عمومی سوالات
تعلیم میں مصنوعی ذہانت کی تحقیق کے وہ 10 اہم ترین نتائج جو اساتذہ کو جاننے چاہئیں؟
انگریزی صفحے کا خودکار ترجمہ، جو ابھی تک کسی مقامی بولنے والے کے ذریعے جانچا نہیں گیا۔
یہ ٹرم شروع ہونے سے پہلے کا ہفتہ ہے، یا پہلی بڑی جمع کرائی کے بعد کا ہفتہ، اور کسی نے آپ سے ایسی بات پوچھ لی ہے جس کا جواب آپ اپنے تجربے سے نہیں دے سکتے: اس اسائنمنٹ پر طلبہ AI کے ساتھ کیا کر سکتے ہیں، اور پھر گریڈ کس چیز کا ثبوت ہے۔ ممکن ہے کوئی گھر پر لکھا گیا مضمون اس انداز میں چمکدار واپس آیا ہو جو طالب علم کے پہلے کام سے میل نہیں کھاتا۔ ممکن ہے آپ کا شعبہ AI پالیسی لکھ رہا ہو اور چاہتا ہو کہ آپ کا کورس جمعرات تک اس کے مطابق ہو جائے۔ ممکن ہے کوئی طالب علم اپنے نمبروں کے خلاف اپیل کر رہا ہو اور آپ یہ نہ دکھا سکیں کہ یہ کام کس چیز کا مظاہرہ کرتا ہے۔
اس علم بنیاد نے جو تحقیق جمع کی ہے، اس کا خلاصہ یہ ہے: آپ جنریٹو AI کو سرگرمی کے اندر کیسے بٹھاتے ہیں، یہی طے کرتا ہے کہ وہ سوچ کو مضبوط کرتا ہے یا اس کی جگہ لے لیتا ہے۔ آپ کے ہاتھ میں جو لیور ہے وہ کام کا ڈیزائن ہے۔ کسی بھی ڈیزائن کی کسوٹی یہ ہے کہ آلہ نہ ہونے پر طلبہ اب بھی کیا کر سکتے ہیں۔ اس صفحے کے نام پر جو دس نتائج ہیں وہ نیچے دیے گئے ہیں، ہر ایک اس فیصلے کے حساب سے ترتیب دیا گیا ہے جس کی وہ رہنمائی کرتا ہے۔
مختصراً
1. اُس سوچ کا نام لیں جسے پیدا کرنے کے لیے یہ اسائنمنٹ موجود ہے، پھر AI کو ایسا کام دیں جو وہ سوچ انجام نہ دے۔
2. AI کا قاعدہ کورس کے بجائے ہر اسائنمنٹ کے لیے مقرر کریں، اور اس کی وجہ اسی جگہ لکھیں جہاں طلبہ اسے پڑھیں گے۔
3. ہر یونٹ میں کم از کم ایک ایسا مرحلہ رکھیں جس پر نمبر ملتے ہوں اور جسے طالب علم بغیر AI کے مکمل کرے۔
4. سرگرمی کا فیصلہ اس بات سے کریں کہ طلبہ ہفتوں بعد، بغیر مدد، کیا کر سکتے ہیں، نہ کہ اس بات سے کہ وہ کیا جمع کراتے ہیں۔
5. پوچھیں کہ طلبہ نے آلہ کیسے استعمال کیا، اور لاگ اِن کی گنتی کے بجائے تصدیق پر نمبر دیں۔
6. دیکھیں کہ یہ ڈیزائن کن طلبہ کی مدد کرتا ہے، کیونکہ اوسط اُن طلبہ کو چھپا دیتی ہے جنہیں یہ چھوڑ دیتا ہے۔
طے کریں کہ اسائنمنٹ کس لیے ہے
آلہ چھونے سے پہلے ایک جملے میں اُس صلاحیت کا نام لیں: اس یونٹ کے آخر میں طالب علم ایسا کیا کر سکے گا جو شروع میں نہیں کر سکتا تھا؟ جواب یہ ہو سکتا ہے: شواہد سے دلیل بنانا، کوئی ثبوت لکھنا، کسی تشخیص تک پہنچنا، محدود شرائط میں کوئی ڈیزائن فیصلہ کرنا۔ اگر آپ اس کا نام نہیں لے سکتے تو AI کا قاعدہ من مانا ہوگا اور طلبہ یہ بات پکڑ لیں گے۔
دو تحقیقی خطوط بتاتے ہیں کہ یہ بات پہلے کیوں آتی ہے۔ پیداواری ناکامی یہ دریافت ہے کہ سیکھنے والے اکثر زیادہ یاد رکھتے ہیں جب وہ کوئی مسئلہ حل کرنے کی کوشش پہلے کریں اور طریقہ بعد میں دیکھیں، چنانچہ رگڑ کبھی کبھی میکانیزم ہوتی ہے، نہ کہ کوئی ایسی رکاوٹ جسے ہٹا دینا چاہیے۔ ICAP فریم ورک یہ پیش گوئی کرتا ہے کہ ایک ہی مواد کے غیر فعال، فعال، تعمیری اور تعاملی استعمال سے سیکھائی مختلف ہوتی ہے۔ دونوں ایک ہی ڈیزائن سوال کی طرف اشارہ کرتے ہیں: آلہ کھلا ہونے کے دوران طالب علم کیا کر رہا ہے؟
اس مجموعے کی سب سے واضح مثال ایک ایسے چیٹ بوٹ کے موازنے سے آتی ہے جو نظریاتی بنیاد رکھتا تھا اور طلبہ کی وضاحتوں کو سکافولڈ کرتا تھا، جسے عام ChatGPT اور معمول کی تدریس سے موازنہ کیا گیا۔ فوری فرق نمایاں نہیں تھے۔ چار ہفتے بعد، سکافولڈ شدہ گروپ نے زیادہ تصوراتی علم برقرار رکھا۔ یہ ایک ہی مطالعہ ہے اور کوئی عالمگیر اثر نہیں، اور اس کا کارآمد مواد نتیجے کی شکل ہے: ڈیزائن ماڈل کی صلاحیت سے بڑھ کر اہمیت رکھ سکتا ہے، کیونکہ شرائط کے درمیان فرق وہ تھا جو سرگرمی نے طلبہ سے کرنے کو کہا۔
کمپیوٹنگ تعلیم کے 72 ہم مرتبہ جائزہ شدہ مطالعات کا منظم جائزہ اسی سطح پر دوسری سمت سے پہنچتا ہے۔ یہ AI کے نتائج کے ساتھ تنقیدی مشغولیت کو "اس مجموعے کی ہر مؤثر مداخلت کو جوڑنے والا مشترک میکانیزم" کہتا ہے اور بتدریج رسائی کی سفارش کرتا ہے، یعنی جنریٹو AI صرف اس وقت متعارف کرایا جائے جب بنیادی صلاحیت کا مظاہرہ ہو چکا ہو۔ دونوں دعوے اس بارے میں نہیں کہ آپ کون سی مصنوعات لائسنس پر لیتے ہیں۔
AI کو ایسا کام دیں جو وہ سوچ نہ ہو جس پر آپ نمبر دے رہے ہیں
ذہین ٹیوٹرنگ کی تحقیق کی دہائیاں وہ نمونہ بیان کرتی ہیں جو کام کرتا ہے: تشخیص کریں کہ طالب علم کیا سمجھتا ہے، سوال پوچھیں، بتدریج اشارے دیں، اس سے وضاحت مانگیں، فیڈ بیک دیں۔ حل سونپنے کے سوا سب کچھ۔ موجودہ Pedagogical Agent کام تدریسی رویے اور جواب کی پیداوار کے درمیان یہی حد کھینچتا ہے، اور Thermomix کی تشبیہ اسے ٹھوس بنا دیتی ہے۔ ایک ہی آلہ آپ کے لیے کھانا پکا سکتا ہے، جس صورت میں آپ مہارت کھو دیتے ہیں، یا وہ ان خیالات کا جانچنے والا ساتھی بن سکتا ہے جنہیں آپ کو خود سمجھنا ہے۔ یہ انداز ICAP پر لاگو ہوتے ہیں: غیر فعال، فعال، تعمیری، تعاملی۔
تنگ دائرے والے آلات بھی یہی اصول دکھاتے ہیں۔ انجینئرنگ کے ڈایاگرام ساختی طور پر پڑھنے والا ٹیوٹر 89.3% پورے ڈایاگرام کی درستگی کے مقابلے 93.0% کنارے کی سطح کا F1 حاصل کرتا ہے، یعنی وہ مخصوص غائب یا غلط پڑھے گئے روابط کا نام لے سکتا ہے، حتیٰ کہ جب پورا ڈایاگرام غلط ہو۔ یہ ایسا فیڈ بیک ہے جس پر طالب علم عمل کر سکے، پاس یا فیل کے بجائے۔
زیادہ مشکل سوال یہ ہے کہ ٹیوٹر کو کیا تجویز کرنے کی اجازت ہے۔ جب ایک کثیر ایجنٹ بحث نے "یہ رہا AI کا جواب" کی جگہ ایسی گفتگو رکھی جس کا اپنا پسندیدہ موقف روکا گیا تھا، تو کسی غلط AI موقف کی طرف نقصان دہ تبدیلی 42-60.5% سے گھٹ کر 5.7-8.2% رہ گئی۔ درست AI موقف اپنانے کی شرح بھی گری، 61.1-72.3% سے 22.1-33.3% تک۔ تجویز روکنے سے طالب علم کے ابتدائی فیصلے کی حفاظت ہوتی ہے اور تصحیح غور و فکر پر چھوڑ دی جاتی ہے، چنانچہ یہ ڈیزائن غلطی کی تصحیح کے بدلے کم پُراعتماد غلط موڑ خریدتا ہے۔ پرامپٹ لکھنے سے پہلے طے کریں کہ آپ اس تبادلے سے ان دو میں سے کیا چاہتے ہیں۔
کلاس میں اس پر عمل کرانا سستا ہے۔ سقراطی ترتیب وہ نمونہ ہے جس کی طرف بڑھنا ہے، جہاں آلہ جواب دینے کے بجائے سوال پوچھتا ہے۔ طلبہ کو کہیں کہ وہ "ایک اشارہ" مانگیں، "مجھ سے سوال پوچھیں"، یا "میرے استدلال پر تنقید کریں"، اور "اسے حل کرو" کو غیر معمولی صورت بنائیں۔ آپ تعامل کے طے شدہ فعل کو بدل رہے ہیں، اور یہی وہ حصہ ہے جس پر طلبہ کا واقعی اختیار ہے۔
ایک حد کھل کر بتانا ضروری ہے۔ اس ثبوت کا زیادہ تر حصہ چند کورسوں کے مختصر کاموں سے آتا ہے، اور اس میں سے کوئی چیز یہ وعدہ نہیں کرتی کہ اشارے دینے والا ٹیوٹر آپ کے سیکشن کے امتحانی نمبر بڑھا دے گا۔ اس سوال کے لیے نیچے بیان کردہ بے ترتیب آزمائش درکار ہے، اور اس کا نتیجہ آنکھیں کھولنے والا ہے۔
قاعدہ اسائنمنٹ پر لگائیں، اور وجہ بتائیں
ایک کارآمد فریم ورک تین صورتیں الگ کرتا ہے۔ جب آزاد صلاحیت ہی وہ چیز ہو جس کی آپ پیمائش کر رہے ہیں تو AI کو محدود کریں۔ جب محدود مدد اس صلاحیت کو نقصان نہ پہنچائے تو اسے سکافولڈ کریں۔ جب ہنرمند انسانی اور AI تعاون ہی وہ چیز ہو جو طلبہ کو سیکھنی ہے تو اسے لازمی قرار دیں۔ زیادہ تر کورسوں میں تینوں صورتیں موجود ہوتی ہیں، مختلف ہفتوں میں، اور یہی وجہ ہے کہ کورس کی سطح کا ایک ہی قاعدہ کناروں پر بار بار ناکام ہوتا ہے۔
85 طالب اساتذہ کا ملے جلے طریقوں والا مطالعہ دکھاتا ہے کہ بغیر وجہ کے قاعدہ سے کیا پیدا ہوتا ہے۔ نمونے کے 62.4% نے جنریٹو AI استعمال کرنے سے انکار کیا حتیٰ کہ جہاں اس کی اجازت تھی، اور انکار کرنے والوں میں سے 41.5% نے سرقہ کے الزام کے خوف کا ذکر کیا۔ 11 میں سے 9 انٹرویو دہندگان نے اجازت والی پالیسی کو بذات خود ایک جال سمجھا۔ اسی مطالعے میں صرف 37.6% نے اجازت یافتہ جنریٹو AI بالکل استعمال کیا، ان کے انتخاب کسی ایک کورس کی اجازت کے بجائے پروگرام کی ثقافت اور جائزے کے ڈیزائن کے مطابق چلے، اور ان کے اپنے اعلانیہ بیانات ہر کورس میں اصل استعمال سے کم بتاتے رہے۔
ان اعداد کو ڈیزائن کا مختصر حکم نامہ سمجھیں۔ بغیر بتائے مقصد کی اجازت سازش لگتی ہے، اور بغیر بتائے مقصد کی ممانعت ایسی رکاوٹ لگتی ہے جسے گھوم کر پورا کرنا ہے۔ طلبہ اسی استدلال پر جواب دیتے ہیں جو اس کام کے ساتھ منسلک ہو۔ قاعدہ اسائنمنٹ شیٹ میں ایک سطر کے طور پر رکھیں، اور اس سطر کو اتنا مخصوص بنائیں کہ طالب علم بتا سکے کہ جو مدد وہ لینے والا ہے، وہ اس چیز کو نقصان پہنچاتی ہے یا نہیں جس پر آپ نمبر دے رہے ہیں۔
ایسی چیز پر نمبر دیں جو طالب علم نے آلے کے بغیر بنائی ہو
یہ وہ مرحلہ ہے جو اصل کام کرتا ہے، اور یہاں کا ثبوت اس صفحے پر سب سے کم مبہم ہے۔
72 مطالعات والے جائزے نے پایا کہ جنریٹو AI نے 36 مطالعات میں قلیل مدتی تکمیل کو قابلِ اعتماد طور پر بڑھایا اور کام پر لگنے والا وقت گھٹایا، جسے مصنفین اس مجموعے کا سب سے بہتر نقل شدہ نتیجہ قرار دیتے ہیں، اور یہ کارکردگی کے فائدے 21 مطالعات میں "آزاد کارکردگی تک منتقل نہیں ہوتے"۔ 38 انڈرگریجویٹس کا بلند آواز سوچنے والا مطالعہ دکھاتا ہے کہ عام صورت میں یہ کیسے ہوتا ہے۔ علمی بوجھ اتارنا سیکھائی کو سب سے زیادہ نقصان تب پہنچاتا ہے جب AI وہ استدلال انجام دے جو طالب علم کو خود مشق کرنا تھا۔ وہاں 76.32% ایک ہی باری کے پوچھو، جواب لو، بس کرو نمونے پر رہے، اور صرف 21.06% نے AI کے استعمال کو آزاد پڑھنے اور مسودہ بنانے کے ساتھ باری باری کیا۔ سب سے بڑا گروپ، 38 میں سے 31، نے مہارت کے اہداف بیان کیے، بکھری ہوئی ایک باری والی شکل میں کام کیا، اور پھر حد سے زیادہ انحصار، ذہنی سستی اور تیزی سے بھولنے کی رپورٹ دی؛ ان میں سے ایک نے یہ الفاظ کہے کہ "جس رفتار سے آپ اسے بھولتے ہیں وہ بھی بہت تیز ہے۔" ایک 2026 فریم ورک مقالہ اس نمونے کو نام دیتا ہے۔ گریڈ اور مصنوعات بڑھتی ہیں جبکہ وہ ذہنی کام گرتا ہے جو پائیدار سیکھائی پیدا کرتا ہے۔
بے ترتیب آزمائش کم از کم ایک ماحول کے لیے یہ بحث طے کر دیتی ہے۔ 275 CS1 طلبہ کے ساتھ تین بازوؤں والی RCT نے اشارے دینے والے ایسے ٹیوٹر کا موازنہ کیا جو پورے حل روکتا تھا، غیر محدود ChatGPT، اور روایتی ویب وسائل سے۔ مشق کے نمبر واضح طور پر الگ ہوئے: ChatGPT کے لیے 71.84% بمقابلہ بغیر AI کنٹرول کے 29.85%، جبکہ اشارے دینے والا ٹیوٹر 57.50% پر رہا۔ تصوراتی علم میں اضافہ تینوں بازوؤں میں بالکل مختلف نہیں تھا، 0.83، 0.71 اور 0.85 پوائنٹ (وقت × گروپ p = .773)۔ دونوں AI شرائط نے مایوسی اور غیر متعلق بوجھ کم کیا، اور صرف اشارے دینے والے ٹیوٹر نے اندرونی تحریک بڑھائی۔ جس آلے کو طلبہ نے زیادہ مددگار اور آسان قرار دیا، وہی وہ تھا جس نے سیکھائی پیدا کرنے والی پروسیسنگ کو سب سے زیادہ کم کیا۔
غور کریں کہ یہ ڈیزائن کس چیز کی تائید نہیں کر سکتا۔ یہ ایک کورس، ایک سمسٹر، ایک زبان ہے، اور مشق کے نمبر بناوٹی طور پر معاونت والی کارکردگی ہیں، یعنی بالکل وہی پیمانہ جس پر بھروسہ کرنے سے مطالعہ خبردار کرتا ہے۔ اس سے یہ ثابت نہیں ہوتا کہ ٹیوٹر بے کار ہیں۔ یہ ثابت ہوتا ہے کہ جس نتیجے کو آپ ناپنا چنیں وہی آپ کا جواب طے کرتا ہے، اور طلبہ کی ترجیح سیکھائی کا پیمانہ نہیں ہے۔
چنانچہ بغیر مدد والے ورژن پر نمبر دیں۔ ہر یونٹ میں ایک کام جہاں طلبہ بغیر AI کے خیالات یاد کریں، بیان کریں، حل کریں یا ان کا دفاع کریں، اور اس پر واقعی نمبر رکھیں۔ اس کے پیچھے کی صداقت کی دلیل جائزے کی صداقت میں ہے: گھر پر بنا ہوا چمکدار نمونہ اب یہ نہیں دکھاتا کہ جس نے اسے جمع کرایا ہے اس کے پاس وہ صلاحیت ہے جو یہ نمونہ ظاہر کرتا ہے۔ 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؟ پورا ڈھانچہ کھول کر بتاتا ہے، بشمول بڑے کورسوں کے لیے سستا تصدیق شدہ مرحلہ۔
وہ اسائنمنٹ بدلیں جو آپ کے پاس پہلے سے ہے، پورا کورس نہیں
جو اساتذہ یہ سوال پوچھتے ہیں، ان میں سے بیشتر نیا کورس نہیں بنا رہے۔ ان کے پاس ایک ٹرم پیپر، ایک لیب رپورٹ یا ایک مسئلہ سیٹ ہے جو برسوں سے چل رہا ہے، اور وہ جاننا چاہتے ہیں کہ سیون کہاں لگائیں۔ اسائنمنٹ کو قدم بہ قدم کھولیں، ہر قدم سے پوچھیں کہ وہاں آپ کس چیز کا جائزہ لے رہے ہیں، اور جواب کو حد مقرر کرنے دیں۔ یہی کام کی سطح کا طریقہ ہے جو McCorkle کے ہم آہنگ کورس پالیسی کے کام میں درج ہے، اور اپنے سب سے متنازع اسائنمنٹ پر ایک بار یہ کرنا عام طور پر اس کی شکل دیکھنے کے لیے کافی ہوتا ہے۔
دس صفحات کا ٹرم پیپر عام طور پر یوں الگ ہوتا ہے۔ موضوع کا انتخاب اور ماخذ کی تلاش وہ جگہ ہے جہاں فیصلہ رہتا ہے، چنانچہ ایسا آلہ جو تھیسس تجویز کرے یا پڑھنے کی فہرست جوڑ دے، اس نے وہ حصہ انجام دیا جس پر آپ نمبر دے رہے ہیں۔ ترکیب اور دلیل خود کنسٹرکٹ ہیں۔ حوالہ جات کی ترتیب، حوالوں کی جانچ اور زبان کی تدوین ایسے قدم ہیں جہاں آلے کا استعمال آپ کے کنسٹرکٹ کے لیے نظر نہیں آتا، اور وہاں اسے منع کرنے سے آپ کو ناراضی کے سوا کچھ نہیں ملتا۔ یہ بات اسائنمنٹ شیٹ میں قدم بہ قدم لکھیں، چاہیں تو ایک مختصر جدول میں۔
پھر درمیانی قدم کو نظر آنے والا بنائیں۔ ایک صفحے کا تشریحی جواز مانگیں جو پیپر کے ساتھ جمع ہو، جس میں طالب علم دو ایسے ماخذ بتائے جو اس نے مسترد کیے اور کیوں، ایک ایسا دعوی جو اس نے جانچ کے بعد بدلا، اور یہ کہ کہاں اس نے کسی تجویز کی پیروی نہ کرنے کا فیصلہ کیا۔ اس پر اسی مخصوصیت سے نمبر دیں جو آپ نثر کے لیے استعمال کرتے ہیں۔ جواز کا وزن صرف اسی صورت میں ہے جب اسے چھوڑ دینے والا طالب علم چھوڑنے سے زیادہ کھو دے، چنانچہ اسے اتنے نمبر دیں کہ حساب صاف نظر آئے۔
مسئلہ سیٹ آسان ہے اور سیون کہیں اور بیٹھتا ہے۔ جواب کنسٹرکٹ نہیں ہیں؛ طریقے کا انتخاب اور غلطی کی تشخیص کنسٹرکٹ ہیں۔ ہر مسئلے کا پہلا قدم طالب علم کے اپنے الفاظ میں لازمی قرار دیں، کسی آلے کو کھولنے سے پہلے، اور سیٹ کا ایک مسئلہ کلاس میں کروائیں جہاں کچھ دستیاب نہ ہو۔ یہ سننے میں جتنی بڑی تبدیلی لگتی ہے اتنی نہیں ہے، اور یہ سیٹ کو ایسی مصنوع سے، جس کی آپ تصدیق نہیں کر سکتے، اس ریکارڈ میں بدل دیتی ہے کہ طالب علم نے کیسے سوچا۔
لیب رپورٹ کے لیے سیون عام طور پر ڈیٹا کی تشریح اور غلطی کے تجزیے پر ہوتا ہے۔ آلے کو جدول کی ترتیب اور اکائیوں کی جانچ کرنے دیں۔ تشریح، یہ فیصلہ کہ کیا غیر معمولی شمار ہوگا، اور متوقع نتیجے سے اختلاف کی وضاحت طالب علم کے ہاتھ میں رکھیں، اور ان پر نمبر دے کر انہیں گنوائیں۔
یہ نمونہ عام ہو جاتا ہے: وہ قدم تلاش کریں جہاں صلاحیت رہتی ہے، اس قدم کی حفاظت کریں، باقی کو آزاد چھوڑیں، اور عمل کا ثبوت وہاں رکھیں جہاں نمبر ہیں۔ آپ جس چیز سے بچ رہے ہیں وہ وہ دوبارہ ڈیزائن ہے جو کام کی پیداوار کا طریقہ بدل دے مگر یہ نہ بدلے کہ گریڈ کس چیز کی تائید کر سکتا ہے۔
فیڈ بیک اور گریڈنگ کے آلات کو بعد کی کارکردگی سے جانچیں
AI فیڈ بیک بروقت، مخصوص، قابلِ پیمانہ اور طلبہ کے لیے قابلِ قبول ہو سکتا ہے، بشمول اعلیٰ تعلیم کے۔ یہ سکھاتا ہے یا نہیں، یہ درستگی، تدریسی موزونیت، اور طلبہ کی فیڈ بیک لیٹریسی پر منحصر ہے، یعنی فیڈ بیک کو پرکھنے اور اس پر عمل کرنے کی ان کی صلاحیت پر۔ اگر آپ اسے فیڈ بیک یا نمبر لگانے کے لیے تول رہے ہیں تو نیچے دیے گئے اعداد وہی ہیں جو خریداری کی گفتگو میں ساتھ لے جانے چاہئیں۔
14 اداراتی رہنمائی دستاویزات کا تنقیدی تجزیہ پایا کہ عام پرامپٹ ایسے نتائج، سرگرمیاں اور جائزے پیدا کرتے ہیں جو ایک دوسرے سے کٹے ہوئے ہوں۔ آلہ یہ نہیں جان سکتا کہ کوئی موضوع کتنا باہم جڑا ہوا ہے، چنانچہ اس کا فیڈ بیک تشخیصی طور پر مخصوص ہونے کے بجائے عام رہتا ہے۔
ترتیب معیار کو قابلِ پیمائش طور پر بدلتی ہے۔ تعلیمی اہداف پر AI فیڈ بیک کے مطالعے میں، صرف ماڈل نے فیڈ بیک کے معیار میں 26.9% تغیر کی وضاحت کی اور پرامپٹ شامل کرنے سے یہ 42.8% ہو گیا، یعنی اضافی 15.9%۔ پرامپٹ کی جس ایک خصوصیت کا وزن تھا وہ موضوع سے مخصوص اصطلاحات تھیں؛ انہیں روزمرہ کی تشریحات سے بدل دینے نے فیڈ بیک کو نمایاں طور پر بدتر کر دیا۔ ماڈل کا انتخاب بھی اہم رہا: Claude 3 اور Gemini Advanced نے ChatGPT-4 کے مقابلے نمایاں طور پر کم درجہ بندی والا فیڈ بیک دیا۔
نمبر لگانا اس سے بھی کمزور ہے۔ 6,081 پروگرامنگ جمع کرائیوں پر نمبر لگانے والے 18 زبان کے ماڈلز کے موازنے میں ماڈل کے حساب سے اوسط گریڈ 0.290 سے 0.608 تک رہے، جبکہ بالکل مطابقت کی شرح کچھ ماڈلز کے لیے 0.20 تک اور بہترین صورت میں 0.74 رہی۔ ایک جیسا کام کرنے والے دو طلبہ کو مختلف نمبر مل سکتے ہیں، اس حساب سے کہ شعبے نے کس ماڈل کا لائسنس لیا۔
پھر وہ سوال ہے جو طلبہ کو عزیز ہے: کیا یہ فیڈ بیک بدل دیتا ہے کہ وہ بعد میں کیا کر سکتے ہیں۔ انڈرگریجویٹ ریاضی کے کورس میں سمسٹر بھر کی تعیناتی نے 343 انگریزی اور 236 ڈچ طلبہ کے لیے تصویر کش کی گئی جوابی شیٹوں سے انفرادی تبصرے اور مشقی سوالات پیدا کیے۔ جائزہ لینے والوں نے مشقی سوالات کو سب سے مضبوط اور تشخیصی مخصوصیت اور وضاحت کو سب سے کمزور قرار دیا۔ منسلک امتحانی سوالات پر بے ترتیب کراس اوور نے ایڈجسٹمنٹ کے بعد کوئی اعداد و شمار لحاظ سے نمایاں فرق نہ پایا (pHolm = 0.104)، اور حاضری نے امتحانی نمبروں کے ساتھ فیڈ بیک کی نمائش سے کہیں زیادہ واضح تعلق دکھایا (ρ = 0.49 اور 0.54، دونوں p < 0.001)۔ جس فیڈ بیک کو طلبہ قدر دیتے ہیں اور اس پر عمل کرتے ہیں وہ ایسے فیڈ بیک کے برابر نہیں جو قابلِ پیمائش سیکھائی پیدا کرے۔
اگر آپ ماڈل کو نمبر لگانے دیں تو ایک اور جال ہے۔ دس تعلیمی سالوں میں پھیلے 1,426 نفسیات کے مقالوں کے مطالعے میں، چاروں AI گریڈرز نے طلبہ کے لکھے کام کو سب سے کم اور AI کے لکھے کام کو سب سے زیادہ نمبر دیے۔ 16 موازنوں میں سے 10 اتنے بڑے تھے کہ اس حجم کے فرق تعلیمی تحقیق میں کم ہی ملتے ہیں، سب سے بڑے مشاہدہ شدہ فرق تک، اور تعصب مکمل طور پر AI سے پیدا شدہ متن کے لیے سب سے زیادہ تھا۔ گریڈر متن کو مشینی ہونے پر انعام دے سکتا ہے، حتیٰ کہ جب اس کی ہدایات مواد پر فیصلہ کرنے کو کہیں۔
اُن طلبہ کو الگ کریں جن کی یہ ڈیزائن مدد کرتا ہے اُن سے جنہیں یہ چھوڑ دیتا ہے
اوسط بہتری ایسے کورس کو چھپا سکتی ہے جہاں مضبوط مزید مضبوط ہوں اور کمزور کو بدتر سودا ملے۔ ڈیجیٹل تقسیم اب کم از کم تین خطوط پر چلتی ہے: آلات تک رسائی، ان کے استعمال کی مہارت، اور یہ کہ کس کو واقعی کارآمد نتیجہ ملتا ہے۔ محض پرامپٹ کی مہارت ایک "پرامپٹ استحقاق" پیدا کرتی ہے جس میں زیادہ تجربہ کار صارفین اسی نظام سے بہتر نتیجہ نکالتے ہیں۔
72 مطالعات والا جائزہ دو میکانیزم الگ کرتا ہے۔ مہارت کا خلا وہاں ظاہر ہوتا ہے جہاں مضبوط پیشگی علم والے طلبہ مدد کو پائیدار فائدے میں بدلتے ہیں جبکہ کم تیار طلبہ اسے مشق کے متبادل کے طور پر استعمال کرتے ہیں۔ وسائل کا خلا وہاں ظاہر ہوتا ہے جہاں قابلِ بھروسہ انٹرنیٹ اور ادا شدہ رسائی اداروں میں بہتر آلہ استعمال کو برقرار رکھتے ہیں۔ اس مجموعے میں صرف چھ مطالعات نے مساوات کو براہ راست جانچا، جسے مصنفین حاشیہ نہیں بلکہ خود مسئلہ قرار دیتے ہیں؛ AI تعلیم میں مساوات وہ جگہ ہے جہاں یہ دلیل کھولی گئی ہے۔
مدد خلا کو تب بند کر سکتی ہے جب جنہیں اس کی ضرورت ہے وہی اس میں مشغول ہوں۔ AI ایجنٹ کی مدد سے چھپے قواعد دریافت کرنے والے سیکھنے والوں کے چار تجربات نے پایا کہ مدد نے درکار چالوں کو 33-52% کم کیا، اور فائدہ سب سے کمزور کارکردگی والوں میں مرکوز رہا جبکہ مضبوط سیکھنے والے زیادہ تر متاثر نہیں ہوئے۔ یہ اُمید والا ورژن ہے، اور یہ اس بات پر منحصر ہے کہ جنہیں مدد کی سب سے زیادہ ضرورت ہے وہی اسے اچھی طرح استعمال کریں، جس کا مہارت کے خلا کے مطابق وہ بغیر سکھائے گا نہیں کر پائیں گے۔
نتائجی نوعیت کے فیصلے کسی انسان کے پاس رکھیں
اساتذہ کی AI لیٹریسی وہ نہیں ہے جہاں پالیسی کی گفتگو فرض کرتی ہے۔ ان سائنس اساتذہ میں جنہوں نے AI کی تربیت پہلے ہی مکمل کر لی تھی، اوسط AI لیٹریسی 30 میں سے 16.7 تھی، جو حوالہ نمونے کے 18.79 سے کم ہے، اور اس کا عمر، جنس، خدمت کے سالوں یا AI کے استعمال کی مقدار سے کوئی تعلق نہیں تھا۔ 412 ممکنہ ریاضی کے اساتذہ کے سروے نے تیاری کو ابتدائی مرحلے میں پایا، جہاں تدریس کے عقائد 7 نکاتی پیمانے پر اوسط 5.24 کے ساتھ سب سے بلند اور تکنیکی AI علم 4.23 کے ساتھ سب سے کم تھا۔
یہ محدود دائرے والے آلات کی دلیل ہے، خودمختار آلات کی نہیں۔ رہنمائی دستاویزات کا تجزیہ ایک اداراتی طور پر ترتیب دیا گیا بازیافت سے مدد یافتہ ایجنٹ تجویز کرتا ہے جو جوابات دیے بغیر سوچ کی رہنمائی کرے، عدم توازن کی نشاندہی کرے، اور کناروں پر کسی انسان کی طرف بڑھا دے، جس کا اختیار "مشتق اور محدود" بتایا گیا ہے۔ لوگوں کو لوپ کے اندر رکھنے کی، انہیں اس کے سامنے کھڑا کرنے کے بجائے، براہ راست شہادت موجود ہے: کورس مواد پیدا کرنے والا نظام اس وقت بہتر اسکور کرتا ہے جب لوگ شامل رہیں، اور سب سے زیادہ انسانی اِن پٹ والا انداز مکمل خودمختار انداز کے مقابلے جائزہ لینے والوں کے اسکور 0.5-0.9 پوائنٹ بہتر کرتا ہے۔ اس کے خودمختار جائزہ لینے والے 2.9-3.1 کے گرد تنگ جھرمٹ میں رہے جبکہ انسانی جائزہ لینے والے پھیلے اور زیادہ امتیاز دکھایا، چنانچہ مصنفین نے انسانی فیصلے کو بنیادی معیارِ کیفیت رکھا۔
کورس کے لیے عملی صورت یہ ہے: AI کو مسودہ بنانے، چھانٹنے اور نشان زد کرنے دیں۔ درستگی، انصاف، رازداری اور طالب علم کی ترقی کے بارے میں کوئی بھی فیصلہ بامعنی انسانی نگرانی کے تحت رکھیں۔ جو خطرات اسے ضروری بناتے ہیں وہی جانی پہچانی فہرست ہے: تعصب، رازداری، شفافیت، سیکھنے والے کی خودمختاری، جواب دہی، اور تدریسی حفاظت۔ یہی فہرست وجہ ہے کہ تدریسی AI صلاحیت تکنیکی واقفیت سے زیادہ اہم ہے۔
اساتذہ اس بارے میں کیا غلط سمجھتے ہیں
"میرے سامنے پڑا چمکدار کام اس بات کا ثبوت ہے کہ طالب علم یہ کر سکتا ہے۔" یہ اس بات کا ثبوت ہے کہ کام چمکدار ہے۔ مشق کے نمبروں پر 71.84% بمقابلہ 29.85% کا پھیلاؤ، جس کے ساتھ اسی آزمائش میں تصوراتی فائدے یکساں رہے، اور جائزے کی وہ 36 مطالعات جنہوں نے بغیر منتقلی کے کارکردگی پائی، سب معاونت والی کارکردگی اور صلاحیت کے درمیان فاصلہ بیان کرتے ہیں۔ اگر نمونہ ہی واحد چیز ہے جس پر آپ نمبر دیتے ہیں، تو نمونہ ہی وہ سب کچھ ہے جو آپ نے ناپا۔
"اگر AI ٹیوٹر ہے تو وہ حد کے درست طرف ہے۔" یہ نام کوئی ضمانت ساتھ نہیں لاتا۔ CS1 آزمائش میں اشارے دینے والے ٹیوٹر نے مشقوں پر وہ نقصان سے بچایا جو غیر محدود ChatGPT نے پہنچایا، اور پھر بھی بغیر AI کے مقابلے کوئی تصوراتی برتری پیدا نہ کی۔ آخری جواب روکنا استدلال روکنے کے برابر نہیں، اور ٹیوٹر دوسرا کام کر سکتا ہے جبکہ دکھائے کہ صرف پہلا کر رہا ہے۔
"کوئی ڈیٹیکٹر، یا کوئی سخت قاعدہ، سالمیت کا مسئلہ حل کر دیتا ہے۔" نشاندہی کئی ردعملوں میں سے ایک کا جواب دیتی ہے۔ طالب اساتذہ کے مطالعے نے پایا کہ الزام کے خوف نے اجازت یافتہ استعمال کو دبا دیا، پروگرام کی ثقافت کسی بھی کورس پالیسی سے بہتر رویے کی پیش گوئی کرتی رہی، اور خود اعلانیہ بیانات ہر کورس میں استعمال سے کم بتاتے رہے۔ سخت قاعدہ یہ بدلتا ہے کہ طلبہ کیا چھپاتے ہیں، یہ نہیں کہ وہ کیا سیکھتے ہیں۔
"پورے کورس کے لیے ایک AI قاعدہ زیادہ منصفانہ اور آسان ہے۔" آسان، جی ہاں۔ ثبوت ہر اسائنمنٹ کے لیے قواعد کے حق میں ہے، کیونکہ تینوں صورتیں، محدود کرنا، سکافولڈ کرنا اور لازمی قرار دینا، زیادہ تر کورسوں میں ساتھ ساتھ رہتی ہیں اور وہی اجازت لیب رپورٹ اور عکاسی میں مختلف معنی رکھتی ہے۔ ہمہ گیر موقف وہی ہوتے ہیں جنہیں طلبہ سب سے آسانی سے گھوم کر پورا کر لیتے ہیں۔
"جو طلبہ کہتے ہیں کہ آلہ مدد کرتا ہے، وہ اس سے سیکھ رہے ہیں۔" اطمینان ایک خود رپورٹ پیمانہ ہے، اور CS1 آزمائش میں سب سے زیادہ درجہ بندی والی حالت وہی تھی جس نے سیکھائی کے پیچھے کی پروسیسنگ سب سے زیادہ کم کی۔ ریاضی کی تعیناتی نے بھی یہی تقسیم پائی: فیڈ بیک جسے طلبہ نے قدر دی، امتحان میں کوئی نمایاں فرق نہیں۔
"AI لیٹریسی پرامپٹ کی مہارت ہے، اور طلبہ اسے آلہ استعمال کرتے ہوئے خود سیکھ لیتے ہیں۔" فریم ورک AI لیٹریسی کو تصوراتی فہم، عملی مہارت، تنقیدی جائزہ، اخلاقی فیصلہ، اور حدود سے آگاہی کے طور پر دیکھتے ہیں۔ جائزہ صاف کہتا ہے کہ پرامپٹ انجینئرنگ، نتائج کی تصدیق اور AI کی غلطیوں کا تجزیہ سکھائے جا سکنے والے ہنر ہیں جو محض نمائش سے پروان نہیں چڑھتے۔ تربیت یافتہ سائنس اساتذہ کا 30 میں سے 16.7 اسکور اسی دعوے کا تجرباتی روپ ہے۔
"مساوات کا مسئلہ رسائی ہے۔" رسائی تین خطوط میں سے ایک ہے۔ مہارت اور یہ کہ کس کو کارآمد نتیجہ ملتا ہے، باقی دو ہیں، اور اس مجموعے میں صرف چھ مطالعات نے ان میں سے کسی چیز کو براہ راست جانچا۔ ہر طالب علم کو لائسنس دے دینا سب سے آسان تہائی حل کر دیتا ہے۔
جو آپ پر واپس آئے گا
"میرے طلبہ کہتے ہیں کہ AI ان کی مدد کرتا ہے۔" یہ عام طور پر سامنے پڑے کام میں مدد ہی کرتا ہے، اور یہ دریافت اس بارے میں ہے کہ بعد میں کیا بچتا ہے۔ پوچھیں کہ وہ بغیر مدد اب بھی کیا کر سکتے ہیں تو جواب مختلف ملتا ہے، اور یہی وجہ ہے کہ بغیر مدد والا گریڈ شدہ مرحلہ موجود ہے۔
"میں 200 طلبہ کو پڑھاتا ہوں۔ میں مسودے نہیں پڑھ سکتا اور نہ زبانی جانچ کر سکتا ہوں۔" سب کچھ پڑھنا ضروری نہیں۔ سب سے زیادہ وزن والے اسائنمنٹ میں ایک کلاس کے اندر کی درخواست یا ایک مختصر ریکارڈ شدہ وضاحت، اور ساتھ میں ان کاموں کی نمونہ جانچ جو پہلے کی جمع کرائیوں سے میل نہیں کھاتے، زیادہ تر خطرہ ڈھک لیتے ہیں۔ مرحلہ وار جمع کرائیاں، تشریحی جواز، اور عمل کے پورٹ فولیو پیمانے پر چلتے ہیں؛ ایسے ہی جان بوجھ کر خراب کیے گئے AI نتیجے کی تصدیق پر نمبر دینا بھی چلتا ہے۔
"ہمارے پاس نشاندہی کے سوا کچھ نہیں۔" ڈیٹیکٹرز میں دستاویز شدہ اعتبار اور انصاف کے مسائل ہیں، اور صداقت زیادہ مشکل مسئلہ ہے: گھر پر بنا چمکدار نتیجہ اب یہ نہیں دکھاتا کہ جس نے اسے جمع کرایا اس کے پاس وہ صلاحیت ہے۔ عمل کا ثبوت ہتھیاروں کی دوڑ سے سستا ہے اور ایسی چیز پیدا کرتا ہے جس کا آپ اپیل میں دفاع کر سکیں۔
"اس پر پابندی آسان ہے۔" آسان ہے، اور عام طور پر ناکام ہوتی ہے۔ طالب اساتذہ کے مطالعے میں اپنانے کا رجحان کسی ایک کورس کی پالیسی کے بجائے پروگرام کی ثقافت کے مطابق چلا، اور اعلان ہر کورس میں اصل استعمال سے کم بتاتا رہا۔ پابندی آپ کی یہ صلاحیت بھی ختم کر دیتی ہے کہ آپ دیکھ سکیں کہ طلبہ یہاں سے نکلنے کے بعد آلہ کیسے استعمال کریں گے۔
"میں AI نہیں پڑھاتا۔ یہ میرا مضمون نہیں۔" یہ نتائج آپ کے مضمون کے بارے میں ہیں۔ جب AI وہ مشق انجام دیتا ہے جو آپ کے کورس کا مقصد ہے، تبھی وہ مداخلت کرتا ہے، اور یہ مداخلت آپ کے جائزوں میں نظر آتی ہے، چاہے آپ اس آلے کا ذکر کریں یا نہ کریں۔
"ثبوت عمل کرنے کے لیے بہت نیا ہے۔" کچھ حد تک درست، اور یہ دونوں طرف کاٹتا ہے۔ اس مجموعے کا زیادہ حصہ مختصر مداخلتیں، خود رپورٹ مطالعات، ایک ہی شعبے، یا 2025 اور 2026 کا کام ہے، اور پختہ Intelligent Tutoring تحقیق کے دعوے غیر محدود عام مقصد والے چیٹ بوٹس کے دعووں سے زیادہ مضبوط ہیں۔ جہاں کسی دعوے کے پیچھے اب کوئی بے ترتیب آزمائش ہے، جیسے CS1 آزمائش میں کارکردگی اور سیکھائی کا علیحدگی، اور ریاضی کی تعیناتی کا فیڈ بیک نتیجہ، وہاں وہ آزمائش یہاں حوالے کے ساتھ دی گئی ہے۔ جہاں نہیں ہے، وہاں دریافت کو پکی قانون کے بجائے بہترین دستیاب رہنمائی سمجھیں، اور ان نتائج پر سب سے زیادہ شک کریں جو صرف اطمینان، کام کی رفتار، نتائج کے معیار، یا فوری معاونت والی کارکردگی دکھاتے ہیں۔
اس ہفتے کیا کریں
1. وہ ایک اسائنمنٹ چنیں جس کا دفاع آپ سب سے کم اطمینان سے کرتے ہیں۔ اسائنمنٹ شیٹ کے اوپر صلاحیت والا جملہ لکھیں۔
2. ایک ایسا مرحلہ شامل کریں جو بغیر AI کے چلے: پانچ منٹ کی کلاس کے اندر درخواست، ایک مختصر ریکارڈ شدہ وضاحت، یا کمرے میں لکھا گیا ایک پیراگراف۔ اسے واقعی نمبر دیں۔
3. اس اسائنمنٹ کے لیے AI کی شرط بیان کریں اور ایک سطر وجہ شامل کریں۔ اگر اسائنمنٹ میں مراحل ملے جلے ہیں تو بتائیں کون سا مرحلہ کیا ہے۔
4. طلبہ کو دیا جانے والا ایک پرامپٹ "اسے حل کرو" سے بدل کر "مجھے ایک اشارہ دو اور مجھ سے ایک سوال پوچھو" کریں، اور انہیں وجہ بتائیں۔
5. ٹرم شروع ہونے سے پہلے یہ تبدیلی اپنے پروگرام لیڈ اور جس دفتر سے سہولیات منظور ہوتی ہیں ان تک لے جائیں، تاکہ پہلی اپیل پہلی گفتگو بھی نہ ہو۔
آگے کہاں جائیں
انہی غلط فہمیوں کا ہر فریق کے حساب سے ورژن ہم تعلیم میں AI کے بارے میں عام غلط فہمیوں کا ازالہ کیسے کر سکتے ہیں؟ میں دیکھیں۔ مساوات اور انسانی فیصلے کی دریافتوں سے نکلنے والی ڈیزائن کی شرائط تعلیم میں AI کی تحقیق کو مساوات، رسائی، رازداری، اخلاقیات، اور تربیتی حفاظت کو کس طرح شامل کرنا چاہیے؟ میں ہیں۔ 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؟ جائزے والا آدھا حصہ مزید آگے لے جاتا ہے، اور کیا مصنوعی ذہانت کا استعمال واقعی میرے طلبہ کو سیکھنے میں مدد دیتا ہے؟ اس صفحے کے دعووں کے پیچھے ثبوت کا جائزہ ہے۔ اگر آپ دوبارہ ڈیزائن اور نفاذ کے درمیان چن رہے ہیں تو میں اپنے کورس میں AI کی مدد سے نقل کو کیسے کم کر سکتا ہوں؟ اور میں کورس کی AI پالیسی کیسے لکھوں اور اسے طلبہ تک کیسے پہنچاؤں؟ ساتھی صفحات ہیں۔