اساتذہ کو AI کے حوالے سے کون سی قابلیتیں درکار ہیں؟

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

فیکلٹی ڈویلپمنٹ کمیٹی کے پاس جنوری میں ایک ہی سلاٹ ہے اور پرووسٹ چاہتا ہے کہ وہ AI کے بارے میں ہو۔ یا آپ تدریسی مرکز چلاتے ہیں، اور تین شعبوں نے “ایک AI ورکشاپ” مانگی ہے جو تین مختلف چیزوں کے لیے نکلی۔ یا آپ ایک سال سے یہ ٹولز استعمال کر رہے ہیں اور جاننا چاہتے ہیں کہ کورس کو ان کے گرد دوبارہ بنانے سے پہلے ابھی کیا چھوٹ رہا ہے۔

بنیادی بات: پرامپٹ کی تکنیک اس کا سب سے چھوٹا حصہ ہے۔ اساتذہ کو یہ جانچنا آنا چاہیے کہ ماڈل کیا کر سکتا ہے اور کیا نہیں، اسی فیصلے کے گرد کام اور جانچ ڈیزائن کرنی چاہیے، اور یہ جاننا چاہیے کہ کب اسے کورس سے باہر ہی رکھنا ہے۔ خود اعتمادی ان میں سے کسی چیز کا برا متبادل ہے، اس لیے پروگرام کارکردگی اور شعبوں کے گرد بنائیں، کسی ٹول کے مظاہرے کے گرد نہیں۔

مختصراً

1. قابلیت کو چار جہتوں میں متعین کریں، اور جو بھی طلبہ کی جانچ کرتا ہے اُس کے لیے تدریسی تہہ شامل کریں۔

2. جانچ سروے سے نہیں، کارکردگی سے کریں۔ خود بتائی گئی لیٹریسی اور مظاہرہ شدہ قابلیت الگ الگ راستے لیتے ہیں۔

3. شعبوں کو کمرے میں لائیں۔ مضمون کی مہارت ٹیکنالوجی کے ادغام میں منتقل نہیں ہوتی۔

4. ٹیکنالوجی کے شعبوں کو واضح طور پر پڑھائیں، کیونکہ پراعتماد اساتذہ میں بھی یہی کم ناپے جاتے ہیں۔

5. “یہ کب استعمال نہ کریں” کو ایک قابلیت سمجھیں، اور اساتذہ کو انکار کرنے کی گنجائش دیں۔

قابلیت کی تعریف کریں، کمرہ بک کرنے سے پہلے

نالج بیس کی AI لیٹریسی کی ترتیب چار جہتیں بتاتی ہے، اور وہ کارآمد ایجنڈا ہیں کیونکہ ہر ایک کو مختلف قسم کا سیشن چاہیے:

• AI کی صلاحیتوں اور حدود کی بنیادی سمجھ۔
• AI ٹولز استعمال کرنے کی عملی قابلیت۔
• درستگی، جانب داری، موزونیت اور غیر یقینی کی تنقیدی جانچ۔
• اخلاقی اور ادارہ جاتی آگاہی جو دیانت، رازداری، مساوات اور گورننس جیسے معاملات پر مشتمل ہے۔

اساتذہ کے لیے ان جہتوں کے اوپر ایک تدریسی تہہ درکار ہے۔ اساتذہ کو یہ طے کرنا آنا چاہیے کہ طلبہ کو کون سا علمی کام برقرار رکھنا ہے، ایسے AI استعمال چننے چاہئیں جو تعلیمی مقاصد کی خدمت کریں، AI کے دور کی معتبر جانچ ڈیزائن کرنی چاہیے، طلبہ کو اپنے استعمال کی تصدیق اور ضبط سکھانا چاہیے، من گھڑت ہونے، حد سے زیادہ انحصار اور خوشامد کو پہچاننا چاہیے، اور یہ جاننا چاہیے کہ کب انسانی فیصلے کو خودکاری پر فوقیت دینی چاہیے۔

انہیں اتنی نظامی سمجھ بھی چاہیے کہ جنریٹو AI کی مدد سے چلنے والے ورک فلو کیسے جڑتے ہیں، یہ جانچ سکیں۔ جو ورکشاپ کسی ایک ٹول کو الگ تھلگ سکھاتی ہے، وہ ایسے اساتذہ پیدا کرتی ہے جو ٹول کا مظاہرہ کر سکتے ہیں مگر یہ نہیں بتا سکتے کہ اسے نشان زد کرنے کے ورک فلو میں جوڑنے پر کیا ٹوٹتا ہے۔ اساتذہ کی AI قابلیت اور فیکلٹی ڈویلپمنٹ اسی دلیل کی طویل شکل رکھتے ہیں۔

سیشنوں کی منصوبہ بندی سے پہلے فہرست لکھ لیں۔ چار جہتیں اور ایک تدریسی تہہ اتنی کافی ہے کہ ایک کے بجائے چار سیشنوں کا جواز بنے، اور اتنی بھی کہ کسی شعبے کے سربراہ کو بتایا جا سکے کہ اس کی درخواست اصل میں ان چار میں سے کس کے بارے میں ہے۔

کارکردگی جانچیں، اعتماد نہیں

خود بتائی گئی AI لیٹریسی مظاہرہ شدہ قابلیت سے خاصی مختلف ہو سکتی ہے، اور یہ اس ادب کی سب سے عملی تنبیہ ہے اُس ہر شخص کے لیے جو فیکلٹی ڈویلپمنٹ چلاتا ہے۔ ورکشاپ کے اختتام پر اعتماد کا سروے یہ ناپتا ہے کہ ورکشاپ کیسی محسوس ہوئی۔

اساتذہ کے کثیر ایجنٹ ورک فلو کی تحقیق جانچنے کی دوسری وجہ بھی دیتی ہے: نظامی سوچ، تدریسی عقائد اور خود اثر آفرینی AI کے ادغام میں ایک دوسرے پر اثر ڈالتے ہیں، اس لیے ایک ہی سیشن ایک جیسے مضمونی پس منظر والے دو اساتذہ پر مختلف طریقے سے لگتا ہے۔ یہ امتیازی پروگرامنگ کا تقاضا کرتا ہے، اور اُس یکساں ٹول ورکشاپ کے خلاف ہے جو بیشتر ادارے چلاتے ہیں۔

کارکردگی جانچنے کا سستا طریقہ کوئی آلہ نہیں، ایک کام ہے۔ ہر شریک سے کہیں کہ ایک اسائنمنٹ لے کر آئے، سیشن کے دوران اسے ماڈل کے ساتھ نظرثانی کرے، اور پھر کسی ساتھی کے سامنے اس نظرثانی کا دفاع کرے: کیا بدلا، اب یہ کس چیز کی جانچ کرتا ہے، اب طالب علم کو کس چیز پر نمبر نہیں مل سکیں گے۔ اس میں بیس منٹ لگتے ہیں اور یہ دن کے اختتام کے کسی درجہ بندی کے پیمانے سے زیادہ بتاتا ہے۔

توقع رکھیں کہ کمزوری ادغام ہوگی

حالیہ اعلیٰ تعلیمی تحقیق اعداد میں بتاتی ہے کہ اساتذہ کی قابلیت کہاں مضبوط ہے اور کہاں ٹوٹتی ہے۔ ایک بڑی امریکی تحقیقی یونیورسٹی کے 127 اساتذہ کا سروے، جو Technological Pedagogical Content Knowledge (TPACK)-21 آلے سے کیا گیا، نے خود سمجھی ہوئی تدریسی مواد کی مہارت بلند پائی (M = 4.70) اور مواد کی مہارت تقریباً چھت کے قریب (M = 5.15)۔ ٹیکنالوجی سے جڑے شعبے نمایاں طور پر کم تھے: ٹیکنالوجی اور تدریسی علم (M = 2.62)، ٹیکنالوجی اور مواد کا علم (M = 2.75)، اور مجموعی TPACK (M = 2.55، سات میں سب سے کم)۔

اس فرق کو درست پڑھیں۔ یہ وہ لوگ ہیں جو اپنا مضمون جانتے ہیں اور اسے پڑھانا جانتے ہیں، اور نہیں جانتے کہ ماڈل کو ان دونوں میں سے کسی کا حصہ کیسے بنائیں۔ مواد کی مہارت نے GenAI کے ادغام کے علم کی پیش گوئی نہیں کی (CK ارتباط r = .11 سے .15، سب غیر اہم)، اس لیے کوئی پروگرام یہ فرض نہیں کر سکتا کہ مضمون کی مہارت منتقل ہو جاتی ہے۔ اسے جان بوجھ کر، شعبے کے مخصوص کام سے قابلیت بنانی ہوتی ہے۔

ایک اور نتیجہ ڈیزائن کی شکل بناتا ہے۔ ٹیکنالوجی سے جڑے تینوں شعبے r = .81 سے .91 تک جڑے تھے، جو یہ اشارہ دیتا ہے کہ وہ ایک ہی GenAI ادغام کی صلاحیت کا کام کر سکتے ہیں۔ اگر یہ قائم رہے، تو اسے ایک مشترک بنیاد کے طور پر پڑھائیں، تین الگ مہارتوں اور تین الگ سیشنوں کے طور پر نہیں۔

سیشن حقیقی کورس کے گرد ڈیزائن کریں

تربیت کیا کر سکتی ہے اور کیا نہیں، یہ 13 اعلیٰ تعلیمی اساتذہ کے اندر موازنہ والے مطالعے میں واضح نظر آتا ہے۔ اساتذہ کو چیٹ بوٹ دینے سے ان کے لرننگ ڈیزائن کا معیار نمایاں طور پر بہتر ہوا، اور دو یا زیادہ اعلیٰ درجے کے بلوم کاموں تک پہنچنے والوں کا حصہ 41.7% سے 91.7% ہو گیا (p = .01)۔ محسوس علمی محنت تیزی سے گری، میڈین 6.33 سے 3.33 (p = .004)۔ اوپر سے دی گئی تدریسی پرامپٹ نگاری کی تربیت نے معیار مزید بہتر نہ کیا اور محنت کچھ بڑھا دی۔

اس سے تین باتیں نکلتی ہیں، اور تیسری وہی ہے جسے پروگرام چھوڑ دیتے ہیں۔

رسائی تدریسی رویہ آسانی سے بدل دیتی ہے۔ اساتذہ کو ایک قابل ماڈل اور ایک حقیقی کام دیں تو ان کے سامنے کا کام ایک ہی سیشن میں بہتر ہو جاتا ہے۔

گہری قابلیت ورکشاپ سے زیادہ چاہتی ہے۔ پرامپٹ کی تہہ نے محنت بڑھائی اور کوئی ماپا ہوا معیار نہیں۔ لوگوں کو بہتر پرامپٹ لکھنا سکھانا ایک مہارت ہے، اور اس شہادت کے مطابق یہ بہتر ڈیزائن کی رکاوٹ نہیں۔

معیار میں اضافہ ثابت نہیں کرتا کہ عمل اندرونی ہو گیا۔ تیرہ اساتذہ نے ٹول کھلا رکھ کر ایک کام اچھی طرح دوبارہ ڈیزائن کیا۔ کیا وہ ایک سمسٹر بعد، ٹول کے بغیر، ایسا کر سکیں گے، یہ الگ سوال ہے اور مطالعہ اس کا جواب نہیں دیتا۔ پروگرام میں جاری رکھنے والا کوئی مرحلہ رکھیں، یہ فرض نہ کریں کہ فائدہ برقرار رہا۔

کردار کے تدریس سے آگے کے حصے ڈھانپیں

قابلیت ادارہ جاتی سوال بھی ہے، اور بیشتر فریم ورک اس کا صرف ایک حصہ جواب دیتے ہیں۔ 28 امریکی اداروں اور 11 ممالک کے 114 شرکا کے ساتھ ڈیزائن پر مبنی تحقیق نے چھ اساتذہ ٹیکنالوجی معیار پیدا کیے جو پورے تعلیمی کردار پر پھیلے ہیں: استاد، کوآرڈینیٹر، رہنما، محقق، سیکھنے والا، اور شراکت دار۔ انہیں بنانے کی وجہ، مصنفین کی دلیل کا کارآمد حصہ ہے۔ موجودہ فریم ورک (Technological Pedagogical Content Knowledge (TPACK)، SAMR) اور معلم معیارات (ISTE، UNESCO، DigCompEdu) K-12 اساتذہ کو مخاطب کرتے ہیں یا صرف تدریسی جہت کا احاطہ کرتے ہیں۔

فیکلٹی ڈویلپر کے لیے یہ درخواست کو نئے معنوں میں رکھتا ہے۔ کوئی شعبہ اپنے اساتذہ کے لیے AI ورکشاپ مانگ رہا ہو تو وہ چھ کرداروں میں سے ایک کے بارے میں مانگ رہا ہے۔ اسی شعبے کے کوآرڈینیٹر پروگرام سطح کے فیصلے کر رہے ہیں، اس کے محققین ان ٹولز سے لکھ رہے ہیں، اور اس کے رہنما خریداریاں منظور کر رہے ہیں۔ ایک سیشن ان سب کی خدمت نہیں کر سکتا، اور اس کے برخلاف فرض کرنا ہی وہ طریقہ ہے جس سے پروگرام کی حاضری بلند مگر عمل میں کوئی تبدیلی نہیں رہتی۔

انکار کے لیے جگہ بنائیں

اپنانے کی مخالفت خالص تکنیکی فریمنگ قبول نہیں کرتی، اور یہ مخالفت اکثر خلا کے بجائے فیصلہ ہوتی ہے۔ 27 ممالک کے 287 اساتذہ کے سروے نے ایک بہتر ماڈل پایا جو رویے کے ارادے میں 79.8% تغیر کی وضاحت کرتا ہے۔ سمجھی گئی مصنوعی خودمختاری نے ارادے پر صرف بالواسطہ اثر ڈالا، افادیت کے ذریعے۔ خطرے سے بچاؤ نمایاں منفی پیش گو تھا (−.163)، اور اساتذہ نے طلبہ کی حد سے زیادہ انحصار اور دیانت کے خطرات کی فکر اپنے استعمال کی فکر سے کہیں زیادہ کی۔

دو تجربہ کار ماہرینِ تعلیم کے انٹرویو بیان کرتے ہیں کہ یہ فکر اندر سے کیسی لگتی ہے: تدریس اور پلیٹ فارم، معلم اور سہولت کار، نگہداشت اور تعمیل کے درمیان بار بار شناختی تناؤ، جسے تدریسی اقدار میں جڑی اصولی چھانٹی کے ذریعے سنبھالا جاتا ہے۔

اس لیے قابلیت میں یہ پیشہ ورانہ فیصلہ بھی شامل ہے کہ AI کب استعمال نہ کریں، اور جو پروگرام یہ کھلے الفاظ میں نہ کہہ سکے، وہ ٹھیک اُن اساتذہ کو فروختانہ پیشکش لگے گا جن کا فیصلہ آپ سب سے زیادہ کمرے میں چاہتے ہیں۔ دو تجربہ کار ماہرین ایک بڑے دعوے کے لیے چھوٹی شہادت کی بنیاد ہیں؛ شناختی تناؤ کے نتیجے کو ایک حقیقی تناؤ کی تصویر سمجھیں، ماپا ہوا اثر نہیں، اور اسے سیشنوں کے لہجے کی شکل بننے دیں۔

فیکلٹی ڈویلپر کیا غلط سمجھتے ہیں

پرامپٹ کی ورکشاپ AI قابلیت کا پروگرام ہے۔ یہ چار جہتوں میں سے ایک کا احاطہ کرتی ہے، اور 13 اساتذہ کے مطالعے میں پرامپٹ کی تہہ نے معیار بڑھائے بغیر محنت بڑھائی۔

پراعتماد اساتذہ قابل اساتذہ ہوتے ہیں۔ خود بتائی گئی بات مظاہرہ شدہ قابلیت سے مختلف ہوتی ہے، اور 127 اساتذہ کے سروے نے مواد کی مہارت کو چھت کے قریب پایا جبکہ مجموعی TPACK 2.55 تھا۔ خود اعتمادی مضمون کی مہارت کا پیچھا کرتی ہے، اور وہی چیز یہ اساتذہ پہلے سے رکھتے ہیں۔

مواد کے ماہرین ادغام خود کر لیں گے۔ اُس سروے میں مواد کے علم نے ادغام کے علم کی پیش گوئی نہیں کی۔ ارتباط غیر اہم تھا، اور یہی نتیجہ شعبے کے مخصوص پروگرامنگ کا جواز ہے، عام دعوت نامے کا نہیں۔

ایک فریم ورک سب کو ڈھانپ لے گا۔ چھ کرداروں والا معیار اسی لیے موجود ہے کہ TPACK، SAMR اور بڑے معلم معیارات K-12 اساتذہ یا صرف تدریسی جہت کا احاطہ کرتے ہیں۔

مزاحمت ایک علم کا خلا ہے جسے بھرنا ہے۔ خطرے سے بچاؤ نے ارادے کی منفی پیش گوئی کی، اور شناختی کام اساتذہ کے تدریسی اقدار سے استدلال کرتے ہوئے دکھاتا ہے۔ جو کچھ ہچکچاہٹ لگتا ہے، اس کا کچھ حصہ طلبہ کی حد سے زیادہ انحصار کے بارے میں ایک قابلِ دفاع موقف ہے۔

جو آپ پر واپس آئے گا

“ہمارے پاس کارکردگی پر مبنی ڈویلپمنٹ کے لیے عملے کا وقت نہیں۔” پھر پروگرام نہ بنائیں۔ ایک کام کی سطح کی مشق بنائیں: ایک اسائنمنٹ لائیں، ماڈل کے ساتھ اس کی نظرثانی کریں، نظرثانی کا دفاع کریں۔ یہ بیس منٹ والا نسخہ ہے، اور یہ قابلیت کا ایسا ثبوت دیتا ہے جو اطمینان کا سروے نہیں دیتا۔

“ہمارے اساتذہ یہ ٹولز پہلے سے استعمال کرتے ہیں، تو تربیت ان سے پیچھے ہے۔” استعمال ہی اصل تعمیر نہیں۔ 127 اساتذہ کا سروے ایسے لوگوں کو بیان کرتا ہے جن کا مواد اور تدریسی علم بلند اور ٹیکنالوجی سے جڑا علم کم ہے، اور 13 اساتذہ کا مطالعہ دکھاتا ہے کہ ڈیزائن کا معیار رسائی کے ساتھ بڑھا جبکہ پرامپٹ کی تہہ نے کچھ نہیں بڑھایا۔ کوئی بھی نتیجہ یہ نہیں کہتا کہ آپ کے سامنے موجود اساتذہ نے کچھ بھی ادغام کیا ہے۔

“یہ IT کی تربیت کا مسئلہ ہے۔” ارادے کا ماڈل افادیت کو، تکنیکی قابلیت نہیں، اپنانے کے راستے پر رکھتا ہے، اور خطرے سے بچاؤ ساتھ ساتھ چلتا ہے۔ رکاوٹ طلبہ اور مضمون کے بارے میں فیصلہ ہے، اسی لیے سیشن تدریسی مرکز کے ہیں۔

“قابلیت کے فریم ورک بیوروکریٹک بوجھ ہیں۔” وہ جنوری کے ایک سلاٹ کے لیے نقشہ ہیں۔ چار جہتیں بتاتی ہیں کہ کیا چھوڑنا ہے، اور چھ کردار بتاتے ہیں کہ کوئی درخواست اصل میں کس سامعین کے لیے ہے۔

اس ہفتے کیا کریں

1. چار جہتیں اور تدریسی تہہ ایک صفحے پر لکھیں، اور نشان زد کریں کہ آپ کی موجودہ پیشکش ان میں سے کس کا احاطہ کرتی ہے۔

2. سیشن کے اختتام والے اطمینان فارم کی جگہ ایک کام رکھیں: نظرثانی شدہ اور دفاع شدہ اسائنمنٹ۔

3. دو شعبوں سے عام دعوت کے بجائے کام کے لیے ایک حقیقی کورس اور ایک حقیقی اسائنمنٹ مانگیں۔

4. ایک حصہ اس بارے میں شامل کریں کہ AI کو کب کسی کام سے باہر رکھنا ہے، اور صاف کہیں کہ کسی مخصوص استعمال سے انکار جائز پیشہ ورانہ فیصلہ ہے۔

5. طے کریں کہ آپ کا اگلا سیشن چھ کرداروں میں سے کس کی خدمت کرتا ہے، اور دعوت نامے میں سامعین کا نام لیں۔

آگے کہاں جائیں

طلبہ کے لیے ہم منصب میں اپنے کورس میں مصنوعی ذہانت کی لیٹریسی کیسے شامل کروں؟ ہے، اور اعلیٰ تعلیم میں AI لیٹریسی کی مداخلتوں پر شہادت کیا ہے؟ بتاتا ہے کہ وہ لیٹریسی شہادت کی بنیاد کتنی مضبوط ہے۔ اساتذہ کے لیے تحقیق کا خلاصہ تعلیم میں مصنوعی ذہانت کی تحقیق کے وہ 10 اہم ترین نتائج جو اساتذہ کو جاننے چاہئیں؟ میں دیکھیں؛ اساتذہ کی AI قابلیت اور فیکلٹی ڈویلپمنٹ فریم ورک کا مواد رکھتے ہیں، اور میں کورس کی AI پالیسی کیسے لکھوں اور اسے طلبہ تک کیسے پہنچاؤں؟ وہ دستاویز ہے جو اس ڈویلپمنٹ کا بیشتر کام آخرکار پیدا کرتا ہے۔