2026) TutorMoments متعارف کراتے ہیں، جو جانچتا ہے کہ LM ٹیوٹر صرف اُس وقت سکافولڈ کریں جب معاونت درکار ہو، جب طالب علم تیار ہو تو سختی پر زور دیں، اور حد سے زیادہ سکافولڈنگ سے بچیں (علمی مطالبے کو حالات کی ضرورت سے زیادہ کم کرنا)۔ کم سے کم پرامپٹ شدہ سرکردہ ماڈل بطورِ طے پیداواری جدوجہد کی قیمت پر حد سے زیادہ سکافولڈنگ کرتے ہیں۔

• ایسا AI جو پیداواری جدوجہد کو سکافولڈ کرے۔ Kim et al. (2026) AI ڈیزائن کے اصول اخذ کرتے ہیں (غیر ہدایتی معاونت، عکاس ڈیزائن، انسان-در-حلقہ) جو سکافولڈنگ کو پیداواری جدوجہد کے زون میں رکھتے ہیں، جواب دینے تک محدود ہونے نہیں دیتے؛ Puech et al. (2025) دکھاتے ہیں کہ بڑے لینگویج ماڈلز (LLMs) ٹیوٹرز کو صرف اُس وقت مدد دینے پر چلایا جا سکتا ہے جب واقعی ضروری ہو — یعنی ایسی سکافولڈنگ جو سیکھنے والے کی اپنی کوشش بچائے۔

تصدیق کو نافذ کرنے کے طریقہ کار کے طور پر سکافولڈ کا واپس لینا۔ Kumar, Wongsirichot اور Nanthaamornphong (2026) کمپیوٹنگ تعلیم کے 72 مطالعات کی ترکیب کرتے ہیں اور سکافولڈ کے واپس لینے کو، گارڈ ریل اوزاروں اور خود ضابطگی والی سیکھنا کے ڈیزائنوں کے ساتھ ساتھ، اُن تین طریقوں میں سے ایک قرار دیتے ہیں جن سے کورس AI کے نتائج کے ساتھ تنقیدی شمولیت نافذ کرتے ہیں — ساختی طور پر (اوزار کیا واپس کرتا ہے اُسے محدود کرنا)، طریقہ کار کے طور پر (عکاسی کے لاگ، خود جانچ)، اور وقتی طور پر (اُن حالات کو بتدریج بحال کرنا جن میں خودمختار استدلال لازم ہو)۔ اُن کا ثبوت یہ ہے کہ AI کی معاونت کے تحت کارکردگی کے فوائد بلا معاونت کارکردگی پر منتقل نہیں ہوتے، اور یہ ناکامی — نیم دستکاری کا نمونہ، جہاں طلبہ AI کو کوڈ بناتے دیکھتے ہیں مگر کام خود نہیں کرتے — عین وہی ہے جو پورے کام کی مشق کے بغیر ماڈلنگ ہے۔ لہٰذا بتدریج رسائی معاونت کی ایک طاقتور نئی شکل کے لیے کم ہونے کا شیڈول بن جاتی ہے، اور جائزہ اِسے 4C/ID میں بنیاد دیتا ہے: معاونت صرف اُس وقت مدد کرتی ہے جب سیکھنے والے کے پاس پہلے ہی اِتنا اسکیما ہو کہ وہ اُس کے ساتھ تنقیدی طور پر جڑ سکے (قریبی نشوونما کا زون، علمی بوجھ اتارنا)۔

ترتیب سکافولڈ کا دوسرا لیور ہے: Vendrell اور Johnston (2026) سفارش کرتے ہیں کہ کسی بھی AI مشورے سے پہلے سیکھنے والے کی خودمختار کوشش لازمی ہو اور پھر ماڈل سے جوابات کی بجائے متبادل دلائل پیدا کرائے جائیں، اور جان بوجھ کر AI سے پاک مرحلے رکھے جائیں، تاکہ معاونت استدلال کو تقویت دے، اُس کی جگہ نہ لے۔

قاعدہ پر مبنی بمقابلہ موقع پر مبنی سکافولڈنگ

• قاعدہ پر مبنی بمقابلہ موقع پر مبنی سکافولڈنگ۔ Looi، Liu اور Sun (2026) ایک ایسا فرق واضح کرتے ہیں جو سکافولڈنگ کے ڈیزائن کا مرکز ہے: قاعدہ پر مبنی سکافولڈنگ، جس میں ٹیوٹرنگ ایک قابلِ جانچ تین تہوں والی معماری (تشخیص → نیت کا انتخاب → محدود جواب کی تخلیق) سے چلتی ہے، بمقابلہ موقع پر مبنی سکافولڈنگ، جہاں مددگار حرکات کی جانچ اور نقل مشکل ہے۔ اُن کے پرائمری اسکول ریاضی کے مطالعے نے دکھایا کہ قاعدہ پر مبنی سکافولڈنگ تعامل کی یکسانی بہتر کرتی ہے، قبل از وقت جواب دینے اور جلدی نتیجہ اخذ کرنے کو کم کرتی ہے، اور علمی شمولیت برقرار رکھتی ہے — یہ ثبوت کہ سکافولڈ کی حرکات کی صراحت اور قابلِ جانچ ہونا یکسانی اور سیکھنے دونوں کے لیے اہم ہیں، طریقہ کار والے ڈومینوں میں۔
• بائی پاس اور منتقلی کے درمیان محدود راستے کے طور پر سکافولڈنگ۔ نیوروپلاسٹیٹی-AI تعامل ماڈل سکافولڈنگ کو LLM معاونت کے تین راستوں میں سے تیسرا قرار دیتا ہے، براہِ راست بائی پاس اور علمی منتقلی کے ساتھ ساتھ، اور اُسے اِس سے متعین کرتا ہے کہ ماڈل اُس کوشش والی کارروائی کو بچاتا ہے یا نہیں جسے یہ کام تربیت دینے کے لیے ہے (Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning)۔ ماڈل کا کیلیبریشن ثبوت سکافولڈ کی بندی میں ایک فطری تجربہ ہے: تقریباً 1,000 ہائی اسکول ریاضی طلبہ کے مطالعے میں غیر محدود GPT-4 رسائی نے مشق میں 48% فائدہ دیا مگر بلا معاونت امتحان میں 17% کمی، جبکہ اشاروں سے محدود GPT Tutor نے مشق میں 127% فائدہ دیا اور امتحان کی کمی بڑی حد تک ختم کر دی۔ ڈیزائن کا سبق اوپر والے قاعدہ پر مبنی بمقابلہ موقع پر مبنی فرق سے کھردرے پیمانے پر میل کھاتا ہے: یہ وہ بندی ہے کہ ٹیوٹر کو کیا فراہم کرنے کی اجازت ہے، نہ کہ ٹیوٹر کی موجودگی، جو طے کرتی ہے کہ سکافولڈ کامیابی سے ہٹایا جاتا ہے یا نہیں۔

قاعدہ پر مبنی بمقابلہ موقع پر مبنی کا فرق ٹیوٹر سے آگے خود اسائنمنٹ تک پہنچتا ہے۔ ایک بین الاداراتی فیکلٹی کولیبوریٹری نے پایا کہ AI کے نتائج پر تنقید خود بخود نہیں ہوتی، اس لیے پیدا شدہ مواد کی جانچ، موازنہ، نظرثانی اور جواز پیش کرنے کی شرطیں کام میں لکھنی پڑیں، اور جنہوں نے AI کے داخل ہونے سے پہلے خودمختار تدریسی تجزیے کی حفاظت کی، اُن کے ہاں امیدوار AI کے نتائج کو زیادہ تنقیدی انداز میں جانچ سکے۔ مشقی ثبوت بھی اِس سے متفق ہے: AI ساتھیوں کے ساتھ مشق کرنے والے نو آموز اساتذہ نے زیادہ کھوجنے اور ٹٹولنے والے سوالات پوچھے جب مشق کے بعد منظم فیڈبیک دیا گیا۔ دونوں صورتوں میں معاونت پہلے سے متعین ہوتی ہے، بے ساختہ نہیں، جو ڈیزائن شدہ رہنمائی کو اُس موقع پر مبنی مدد سے الگ کرتی ہے جس کی جانچ اور نقل مشکل ہے۔

• درست طریقے سے محدود سکافولڈ بھی ناکام ہوتا ہے اگر بندی نافذ نہ کی جائے۔ Azimi (2026) نے وہی بنایا جو اوپر والا فرق تجویز کرتا ہے — فی سیشن 25 اشاروں کا بجٹ، AI کے استعمال پر 15 منٹ کی حد، سیشن کے آخر میں لازمی عکاسی، اور کوئی پیدا شدہ کوڈ نہیں — اور 33 ماسٹرز طلبہ کو سات ہفتوں میں اِس اور غیر محدود جنریٹو AI استعمال کے درمیان بے ترتیب تقسیم کیا۔ اسائنمنٹ کی کارکردگی اور تصوراتی فہرست کے فوائد حالتوں میں مختلف نہ ہوئے۔ اشارہ بجٹ نے راشننگ کے طریقہ کار کا کام نہ کیا: کچھ طلبہ اُس کا بڑا حصہ پہلے مسائل پر خرچ کر گئے اور مشکل مسائل کے لیے کچھ نہ بچا، دوسرے زیادہ تر استعمال نہ کر کے ختم کر گئے، اور کوچ والی حالت میں اُنہی طلبہ نے زیادہ اسکور کیا جن کے پاس اشارہ خرچ کرنے کی پہلے سے سوچی سمجھی حکمتِ عملی تھی۔ بندی نے بتائی گئی خود اعتمادی بڑھائی اور طلبہ کے ساتھ کلاس سے باہر ایک خود سوالی عادت کے طور پر گئی (کہ آیا کوئی سوال اوزار سے پوچھنے کے قابل تھا)، مگر اُس نے موجودہ خود حکمرانی کو انعام دیا، اُسے پروان نہ چڑھایا۔ سکافولڈ کا قابلِ جانچ ہونا اور سیکھنے والے کی اُسے استعمال کرنے کی صلاحیت دو الگ شرطیں ہیں۔

• جو سکافولڈ سیکھنے والا تصدیق نہ کر سکے وہ روانی سے بھرا متبادل ہے۔ چونکہ کیمیا مشاہدہ پذیر مظاہر، ذراتی ماڈل اور علامتی تحریر کے پار استدلال کرتی ہے، کوئی پیدا شدہ جواب مقامی طور پر قائل کرنے والا اور مجموعی طور پر غلط ہو سکتا ہے۔ Vega-Baudrit اور Rivera Álvarez (2026) سکافولڈنگ کو اپنے Presage-Process-Product تجزیے کے پیداواری پہلو پر اور غیر تنقیدی نقل کو ناکامی کے پہلو پر رکھتے ہیں، اور سکافولڈز سے مطالبہ کرتے ہیں کہ وہ دونوں سمتوں میں نمائندگی کی ترجمانی کا تقاضا کریں، کیونکہ وہ جواب جو تعدیل کو درست طور پر بیان کرتا ہے پھر بھی دعوی کر سکتا ہے کہ ہر ہم قدرتی نقطے کا pH 7 ہے۔ تصدیق کام کے اندر ڈیزائن کی جاتی ہے، اصول کے طور پر اعلان نہیں کی جاتی: طلبہ کوئی غلط مفروضہ پہچانتے ہیں، اکائی یا طریقہ کار کی غلطی درست کرتے ہیں، علامتی ڈھانچے کا زیرِ خرد ماڈل سے موازنہ کرتے ہیں، یا پیدا شدہ جواب کو مسترد کرنے کا جواز دیتے ہیں۔ چونکہ طلبہ اُس چیز کی تصدیق نہیں کر سکتے جو وہ ابھی سمجھتے نہیں، پیشگی علم اور سکافولڈنگ پہلے آتے ہیں، اور پرامپٹنگ کو ایک علمی فعل سمجھا جاتا ہے جس میں سیکھنے والا وہ بندشیں متعین کرتا ہے جنہیں جواب کو پورا کرنا ہے۔

عام غلط فہمیاں

• "سکافولڈنگ معاونت کی ایک مستقل سطح ہے۔" 207 مشوروں کی ماہرانہ تشریح نے دکھایا کہ سکافولڈنگ کی ضرورت مرحلے پر سختی سے منحصر تھی، جو ملاقات کے آغاز میں طالب علم کے جملوں کے تقریباً 16.1% سے بڑھتی رہی۔ ایک ہی سکافولڈ سطح ایک ہی مشورے کے دونوں سروں پر غلط تقسیم ہوتی ہے۔
• "کوئی بھی منظم کنٹرول حالت سکافولڈنگ کے لیے منصفانہ موازنہ ہے۔" سکافولڈنگ والی حالت نے آخری OSCE کے مطابق امتحان پر منظم تدریجی افشا کے کنٹرول کو ہرایا (71.8% بمقابلہ 55.6%)، لہٰذا فائدہ کسی حقیقی پیدگوجیکل متبادل کے مقابل ناپا گیا، کچھ نہ ہونے کے مقابل نہیں۔
• "سکافولڈنگ کے اثرات عام ہیں۔" فائدہ 16.4 فیصد پوائنٹ (P = 3.30e-4) تھا، اور سب سے بڑی بہتری رابطے (Hedges' g = -0.79) میں۔ اثر ایک ہی نتیجے میں مرتکز تھا، لہٰذا نتائج کا اوسط اِس بات کو کم ظاہر کرتا ہے کہ کہاں کام کرتا ہے اور زیادہ ظاہر کرتا ہے کہ کہاں نہیں۔

منسلک تصورات

• تدریسی نمونے — ترتیب میں معاونت کہاں بنتی ہے، اور مدد سے پہلے کوشش کیوں بوجھ اٹھانے والا قاعدہ ہے
• مسئلہ پر مبنی سیکھنا — PBL غیر ساختہ مسائل کے گرد کم ہوتے سکافولڈز پیوست کرتا ہے
• تدریس کے ذریعے سیکھنا — وضاحت کے ذریعے علم کی تعمیر کو سکافولڈ کرنا
• سماجی ثقافتی سیکھنا — ویگوتسکیائی بنیاد: ZPD اور سماجی طور پر وساطت شدہ سیکھنا
• علمی بوجھ اتارنا — جو سکافولڈنگ کبھی کم نہ ہو وہ حد سے زیادہ انحصار پیدا کرتی ہے
• فیڈبیک — سکافولڈنگ معاونت کم ہونے کے ساتھ تکوینی فیڈبیک پہنچاتی ہے
• مصنوعی ذہانت کی لیٹریسی — یہ پہچاننا کہ سکافولڈنگ کب سیکھنے کو سہارا دیتی ہے اور کب اُس کی جگہ لیتی ہے
• ذہین ٹیوٹرنگ — ITS سکافولڈ کی شدت کو مہارت کے اندازوں کے مطابق کرتے ہیں
• سوکریٹک طریقہ — ایسا سوال پوچھنا جو براہِ راست جواب روک لے
• میٹا کوگنیشن — ایسے سکافولڈز جو خود نگرانی اور خود ضابطگی بناتے ہیں
• انطباقی سیکھنا — موافق نظام سیکھنے والے کے ZPD کے اندر معاونت کو ماڈیول کرتے ہیں
• سیکھنے کا ڈیزائن — سکافولڈنگ ایک بنیادی ہدایتی ڈیزائن حکمتِ عملی ہے
• مدد طلب کرنا — سکافولڈنگ ترتیب دیتی ہے کہ سیکھنے والے کب اور کیسے مدد مانگیں
• تدریس — اساتذہ سکافولڈ کرتے ہیں، پھر قابلیت بڑھنے پر کم ہو جاتے ہیں
• تدریسی طریقے اور حکمت عملیاں — چھتری: AI تعلیم میں پیدگوجیاں اور تدریسی حکمتِ عملیاں
• ایجنٹک AI
• پیداواری ناکامی — پیداواری ناکامی

منسلک مضامین

• Generative AI in computing education: A systematic review and a framework for responsible integration — تصدیق نافذ کرنے کے طریقہ کار کے طور پر سکافولڈ کا واپس لینا (VIE فریم ورک)
• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — کلینیکل انٹرویو کی تربیت کے لیے سکافولڈنگ پر مبنی کثیر ایجنٹ بڑے زبان ماڈل نظام کی جانچ
• Assessing ChatGPT-Generated Comments for Video-Based Learning Content to Enhance Knowledge and Emotional Support Based on Scaffolding Theory — ویڈیو کے اندر علمی اور جذباتی سکافولڈنگ کے طور پر اینٹروپی سے وقت بندھے AI تبصرے (Wang, Du & Jin 2026)
• Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics — رہنمائی والی LLM پرامپٹنگ بہ طورِ منظم سیکھنے کی مداخلت
• Scaffolding critical engagement with GenAI: Transforming ethnic minority preparatory students' collaborative discourse — GenAI کے ساتھ ثقافتی طور پر جوابدہ تنقیدی شمولیت کی سکافولڈنگ
• Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments — LLM ٹیوٹرز میں سکافولڈنگ کے ڈیزائن نمونے
• Creating Learning Scaffolds for Engineering Design Using Concept Catalyst — تصوراتی تبدیلی کے لیے Concept Catalyst سکافولڈز
• Catching The Correct Answer Trap: Characterising AI Tutor Blind Spots When Analysing Student Reasoning — اشارے کب مدد کرتے ہیں بمقابلہ کب حد سے زیادہ انحصار کی ترغیب دیتے ہیں
• Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher — GenAI کے ساتھ تنقیدی سوچ کی سکافولڈنگ
• VeriForge: Mitigating Latent Knowledge Gaps in Narrative Drafting via Mixed-Initiative Scaffolding — Veriforge کے ساتھ سکافولڈ شدہ بیانیہ تحریر
• From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond) — متبادل سے سکافولڈنگ تک: خود تقویت بخش نقصان کا چکر توڑنا
• Preferred Scaffolding Does Not Lead to Better Learning Performance: Empirical Evidence from AI-Supported Mathematical Modelling — AI کی معاونت والی ریاضیاتی ماڈلنگ میں ترجیحی سکافولڈنگ
• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — ایجنٹک AI کے لیے گارڈ ریل کے طور پر متحرک (کم ہوتے) سکافولڈز
• When Help is Unhelpful: Evaluating AI Tutors for Productive Struggle — جب مدد مددگار نہ ہو: پیداواری جدوجہد کے لیے AI ٹیوٹرز کی جانچ
• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — پیداواری ناکامی پر مبنی سیکھنے کی معاونت کے لیے AI نظام ڈیزائن کرنا
• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — پیداواری ناکامی کے لیے LLM کی پیدگوجیکل رہنمائی
• Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment — AI ٹیوٹرنگ کو پیداواری بنانا: مہارت پر مبنی ریاضی کی مشق
• The Effortless Trap: Productive Struggle, AI, and the Illusion of Learning — محفوظ بمقابلہ غیر محفوظ AI: جگہ کا قاعدہ (Brcic & Frljic 2026)
• Supporting Undergraduate Students' Learning in Practical Chemistry Courses through AI-Supported Experimental Design — عملی کیمیا میں AI کی معاونت والا تجرباتی ڈیزائن
• Scaffolding Systematic Reviews in Learning Design and Technology Through Mentoring and AI Integration — رہنمائی اور AI کے ساتھ منظم جائزوں کی سکافولڈنگ (Wang 2026)
• Pre-service teachers' agency during their interactions with generative AI while designing for learning - a process view — سیکھنے کے ڈیزائن میں GenAI تعاملات کے دوران نو آموز استاد کی ایجنسی (Krushinskaia, Elen & Raes 2026)
• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — ریاضی کی استاد کی تربیت میں مشق کی پیدگوجیوں میں AI: منظم مشقی فیڈبیک نے کھوجنے والے سوالات بڑھائے (Bondurant & Shaughnessy 2026)
• AI Integration as Instructional Design: Lessons from a Cross-Institutional Faculty Collaboratory in Teacher Preparation — ہدایتی ڈیزائن کے طور پر AI کا انضمام: AI کے نتائج پر تنقید لازمی ہونی چاہیے، اور تدریسی تجزیہ پہلے آتا ہے
• AI literacy over tool design: a mixed-methods study of scaffolded versus unrestricted generative AI in programming education — اشارہ بجٹ والا AI اسٹڈی کوچ: سکافولڈ شدہ بمقابلہ غیر محدود GenAI استعمال، اور صرف بندی نے سیکھنا کیوں پیدا نہ کیا (Azimi 2026)
• SCAN: A Decision-Making Framework for Task Assignment with Generative AI — SCAN: سکافولڈنگ کی نئی تعریف بہ طورِ یہ فیصلہ کہ کوئی کام کس ذیلی زون میں آتا ہے
• Impact of automated scoring on interpreting performance and self-regulated learning: evidence from a pedagogical experiment — خودکار اسکورنگ بہ طورِ تکوینی سکافولڈنگ: یہ فائدے میں صرف وہاں بدلتی ہے جہاں نشانہ بنایا گیا خلا تجزیے کے قابل، قابلِ اعتماد اور حساس پیمانے پر ہو (Chen & Liu 2026)
• Adaptive teaching assistance model combining generative AI and big data analytics — موسیقی کی مشق میں سیکھنے والے کی موجودہ حد کا پیچھا کرنے والی بند چکر موافق سکافولڈنگ، غلطی کی نشان دہی بہ طورِ چھانٹی (Zhu et al. 2026)
• The role of generative AI in facilitating children’s creative thinking and cognitive development: a systematic scoping review — سکافولڈ کی شکل کو بچوں کی نشوونما کی صلاحیت سے میل کھانا چاہیے، صرف کام سے نہیں (Niu et al. 2026)
• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — سکافولڈز سے نمائندگی کی ترجمانی اور تصدیق کا مطالبہ ہونا چاہیے، کیونکہ طلبہ اُس چیز کی تصدیق نہیں کر سکتے جو وہ سمجھتے نہیں (Vega-Baudrit & Rivera Álvarez 2026)
• Generative AI-supported instruction as a cognitive scaffold: effects on senior high school students' geometric reasoning and proof construction — GenAI بہ طورِ پرامپٹ سکافولڈ جو جیومیٹری میں بصری وجدان کو اخذی ثبوت سے جوڑتا ہے، جہاں صرف تصور کافی نہیں (Davor 2026)
• Examining Variation in How Guided AI Tutors Resolve Student Impasses — رہنمائی والے AI ٹیوٹرز طلبہ کے تعطل کو کیسے حل کرتے ہیں، اِس میں فرق کا جائزہ
• From answer machine to collaborative partner: impact of structured generative AI training on scientific problem solving in STEM education — STEM مسئلہ حل کرنے میں GenAI کے استعمال کے لیے سیکھنے والے کی تربیت بہ طورِ سکافولڈنگ (Huang et al. 2026)
• A Conversational AI Framework for Teacher Training — تدریسی غلط فہمیوں کی تعلیم کے لیے گفتگو والا AI تشخیصی، ثبوت میں بنیاد رکھے مکالمے کے ساتھ (Miranda & Calvani 2026)
• Scaffolding Autonomy: AI-Augmented Self-Paced Learning Environments for Sustainable Learning Outcomes — خود رفتار کورس میں مواد اور وقت کی سکافولڈنگ کی تہیں، مطالعے کے وقت کے حساب سے دیر سے آغاز اور ناکامی کی شرح کے ساتھ
• The Assistance Dilemma - Learning to Teach via Multi-Turn Reinforcement Learning — معاونت کا مخمصہ: ایسے کئی باریوں والے RL ٹیوٹر کی تربیت جس کا انعامی افق مسئلے کے ساتھ ختم ہوتا ہے، کم ہونا سکھا کر ختم کر دیتا ہے (Macina, Kapur & Sachan 2026)