خود ضابطگی والی سیکھنا

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

خود ضابطگی والی سیکھنا (SRL) سیکھنے والوں کو فعال شرکا کے طور پر بیان کرتی ہے جو اپنے علمی اور رویّے کے اعمال کو کامیابی کے ساتھ شکل دے اور ترقی دے سکتے ہیں۔ AI ٹولز SRL کی نشوونما کو سہارا دے سکتے ہیں یا نادانستہ طور پر اُسے شارٹ سرکٹ کر سکتے ہیں، کیونکہ وہ اُن ضابطگی تقاضوں کو ہٹا دیتے ہیں جو مہارت پیدا کرتے ہیں۔(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)(The Evidence Base on AI in K-12: A 2026 Review) طولی شواہد اِس فرق کو تیز کرتے ہیں: AI ٹول کے گرد عکاسانہ استعمال نے تنقیدی سوچ کی پیش گوئی کی (β = 0.43) مگر علم کے اضافے کی نہیں، اور محض ٹول تک رسائی نے کسی چیز کو نہیں بدلا۔(Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study)

غور کرنے کے لیے سوالات

• SRL سیکھنے والوں کو تین مراحل کے ذریعے اپنی سیکھنے کا فعالانہ انتظام کرتے ہوئے بیان کرتی ہے: پیشگی سوچ (ہدف کا تعین، منصوبہ بندی، خود اعتمادی)، عمل (حکمتِ عملی، خود مشاہدہ)، اور خود عکاسی (جانچ، موافقت)۔ پڑھنے سے پہلے، آپ واقعی کون سا مرحلہ اچھی طرح کرتے ہیں — اور کون سا چھوڑ دیتے ہیں حالانکہ آپ جانتے ہیں کہ بہتر کیا ہے؟
• صفحے کی بنیادی کشمکش: AI خود ضابطگی کو سہارا دے سکتا ہے یا اُن ضابطگی تقاضوں کو ہٹا کر اُسے شارٹ سرکٹ کر سکتا ہے جو مہارت پیدا کرتے ہیں۔ کوئی ٹول جو کام آسان بناتا ہے، آپ کو اپنی سیکھنے کا کمزور ضابط بناتے ہوئے کیسے نقصان پہنچا سکتا ہے — اور کیا آپ اپنے استعمال میں یہ فرق محسوس کر سکتے ہیں؟
• طلبہ اکثر 'پیداواری کمی' دکھاتے ہیں: اُن کے پاس خود ضابطگی کا علم ہے مگر وہ اُسے بے ساختہ بروئے کار نہیں لاتے — چیٹ بوٹ سے 'بنیادی خیالات نکال دو' کہنا اور منصوبہ بندی و نگرانی مکمل طور پر چھوڑ دینا۔ کیا آپ نے خود کو اِس کا علمی متبادل کرتے ہوئے پکڑا ہے، حالانکہ آپ بہتر حکمتِ عملی جانتے ہیں؟
• جب معاونت موجود ہو تو آپ کا اپنا فیصلہ تصویر سے باہر ہو سکتا ہے: ایک ٹریس ڈیٹا مطالعے میں نظرثانی کی حکمتِ عملی کا انتخاب دستیاب معاونت نے طے کیا، سیکھنے والے کی میٹا کوگنیٹو درستگی نے نہیں۔ اگر بیرونی مدد آپ کی اپنی سیکھنے کے بارے میں آپ کے اندازے پر غالب آ جائے، تو کون سا فیصلہ آپ دانستہ اپنے ہاتھ میں رکھیں گے؟
• تحقیق نے 'غلط کیلیبریشن کا خلا' پایا: طلبہ GenAI کے ساتھ زیادہ سیکھنا محسوس کر سکتے ہیں جبکہ کم یاد رکھتے ہیں — کمزور یادداشت کے باوجود نوٹ لکھنے پر AI کو ترجیح دیتے ہیں۔ اگر آپ کسی ٹول کے استعمال میں کارآمد محسوس کرتے ہیں، تو آپ کو کیسے پتہ چلے گا کہ آپ واقعی زیادہ نہیں سیکھ رہے؟
• GenAI سہارے، شارٹ کٹ یا ساتھی کے طور پر کام کرتا ہے یا نہیں، یہ ٹول کے بجائے سیکھنے والے کی ضابطگی صلاحیت پر زیادہ منحصر ہے۔ لیکن صفحہ یہ بھی دکھاتا ہے کہ خود ضابطگی گہری علمی منتقلی کے نقصان کو روکتی ہے — مگر ختم نہیں کرتی۔ یہ 'روکتی ہے مگر ختم نہیں کرتی' کی شرط بہتر AI ٹولز کے ڈیزائن کے لیے کیا معنی رکھتی ہے؟
• پڑھنے سے پہلے ایک ہدف طے کریں: کوئی ایک کام چنیں جس کے لیے آپ باقاعدگی سے AI استعمال کرتے ہیں، اور پہلے سے فیصلہ کریں کہ SRL کے تین مراحل میں سے (پیشگی سوچ، عمل، عکاسی) کون سا آپ دانستہ خودکار بننے سے بچائیں گے۔ کون سا نتیجہ آپ کو بتائے گا کہ یہ کامیاب رہا؟

تعارف

SRL وہ عمل ہے جس کے ذریعے سیکھنے والے تین باہم جُڑے مراحل میں اپنی سیکھنے کا فعالانہ انتظام کرتے ہیں:

1. پیشگی سوچ: ہدف کا تعین، حکمتِ عملی کی منصوبہ بندی، خود اعتمادی کے عقائد
2. عمل: حکمتِ عملی کا اطلاق، خود مشاہدہ، توجہ کی مرکوزیت
3. خود عکاسی: خود جانچ، سببی نسبت، موافقت

ماہر خود ضابطگی والے سیکھنے والے کامیابی بڑھانے کے لیے علمی حکمتِ عملیاں بروئے کار لاتے ہیں اور اپنے سیکھنے کے عملوں کو مسلسل بہتر بنانے کے لیے میٹا کوگنیشن کا استعمال کرتے ہیں۔(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

ٹیکنالوجی کی مداخلت والے ایک کورس میں تجرباتی کام مراحل کے اِن روابط کی تصدیق کرتا ہے: ایک آٹھ ہفتے کے موافق اسٹوکاسٹکس مطالعے (194 طلبہ) میں، عمل سے پہلے کے مرحلے میں کام کی قدر، خود اعتمادی، ہدف کی سمت اور مثبت جذبات نے عملی ضابطگی رویّے کی پیش گوئی کی جبکہ منفی جذبات نے اُسے روکا، اور عمل کے بعد کی اطمینان اگلے عمل سے پہلے کے مرحلے میں آگے بہی (Mejeh & Fromm (2026))۔

84 AI–SRL مطالعات کی منظم نقشہ بندی سے پتہ چلا کہ تحقیق اعلیٰ تعلیم کے طلبہ اور خود ضابطگی کے میٹا کوگنیٹو اور علمی پہلوؤں پر مرکوز رہی، محرک کی جہت کم دریافت ہوئی اور ایک تہائی سے زیادہ مطالعات نے کوئی SRL نظریہ ہی متعین نہیں کیا (Banihashem et al. (2025))۔

اہم بات یہ ہے کہ AI کے گرد SRL رویّے کے ساتھ ساتھ ادراک سے بھی شکل پاتی ہے: Yilmaz et al. دکھاتے ہیں کہ طلبہ فیڈبیک کو AI کی طرف سے آیا ہوا سمجھیں یا انسان کی طرف سے، اِس کا اُن کی خود ضابطگی والی سیکھنے اور نظرثانی کے رویّے پر نمایاں اثر پڑتا ہے — یہ یاد دہانی کہ AI کی سماجی تشکیل، نہ صرف اُس کا مواد، بدلتی ہے کہ سیکھنے والے اُس کے گرد کیسے ضابطہ بناتے ہیں۔

نقصان کا ایک نمونہ ضابطگی شروع ہونے سے پہلے ہی موجود ہوتا ہے: GenAI کی مدد سے سیکھنے میں تاخیر — GenAI کی معاونت والے کام کو شروع کرنے میں بے جا تاخیر، باوجود اُسے استعمال کرنے کی حقیقی نیت کے۔ 1,243 چینی انڈرگریجویٹس میں، GenAI کا زیادہ کثرت سے استعمال اُس کے کم استعمال کے ساتھ جاتا رہا (β = −0.195)، اور GenAI سیکھنے کی بے چینی نے نیت اور تاخیر کے ربط کو مضبوط کیا (Li et al. (2026))۔

GenAI حلقے میں کہاں داخل ہوتا ہے، یہی اُس کا اثر طے کرتا ہے: Zimmerman کے پیشگی سوچ، عمل اور عکاسی کے مراحل کو AI کے ذریعے عمل میں آنے والے ماحول پر نقش کرتے ہوئے، ایک ہم ایجنسی فریم ورک دلیل دیتا ہے کہ داخلے کا مقام طے کرتا ہے کہ ٹول سیکھنے والے کے کنٹرول کے احساس کو بڑھاتا ہے یا کُرتا ہے، اور یہ کہ منتقلی تبدیلی آمیز سیکھنے کی معاونت صرف اُس وقت کرتی ہے جب فیصلہ دانستہ ہو، معمول نہیں (Poudyal (2026))۔

434 خصوصی تعلیم کے انڈرگریجویٹس کے ایک کراس سیکشنل سروے نے ایسی ہی ایک زنجیر ناپی: GenAI خواندگی کا GenAI کی معاونت والے خود ضابطگی سیکھنے کے رویّوں سے مثبت تعلق تھا (کل B = 0.701)، جو بنیادی طور پر سیکھنے کی سیکھنے والے کی ایجنسی کے راستے چلتا ہے (B = 0.345)، نہ کہ چیلنج جذبات کے راستے (B = 0.061) (Yang et al. (2026))۔

میٹا کوگنیٹو خود ضابطگی Shao, Tang and Ju (2026) میں ایک ناپا گیا نتیجہ ہے، مفروضہ نہیں، جنہوں نے پایا کہ AI-VR فلپڈ کلاس روم نے کارکردگی کے ساتھ ساتھ اُسے بھی بڑھایا، اور یہ کہ زیادہ تکنیکی خواندگی والے سیکھنے والوں کو زیادہ فائدہ ہوا۔

SRL کے لیے ڈیجیٹل معاونت

سیکھنے کی جرائد

سیکھنے کی جرائد SRL کی ایک امید افزا مداخلت ہیں: اپنے سیکھنے کے عملوں پر عکاسی کر کے طلبہ علمی بیداری بڑھاتے ہیں اور ضابطگی کی صلاحیت مضبوط کرتے ہیں۔ ڈیزائن کے اہم پہلو:

• ساخت اہم ہے: کھلی نوعیت کی جرائد اکثر سطحی اندراجات پیدا کرتی ہیں؛ رہنمائی شدہ پرامپٹس اور نمونہ مثالیں گہرائی بڑھاتی ہیں
• محرک کی کمی: موبائل جرائد ایپس میں عام طور پر چند دن بعد شمولیت میں تیزی سے کمی دیکھی جاتی ہے
• سہارے کا سودا: AI کی وہ معاونت جو طلبہ کے لیے عکاسی لکھ دیتی ہے SRL کے عمل کو کمزور کرتی ہے؛ وہ معاونت جو مواد لکھے بغیر پرامپٹس کی ساخت بناتی ہے اُسے محفوظ رکھتی ہے

اساتذہ کو SRL پروفائلز بتانے والے ڈیش بورڈز

Mejia-Domenzain et al. (2026) ڈیجیٹل SRL معاونت کو استاد کی طرف بھی بڑھاتے ہیں: اُن کا لرننگ اینالیٹکس ڈیش بورڈ (DashED) مخلوط کلاس رومز کے اساتذہ کو مشین لرننگ سے حاصل کردہ خود ضابطگی سیکھنے کے پروفائلز بتاتا ہے، اور اساتذہ اُن پروفائلز پر کیسے عمل کرتے ہیں یہ سیاق و سباق پر منحصر ہے۔ استعمال میں، فلپڈ کلاس روم (یونیورسٹی) کے اساتذہ نے ترتیب وار دریافت کی پیروی کی اور کورس کی سطح کی موافقت اور کلاس میں ڈیش بورڈز دکھانے کو ترجیح دی، جبکہ پیشہ ورانہ اساتذہ خلاصہ صفحات پر واپس آتے رہے اور ٹول کو بنیادی طور پر انفرادی کوچنگ سیشنز کے لیے استعمال کیا۔ اساتذہ نے جو اقدام تجویز کیے وہ پیش کردہ مواد اور اُن کی تدریسی سطح سے شکل پاتے تھے، پلاٹ کی قسم سے نہیں — یونیورسٹی کے اساتذہ ہفتہ وار ٹسٹوں اور کورس کی موافقت کو ترجیح دیتے تھے، پیشہ ورانہ اساتذہ براہِ راست، انفرادی کوچنگ کو۔ یہ ڈیش بورڈ کو اساتذہ کی تدریس کی ضابطگی کے لیے سہارا کے طور پر کھڑا کرتا ہے، جس کی ڈیزائن ضروریات سیاق و سباق کے لحاظ سے بدلتی ہیں، نہ کہ کوئی ایک بہترین انٹرفیس ہو۔

طلبہ کی طرف کا ہم منصب زیادہ کم ہے: ایک ڈیش بورڈ جس نے 46 ثانوی طلبہ کو اُن کے اپنے GenAI پرامپٹس اور ماڈل کے جوابات کے ساتھ اُن کے متن کا اوورلیپ دکھایا، کلاس کے صرف تقریباً ایک تہائی نے کھولا، جس سے خود ساختہ انکشاف — نہ کہ خود بصری نمائش — پابند کرنے والی شرط بن گیا (Fong et al. (2026))۔

Scheu et al. کا 2×2 تجربہ (2026)

179 طلبہ کے ساتھ 22 دن پر محیط ایک بے ترتیب فیلڈ تجربے میں دو ڈیزائن اصولوں کا موازنہ کیا گیا:

کلیدی بصیرت: کورس نے مہارت کی منتقلی کے ذریعے SRL مہارتیں اور داخلی محرک بہتر کیا، جبکہ اسسٹنٹ نے شمولیت بڑھائی مگر محرک کو متاثر نہیں کیا۔(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

AI ٹولز اور SRL–محرک کا باہمی حلقہ

SRL نظریے کا ایک بنیادی اصول یہ ہے کہ خود تعلیم میں AI کی ضابطگی کی مہارتیں اور تحریک ایک باہمی تعلق بناتے ہیں:

• بہتر SRL → زیادہ کامیاب سیکھنا → بلند خود اعتمادی → مضبوط محرک
• بلند محرک → زیادہ محنت والی شمولیت → بہتر SRL عمل

AI ٹولز اِس حلقے میں مختلف مقامات پر داخل ہو سکتے ہیں:

• SRL اول ڈیزائن (مثلاً منظم کورسز، بتدریج اشارے، عکاسی کے پرامپٹس): حقیقی مہارت بنا کر حلقے کو مضبوط کرتا ہے
• شمولیت اول ڈیزائن (مثلاً آٹو کمپلیٹ، مواد کی پیداوار): رویّے کی شمولیت بڑھا سکتا ہے مگر محرک کے حلقے میں داخل نہیں ہوتا، جس سے ٹول پر انحصار کا خطرہ ہے

GenAI کی اسٹریٹجک ضابطگی بطور SRL

Kim (2026) مؤثر GenAI استعمال کو علمی تحریر میں اسٹریٹجک ضابطگی کے طور پر نئے سرے سے بیان کرتے ہیں — یعنی AI کے نتائج کی تصدیق، نظرثانی، انتخابی اپنانے یا رد کرنے کا عملی SRL عمل۔ 107 طلبہ کے مخلوط طریقہ مطالعے میں، زیادہ AI بے چینی کا تصدیق اور نظرثانی سے مثبت تعلق تھا (β=.24)، جبکہ جانچ کی صلاحیت نے فعال نظرثانی اور انتخابی ادغام کی پیش گوئی کی (β=.46)۔ طلبہ چار ضابطگی اقسام میں جھرمٹ بن گئے — غیر تنقیدی انحصار (18.7%)، انتخابی ادغام (34.6%)، جانچ آمیز تبدیلی (31.8%)، اور اسٹریٹجک انکار (14.9%) — جو دکھاتا ہے کہ مصنوعی ذہانت کی لیٹریسی اعلیٰ تعلیم میں قبولیت سے زیادہ تشخیصی فیصلہ اور اخلاقی ذمہ داری پر مبنی ضابطگی صلاحیت کے طور پر کام کرتی ہے۔ یہ SRL کو تنقیدی اور غیر تنقیدی AI استعمال میں فرق کرنے کا بنیادی میکانزم کھڑا کرتا ہے۔

ٹول کی گورننس بذاتِ خود ایک ناپا جانے والا پہلو ہے: چینی EFL سیکھنے والوں کے ساتھ دو مرحلوں والی تصدیق (EFA N = 305؛ CFA N = 342) چھ ضابطگی جہتیں الگ کرتی ہے اور ماحولیاتی ضابطگی — پیدا شدہ نتیجے کی درستگی جانچنا، تجویز کردہ وسائل چھاننا، اور انحصار پر حدود مقرر کرنا — کو اپنی الگ جہت قرار دیتی ہے (Wang, Zhang and Zhang (2026))۔

تفویض سے پہلے درجہ بندی کریں: Tsim and Gutoreva (2025) خود ضابطگی کو فی کام پروٹوکول میں بدل دیتے ہیں — ہر ذیلی کام کو Substitute، Complement، Aid یا Non-negotiable کا لیبل دیں، اُسے ایک مختصر میٹا کوگنیٹو نوٹ میں جگہ دیں، اور پرامپٹس، مسودوں اور انسانی نظرثانی کا آڈٹ ریکارڈ رکھیں — اور یہ چکر دہرایا جاتا ہے تاکہ ایک کام کی تفویض اگلے کو راہ دکھائے۔ ہر پرامپٹ بطور ضابطگی نشان۔ 23 طلبہ کے 429 پرامپٹس کو خود ضابطگی سیکھنے کے واقعات کے طور پر پڑھنے سے پتہ چلا کہ ساخت کا مرکب کام کے ڈیزائن کے ساتھ بدلتا ہے جبکہ 59 میں سے 53 جمع کرائے گئے کام ماڈل کے نتیجے کے قریب رہے، جو ضابطگی کو مصنوع کے بجائے تبادلے میں تلاش کرتا ہے (Kontorovich & Wallach (2026))۔ تعامل بذاتِ خود ضابطگی کا موضوع۔ Brunnström and Palmqvist (2026) اِسی ضابطگی تقاضے کو دوسری سمت سے دستاویز کرتے ہیں: ایک چیٹ بوٹ کے ذریعے گھر لے جانے والے امتحان کے جواب کی تیاری کے آٹھ دور کے مظاہرے میں، AI کا طے شدہ نتیجہ SOLO درجہ بندی کے مقداری، کثیر ساختی سرے پر رہا — چمکدار، جمع کرانے کے لیے تیار اور تدریسی لحاظ سے پتلا — اور بار بار میٹا سطحی مداخلتوں ("یہ بہت زیادہ ہے، کیا آپ اِسے سمیٹ سکتے ہیں؟") کے بعد ہی ایک قابلِ استعمال تین مرحلوں والا سیکھنے کا حلقہ تک پہنچا۔ اُن کا نتیجہ یہ ہے کہ کارآمد استعمال کے لیے "وہی خود ضابطگی مہارتیں درکار تھیں جن کی معاونت ٹول سے متوقع تھی": سیکھنے والے کو بتدریج اہداف طے کرنے، مشکل میں تبدیلی کی درخواست کرنے، اور یہ عکاسی کرنے کی ضرورت تھی کہ ابھی کیا سمجھا نہیں گیا، اور یہ سب مضمون کے مواد کے علاوہ تھا۔ وہ اِس صلاحیت کو AI-تعامل خواندگی کہتے ہیں اور ٹول سے دستبردار ہونے کو تسلسل کی ناکامی کے بجائے ایک جائز ضابطگی فیصلہ سمجھتے ہیں (میٹا کوگنیشن)۔

• اطمینان خود ضابطگی نہیں ہے۔ Liang et al. (2026) نے صنعت-تعلیم پروگراموں کے 689 انڈرگریجویٹس کا سروے کیا اور ایک سلسلہ وار ثالثی ماڈل آزمایا جس میں AI سے پیدا شدہ مواد کی سمجھی گئی سہولتیں AIGC خود اعتمادی بڑھاتی ہیں (beta = 0.583) اور اُس کے ذریعے سیکھنے کی تحریک (beta = 0.565) اور خود ضابطگی والی سیکھنا (beta = 0.250)، جہاں محرک SRL کا سب سے وزنی واحد پیش گو ہے (beta = 0.527)۔ بوجھ اُٹھانے والے منفی نتائج اِن راستوں کے ساتھ ہی بیٹھے ہیں: AI جانچ کے فیڈبیک کا معیار اطمینان کی مضبوط پیش گوئی کرتا تھا (beta = 0.712) مگر خود اعتمادی کی نہیں (beta = 0.131)، اور اطمینان کا خود ضابطگی والی سیکھنے پر کوئی نمایاں اثر نہیں تھا (beta = 0.032)۔ چنانچہ ایک پسندیدہ اور اچھی طرح کام کرنے والا اسسٹنٹ اِس بات کا ثبوت نہیں کہ ضابطگی بہتر ہوئی — میکانزم اعتماد اور محرک سے گزرتا ہے، سیکھنے والے کے ٹول کے تجربے سے نہیں۔

انحصار محنت کی ضابطگی کے ذریعے کام کرتا ہے، استعمال کی مقدار کے ذریعے نہیں۔ 982 انڈرگریجویٹس کے سروے میں GenAI انحصار نے کم محنت کی ضابطگی کی پیش گوئی کی (β = −0.257)، جس نے سمجھے گئے سیکھنے کے نتائج کی پیش گوئی کی (β = 0.497)، جس سے ایک منفی بالواسطہ راستہ بنا (β = −0.128) جبکہ استعمال کی کثرت کا کوئی نمایاں مجموعی تعلق نہیں تھا (Li, Zhang and Yang (2026))۔

GenAI سے واقف عکاسی بطور SRL

5P عکاسی ماڈل (Kadel et al. 2026) GenAI کے دور میں منظم عکاسی کو دوبارہ مرکز میں لاتا ہے، بطور عملی SRL عمل۔ چونکہ سیکھنے والے تیزی سے AI کے ساتھ معنی مشترکہ طور پر تخلیق کرتے ہیں، روایتی عکاسی ماڈلز طلبہ کی عکاسی کی اصلیت جانچنے میں دشوار کا شکار ہیں، چنانچہ 5P ماڈل (Purpose، Process، Product، Pitfalls، Plan) پیشگی سوچ سے چلنے والے ہدف کے تعین، عمل میں عکاسی (پرامپٹس اور تکرار کو دستاویز کرنا)، عمل پر عکاسی (امکانی نتیجے کی بیرونی ماخذوں کے خلاف تصدیق)، ہیلوسینیشن، سرقہ اور حد سے زیادہ انحصار کے لیے ایک واضح مرحلہ، اور ایک آگے دیکھنے والا منصوبہ — سب میں جذباتی نگرانی کو شامل کرتا ہے۔ اُس کا "مصنوع پر عمل" کا فلسفہ انسانی-AI تعامل کی منظم دستاویز کو وہ ضابطگی تقاضا سمجھتا ہے جو اصلیت، سیکھنے والے کی ایجنسی اور میٹا کوگنیٹو گہرائی محفوظ رکھتا ہے، اور GenAI سے واقف عکاسی کو خود ضابطگی کے لیے سہارا کے طور پر کھڑا کرتا ہے، اُس کے متبادل کے طور پر نہیں۔

ٹیوٹرنگ کے لیے مخصوص ڈیزائن سے تعلق

ٹیوٹرنگ کے لیے مخصوص AI SRL اول ڈیزائن سے ہم آہنگ ہے: یہ بتدریج سہارے فراہم کرتا ہے جو سیکھنے والے کی ایجنسی برقرار رکھتے ہیں اور اسٹریٹجک خود ضابطگی کا تقاضا کرتے ہیں۔ عمومی مقصد والا AI اکثر ضابطگی کے تقاضے مکمل طور پر ہٹا دیتا ہے۔(The Evidence Base on AI in K-12: A 2026 Review)

مثال کے طور پر:

• Bastani et al. کے ٹیوٹرنگ کے لیے مخصوص چیٹ بوٹ نے مرحلہ وار استدلال محفوظ رکھا (SRL کا تقاضا)
• عمومی مقصد والے GPT متغیر نے صرف جوابات فراہم کیے (SRL کا بائی پاس)

مختلف سیاق و سباق میں شواہد

• مخلوط شواہد اور غلط کیلیبریشن کا خلا۔ PreK-12 GenAI تحقیق کے ایک فوری جائزے میں پایا گیا کہ معاون کاموں کے دوران میٹا کوگنیٹو فائدے اکثر اُس وقت قائم نہیں رہتے جب معاونت ہٹا دی جائے، اور یہ کہ GenAI سمجھی گئی سیکھنے کو بڑھا سکتا ہے جبکہ پائیدار سیکھنا موجود نہ ہو (غلط کیلیبریشن کا خلا — طلبہ نے کمزور یادداشت کے باوجود نوٹ لکھنے پر GenAI کو ترجیح دی)۔ طلبہ کو یہ فیصلہ کرنے کے لیے واضح، مرحلے کے مطابق تربیت درکار ہے کہ کیا تفویض کرنا ہے اور کب خود محنت اہم ہے۔(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)

• SRL شاذ و نادر ہی فعال ہدف ہوتا ہے۔ 394 GenAI اعلیٰ تعلیم مطالعات میں، خود ضابطگی والی سیکھنا اور عکاسی سب سے کم بروئے کار لائے جانے والے استعمالات اور سب سے کم ہدف بنائے جانے والے نتائج میں تھیں (Lin et al. (2026))۔

• ایجنٹک پہل بمقابلہ خود ضابطگی کی کشمکش۔ Woollaston et al. (2026) بتاتے ہیں کہ ایجنٹ جتنا زیادہ کام خودکار کرتے ہیں، سیکھنے والا اُتنا کم خود ضابطگی والا علمی کام کرتا ہے — چنانچہ ڈیزائنوں کو سیکھنے والوں کو ایجنٹ کے آغاز پر کنٹرول دینا چاہیے (متحرک، کم ہوتے سہارے) تاکہ خود ضابطگی کی صلاحیت محفوظ رہے، بجائے اُسے باہر سونپ دینے کے۔

• خود ضابطگی AI کوڈنگ اسسٹنٹ کے استعمال کو شکل دیتی ہے۔ AI کوڈنگ اسسٹنٹس کا ایک مطالعہ پایا کہ زیادہ کمپیوٹیشنل سوچ والے طلبہ نے زیادہ مضبوط خود ضابطگی ہم آہنگی (منصوبہ بندی-عمل-خود عکاسی) دکھائی اور AICA کو کوڈ سمجھنے کے لیے استعمال کیا، جبکہ کم CT والے طلبہ نے اُسے فوری جواب کی تلاش کے لیے استعمال کیا۔

• آن لائن سیکھنے میں SRL کم ڈیجیٹل توجہ ہٹاؤ کے ساتھ ساتھ آتا ہے۔ Shi et al. (2026) نے 530 کالج طلبہ پر غیر نگرانی شدہ ڈیٹا مائننگ استعمال کرتے ہوئے پایا کہ SRL حکمتِ عملیاں — ہدف کا تعین، ماحول کی ساخت، اور وقت کا انتظام — آن لائن سیکھنے میں کم ڈیجیٹل توجہ ہٹاؤ کے ساتھ سب سے مستقل طور پر آتی رہیں، ساتھ ہی سیکھنے والے-استاد اور سیکھنے والے-مواد کی شمولیت بھی۔ یہ دریافت ٹھوس SRL تربیت کو مرکوز آن لائن مطالعے کے لیے ایک اعلیٰ فائدے والی مداخلت کے طور پر کھڑا کرتی ہے۔

• میٹا کوگنیٹو بیداری، نہ کہ ٹول تک رسائی، موافق STEM کارکردگی کا سب سے مضبوط محرک ہے۔ Alatoai and Alshahri (2026) نے سعودی عرب کے 649 ثانوی طلبہ کے ساتھ AI-STEM-MLCS بنایا اور تصدیق کی (CFI = 0.983، RMSEA = 0.019؛ McDonald's ω = 0.888 تا 0.905) اور پایا کہ اُس کی چار جہتیں خود ضابطگی والی سیکھنے کی کارکردگی کے تغیر کا 68% بیان کرتی ہیں (R² = 0.68)۔ AI پر مبنی میٹا کوگنیٹو بیداری سب سے مضبوط پیش گو تھی (β = 0.38، p < 0.001)، اُس کے بعد علمی منتقلی اور موافقت پذیری (β = 0.29، p = 0.008) اور AI سے بہتر شدہ خود ضابطگی والی سیکھنا (β = 0.21، p = 0.040)، جبکہ تخلیقی اور تنقیدی AI-STEM استدلال نے معیار کی پیش گوئی نہیں کی (β = 0.14، p = 0.135)۔ مصنفین اِس نمونے کو اِس بات کا شواہد سمجھتے ہیں کہ موافقت پذیر فیڈبیک STEM کارکردگی بنیادی طور پر اِس لیے بڑھاتا ہے کہ وہ سیکھنے والوں کو غلطیوں کا جائزہ لینے، دوبارہ کیلیبریٹ کرنے اور حکمتِ عملیاں دوبارہ استعمال کرنے پر ابھارتا ہے، چنانچہ یہ اوزار ایک واحد عالمی اسکور کے بجائے ایسی تشخیص کے طور پر بہتر کام کرتا ہے جو میٹا-سیکھنے کے خلا کی نشاندہی کرے۔ یہ ایک خود رپٹ پیمانہ ہے جو ایک ہی قومی نظام میں تصدیق شدہ ہے، چنانچہ گتانک عارضی ہیں۔

• بیرونی معاونت سیکھنے والے کے اپنے میٹا کوگنیٹو فیصلے کو نظرانداز کر سکتی ہے۔ Iqbal et al. (2026) نے 87 EFL طلبہ کا مقالہ GenAI (ChatGPT 4.0)، انسانی ماہر، یا کسی معاونت کے بغیر نظرثانی کرتے ہوئے ٹریس کیا۔ معاونت کی کیفیت طالب علم کی چنی ہوئی نظرثانی حکمتِ عملی کا بہت زیادہ سب سے مضبوط ہم تعلق تھی (Cramér's V = 0.668)، جو پچھلے تحریری کام سے منتقلی سے کہیں آگے تھی (V = 0.333)، جبکہ میٹا کوگنیٹو فیصلے کی درستگی (p = 0.172)، تحریری مہارت (p = 0.261) اور تحریک (p = 0.683) کا کوئی تعلق نہیں تھا۔ میٹا کوگنیٹو فیصلہ حکمتِ عملی کی پیروی صرف اُس وقت کرتا تھا جب کوئی معاونت دستیاب نہ ہو (permutation test p = 0.0460)۔ GenAI معاونت والے طلبہ کو سب سے زیادہ فائدہ ہوا (کم ہوتی مدد طلب کرنے کی حکمتِ عملی کے تحت اوسطاً تقریباً 4 پوائنٹ، جبکہ انسانی ماہر کی معاونت کے تحت اُسی حکمتِ عملی سے −0.5 پوائنٹ)، پھر بھی کوئی نظرثانی حکمتِ عملی اسکور کی تبدیلی سے جُڑی نہیں تھی (H(3) = 3.895، p = 0.273)، چنانچہ فائدے ٹول سے آئے، بہتر خود ضابطگی سے نہیں۔ مصنفین کا رخ یہ ہے کہ GenAI براہِ راست مدد فراہم کرنے کے بجائے اپنی نظرثانی حکمتِ عملی پر عکاسی کی ترغیب دے۔

• عکاسانہ استعمال تنقیدی سوچ سے جُڑتا ہے، علم کے اضافے سے نہیں۔ Melanou et al. (2026) نے بزنس انفارمیٹکس طلبہ کی تین متوازی کلاسوں (N = 87) کی نو ہفتے کے کورس میں پیروی کی، ہر گروہ میں علم بڑھا (F(1, 50) = 29.87، p < 0.001، η²p = 0.374) اور کوئی AI برتری نہ تھی، نہ وقت × گروہ کا تعامل، نہ کوئی Matthew اثر (F(1, 48) = 2.46، p = 0.124؛ BF01 = 8.70)۔ عکاسانہ استعمال (ماخذ جانچنا اور اپنانے سے پہلے AI کے نتیجے کی تصدیق) AI والی کیفیت میں نمایاں طور پر زیادہ تھا (3.72 بمقابلہ 2.82؛ F(1, 40) = 20.21، p < 0.001) اور تنقیدی سوچ کی پیش گوئی کرتا تھا (β = 0.43، p < 0.001) مگر علم کے اضافے کی نہیں، جس کی پیش گوئی جرمن علمی بوجھ نے کی (β = 0.51، p = 0.001)۔ عملی پڑھائی یہ ہے کہ AI تک رسائی بذاتِ خود کوئی مداخلت نہیں، اور اُس کا میٹا کوگنیٹو فائدہ ٹسٹ اسکور سے پہلے استدلال کے معیار میں ظاہر ہوتا ہے۔

• ساخت، نہ کہ صرف AI، SRL فائدے چلاتی ہے۔ Zimmerman کے مراحل کو منصوبہ پر مبنی مخلوط تدریس پر نقش کرنا، جہاں AI میٹا کوگنیٹو سہارا تھا، N-Gain 0.72 پیدا ہوا بمقابلہ روایتی تدریس کے 0.28 (t = 8.47، p < 0.001، Priyambudi et al. (2026))، جو دلیل دیتے ہیں کہ AI خود ضابطگی صرف کام کی ساخت کے اندر مضبوط کرتا ہے — غیر ساختہ استعمال سے میٹا کوگنیٹو سستی کا خطرہ ہے۔

• AI کی رفتار اُس ہم منصب مکالمے کو ہٹا سکتی ہے جو ہم ضابطگی اُٹھاتا ہے۔ چار گریجویٹ کورسز میں 28,123 فورم جملوں کو کوڈ کرتے ہوئے، ایک صرف انسانی اور دو بھاری AI TA استعمال والے، Davis et al. (2026) نے پایا کہ AI TA 97% طلبہ کے شروع کردہ اسائنمنٹ تھریڈز میں پہلا جواب دہندہ تھا، اُس کے جواب کا درمیانی وقت 0.92 منٹ تھا بمقابلہ 490 منٹ جب کسی ہم منصب نے پہلے جواب دیا۔ تھریڈ کے آغاز تبدیل نہیں ہوئے (p = .73) مگر جوابی پوسٹیں فی طالب علم 18.2 سے 10.9 رہ گئیں (p < .001)، اور ہم منصب جواب دہندوں کا فالو اپ جملوں میں حصہ سمسٹر کے دونوں نصفوں کے درمیان 91% سے 45% رہ گیا۔

• نتیجتاً SRL کی کمی ترکیبی ہے۔ چونکہ ہم منصب جواب دہندے تقریباً 70% SRL کوڈ شدہ جملے فراہم کرتے ہیں بمقابلہ 20 سے 27% تھریڈ شروع کرنے والوں کے، مجموعی ضابطگی زبان 49% سے 36% رہ گئی (p < .001)۔ ہر کردار کی اپنی شرح مستحکم رہی، چنانچہ کمی اِس بات کی عکاسی کرتی ہے کہ کون لکھ رہا تھا، نہ کہ افراد کے لکھنے کے انداز میں تبدیلی۔ خود ضابطگی پھر بھی گریڈ کی پیش گوئی کرتی تھی (β = 2.63، p = .017)، اور ہم منصب جوابات نے اُس تعلق کو معتدل کیا (β = 1.45، p = .013)۔ AI کے غلبے والے تھریڈز پر لگنے والی گریڈ سزا (β ≈ −1.38، p = .038) پھر 17 زیادہ خود ضابطہ افراد کو ہٹانے پر غائب ہو گئی (β ≈ −1.29، p = .454)، جسے مصنفین اِس طرح پڑھتے ہیں کہ قیمت کھوئی ہوئی ہم ضابطگی کے راستے آئی، براہِ راست AI کے راستے نہیں۔ یہ مشاہداتی ہے، چنانچہ میکانزم غیر ثابت رہتا ہے۔

• جذباتی سہارا ٹریس سے ناپے گئے SRL مراحل کو ہلاتا ہے جبکہ صرف علمی سہارا ایسا نہیں کرتا، اور خود رپٹ اُسے بمشکل دیکھتی ہے۔ 144 ہائی اسکول طلبہ کے ساتھ پہلے سے رجسٹرڈ تجربے میں سادہ ChatGPT، ایک SRL سہارا دینے والا ایجنٹ، اور ایک جذباتی متغیر کا موازنہ کیا گیا جو تین مقامات پر جذبات کے بارے میں پوچھتا اور کنٹرول-قدر خطوط پر لہجہ اور چیلنج ڈھالتا۔ ٹریس کوڈنگ نے تینوں مراحل میں بڑے کیفیتی اثرات پائے (ε2 = 0.44 پیشگی سوچ، 0.34 عمل، 0.34 خود عکاسی)۔ صرف SRL پرامپٹس نے ہدف کے تعین اور منصوبہ بندی کو جذباتی متغیر کی سطح تک اُٹھا دیا، جبکہ جذباتی تہہ نے عمل کے مرحلے کی زیادہ سرگرمی (r = 0.22) اور خود عکاسی (r = 0.31) شامل کی۔ خود رپٹ SRL نے کیفیتوں میں فرق صرف عمل کے مرحلے میں کیا؛ ٹریس اور خود رپٹ کے ارتباط وہاں 0.313، پیشگی سوچ کے لیے 0.22 اور خود عکاسی کے لیے 0.04 تھے۔ مصنفین ٹریس کے فرق کو ہم ضابطہ عملی شکل سمجھتے ہیں، نہ کہ آزاد ضابطگی صلاحیت (Diordiev, Stenberdt & Makransky, 2026)۔

• گروہوں میں ضابطگی AI کے اپنے پرامپٹ سے بھڑکتی ہے، اور پیشگی تصورات کا تنوع بدلتا ہے کہ وہ پرامپٹ کیسے اترتا ہے۔ Wang et al. (2026) نے 8 مختلف پیشگی تصورات اور 6 مشابہ پیشگی تصورات والے پری سروس استاد گروہوں کا موازنہ کیا جو ایک آن ڈیمانڈ میٹا کوگنیٹو چیٹ بوٹ اور ایک فعال صوتی ایجنٹ کے ساتھ کام کر رہے تھے۔ پرامپٹ کا فعل کیفیتوں میں 39 پرامپٹس، 18 بمقابلہ 21، پر یکجا ہو گیا، جبکہ ترتیب وار ساخت نہیں: متنوع گروہوں نے نتیجے کی مثبت یا غیر جانبدار جانچ برقرار رکھی اور مشابہ گروہوں نے بار بار کام پر اتفاق کے ساتھ منفی جانچ برقرار رکھی۔ خام ڈیٹا کے معائنے نے منفی حلقے کا کچھ حصہ فعال بولنے والے ایجنٹ تک پہنچایا، چنانچہ مصنفین اُسے معاونت کے انکار کے بجائے وقت اور ذریعے کی عدم مطابقت سمجھتے ہیں۔ اُن کا ڈیزائن مضمر یہ ہے کہ پہلے ہی یکجا ہو چکے گروہوں میں مشترکہ ضابطگی کی معاونت اختیاری رہنی چاہیے۔

LLM کے ذریعے SRL: سہارا، شارٹ کٹ یا ساتھی؟

Learning Letters کے مطالعات کا ایک جھرمٹ (2026) ایک مرکزی کشمکش پر یکجا ہوتا ہے: GenAI خود ضابطگی کو سہارا دے سکتا ہے، شارٹ سرکٹ کر سکتا ہے، یا اُس کا ساتھی بن سکتا ہے، یہ ڈیزائن اور اِس پر منحصر ہے کہ سیکھنے والے اُس کے استعمال کو کیسے ضابطہ دیتے ہیں۔ شواہد SRL کو ہی — نہ کہ ٹول کو — فیصلہ کن متغیر کے طور پر کھڑا کرتے ہیں۔

• Viberg et al. پاتے ہیں کہ LLMs انسانی معاونت کی جگہ لینے کے بجائے ایک تہہ دار مدد طلب کرنا ماحولیاتی نظام میں بُنے جاتے ہیں: طلبہ پہلے کام خود کرنے کی کوشش کرتے ہیں، پھر کم رکاوٹ والے پہلے قدم کے طور پر ChatGPT سے رجوع کرتے ہیں، تصوراتی سودے بازی کے لیے ہم منصبوں سے، اور اعلیٰ داؤ والے معاملات میں اساتذہ سے۔ وہ اوزاری مدد طلبی (اشارے، مرحلہ وار رہنمائی) کو عملی مدد طلبی (براہِ راست حل) پر ترجیح دیتے ہیں، منتخب اعتماد بروئے کار لاتے ہیں اور نتائج کی کورس کے مواد کے خلاف تصدیق کرتے ہیں — یہ چار مرحلوں کا عمل (یہ فیصلہ کرنا کہ مدد درکار ہے یا نہیں، کس سے پوچھنا ہے چننا، مدد کی نوعیت طے کرنا، موصولہ مدد کا جائزہ لینا) ہے جسے ناپا اور سکھایا جا سکتا ہے۔
• Atif & Dickson-Deane GenAI کے استعمال کو علمی بوجھ اتارنا کے طور پر بیان کرتے ہیں جو سہارا دیا گیا ہو سکتا ہے (سیکھنے والے AI کے نتائج پر تنقید کرتے اور اُنہیں ڈھالتے ہیں، سیکھنے والے کی ایجنسی اور معنی سازی برقرار رکھتے ہوئے) یا متبادلانہ (سیکھنے والے نتائج کو کم سے کم تصدیق کے ساتھ قبول کرتے ہیں، کنٹرول ٹول کو منتقل کرتے ہوئے)۔ 267 پوسٹ گریجویٹ IT طلبہ کے مطالعے میں، وہی ٹول سیکھنے والے کی حکمتِ عملی پر منحصر طور پر SRL کو سہارا یا شارٹ کٹ دے سکتا تھا — بااعتماد صارفین نے ہدف کے تعین اور نگرانی میں ایجنسی دکھائی؛ کم بااعتماد صارفین نے GenAI کو شارٹ کٹ یا بدسلوکی سمجھا۔
• Lim & Bannert خطرہ ٹھوس طور پر دکھاتے ہیں: طلبہ نے رضاکارانہ طور پر genAI چیٹ بوٹ استعمال کیا (73%) اور مقالوں پر زیادہ اسکور کیے، مگر اُنہوں نے فہم اور ترکیب کو منتقل کر دیا (چیٹ بوٹ سے "صرف بنیادی خیالات نکالو" کہہ کر) اور تقریباً کوئی منصوبہ بندی یا نگرانی نہیں کی — ضابطگی کے کلیدی فیصلے باہر سونپ دیے۔ یہ پیداواری کمی کی عکاسی کرتا ہے: طلبہ کے پاس SRL علم ہے مگر وہ اُسے بے ساختہ بروئے کار نہیں لاتے، چنانچہ genAI ٹولز کو عکاسی کی ترغیب دینی چاہیے (نگرانی کا سہارا) جب سوالات منتقلی کی نشاندہی کریں۔
• Song et al. دکھاتے ہیں کہ SRL بیک وقت ایک مستحکم استعداد اور متحرک کیفیت ہے: انفرادی بنیادیں مستقل رہتی ہیں، مگر میٹا کوگنیٹو علم اور بہبود ایک سمسٹر میں نظامی طور پر کم ہوتے ہیں، جسے جائزے کی آخری تاریخوں نے چلایا۔ وہ دکھاتے ہیں کہ GenAI سیاق و سباق سے واقف سیکھنے کا ساتھی بن سکتا ہے جب اُسے ذاتی، زمانی اور سیاقی ڈیٹا دیا جائے — طلبہ کی معاونت کرتا ہے مگر اُن کی محنت کی جگہ نہیں لیتا۔ یہ محض بنیادی استعداد پر مبنی "ایک بار سب کے لیے" شخصی بندی کے خلاف دلیل ہے۔
• de Barba SRL کو نظریاتی طور پر بڑھاتے ہیں اور دلیل دیتے ہیں کہ میدان کام پر مرکوز ضابطگی اور تعلیمی ٹیکنالوجی میں بہتر کیے جا سکنے والے رویّے کے پراکسیوں تک سکڑ گیا ہے۔ مقالہ سیکھنے والے کی ایجنسی کا ایک بین المقیاسی بیان تجویز کرتا ہے — ضابطگی (کاموں کے اندر)، ادغام (وقت اور سیاق و سباق کے پار)، اور مقام بندی (سیکھنے کو تشکیل دینے والی شرائط کے حوالے سے تنقیدی طور پر) — بطور ڈیزائن رخ الگورتھمی طور پر عمل میں آنے والے ماحول کے لیے۔
• خود ضابطگی منتقلی کے نقصان کو روکتی ہے مگر ختم نہیں کرتی۔ Chen (2026) دکھاتے ہیں کہ خود ضابطگی والی تحریر GenAI کی معاونت والی تحریر میں گہری علمی بوجھ اتارنا اور AI کے بغیر خودمختار نتائج کے منفی تعلق کو کم کرتی ہے — مگر ختم نہیں کرتی: منتقلی × SRL کا تعامل مثبت تھا (B = 0.22)، جو نقصان کو −0.54 (کم SRL) کی ڈھلان سے −0.33 (زیادہ SRL) تک ہموار کرتا ہے مگر ختم نہیں کرتا۔ تفویض کی حدود کو لازمی عکاسی کے ساتھ جوڑنے والی محدود معاونت کی کیفیت نے سب سے مضبوط خودمختار کارکردگی پیدا کی، جو شواہد ہے کہ میٹا کوگنیٹو ضابطگی سیکھنے والوں کی جزوی حفاظت کرتی ہے مگر خود علمی کام سونپنے کی مکمل تلافی نہیں کر سکتی۔

کرائے کی جگہ Winne کے ماڈلز میں۔ de Barba (2026) اِس میکانزم کو SRL پر ایسے عملیات کے طور پر نقش کرتے ہیں جو نظام سیکھنے والے کی جگہ انجام دیتا ہے: نوٹس لینا، نگرانی اور جانچانہ فیصلہ ٹول بروئے کار لاتا ہے، کوئی تعطل سیکھنے والے کے اپنے If-Then، Else انتخاب کے بجائے تلاش سے حل ہوتا ہے، اور وہ معیار جن سے سیکھنے والا جائزہ لیتا ہے، بنائے جانے کے بجائے اُدھار لیے جاتے ہیں۔ ایسی صلاحیت جسے سیکھنے والا اپنے پاس سمجھتا ہے جبکہ ٹول کے پاس ہو — پوشیدہ کرایہ داری — اُس غلطی کے اشارے کو دبا دیتی ہے جو ورنہ ضابطگی کی ترغیب دیتا، اور دس تجاویز متعین کرتی ہیں کہ کیا جانچنا ہے، بشمول ڈومین میں رچنے کی زیادہ قیمتیں اور معیار کا ماڈل کے اپنے مرجع نکات کی طرف بہکنا۔

اجتماعی سبق: SRL وہ بنیادی میکانزم ہے جو تنقیدی اور غیر تنقیدی AI استعمال میں فرق کرتا ہے۔ GenAI سہارا، شارٹ کٹ یا ساتھی کے طور پر کام کرتا ہے یا نہیں، یہ سیکھنے والوں کی ضابطگی صلاحیت اور اِس پر منحصر ہے کہ ٹولز کو اُن ضابطگی تقاضوں کو محفوظ رکھنے (نہ کہ ہٹانے) کے لیے ڈیزائن کیا گیا ہے یا نہیں جو مہارت پیدا کرتے ہیں۔

کون سی معاونت زیرِ بحث ہے، یہ طے کرتی ہے کہ کون سا ثالث تعلق اُٹھاتا ہے: 3,003 چینی پری سروس اساتذہ میں، سمجھی گئی AI ٹول معاونت بنیادی طور پر AI خود اعتمادی کے راستے جدت پسند قابلیت تک پہنچی (اُس راستے کے کل اثر کا 60.88%)، جبکہ سمجھی گئی اسکول پر مبنی ذہین ماحول معاونت بنیادی طور پر خود ضابطگی والی سیکھنے کے راستے (29.64% بمقابلہ 18.60%) (Liu et al. (2026))۔

مضمرات

• جرائد/چیٹ بوٹ ٹولز کے لیے: SRL ہدایت (کورس پر مبنی) کو اختیاری تحریری معاونت کے ساتھ جوڑیں تاکہ محرک اور شمولیت دونوں کے فائدے حاصل ہوں
• ٹول ڈیزائنرز کے لیے: جانچ کو اختیاری کے بجائے لازمی مرحلہ بنائیں۔ Iqbal et al. نے پایا کہ دستیاب معاونت نے، سیکھنے والے کے میٹا کوگنیٹو فیصلے کے بجائے، طلبہ کی استعمال کردہ نظرثانی حکمتِ عملی طے کی اور یہ کہ GenAI کے اسکور کے فائدے بہتر ضابطگی سے نہیں آئے، جبکہ Melanou et al. نے پایا کہ عکاسانہ استعمال تنقیدی سوچ کی پیش گوئی کرتا ہے جہاں محض ٹول تک رسائی نہیں کرتی۔ وہ تعاملات جو سیکھنے والوں سے تصدیق، موازنہ اور دوبارہ حکمتِ عملی بنانے کا تقاضا کرتے ہیں، سیکھنے کی قدر اُٹھاتے ہیں۔
• اساتذہ کے لیے: AI پر مبنی میٹا کوگنیٹو بیداری کو پہلا لیور سمجھیں اور اُسے واضح طور پر جانچیں۔ Alatoai and Alshahri نے اُسے موافق STEM کارکردگی کا سب سے مضبوط پیش گو پایا (β = 0.38) اور یہ کہ منتقلی اور موافقت پذیری دوسرے نمبر پر تھیں (β = 0.29)، چنانچہ وہ سرگرمیاں جو طلبہ سے غلطیوں کا جائزہ لینے اور حکمتِ عملی کو نئے مسئلے کے سیاق و سباق میں لے جانے کو کہتی ہیں، تنقیدی یا تخلیقی استدلال کے لیے عمومی ترغیب سے زیادہ کرتی ہیں۔
• AI پالیسی کے لیے: خریداری کے معیار کو پوچھنا چاہیے کہ کیا کوئی ٹول خود ضابطگی کو ترقی دیتا ہے یا ہٹاتا ہے
• محققین کے لیے: SRL نتائج (نہ کہ صرف فوری کارکردگی) ناپنے والے طویل مدتی مطالعات ضروری ہیں؛ Melanou et al. اُس صبر کا فائدہ دکھاتے ہیں، کیونکہ ایک سمسٹر کے عکاسانہ استعمال نے تنقیدی سوچ کو ہلایا (β = 0.43) مگر علم کے اضافے کو نہیں۔

گفتگو کے ایجنٹ اور نقلی کھیلوں میں SRL

• کھیلوں میں خود ضابطگی والی سیکھنے کی معاونت کرنے والے گفتگو کے ایجنٹ۔ Wenzel, Geiger, and Liening (2026) دکھاتے ہیں کہ کاروباری سمولیشن کھیل میں ایک AI گفتگو کا ایجنٹ (Lara) میٹرک پر مبنی تشکیلی فیڈبیک، آن ڈیمانڈ رہنمائی اور منظم عکاسی کے ذریعے خود ضابطگی والی سیکھنے کی معاونت کر سکتا ہے — اور اِس عام محدودیت کا ازالہ کرتا ہے کہ نقلی کھیل محدود تشکیلی فیڈبیک اور عکاسی کے پرامپٹس دیتے ہیں۔ طالب علم اساتذہ اور BSG شرکا کے ساتھ جانچ نے ایجنٹ کی علمی اور سماجی موجودگی اور خود ضابطگی کے لیے اُس کی معاونت کے بارے میں مثبت تاثرات بتائے۔

SRL کی خودکار شناخت: کیا منتقل ہوتا ہے اور کیا نہیں

• ایمبیڈنگ پر مبنی SRL درجہ بند کنندگان ایک ڈومین کے اندر زبانوں کے پار جاتے ہیں، مگر ڈومینوں کے پار نہیں۔ 26 طلبہ (کیمیا اور رسمی منطق؛ Winne-and-Hadwin ماڈل سے کوڈ شدہ سوچ بلند آواز پروٹوکول) کے مطالعے میں پایا گیا کہ انگریزی پر تربیت یافتہ ایمبیڈنگ پر مبنی ماڈلز (text-embedding-3-small) جرمن SRL کو ~0.8 AUC پر درجہ بند کرتے ہیں، ~0.1 کمی کے ساتھ — سوائے enacting کے (~0.7)۔ بین ڈومین منتقلی ناکام ہوتی ہے: کیمیا سے منطق پر ~0.6 تک گرتی ہے، enacting اتفاقی سطح تک (~0.5) — ڈومین کی دیوار، نہ کہ زبان، باندھتی ہے۔
• تین ناکامی کے نمونے بتاتے ہیں کہ منتقلی کہاں ٹوٹتی ہے۔ (1) تصور کا روزمرہ معنی میں حل ہونا، ڈومین کے معنی میں نہیں — "cancel" بمقابلہ کیمیا کا "kürzen" — enact کی درجہ بندی توڑ دیتا ہے۔ (2) انسانیت کاری — بھاری سہارے والے ٹیوٹر سے ناواقف جرمن طلبہ نے اُسے ایک شخص کی طرح مخاطب کیا، جس سے تقسیم سے باہر اظہارات پیدا ہوئے؛ کم سہارے والے پلیٹ فارمز پر منتقلی بہتر تھی۔ (3) اشارہ پڑھنے بمقابلہ منصوبہ بنانے کا ابہام — ماڈلز لاگ ڈیٹا کے بغیر میٹا کوگنیٹو اشارہ پڑھنے کو منصوبہ بندی سے الگ نہیں کر سکتے۔ غلطیوں کا ادراک ہر کیفیت میں مضبوط ہے — یہ جاننا کہ آپ غلط ہیں سیاق و سباق سے آزاد ہے۔ اصلاحات: ڈومین اصطلاحات کے لیے ماہر لغات یا فائن ٹیوننگ؛ اشاروں کے لیے لاگ ڈیٹا۔ (Large language models generalize SRL prediction to new languages within but not between domains)
• سطحی اشارے نصاب کی نقشہ بندی میں ضابطگی کو زیادہ منسوب کرتے ہیں۔ جائزے کی تفصیلات دیے جانے پر، GPT-o3-mini نے آخری تاریخوں یا شیڈولنگ کے ذکر کو خود ضابطگی مہارت کا شواہد پڑھا؛ Self-Management اِس طرح زیادہ شناخت ہوا، اور ماہر وزنوں کے ساتھ اُس کا اتفاق 0.53 سے -0.03 تک رہا (Jayalath et al., 2026)۔
• سوالات کی منظم زنجیریں پرامپٹنگ کو ضابطگی میں بدل دیتی ہیں۔ 83 انڈرگریجویٹس کے نیم تجربے میں، سوال-زنجیر کی دونوں کیفیتوں نے آزاد نوعیت کی سوال پوچھنے سے زیادہ سیکھنے کی حکمتِ عملی اور نگرانی کا رویّہ پیدا کیا (χ² = 6.551، p = .038) اور میٹا کوگنیٹو بیداری اور کارکردگی پر زیادہ اسکور کیے (F = 3.406، p = .038؛ F = 3.807، p = .035)، اور زنجیر کی دونوں شکلوں میں کوئی فرق نہ تھا (Lin et al., 2026)۔ ترتیب ہی کام کرتی ہے۔
• گروہ کی سطح کی شناخت اِسی تقسیم کی پیروی کرتی ہے، اور گفتگو لاگز سے زیادہ اُٹھاتی ہے۔ C2STEM میں ٹرک کی حرکت کا نمونہ بنانے والے جوڑوں میں، 36 ہائی اسکول طلبہ کے 394 کام-سیاق حصوں کو سات سماجی طور پر مشترکہ ضابطگی کوڈز سے لیبل کیا گیا اور ہر حصے کے LLM خلاصوں سے پیش گوئی کی گئی: صرف متن کی ایمبیڈنگز نے اوسط AUC 0.650 حاصل کیا جبکہ صرف لاگ سے حاصل کردہ خصوصیات نے 0.526، جو ایک بہت سماجی تصور کے لیے اتفاقی سطح کے قریب ہے۔ منصوبہ بندی ایک حصے کے اندر نظر نہ آئی (0.5036) اور اُس وقت قابلِ شناخت ہوئی جب دونوں طرف کے حصے جوڑ دیے گئے (0.6711)، جبکہ عکاسی لاگ شامل کرنے پر بہترین رہی (0.5862) — وہی اشارہ پڑھنے بمقابلہ منصوبہ کا ابہام جو یہ حصہ انفرادی سیکھنے والوں کے لیے درج کرتا ہے (Zhang et al., 2026)۔
• خودکار SRL لیبل enacting کے لیے درست رہتے ہیں اور منصوبہ بندی کے لیے ناکام۔ چوتھی جماعت کی مخلوط حقیقت والی سائنس کلاس میں، نگاہ، اشارے، تقریر اور کھیل کے لاگز کو یکجا کرنے والی ایک پائپ لائن نے 75 انسانی طور پر جانچے گئے حصوں کو مجموعی طور پر 74.67% پر لیبل کیا، enacting اور interacting کے لیے 93.3% سے لے کر منصوبہ بندی کے لیے 46.7% تک (Fonteles et al., 2026)۔

عام غلط فہمیاں

• "خود ضابطگی سیکھنے والے کی خصلت ہے۔" ضابطگی والی سیکھنا خود عکاسی، سببی نسبت اور موافقت میں تحلیل ہوتی ہے، اور ماہر سیکھنے والے کامیابی بڑھانے کے لیے علمی حکمتِ عملیاں بروئے کار لاتے ہیں۔ یہ تربیت پذیر عمل ہیں جنہیں کوئی ڈیزائن سہارا دے سکتا ہے یا کمزور کر سکتا ہے۔
• "کوئی بھی موافقت پذیر ڈیزائن ضابطگی کو برابر سہارا دیتا ہے۔" Scheu et al. کا 179 طلبہ کے ساتھ 22 دن پر محیط 2x2 بے ترتیب فیلڈ تجربہ دو ڈیزائن اصولوں کا موازنہ کرتا ہے اور اُنہیں میکانزم میں مختلف پاتا ہے، چنانچہ "موافقت پذیر" کوئی واحد علاج نہیں۔
• "بے چینی ضابطگی کو کمزور کرتی ہے۔" 107 طلبہ کے مخلوط طریقہ مطالعے میں، زیادہ AI بے چینی کا تصدیق اور دوبارہ جانچنے سے مثبت تعلق تھا۔ بے چینی نے تصدیق کی ترغیب کا کام کیا، جو ضابطگی ہے، اُس کی عدم موجودگی نہیں۔
• میٹا کوگنیٹو SRL نے سیکھنے سے متعلق بوجھ کی پیش گوئی کی جہاں AI فیڈبیک نے نہیں کی۔ 234 طلبہ اور 1,147 مشاہدات کے پانچ ہفتے کے فیلڈ مطالعے میں، میٹا کوگنیٹو خود ضابطگی جرمن علمی بوجھ کا کافی مثبت پیش گو تھی (β = .363، p < .001 نیت-بہ-علاج؛ .346، p < .001 استعمال پر مبنی) اور غیر متعلق بوجھ کی نمایاں پیش گوئی نہیں کی — جبکہ گفتگو والے AI فیڈبیک تک محض رسائی نے کسی کی بھی پیش گوئی نہیں کی۔ صرف فیڈبیک کے ساتھ مسلسل شمولیت نے جرمن بوجھ پر طلبہ کو الگ کیا، اور بے قاعدہ استعمال نے نہیں (β = −.219، p = .116)، جو فعال جزو کو فیڈبیک کی فراہمی کے بجائے سیکھنے والے کی کارروائی کی ضابطگی میں تلاش کرتا ہے (Wenzel, Geiger and Liening, 2026)۔

منسلک تصورات

• سیکھنے والے — سیکھنے والے: سیکھنے والے کی طرف کے تصورات کی چھتری
• میٹا کوگنیشن — وہ علمی نگرانی جس پر SRL انحصار کرتی ہے
• خود جانچ
• خود اعتمادی — پیشگی سوچ کے مرحلے کا عقیدہ جو محنت چلاتا ہے
• سکافولڈنگ — بتدریج معاونت جو ضابطگی تقاضا محفوظ رکھتی ہے
• فیڈبیک — وہ ان پٹ جس کے گرد سیکھنے والے ضابطہ بناتے ہیں
• فیڈبیک لیٹریسی — فیڈبیک پر عمل کرنے کی صلاحیت
• مدد طلب کرنا — ایک اسٹریٹجک SRL رویّہ
• تحریک — خود ضابطگی کا باہمی ساتھی
• علمی بوجھ اتارنا — وہ خطرہ جب AI ضابطگی کا کام ہٹا دیتا ہے
• جنریٹو AI — وہ ٹیکنالوجی جو SRL کو سہارا یا شارٹ سرکٹ کر سکتی ہے
• مصنوعی ذہانت کی لیٹریسی — AI استعمال میں ضابطگی صلاحیت
• خود ہدایت یافتہ سیکھنا — وسیع تر خودمختاری کا تصور
• سیکھنے والے کی ایجنسی — سیکھنے والے کی نیت سے عمل کرنے کی صلاحیت، جو ضابطگی، ادغام اور مقام بندی میں مرکزی ہے
• انطباقی سیکھنا — شخصی بندی جو ضابطگی کی معاونت کر سکتی ہے
• تشکیلی جانچ — ضابطگی کے لیے مسلسل فیڈبیک
• تدریس کے ذریعے سیکھنا — خود ضابطگی بنانے والی حکمتِ عملی
• ذہین ٹیوٹرنگ — وہ نظام جو SRL کو سہارا دیتے ہیں
• بڑے لینگویج ماڈلز (LLMs) — AI ٹولز کا بنیادی ماڈل
• ریٹریول، وقفہ کاری اور انٹرلیونگ — شیڈولنگ، خود جانچ اور مطالعے کی حکمتِ عملی کے انتخاب جو سیکھنے والے کرتے ہیں
• علمی سپردگی

منسلک مضامین

• Generative AI dependency and perceived learning outcomes among university students: an indirect association involving effort regulation — جنریٹو AI انحصار اور سمجھے گئے سیکھنے کے نتائج: محنت کی ضابطگی کا راستہ (Li, Zhang & Yang 2026)

• Analyzing embodied learning in classroom settings: A human-in-the-loop AI approach for multimodal learning analytics — ایک مجسم کلاس روم میں LLM سے منقسم SRL کی فی قسم درستگی (Fonteles et al. 2026)

• What the submission does not show: Complexifying cognitive offloading in students' mathematical work with LLMs — جو جمع کرایا گیا کام نہیں دکھاتا: LLMs کے ساتھ طلبہ کے ریاضی کے کام میں علمی منتقلی کو پیچیدہ بنانا (Kontorovich & Wallach 2026)

• Leveraging GenAI models for Curriculum Analytics: A Human-Centered Approach for Curriculum Mapping in Higher Education — نصاب کی نقشہ بندی میں سطحی اشاروں سے خود ضابطگی کی ماڈل کی زیادہ منسوبی (Jayalath et al. 2026)

• AIGC affordance and student self-regulation in private undergraduate education: a serial mediation model — AIGC سہولت اور طلبہ کی خود ضابطگی

• AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education — AI-تعامل خواندگی: چیٹ بوٹ کو ہدایت دینے کے لیے وہی SRL درکار تھی جس کی معاونت وہ کرنے والا تھا (Brunnström & Palmqvist 2026)

• The 5P Reflection Model for Education in the Generative Artificial Intelligence (GenAI) Era — GenAI دور کے لیے 5P عکاسی ماڈل (Kadel et al. 2026)

• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — GenAI کی معاونت والی تحریر میں تہہ حساس علمی منتقلی (Chen 2026)

• Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education

• Learner Agency Across Scales: An Integrative Perspective on Self-Regulated Learning in Algorithmically Mediated Environments — سیکھنے والے کی ایجنسی مختلف مقیاسوں پر: ضابطگی، ادغام، مقام بندی

• The Rented Self: How AI-Enabled Tools Decouple Performance From Becoming — کرائے کا خود: کرایہ داری Winne کے SRL ماڈلز پر نقش، دس تجاویز اور سیکھنے والے کے اندر کے اشاریوں کے ساتھ

• GenAI as a Learning Partner: Supporting Self-Regulated Learning Over Time Without Replacing Effort — GenAI وقت کے ساتھ سیاق و سباق سے واقف سیکھنے کا ساتھی

• How Do Students Regulate Their Learning With a GenAI Chatbot? — طلبہ genAI چیٹ بوٹ کے ساتھ سیکھنے کو کیسے ضابطہ دیتے ہیں

• Scaffold or Shortcut? Postgraduate IT Students' Use of Generative AI and Self-Regulated Learning — سہارا یا شارٹ کٹ؟ SRL میں GenAI کا دوہرا کردار

• Efficiency vs. Effectiveness: Self-Regulated Learning with LLM-Mediated Help-Seeking — STEM میں LLM کے ذریعے مدد طلبی: تہہ دار، اوزاری اور تصدیق شدہ

• Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task

• Fostering self-regulated learning through adaptive learning technology: A differentiated perspective on the role of feedback

• A systematic mapping review at the intersection of artificial intelligence and self-regulated learning

• Supporting self-regulated learning through generative AI feedback in online higher education: the importance of student perceptions of the source of feedback — GenAI فیڈبیک اور SRL: سمجھا گیا ماخذ اہم ہے

• From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource — AI بے چینی سے اسٹریٹجک ضابطگی تک

• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — GenAI کے ساتھ میٹا کوگنیشن/خود ضابطگی پر مخلوط شواہد

• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — ایجنٹک AI اور خود ضابطگی کی کشمکش

• Decreasing Digital Distraction in College Students: Associated Online Learning Strategies Identified by Unsupervised — آن لائن سیکھنے میں SRL اور کم ڈیجیٹل توجہ ہٹاؤ (Shi et al. 2026)

• Making machine learning findings accessible to teachers in blended classrooms — مخلوط کلاس رومز کے اساتذہ کے لیے ML نتائج کو قابلِ رسائی بنانا

• SCAN: A Decision-Making Framework for Task Assignment with Generative AI — SCAN: کام کی شناخت، جواز اور کام کے بعد عکاسی کا سیکھنے والے کی طرف حلقہ

• Using Learning Analytics to Support Secondary School Students' Writing with Generative AI — جنریٹو AI کے ساتھ ثانوی اسکول طلبہ کی تحریر کی معاونت کے لیے سیکھنے کے تجزیات کا استعمال

• Exploring the Impact of AI-Based Learning Environments on Student Self-Regulation and Adaptive STEM Learning — موافقت پذیر STEM سیکھنے میں AI کی معاونت والی خود ضابطگی کے لیے ایک تصدیق شدہ اوزار، میٹا کوگنیٹو بیداری سب سے مضبوط پیش گو کے طور پر

• Human or GenAI Support? Conditions Impacting Students' Strategy Choices in an Essay Revision Task — مقالہ نظرثانی کے تجربے میں نظرثانی حکمتِ عملی کے انتخاب کو معاونت کی کیفیت نے چلایا، میٹا کوگنیٹو فیصلے نے نہیں

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — طولی: عکاسانہ AI استعمال نے تنقیدی سوچ کی پیش گوئی کی مگر علم کے اضافے کی نہیں، کوئی Matthew اثر نہیں

• GenAI literacy and GenAI-assisted self-regulated learning behaviors: the roles of learning agency and challenge emotions — GenAI خواندگی خود ضابطگی والی سیکھنے کے رویّوں سے بنیادی طور پر سیکھنے کی ایجنسی کے ذریعے جُڑی

• Pre-Service Teachers' Perceptions of AI Technological Support and School-Based Intelligent Environment Support: Model-Based Indirect Associations with Innovative Competence via AI Self-Efficacy and Self-Regulated Learning — معاونت کی قسم ثالث کو پلٹ دیتی ہے: AI خود اعتمادی بمقابلہ خود ضابطگی والی سیکھنا

• GenAI Use and GenAI-Assisted Learning Procrastination in University Students: The Roles of Planned Behavior Constructs and Learning GenAI Anxiety — GenAI کی معاونت والے سیکھنے میں تاخیر: نیت اور عمل کا خلا جسے بے چینی مضبوط کرتی ہے

• Generative artificial intelligence-supported self-regulated learning (GenAI-SRL) in L2 writing: scale development, validation, and short-form construction — L2 تحریر کے لیے ایک تصدیق شدہ چھ جہتوں والا GenAI-SRL پیمانہ، ماحولیاتی ضابطگی کو اپنی الگ جہت اور 12 آئٹم کا چیونٹی کالونی سے بہتر بنایا گیا مختصر فارم

• Large language models generalize SRL prediction to new languages within but not between domains — بڑے لینگویج ماڈلز SRL کی پیش گوئی کو نئی زبانوں میں عام کرتے ہیں، ڈومینوں کے اندر مگر اُن کے درمیان نہیں (Borchers et al. 2025)

• A Project-Based Hybrid Learning Model Using Artificial Intelligence to Enhance Students' Self-Regulated Learning — طلبہ کی خود ضابطگی والی سیکھنے کو بہتر بنانے کے لیے مصنوعی ذہانت استعمال کرنے والا منصوبہ پر مبنی مخلوط سیکھنے کا ماڈل

• AI teaching assistants in online discussion forums and peer-supported self-regulated learning — ایک AI TA بطور پہلے جواب دہندہ ہم منصب جوابات کی جگہ لے گیا، اور اُن کے ساتھ وہ ہم ضابطگی بھی جو خود ضابطگی کی گریڈ قدر کو بڑھاتی تھی (Davis et al. 2026)

• GenAI-based metacognitive prompting in collaborative inquiry: A comparison across diverse preconception groups — پیشگی تصورات کے تنوع نے بدلا کہ میٹا کوگنیٹو پرامپٹ کیسے اترا: پرامپٹ کے فعل یکساں، AI کے نتیجے کی مستقل جانچ مخالف (Wang et al. 2026)