Badanie Dartmouth dotyczące AI ujawnia lukę między użyciem przez studentów a podejrzeniami wobec rówieśników
Dartmouth opublikował wyniki badania pokazujące, że 8% respondentów studiujących na amerykańskich uczelniach kopiuje tekst AI, wprowadzając niewiele zmian, podczas gdy 50% uważa, że robią to ich rówieśnicy. Ogłoszone 30 października badanie Dartmouth dotyczące AI ujawnia istotną rozbieżność między deklarowanymi zachowaniami a oczekiwaniami panującymi na kampusach. Stawia też trudne pytanie: jak uniwersytety powinny chronić proces uczenia się, gdy studenci nie ufają sposobowi, w jaki inni wykonują zadania?
Wyniki wywierają presję na instytucje promujące umiejętności związane z AI, które jednocześnie chcą zachować sensowne ocenianie. Studenci mogą cenić wyjaśnienia od chatbota, a zarazem obawiać się, że koledzy otrzymują zaliczenie za pracę, której nigdy nie zrozumieli. Te postawy nie są sprzeczne. Konflikt dotyczy tego, czy pomoc wspiera uczenie się, które dane zadanie ma mierzyć.
Badania prowadzone przez Hamsę Bastani z Wharton stanowią użyteczny punkt odniesienia: lepsze wyniki przy wsparciu AI nie oznaczają automatycznie lepszego samodzielnego uczenia się. Wkład Dartmouth jest inny. Badanie dokumentuje doświadczenia i przekonania studentów, w tym podejrzliwość dotyczącą pracy innych osób. Łącznie te perspektywy sugerują, że uniwersytety potrzebują dowodów zarówno na temat ludzkich kompetencji, jak i zaufania do zasad akademickich.
Co faktycznie wykazało badanie Dartmouth dotyczące AI
Kluczowym ustaleniem jest rozbieżność między tym, jak studenci opisują siebie, a tym, co sądzą o innych.
Wyniki dotyczące AI wśród studentów Dartmouth opierają się na odpowiedziach 1 003 studentów amerykańskich uczelni oraz 1 533 studentów Dartmouth. Próba ogólnokrajowa została ważona, natomiast wyniki Dartmouth — nie. Obecni studenci studiów licencjackich Dartmouth i osoby rozpoczynające studia tworzyli odrębne grupy.
W skali kraju 11% respondentów zgłosiło korzystanie z AI do znajdowania odpowiedzi na zadania problemowe, w porównaniu z 49%, którzy uważali, że robią to ich rówieśnicy. Tymczasem 70% stwierdziło, że AI uczyniła pracę domową wykonywaną poza zajęciami niesprawiedliwą, a 39% odczuwało presję, by z niej korzystać, ponieważ robili to ich rówieśnicy.
Odpowiedzi te opisują środowisko, w którym postrzegana rywalizacja zasługuje na uwagę obok faktycznego użycia narzędzi. Student decydujący, czy poprosić o odpowiedź, widzi bezpośrednio swoje zadanie. Jednocześnie wyobraża sobie, jak pracują koledzy z grupy, co prowadzący potrafią wykryć i które skróty dają przewagę.
Tworzy to problem instytucjonalny jeszcze zanim ktokolwiek ustali rzeczywistą częstotliwość naruszeń zasad. Jeśli studenci sądzą, że zwykły wysiłek stawia ich w niekorzystnej sytuacji, pisemna polityka uczelni ma ograniczoną siłę przekonywania. Zasady muszą być wystarczająco jasne i wiarygodne, aby studenci uznali, że ich przestrzeganie nadal ma sens.
Badanie nie dowodzi, że koledzy oszukują w tempie wyobrażanym przez respondentów. Ani niska liczba zgłoszeń kopiowania nie dowodzi, że naruszenia są rzadkie. Różnica między tymi twierdzeniami ma znaczenie, ponieważ każde z nich, jeśli zostanie wyolbrzymione, prowadzi do nadmiernie pewnej reakcji.
Traktowanie szacunków dotyczących rówieśników jako zweryfikowanych zachowań zmieniałoby podejrzenia w dowody. Traktowanie samoopisów jako pełnego rozliczenia pomijałoby możliwość, że respondenci przedstawiają siebie w korzystnym świetle. Żadna z tych interpretacji nie daje prowadzącym solidnej podstawy do rozstrzygania, które zadania nadal mierzą indywidualne zrozumienie.
Bardziej uzasadniona interpretacja jest węższa. Studenci zgłaszają znaczną niezgodność między własnym postępowaniem a postępowaniem przypisywanym innym. Uniwersytety mają teraz powód, by zbadać tę rozbieżność bezpośrednio, zamiast zakładać, że ogólna polityka dotycząca AI ją rozwiązuje.
Użyteczna reakcja instytucjonalna rozróżniałaby kilka pytań. Jaka pomoc jest dozwolona? Z jakiej pomocy studenci faktycznie korzystają? Z jakiej pomocy — ich zdaniem — korzystają koledzy? Czy powstała praca pokazuje zamierzoną umiejętność?
Te pytania się pokrywają, lecz odpowiedź na jedno nie rozstrzyga pozostałych. Zadanie może być zgodne z polityką, a mimo to niewiele mówić o samodzielnym rozumowaniu. Student może też podejrzewać niesprawiedliwość na kursie, na którym większość kolegów przestrzega zasad.
Wiadomość dotyczy zatem czegoś więcej niż adaptacji chatbotów. Dartmouth uczynił wiarygodność oceniania mierzalnym elementem dyskusji o AI na kampusie. To przesuwa uwagę na warunki, w których studenci wierzą, że ich praca jest oceniana sprawiedliwie.
Uniwersytety stoją przed problemem wiarygodności oceniania
Uniwersytety muszą wyjaśnić, co oznacza ocena, gdy studenci mają dostęp do różnych rodzajów pomocy.
Ocena za esej może odzwierciedlać jakość argumentacji, rozwój umiejętności pisarskich, osąd badawczy lub połączenie tych zdolności. AI komplikuje tę relację, gdy dozwolony wkład pozostaje niejasny. Dopracowana praca może pozostawić prowadzącego bez pewności, które decyzje podjął student.
Problem staje się ostrzejszy, gdy studenci wierzą, że ich koledzy działają według innego praktycznego standardu. Reguła może zakazywać tekstu wygenerowanego przez AI, a jednocześnie pozwalać na informacje zwrotne do szkicu. Bez konkretnych przykładów studenci muszą sami interpretować, gdzie kończy się informacja zwrotna, a zaczyna zastępowanie pracy.
Rozważmy hipotetyczne zadanie pisemne. Jeden student prosi chatbota o wskazanie słabych przejść, a następnie samodzielnie wprowadza poprawki. Inny akceptuje przepisany argument i wprowadza powierzchowne zmiany. Obaj mogą opisać swoją aktywność jako redagowanie, choć wkład intelektualny jest inny.
Ta niejednoznaczność nakłada na kadrę konkretną odpowiedzialność: połączenie dozwolonej pomocy z celem zadania. Jeśli celem jest rozwijanie argumentacji, zlecenie na zewnątrz jej struktury wpływa na dowody uczenia się. Jeśli celem jest ocena konkurencyjnych argumentów, porównanie wygenerowanych alternatyw może wspierać realizację zadania.
To kwestia projektowania oceniania, a nie pytanie, na które może odpowiedzieć uniwersalna lista zatwierdzonych narzędzi. Ten sam chatbot może wspierać różne zachowania. Wymienienie nazwy aplikacji niewiele wyjaśnia, czy konkretne użycie zachowuje pracę, którą studenci muszą ćwiczyć.
Wiarygodna odpowiedź jasno wskazywałaby te granice przed oddaniem pracy. Studenci powinni rozumieć, co muszą wykonać samodzielnie, jaką pomoc mogą ujawnić i jak prowadzący oceniają tę pomoc. W przeciwnym razie egzekwowanie zasad grozi przekształceniem się w spór o interpretacje po ukończeniu pracy.
Przejrzystość również wymaga praktycznych ograniczeń. Wymaganie od studentów dokumentowania każdej interakcji mogłoby tworzyć pracę administracyjną, nie wyjaśniając procesu uczenia się. Istotne są te dowody, które pomagają prowadzącemu ocenić docelową umiejętność, taką jak rozumowanie, wybór źródeł, poprawa pracy lub wyjaśnienie.
Na przykład prowadzący oceniający osąd badawczy może poprosić studentów o wyjaśnienie, dlaczego odrzucili pozornie istotne źródło. Prowadzący oceniający rozumienie matematyki może poprosić o zmodyfikowane rozwiązanie w nowym warunku. Są to możliwe reakcje, a nie interwencje zweryfikowane przez badanie Dartmouth.
Ich wartość zależy od zgodności z kursem. Wymóg, który wyjaśnia rozumowanie w jednej dyscyplinie, może stać się niepotrzebną przeszkodą w innej. Uniwersytety potrzebują zatem wspólnych ram, które pozostawiają prowadzącym przestrzeń do definiowania znaczących dowodów.
Sprawiedliwość wykracza również poza wykrywanie zakazanych zachowań. Studenci przestrzegający zasad potrzebują pewności, że ich wysiłek nadal ma znaczenie. Polityka opisująca jedynie kary nie odpowiada na pytanie, w jaki sposób uznawane jest rzetelne uczenie się.
Bezpośrednia presja spoczywa na kadrze, liderach wydziałów i administratorach akademickich. Muszą oni przełożyć szerokie zobowiązania dotyczące odpowiedzialnej AI na zadania, które studenci mogą interpretować konsekwentnie. Bez tego przełożenia dostęp się rozszerza, podczas gdy oczekiwania pozostają niepewne.
Dlatego badanie Dartmouth dotyczące AI ma znaczenie także poza Dartmouth. Jego wyniki wyraźnie ujmują znane napięcie w klasie: system oceniania częściowo zależy od tego, czy studenci wierzą, że inni uczestnicy stoją wobec zrozumiałych oczekiwań.
Pomoc AI może poprawiać pracę, pozostawiając uczenie się nierozstrzygnięte
Lepsza odpowiedź i lepiej przygotowany student to różne rezultaty, a edukacyjna AI musi uwzględniać oba.
To rozróżnienie wyjaśnia, dlaczego pozytywne doświadczenia studentów z AI nie rozwiązują obaw o rozwój umiejętności. Wyjaśnienie może wydawać się jasne. Szkic może stać się łatwiejszy do czytania. Problem może prowadzić do poprawnej odpowiedzi. Żadna z tych obserwacji sama w sobie nie dowodzi, co student potrafi odtworzyć samodzielnie.
Eksperyment dotyczący uczenia się matematyki opublikowany w PNAS badał to rozróżnienie z użyciem interfejsów opartych na GPT-4. Badacze porównali ogólny interfejs czatu, korepetytora z zabezpieczeniami opracowanymi z udziałem nauczycieli oraz grupę kontrolną bez pomocy AI.
Ogólny interfejs poprawił wyniki w ćwiczeniach ze wsparciem, lecz jego użytkownicy później osiągali gorsze wyniki bez dostępu do niego. Zabezpieczenia korepetytora w dużej mierze złagodziły tę szkodę. Badanie dotyczyło matematyki w szkole średniej, więc nie ustala wyników dla wszystkich przedmiotów na studiach.
Jego znaczenie wynika z wyboru miary. Ocena wyników po zniknięciu pomocy stawia inne pytanie niż ocena pracy ukończonej z narzędziem. Uniwersytety muszą wiedzieć, który rezultat dany produkt edukacyjny deklaruje poprawiać.
To rozróżnienie pomaga też wyjaśnić konkurencyjne podejścia produktowe. Ogólny asystent może bezpośrednio odpowiedzieć na prośbę o gotową odpowiedź. Interfejs ukierunkowany na uczenie się może natomiast poprowadzić użytkownika przez pośrednie etapy rozumowania. Żadna etykieta interfejsu nie gwarantuje rezultatu edukacyjnego.
Korepetytor może udzielać wskazówek, które pozostają zbyt wiele zdradzające. Ogólny asystent może wspierać użyteczne ćwiczenia, gdy student zadaje zdyscyplinowane pytania. Zachowanie produktu, wybory studenta, projekt zadania i późniejsze ocenianie wpływają na znaczenie konkretnej interakcji.
To samo napięcie pojawia się w badaniach nad pomocą na żądanie opisanych przez badaczy z INSEAD i University of Pennsylvania. Ich eksperyment z treningiem szachowym wykazał słabsze uczenie się, gdy uczestnicy mogli prosić o dodatkową pomoc AI, kiedy tylko chcieli.
Badacze twierdzą, że wygodna pomoc może wypierać produktywny wysiłek, nawet gdy uczący się rozpoznają swoją zależność. To ustalenie przemawia za ostrożnością wobec utożsamiania kontroli użytkownika z korzyścią edukacyjną. Nie dowodzi jednak, że każda zamawiana pomoc osłabia uczenie się.
Dla nabywcy z sektora uniwersyteckiego praktyczna implikacja to bardziej wymagający standard oceny. Satysfakcja, częste użycie i ukończone zadania mogą wskazywać, że studenci uważają narzędzie za użyteczne. Pozostawiają jednak otwarte pytanie, czy studenci rozwijają zdolności, których instytucja zamierza nauczać.
Ocena mogłaby zatem obejmować zadania wykonane po usunięciu asystenta. Mogłaby także badać, czy studenci wyjaśniają błędy, stosują idee w nieznanych sytuacjach lub identyfikują niepoparte wnioski. Takie miary bezpośredniej oceniałyby kompetencje lepiej niż sama dopracowana praca.
Wyzwanie rozciąga się na pracę opartą na wiedzy. Pracownik może ukończyć raport z pomocą, nie będąc w stanie obronić jego założeń. Programista może zaakceptować sugerowaną poprawkę, nie rozumiejąc, dlaczego działa. Są to przykładowe ryzyka, a nie rezultaty zmierzone przez Dartmouth.
Dla studentów stawka dotyczy relacji między obecną wygodą a przyszłą samodzielnością. Pomoc ma wartość, gdy ułatwia im podejmowanie pracy, którą coraz lepiej rozumieją. Trudniej uzasadnić ją edukacyjnie, gdy gotowy efekt ukrywa niezmieniony poziom zrozumienia.
To kluczowy kompromis tego artykułu. Uniwersytety chcą, by studenci zdobywali doświadczenie z AI, jednocześnie chroniąc praktykę rozwijającą osąd. Dostępne dowody przemawiają za starannym projektowaniem i oceną, a nie za pewnością opartą na pozorach ukończonej pracy.
Luka w postrzeganiu nie jest zweryfikowanym wskaźnikiem oszustw
Badanie potwierdza obawy dotyczące zaufania, ale nie może określić dokładnej skali niedozwolonego użycia AI.
Dokument roboczy z badania Dartmouth omawia konkurencyjne wyjaśnienia rozbieżności. Respondenci mogą zaniżać deklaracje dotyczące własnych zachowań, zawyżać szacunki dotyczące rówieśników albo zapamiętywać wyjątkowo rzucające się w oczy przykłady. Te możliwości mogą współistnieć.
Autorzy podają, że nawet podwojenie wskaźników deklarowanych przez respondentów nadal pozostawia luki w przypadku wielu zastosowań. To ćwiczenie testuje wrażliwość na zaniżanie deklaracji. Nie ustala właściwej korekty ani nie ujawnia niezależnie zaobserwowanego wskaźnika naruszeń.
To rozróżnienie zapobiega kuszącemu, lecz niepopartemu wnioskowi, że studenci po prostu mylą się co do wszystkich innych. Badanie daje powody, by podawać w wątpliwość oceny dotyczące rówieśników. Nie dostarcza jednak zewnętrznego rejestru pokazującego dokładnie, którzy studenci skorzystali z jakiej pomocy przy których zadaniach.
Przeciwny wniosek jest równie niepoparty. Wysokie szacunki dotyczące rówieśników nie dowodzą, że instytucje mierzą się z naruszeniami na takim oszacowanym poziomie. Respondenci mogą opisywać różne grupy odniesienia albo różnie interpretować to samo zachowanie.
Istnieje też różnica między korzystaniem z AI a naruszeniem zasad. To, czy przygotowanie szkicu, redakcja lub otrzymanie rozwiązania łamie regułę, zależy od zadania. Odpowiedź behawioralna staje się dowodem naruszenia dopiero wtedy, gdy zostanie powiązana z obowiązującymi oczekiwaniami.
Ograniczenia te nie unieważniają ustaleń. Określają, co mogą potwierdzać dowody. Badanie ankietowe może dokumentować obawy, odczuwaną presję i deklarowane zachowania, nie weryfikując niezależnie każdej aktywności opisywanej przez respondentów.
To sprawia, że komunikacja wymaga ostrożności. Uniwersytet próbujący korygować przesadzone wyobrażenia powinien objaśniać niepewność obok przedstawianych liczb. Przedstawianie samoopisów jako ustalonej prawdy mogłoby podważyć wiarygodność wśród studentów, którzy byli świadkami wyraźnych naruszeń.
Jednocześnie komunikowanie wyłącznie alarmujących szacunków dotyczących rówieśników grozi wzmocnieniem presji konkurencyjnej, którą instytucja chce ograniczyć. Studenci mogą odczytać taki przekaz jako potwierdzenie, że niedozwolona pomoc jest powszechna i konieczna.
Artykuł opisuje również różnice między grupami studentów i dyscyplinami. Porównania te nie powinny przekształcać się w prosty ranking tego, którzy studenci odpowiedzialnie korzystają z AI. Różne dziedziny stawiają różne zadania, a respondenci mają odmienne oczekiwania co do tego, jak wygląda znacząca pomoc.
Dalsza komplikacja dotyczy rezultatów. Przekonanie studentów, że AI szkodzi pisaniu, wyraża ważną obawę, ale nie jest zmierzonym spadkiem umiejętności pisarskich. Ich pewność, że AI poprawia zrozumienie, również wymaga odrębnej oceny.
Instytucja może traktować oba przekonania poważnie, nie przedstawiając żadnego z nich jako wyniku eksperymentalnego. Właściwym kolejnym krokiem jest ustalenie, gdzie zgłaszana korzyść lub obawa pojawia się w rzeczywistych zajęciach, a następnie zbadanie odpowiedniego procesu uczenia się.
Właśnie tutaj badanie Dartmouth dotyczące AI wnosi najjaśniejszy wkład. Wskazuje pytania warte przetestowania i doświadczenia wymagające uwzględnienia. Jego wartość zmalałaby, gdyby wygodny nagłówek zamienił te ustalenia w pewność co do oszukiwania, utraty umiejętności uczenia się lub uniwersalnych zachowań studentów.
Wdrożenie AI w Dartmouth czyni oczekiwania dydaktyczne pilniejszymi
Zapewnienie dostępu do AI tworzy odpowiedzialność za wyjaśnienie, jak studenci powinni wykorzystywać ten dostęp w swojej edukacji.
Partnerstwo Dartmouth w zakresie AI, ogłoszone 3 grudnia 2025 r., obejmuje Claude for Education firmy Anthropic oraz Amazon Bedrock. Uniwersytet opisuje dostęp dla studentów, wykładowców i pracowników, wraz ze współpracą nad zastosowaniami akademickimi.
To instytucjonalne zobowiązanie nadaje badaniu praktyczne znaczenie. Dartmouth bada doświadczenia studentów, jednocześnie włączając AI w życie kampusu. Dostęp i ocena edukacyjna powinny zatem należeć do tej samej dyskusji.
Narzędzie sponsorowane przez uniwersytet ma inne znaczenie niż aplikacja, którą student odkrywa samodzielnie. Studenci mogą zasadnie oczekiwać od instytucji wskazówek dotyczących właściwego użycia. Sama dostępność nie może przekazać granic obowiązujących w konkretnym zadaniu.
Wykładowcy również potrzebują jasności co do znaczenia instytucjonalnego poparcia. Licencja kampusowa nie oznacza, że każdy kurs powinien wdrożyć produkt. Podobnie ograniczenie wprowadzone przez wykładowcę nie oznacza, że szersze partnerstwo uniwersytetu nie ma wartości.
Istotna decyzja dotyczy celu uczenia się. Asystent pomagający uporządkować projekt badawczy może służyć zaawansowanemu zadaniu. Ta sama pomoc może jednak omijać umiejętność organizacyjną, którą kurs wprowadzający ma konkretnie rozwijać u studentów.
Tworzy to presję zarówno na liderów uniwersytetów, jak i dostawców. Instytucje muszą wyjaśniać, w jaki sposób wdrożenie wspiera ich zobowiązania edukacyjne. Dostawcy dążący do wdrożeń akademickich muszą pokazać, jak zachowanie produktu odpowiada zadaniom faktycznie zlecanym przez edukatorów.
Badanie nie porównuje Claude z ChatGPT ani nie klasyfikuje asystentów edukacyjnych. Partnerstwo Dartmouth należy więc traktować jako kontekst wdrożenia, a nie dowód, że konkretny model rozwiązuje obawy zgłaszane przez studentów.
Podobnie porównanie GPT Base i GPT Tutor w eksperymencie matematycznym dotyczy interfejsu i projektu dydaktycznego w ramach tego badania. Nie ustanawia aktualnego rankingu komercyjnego. Istotne porównanie dotyczy form pomocy i ich zmierzonych konsekwencji.
W przypadku zakupów dla kampusu sugeruje to użyteczny zestaw pytań. Czy edukatorzy mogą skonfigurować pomoc wokół celu zadania? Czy studenci potrafią odróżnić sugestie od zweryfikowanych dowodów? Czy instytucja może oceniać niezależne wykonanie bez czynienia zaangażowania w produkt główną miarą sukcesu?
Te pytania mają znaczenie, ponieważ cele instytucjonalne mogą różnić się od natychmiastowych preferencji użytkowników. Student pod presją terminu może preferować kompletną odpowiedź. Kurs zaprojektowany z myślą o rozwijaniu rozumowania może wymagać od studenta przepracowania niepewności przed otrzymaniem takiej odpowiedzi.
Wyzwaniem jest uczynienie tego celu edukacyjnego zrozumiałym. Utrudnienia bez wyjaśnienia mogą wydawać się arbitralne. Wyraźne powiązanie między ograniczeniem a umiejętnością daje studentom jaśniejszy obraz tego, czego oczekuje kurs.
Ta sama zasada dotyczy zarządzania wiedzą osobistą: organizowanie materiałów i ich rozumienie to zadania powiązane, lecz odrębne. Użyteczny system nauki powinien udostępniać dowody wspierające, pozostawiając jednocześnie przestrzeń dla osądu uczącego się.
Wdrożenie Dartmouth sprawia więc, że wskazówki stają się pilniejsze. Studenci potrzebują wyjaśnienia, kiedy pomoc wspiera ich ćwiczenie, kiedy zmienia to, co demonstruje ich praca, oraz jak prowadzący będą oceniać tę różnicę.
Na co zwracać uwagę po publikacji badania
Kolejne użyteczne dowody połączą decyzje uniwersytetów, wykazane uczenie się i oczekiwania pracodawców.
Pierwszym sygnałem będzie to, czy Dartmouth przełoży swoje ustalenia na konkretne wytyczne akademickie. Jego ogłoszenie dotyczące badania mówi, że raport kierownictwa wydziałowego z rekomendacjami dotyczącymi nauczania i badań jest w przygotowaniu.
W nadchodzących miesiącach użyteczne pytanie brzmi, jak konkretne staną się te wytyczne. Przykłady powiązane z esejami, zestawami zadań, projektami badawczymi i poprawkami pokazałyby, jak zasady instytucjonalne docierają do zwykłych zajęć. Same ogólne deklaracje pozostawiłyby studentom dużą część ciężaru interpretacji.
Ten sygnał wzmocniłby argument, że badanie wpływa na praktykę edukacyjną, gdyby rekomendacje definiowały obserwowalne oczekiwania. Osłabiłby go, gdyby odpowiedź skupiała się na ogólnym zachęcaniu bez wyjaśnienia granic oceny.
Drugim sygnałem będzie to, czy oceny kampusowe rozróżniają wspomagany rezultat od niezależnych kompetencji. Wymagałoby to czegoś więcej niż raportowania udziału lub zbierania pozytywnych reakcji. Dowody z zadań wykonanych samodzielnie pomogłyby bezpośrednio odpowiedzieć na pytanie o uczenie się.
Takie oceny wymagają ostrożnej interpretacji. Ocena powinna odpowiadać temu, czego uczy dany kurs, a wyniki powinny pozostać specyficzne dla badanej populacji i zadania. Udana interwencja w jednym środowisku uzasadniałaby dalsze testy, a nie uniwersalne twierdzenie.
Ten sygnał wzmocniłby zaufanie do wdrożenia AI, gdyby studenci zachowali lub przenieśli zamierzone umiejętności. Lepsze prace wspomagane bez odpowiadających im niezależnych dowodów pozostawiłyby centralne pytanie nierozstrzygnięte.
Trzecim sygnałem są badania Dartmouth dotyczące pracodawców. Uniwersytet podaje, że prowadzi ankietę wśród pracodawców dotyczącą stanowisk na poziomie początkującym, zmieniających się obowiązków i wymaganych umiejętności. Ta praca może pomóc porównać oczekiwania studentów z wymaganiami opisywanymi przez organizacje.
Odpowiedzi pracodawców nadal wymagałyby krytycznej analizy. Wyrażane preferencje różnią się od obserwowanych decyzji rekrutacyjnych, a entuzjazm wobec umiejętności AI nie wyjaśnia, które zdolności są istotne. Szczegółowe przykłady pracy, nadzoru i oceny byłyby bardziej informacyjne niż ogólne poparcie.
Te ustalenia wzmocniłyby argument dotyczący gotowości zawodowej, gdyby pracodawcy wskazali konkretne kompetencje, których uniwersytety mogą uczyć i które mogą oceniać. Rozbieżność dałaby instytucjom powód do rewizji sposobu opisywania korzyści ze szkolenia w zakresie AI.
Żaden z tych sygnałów nie wymaga udawania, że kolejne badanie studentów jest nieuchronne. Dartmouth wskazuje sierpień 2027 r. jako datę następnego badania studentów. Bliższe w czasie wydarzenia dotyczą wytycznych instytucjonalnych, praktyk oceny i już prowadzonych badań wśród pracodawców.
Dla czytelników śledzących badanie Dartmouth dotyczące AI użytecznym kolejnym krokiem jest pytanie, jakie dowody zmieniłyby podejście instytucji. Studenci mogą pytać, które części zadania muszą wykazywać niezależny osąd. Edukatorzy mogą wyjaśniać, jak dozwolona pomoc wiąże się z tym celem. Pracodawcy mogą opisywać rozumowanie, którego oczekują od nowych pracowników, także wtedy, gdy odpowiedź wygenerowana przez AI wydaje się wiarygodna. Zespoły produktowe mogą oceniać, czy użytkownicy zachowują kompetencje, które ich narzędzia mają wspierać. Śledźcie te konkretne decyzje wraz z rozwojem odpowiedzi. Gdy instytucja twierdzi, że AI przygotowuje studentów do pracy, co zmierzy, aby wykazać, że nadal potrafią wyjaśniać, kwestionować i stosować to, co tworzą?
