عمومی سوالات
تعلیم میں مصنوعی ذہانت سے متعلق تحقیقی ادب میں کون سے قابلِ ذکر خلا ہیں؟
انگریزی صفحے کا خودکار ترجمہ، جو ابھی تک کسی مقامی بولنے والے کے ذریعے جانچا نہیں گیا۔
گرانٹ کی آخری تاریخ آٹھ دن دور ہے اور پس منظر کے حصے کے لیے ایک جملہ درکار ہے کہ یہ شعبہ ابھی تک کیا نہیں جانتا۔ یا کسی ساتھی نے کسی کمیٹی کو بتا دیا ہے کہ AI ٹیوٹرنگ کامیابی میں اضافہ کرتی ہے، اور ساتھ 18 مڈل اسکولوں پر محیط دو سالہ تجربے کا حوالہ دیا ہے، اور آپ وہ شخص ہیں جسے بتانا ہے کہ وہ تحقیق کتنا وزن اٹھا سکتی ہے۔ یا آپ مقالے کا سوال چن رہے ہیں اور اس کا ہر نسخہ پہلے ہی کیا ہوا معلوم ہوتا ہے۔
اہم خلا قوت، تخصیص اور اطلاق پذیری سے متعلق ہیں۔ AI تعلیمی کام انجام دے سکتی ہے؛ کھلے سوالات یہ ہیں کہ آیا کوئی مخصوص ڈیزائن پائیدار فائدہ پیدا کرتا ہے، کس کے لیے، کس میکانیزم سے، اور کن شرائط میں۔ یہ فرق آپ کی میز پر موجود دو چیزوں کا فیصلہ کرتا ہے: آگے کیا پڑھنا ہے، اور اس دوران کون سا دعویٰ کرنا بند کرنا ہے۔ تعلیم میں AI کی تحقیق کی حدود اس صفحے کے پیچھے کی فہرست ہے۔ ذہین ٹیوٹرنگ نظاموں، پیش گوئی کرنے والے تجزیات، جنریٹو AI اور خود مختار ایجنٹوں کے بارے میں شہادت بھی ایک دوسرے کے بدلے استعمال نہیں کی جا سکتی، اور سیکھنے کی معاونت کے لیے AI کے استعمال پر تحقیق لوگوں کو AI کے بارے میں سکھانے پر تحقیق سے مختلف ہے، جیسا کہ تعلیم میں AI کا جائزہ بیان کرتا ہے۔
مختصراً
1. AI کا موازنہ کسی مضبوط غیر AI متبادل سے کریں جو نصاب، مشق اور معاونت کو مستقل رکھے، اور بتائیں کہ AI نے کیا اضافہ کیا۔
2. تاخیر سے، بغیر معاونت کے کارکردگی کی پیمائش کریں، اور واضح کریں کہ معاونت کے ساتھ کارکردگی سیکھنے میں اضافہ نہیں ہے۔
3. بتائیں کہ پیکج کے کس جزو نے کام کیا اور آپ کس میکانیزم کا دعویٰ کرتے ہیں۔
4. ہر خودکار اسکور اور نقلی طالب علم کی توثیق حقیقی طلبہ کے خلاف کریں، جن میں آپ کے ترقیاتی نمونے سے باہر کے طلبہ بھی شامل ہوں۔
5. آبادی کی حد بیان کریں، کیونکہ مجموعی اوسط مساوات کے سوال کا جواب نہیں دیتا۔
6. ترتیب کو اتنی تفصیل سے بیان کریں کہ کوئی دوسرا اسے دوبارہ بنا سکے۔
ایسا موازنہ چنیں جو AI کو الگ کرے
سخت گیر کلاس روم تجربات موجود ہیں، اس لیے "ہمیں بے ترتیب آزمائشیں چاہیے" اب خلا کا نام نہیں بتاتا۔ تیز تر سوال یہ ہے کہ آیا AI کا جزو اضافی مشق، بہتر مواد، بروقت فیڈبیک یا زیادہ تدریسی معاونت سے آگے قدر بڑھاتا ہے۔
ایک کلک کی دوری پر 18 مڈل اسکولوں میں کامیابی میں معمولی اضافے کی اطلاع دیتا ہے، ساتھ ہی ٹیوٹر کے ساتھ محدود بامعنی مشغولیت کی، اور مصنفین نوٹ کرتے ہیں کہ یہ اضافے AI کے بغیر منظم مشق سے حاصل ہونے والے اضافوں سے مشابہ تھے۔ یہ ایک نافذ شدہ پیکج کے بارے میں شہادت ہے، اور یہ الگ نہیں کر سکتی کہ اس کے اندر موجود AI نے کیا اضافہ کیا۔
نیچے موجود مسئلہ تجرباتی ہونے کے ساتھ تصوراتی بھی ہے۔ "ChatGPT" ایک ٹول کا نام ہے، طریقہ کار کا نہیں۔ ویڈلِخ وغیرہ (2025) نے تعلیم میں ChatGPT کے 19 موازنوں کا جائزہ لیا: صرف 4 (21%) نے تینوں چیزیں متعین کیں، یعنی قابل تکرار طریقہ کار، عملی شکل دیا گیا کنٹرول، اور سیکھنے کا معتبر پیمانہ (74% میں واضح طریقہ کار، 42% میں واضح کنٹرول، 53% میں سیکھنے کا نتیجہ)۔ جب نئی AI کے ساتھ نئی سرگرمیاں، فیڈبیک یا انٹرفیس ڈیزائن آتا ہے تو ذریعہ اور طریقہ آپس میں گڈمڈ ہو جاتے ہیں اور کوئی اثر AI کا نہیں رہتا۔
اسے کیا طے کرے گا: حقیقت پسندانہ غیر AI متبادلوں سے موازنے جن میں نصاب، مشق کے مواقع اور معاونت کو حتیٰ المقدور مستقل رکھا گیا ہو، اور ادارے، استاد، مضمون اور ماڈل کے پار آزاد تکرار۔ یہاں طریقے مختلف سوالوں کے جواب دیتے ہیں۔ کیفی اور ڈیزائن پر مبنی کام نفاذ کی وضاحت کرتا ہے، جبکہ اچھی طرح ڈیزائن شدہ تجربات سببی دعوے اٹھاتے ہیں، جیسا کہ مؤثریت کی تحقیقی طریقے بیان کرتی ہیں۔
ٹول جانے کے بعد سیکھنے کی پیمائش کریں
AI استعمال کرتے ہوئے بہتر کام کرنا اس بات کی شہادت نہیں کہ سیکھنا معاونت ختم ہونے کے بعد بھی باقی رہتا ہے۔ سیکھنے میں اضافے اور علمی بوجھ اتارنے کی ترکیبیں معاونت کے ساتھ کارکردگی، برقرار رہنے والے علم، آزاد استدلال اور انتقال کے درمیان وہی لکیر بار بار کھینچتی ہیں۔
AI ٹیوٹرنگ کو کارآمد بنانا 6,000 سے زیادہ مڈل اسکول طلبہ کے ساتھ ایک بے ترتیب تجربے میں پیمائش کا مسئلہ دکھاتا ہے۔ لگاتار تین درست جوابات کے مہارت کے اصول نے پلیٹ فارم کی متعین کردہ کامیابی کو بڑھایا، مگر بذات خود ایک ہفتے بعد قابلِ شناخت سیکھنے کے اضافے پیدا نہ کیے۔ تاخیر سے ہونے والے امتحان کی مضبوط ترین شہادت اُس وقت نمودار ہوئی جب AI مہارت کے ورک فلو کے اندر بیٹھی اور مشق شدہ مواد پر مرکوز رہی۔
باقی خلا قابلیت کے راستوں سے متعلق ہے، اور ایک اضافی بعد از امتحان اسے پُر نہیں کرتا۔ کسی نے مہینوں تک یاد داشت، کاموں کے پار انتقال، معاونت واپس لینے کے بعد کارکردگی، یا طلبہ کی اپنے علم کے بارے میں درست تشخیص قائم نہیں کی، اور شعبے نے کسی مہارت کو حاصل کرنے میں ناکامی کو پہلے سے قائم مہارت کے بگاڑ سے الگ نہیں کیا۔ بوجھ اتارنے کی تحقیق کو ابھی یہ دکھانا ہے کہ تفویض کب ان راستوں کی معاونت کرتی ہے اور کب اُس مشق کی جگہ لے لیتی ہے جو انہیں بناتی ہے۔
معلوم کریں کہ پیکج کے کس حصے نے کام کیا
"AI کی معاونت سے سیکھنا" عام طور پر کئی تبدیلیاں ایک ساتھ لاتا ہے: نیا فیڈبیک، اضافی غور و فکر، ہم مرتبہ بحث، مختلف کاموں کی ترتیب، بدلے ہوئے جائزے کے محرکات۔ کامیاب پیکج آپ کو نہیں بتاتا کہ کون سے اجزا ضروری تھے۔
انسان مرکز GenAI فیڈبیک ڈیزائن اس سوال پر واقعی پیش رفت ہے۔ 1,176 پہلے سال کے انڈرگریجویٹ طلبہ میں، عکاسی والے اور ہائبرڈ ڈیزائنوں نے تاخیر سے، AI کے بغیر انتقال پر براہ راست AI فیڈبیک سے بہتر کارکردگی دکھائی۔ ہائبرڈ حالت نے خود جائزہ، ہم مرتبہ فیڈبیک اور AI تنقید کو یکجا کیا۔ یہ اس بات کو الگ کرتا ہے کہ فیڈبیک کیسے منظم اور استعمال کیا جاتا ہے، اُس سے کہ طلبہ کو فیڈبیک ملتا ہے یا نہیں۔
ابھی کھلا ہے: ابتدائی آزاد کوششوں کا حصہ اور وقت، خود وضاحت، ہم مرتبہ کا ان پٹ، اصلاحی فیڈبیک، اشارے اور معاونت کا بتدریج ختم ہونا، اور ان میں سے ہر ایک کا پیشگی علم اور کام کی مشکل سے تعامل۔
نظریاتی خلا ساتھ ساتھ چلتا ہے۔ سیکھنے کے نظریے کا نام لینا اُسے جانچنا نہیں۔ کسی مطالعے کو ایک نظریاتی پیش گوئی درکار ہے جو کسی مخصوص نظامی رویے سے جڑی ہو، اور ایک قابل پیمائش سیکھنے کا عمل، اور شماریاتی وساطت اس وضاحت کو معلومات فراہم کرتی ہے مگر سببی میکانیزم قائم نہیں کرتی۔ تعلیم میں AI کا نظریہ سازی اور سکافولڈنگ اس دلیل کو آگے لے جاتے ہیں۔
تشریح سے پہلے پیمانے کی توثیق کریں
مشغولیت، تنقیدی سوچ، AI لیٹریسی اور ذاتی نوعیت جیسے تصورات اس ادب میں غیر یکساں طور پر ماپے جاتے ہیں۔ خود اطلاعیں ادراک بیان کرتی ہیں؛ وہ مظاہرہ شدہ قابلیت کی جگہ نہیں لے سکتیں۔ تکنیکی درستگی، ماہر کے درجہ بندی کردہ نتائج کا معیار، اور طلبہ کا سیکھنا تین مختلف تشخیصی اہداف ہیں۔ تعلیمی پیمائش اور AI تعلیمی جائزہ ان فرقوں کو بنیادی مانتے ہیں۔
ایک خلا پیمائش کے مسئلے کے اندر بیٹھا ہے: AI نظام جو دوسرے AI نظاموں کا جائزہ لینے کے لیے استعمال ہوتے ہیں۔ طلبہ کی نقل یا خوشامدی مسئلہ حل کرنا؟ میں، نقلی طلبہ اصلاحی فیڈبیک کے بعد اکثر تفویض شدہ غلط فہمیں چھوڑ دیتے تھے، قطع نظر اس کے کہ فیڈبیک اُس غلط فہمی کو مخاطب کرتی تھی یا نہیں، چنانچہ ان کے جوابات غیر مؤثر تدریس کو کامیاب دکھا سکتے تھے۔ ہدف شدہ تربیت نے مطالعے کے وفاداری کے پیمانے کو بہتر کیا، اور اُس پیمانے پر بہتری انسانی سیکھنے کے خلاف توثیق نہیں۔
جو چیز غائب ہے وہ پوری تشخیصی زنجیر کی توثیق ہے، ماڈل کے رویے سے تدریسی فیصلے تک، طالب علم کے ردعمل سے تعلیمی نتیجے تک، ایسے طلبہ اور ماحول پر جو ترقی کے دوران استعمال نہیں ہوئے۔ انسانی فیصلے کو بھی وہی جانچ درکار ہے، کیونکہ درجہ بندی کرنے والوں کا اتفاق اس بات کی شہادت نہیں کہ صحیح تصور ماپا گیا۔
فیصلہ کریں کہ جائزہ ابھی کس چیز کی تصدیق کر سکتا ہے
AI دو جڑے ہوئے تشخیصی مسائل پیدا کرتی ہے: یہ جس کام کا جائزہ لیا جا رہا ہے اُسے بنانے میں مدد دیتی ہے، اور یہ متاثر کر سکتی ہے کہ اُس کام کو کیسے اسکور کیا جائے۔
علمی ذخیرے کا AI ایجنٹوں کے ذریعے جائزے والے LMS کام مکمل کرنے کا مطالعہ دستاویز کرتا ہے کہ ایجنٹ ایک فعال انڈرگریجویٹ کورس میں رہنمائی کرتے اور جائزے والی سرگرمیاں مکمل کرتے ہیں۔ یہ ایک ایسی قابلیت ظاہر کرتا ہے جو طلبہ کے تیار کردہ ثبوت کے بارے میں مفروضوں کو چیلنج کرتی ہے۔ یہ قائم نہیں کرتا کہ ایسا استعمال کتنا عام ہے، اور یہ غیر ہم وقتی جائزے کو بطور صنف باطل نہیں کرتا۔
تحقیقی سوال یہ ہے کہ کون سے ڈیزائن ابھی بھی طالب علم کے بارے میں قابلِ دفاع نتائج کی حمایت کرتے ہیں۔ پورٹ فولیو، عکاسیاں، مرحلہ وار جمع کرانا اور سرگرمی کے ریکارڈ کو ثبوت کے طور پر توثیق درکار ہے، بجائے اس کے کہ فرض کر لیا جائے کہ وہ مصنفیت یا سمجھ قائم کرتے ہیں۔ مطالعات کو چاہیے کہ ثبوت کے امتزاج کو آزادانہ طور پر مشاہدہ شدہ قابلیت کے خلاف جانچیں، ساتھ ہی رسائی، کام کا بوجھ، رازداری اور طلبہ کی بے چینی کو مدنظر رکھیں۔ جائزے کی درستگی تفصیل رکھتی ہے۔
خودکار اسکورنگ کے لیے، LLM انسانوں کی طرح مضامین کی درجہ بندی نہیں کرتے بتاتا ہے کہ تیار شدہ ماڈلز اور انسانی درجہ بند کرنے والوں کے درمیان منظم اختلاف ہے۔ یہ نتائج مخصوص ترتیبات سے وابستہ ہیں، اور وہ دکھاتے ہیں کہ اندرونی تسلسل درستگی کا دعویٰ کیوں نہیں اٹھا سکتا۔
AI کے دور میں سیکھنے کے نتائج کے لیے انسانی قابلیت کا امتحان تجویز کرتا ہے کہ الگ الگ جائزہ لیا جائے: طلبہ کو آزادانہ طور پر کیا کرنا ہوگا، AI کے ساتھ کیا انجام دے سکتے ہیں، اور کس چیز کی تصدیق اور دفاع کرنا ہوگا۔ یہ ایک ایسا فریم ورک ہے جسے تجرباتی توثیق کا انتظار ہے۔
اس شعبے میں پکڑنے کی کوشش سب سے واضح بند گلی ہے۔ کار وغیرہ (2026) نے τ = 0.50 پر دو تجارتی پکڑنے والے آلے 642 شائع شدہ انگریزی خلاصوں پر چلائے۔ رہنما خطوط کے مطابق ہلکی AI تدوین 38-80% پر نشان زد ہوئی۔ 2023-25 کے غیر ترمیم شدہ اصل متن 9-15% پر نشان زد ہوئے، اور غیر STEM کام STEM سے کہیں زیادہ، p < 0.001 پر۔ انسانی شکل دینے کے بعد آلات نے AI کا نام دیے گئے دوبارہ لکھے جانے والے متن کا 4% سے کم پکڑا، یعنی غلط منفی کی شرح 96% سے زیادہ رہی۔ ایسا اسکور جو ایماندار معاونت کو سزا دے اور بچاؤ کو نہ پکڑے، طالب علم کے بارے میں کوئی نتیجہ قائم نہیں کر سکتا۔
لیٹریسی کے اسکور کو رویے کی شہادت کے طور پر پڑھنا بند کریں
AI لیٹریسی کی مداخلت پر تحقیق اتنی ہے کہ اس کی ترکیب کی جا سکے۔ تعلیم میں AI لیٹریسی کی مداخلتیں 59 مطالعات اور 7,211 شرکا کو محیط ہے، مثبت اوسط اثر کی اطلاع دیتی ہے، اور ساتھ ہی صفر کو محیط وسیع پیش گوئی کے وقفے کے ساتھ کافی تغیر کی بھی۔ علم پر مرکوز نتائج مہارتوں، رویوں یا اخلاقیات سے زیادہ مضبوط نکلے۔
تیز تر خلا یہ ہے کہ آیا لیٹریسی کی تعلیم اس بات کو بدلتی ہے کہ لوگ AI استعمال کرتے ہوئے کیا کرتے ہیں، اور کوئی اور قابلیت کا فریم ورک اسے پُر نہیں کرے گا۔ کیا طلبہ غیر معاون دعووں کو پہچان سکتے ہیں، ماخذوں کی تصدیق کر سکتے ہیں، گمراہ کن تجاویز رد کر سکتے ہیں، نامناسب اتفاق نوٹ کر سکتے ہیں، اور فیصلہ کر سکتے ہیں کہ کب تفویض نہ کریں؟ کیا یہ وقت کے دباؤ میں قائم رہتا ہے، اور کیا یہ ناواقف نظاموں اور مضامین میں منتقل ہوتا ہے؟
اسے طے کرنے کے لیے کارکردگی پر مبنی جائزہ درکار ہے، ساتھ حقیقی فیصلوں کا مشاہدہ اور تاخیر سے پیروی، اور تصوراتی علم، عملی مہارت اور تنقیدی فیصلے کو ایک ساتھ ملا دینے کے بجائے الگ رکھنا۔ AI لیٹریسی اور اعتماد کی درست تنظیم یہ فرق فراہم کرتے ہیں۔
بتائیں کہ دریافت کس کو چھوڑ دیتی ہے
ایک کورس، ادارے، زبان یا سیکھنے والوں کی آبادی سے حاصل نتائج شاذ و نادر ہی کہیں اور فیصلوں کی اجازت دیتے ہیں، یہ ایسا مسئلہ ہے جسے تعلیم میں AI کی تحقیق کی حدود کی ترکیب بار بار آنے والا قرار دیتی ہے۔ اثرات نشوونما کے مرحلے، مضمون، پیشگی علم، معذوری، زبان اور وسائل کی شرائط کے حساب سے کیسے مختلف ہوتے ہیں، یہ زیادہ تر ناپا ہی نہیں گیا۔
مساوات کی تحقیق کو بھی رسائی، مہارت اور نتائج کو الگ کرنا ہوتا ہے۔ ڈیجیٹل تقسیم کی ترکیب واضح ہے کہ آلات اور ٹول تک رسائی فائدہ اٹھانے کی برابر صلاحیت قائم نہیں کرتی۔ کیا اسکول میں AI تعلیم تیاری کے خلا کو تنگ کرتی ہے؟ نے ہانگ کانگ کے 752 جونیئر سیکنڈری طلبہ کی پیروی کی: نفسیاتی تیاری کے خلا تنگ ہوئے جبکہ معروضی AI لیٹریسی کے امتحان پر فرق برقرار رہے۔ ہر گروہ بہتر ہوا، اور عدم مساوات ختم نہ ہوئی۔ پیشگی سیکھنے کے پروفائل بے ترتیب طور پر تفویض نہیں کیے گئے تھے، اس لیے ان کا سببی کردار نامعلوم رہتا ہے۔
کچھ مخصوص مقامات پر پوشش کم ہے۔ سیکھنے والے گروہوں میں تفریقی اثرات آبادی کے حساب سے ادب گنتا ہے: دوسری زبان اور کثیر لسانی طلبہ اور معذور طلبہ سب سے گہرے دھارے ہیں، پھر صنف اور عصبی تنوع، اس ذخیرے میں پہلی نسل اور بین الاقوامی طلبہ کے لیے ایک ایک مطالعہ ہے، ذہین اور اعلیٰ کارکردگی والے طلبہ عملاً غیر مطالعہ شدہ ہیں، اور پناہ گزیں، تارکین وطن اور بے گھر طلبہ کسی میں نظر نہیں آتے۔ ایسی شکل کے حامل ثبوت کی بنیاد مجموعی اوسط سے مساوات کا سوال حل نہیں کر سکتی۔
ایک ہی قومی نظام کے اندر بھی صلاحیت مختلف ہوتی ہے۔ اڈینیرانے وغیرہ (2026) نے نائجیریا کی 45 جامعات میں AI انضمام کو اسکور کیا اور مجموعی طور پر درمیانی اپنانے (M = 4.79، 10 نکاتی پیمانے پر حد 1.83-7.83) پایا، جہاں عمر اور جغرافیے کو قابو کرنے کے بعد ادارے کی قسم انضمام کی پیش گوئی نہ کر سکی (عمر β = 0.43؛ جنوب مغربی مقام β = 0.31)۔ اندرونی صلاحیتیں آپس میں r = 0.79-0.80 پر اور بین الاقوامی تعاون صنعت کی شراکتوں کے ساتھ r = 0.74 پر جڑے ہوئے تھے، چنانچہ جڑے ہوئے ادارے بڑھتے ہوئے فوائد جمع کرتے ہیں۔ نئے، کم جڑے ہوئے اداروں میں کون سے صلاحیت سازی کے ڈیزائن نتائج بدلتے ہیں، یہ غیر آزمودہ ہے۔
تحقیقی ترجیح ایسے ڈیزائنوں کی نشاندہی ہے جو مظاہرہ شدہ قابلیت، شرکت اور ایجنسی میں فرق کم کریں، اور اوسط اضافوں کے ساتھ ذیلی گروہوں کے نتائج اور بوجھ بھی بتائیں۔ رسائی کا اپنا ایک حل طلب سوال ہے: آیا کوئی ڈیزائن شرکت کی رکاوٹ ہٹاتا ہے یا اُس قابلیت کی جگہ لے لیتا ہے جو طالب علم کو پیدا کرنی تھی۔ تعلیم میں AI کی مساوات اور رسائی دیکھیں۔
بتائیں کہ کنٹرول کس کے پاس ہے، اور کب بدلتا ہے
جب نظام منصوبہ بندی کرتے ہیں، اقدام شروع کرتے ہیں، یاد داشت رکھتے ہیں اور آلات کو ہم آہنگ کرتے ہیں، تو تعلیمی سوال یہ بن جاتا ہے کہ سیکھنے کے عمل کے کون سے حصوں پر کس کا کنٹرول ہونا چاہیے، اور یہ کنٹرول کب بدلنا چاہیے۔
تعلیم میں ایجنٹک AI: ایک دائرہ کار جائزہ 474 مطالعات کا نقشہ بناتا ہے اور محدود طویل مدتی توثیق، اعلیٰ تعلیم اور STEM میں تمرکز، اور نظریہ تعلیم کے ساتھ کمزور ہم آہنگی پاتا ہے: جائزہ شدہ مطالعات میں صرف 29% نے واضح طور پر تعلیمی نظریے سے استفادہ کیا، یہ اُس ذخیرے کے بارے میں دریافت ہے، تمام AIED کام کے بارے میں نہیں۔
کھلے سوالات اس کے بعد آتے ہیں۔ کیا طالب علم کی شروع کردہ معاونت ایجنٹ کی شروع کردہ معاونت سے مختلف نتائج پیدا کرتی ہے؟ کیا قابلیت بڑھنے کے ساتھ معاونت بغیر نقصان واپس لی جا سکتی ہے؟ کیا طلبہ نظام کو چیلنج کرنے کی صلاحیت رکھتے ہیں؟ ایجنٹک AI اور انسان اور AI کا تعاون کی ترکیبیں کثیر ایجنٹ ترتیبات میں استاد کی مداخلت اور جواب دہی کا اضافہ کرتی ہیں، جہاں کسی نے قائم نہیں کیا کہ ایجنٹ کے فیصلے کا جواب دہ کون ہے۔ زیادہ خود مختاری ایک تدریسی ڈیزائن کا انتخاب ہے جس کی ثبوت کی بنیاد ابھی بنانا باقی ہے۔
حفاظتی ناکامیوں کو حقیقی طلبہ کے خلاف جانچیں
تعلیمی حفاظت حقائق کی درستگی اور ممنوع درخواستوں سے آگے جاتی ہے۔ ٹیوٹر درست جواب دے سکتا ہے مگر ساتھ ہی طالب علم سے استدلال کا موقع چھین لے، کسی غلط فہمی کو مضبوط کرے، یا انحصار پیدا کرے۔ تدریسی حفاظت اس تصور کا احاطہ کرتی ہے۔
SafeTutors ناکامیوں کی نشاندہی کرتا ہے جن میں ضرورت سے زیادہ جواب ظاہر کرنا اور سکافولڈنگ کا ترک کرنا شامل ہیں، اور کثیر پیغامی جانچ میں ناکامیاں کافی زیادہ تھیں۔ یہ متعین شرائط کے تحت معیاری جانچ کی دریافت ہیں، اس بات کا اندازہ نہیں کہ کلاس رومز میں نقصان کتنا کثرت سے ہوتا ہے۔
یہ ناکامیاں جب حقیقی طلبہ سے مسلسل استعمال میں ٹکراتی ہیں تو کیا ہوتا ہے، یہ نامعلوم ہے۔ کون سی عارضی الجھن پیدا کرتی ہے، کون سی مستقل غلط فہمیاں، کون سی محرک کم کرتی ہے، اور کون سی آزاد قابلیت کمزور کرتی ہے، یہ ناپا نہیں گیا۔ اور کسی نے یہ بھی قائم نہیں کیا کہ کون سے تحفظات ضرورت سے زیادہ انکار یا مایوسی پیدا کیے بغیر یہ خطرات کم کرتے ہیں۔ طویل مدتی کام کو نتائج کے طور پر اعتماد، انسانی مدد کی طلب، طالب علم کی ایجنسی اور ہم مرتبہ اور اساتذہ کے ساتھ تعلقات بھی درکار ہیں۔ بچوں کے لیے اس کے لیے نشوونما کے لحاظ سے موزوں مطالعات درکار ہیں جو نظامی رویے کو تعلیمی اور تعلقاتی نتائج سے جوڑیں۔
اپنانے کو نفاذ سے الگ کریں
تکنیکی قابلیت یہ قائم نہیں کرتی کہ کوئی ٹول اچھی طرح استعمال ہوتا ہے، اور پیشہ ورانہ ترقی خود بخود طلبہ تک نہیں پہنچتی۔ غائب کڑی عام طور پر استاد کی تیاری سے، بدلی ہوئی کلاس روم مشق کے ذریعے، طلبہ کے نتائج تک چلتی ہے۔
پہلے تدریس، بعد میں ٹیکنالوجی 46 اساتذہ اور 2,832 طلبہ کا کثیر سطحی مطالعہ ہے۔ تدریسی AI علم طلبہ کے ادراک اور ارادوں سے منسلک تھا، اور استاد کے علم کا کوئی بھی ناپا گیا جزو براہ راست طلبہ کے AI علم میں اضافے سے منسلک نہیں تھا۔ اس قسم کی وابستگیاں یہ قائم نہیں کرتیں کہ کوئی تربیتی مداخلت بہتر سیکھنے کا سبب بنے گی۔
کھلا سوال یہ ہے کہ کوچنگ، نصاب کی ہم آہنگی، جائزہ لینے کے معمولات، شیڈولنگ اور اداراتی معاونت کے کون سے امتزاج پائیدار بہتری پیدا کرتے ہیں، اور مطالعات کو استاد کے اعتماد یا اپنانے کے ارادے کے بجائے حقیقی طور پر عمل میں لائی گئی تدریس کا مشاہدہ کرنا چاہیے۔ استاد کی AI قابلیت اور تعلیمی ترقی اس میدان کا احاطہ کرتی ہیں۔
تقابلی لاگت اور افادیت دوسرا خلا ہے۔ جائزوں کو سبسکرپشن اور ماڈل استعمال کی لاگت کے ساتھ تصدیق، اصلاح، تربیت، نگرانی، دیکھ بھال اور نفاذ کے وقت کو بھی گننا چاہیے، اور AI کی معاونت سے فراہمی کا موازنہ حقیقت پسندانہ متبادلوں سے کرنا چاہیے۔ جواب کے قابل سوال یہ ہے کہ مکمل ترتیب اپنے وسائل کے بدلے کیا تعلیمی فائدہ دیتی ہے۔
گورننس دستاویزات کو ارادے گنیں
اخلاقی اصول اور گورننس فریم ورک ضروری ہیں، اور ان کا وجود یہ قائم نہیں کرتا کہ وہ مشق بدلتے ہیں یا طلبہ کی حفاظت کرتے ہیں۔
اگروال وغیرہ نے 25 مضامین کا جائزہ لیا اور پایا کہ اخلاقیات کے ادب میں آخری صارفین زیادہ تر غیر فعال ہیں، طلبہ کی آوازیں عملاً غائب ہیں، ساتھ ہی اقدار کے درمیان کشیدگی اور فریقین کے درمیان طاقت کی عدم توازن ہے۔ یہ جائزہ شدہ ادب کو بیان کرتا ہے۔ یہ یہ دعویٰ نہیں کہ طلبہ کبھی AIED ڈیزائن میں حصہ نہیں لیتے۔
جو غائب ہے وہ اس بارے میں شہادت ہے کہ کون سی گورننس ترتیبیں قابل پیمائش فرق ڈالتی ہیں۔ کیا طلبہ اور اساتذہ کی شرکت خریداری، ٹول کے ڈیزائن، جائزے کے قواعد یا کسی غلطی کے بعد ازالے کو بدلتی ہے؟ کیا انسانی جائزے کے طریقے نتائج کے لحاظ سے اہم غلطیاں پکڑتے ہیں؟ کیا AI استعمال کرنے کو کہے گئے لوگوں کے لیے اس کے متبادل واقعی دستیاب ہیں؟ رازداری کی تحقیق میں بھی ایسا ہی خلا ہے: اضافی ڈیٹا جمع کرنے کی تعلیمی قدر عام طور پر فرض کر لی جاتی ہے، اور ڈیٹا کم کرنے والے ڈیزائنوں کا موازنہ زیادہ دخل انداز ڈیزائنوں سے سیکھنے اور طالب علم کی خود مختاری دونوں پر شاذ و نادر ہی کیا گیا۔ AI گورننس اور رازداری دیکھیں۔
مطالعے کو دوبارہ قابلِ تعمیر بنائیں
AIED میں تولیدی صلاحیت کا مسئلہ غیر معمولی طور پر مشکل ہے۔ مطالعات پرامپٹ، ماڈل کے نسخے، ترتیبات، کوڈ اور تدریسی تفصیلات چھوڑ دیتے ہیں، اور ملکیتی نظام مداخلت کے دوران یا بعد میں بدل سکتے ہیں۔ تعلیم میں AI کی تحقیق کی حدود اس نمونے کو دستاویز کرتی ہے۔
مطالعے کو دوبارہ بنانے کا مطلب ہے تدریسی ترتیب کو بھی بیان کرنا، ماڈل کے ساتھ: سیکھنے کے کام، مواد کے ماخذ، اجازت یافتہ اقدامات، انٹرفیس، استاد کی معاونت، جائزے کی شرائط، اور وہ سب کچھ جو نفاذ کے دوران بدلا۔ ایک ترتیب کو دوبارہ پیدا کرنا اور یہ جانچنا کہ اس کا تدریسی اصول دوسری ترتیب میں منتقل ہوتا ہے یا نہیں، دو الگ کامیابیاں ہیں، اور مؤثریت کی تحقیقی طریقے میں رپورٹنگ کی رہنمائی دونوں کو مخاطب کرتی ہے۔
ترکیب کو بھی وہی احتیاط درکار ہے۔ میٹا تجزیہ اور منظم جائزہ کمزور بنیادی مطالعات، اشاعت تعصب، غیر یکساں مداخلتوں اور غیر ہم آہنگ نتائج کو مجموعی نتیجے کی حدود کے طور پر گنتا ہے، اور کوئی واحد اوسط "AI اثر" وہ فرق چھپا دیتا ہے جو معلمین کو درکار ہیں۔ جائزوں کو معاونت کے ساتھ کارکردگی کو آزاد سیکھنے سے الگ کرنا چاہیے، مداخلتوں کی اقسام اور موازنے کی شرائط میں فرق کرنا چاہیے، اور کوڈنگ کے فیصلوں کو قابلِ جانچ بنانا چاہیے۔
ترکیب کا ادب خود ایک خلا ہے۔ او نیل (2026) کا تفتیشی جائزہ 14 بااثر میٹا تجزیوں کا تھا اور اس نے پایا کہ کسی نے بھی اپنے دعووں کے لیے معتبر بنیاد فراہم نہیں کی۔ کوئی مربوط تصور نہیں: ایک ٹول کو ایک مداخلت سمجھا گیا، کثیر جہتی نتائج کو ملا دیا گیا۔ اشاعت تعصب کا جائزہ تمام 14 میں غلط طریقے سے لیا گیا۔ بیان کردہ I² ہر اُس تجزیے میں 77.2% سے 94.4% تک رہا جس نے اس کی اطلاع دی، اور 13 میں سے 12 میں یہ 80% سے اوپر تھا۔ بے ترتیب جانچے گئے بنیادی مطالعات میں 61% پر درستگی کے خدشات تھے۔ اُن 14 تجزیوں نے تقریباً 16 مہینوں میں 2,000 سے زیادہ حوالے جمع کیے، اور ایک واپس لیے گئے میٹا تجزیے کا حوالہ واپسی کے بعد کے 60% حوالہ دینے والے مضامین میں بغیر اعتراف کے مستند کے طور پر دیا گیا۔ ایک اور جائزہ شدہ میٹا تجزیے کا حوالہ دینے والے 14 مضامین میں سے، جس کے خلاصے نے "AI تعلیم" کا بڑا اثر مشتہر کیا تھا مگر درحقیقت لوگوں کو AI کے بارے میں پڑھانا ماپا تھا، صرف 2 نے مناسب طور پر حوالہ دیا، 8 نے اسے یہ شہادت سمجھا کہ AI کا انضمام سیکھنے کو بہتر بناتا ہے، اور 4 دوسرے طریقوں سے غلط تھے۔ یہ جائزہ جرائد سے مطالبہ کرتا ہے کہ میٹا تجزیوں کے لیے مکمل ڈیٹا کی شفافیت لازمی قرار دیں (تلاش کے پروٹوکول، کوڈ شدہ مطالعے کی خصوصیات، نکالی گئی شماریات، تجزیاتی کوڈ)، مدیران سے مطالبہ کرتا ہے کہ اشاعت کے ریکارڈ کو جائزہ لینے کی اہلیت کا ثبوت نہ سمجھیں، اور یہ کہ واپسیاں ہر وہاں نظر آئیں جہاں مضمون دریافت، برآمد یا حوالہ دیا جاتا ہے۔ تولیدی صلاحیت ترکیب کی پوری زنجیر پر لاگو ہوتی ہے، صرف انفرادی مطالعے پر نہیں۔
اساتذہ جو کلاس روم کی سطح کا نسخہ چاہتے ہیں وہ AI مداخلتوں کا جائزہ لینے کے طریقے دیکھ سکتے ہیں۔
محققین اور اساتذہ اس بارے میں کیا غلط سمجھتے ہیں
شعبے میں مطالعات کی کمی ہے۔ مخصوص مطالعات کی کمی ہے۔ کثیر مقامی تجربات، ہزاروں طلبہ کے ساتھ بے ترتیب آزمائشیں، اور 14 بااثر میٹا تجزیے موجود ہیں۔ جائزہ شدہ موازنوں میں صرف 21% نے طریقہ کار، کنٹرول اور نتیجہ اتنا واضح کیا کہ اثر منسوب کیا جا سکے۔
نظریے کا نام لینا اُسے جانچنا ہے۔ سیکھنے کے نظریے کا حوالہ ایک فریم ورک کا فیصلہ ہے۔ جانچ کے لیے پیش گوئی، اُسے نافذ کرنے والا نظامی رویہ، اور ایسا عمل کا پیمانہ درکار ہے جو دوسری طرف بھی نکل سکے۔
توثیق شدہ خودکار اسکور توثیق شدہ نتیجہ ہے۔ انسانی کوڈرز کے ساتھ اتفاق اُن کوڈرز کے ساتھ تسلسل قائم کرتا ہے۔ نقلی طلبہ وفاداری کے پیمانے پر بہتر ہوئے بغیر انسانی سیکھنے کے خلاف توثیق کیے، اور ماڈل کے رویے سے نتیجے تک کی زنجیر ابھی بنی ہی نہیں۔
رسائی مساوات ہے۔ ہانگ کانگ کے مطالعے میں نفسیاتی تیاری کے خلا تنگ ہوئے جبکہ معروضی امتحان کے فرق برقرار رہے، اور ہر گروہ بہتر ہوا مگر عدم مساوات ختم نہ ہوئی۔ آلات اور لائسنس بدلتے ہیں کہ کون ٹول تک پہنچ سکتا ہے۔
زیادہ خود مختاری ترقی ہے۔ ایجنٹ کی زیادہ آزادی ایک ڈیزائن کا انتخاب ہے۔ 474 ایجنٹک مطالعات میں سے 29% کے تعلیمی نظریے سے استفادے اور محدود طویل مدتی توثیق کے ساتھ، کسی نے نہیں دکھایا کہ کنٹرول نظام کو منتقل کرنا سیکھنے کو بہتر بناتا ہے۔
وہ اعتراضات جو آپ سنیں گے
"خلا صرف یہ ہے کہ ہمیں زیادہ بے ترتیب آزمائشیں چاہیے۔" اب کافی موجود ہیں، اور مسئلہ ڈیزائن کے لیبلوں سے پہلے ہے: ایسے پیکج کی آزمائش جو نیا فیڈبیک، نئے کام اور نیا انٹرفیس یکجا کرتا ہے، AI کو کچھ منسوب نہیں کر سکتی۔ کام موازنے کی حالت میں ہوتا ہے۔
"میں کئی سال کی پیروی نہیں کر سکتا۔" پھر تاخیر سے، بغیر معاونت کے ایک موقع کی پیمائش کریں اور بتائیں کہ وہ کس وقفے کا احاطہ کرتا ہے۔ ایک ہفتہ بھی ایک حقیقی دریافت ہے، اور مہارت کے اصول والے مطالعے نے ایک ہفتے میں نتیجہ حاصل کیا، کیونکہ AI کو ورک فلو میں شامل کیا گیا تھا اور مشق شدہ مواد پر توجہ دی گئی تھی۔
"میرے کورس میں بے ترتیب تفویض ممکن نہیں۔" ڈیزائن پر مبنی اور کیفی کام نفاذ کے ایسے سوالوں کے جواب دیتے ہیں جو آزمائشیں نہیں دے سکتیں، اور شعبے کو دونوں درکار ہیں۔ جہاں بے ترتیب تفویض ممکن ہے، سببی دعویٰ وہیں رہتا ہے۔
"مجموعی اثر کا حجم پہلے ہی بتا دیتا ہے کہ کیا کام کرتا ہے۔" 14 جائزہ شدہ میٹا تجزیوں نے طریقہ کار کو ایک ٹول کے طور پر متعین کیا، غیر ہم آہنگ نتائج ملا دیے، اور جن 13 تجزیوں نے I² بتایا اُن میں 12 میں یہ 80% سے اوپر تھا۔ مجموعی عدد ایسے مطالعات کے مجموعے کو بیان کرتا ہے جن میں تصوراتی مسئلہ ہے۔
"نقلی طلبہ سستے ہیں، اس لیے اُن کی توثیق انتظار کر سکتی ہے۔" خوشامد کے مطالعے میں نقلی طلبہ غلط فہمیں چھوڑ دیتے تھے، قطع نظر اس کے کہ فیڈبیک اُنہیں مخاطب کرتی تھی یا نہیں، اور یہی وہ ناکامی ہے جو غیر مؤثر ٹیوٹر کو مؤثر دکھاتی ہے۔
اس ہفتے کیا کریں
1. جس مطالعے کی منصوبہ بندی کر رہے ہیں اُس کی موازنے کی حالت ایک جملے میں لکھیں۔ اگر وہ معمول کے مطابق کام ہے، تو کچھ اور بدلنے سے پہلے اُسے بدلیں۔
2. ڈیزائن میں ایک تاخیر سے، بغیر معاونت کا پیمانہ شامل کریں اور طریقہ کے حصے میں وقفہ بیان کریں۔
3. آبادی کی حد کو ڈیزائن کے بیان میں، پھر خلاصے میں لکھیں، تاکہ دعویٰ نمونے سے آگے سفر نہ کر سکے۔
4. اپنے موجودہ مسودے کا مضبوط ترین دعویٰ لیں اور اُس کا وہ نسخہ حذف کریں جو آپ کا پیمانہ اٹھا نہیں سکتا۔ حد کے بارے میں جملہ رکھیں۔
5. مطالعے میں کسی بھی خودکار اسکور یا نقلی طالب علم کے لیے، ڈیٹا جمع کرنے سے پہلے انسانی معیار اور فیصلہ کرنے والے کا نام لیں۔
آگے کہاں جائیں
تحقیق کی رپورٹنگ اور تشریح اس صفحے کا رپورٹنگ ہم منصب ہے، اور تعلیم میں AI کی تحقیقی طریقے ہر خلا کے پیچھے ڈیزائن کے انتخاب کا احاطہ کرتی ہیں۔ AI مداخلتوں کا جائزہ لینے کے طریقے پیمانوں اور موازنے کے ڈیزائنوں کو سنبھالتا ہے، کیا تعلیمی AI کام کرتی ہے، یہ جانچنا مؤثریت کے سوال کا مختصر نسخہ ہے، اور کیا AI طلبہ کو سیکھنے میں مدد دیتی ہے پائیدار سیکھنے کے بارے میں جو معلوم ہے اُسے جمع کرتا ہے۔ تعلیم میں AI کا نظریہ سازی اور مساوات، اخلاقیات اور تدریسی حفاظت کی تحقیق نظریے اور مساوات کے دھاروں کو آگے لے جاتے ہیں۔