ہم AI ٹیوٹر کو طلبہ کو جواب دینے کے بجائے رہنمائی کرنا کیسے سکھائیں؟

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

آپ کا ٹیوٹر جواب دے دیتا ہے۔ ڈیمو میں یہ نظر نہیں آیا، کیونکہ سوال آسان تھا اور طالب علم تعاون کر رہا تھا۔ پائلٹ لاگز دکھاتے ہیں: طالب علم دو بار پوچھتا ہے، ماڈل طریقہ دہراتا ہے، پھر حل کر دیتا ہے۔ ایک استاد سیشن دیکھ کر کہتا ہے کہ یہ دوستانہ آواز والا چیٹ بوٹ ہے۔ اب آپ فیصلہ کر رہے ہیں کہ انجینئرنگ وقت کا چوتھائی حصہ پوسٹ ٹریننگ پر لگائیں یا بہتر سسٹم پرامپٹ کے ساتھ ریلیز کریں۔

مختصر جواب: پرامپٹنگ جواب کی طرف کھنچاؤ ختم نہیں کرتی، کیونکہ مددگاری وہی ہے جس کے لیے بنیادی ماڈل کی تربیت ہوئی۔ اگر رہنمائی کرنے والا رویہ ہی پروڈکٹ ہے، تو اسے تربیت دینی پڑے گی، اور نتیجہ طے کرنے والا متغیر انعام ہے۔ انعام کو کسی معیار کے مقابل لکھیں، تربیتی ڈیٹا میں مرحلہ وار استدلال رکھیں، اور تربیت کا جائزہ اس اگلے تدریسی قدم سے لیں جو ماڈل چنتا ہے۔

مختصراً

1. یہ نتیجہ نکالنے سے پہلے کہ پرامپٹنگ کافی ہے، جانچیں کہ پرامپٹ دباؤ میں قائم رہتا ہے یا نہیں۔ غلط طالب علم سے اتفاق کر لینا وہی ناکامی ہے جسے تلاش کرنا ہے۔

2. انعام کو اس رویے کی تفصیل کے طور پر لکھیں جو آپ چاہتے ہیں، سخت منفی نمونے خارج کر کے، پھر دیکھیں کہ اس نے اصل میں کس چیز کو بہتر بنایا۔

3. مرحلہ وار نشانات پر تربیت دیں۔ سوال اور درست جواب کے جوڑوں کا ذخیرہ ماڈل کو یہ نہیں سکھا سکتا کہ طالب علم کہاں غلط ہوا۔

4. جہاں فیصلہ اہم ہو وہاں تقلید کے بجائے reinforcement learning کو ترجیح دیں، اور درمیانی مرحلوں کے اسکور محفوظ رکھیں۔

5. انعام کو اتنا گھنا رکھیں کہ بیشتر جوابات پر چلے، اور جائزہ پوری گفتگوؤں پر لیں۔

معلوم کریں کہ پرامپٹ دباؤ میں قائم رہتا ہے یا نہیں

پرامپٹنگ اور عمومی الائنمنٹ تربیت اتفاق کی طرف کھنچاؤ چھوڑ جاتی ہیں۔ سیاق و سباق کی خوشامد دونوں کے بعد بھی قائم رہتی ہے، اور طلبہ کی غلطیاں پھر بھی AI کے مشورے میں منتقل ہوتی رہتی ہیں۔

EduFrameTrap وہ تفصیل شامل کرتا ہے جو پروڈکٹ کے فیصلے کے لیے اہم ہے۔ جو ماڈل سیاق بدلنے والے حملوں کا مقابلہ کر لیتے ہیں وہ بھی اختیار یا سماجی جذباتی دباؤ میں جھک جاتے ہیں اور اصلاحی فیڈبیک روک لیتے ہیں، اور اسی لیے اس کے مصنفین کہتے ہیں کہ "مہربان مگر درست" رویہ ترجیح نہیں بلکہ تربیت کی واضح شرط ہونا چاہیے (Sycophancy is an Educational Safety Risk: Why LLM Tutors Need Sycophancy Benchmarks)۔

اگر آپ کے ٹیوٹر کی ناکامی غلط جواب سے اتفاق کرنا ہے، تو اسے اتفاق نہ کرنے کی ہدایت دینا ایک تخفیف ہے۔ پہلے دباؤ کی جانچ چلائیں، درج کریں کہ کہاں ٹوٹتا ہے، اور وہی نقل کو تربیتی بجٹ کی دلیل بنائیں۔

ڈیٹا جمع کرنے سے پہلے انعام لکھیں

انعام اس چیز کی سمٹی ہوئی تفصیل ہے جو آپ چاہتے ہیں، اور ماڈل وہی بہتر بناتے ہیں جو آپ نے اصل میں لکھا۔ اسی لیے انعام کا ڈیزائن وہ فیصلہ ہے جو آگے کی ہر چیز کی حد مقرر کرتا ہے۔

EduQwen کے انعامی ماڈل نے براہ راست جوابات پر رہنمائی کرنے والے جوابات کو ترجیح دی، سخت منفی کان کنی کے ساتھ ان سوالات کو خارج کیا جو بنیادی ماڈل پہلے ہی حل کر چکا تھا، اور رول آؤٹ 5 سے 8 مراحل تک بڑھائے تاکہ کثیر مرحلہ تدریسی فیصلے قید ہو سکیں۔ اس کی تین مرحلوں والی پائپ لائن، پہلے RL پھر مصنوعی SFT پھر آخری RL دور، CDPK معیار پر 96.52% تک پہنچی، جبکہ Gemini-3 Pro کا 90.55% تھا (Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning)۔

اس سے دو باتیں نکلتی ہیں۔ توقع رکھیں کہ انعام کے ساتھ چالاکی ہوگی، کیونکہ وہ آپ کے ارادے سے کم بیان کرتا ہے، چنانچہ اسے رائے کے بجائے کسی معیار کے مقابل لکھیں۔ اور درمیانی اعداد محفوظ رکھیں: صرف پہلا RL مرحلہ 94.13% تک پہنچا، 40,000 خود پیدا کردہ جوابات پر SFT نے اسے 96.20% تک پہنچایا، اور آخری دور نے آخری حصہ جوڑا۔ زیادہ تر اضافہ شروع میں آیا، جو اس وقت کام آتا ہے جب کوئی پوچھے کہ آخری مرحلہ اپنی قیمت کے قابل تھا یا نہیں۔

انعام کو اتنا چلائیں کہ سکھا سکے

جب جس چیز کی آپ فکر کرتے ہیں اس کی کئی جہتیں ہوں، تو درست میل کا انعام حد سے زیادہ کم ہوتا ہے۔ SWIM کا تحریری سمیولیٹر یہ ترقی صاف دکھاتا ہے: روبرک پر کھڑی پرامپٹنگ نے Claude Sonnet کے ساتھ 0.577 اور GPT-5.4 کے ساتھ 0.422 کی بہترین اوسط خصوصیتی QWK حاصل کی، اور کھلے 7B ماڈل کے لیے تقریباً صفر؛ نگرانی والی فائن ٹیوننگ نے اسی 7B ماڈل کے لیے 0.474 ± 0.023 حاصل کی؛ اور گھنے، خصوصیت کے حساب سے معمول بنائے گئے درستگی کے انعام کے ساتھ GRPO نے ہر خصوصیت اور پرامپٹ پر 0.618 ± 0.005 حاصل کی (SWIM: Student Writing Simulation via Proficiency-Conditioned Generation)۔

یہ فرق انعام کے ڈیزائن نے پیدا کیا۔ کثیر خصوصیت والے ماحول میں گھنا، خصوصیت کے حساب سے معمول بنایا گیا اشارہ درست میل سے بہتر ہے، اور اگر آپ کا انعام صرف کامل جواب پر چلے، تو آپ کا بیشتر تربیتی اشارہ خاموشی ہے۔

استدلال مثالوں میں رکھیں

اس میدان کی سب سے قابلِ عمل دریافت یہ ہے کہ تربیتی ڈیٹا میں کیا ہونا چاہیے۔ ہدایت کے مطابق ڈھالے گئے ماڈلوں نے الجبرا کی غلط فہمیاں صرف اسی وقت سیکھیں جب مرحلہ وار حل کے نشانات پر تربیت دی گئی۔ صرف آخری جوابات پر تربیت دینے سے درستگی ہر ڈیٹا حجم پر 30% سے نیچے رہی (Misconception Acquisition Dynamics in Large Language Models)۔

اس مطالعہ کی دو تفصیلیں ٹیوٹر کے کسی بھی پہلو پر کام کرنے والے کے لیے اہم ہیں۔ طالب علم کا کردار سیکھی ہوئی غلطی کو اس وقت تک حد سے زیادہ عام کرتا رہا جب تک درست مثالیں چار میں سے ایک جیسے کم تناسب پر شامل نہ کی گئیں۔ ٹیوٹر کے کردار میں ایسی کوئی قیمت نہیں دکھی، اور اس نے دس مشترکہ طور پر تربیت یافتہ غلط فہمیوں میں درست درستگی 93% سے 98% تک برقرار رکھی۔

سوال اور درست جواب کے جوڑوں کا ڈیٹا سیٹ ماڈل کو یہ نہیں سکھا سکتا کہ طالب علم کہاں غلط ہوا۔ اگر آپ ایسا ٹیوٹر تربیت دے رہے ہیں جو تشخیص کرے، تو مثالوں میں استدلال ہونا چاہیے۔

وہ تربیتی اشارہ چنیں جو فیصلے سے میل کھائے

نگرانی والی فائن ٹیوننگ ماڈل کو آپ کی نمائشوں کی نقل سکھاتی ہے۔ یہ انداز کے لیے کافی ہے اور فیصلے کے لیے نہیں۔ LearnLM یہ دریافت واضح کرتا ہے: لمبی گفتگو میں باریک تدریسی ہدایات پر چلنے کے لیے RL، تنہا SFT سے کہیں زیادہ موثر ہے (LearnLM: Improving Gemini for Learning)۔

اس کی ہدایت پر مشروط فریمنگ ڈویلپرز اور اساتذہ کو یہ اجازت دیتی ہے کہ ٹیوٹر کا رویہ متعین کریں بغیر تدریس کی کسی ایک تعریف پر قائم ہوئے، اور مشترکہ تربیت اسے Gemini کے پوسٹ ٹریننگ مراحل میں شامل کر دیتی ہے۔ ماہرین نے اسے GPT-4o (+31%)، Claude 3.5 Sonnet (+11%) اور بنیادی Gemini 1.5 Pro (+13%) پر ترجیح دی۔

عملی پڑھائی یہ ہے: اگر آپ کی ناکامی غلط لہجہ یا غائب انداز ہے، تو SFT سستا راستہ ہے۔ اگر آپ کی ناکامی بارہویں باری پر غلط تدریسی قدم چننا ہے، تو اشارہ کو اس انتخاب کو انعام دینا ہوگا۔

ہر مثال کو اس رویے کا نام دیں جو وہ سکھاتی ہے

اگر نگرانی میں استدلال ہونا ہے، تو لیبل کا نظام نصاب کا فیصلہ ہے۔ نگرانی کے لیبلوں پر ایک مطالعہ پایا کہ ہر تربیتی مثال کو مضمون کی قابلیت، نصاب سے وابستگی، تشخیصی استدلال اور سکافولڈنگ میں سے ایک ہدف رویہ دینے سے ہر آزمودہ ماڈل حجم پر اسکور بڑھے، سب سے بڑا اضافہ سکافولڈنگ اور طلبہ کی تاریخ استعمال کرنے میں ہوا۔ علمی حالت کی تشخیص سب سے کمزور رویہ رہی، 54.04% پر (OmniEdu: Open Foundation Models for Learning and Teaching)۔ تشخیص اس فہرست کی مشکل ترین مد ہے، چنانچہ اس کے لیے بجٹ رکھیں۔

ڈیٹا کا انتخاب اپنے آپ میں ایک تربیتی مسئلہ ہے۔ Edu-QuRating ترجیحی کشید کو تعلیمی ڈیٹا کی درجہ بندی پر لگاتا ہے، اور ایک ہی "کیا یہ تعلیمی ہے؟" اسکور کی جگہ 20 روبرک جہتیں رکھتا ہے جو حقائق کی درستگی، تدریسی ڈھانچہ اور سطح کی مناسبت کا احاطہ کرتی ہیں (Edu-QuRating: Multi-Dimensional Educational Data Curation with Distilled Pairwise Judgements)۔ اگر آپ ویب متن سے ذخیرہ جوڑ رہے ہیں، تو یہی فلٹر طے کرتا ہے کہ آپ کا ماڈل کیسی آواز میں بولنا سیکھے گا۔

وہ ڈیٹا داؤ چنیں جو آپ اٹھا سکیں

دو الٹ داؤ اس میدان کو متعین کرتے ہیں، اور آپ کون سا اٹھاتے ہیں یہ اس پر ہے کہ آپ کے پاس پہلے سے کیا ہے۔

جب آپ کا ڈیٹا کم ہو، تو ہدایت پر مشروط پوسٹ ٹریننگ رویہ اٹھا لیتی ہے۔ LearnLM ایسی نظامی ہدایات استعمال کرتا ہے جو اساتذہ اور ڈویلپرز کو ٹیوٹر کا رویہ متعین کرنے دیتی ہیں، اور ٹیوٹرنگ کی نقلوں کے بڑے ذخیرے کے بجائے مشترکہ تربیت پر بھروسا کرتا ہے۔

جب آپ کے پاس اصلی تعامل کا ڈیٹا ہو، تو اس پر فائن ٹیوننگ جیت جاتی ہے۔ TeachLM یہ داؤ لگاتا ہے کہ پرامپٹ انجینئرنگ ایک عارضی سہارا ہے اور کمیاب جزو اصل طالب علم اور ٹیوٹر کا تعامل ہے۔ سخت گمنامی کے تحت ایک کے ایک سیشنوں کے 100,000 گھنٹے پر تربیت پا کر یہ طالب علم کے بولنے کا وقت دگنا کرتا ہے، سوال پوچھنے کا انداز بہتر بناتا ہے، اور مکالمے کی باریاں 50% بڑھاتا ہے (TeachLM: Post-Training LLMs for Education Using Authentic Learning Data)۔

ایک سستا راستہ کشید ہے۔ Pedagogy-R1، 1.5B اور 7B میں، QwQ-32B استاد سے کشید کی گئی تدریسی طور پر فلٹر شدہ پیداوار پر ہدایت کے مطابق فائن ٹیون کیا گیا، ساتھ Chain-of-Pedagogy پرامپٹنگ کے (Pedagogy-R1: Pedagogical Large Reasoning Model and Well-balanced Educational Benchmark)۔

اس فیصلے کی تربیت دیں جس سے طالب علم اگلی باری میں ملتا ہے

پوسٹ ٹریننگ صرف یہ شکل نہیں دیتی کہ ماڈل کیا کہے۔ TACT نے ایک ٹیوٹر کو 13 حکمت عملیوں کی درجہ بندی اور دو محور والی طالب علم حرکات کی درجہ بندی پر پوسٹ ٹرین کیا اور اپنے Qwen3.5-4B بنیاد پر 20.30 پوائنٹ حاصل کیے، ساتھ ایسا تشخیصی معیار جس میں طلبہ کی حالت کے لیبل روک لیے جاتے ہیں جو تربیت کے دوران دستیاب تھے، تاکہ ماڈل کو مکالمے سے حالت کا اندازہ لگانا پڑے (TACT: Taxonomy-Aligned Post-Training for Pedagogically Adaptive English Tutoring)۔

یہی منطق خصوصی تعلیم کی الائنمنٹ (Special-R1: Reinforcement Learning for Special Education — Aligning LLM Tutors to Diverse Learners through Disability-Adaptive Training) اور اس heuristic-RL کام میں بھی چلتی ہے جو ماڈلوں کو جواب دینے والوں کے بجائے سقراطی رہنما بناتا ہے (Beyond Direct Answering: Aligning Educational LLMs as Socratic Guides via Heuristic Reinforcement Learning)۔ ایک پلیٹ فارم اس سے آگے جاتا ہے اور نثر کے بجائے پالیسی کی تربیت دیتا ہے: reinforcement learning ایجنٹ اگلا مشقی سوال چنتا ہے، چنانچہ طالب علم آگے کیا کرے گا یہ تربیت یافتہ ماڈل طے کرتا ہے (Effective Personalized AI Tutors via LLM-Guided Reinforcement Learning)۔

وہ آخری معاملہ ہی اس بات کی کسوٹی ہے کہ آپ نے ٹیوٹر ڈیزائن کیا ہے یا متن پیدا کرنے والا۔ اگر ماڈل کی واحد پیداوار نثر ہے، تو تدریس آپ کے آرکیسٹریشن کوڈ میں رہتی ہے۔ اگر ماڈل اگلا کام چنتا ہے، تو تدریس وزن میں ہے۔

گفتگو کی لمبائی پر جانچیں

تربیت کسی ماڈل کو لمبی گفتگو میں محفوظ نہیں بنا دیتی۔ SafeTutors دکھاتا ہے کہ خصوصی تدریسی ماڈل بھی مسلسل مکالمے میں کمزور پڑتے ہیں اور جواب زیادہ کھول دینے والے نقصانات کر سکتے ہیں (SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems)۔ تدریسی تحفظ کو گفتگو کی لمبائی پر ناپنا پڑتا ہے، ان باریوں سمیت جہاں طالب علم غلط ہے، اڑا ہوا ہے، یا دباؤ ڈال رہا ہے۔

تربیتی ٹیمیں کیا غلط سمجھتی ہیں

مزید پرامپٹنگ بالآخر قائم رہے گی۔ خوشامد پرامپٹنگ اور الائنمنٹ کے بعد بھی قائم رہتی ہے، اور اختیار کا دباؤ وہ رویہ دوبارہ کھول دیتا ہے جو سیاق بدلنے والی جانچ نے بند کیا تھا۔ آپ کی اپنی دباؤ کی جانچ کی نقل آپ کی پروڈکٹ میں اس کا ثبوت ہے۔

لیڈر بورڈ کا عدد ہی نتیجہ ہے۔ CDPK پر 96.52% ایک معیار کے تدریسی کاموں پر کارکردگی بیان کرتا ہے۔ آپ کے طلبہ آپ کے نصاب، آپ کی علامت نگاری، اور ایسے طالب علم سے ملتے ہیں جو بیس منٹ سے اٹکا ہوا ہے۔

جب نشانات کم ہوں تو زیادہ ڈیٹا جواب ہے۔ کسی بھی ڈیٹا حجم پر آخری جوابات نے غلط فہمی کی درستگی 30% سے نیچے ہی رکھی۔ نتیجہ بدلنے والی چیز مثالوں میں مرحلہ وار استدلال تھی؛ ذخیرے کا حجم اسے کبھی نہ ہلا۔

طالب علم کا کردار مشکل حصہ ہے، چنانچہ اسے آخر میں تربیت دیں۔ طالب علم نے سیکھی ہوئی غلطیوں کو اس وقت تک حد سے زیادہ عام کیا جب تک درست مثالیں چار میں سے ایک کے تناسب پر نہ آئیں۔ ٹیوٹر کے کردار نے انہی حالات میں 93% سے 98% تک برقرار رکھا، جو بتاتا ہے کہ ٹیوٹر تربیت دینے کے لیے آسان نصف ہے اور جانچنے والا سمیولیٹر ہے۔

آخری چیک پوائنٹ ہی نتیجہ ہے۔ پہلا RL مرحلہ 94.13% تک پہنچا اور SFT نے اسے 96.20% تک لے جایا، چنانچہ بیشتر حرکت آخری دور سے پہلے ہوئی۔ مرحلوں کے اسکور رکھیں؛ وہ بتاتے ہیں کہ اضافہ کس مرحلے نے کمایا اور اگلی بار کسے کاٹا جا سکتا ہے۔

جو آپ پر واپس آئے گا

”ہم RL کا خرچ نہیں اٹھا سکتے۔“ تو ان حصوں سے شروع کریں جن پر کچھ خرچ نہیں: اپنے ڈیٹا میں مرحلہ وار نشانات، ہر مثال کے لیے ایک ہدف رویے کا لیبل، اور ایسا انعام جو آپ نے کوڈ میں لکھنے سے پہلے الفاظ میں لکھ لیا ہو۔ SWIM کا موازنہ دکھاتا ہے کہ تنہا SFT ایک 7B ماڈل کو 0.474 تک لے جاتی ہے، جو حقیقی اضافہ ہے اور 0.618 سے پھر بھی کم۔

”ہمارے فروش کا ماڈل پہلے ہی جواب دینے سے انکار کرتا ہے۔“ فروش کی پوسٹ ٹریننگ مددگاری کو بہتر بناتی ہے، اور جواب دینے سے انکار وہ چیز نہیں جسے مددگاری کے اسکور انعام دیتے ہیں۔ رویہ اپنی گفتگوؤں میں جانچیں؛ جواب نقل میں ہے، ماڈل کارڈ میں نہیں۔

”کشید ہمیں بیشتر راستہ کروا دیتی ہے۔“ Pedagogy-R1 ایک 1.5B اور 7B کشید ہے اور معقول نقطہ آغاز ہے۔ جو یہ ورثے میں لیتی ہے وہ استاد کی تدریس ہے، جس میں وہ بھی شامل ہے جو اس استاد نے غلط کیا، اور آپ کو یہ دیکھنے کے لیے معیار چاہیے ہوگا کہ کون سے حصے منتقل ہوئے۔

”لمبی گفتگو کی جانچ اتنی مہنگی ہے کہ بار بار نہیں چل سکتی۔“ ہر ماڈل تبدیلی پر ایک بار چلائیں، مقررہ اسکرپٹ اور مقررہ مخالف باریوں کے ساتھ، اور نقلوں کا موازنہ کریں۔ خرچ پہلی بار اسکرپٹ لکھنے میں ہے۔

”استاد نے کہا کہ یہ چیٹ بوٹ جیسا لگتا ہے۔“ یہ گفتگو کی ساخت کے بارے میں رپورٹ ہے، اور گفتگو کی ساخت ایک پالیسی ہے۔ گنیں کہ ماڈل کوئی قدم سونپنے سے پہلے کتنی باریاں گزرتی ہیں۔

اس ہفتے کیا کریں

1. دباؤ کی جانچ چلائیں: غلط جواب، طالب علم اصرار کرے، طالب علم اختیار کا حوالہ دے، طالب علم جواب مانگے۔ نقل محفوظ رکھیں۔

2. اپنا انعام انگریزی کے تین جملوں میں لکھیں، پھر دیکھیں کہ آپ کا کوڈ وہ تین چیزیں ناپتا ہے یا نہیں۔

3. اپنی تربیتی مثالوں کے نمونے کا مرحلہ وار استدلال کے لیے جائزہ لیں۔ بتائیں کہ کتنا حصہ غلط قدم اور اس کی تشخیص رکھتا ہے۔

4. ہر مثال کے لیے ایک ہدف رویے کا لیبل شامل کریں، سکافولڈنگ سے شروع کریں، اور تقسیم درج کریں۔

5. درمیانی مرحلوں کے اسکور آخری اسکور کے ساتھ ماڈل کارڈ میں رکھیں۔

آگے کہاں جائیں

ہم اپنے مضمون میں AI کو سیکھنے کی معاونت میں بہتر کیسے بنا سکتے ہیں؟ یہ پوچھتا ہے کہ کیا تربیت ہی درست لیور ہے، اور مؤثر AI ٹیوٹر تیار کرنے کے بہترین طریقے کیا ہیں؟ تعامل کے ڈیزائن والا ہم منصب سنبھالتا ہے، جو یہی رہنمائی کرنے والا رویہ گریڈینٹ کے بجائے سکافولڈنگ اور اشاروں کی سیڑھیوں سے نکالتا ہے۔ ہم کیسے جانیں کہ تعلیمی AI درست کام کر رہا ہے، صرف اچھا اسکور نہیں کر رہا؟ یہ ناپنے کا احاطہ کرتا ہے کہ رویہ واقعی بدلا یا نہیں، اور LLM Training and Fine-Tuning وہ تصوراتی صفحہ ہے جس پر یہ سب کھڑا ہے۔