مصنوعی ذہانت اور سیکھنے کے نتائج کو سمجھنے کے لیے نئے ٹولز
سیکھنے کے ماحول میں AI کے اثر کو قابلِ پیمائش بنانے کے طریقے کو آگے بڑھانا
تعلیم AI کے سب سے امید افزا جدید ترین میں سے ایک ہے. ChatGPT جیسے ٹولز کے ساتھ، ذاتی نوعیت کی سیکھنے کی معاونت کسی بھی طالب علم کے لیے، کہیں بھی، کسی بھی وقت دستیاب ہو سکتی ہے.
لیکن تعلیم کا شعبہ ابھی بھی لرننگ آؤٹ کمز پر AI کے اثرات کو سمجھنے کے ابتدائی مراحل میں ہے. گزشتہ سال، ہماری ٹیم نے اسٹڈی موڈ جیسے ٹولز کے استعمال کا مطالعہ کرنے کا آغاز کیا اور طلباء کی کارکردگی میں امید افزا بہتری پائی. لیکن ہماری تحقیق نے ایک اہم سوال بھی اُٹھایا: ہم کس طرح یہ جانچ سکتے ہیں کہ AI وقت کے ساتھ ساتھ ایک سیکھنے والے کی پیش رفت کو کس طرح متاثر کرتا ہے، نہ کہ صرف ایک حتمی امتحان میں؟
یہ ایک وسیع تر ماحولیاتی نظام کا چیلنج ہے. آج تک، زیادہ تر تحقیقی طریقے کارکردگی کے محدود اشاروں—مثلاً ٹیسٹ اسکورز—پر توجہ دیتے ہیں اور اس بات کا جائزہ لینے کی صلاحیت نہیں رکھتے کہ طلباء حقیقی دنیا کے ماحول میں AI کے ساتھ درحقیقت کیسے سیکھتے ہیں اور یہ استعمال وقت کے ساتھ نتائج کی تشکیل کیسے کرتا ہے.
اس خلا کو پُر کرنے کے لیے، ہم نے سیکھنے کے نتائج کی پیمائش کا سوئٹ، تیار کیا، جو ایک فریم ورک ہے جسے ایسٹونیا کی یونیورسٹی آف ٹرٹو اور اسٹینفورڈ ایکسلریٹر فار لرننگ میں SCALE انیشیٹو کے ساتھ مل کر بنایا گیا ہے تاکہ مختلف تعلیمی سیاق و سباق میں سیکھنے کے نتائج کی طویل مدتی پیمائش کی معاونت کی جا سکے.
ایک بے ترتیب کنٹرولڈ ٹرائل کے ذریعے وسیع پیمانے پر توثیق جاری ہے اور لرننگ لیب، OpenAI کے تعلیمی تحقیقی ماحولیاتی نظام میں بانی تنظیموں کے ساتھ مزید تحقیق کی منصوبہ بندی کی گئی ہے، جس میں ایریزونا اسٹیٹ یونیورسٹی، UCL نالج لیب اور MIT میڈیا لیب کے محققین بھی شامل ہیں ( سابقہ تعاونی مطالعات کی بنیاد پر).
آج، ہم اس بات کا ایک جائزہ شیئر کر رہے ہیں کہ پیمائش کا سوئٹ کیسے کام کرتا ہے اور یہ کیوں اہم ہے. وقت کے ساتھ، ہم مزید تحقیق شائع کرنے اور پیمائش کے مجموعے کو دنیا بھر کے اسکولوں، یونیورسٹیوں اور تعلیمی نظاموں کے لیے ایک عوامی وسیلہ کے طور پر جاری کرنے کا ارادہ رکھتے ہیں.
"یہ تحقیق ہمیں تیزی سے سیکھنے کے قابل بناتی ہے، جبکہ ساتھ ہی اس بات کی بنیاد بھی رکھتی ہے کہ AI کو اسکولوں میں ایسے طریقوں سے سوچ سمجھ کر کس طرح ضم کیا جا سکتا ہے جو واقعی معنی رکھتے ہیں. ہم یہ سمجھنا چاہتے ہیں کہ یہ ٹولز سخت گیر تعلیمی سیکھنے کی حمایت کیسے کر سکتے ہیں، جبکہ اعلٰی درجے کی سوچ، تخلیقی صلاحیت، تجسس اور سیکھنے والوں کے طور پر طلباء کے اپنے آپ پر اعتماد کو بھی فروغ دیتے ہیں."
- آج کے AI کے سیکھنے پر اثرات سے متعلق تحقیقی طریقے کارکردگی کے بارے میں امید افزا اشارے دکھاتے ہیں، لیکن وقت کے ساتھ AI سیکھنے کے نتائج کو کس طرح متاثر کرتا ہے، اس کی مکمل تصویر پیش نہیں کرتے.
- سیکھنے کے نتائج کی پیمائش کا سوئٹ پہلی بار طویل مدتی مطالعات کے لیے ایک معیاری فریم ورک فراہم کرے گا، جو اساتذہ، محققین اور اداروں کو یہ سمجھنے میں مدد دیتے ہیں کہ مختلف سیاق و سباق میں AI کس طرح سیکھنے اور نتائج کو تشکیل دیتا ہے.
- OpenAI کی لرننگ لیب ایک نیا تحقیقی ماحولیاتی نظام ہے جو اس کام کو آگے بڑھانے پر مرکوز ہے. جیسے جیسے یہ شعبہ ترقی کرتا رہے گا، OpenAI مختلف شراکت داروں کے ساتھ مل کر نتائج شائع کرے گا.
جب طلباء مطالعہ کرنے اور سیکھنے کے لیے AI ٹولز کا استعمال کرتے ہیں، تو اس کا مطلب بہت سی مختلف چیزیں ہو سکتی ہیں—فوری جوابات کے لیے AI کے پاس جانے سے لے کر ٹیوٹر جیسی رہنمائی کے ساتھ قدم بہ قدم مسائل سے نمٹنے کے لیے اسے استعمال کرنے تک۔ صارفین کو ChatGPT کے ساتھ ایسے طریقوں سے مشغول ہونے کی ترغیب دینے کے لیے جو گہری فہم اور مہارت سازی کی حمایت کرتے ہیں، OpenAI نے گزشتہ سال اسٹڈی موڈ متعارف کرایا. پس منظر میں، اسٹڈی موڈ اُن کسٹم سسٹم انسٹرکشنز کے ذریعے چلتا ہے جو ہم نے اساتذہ، سائنس دانوں اور تدریسی ماہرین کے ساتھ مل کر لکھی ہیں تاکہ ایسے بنیادی رویّوں کی عکاسی کی جا سکے جو حقیقی سیکھنے کی حمایت کرتے ہیں، صرف جوابات کی نہیں—اسکافولڈنگ، سمجھ بوجھ کی جانچ اور رہنمائی کے ساتھ مشق کے ذریعے.
یہ جانچ کرنے کے لیے کہ آیا تدریسی طور پر ہم آہنگ AI تعامل کا یہ انداز بہتر تعلیمی نتائج میں تبدیل ہوتا ہے، ہم نے نیوروسائنس اور مائیکرو اکنامکس کے امتحانات کی تیاری کرنے والے 300 سے زیادہ کالج طلباء کے ساتھ ایک بے ترتیب مطالعہ کیا. اگرچہ تجزیہ ابھی جاری ہے، ابتدائی نتائج ہمیں یہ اعتماد دیتے ہیں کہ تدریسی طور پر ہم آہنگ AI تعامل کا انداز، جسے اسٹڈی موڈ جیسی خصوصیات کے ذریعے فروغ دیا جاتا ہے، سیکھنے کے نتائج کو بہتر بنا سکتا ہے. لیکن اس تحقیق نے ایک اہم حقیقت بھی سامنے لائی: اصل میں اہم بات یہ ہے کہ آیا حاصل ہونے والے فوائد اور ان سے وابستہ پیداواری رویے وقت کے ساتھ پائیدار رہتے ہیں یا نہیں.
مطالعہ کا ڈیزائن
شرکاء کو تین میں سے کسی ایک گروپ میں تفویض کیا گیا: ایک کنٹرول گروپ نے Google Search اور YouTube جیسے روایتی آن لائن وسائل استعمال کرتے ہوئے مطالعہ کیا، جس میں AI سے تیار کردہ اوورویو فیچرز غیر فعال تھے، جبکہ دو اضافی گروپس کو دو میں سے کسی ایک اسٹڈی موڈ ویریئنٹ تک رسائی دی گئی جو طلباء کو سیکھنے کے عمل کے دوران قدرے مختلف طریقوں سے رہنمائی کرنے کے لیے ڈیزائن کیے گئے تھے. بنیادی کوئزز اور آن بورڈنگ سرویز پہلے سے جمع کیے گئے تھے تاکہ سابقہ کورس ورک کی نمائش، مطالعہ کی عادات، تعلیمی اعتماد اور AI ٹولز سے واقفیت میں فرق کو مدنظر رکھتے ہوئے ایڈجسٹ کیا جا سکے. طلباء نے ہر امتحان سے پہلے ٹائم اسٹڈی موڈ سیشنز مکمل کیے، جس میں اسٹڈی موڈ کی دو مختلف قسمیں تمام مضامین میں متوازن تھیں.
یہ سیٹ اپ ایک سختی سے کنٹرول شدہ لیب ماحول کے بجائے حقیقی دنیا کے مطالعے کے حالات کی عکاسی کے لیے ڈیزائن کیا گیا تھا. شرکت کا امتحانی کارکردگی سے کوئی تعلق نہیں تھا اور تمام طلباء نے نام نہاد 40 منٹ کے سیشنز کے دوران ایک ہی حد تک اسٹڈی موڈ استعمال نہیں کیا. اس سے ہمیں علاج کرنے کا ارادہ (ITT) اثرات کی پیمائش اور رپورٹ کرنے کی اجازت ملی، یعنی حقیقت پسندانہ رول آؤٹ حالات میں ٹول تک رسائی فراہم کیے جانے کے اثرات—دوسرے الفاظ میں، اسٹڈی موڈ کی پیشکش کیے جانے کا سببی اثر، اس بات کو تسلیم کرتے ہوئے کہ عملی طور پر انگیجمنٹ مختلف ہو سکتی ہے.
نتائج
ہم نے ہر امتحان پر الگ الگ کارکردگی کی پیمائش کی. ہمارے بے ترتیب مطالعے میں، بہتریاں تمام مضامین میں یکساں نہیں تھیں اور اسٹڈی موڈ کے ساتھ مشغولیت کی سطحیں شرکاء کے درمیان مختلف تھیں.
- نیورو سائنس (پرائمری ITT): ہم نے کنٹرول کے مقابلے میں اسٹڈی موڈ کے لیے سمت کے لحاظ سے مثبت فرق مشاہدہ کیے، لیکن نتائج اُن طلباء سے قابلِ امتیاز نہیں تھے جو روایتی آن لائن وسائل کے ساتھ مطالعہ کر رہے تھے. کچھ آن بورڈنگ اور تکنیکی مسائل نے اسٹڈی موڈ استعمال کرنے والے طلباء میں مطالعہ کرنے میں گزارے گئے وقت کو متاثر کیا.
- مائیکرو اکنامکس (پرائمری ITT): ہم نے اسٹڈی موڈ تک رسائی تفویض کیے گئے طلباء میں امتحانی کارکردگی میں معنی خیز بہتری دیکھی، بمقابلہ بغیر AI کنٹرول گروپ—نسبتاً تقریباً 15% زیادہ اسکور.
جب ہم ہر اسٹڈی موڈ ویریئنٹ کا کنٹرول کے ساتھ الگ الگ موازنہ کرتے ہیں تو اثر مستقل رہتا ہے.
اگرچہ یہ حقیقی دنیا کے تغیر کی عکاسی کرتا ہے، لیکن اس نے اس بات میں ایک زیادہ عمیق حد کو نمایاں کیا کہ سیکھنے کے نتائج کو عموماً کیسے ناپا جاتا ہے.
زیادہ تر موجودہ تشخیصی طریقہ کار مختصر وقت کی مدتوں میں جانچی جانے والی طے شدہ مداخلتوں پر انحصار کرتے ہیں اور ٹیسٹ اسکورز یا حتمی مضامین جیسے نتائج کو بنیادی اشاروں کے طور پر استعمال کرتے ہیں. یہ طریقے اس بنیادی میکانزم کو گرفت میں لینے کے لیے ڈیزائن نہیں کیے گئے جس کے ذریعے AI عملی طور پر سیکھنے کو متاثر کرتا ہے: جاری، ذاتی نوعیت کے تعاملات جو سیکھنے والے کی اپنی حکمتِ عملیوں، ترجیحات اور مطالعے کی عادات کے ساتھ ساتھ ارتقا پذیر ہوتے ہیں. اور نہ ہی وہ یہ واضح کرتے ہیں کہ آیا ایک صلاحیت میں بہتری، مثلاً قلیل مدتی یادداشت، دوسری صلاحیتوں میں سمجھوتوں کے ساتھ بھی آ سکتی ہے، مثلاً پائیداری، خودمختار محرک، یا تخلیقی مسئلہ حل کرنا. نتیجتاً، وہ طویل مدتی ادراکی اثرات سے محروم رہ جاتے ہیں جو بالآخر یہ طے کرتے ہیں کہ آیا AI سیکھنے میں بامعنی طور پر بہتری لاتا ہے.
چونکہ سیکھنے کے ماحول ممالک، نصاب اور ادارہ جاتی اہداف کے لحاظ سے بہت زیادہ مختلف ہوتے ہیں، اس لیے ایک بار کے مطالعات کے نتائج شاذ و نادر ہی نظاموں کے درمیان عمومی طور پر لاگو ہوتے ہیں. لہٰذا پیمائش کے طریقہ کار اتنے لچکدار ہونے چاہییں کہ مختلف تعلیمی نظام اپنے سیاق و سباق میں یہ تعین کر سکیں کہ کامیابی کیسی نظر آتی ہے، AI کا اپنے ہی معیارات کے مطابق جائزہ لے سکیں اور اسی کے مطابق تکرار کر سکیں.
بہتر پیمائش کا نظام بنانا
OpenAI کے اسٹڈی موڈ کی تحقیق سے حاصل ہونے والی سیکھ کے بنیاد پر، ہم ایک منظم پیمائشی نظام تیار کر رہے ہیں تاکہ بڑے پیمانے پر سیکھنے والوں پر AI کے اثرات کی پیمائش کی جا سکے اور ان نتائج کی بنیاد پر ماڈل کو بہتر بنانے کے لیے ایک طریقہ کار بنایا جا سکے. یہ تین اشاروں پر مبنی ہے—ماڈل کیسے برتاؤ کرتا ہے، سیکھنے والے کیسے ردِعمل دیتے ہیں اور وقت کے ساتھ کون سے قابلِ پیمائش ادراکی نتائج سامنے آتے ہیں. اس میں شامل ہیں:
- ماڈل کے رویے کو بہتر بنانے کے لیے سسٹم ہدایات: قدرتی زبان کا استعمال تاکہ ماڈل کے ڈیفالٹ رویے کو تبدیل کیا جا سکے اور اسے مخصوص تدریسی طریقۂ کار کے ساتھ بہتر طور پر ہم آہنگ کیا جا سکے.
- سیکھنے کے تعامل کے درجہ بند کنندگان: یہ خودکار طور پر حقیقی، شناخت سے پاک، سیکھنے والے–ماڈل تعاملات کے اندر "سیکھنے کے لمحات" کا پتہ لگاتے ہیں اور نمایاں خصوصیات جیسے مشغولیت اور غلطی کی درستی کو لیبل کرتے ہیں.
- سیکھنے کے معیار کے گریڈرز: یہ ہر ایک سیکھنے کے لمحے کا جائزہ لیتے ہیں اور اس کی اس بنیاد پر درجہ بندی اور اسکور کرتے ہیں کہ آیا سیکھنے والے نے اپنا مقصد حاصل کیا اور یہ کہ تعامل کس حد تک مضبوط تدریسی اصولوں کے مطابق رہا، جس میں ناکامی کے طریقوں کی شناخت بھی شامل ہے.
- طولیاتی سیکھنے کے گریڈرز: یہ وقت کے ساتھ اسی سیکھنے والے کے ماڈل کے ساتھ تعاملات میں ہونے والی تبدیلیوں کو ٹریک کرتے ہیں—بشمول مشغولیت، ثابت قدمی اور میٹا ادراکی حکمتِ عملیاں—انفرادی اور کوہورٹ لیولز پر.
- معیاری بنائے گئے ادراکی اور میٹا ادراکی پیمانے: یہ توثیق شدہ تیسرے فریق کے آلات ہیں جو ChatGPT کے قبل/دوران/بعد کی رسائی کے ذریعے فراہم کیے جاتے ہیں تاکہ بیس لائنز قائم کی جا سکیں اور بنیادی صلاحیتوں جیسے تنقیدی سوچ، تخلیقی صلاحیت اور یادداشت میں تبدیلیوں کی پیمائش کی جا سکے.
جب یکجا کیا جاتا ہے، تو ہم اس پیمائش کے نظام کو سیکھنے کے نتائج کی پیمائش کا سوئٹکے طور پر حوالہ دیتے ہیں.
یہ ایسے اہم اشارے پیدا کرتا ہے جنہیں تعلیمی ماحولیاتی نظام استعمال کر سکتا ہے: سیکھنے کے لمحات کے منظم نظارے، ڈیش بورڈز جو دکھاتے ہیں کہ نتائج وقت کے ساتھ مختلف گروہوں میں کیسے بدلتے ہیں، تدریس اور ٹیوشننگ روبرکس کے مقابلے میں ماڈل کی کارکردگی کے اشاریے اور نتائج کے پیمانے جو معیاری تشخیصات اور مختصر سیکھنے والے سوالناموں کے ساتھ ہم آہنگ ہیں. جہاں دستیاب ہو، یہ پارٹنر کی فراہم کردہ زمینی سچائی کو شامل کر سکتا ہے، جیسا کہ امتحانی اسکورز، کلاس روم کے مشاہدات، یا حاضری.
تمام ڈیٹا غیر شناختی بنایا
یہ ہمارے شراکت داروں کو یہ سمجھنے کے قابل بھی بناتا ہے کہ وقت کے ساتھ سیکھنے کے لیے AI کے استعمال کے گہرے ادراکی اثرات کیا ہیں، کیونکہ ہم اس نظام کے ذریعے ایسی صلاحیتوں پر اثرات کو بھی ٹریک کر سکتے ہیں جیسا کہ:
- خودمختار حوصلہ افزائی: وہ درجہ جس تک سیکھنے والے ماڈل کی ہدایت کے بجائے اپنی پڑھائی کو خود تشکیل دے رہے ہیں
- پیداواری مشغولیت: تدریسی تعاملات کی تعدد، تنوع اور معیار.
- ٹاسک پر ثابت قدمی: وہ درجہ جس تک سیکھنے والا ذہنی چیلنجز کے ساتھ بیٹھا رہتا ہے اور انہیں عبور کرنے کے لیے کوشش کرتا رہتا ہے
- میٹاکاگنیشن: سیکھنے والے کی اپنی پڑھائی کے طریقوں کی منصوبہ بندی، غور و فکر اور نگرانی کرنے کی کوششوں کی تعدد اور معیار
- یادداشت: وہ درستگی جس کے ساتھ کوئی سیکھنے والا پچھلی تعاملات سے مواد کو یاد رکھ سکتا ہے
یہ سیکھنے کے نتائج کی تنگ تعریفوں (ٹیسٹ اسکور بڑھنا) پر محض توجہ مرکوز کرنے کے بجائے، سیکھنے کی بنیاد بننے والی جامع صلاحیتوں پر توجہ دینے کی ہماری مجموعی کوششوں کی عکاسی کرتا ہے. یہ ہمارے اس یقین کی بھی عکاسی کرتا ہے کہ کس چیز کو بہتر بنانے کے لیے آپٹمائز کیا جائے اس حوالے سے کوئی ایک حتمی حل نہیں ہوگا: نظاموں اور اساتذہ کو بااختیار بنانا ہوگا تاکہ وہ تدریسی بہترین طریقۂ کار اور طریقہ ہائے کار کے مطابق سمجھوتوں (ٹریڈ آف) کی رہنمائی کر سکیں.
ہم یہاں سے کہاں جائیں گے
ہم سیکھنے کے نتائج کی پیمائش کا سوئٹ کو بڑے پیمانے پر مطالعات کے ذریعے اس کی وسیع دستیابی سے پہلے توثیق کر رہے ہیں. یہ کام یونیورسٹی آف ٹرٹو اور اسٹینفورڈ کا SCALE انیشیٹو کے ساتھ قومی سطح کے شراکت داروں، جیسے ایسٹونیا، میں جاری ہے، جہاں پیمائش کے مجموعے کا کئی مہینوں کے دوران 16-18 سال کی عمر کے تقریباً 20,000 طلباء کے ساتھ مطالعہ کیا جا رہا ہے. طلباء کا استعمال مقامی رہنماؤں کے ساتھ قریبی تعاون میں ہوگا، تاکہ حفاظت اور مقامی نصاب کے ساتھ ہم آہنگی کو یقینی بنایا جا سکے.
"ایسٹونیا نے ہمیشہ تعلیم کو جامد نہیں بلکہ ایک ایسے نظام کے طور پر دیکھا ہے جسے ہم مسلسل بہتر بناتے رہتے ہیں. AI کے اس تصویر کا حصہ بننے کے ساتھ، بڑا سوال یہ ہے کہ ہم سیکھنے پر AI کے طویل مدتی اثرات کی پیمائش کیسے کرتے ہیں. یہی وہ بات ہے جسے ہم OpenAI کے ساتھ تعاون میں سمجھ رہے ہیں. طلباء ترقی کے عمل میں شامل ہونے کے لیے پُرجوش ہیں اور بہت سے لوگ یہ سیکھنا چاہتے ہیں کہ AI کے ذریعے سیکھنے میں کس طرح مدد کی جا سکتی ہے. یہ ایک حقیقی اہم موڑ کی طرح محسوس ہوتا ہے اور ہم ایسے طریقۂ کار میں شراکت کرنے کے لیے پُرجوش ہیں جنہیں دوسرے تعلیمی نظام دوبارہ استعمال کر سکیں اور ان پر مزید کام کر سکیں."
یہ کام جاری وسیع تر اشتراکی تحقیق کے مجموعے پر مبنی ہے. لرننگ لیب میں بانی شراکت داروں کے ذریعے کی جانے والی نتائج پر تحقیق کے علاوہ، OpenAI سیکھنے اور محنت کے سنگم پر مطالعات کی حمایت کر رہا ہے—یہ جانچتے ہوئے کہ AI طلباء کے تعلیمی راستوں، کیریئر کے فیصلوں اور ان طریقوں کو کس طرح تشکیل دیتا ہے جن کے ذریعے ادارے ذمہ دارانہ اپنانے کی حمایت کر سکتے ہیں. یہ تحقیق بوکونی یونیورسٹی، اِنّووا اسکولز اور ڈارٹماؤتھ میں ٹک اسکول آف بزنس، سان ڈیاگو اسٹیٹ یونیورسٹی، اسٹونی بروک یونیورسٹی اور دیگر میں ہو رہی ہے.
جیسے جیسے ہم اس بات پر طویل مدتی مطالعات کرتے ہیں کہ طلباء AI کے ساتھ بہترین طریقے سے کیسے سیکھتے ہیں، ہم نتائج کا اشتراک کرنے اور وسیع تعلیمی ایکو سسٹم کے ساتھ کام کرنے کا ارادہ رکھتے ہیں تاکہ یہ یقینی بنایا جا سکے کہ AI ہر جگہ سیکھنے والوں کو فائدہ پہنچا سکے.
جو لوگ اس کام کے بارے میں اپ ڈیٹس حاصل کرنے میں دلچسپی رکھتے ہیں وہ یہاں سائن اپ کر سکتے ہیں.
