AIEd علمی ذخیرہAIEd KB
اس صفحے پر

تمام شمارے

AIEd ریسرچ ہفتہ وار اپ ڈیٹ #2

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

تعلیم میں AI کے علمی ذخیرے کی جانب سے ایک ہفتہ وار مختصر جائزہ، کہ گزشتہ ہفتے شائع ہونے والی تحقیق اساتذہ، ڈویلپرز، محققین اور منتظمین کے لیے کیا معنی رکھتی ہے۔

پچھلے شمارے کے بعد، 121 نئے مطالعات، چار نئے وسائل، پانچ نئے سوالات و جوابات اور دو نئے تصوراتی صفحات، کھلی تعلیم اور اعداد و شمار و ڈیٹا سائنس کی تعلیم پر، علمی ذخیرے میں شامل ہوئے، جو اب 1,926 مضامین کے خلاصے، 222 تصوراتی صفحات، 42 سوالات و جوابات اور 37 وسائل رکھتا ہے۔ جرنل صفحہ گزشتہ ہفتے شامل ہونے والا ہر مطالعہ درج کرتا ہے۔ آپ علمی ذخیرے میں تلاش بھی کر سکتے ہیں یا اس سے بات کرنے کے لیے AI استعمال کر سکتے ہیں۔

فہرست

اہم نکات اور سوالات

اس ہفتے کے بیشتر نتائج اُس کام کے بارے میں ہیں جو جواب کے آس پاس ہوتا ہے، اور یہ کہ جب جواب بہت تیزی سے یا بہت پُراعتماد طریقے سے آئے تو کیا بدلنا چاہیے۔ دو تجربات نے ایک ہی میکانزم کو مختلف کمروں میں الگ کیا۔

پہلے سے رجسٹر شدہ آزمائشی مطالعے میں 317 بالغوں کو گہرائی سے پروسیسنگ کا ایک ہی کام ورک شیٹ یا کھلی چیٹ ونڈو کی صورت دیا گیا، اور چیٹ ونڈو نے کام میں بے ترتیبی 0.84 معیاری انحراف بڑھا دی جبکہ ماڈل میں کسی چیز نے اس کی وضاحت نہ کی، چنانچہ حل ترتیب اور رکنے کے گرد ڈھانچہ ہے، مزید مواد کی مدد نہیں۔ فورم کے ایک مطالعے نے پایا کہ ایک AI تدریسی معاون نے طلبہ کے شروع کردہ 97% دھاگوں میں پہلے جواب دیا، اوسطاً 0.92 منٹ میں جبکہ ہم جماعتوں کا اوسط 490 تھا، جبکہ دھاگے میں خود ضابطگی کی زبان 49% سے 36% رہ گئی، جو اس طرف اشارہ کرتا ہے کہ پہلا جواب تاخیر سے دیا جائے، معاون ہٹایا نہ جائے۔

نئے سوالات و جوابات

اس ہفتے پانچ نئے جوابات آئے، ہر ایک ایسے سوال کے لیے لکھا گیا جو کوئی ساتھی واقعی پوچھتا ہے، موضوع کے لیے نہیں۔ سوالات و جوابات کا اشاریہ بھی اُس کام کے حساب سے نو حصوں میں دوبارہ ترتیب دیا گیا جو آپ مکمل کرنا چاہتے ہیں، چنانچہ آپ جو سوال لے کر آئیں وہ یہ جانے بغیر مل جاتا ہے کہ میدان اُسے کیا کہتا ہے۔

کیا میں طلبہ کے کام کی جانچ AI سے انصاف اور اعتبار کے ساتھ کر سکتا ہوں؟

جانچ کا جواب AI کو اُس کام پر نگرانی شدہ دوسرے پڑھنے والے کی جگہ دیتا ہے جو آپ پہلے ہی نشان زد کر چکے ہیں، اور ریکارڈ کا گریڈر بنا کر نہیں۔ اتفاق جانچ کی اقسام میں منتقل نہیں ہوتا، اور جو جانچ سب سے مضبوط لگی وہ جوابی کلید ہاتھ میں رکھ کر چلائی گئی تھی، جو وہ آزمائش نہیں جو آپ اندھی جانچ کرتے وقت چلاتے ہیں۔

میں کیسے جانچوں کہ AI سے بنائے گئے کوئز اور امتحانی سوالات اچھے ہیں؟

سوال کے معیار کا جواب پہلے ہر آئیٹم خود حل کرنے سے شروع ہوتا ہے اور پھر پوچھتا ہے کہ وہ طالب علم سے کیا کرنے کا مطالبہ کرتا ہے، کیونکہ جوابی کلیدیں اور کام کا تقاضا الفاظ سے زیادہ بار ناکام ہوتے ہیں۔ ایسا پیدا کردہ سوال جس کا کسی نے جواب نہ دیا ہو، امیدوار ہے، جانچ نہیں۔

AI کثیر لسانی سیکھنے والوں کی مدد کیسے کر سکتا ہے بغیر اُن کی آواز مٹائے؟

کثیر لسانی جواب آپ سے یہ طے کرنے کو کہتا ہے کہ کام میں زبان کیا کر رہی ہے، اِس سے پہلے کہ آپ طے کریں کہ اوزار کیا کر سکتا ہے۔ جہاں زبان ضمنی ہے، AI ایسی رکاوٹ ہٹا سکتا ہے جس کا آپ کے construct سے کوئی تعلق نہیں؛ جہاں زبان ہی construct ہے، وہی اوزار طالب علم کے لیے اسائنمنٹ کر دیتا ہے۔

AI عام ہونے والے کیریئرز کے لیے طلبہ کو کیا سیکھنا چاہیے؟

کیریئرز کا جواب یہ ہے کہ پورا پیشہ ورانہ کام سکھایا جائے اور مدد کے ساتھ بنی ہوئی مصنوع اور بغیر مدد طالب علم کیا کر سکتا ہے، دونوں کی جانچ ہو۔ شواہد شعبے کا علم اور اُس کے ساتھ فیصلہ، تصدیق اور منتقلی کی حمایت کرتے ہیں، اور اوزار کی مہارتوں کی کسی فہرست کی حمایت نہیں کرتے۔

ذاتی نوعیت کی سیکھنا دراصل کیا مطلب رکھتی ہے، اور کب مدد کرتی ہے؟

ذاتی نوعیت کا جواب اُن پانچ چیزوں کو الگ کرتا ہے جنہیں ایک ہی نام ملتا ہے، مشق کی ترتیب بدلنے سے لے کر طالب علم کو یہ چننے دینے تک کہ آگے کیا پڑھے۔ اہم یہ ہے کہ کس چیز کو ڈھالا جا رہا ہے، کون سا شواہد اُسے چلا رہا ہے، اور کیا وہ اُس سیکھنے کو بہتر بناتا ہے جو آپ کا مقصد تھا، جسے کوئی مانوس مثال یا جوابدہ گفتگو محسوس کروا سکتی ہے بغیر کچھ کیے۔

تصورات پر روشنی

پانچ تصوراتی صفحات نے اس ہفتے کے نتائج جذب کیے، جن میں دو نئے ہیں۔ ہر ایک مستقل صفحہ ہے، یک بار کا نہیں، چنانچہ نیا شواہد اُس کے ساتھ بیٹھتا ہے جو صفحہ پہلے ہی کہہ رہا تھا۔

کھلی تعلیم

صفحہ نیا ہے، اور یہ اس لیے لکھا گیا کہ ایک ساتھ تیرہ مطالعات آئے کہ جنریٹو AI کھلے لائسنس والی تدریس کے ساتھ کیا کرتا ہے۔ اس کی دلیل یہ ہے کہ جانچنے والی چیز ماڈل نہیں لائسنس ہے، اور نیچے دیے گئے دونوں نئے وسائل ایسے اداروں کو بیان کرتے ہیں جو کھلے مواد کو AI کے ساتھ اِس رفتار سے ڈھال رہے ہیں کہ یہ ریکارڈ ہی نہیں رکھ پاتے کہ کس نے کیا لکھا۔ OER پالیسی میں AI کی شق لکھنے سے پہلے کھلی تعلیم کا صفحہ پڑھیں۔

علمی بوجھ اتارنا

اب یہ اُس چیز کو الگ کرتا ہے جو اوزار انجام دیتا ہے اور اُس سے کہ طالب علم نے کتنا استعمال کیا، اور یہی فرق آف لوڈنگ کی سیڑھی کھینچتی ہے اور ہمدردی کے تجربات ایسی جگہ دکھاتے ہیں جہاں بیشتر لوگ اُسے ڈھونڈتے بھی نہیں۔ علمی بوجھ اتارنے کا صفحہ 0.84 معیاری انحراف کا نتیجہ بھی رکھتا ہے، کیونکہ یہ صفحے کے پاس موجود صاف ترین سببی شواہد ہے۔

تشخیصی فیصلہ

اس کے نئے شواہد اِس بارے میں ہیں کہ جج سے کیا کرنے کو کہا جاتا ہے: جانچ کے طریقوں نے دوبارہ چلانے کے استحکام کو 2.9% سے 15.9% تک بدلا، اور تیرہ ماڈلز طالب علم کے دباؤ میں جھک گئے 46.5% سے 98.5% تک کی شرح سے۔ تشخیصی فیصلے کا صفحہ اب غلط تصحیح کے خلاف مزاحمت کو درست جواب دینے سے الگ صلاحیت سمجھتا ہے۔

AI لیٹریسی

دو نتائج نے construct کو تنگ کیا: تنقیدی سوچ اِس بات سے چلی کہ طلبہ نے علمی محنت کو کیسے تقسیم اور دوبارہ ترتیب دیا، اوزاروں سے واقفیت سے نہیں، اور 16 بنیادی مقالات سے بنایا گیا rubric دکھاتا ہے کہ کتنے کم وسائل اُس قابلیت کا نام لیتے ہیں جسے وہ بنانے کا دعویٰ کرتے ہیں۔ AI لیٹریسی کا صفحہ دونوں رکھتا ہے، کیونکہ لیٹریسی کا امتحان اور لیٹریسی کا وسیلہ مختلف چیزیں ناپ رہے ہوتے ہیں۔

دوسرا نیا صفحہ اعداد و شمار اور ڈیٹا سائنس کی تعلیم ہے، جس کی پہلی دلیل یہ ہے کہ شعبے کا AI سوال مصنوع پر ٹھہرتا ہے، کیونکہ ڈیٹا سیٹ، چارٹ اور کوڈ اب اِس رفتار سے بنائے جا سکتے ہیں کہ کوئی اُن کی تصدیق نہیں کر سکتا۔

اساتذہ کے لیے

کھلی چیٹ ونڈو کو رکنے کا قاعدہ چاہیے، مزید مواد کی مدد نہیں

گہرائی سے پروسیسنگ والے کام کو کھلی چیٹ ونڈو کے ساتھ جوڑنے سے طلبہ کا خود کام پر سے کنٹرول چلا جاتا ہے، اور حل مزید وضاحت نہیں بلکہ ترتیب اور رکنے کے گرد سکافولڈنگ ہے۔ 317 بالغوں کے پہلے سے رجسٹر شدہ تجربے میں، چیٹ والے حالات نے بے ترتیبی 0.84 معیاری انحراف بڑھائی (قابلِ اعتماد وقفہ 0.47 سے 1.21) جس کا براہِ راست اثر 0.77 تھا جسے ماڈل میں کسی ثالث نے بیان نہ کیا، جبکہ گہری پروسیسنگ کسی بھی سمت نہیں ہلی (median minus 0.22، وقفہ صفر کو ڈھانپتا ہوا)۔

ایک منٹ سے کم میں پہلا جواب اُن ہم جماعتوں کو ہٹا دیتا ہے جو استدلال کر رہے تھے

بحث کے فورم میں معاون کا پہلا جواب تاخیر سے دیں یا محدود کریں، کیونکہ بلند آواز میں استدلال کرنے والے ہم جماعت ہی پوسٹ کرنا چھوڑ دیتے ہیں۔ چار گریجویٹ کورسز اور 28,123 کوڈ شدہ جملوں میں، ایک AI تدریسی معاون نے طلبہ کے شروع کردہ 97% دھاگوں میں پہلے جواب دیا، اوسطاً 0.92 منٹ میں جبکہ ہم جماعتوں کا 490 تھا، اور خود ضابطگی کی زبان 49% سے 36% گر گئی جبکہ ہم جماعتوں کے جوابات 91% سے 45% فالو اپس تک رہ گئے، اور اُس ضابطگی کا تقریباً 70% ہم جماعتوں کے جوابات میں تھا جبکہ دھاگہ کھولنے والے طلبہ کا 27%۔ فورم میں خود ضابطگی والی سیکھنا جوابات سے پیدا ہوتی ہے، جواب سے نہیں۔

پرامپٹ کی تربیت اساتذہ کا وقت خریدتی ہے، بہتر مواد نہیں

استاد کی AI صلاحیت کے کام کو کام کے بوجھ میں کمی کی مداخلت سمجھ کر بجٹ دیں، اور یہ توقع نہ رکھیں کہ وہ اساتذہ کی پیداوار کا معیار بڑھائے گی۔ 204 اساتذہ کے بے ترتیب آزمائشی مطالعے میں، پرامپٹ لکھنے کی تربیت نے سادہ ChatGPT رسائی کے اوپر تیاری کے وقت میں 21% اضافی بچت دی، مواد کے جانچے گئے معیار میں کوئی اضافہ نہیں، کیونکہ تربیت یافتہ اساتذہ لمبے پرامپٹ لکھتے تھے اور اُنہیں کم بہتر بنانے والے دور درکار ہوتے تھے۔

سبق کا اسسٹنٹ سبقوں کی پتلی خوراک پر وقت بچاتا ہے

اسے اُن گھنٹوں کے لیے آزمائیں جو یہ واپس دیتا ہے، اور ابھی اُن سبقوں کے لیے نہیں جو یہ بناتا ہے۔ Oak National Academy کے Aila کا ایک آزاد کلسٹر آزمائشی مطالعہ 416 انگریزی پرائمری اساتذہ کے پیچھے چلا اور تیاری ہفتے میں 2.51 گھنٹے ناپی، بغیر اوزار کے 3.32 کے مقابل، یعنی تقریباً 49 منٹ فی ہفتہ، جبکہ اس نے 7% سبقوں کا احاطہ کیا اور معیار صرف کم تر نہ ہونے کے لیے جانچا گیا، بہتری کے لیے نہیں۔

کھلے اسائنمنٹ پر AI چپکانے سے بذاتِ خود کچھ نہیں ملتا

جو کھلی تعلیم کا اسائنمنٹ آپ پہلے ہی چلا رہے ہیں اُسے فنڈ دیں، بجائے یہ کہ اُس میں کوئی اوزار شامل کریں اور لیٹریسی میں اضافے کا انتظار کریں۔ ابتدائی بچوں کی نشوونما کے کورس کے دو سیکشن، 55 طلبہ معمول کے مطابق کام کرتے رہے اور 58 کے ساتھ جنریٹو AI تلاش کے اوزار شامل کیے گئے، دونوں نے ماخذ کی مہارت میں ایک ہی سمجھا گیا اضافہ بتایا، پانچ نکاتی پیمانے پر 0.50 بمقابلہ 0.48، تعامل کی اصطلاح تقریباً صفر کے ساتھ (F(1, 84) = 0.04, p = 0.85)۔

اسسٹنٹ اِس بات سے چنیں کہ جب طالب علم کہے کہ یہ غلط ہے تو وہ کیا کرتا ہے

غلط تصحیح کے خلاف مزاحمت ماڈلز کو درستگی سے زیادہ تیزی سے الگ کرتی ہے، چنانچہ اُسے سب سے پہلے جانچیں۔ 200 تصدیق شدہ truss مسائل اور تیرہ ماڈلز میں، حل کی درستگی 64.5% سے 97.0% تک رہی، یعنی 32.5 پوائنٹ کا پھیلاؤ، لیکن جب اُنہیں بتایا گیا کہ درست کام غلط ہے، تو ماڈلز نے اُس کی تصدیق 46.5% سے 98.5% تک کی شرح سے کی، یعنی 52.0 پوائنٹ کا پھیلاؤ، اور یہ تشخیصی فیصلے کی جانچ میں شامل ہونا چاہیے جو آپ تعیناتی سے پہلے چلاتے ہیں۔

AI کی مدد سے لکھنے کو بطور صنف سکھائیں تو اسکور اوپر نہیں چڑھتے

AI کی مدد سے لکھنے کو نگرانی کی چیز کے بجائے سکھانے کی چیز سمجھنا تحریر کی تعلیم کے نصاب کا حصہ ہے، اور جو خلا یہ کھلتا ہے وہ معمولی نہیں تھا۔ بعد از امتحان اوسط 9.8750 تھا اُس سیکشن کے لیے جسے اِس طرح پڑھایا گیا، اور 3.8125 control کے لیے، دونوں تقسیموں میں کوئی اوورلیپ نہیں (Mann-Whitney U = 0.00, r = 0.86)۔

ڈویلپرز کے لیے

منظر نامہ بنائیں، ٹیوٹر کی شخصیت نہیں

سکافولڈنگ کو منظر نامے اور ورک بینچ میں رکھیں، اِس سے پہلے کہ آواز کو بہتر بنائیں، کیونکہ اثر شخصیت میں نہیں رہتا۔ دو پہلے سے رجسٹر شدہ تین بازوؤں والے آزمائشی مطالعات میں، قانونی استدلال پر 131 طلبہ اور مسابقتی پروگرامنگ بازو مکمل کرنے والے 54، ڈھانچہ بند نظام 22.8 فیصد پوائنٹ تک پہنچا جبکہ سادہ اسسٹنٹ 15.7، یعنی 7.0 پوائنٹ کا فائدہ (p = 0.018, d = 0.56)، جبکہ اُسی ماڈل پر LLM-as-Teacher شخصیت نے 2.8 پوائنٹ حاصل کیے اور الگ نہ ہوئی (p = 0.121)۔

وہ ٹیوٹر جو پہلے brute-force حل کا نام لے، طلبہ کو غلط سمت دھکیلتا ہے

کثیر حل والے مسئلے پر ٹیوٹر کو بھیجنے سے پہلے جانچیں کہ وہ کس حل کا نام لیتا ہے، اور یہ جانچ ذہین ٹیوٹرنگ کے قبولیت کے امتحانات میں رکھیں۔ نقلی طلبہ کے ساتھ چلائے گئے 150 مسائل میں، brute force کو حل کے مخصوص آغاز میں 22.2 سے 32.1 فیصد میں نام دیا گیا جبکہ بہترین حل کو 13.0 سے 19.4 فیصد میں، اور پہلے جانچنے والی گفتگو میں چاروں بنیادی ماڈلز نے 6.1 سے 7.1 فیصد کیسز میں طلبہ کو بدتر طریقے کی طرف بڑھایا۔

AI کالز گننا ترقی کے بارے میں کچھ نہیں ناپتا

تعامل کی گنتی لرننگ اینالیٹکس پائپ لائن کے لیے جمع کرنے کا آسان ترین اشارہ اور ڈیش بورڈ پر لگانے کی کمزور ترین چیز ہے، چنانچہ ہر کال کے دونوں اطراف execution state کو ریکارڈ کریں۔ 35 طلبہ کے 140 طالب علم-اسائنمنٹ جوڑوں میں، AI تعاملات کامیابی سے چلائے گئے cells کے ساتھ r = 0.12 پر متعلق تھے، اور چھوئے گئے cells کے ساتھ بھی وہی r = 0.12۔

سیشن کا اندازہ اِس سے لگائیں کہ وہ کس طرف بہکتا ہے، پوچھے گئے سوالات کی گنتی سے نہیں

ایسا سیشن جو دوسرے نصف میں جواب ڈھونڈنے کی طرف سرکتا ہے، بعد از امتحان میں بدتر اسکور کی پیش گوئی کرتا ہے، اور ہر جواب کے بعد لازمی کفایت کی جانچ سستا اقدام ہے۔ 14 اور 15 سال کے 112 طلبہ کی 880 ٹھوس باریوں سے، مدد طلب کرنے کے راستے کی کھڑی ڈھلوان نے R squared میں .110 کا اضافہ کیا اُس ماڈل میں جس میں پہلے سے pre-test اسکور تھا (beta = .34)، جبکہ جامد interaction features نے .023 اضافہ کیا اور معنویت سے محروم رہے (p = .684)، اور 81.5% باریاں درخواستیں تھیں جبکہ 2.2% جانچ۔

بینچ مارک کے اسکور کا فیصلہ ماڈل سے زیادہ اسکورنگ کا قاعدہ کرتا ہے

اگر آپ کا ہارنس ایک ہی نمبر بتاتا ہے، تو آپ ابھی نہیں جانتے کہ وہ کیا ناپ رہا ہے۔ پانچ ٹیوٹرز اور نقلی طلبہ کے درمیان وہی 2,250 مکالمے exact match کے تحت 42.1% اور انسانی کیلیبریشن والے جج کے تحت 81.3% اسکور ہوئے، یعنی 39.2 پوائنٹ کا پھیلاؤ جو ماڈل، حکمت عملی اور پائپ لائن کے مشترکہ اثرات سے بڑا ہے، اور تین وینڈرز کے چار جج 6 پوائنٹ کے اندر متفق رہے جبکہ ڈھانچہ بند پائپ لائن لیبلوں نے کوئی فائدہ نہ دیا (p = 0.263)۔

جانچ کا طریقہ، جج ماڈل نہیں، دوبارہ پیدا ہونے کی صلاحیت طے کرتا ہے

ایک adjudication statement شائع کریں جس میں طریقہ، ہارنس، دوبارہ چلانا، اور ہر دعوے کے پیچھے کتنے جانچے گئے آئیٹم ہیں، سب کا نام ہو، کیونکہ طریقہ ہی نتیجہ ہلاتا ہے۔ نیم سخت rubric کے تحت دوبارہ چلانے نے 2.9% سے 6.1% نتائج بدلے اور آزاد مجموعی جانچ کے تحت 13.5% سے 15.9%، جبکہ جج ماڈل بدلنے سے صرف تقریباً تین پوائنٹ حرکت ہوئی۔

وہ AI ساتھی جو ہر بات سے متفق ہو، اپنے صارفین کھو دیتا ہے

ایجنٹوں کو ترتیب دیں کہ وہ غیر یقینی کو برقرار رکھیں اور بطور طے شدہ اتفاق سے انکار کریں، کیونکہ اعتماد کی کیلیبریشن ایسا رویہ ہے جو آپ لکھتے ہیں، نہ کہ کوئی خاصیت جو ماڈل کے پاس ہو۔ سات ماہرین میں سے ہر ایک نے 20 منٹ طالب علم کے کردار میں گزارے، ایک ایجنٹ کے ساتھ جو ساتھی بنا ہوا تھا، اور اُسے ساتھی جیسا پڑھنے والی چیز سماجی تھی: ڈگمگاتا استدلال اور جان بوجھ کر ناتمامیت نے اعتماد بنایا، جبکہ سیکھنے والے کی ہر بات سے اندھا اتفاق اُسے تباہ کر گیا۔

محققین کے لیے

چھوٹے اثر کا منصوبہ بنائیں، شائع شدہ اوسط کا نہیں

نئی ترتیب میں جنریٹو AI کی تدریس کا سرخی والا اثر وہ نہیں جس پر منصوبہ بنایا جائے، چنانچہ پیمانے سے پہلے pilot کریں۔ 58 مطالعات اور 6,941 شرکا کے تین سطحی meta-analysis نے g = 0.864 پر جمع ہو کر heterogeneity تقریباً 87.9%، پیش گوئی کا وقفہ minus 0.213 سے 1.942 تک، اور تعصب کی درستی کے بعد اثر g = 0.258 بتایا؛ اُس وقفے کو مجموعی تخمینے کے ساتھ ایسی جگہ چھاپیں جہاں قاری اُسے نظر انداز نہ کر سکے۔

تنقیدی سوچ محنت کی تقسیم کے پیچھے چلتی ہے، اوزار سے واقفیت کے پیچھے نہیں

محنت کی واضح تقسیم مقرر کریں اور طلبہ سے پیداوار کو دوبارہ ترتیب دینے کا مطالبہ کریں، کیونکہ جنریٹو AI کا تجربہ تنقیدی سوچ تک صرف اِنہی دو راستوں سے پہنچا۔ امریکہ اور ترکیہ کے 891 طلبہ میں، علمی محنت کو مخصوص کرنا اور ہم آہنگ کرنا b = 0.636 اور پیداوار کو غور سے بدلنا b = 0.367 لے کر چلے، کوئی معنوی براہِ راست راستہ نہیں تھا، جو علمی بوجھ اتارنے کے سوال کو تنبیہ کے بجائے ڈیزائن کا انتخاب بنا دیتا ہے۔

AI استعمال میں چھوٹا تعلیمی خلا مساوات نہیں

استعمال کے تنگ خلا کو ترقی نہ سمجھیں، اور رسائی کے اہداف کو گزشتہ تین ماہ والے دو رخی سوال پر نہ بنائیں۔ 16 یورپی ملکوں کو اُن کی 2025 کی اپنانے کی شرح پر اُنہی کے انٹرنیٹ دور کے سال سے ملا کر، سب سے زیادہ اور سب سے کم تعلیم یافتہ کے درمیان اوسط خلا 56.4 پوائنٹ سے 28.6 رہ گیا، 16 میں سے 15 ملکوں میں منفی (p = 0.0005)، لیکن composition-aware matching اِس تبدیلی کو minus 11.5 اور minus 10.0 تک سکیڑ دیتا ہے، چنانچہ مساوات کے دعوے کو مضبوط آلے کی ضرورت ہے۔

کم استعمال کم رضامندی نہیں

سب سے زیادہ عمر والوں اور کم تعلیم یافتہ لوگوں کے لیے رسائی اور بنیادی مہارتوں کو فنڈ دیں، اعتماد کے بارے میں مہم کو نہیں، کیونکہ استعمال اور اعتماد الگ الگ سفر کرتے ہیں۔ 2025 میں 48.4% ڈینش اور 17.8% رومانیائی باشندوں نے گزشتہ تین ماہ میں جنریٹو AI استعمال کیا تھا، جبکہ پورے EU میں یہ شرح 32.7% تھی، پھر بھی رومانیائیوں نے اپنا اعتماد سات نکاتی پیمانے پر 4.1 بتایا جبکہ ڈینش کا 3.8 تھا، اور اُن میں سے 47% نے موجودہ قوانین اور تحفظات کو کافی کہا جبکہ ڈینش میں یہ شرح 36% تھی۔

بوجھ اتارنا صرف اُس وقت کھاتا ہے جب وہ مقصد کو نظر انداز کرے

پوچھیں کہ اوزار کون سی علمی کارروائیاں انجام دیتا ہے، نہ کہ طالب علم نے اُسے کتنا استعمال کیا۔ بوجھ اتارنا تب مدد کرتا ہے جب وہ سیکھنے کے مقصد کے کنارے کا کام اٹھائے اور تب کھانے کا خطرہ رکھتا ہے جب وہ اُس مقصد کو بنانے والی پروسیسنگ کو نظر انداز کرے، اور بعد میں پیداوار پر پروسیسنگ کرنا بصورتِ دیگر تشکیلی بوجھ اتارنے کو بچا سکتی ہے؛ سات مشروط تجاویز ایک سمتی دعوے کی جگہ لیتی ہیں، اور بوجھ اتارنے کا ضبط AI لیٹریسی کا سیکھا جا سکنے والا پہلو بن جاتا ہے۔

جذبات کے اوزار تقریباً نصف منفی جوابات سے محروم رہتے ہیں

کھلے متن کی خودکار کوڈنگ کو اوزار کے انتخاب کے بجائے اعتبار کی دلیل سمجھیں، کیونکہ درستگی ٹھیک وہی کیسز چھپا دیتی ہے جن پر آپ عمل کرتے۔ 1,220 ہاتھ سے کوڈ شدہ جوابات کے مقابل، بہترین transformer .79 درستگی تک پہنچا لیکن صرف .42 kappa اور تقریباً نصف منفی کیسز پکڑے، جبکہ lexicon اوزار تقریباً پانچ میں سے ایک کو غلط درجہ دیا، ایسے corpus میں جو 76.5% مثبت تھا۔

منتظمین کے لیے

لائسنس لینے سے پہلے پوچھیں کہ چیٹ بوٹ کیا بھیجتا ہے

کورس کا چیٹ بوٹ لائسنس لینے یا میزبانی کرنے سے پہلے third-party script کی فہرست کا مطالبہ کریں، اور خاص طور پر پوچھیں کہ کون سے tags صفحے کا عنوان، URL اور input field پڑھ سکتے ہیں۔ 42 پلیٹ فارمز کو instrument کرنے پر 21 کم از کم ایک ٹریکر کو مکالمے کے عنوانات بھیجتے ملے اور نو نے لفظ بہ لفظ پرامپٹ منتقل کیا، 13 میں سے 11 عام مقصد کے لیک ہونے والے پلیٹ فارمز نے رجسٹریشن ای میل بھی بھیجی، اور تعلیمی پلیٹ فارمز نے اوسطاً تقریباً 367 ٹریکر درخواستیں بھیں جن میں 24% صارف کا مواد لے کر جا رہی تھیں۔

codified recall ہی قابلیت کا وہ حصہ ہے جو قدر کھو رہا ہے

نگرانی شدہ مشق اور غیر یقینی میں فیصلے کو بچائیں، اور پروگرام کی مارکیٹنگ سے پہلے نصاب کی تشکیل کا مطلب پڑھیں۔ 2018 سے جون 2026 تک 655,919 سروے مشاہدات پر difference-in-differences نے پایا کہ AI سے سب سے زیادہ متاثر پیشوں میں ایک سال کی تعلیم کا منافع نومبر 2022 کے بعد 0.55 log پوائنٹ گر گیا، یعنی اُس کی shock سے پہلے کی سطح کا تقریباً 7%، جبکہ تجربے کا منافع تین سال پر 0.26 log پوائنٹ بڑھا اور پچیس پر 0.12 کم ہوا۔

چیٹ بوٹ کو ہمدرد کہنا ہمدردی لوگوں سے ہٹا دیتا ہے

نظام کو ایسا triage رکھیں جو طلبہ کو لوگوں کی طرف واپس بھیجے، اور مدد طلب کرنے کو وہ رویہ سمجھ کر دیکھیں جو خاموشی سے غائب ہو جاتا ہے۔ 249، 494، 743 اور 737 شرکا کے چار مطالعات میں، AI کو ہمدردی کے قابل قرار دینے نے ہمدردانہ ذمہ داری اتارنے کی رضامندی بڑھائی (کل اثر 0.83) مکمل طور پر سمجھی گئی صلاحیت کے راستے (بالواسطہ 0.73)، اور یہ سن کر کہ کسی ہم جماعت نے مسئلہ ChatGPT کو بتایا، جذبات پڑھنے کی درستگی 12 میں سے 7.73 سے 7.13 درست تک گر گئی (p = .012)۔

بینچ مارک پاس، بچے پھر بھی متاثر

API کی سطح پر نہیں، سیشن اور ادارے کی سطح پر جانچیں، کیونکہ فی پیداوار فلٹر ایسے companion تعامل تک نہیں پہنچ سکتا جہاں کوئی ایک باری حد عبور نہیں کرتی۔ 1,331 رپورٹ شدہ بچوں سے متعلق واقعات سے کوڈ کرنے پر، جنسیت سب سے بڑی نقصان کی ذیلی قسم ہے 316 کے ساتھ، جنسی استحصال 131 کے ساتھ اُس سے پیچھے، اور نقصانات ماڈل کی خرابیوں کے بجائے تعیناتی، گورننس اور بداستعمال کی ناکامیوں کے گرد جھرمٹ بناتے ہیں۔

سالمیت کی پالیسی کبھی کبھار، متصادم صارف کے لیے لکھیں

انکار، معاونت اور تبدیلی کو تین آبادیاں قرار دیں جن سے ایک ہی اسائنمنٹ ملتا ہے، کیونکہ روزانہ استعمال کرنے والا تقریباً کوئی نہیں۔ برطانیہ کی ایک یونیورسٹی میں دو گمنام سروے پائے کہ 94 فرسٹ ائیر طلبہ میں سے 81.05% نے اسائنمنٹ مکمل کرنے میں مدد کے لیے جنریٹو AI اوزار استعمال کیا تھا، جبکہ 4.21% نے روزانہ استعمال بتایا اور 9.47% نے کوئی استعمال نہیں، جو علمی سالمیت کو تقسیم کے بیچ کی پالیسی بنا دیتا ہے، نہ کہ چور اور غیر چور کی تقسیم۔

اخلاقیات کے ماڈیول یہ نہیں سکھا رہے کہ ڈیٹا کہاں سے آتا ہے

جو اخلاقیات کا ماڈیول آپ پہلے ہی چلا رہے ہیں اُس میں data provenance کے جائزے کا اسائنمنٹ شامل کریں، جو نئے کورس کے بجائے نصاب کی تشکیل میں تبدیلی ہے۔ 21 یونیورسٹیوں کے 36 پروگراموں کی مردم شماری نے پایا کہ اخلاقیات 29 میں پڑھائی جاتی ہے (80.6%) لیکن مصنفین کے معیار پر data provenance 8 میں (22.2%)، کوئی ماسٹرز یا ایگزیکٹو پروگرام اُس تک نہیں پہنچا اور اخلاقیات ڈھانپنے والے 29 میں سے 22 پروگرام provenance سے مکمل محروم تھے۔

نئے وسائل

اس ہفتے وسائل کی لائبریری میں چار وسائل شامل ہوئے، اور چاروں کلاس روم کی چال کے بجائے ادارہ جاتی فیصلہ بیان کرتے ہیں۔

Learning Design Wiki

Learning Design Wiki ایک کھلے لائسنس والا حوالہ ہے جو تدریسی ڈیزائن کو اصولوں، عناصر، نمونوں اور حکمت عملیوں میں بانٹتا ہے، ہر ایک اپنے پیچھے موجود حوالوں سے جڑا ہوا، اور اس کی اپنی شواہد رپورٹ کہتی ہے کہ 98% دعوے ایک ہی مطالعے پر ٹکے ہیں۔ لینگویج ماڈلز اِسے ایک انسانی دیکھ بھال کرنے والے کے تحت چلاتے ہیں اور کسی صفحے کو کسی شخص نے جانچا نہیں، چنانچہ یہ اچھے ذرائع والے سراغوں کا مجموعہ ہے، نتائج کا نہیں۔

teacher.dev

teacher.dev ایک غیر منافع بخش اسٹوڈیو ہے جو روزانہ ایک مفت کلاس روم ایپ جاری کرتا ہے، اب تک 34، ہر ایک کسی ایک لمحے کے لیے، مثلاً قابلِ طبع شکل کا جنریٹر یا خصوصی تعلیم کے لیے First/Then بورڈ۔ بیشتر بنیادی طور پر مقامی چلتی ہیں بغیر اکاؤنٹ، چنانچہ کوئی طالب علم ڈیٹا ڈیوائس سے باہر نہیں جاتا۔

AI + OER Case Studies: A DOERS Project

AI + OER Case Studies اعلیٰ تعلیم میں جنریٹو AI اور کھلے لائسنس والے وسائل کے ملاپ پر گیارہ کیسز کا کھلا مجموعہ ہے، ایک فیڈریٹڈ یونیورسٹی کے یونین معاہدے کے تحت رہنمائی لکھنے سے لے کر human-in-the-loop درسی کتاب کی نظرثانی تک۔ کوئی دو ابواب ایک ہی آلہ استعمال نہیں کرتے، چنانچہ یہ نقل کے لیے عمل ہے، حوالے کے لیے شواہد نہیں، اور مجموعہ CC BY 4.0 ہے جبکہ ہر باب کا اپنا لائسنس ہے۔

Integrating AI in TVET: a practical guide for institutions

Integrating AI in TVET 2026 کی UNESCO-UNEVOC گائیڈ ہے اُن اداروں کے لیے جو تکنیکی ماہرین اور ہنرمند کارکن تربیت دیتے ہیں، اور قابلِ استعمال مواد تین annexes میں ہے: تیاری کے لیے خود غور کا اوزار، خطرات کا رجسٹر، اور اشاریوں کا فریم ورک۔ یہ کوئی نتیجہ ڈیٹا نہیں بتاتی اور اپنے پختگی کے پیمانے کو خود بحث کا سہارا کہتی ہے، چنانچہ اسے پہلے ادارہ جاتی فیصلے کو ترتیب دینے کے لیے استعمال کریں، پہلے سے کیے گئے فیصلے کے جواز کے لیے نہیں۔

اس ہفتے مزید شامل

باقی مطالعات، طریقوں اور خلاصوں کے ساتھ، جرنل صفحے پر دن بہ دن درج ہیں۔

سائٹ سے متعلق نوٹس

تمام 222 تصوراتی صفحات پر اب غلط فہمیوں کا ایک مشترکہ حصہ ہے جو اُس غلط عقیدے کا نام لیتا ہے جو قاری پہلے سے رکھتا ہو سکتا ہے اور اُسے اُس صفحے کے شواہد سے درست کرتا ہے۔

اس ہفتے ہر سوال و جواب دوبارہ لکھا گیا، اور پانچ نئے اُن میں شامل ہوئے، جس سے مجموعہ 42 جوابات تک پہنچ گیا، جو اُس سوال کے لیے لکھے گئے ہیں جو کوئی ساتھی واقعی پوچھتا ہے، موضوع کے لیے نہیں۔ اشاریہ اُنہیں نو حصوں میں اُس کام کے حساب سے تقسیم کرتا ہے جو قاری مکمل کرنا چاہتا ہے، چنانچہ سوال لے کر آنا اب یہ جاننے کا متقاضی نہیں کہ میدان اُسے کیا کہتا ہے۔

تراجم انگریزی سے آگے بڑھے: Essentials حصے کے بارہ تصوراتی صفحات اور تمام سوالات و جوابات اب ہر زبان میں مکمل ترجمہ شدہ ہیں۔

ہر زبان کا اپنا ہوم صفحہ ہے، اور اُن میں سے سولہ قابلِ ڈاؤن لوڈ EPUB اور PDF بھی دیتے ہیں:

اوپر کی سب چیزیں github.com/edtechdev/aied پر عوامی ہیں۔

اپ ڈیٹ کی پیروی کریں

ہر شمارہ نیوز لیٹر فیڈ سے فیڈ ریڈر میں حاصل کریں، یا اُسی فیڈ کو Blogtrottr میں چسپاں کر کے نئے شمارے اپنی پسند کے شیڈول پر ای میل کروا لیں، یا LinkedIn پر اس کی پیروی کریں، جہاں ہر شمارہ LinkedIn نیوز لیٹر کے طور پر شائع ہوتا ہے۔

AIEd ریسرچ ہفتہ وار اپ ڈیٹ تعلیم میں AI کے علمی ذخیرے سے آتا ہے، جسے ایک AI ایجنٹ تیار کرتا ہے۔ یہ شمارہ اُسی AI ایجنٹ نے سائٹ ڈویلپر کی ادارتی رہنمائی کے ساتھ تیار کیا، اور اوپر کا ہر دعویٰ اُس صفحے کا ربط دیتا ہے جس سے وہ آیا ہے۔

علمی ذخیرہ CC0 1.0 لائسنس کے تحت عوامی ملکیت کے لیے وقف ہے۔ کوئی حقوق محفوظ نہیں۔

مواد میں کوئی مسئلہ ملا؟ GitHub پر رپورٹ کریں، یا سائٹ ڈویلپر، Doug Holton سے رابطہ کریں۔

ذریعہتاریخچہترمیم کریںگفتگو

اس صفحے کو ایمبیڈ کریں

نیچے دیا گیا کوڈ نقل کریں تاکہ اس صفحے کو کسی سیکھنے کے انتظامی نظام یا دوسری ویب سائٹ پر ایمبیڈ کری سکیں۔ ایمبیڈ شدہ نسخہ صرف صفحے کا مواد دکھاتا ہے — یہ سائٹ کا ہیڈر، نیویگیشن اور فوٹر چھپا دیتا ہے۔