top of page

Wytyczne Office for Students dotyczące oceniania z użyciem AI wywierają presję na prace zaliczeniowe

39 minut temu
11 minut(y) czytania
Illustrative photograph. Photo: Matheus Bertelli / Pexels.

Office for Students naciska na angielskie uniwersytety, by rozszerzały zakres oceniania bez użycia AI, jednocześnie nadal ucząc studentów korzystania ze sztucznej inteligencji. Opublikowane 11 listopada wytyczne Office for Students dotyczące oceniania z użyciem AI odnoszą się do rosnącej luki: dopracowana praca zaliczeniowa nie musi świadczyć o zrozumieniu tematu przez studenta.

Główny konflikt dotyczy tego, co uczelnia może ustalić na podstawie oddanej pracy. Esej może spełniać kryteria oceny, a jednocześnie niewiele mówić o samodzielnym rozumowaniu jego autora. Z drugiej strony wykorzystanie AI podczas przygotowań nie oznacza automatycznie, że student unikał nauki lub złamał zasady oceniania.

Wcześniejszy eksperyment University of Reading pokazał trudności z rozpoznawaniem prac wygenerowanych przez AI w ramach zwykłego oceniania. Angielski regulator nakłada teraz na instytucje odpowiedzialność za projektowanie ocen, które potwierdzają osiągnięcia studentów. Wywiera to presję na uniwersytety, dostawców oprogramowania do oceniania oraz studentów poruszających się wśród niespójnych oczekiwań.

Wytyczne Office for Students dotyczące oceniania AI skupiają się na dowodach uczenia się

Interwencja regulatora podważa podstawę dowodową stojącą za oceną, jednocześnie pozostawiając miejsce na oceny dopuszczające AI.

OfS opublikował swoje badanie instytucjonalnego wykorzystania AI wraz z Advance HE 11 listopada. Realizowany między czerwcem a wrześniem 2026 roku projekt obejmował rozmowy z ponad 300 studentami i pracownikami z przeszło 120 instytucji.

Wyniki opisują obawy dotyczące niesuperwizowanych zadań, które AI może wykonać bez wykazania przez studentów zakładanej wiedzy. Uczestnicy opisywali także korzystne zastosowania AI w nauce oraz niepewność wokół zasad oceniania. Relacje te wskazują na problemy instytucjonalne; nie ustalają krajowego wskaźnika oszustw.

Szeroko rozpowszechniane sformułowanie „niemal niemożliwe” odzwierciedla obawę jednego z uczestników będącego pracownikiem uczelni dotyczącą oceniania studentów w niektórych obszarach. Traktowanie tego stwierdzenia jako uniwersalnego wniosku pomijałoby istotne zastrzeżenia. Raport nie stwierdza, że każdy esej został wygenerowany przez AI ani że każda ocena pracy zaliczeniowej jest pozbawiona wartości.

Towarzyszące wytyczne dotyczące zgodności oceniania wyjaśniają, jak stosują się istniejące warunki jakościowe. B1 dotyczy doświadczenia akademickiego, B2 odnosi się do zasobów i wsparcia, a B4 obejmuje ocenianie oraz wiarygodność przyznawanych kwalifikacji.

Wytyczne wspierają bezpieczne formy oceniania, gdy są one konieczne. Zapobiegają one użyciu AI i obejmują egzaminy, prezentacje, egzaminy ustne, występy oraz zadania praktyczne. Dopuszczają również AI, jeśli ocena nadal mierzy zamierzone efekty uczenia się.

To rozróżnienie zmienia pytanie stojące przed instytucjami. Uniwersytet nie może rozstrzygnąć tej kwestii wyłącznie przez deklarowanie poparcia dla AI lub zaangażowania w uczciwość akademicką. Potrzebuje możliwego do obrony wyjaśnienia, co każda forma oceny potwierdza w odniesieniu do studenta.

Rozważmy przykładowe zadanie z ekonomii, w którym studenci mają ocenić propozycję polityki publicznej. Przekonujący esej końcowy może świadczyć o solidnej argumentacji albo odzwierciedlać szeroko zakrojoną pomoc. Bez dodatkowych dowodów oceniający staje wobec niepewności co do wkładu studenta.

Zmiana czcionki, dodanie oświadczenia lub przypominanie studentom o niewłaściwym postępowaniu nie rozwiązuje tej niepewności. Takie działania komunikują oczekiwania, ale niekoniecznie wzmacniają dowody uzasadniające ocenę.

Ocena wymagająca od studentów wyjaśnienia swoich założeń tworzy inną podstawę do osądu. Prowadzący może zbadać, dlaczego wybrano dany model, które dowody mają znaczenie i jak odrzucono konkurencyjne wyjaśnienia.

Praktyczne znaczenie wytycznych Office for Students dotyczących oceniania z użyciem AI wykracza zatem poza formę egzaminu. Ich głównym wymogiem jest, aby instytucje łączyły ocenianą pracę z umiejętnościami, których posiadanie deklarują potwierdzać.

To połączenie wyjaśnia również, dlaczego prace zaliczeniowe pozostają częścią dyskusji. Rozbudowane projekty mogą ujawniać badania, poprawki i długotrwałe rozumowanie. Wyzwaniem jest zachowanie tych zalet przy jednoczesnym ustaleniu, czyje zrozumienie reprezentuje ukończona praca.

Uniwersytety muszą bronić tego, co faktycznie potwierdzają ich oceny

Bezpośrednia presja spoczywa na instytucjach przyznających kwalifikacje, w tym na tych, które mają jasne zasady, lecz słabe dowody osiągnięć studentów.

OfS powiązał jakość oceniania ze swoimi obowiązkami regulacyjnymi. W swoim komunikacie dotyczącym oceniania AI wskazuje potencjalne reakcje na niepowodzenia instytucjonalne, w tym warunki, kary pieniężne i ograniczenia finansowania.

Są to narzędzia regulacyjne, a nie dowód, że którykolwiek uniwersytet już otrzymał karę w związku z tym raportem. To rozróżnienie ma znaczenie, ponieważ ostrzeżenie określa oczekiwania, nie przesądzając o wyniku postępowania egzekucyjnego.

Josh Fleming, dyrektor OfS ds. strategii i realizacji, wezwał do szerszego stosowania oceniania bez AI. Zastępczyni dyrektora generalnego Advance HE, Kathryn Harrison-Graves, podkreśliła znaczenie kierunku instytucjonalnego, spójnych wytycznych oraz zasobów dla pracowników i studentów.

Stanowiska te odnoszą się do różnych części tego samego problemu. Kontrolowane ocenianie może wzmocnić zaufanie do indywidualnych osiągnięć. Koordynacja instytucjonalna pomaga ustalić, gdzie takie podejście jest właściwe i czy wydziały mogą wdrażać je konsekwentnie.

Dla władz uniwersyteckich wynikająca z tego presja wykracza poza zespoły zajmujące się naruszeniami uczciwości akademickiej. Projektowanie ocen wpływa na obsadę kadrową, harmonogramy zajęć, dostępność pomieszczeń, dostępność dla osób o różnych potrzebach oraz relację między celami kursu a końcowymi kwalifikacjami.

Egzamin ustny wymaga osoby posiadającej kwalifikacje do zadawania użytecznych pytań uzupełniających. Zadanie praktyczne wymaga odpowiednich warunków i spójnego oceniania. Zmienione zadanie wymaga, by prowadzący uzgodnili, co stanowi udane rozumowanie.

Są to kwestie wdrożeniowe, a nie koszty zmierzone w raporcie. Wyjaśniają, dlaczego przyjęcie nowej polityki oceniania jest łatwiejsze niż wykazanie, że polityka ta działa w całym uniwersytecie.

Dla prowadzących ta zmiana przekształca również rolę oceniania. Czytanie końcowej odpowiedzi pozostaje konieczne, ale pewność coraz bardziej zależy od dowodów zebranych wokół tej odpowiedzi.

Prowadzący może porównać projekt z wyjaśnieniem studenta dotyczącym jego kluczowej decyzji. Inny może ocenić zadanie praktyczne podczas nadzorowanej sesji. Żadne z tych podejść nie gwarantuje sprawiedliwości bez odpowiednich kryteriów.

Dla studentów kluczowa staje się przewidywalność. Kurs, który podczas zajęć zachęca do eksploracji wspieranej przez AI, musi wyjaśniać granice dotyczące ocenianej pracy. W przeciwnym razie studenci muszą wywnioskować zasady z rozproszonych komentarzy i niespójnych przykładów.

Ta niepewność tworzy problemy nawet wtedy, gdy wszyscy zamierzają przestrzegać zasad. Pomoc w zakresie gramatyki, wyszukiwania źródeł, rozwijania argumentacji i pełnego redagowania tekstu wiąże się z różnymi rodzajami wkładu. Pojedyncza instrukcja odpowiedzialnego korzystania z AI pozostawia te różnice nierozstrzygnięte.

Pracodawcy również są zainteresowani sprawą, choć raport nie ustala, jak zmienią się praktyki rekrutacyjne. Kwalifikacja przekazuje określone twierdzenie o kompetencjach absolwenta. Niepewność dotycząca oceniania osłabia użyteczność tego twierdzenia.

Istotne rozróżnienie dotyczy wytworzenia akceptowalnego rezultatu oraz posiadania osądu potrzebnego do jego oceny. Wiele zadań zawodowych obejmuje oba te elementy. Uniwersytety odczuwają presję, by wykazać, którą zdolność reprezentuje konkretna ocena.

Dla dostawców technologii wniosek jest podobny. Funkcje przyspieszające tworzenie prac nie wzmacniają automatycznie dowodów edukacyjnych. Użyteczność produktu do nauki i jego przydatność do oceniania wymagają odrębnych osądów.

Biegłość w AI i samodzielne kompetencje wymagają różnych dowodów

Student może nauczyć się skutecznie pracować z AI, a jednocześnie nadal musi wykazać zrozumienie bez jej użycia.

Pozorna sprzeczność w stanowisku regulatora znika, gdy cele oceniania zostają wyraźnie określone. Kompetentne korzystanie z narzędzia i samodzielne rozumienie przedmiotu to powiązane zdolności, ale wymagają różnych dowodów.

Przykładowy kurs programowania czyni to rozróżnienie konkretnym. Student może wykorzystać AI do zasugerowania kodu, a następnie zbadać jego działanie i wskazać lukę bezpieczeństwa. Takie ćwiczenie może sprawdzać osąd dotyczący wygenerowanego wyniku.

Oddzielne zadanie może wymagać od studenta prześledzenia prostego programu bez pomocy. Jego celem byłoby ustalenie podstawowego zrozumienia. Sukces w ćwiczeniu wspieranym przez AI nie potwierdzałby automatycznie sukcesu w zadaniu samodzielnym.

Żadne z tych zadań nie musi reprezentować całego kursu. Razem mogą odpowiedzieć na pytania, które pozostawia nierozstrzygnięte dopracowany program końcowy.

Wcześniejsze dowody pokazują, dlaczego to rozróżnienie zasługuje na uwagę. W eksperymencie dotyczącym przenikania odpowiedzi do egzaminów z 2024 roku badacze z University of Reading przekazali odpowiedzi wygenerowane przez AI do egzaminów z psychologii na studiach licencjackich.

Uniwersytet podał, że 94% pozostało niewykrytych, a wygenerowane prace otrzymały średnio wyższe oceny niż rzeczywiste prace studentów. Eksperyment dotyczył konkretnego systemu egzaminacyjnego i kontekstu przedmiotowego.

Nie ustala on aktualnego wskaźnika wykrywalności w skali uniwersytetów. Pokazuje jednak, dlaczego zwykłe ocenianie nie może automatycznie potwierdzić autorstwa ani samodzielnego zrozumienia.

Eksperyment Reading i interwencja OfS podchodzą do problemu z różnych stron. Eksperyment sprawdzał, czy oddane odpowiedzi przejdą przez istniejący system. Regulator prosi instytucje, by uczyniły swoje systemy oceniania możliwymi do obrony.

Ta zmiana sprzyja wyraźniejszemu rozróżnianiu różnych rodzajów osiągnięć. Raport wspierany przez AI może demonstrować ocenę, weryfikację i odpowiedzialne korzystanie z narzędzi. Samodzielne wyjaśnienie może ustalić, czy student rozumie stojące za nim rozumowanie.

Napięcie staje się ostrzejsze, gdy ocenianie nagradza pozory eksperckości. Płynne pisanie, uporządkowane odniesienia i pewne wnioski mogą być użytecznymi cechami. Stają się mylące, gdy oceniający traktują je jako wystarczający dowód wiedzy przedmiotowej.

Model może stworzyć wiarygodne wyjaśnienie, którego użytkownik nie potrafi obronić. Student może także napisać niezgrabną prozę, rozumiejąc jednak leżącą u podstaw kwestię. Ocenianie musi rozróżniać te możliwości, nie zakładając żadnej z nich.

To samo rozróżnienie ma znaczenie dla pracowników wiedzy poza edukacją. Podsumowanie wygenerowane przez AI może pomóc komuś w przeglądzie informacji, ale zaakceptowanie jego wniosku wymaga sprawdzenia dowodów.

Dla osób zgłębiających zarządzanie wiedzą osobistą związek jest praktyczny: uporządkowane materiały wspierają zrozumienie, gdy ludzie mogą zbadać ich pochodzenie i tok rozumowania.

Ta obserwacja nie dowodzi, że konkretne oprogramowanie poprawia oceny ani weryfikuje autorstwo. Wskazuje na wspólny problem w nauce i pracy zawodowej: dostęp do informacji i rzetelne zrozumienie to dwa różne osiągnięcia.

Najmocniejsza interpretacja podejścia regulatora zachowuje zatem oba oczekiwania. Absolwenci powinni rozumieć swoje dziedziny i rozwijać osąd dotyczący AI. System oceniania powinien ujawniać te kompetencje, zamiast sprowadzać je do jednego ukończonego dokumentu.

Powrót do egzaminów pozostawia ważne pytania bez odpowiedzi

Bardziej kontrolowane ocenianie może zwiększyć zaufanie do indywidualnych wyników, nie rozstrzygając jednak wszystkich kwestii sprawiedliwości ani wartości edukacyjnej.

Egzamin pod nadzorem ogranicza możliwości skorzystania z zewnętrznej pomocy. Nie dowodzi jednak automatycznie, że zadanie mierzy najbardziej istotną kompetencję.

Rozważmy przykładowy kurs metod badawczych. Test w ograniczonym czasie może sprawdzać, czy studenci rozpoznają słabości projektu badania. Długoterminowy projekt może pokazać, czy potrafią sformułować pytanie i zmienić przyjęte podejście.

Obie formy dowodów mogą mieć znaczenie. Całkowite zastąpienie projektu zmieniłoby to, co mierzy kurs, nawet gdyby zamiennik utrudniał nieuprawnione użycie AI.

To najsilniejsze sceptyczne wyzwanie dla szerokiego powrotu do egzaminów. Uniwersytety potrzebują dowodów, że zmienione formy oceniania zachowują efekty uczenia się, które zamierzają poświadczać.

Bezpieczeństwo i trafność wymagają zatem odrębnej analizy. Bezpieczeństwo dotyczy warunków, w których student wykonuje zadanie. Trafność dotyczy tego, czy zadanie mierzy zamierzoną wiedzę lub umiejętność.

Instytucja może wzmocnić jedno, zaniedbując drugie. Ściśle kontrolowany test pamięciowy dostarcza ograniczonych dowodów na zdolności wymagające dłuższego badania. Ambitny projekt wykonywany w domu może pozostawiać niepewność co do samodzielnego wkładu.

Problem projektowy polega na równoważeniu tych ograniczeń. Twierdzenie, że tradycyjne egzaminy rozwiązują problem oceniania w erze AI, nadmiernie upraszczałoby zadanie. Twierdzenie, że użycie AI w miejscu pracy czyni samodzielne ocenianie zbędnym, byłoby równie nieuzasadnionym wnioskiem.

Dostępność stanowi kolejne ograniczenie. Wytyczne OfS uznają zasadność racjonalnych dostosowań dla studentów z niepełnosprawnościami i ostrzegają przed nadawaniem nieproporcjonalnej wagi wynikom narzędzi do wykrywania AI.

Te zabezpieczenia mają znaczenie, ponieważ ani zmiana stylu pisania, ani wynik detektora nie wyjaśniają, jak student wykonał zadanie. Zarzut i ocena pracy wymagają odpowiednich dowodów.

Uniwersytet powinien również odróżniać pomoc od zastępstwa. Student korzystający z dozwolonego wsparcia podczas rozwijania argumentacji znajduje się w innej sytuacji niż osoba składająca pracę, której nie potrafi wyjaśnić.

Granica zależy częściowo od zadania. Pomoc akceptowalna podczas ćwiczenia językowego mogłaby przekreślić cel zadania zaprojektowanego w celu oceny samodzielnego pisania. Ogólne zasady instytucjonalne potrzebują znaczenia dostosowanego do konkretnej formy oceny.

Istnieje też ryzyko nadmiernego przeniesienia ciężaru dowodowego na studentów. Wymaganie szczegółowych zapisów każdej czynności podczas tworzenia pracy może generować dokumentację, nie potwierdzając zrozumienia.

Pełna historia aktywności nadal wymagałaby interpretacji. Mogłaby pokazać, że student korzystał z narzędzia, ale sama interakcja nie ujawniłaby, czy doszło do uczenia się.

To powody, by ostrożnie oceniać przeprojektowanie, a nie powody, by zachować każde istniejące zadanie. Instytucje muszą wyjaśnić, jaki wkład każdy element wnosi do wiarygodnej oceny.

Nierozstrzygnięta kwestia jest zatem szersza niż to, czy egzaminy powrócą. Wytyczne Office for Students dotyczące oceniania z użyciem AI pozostawiają uniwersytetom odpowiedzialność za wykazanie, że wybrana przez nie kombinacja sprawiedliwie mierzy osiągnięcia.

Ich skuteczność będzie zależeć od dowodów wdrożeniowych. Zmieniony podręcznik może określać silniejsze oczekiwania; tylko działanie systemu oceniania może pokazać, czy te oczekiwania są spełniane.

Powszechne korzystanie przez studentów sprawia, że ogólne założenia są niewiarygodne

Powszechne użycie AI pokazuje skalę wyzwania związanego z ocenianiem, pozostawiając jednak nierozstrzygnięte kwestie indywidualnego postępowania i efektów uczenia się.

Badanie HEPI z marca 2026 r. dotyczące AI wśród studentów dostarcza użytecznego kontekstu. Przeprowadzone przez Savanta w grudniu 2025 r. zebrało odpowiedzi od 1 054 studentów studiów stacjonarnych w Wielkiej Brytanii.

Badanie wykazało, że 95% respondentów zgłosiło korzystanie z AI w pewien sposób, a 94% zadeklarowało używanie generatywnej AI jako pomocy przy ocenianych pracach. Osobno 12% zgłosiło bezpośrednie włączanie tekstu wygenerowanego przez AI do ocenianych prac.

Te kategorie mierzą różne zachowania. Pomoc przy ocenianej pracy obejmuje więcej działań niż wstawianie wygenerowanego tekstu. Żadna z tych liczb sama w sobie nie dowodzi naruszenia zasad obowiązujących studenta w jego instytucji.

Badanie wykazało również, że 65% respondentów uznało, iż ocenianie znacząco zmieniło się w odpowiedzi na AI. Zapewnia więc kontekst dla już trwającej adaptacji instytucjonalnej, obok obaw przedstawionych w listopadowych badaniach.

Wyniki te podważają prosty podział na użytkowników AI i samodzielnych uczących się. Student może korzystać z AI, jednocześnie głęboko angażując się w materiał. Inny może używać podobnych narzędzi, aby uniknąć takiego zaangażowania.

Różnica edukacyjna tkwi w pracy, którą student nadal wykonuje. Poproszenie o wyjaśnienie może rozpocząć produktywne badanie. Przyjęcie wyjaśnienia bez jego sprawdzenia może przedwcześnie zakończyć to badanie.

Przykładowe zadanie z historii pokazuje, jak podobne działania mogą prowadzić do różnych rezultatów. Student może poprosić AI o zaproponowanie interpretacji, a następnie porównać je z dokumentami źródłowymi.

Inny student może złożyć zaproponowaną interpretację bez zbadania dowodów, na których się opiera. Początkowa interakcja z narzędziem wygląda podobnie, ale wynikająca z niej podstawa do wystawienia oceny jest inna.

Dlatego statystyki dotyczące wykorzystania nie mogą rozstrzygać projektu systemu oceniania. Wskazują, jak powszechnie instytucje stykają się z AI, ale dostarczają ograniczonych informacji o tym, czego nauczył się konkretny student.

Ta sama ostrożność dotyczy doniesień o rówieśnikach szybko wykonujących zadania. Takie relacje wskazują na wiarygodny problem wart zbadania. Nie mierzą, jak często takie zachowanie występuje w całym sektorze.

Instytucje potrzebują zatem dowodów z własnych kursów. W których miejscach złożone odpowiedzi pozostawiają niepewność co do zrozumienia? Które elementy oceny usuwają tę niepewność? Które zmiany zachowują użyteczne możliwości badań i poprawiania pracy?

Te pytania mają znaczenie również dla oceny produktów AI. Dostawca może wykazać, że jego oprogramowanie generuje pytania do nauki lub podsumowuje dokumenty. Taka demonstracja nie dowodziłaby poprawy samodzielnych wyników.

Nabywcy rozwiązań edukacyjnych powinni odróżniać aktywność związana z produktem od osiągnięć edukacyjnych. Częste użycie, atrakcyjny rezultat i zadowolenie studentów mogą informować decyzje, lecz odpowiadają na inne pytania niż wykazane uczenie się.

Dla studentów praktyczna konsekwencja to wyraźniejsza relacja między przygotowaniem a dowodem. AI może uczestniczyć w przygotowaniu, tam gdzie jest to dozwolone. Ocenianie musi nadal potwierdzać umiejętności, które kurs obiecuje rozwijać.

Dla uniwersytetów oznacza to porzucenie ogólnych założeń w obu kierunkach. Powszechne użycie nie dowodzi powszechnego oszukiwania, a polityka przyjazna AI nie dowodzi, że ocenianie pozostaje wiarygodne.

Obserwuj zmiany w ocenianiu, dowody regulacyjne i wsparcie dla kadry

Kolejnym sprawdzianem będzie to, czy uniwersytety potrafią wykazać, że przeprojektowane formy oceniania ujawniają uczenie się wyraźniej niż wcześniejsze rozwiązania.

W nadchodzących miesiącach pierwszym sygnałem wartym obserwowania będą zmiany właściwe dla konkretnych form oceniania. Instytucje powinny opisać, które zadania wymagają samodzielnego wykonania, które dopuszczają AI i co potwierdza każdy element.

Ogólne ogłoszenie dotyczące odpowiedzialnej AI dostarczyłoby ograniczonych dowodów postępu. Zmienione zadania, jasne kryteria i wyjaśnienia ich celu stanowiłyby solidniejszą podstawę oceny.

Ten sygnał wzmocniłby argument za skuteczną adaptacją, gdyby uniwersytety zachowały wartościową pracę kursową, jednocześnie ograniczając niepewność co do wkładu studentów. Sam wzrost liczby egzaminów pozostawiłby pytanie edukacyjne otwarte.

Drugi sygnał dotyczy sposobu, w jaki regulator ocenia dowody instytucjonalne. Opublikowane kolejne kroki regulacyjne wskazują, że będzie on wykorzystywać istniejące narzędzia, zamiast wprowadzać nowe regulacje.

OfS wskazuje również oczekiwania w ramach proponowanego przyszłego podejścia do jakości. Oczekiwania te powinny pozostać odrębne od ostatecznego harmonogramu wdrożenia lub ogłoszonego ustalenia dotyczącego egzekwowania przepisów.

Warto obserwować wyraźniejsze przykłady tego, jak wyglądają wystarczające dowody. Instytucje muszą rozumieć, w jaki sposób oceny wykazują osiągnięcia, zamiast wnioskować o zgodności z tego, czy dany format wydaje się tradycyjny.

Kontrola oparta na dowodach wzmocniłaby interwencję. Nacisk na widoczne ograniczenia bez badania uczenia się osłabiłby argument, że zmiany chronią jakość kwalifikacji.

Trzeci sygnał to praktyczne wsparcie dla kadry. Advance HE zapowiedziało Change Academy skoncentrowaną na AI dla instytucji członkowskich na początku 2027 r.

Jej znaczenie będzie zależeć od tego, czy planowanie instytucjonalne dotrze do projektowania kursów i praktyki dydaktycznej. Wspólne zasady stają się użyteczne, gdy prowadzący potrafią zastosować je do rzeczywistych zadań i wyjaśnić je studentom.

Wsparcie powinno również łączyć oczekiwania w ramach całego kursu. Studenci muszą rozumieć, dlaczego pomoc jest zachęcana w jednym zadaniu, a ograniczana w innym. Spójność wynika z jasnego celu edukacyjnego, a nie z identycznych zasad wszędzie.

Wytyczne Office for Students dotyczące oceniania z użyciem AI zasługują na uwagę, ponieważ łączą politykę AI z wiarygodnością ocen. Ich powodzenie pozostaje kwestią empiryczną: czy zmienione formy oceniania dostarczają lepszych dowodów osiągnięć studentów?

Dla studentów, wykładowców i nabywców rozwiązań edukacyjnych kolejnym krokiem jest przeanalizowanie szczegółów oceniania stojących za ogłoszeniami. Zapytaj, co zadanie potwierdza samodzielnie, co potwierdza z pomocą i jak te oceny się łączą.

Zachowaj użyteczne rozróżnienia podczas interpretowania statystyk wykorzystania lub oceny nowych narzędzi. Pomoc AI, zgłoszenia wygenerowane przez AI, naruszenia zasad i słabe uczenie się opisują różne zjawiska. Wiarygodna odpowiedź wymaga dowodów dotyczących każdego z nich.

Gdy uniwersytety zmieniają swoje podejścia, czytaj zasady dotyczące zadań wraz z kryteriami oceniania. Co student musi rozumieć na tyle dobrze, by potrafić wyjaśnić, zweryfikować lub wykonać, i gdzie ocena rzeczywiście to pokazuje?

 
 

Zacznij bezpłatnie

Asystent AI działający przede wszystkim lokalnie, z funkcją zarządzania wiedzą osobistą

Aby zapewnić lepsze działanie AI,

remio obsługuje obecnie wyłącznie Windows 10+ (x64) i M-Chip Macs.

Twój partner AI w pracy
Zrób więcej z remio

Planuj. Twórz. Dostarczaj.
Wszystko w jednym miejscu.

bottom of page