عمومی سوالات
میں جائزے کو کیسے نئے سرے سے ڈیزائن کروں تاکہ گریڈ اب بھی اس بارے میں کوئی قابلِ دفاع بات بتائے کہ طالب علم کیا جانتا ہے یا کیا کر سکتا ہے؟
انگریزی صفحے کا خودکار ترجمہ، جو ابھی تک کسی مقامی بولنے والے کے ذریعے جانچا نہیں گیا۔
غالباً آپ کے ہاتھ میں ایسا اسائنمنٹ ہے جو برسوں چلا اور اب ایسا کام واپس کرتا ہے جس کا آپ دفاع نہیں کر سکتے۔ گریڈ A کہتا ہے؛ نمونہ زیادہ تر آلے کا ہو سکتا ہے۔ یا کوئی طالب علم کم نمبروں کے خلاف ایسی بنیادوں پر اعتراض کر رہا ہے جنہیں آپ جانچ نہیں سکتے، یا آپ کا پروگرام اپنی جائزہ پالیسی دوبارہ لکھ رہا ہے اور پوچھ رہا ہے کہ اگلے ٹرم تک آپ کے کورس میں کیا بدلنا چاہیے۔
مختصر جواب: طے کریں کہ گریڈ کس چیز کا ثبوت ہونا چاہیے، اسائنمنٹ میں کم از کم ایک ایسا مرحلہ رکھیں جسے طالب علم آلے کے بغیر مکمل کرے، اور روبرک کو مصنوع کے ساتھ ساتھ استدلال کا معاوضہ بھی دیں۔ جو دوبارہ ڈیزائن دوسرا اور تیسرا قدم چھوڑ دیتا ہے، وہ کام کی پیداوار کا طریقہ بدلتا ہے مگر یہ نہیں بدلتا کہ گریڈ کس چیز کی تائید کر سکتا ہے۔
مختصراً
1. لکھیں کہ یہ گریڈ کس صلاحیت کی نمائندگی کرتا ہے۔ آزادی، AI کا مناسب استعمال، یا AI کی رہنمائی اور اس کا فیصلہ کرنے کی صلاحیت، یہ تین مختلف کنسٹرکٹ ہیں، اور ایک نمونہ تینوں کا ثبوت نہیں ہو سکتا۔
2. ہر زیادہ وزن والے اسائنمنٹ میں ایک تصدیق شدہ مرحلہ شامل کریں: ایک مختصر زبانی جانچ، کلاس کے اندر درخواست، براہ راست مظاہرہ، یا تشریحی جواز۔ ایک عام طور پر کافی ہوتا ہے۔
3. AI کی حد ہر کام کے مرحلے پر مقرر کریں، کورس پر نہیں۔ فہرست بنائیں کہ طالب علم ہر مرحلے پر کیا کرتا ہے اور پوچھیں کہ وہاں آپ خاص طور پر کس چیز کا جائزہ لے رہے ہیں۔
4. عمل کا ثبوت روبرک میں واقعی نمبروں کے ساتھ رکھیں۔ اگر روبرک اب بھی صرف نمونے کو انعام دیتا ہے تو طلبہ نمونے کے لیے بہتر بنانے کی کوشش کریں گے۔
5. اُس طالب علم کو سامنے رکھیں جسے چھپانے کی سب سے زیادہ کشش ہو، نہ کہ سب سے زیادہ فرض شناس کو، اور دیکھیں کہ آپ کے قواعد کس انتخاب کو سب سے آسان بناتے ہیں۔
طے کریں کہ یہ گریڈ کس چیز کا ثبوت ہے
شروع میں کھل کر بتائیں کہ گریڈ کس صلاحیت کی نمائندگی کرنا ہے۔ کیا آپ اس کا جائزہ لے رہے ہیں کہ طالب علم خودمختار طور پر کیا کر سکتا ہے، AI کے ساتھ مناسب طریقے سے کیا انجام دے سکتا ہے، AI کا جائزہ لینے اور اس کی رہنمائی کرنے کی اس کی صلاحیت، یا ان کا کوئی امتزاج؟ علم بنیاد کا جائزے کی صداقت والا صفحہ اسے صداقت کا مسئلہ سمجھتا ہے: چمکدار نمونہ اب اس بات کا کافی ثبوت نہیں کہ طالب علم کے پاس وہ صلاحیت ہے جو وہ نمونہ ظاہر کرتا دکھائی دیتا ہے۔ یہ اسی دلیل کا جائزے والا آدھا حصہ ہے؛ نفاذ والا آدھا میں اپنے کورس میں AI کی مدد سے نقل کو کیسے کم کر سکتا ہوں؟ میں ہے، اور صداقت کی عمومی فریمنگ اساتذہ AI سے متعلق مداخلتوں کے جائزے کے لیے کون سے پیمانے اور تحقیقی طریقے استعمال کر سکتے ہیں؟ میں چلتی ہے۔
جواب نصاب میں، اسائنمنٹ شیٹ میں اور روبرک میں لکھیں۔ طلبہ تین دستاویزات پڑھتے ہیں اور اسی کی پابندی کرتے ہیں جو سب سے مخصوص ہو۔ "AI کا استعمال اعلان کے ساتھ جائز ہے" یہ بیان نہیں کہ آپ کس چیز کی پیمائش کر رہے ہیں، اور یہ طالب علم کو کوئی طریقہ نہیں دیتا کہ وہ جانے کہ اجازت یافتہ استعمال اس چیز کو نقصان پہنچاتا ہے یا نہیں جس پر آپ نمبر دے رہے ہیں۔
کنسٹرکٹ کے متبادل ہو جانے کا خطرہ
From Authentic Products to Authenticated Processes مقالہ اس سے پیدا ہونے والے خطرے کو کنسٹرکٹ کا متبادل ہونا کہتا ہے: جائزہ لینے والا AI کے واسطے سے بنی مصنوع کو طالب علم سے منسوب کرتا ہے اور نادانستہ طور پر طالب علم کی صلاحیتوں کے بجائے آلے کی صلاحیتوں کی پیمائش کرتا ہے۔ اس کی تجویز کردہ جواب یہ ہے کہ طالب علم کے استدلال، فیصلے، تصدیق، تکرار اور ذمہ داری کو مرحلہ وار جمع کرائیوں، تشریحی فیصلہ جات، عمل کے ریکارڈ، فیڈ بیک کے استعمال کے بیانات، زبانی دفاع اور تصدیق شدہ عمل کے ثبوت کی دیگر صورتوں کے ذریعے نظر آنے والا بنایا جائے۔
یہ فہرست ایک مینو ہے، اور کون سا آئٹم سب سے سستا ہے یہ آپ کی کلاس کے حجم پر منحصر ہے۔ 25 کے ایک سیکشن کے لیے، ہر طالب علم کی ہر بڑے اسائنمنٹ پر پانچ منٹ کی زبانی جانچ تقریباً دو گھنٹے کی وہ گریڈنگ ہے جو آپ شاید پہلے ہی کر رہے ہیں۔ 300 کے لیکچر کے لیے، مرحلہ وار جمع کرائیاں اور تشریحی جواز پیمانے پر چلتے ہیں جہاں زبانی دفاع نہیں چلتے، اور جو کام غیر معمولی لگے اس کی نمونہ زبانی جانچ ہی عملی طور پر باقی رہتی ہے۔ وہ آپشن چنیں جسے آپ دسویں ہفتے میں بھی چلا سکیں۔
ہر اسائنمنٹ میں ایک تصدیق شدہ مرحلہ رکھیں
عملی طور پر، ایک مضبوط جائزہ ڈھانچہ اکثر AI کی سہولت والے مستند کام کو کسی نہ کسی صورت میں آزاد تصدیق کے ساتھ جوڑتا ہے۔ شعبے کے حساب سے اس میں مختصر زبانی وضاحت، کلاس کے اندر درخواست، براہ راست مظاہرہ، تشریحی پورٹ فولیو، مختصر بغیر مدد حصہ، یا اہم فیصلوں کے بارے میں سوالات شامل ہو سکتے ہیں۔
مستند جائزہ کا تصور بھی حقیقت پسندانہ فکری کام، علمی چیلنج، طالب علم کی خودمختاری، فیڈ بیک، اور سماجی یا پیشہ ورانہ مستندیت پر زور دیتا ہے۔ کسی کام کو AI کے خلاف مضبوط کرنا، اسے کرنے کے قابل زیادہ بنائے بغیر، آپ کو وہی جائزہ اور زائد محنت دے کر چھوڑ دیتا ہے۔
اسائنمنٹ کو قدم بہ قدم چلیں اور حد وہیں مقرر کریں
جو کام کی سطح کا طریقہ اسے قابلِ عمل بناتا ہے وہی ہے جو McCorkle درج کرتے ہیں: ہر اس مرحلے کی فہرست بنائیں جو طالب علم انجام دیتا ہے، ہر مرحلے سے پوچھیں "میں خاص طور پر کس چیز کا جائزہ لے رہا ہوں؟"، اور جواب سے AI کی حد نکالیں، اور یہی طریقہ میں اپنے کورس میں AI کی مدد سے نقل کو کیسے کم کر سکتا ہوں؟ کے پیچھے کی توقعات کو واضح اور قابلِ نفاذ بناتا ہے۔
اسے اپنے سب سے متنازع اسائنمنٹ پر ایک بار چلائیں اور نتیجہ اسائنمنٹ شیٹ میں لکھیں۔ عام نتیجہ صاف الگ ہوتا ہے: شروع کے ماخذ کی تلاش اور مسودہ بنانے والے مرحلے وہ جگہ ہیں جہاں کنسٹرکٹ رہتا ہے اور جہاں آلہ نقصان پہنچاتا ہے، جبکہ ترتیب، حوالوں کی جانچ اور زبان کی تدوین ایسے مرحلے ہیں جہاں آلے کا استعمال آپ کے کنسٹرکٹ کے لیے نظر نہیں آتا اور غالباً انہیں کھلے طور پر اجازت دینی چاہیے۔ ہمہ گیر اجازتیں اور ہمہ گیر پابندیاں دونوں ناکام ہوتی ہیں کیونکہ جواب واقعی مرحلے کے حساب سے مختلف ہوتا ہے۔
روبرک کو عمل کا معاوضہ دینے دیں
Mohamed اور Temimi اسی مسئلے کو اخلاقیات کے بجائے نامکمل معلومات کا مسئلہ قرار دیتے ہیں: طالب علم جانتا ہے کہ کام کیسے بنا اور ادارہ صرف نمونہ اور جزوی نشانات دیکھتا ہے، چنانچہ ڈیزائن کا سوال یہ بن جاتا ہے کہ ہر جائزے کا ماحول طالب علم کے کس جواب کو سب سے پرکشش بناتا ہے۔ ان کا جوابی خطے والا ماڈل تین انتخاب کا موازنہ کرتا ہے، کوئی AI استعمال نہ کرنا، اعلان کے ساتھ استعمال، اور چھپا ہوا استعمال، اور دکھاتا ہے کہ قواعد، نگرانی، اعلان اور دوبارہ ڈیزائن مختلف راستوں سے کام کرتے ہیں اور صرف اسی وقت کامیاب ہوتے ہیں جب سب سے پرکشش جواب جائزے کے مقصد کے مطابق ہو۔
دو نتائج ڈھانچے پر براہ راست اثر ڈالتے ہیں۔ ڈیٹرنس ڈیٹیکٹر کے چھپے استعمال اور جائز کام کے درمیان امتیاز سے گزرتی ہے، اس کی خام پکڑ کی شرح سے نہیں، چنانچہ جب جھوٹے مثبت اصل مثبت سے تیز بڑھیں تو زیادہ نگرانی چھپانے کو نسبتاً زیادہ پرکشش بنا سکتی ہے۔ اور دوبارہ ڈیزائن طلبہ کو ذمہ دارانہ استعمال کی طرف صرف اس وقت لے جاتا ہے جب روبرک واقعی عمل کے ثبوت کو انعام دے؛ ورنہ وہ صرف ظاہری رہتا ہے۔ ان کا عملی قاعدہ یہ ہے کہ ڈیزائن سب سے زیادہ فرض شناس کے بجائے اس طالب علم کے لیے کریں جسے چھپانے کی سب سے زیادہ کشش ہو۔
اگر کسی جواز والے پیراگراف، تبدیلی کے لاگ، یا مسترد شدہ AI تجویز پر عکاسی کے کوئی نمبر نہ ہوں، تو وہ پانچ منٹ میں لکھا جائے گا اور کوئی اسے نہیں پڑھے گا۔ عمل کے ثبوت کو اتنا وزن دیں کہ اسے چھوڑنے والا طالب علم چھوڑنے سے زیادہ کھو دے، اور اچھا عمل ثبوت کیسا لگتا ہے یہ اسی مخصوصیت سے بیان کریں جو آپ مصنوع کے لیے استعمال کرتے ہیں۔
فی طالب علم کام میں فرق صلاحیت پر مشروط ہے، مفت نہیں
ایک مقبول بغیر نگرانی ڈھانچہ فی طالب علم کام میں فرق ہے، جہاں ہر امیدوار کو اسی کام کا سطحی طور پر مختلف مگر کنسٹرکٹ کے لحاظ سے مساوی ورژن ملتا ہے تاکہ جوابات کارآمد طور پر بانٹے نہ جا سکیں۔ VARIA، جو 60 شرط خلیوں میں پیدا کیے گئے 600 متغیرات کا بینچ مارک ہے، نے پایا کہ فرنٹیئر ماڈلز مشترکہ سالمیت اسکور (0.81-0.88) پر تنگ جھرمٹ میں آ گئے جبکہ غیر فرنٹیئر حوالہ جات 0.50-0.55 پر ڈھیر ہو گئے، اور یہ کہ کوئی بھی پرامپٹنگ حکمت عملی بیک وقت سطحی تنوع اور کنسٹرکٹ کی مساوات کو بہتر نہیں کرتی۔ بڑے پیمانے پر فرق کو صرف پرامپٹنگ سے فرض نہیں کیا جا سکتا، چنانچہ ادارے کو ضمانت کو حقیقی سمجھنے سے پہلے اپنے ماڈل اور پرامپٹ کے جوڑے کی توثیق کرنی چاہیے۔
کورس کی سطح کے فیصلے کے لیے اس کا مطلب ایک آزمائش ہے، اس سے پہلے کہ آپ عہد کریں: اپنے ہی کسی کام سے متغیرات کا ایک سیٹ بنائیں، کسی ساتھی سے ان میں سے دو پر اسی صلاحیت کے لیے نمبر لگوائیں، اور موازنہ کریں۔ اگر متغیرات پر نمبر الگ الگ آئیں تو مساوات کا دعوہ آپ کے کام پر قائم نہیں، اور مشترکہ جواب سے حفاظت کی قیمت ناانصافی ہے۔
دوبارہ ڈیزائن کم ہی اسائنمنٹ بہ اسائنمنٹ ہوتا ہے
ایک بڑی آسٹریلوی یونیورسٹی کے 12 ماہرینِ تعلیم اور 17 طلبہ کے کیفیاتی مطالعے میں Nicola-Richmond وغیرہ نے پایا کہ دونوں گروہ مانتے ہیں کہ جائزہ بدلنا چاہیے مگر انہوں نے نظامی رگڑ پر زور دیا: طویل لیڈ ٹائم، بڑے کوہورٹ کی منظوری کی پابندیاں، کام کا بوجھ اور لاگت۔ انہوں نے نتیجہ یہ نکالا کہ دوبارہ ڈیزائن پورے گاؤں کا کام ہے، یعنی پروگرام بھر کی ٹیم جو جائزے کے ڈیزائن، جنریٹو AI، مضمون کے مواد، صنعت اور ثبوت کی مہارت کو یکجا کرے، اور GenAI لیٹریسی اور سیکھائی کی یقین دہانی کے نکات کسی قابلیت پر حکمت عملی سے رکھے۔ اگر آپ ایک ہی کورس والے ایک استاد ہیں تو یہ دریافت اس بارے میں خبردار کرتی ہے کہ آپ کو کیا سست کرے گا، اور یہ وجہ دیتی ہے کہ پروگرام لیڈ کو آخری کے بجائے پہلی گفتگو میں شامل کریں۔
مقصد بھی اتنا ہی اہم ہے جتنا طریقہ۔ El Khoury اور Ma دلیل دیتے ہیں کہ صرف بدعنوانی روکنے کے گرد ترتیب دی گئی اصلاح بہت دفاعی ہے اور خوشگوار جائزہ تجویز کرتے ہیں، جو محفوظ، جذباتی طور پر جواب دہ، بااختیار بنانے والا اور طالب علم کی خودمختاری کی معاونت کرنے والا ہو، اور جس میں سالمیت اچھے ڈیزائن کا نتیجہ ہو، اس کا نقطۂ آغاز نہیں۔ ان کی عملی مثال ایک استاد کے بنائے ہوئے AI ایجنٹ سے طلبہ کو فیصلے سے پہلے مشق کرواتی ہے اور روبرک کے مطابق ثبوت کی رپورٹ پیدا کرتی ہے، مگر محنت کی تقسیم صاف بتائی گئی ہے: AI ثبوت کو منظم کرتا ہے، استاد اس کی تشریح کرتا ہے۔
جو آپ پر واپس آئے گا
"میرے پاس زبانی جانچ کے لیے گھنٹے نہیں۔" پھر ہر چیز پر انہیں نہ چلائیں۔ سب سے زیادہ وزن والے اسائنمنٹ میں ایک تصدیق شدہ جزو، اور ساتھ میں ان کاموں کی نمونہ جانچ جو پہلے کی جمع کرائیوں سے میل نہیں کھاتے، زیادہ تر خطرہ کسی جزوی لاگت پر ڈھک لیتے ہیں۔ پیمانے پر چلنے والی چیزیں مرحلہ وار جمع کرائیاں اور تشریحی جواز ہیں۔
"منظوری اور پروگرام کی اجازت اتنی تیزی سے نہیں ہلے گی۔" اوپر والا مطالعہ طویل لیڈ ٹائم اور بڑے کوہورٹ کی منظوری کی پابندیوں کو مرکزی رگڑ قرار دیتا ہے۔ ایک کورس موجودہ جائزے کے اندر ہونے والی چیز بدل سکتا ہے، اس کا نام، اس کا وزن یا اس کے سیکھنے کے نتائج بدلے بغیر، اور یہ عام طور پر شروع کرنے کے لیے کافی ہوتا ہے۔
"یہ پریشان طلبہ اور معذوری والے طلبہ کو نقصان پہنچاتا ہے۔" پہنچا سکتا ہے۔ براہ راست زبانی اجزاء کے لیے پہلے سے منصوبہ بند سہولیات، جہاں کنسٹرکٹ اجازت دے وہاں شکل کا انتخاب، اور لسانی فرق اور جائزہ لینے والے کے تعصب پر توجہ درکار ہے۔ صلاحیت کی تصدیق کریں، کارکردگی کے حالات کی نہیں۔
"ہمیں صرف ایک ڈیٹیکٹر خرید لینا چاہیے۔" امتیاز کا نتیجہ اسے ڈیزائن کی ریڑھ کی ہڈی بنانے کے خلاف ہے: اگر جھوٹے مثبت اصل مثبت سے تیز بڑھیں تو زیادہ نگرانی چھپانے کو نسبتاً زیادہ پرکشش بنا دیتی ہے۔ نشاندہی کا کوئی مقام ایسے جواب میں ہو سکتا ہے جو کام کو دوبارہ بھی ڈیزائن کرے، اور کیا ہمیں AI ڈیٹیکٹرز استعمال کرنے چاہئیں؟ اس دلیل کا احاطہ کرتا ہے۔
"طلبہ بہرحال AI استعمال کریں گے۔" کریں گے، اور ڈیزائن کا سوال یہ ہے کہ آپ کا اسائنمنٹ کس جواب کو سب سے آسان بناتا ہے۔ اگر اعلان سے طالب علم کا کچھ نہ جاتا ہو اور روبرک عمل کا معاوضہ دے تو بیشتر اسے اپنا لیتے ہیں؛ اگر اعلان شک پیدا کرے تو چھپانا عقلی انتخاب بن جاتا ہے۔
اس ہفتے کیا کریں
1. ایک جملہ لکھیں جس میں اُس صلاحیت کا نام ہو جس پر آپ کا اگلا بڑا اسائنمنٹ نمبر دیتا ہے۔ اسے اسائنمنٹ شیٹ پر رکھیں۔
2. وہ سب سے سستا تصدیق شدہ مرحلہ چنیں جسے آپ برقرار رکھ سکیں، اور اسے اس اسائنمنٹ میں شامل کریں۔
3. اسائنمنٹ کے مراحل کی فہرست بنائیں اور ہر ایک کو نشان زد کریں کہ وہ کنسٹرکٹ اٹھاتا ہے یا نہیں۔ جہاں نہیں اٹھاتا وہاں AI کی اجازت دیں، جہاں اٹھاتا ہے وہاں محدود کریں۔
4. روبرک میں عمل کا ثبوت نمبروں کے ساتھ شامل کریں، اور بتائیں کہ اچھا کیسا لگتا ہے۔
5. یہ تبدیلی اپنے پروگرام لیڈ اور جس دفتر سے سہولیات منظور ہوتی ہیں ان تک ٹرم شروع ہونے سے پہلے لے جائیں، پہلی اپیل کے بعد کے بجائے۔
آگے کہاں جائیں
اس پورے صفحے کے پیچھے کی صداقت کی دلیل Assessment Validity میں ہے؛ نفاذ والا ساتھی میں اپنے کورس میں AI کی مدد سے نقل کو کیسے کم کر سکتا ہوں؟ ہے، اور اس کے ساتھ میں کورس کی AI پالیسی کیسے لکھوں اور اسے طلبہ تک کیسے پہنچاؤں؟۔ AI کے تناظر میں تحریر کی تعلیم کے بہترین طریقے کیا ہیں؟ ان الفاظ کا احاطہ کرتا ہے جن کی طلبہ واقعی پیروی کرتے ہیں، اور اساتذہ AI سے متعلق مداخلتوں کے جائزے کے لیے کون سے پیمانے اور تحقیقی طریقے استعمال کر سکتے ہیں؟ بتاتا ہے کہ جس آلے کے گرد آپ ڈیزائن کر رہے ہیں وہ بالکل کام کرتا ہے یا نہیں۔