از: رسل شلنگ، پی ایچ ڈی
ہم میں سے اکثر لوگوں نے اب تک کسی ایسے آلے سے بات کرنے کی مایوسی کا تجربہ کیا ہے جو اسپیچ ریکگنیشن کا استعمال کرتا ہے لیکن یہ سمجھنے میں ناکام رہتا ہے کہ ہم کیا کہہ رہے ہیں۔ صارفین کی مصنوعات میں، صارفین ان مصنوعات کا استعمال چھوڑ دیں گے جو ان کی ضروریات کو پورا نہیں کرتی ہیں، لیکن طلباء کے پاس کلاس روم میں یہ اختیار نہیں ہے۔ AI ڈیٹا سیٹس میں غیر موثر الگورتھم اور تعصب تعلیم کے محققین اور معلمین کے لیے بنیادی تشویش ہیں، جو فکر مند ہیں کہ درخواستیں ہمارے ملک کے کلاس رومز میں طلباء کے وسیع تنوع میں مؤثر نہیں ہوں گی۔ یہ خدشات یقینی طور پر صرف امریکہ تک محدود نہیں ہیں بلکہ عالمی تشویش کی نمائندگی کرتے ہیں۔ حکومت، اضلاع، اور یہاں تک کہ سرکاری اور نجی فنڈنگ کے ذرائع سے پالیسی رہنمائی کی کمی کے پیش نظر، تقریر کی شناخت کی تاثیر کو منظم طریقے سے حل کرنا مشکل ہے۔ تعصب کو ختم کرنے کے لیے تعلیمی ٹیکنالوجیز کی تحقیق اور ترقی کے تقاضوں پر بھی واضح رہنمائی کی ضرورت ہے۔
خبروں میں روشنی ڈالی گئی بہت سی حالیہ بات چیت نے مختلف ٹیکنالوجیز اور ایپلیکیشنز کے بارے میں تشویش کا اظہار کیا ہے جو AI تعصب کا شکار ہیں۔ پھر بھی، ایک بہترین مثال جو edtech میں زیادہ توجہ کا مستحق ہے وہ ہے اسپیچ ریکگنیشن ایپلی کیشنز جن میں خودکار اسپیچ ریکگنیشن (ASR) اور نیچرل لینگویج پروسیسنگ (NLP) کی ضرورت ہوتی ہے۔ مختلف صارفین پر مبنی مصنوعات، کھلونوں، گیمز، پیداواری ایپس، اور تعلیم میں تقریر کی پہچان پھیل گئی ہے۔ تقریر کی درست شناخت نے مزید فطری ایڈٹیک مصنوعات اور کلاس روم میں تقریر، زبان اور پڑھنے کی دشواریوں میں ابتدائی مداخلت کے لیے حقیقی وقت کے جائزے کے مواقع کا دروازہ کھولا ہے۔ تاہم، یہ سسٹم فی الحال ان صارفین کے وسیع تنوع میں اچھی طرح سے کام نہیں کرتے ہیں جس تک وہ پہنچنے کی خواہش رکھتے ہیں۔ مثال کے طور پر، ASR سسٹم مختلف بولیوں، عمر کے گروپوں، یا بولنے میں دشواری والے افراد کے خلاف یکساں طور پر کام نہیں کرتے ہیں۔
لہٰذا، اس قسم کے تعصب کے نتیجے میں تعلیم میں مایوسی اور منفی نتائج برآمد ہوں گے۔ تاہم، ASR میں تعصب، بہت سے AI تعصب کے مسائل کی طرح، تعصب کے ذرائع کو پہچان کر، قابل توسیع حل کے لیے تحقیقی پروگراموں کو نافذ کرنے، اور تقریر کی شناخت پر مبنی مصنوعات کے کلاس روم تک پہنچنے سے پہلے قابل اعتماد افادیت کے مطالعے کی ضرورت کے ذریعے بڑی حد تک حل کیا جا سکتا ہے۔
تعصب کی ایک مخصوص مثال پر توجہ مرکوز کرتے ہوئے، عمر میں کمی کے ساتھ ASR کی درخواستیں تیزی سے غلط ہو جاتی ہیں۔ بچوں کی تقریر بالغوں سے کافی مختلف ہوتی ہے، بشمول فریکوئنسی سپیکٹرا، پرسوڈی، اور جملے کی ساخت کی پیچیدگی۔ ہمارے اسکولوں میں بولیوں اور قومیتوں کی وسیع اقسام پر غور کرتے ہوئے، ہمیں ایک پیچیدہ چیلنج کا سامنا ہے جس کے لیے مارکیٹ میں اختراعی، موثر، اور قابل توسیع حل لانے کے لیے محققین، ماہرین تعلیم، پروڈکٹ ڈویلپرز، اور فنڈرز کے درمیان تعاون کی ضرورت ہے۔ ترقی کے بہت سے حصے ہیں، جیسے Soapbox Labs، ایک کمپنی کی ایک بہترین مثال ہے جو روانی اور تقریر کے مسائل کا جائزہ لینے کے لیے مزید نمائندہ ڈیٹا سیٹ تیار کرنے کے لیے سخت معیار کو لاگو کرنے کی کوشش کر رہی ہے۔ ہمیں ان خطوط پر مزید کوششوں اور پالیسی معاونت کی ضرورت ہے تاکہ اس بات کو یقینی بنایا جا سکے کہ تمام طلبا کی ضروریات پوری کی جائیں، نہ صرف ان کی جن کی ضروریات کو فی الحال دستیاب آف دی شیلف سسٹمز کے ساتھ آسانی سے پورا کیا جاتا ہے۔
جب کہ چیزیں بہتر ہو رہی ہیں، فیلڈ ابھی بھی اس سطح پر نہیں ہے جس کی ہمیں تعلیمی ٹولز، تشخیصات، یا اسپیچ تھراپی کو مؤثر طریقے سے اور مستقل طور پر لاگو کرنے کی ضرورت ہے جو تمام بچوں کے لیے درست طریقے سے کام کریں۔ جس چیز کی ضرورت ہے وہ بہتر ڈیٹا سیٹس (کارپورا) اور لسانیات کی تحقیق سے متعلق اضافی تحقیقی فنڈنگ اور پالیسی ہے جس کا مقصد بہتر الگورتھم تیار کرنا ہے۔ میدان کو آگے بڑھانے کے لیے کئی پالیسی سفارشات دی جا سکتی ہیں۔
تعصب کو ختم کرنے کے لیے تعلیمی ٹیکنالوجیز کی تحقیق اور ترقی کے تقاضوں پر بھی واضح رہنمائی کی ضرورت ہے۔
رسل شلنگ، پی ایچ ڈی
سب سے پہلے، بین الضابطہ ٹیموں کی تشکیل اور فنڈنگ اہم ہے۔ ڈیفنس ایڈوانسڈ ریسرچ پراجیکٹس ایجنسی میں پروگرام آفیسر کی حیثیت سے اپنے وقت سے (ڈارپا) اور ان فلسفوں اور تکنیکوں کو لاگو کرنا تعلیم، میں نے سیکھا ہے کہ فنڈنگ ٹیمیں جو فکر اور مہارت کے تنوع کی عکاسی کرتی ہیں، نسلی تنوع کے علاوہ، اختراع کے لیے اہم ہیں۔ اس معاملے میں، ہمیں ماہرین لسانیات، کمپیوٹر سائنسدانوں، ڈیٹا سائنسدانوں، اور ماہرین نفسیات کو ٹیم میں شامل کرنے اور اس عمل میں اخلاقیات کے ماہرین سے مشورہ کرنے کی ضرورت ہے۔
دوسرا، ہمیں ڈیٹا سیٹس کے معیار اور سائز کو بہتر بنانے کی ضرورت ہے جو قدرتی ماحول میں ہماری ہدف کی آبادی کے تنوع کی نمائندگی کرتے ہیں، بشمول عمر، نسل، جنس، سماجی اقتصادی پس منظر، زبان کے مسائل، اور بولیاں۔ اور نقل و حرکت اور نقل مکانی کے عالمی رجحانات کے پیش نظر، ہمیں مزید متنوع اور نمائندہ ASR ڈیٹا سیٹ بنانے کے لیے بین الاقوامی تعاون کو فروغ دینا چاہیے۔
تیسرا، ڈیٹا سیٹ، الگورتھم کے ساتھ، جانچ کے لیے کھلا ہونا چاہیے۔ ہمیں اس بات کو یقینی بنانا چاہیے کہ الگورتھم، ڈیٹا سیٹ، اور تشخیص منصفانہ اور شفاف ہوں۔ ڈیٹا اور تشخیصات امتحان کے لیے دستیاب ہونے چاہئیں، اور جب بھی ممکن ہو ڈیٹا سیٹس اور الگورتھم کھلے ہونے چاہئیں۔
آخر میں، ماڈلز اور ڈیٹا کی تشخیص حل اپنانے کے بعد بھی مسلسل ہونی چاہیے تاکہ ہدف کی آبادی کے ردعمل میں تعصب یا بڑھے کا پتہ لگایا جا سکے۔ یہ پالیسی حکمت عملی تمام ایڈٹیک کے لیے تجویز کی جاتی ہے، نہ کہ صرف AI پر مبنی حل کے لیے۔
اوپر دی گئی پالیسی کی سفارشات سب پر مشتمل نہیں ہیں لیکن ASR کو مزید موثر اور منصفانہ بنانے کے آغاز کی نمائندگی کرتی ہیں۔ یہ سفارشات اسپیچ ریکگنیشن ٹیکنالوجیز کے اطلاق کے لیے منفرد نہیں ہیں۔ وہ ریاستہائے متحدہ اور بیرون ملک AI ایڈٹیک مسائل کی ایک وسیع رینج کے مطابق ڈھال سکتے ہیں۔
رسل شلنگ، پی ایچ ڈی., EdSafe AI الائنس کے سینئر مشیر ہیں، جو edtech R&D اختراع کے ماہر ہیں اور بحریہ کے سابق کپتان، DARPA پروگرام مینیجر، اور اوباما انتظامیہ کے دوران محکمہ تعلیم کے لیے STEM لیڈ ہیں۔
دی EdSAFE AI الائنس موجود ہے عالمی پالیسی کو مطلع کرنا اور اس پر اثر انداز ہونا اور مصنوعی ذہانت (AI) بہتر تعلیمی ٹیکنالوجیز (edtech) کے استعمال کے لیے معیارات تیار کرنا۔ بنیادی مقصد یہ ہے کہ کھلے، اختراعی ماحول کو برقرار رکھتے ہوئے edtech کو محفوظ، محفوظ اور موثر بنا کر عوام کے اعتماد اور اعتماد کو یقینی بنایا جائے۔ EdSAFE AI الائنس میں، ہم ان مسائل سے نمٹنے کے لیے ماہرین تعلیم، محققین، پالیسی سازوں، اور فنڈنگ کرنے والی تنظیموں کی جانب سے ان پٹ اور فعال شرکت کا خیرمقدم کرتے ہیں اور AI سسٹمز کے ذریعے متعارف کرائے گئے بے شمار اضافی چیلنجوں سے تعلیم میں خلل ڈالنے والے لیکن دلچسپ اضافے کا خیرمقدم کرتے ہیں۔