Zmiany w ocenianiu prac domowych Richarda Borcherdsa, gdy AI zaciera dowody uczenia się

Richard Borcherds miał przestać oceniać prace domowe pod kątem poprawności, ponieważ AI utrudnia ustalenie, czy studenci wykonali je samodzielnie. Zmiana w ocenianiu prac domowych przez Richarda Borcherdsa pozostawia zadania ćwiczeniowe, ale przesuwa dowody zrozumienia w stronę nadzorowanych egzaminów. To istotne rozróżnienie: opisywane wycofanie dotyczy tego, co mogą potwierdzać oceny za pracę domową, a nie tego, czy studenci powinni ćwiczyć matematykę.

Według materiału Tom’s Hardware z 27 października profesor UC Berkeley ocenia teraz studentów przede wszystkim na podstawie egzaminów stacjonarnych bez urządzeń elektronicznych. Inne publikacje opisują zaliczanie prac domowych na podstawie ich wykonania. Łącznie te relacje przedstawiają rozdzielenie między ćwiczeniem umiejętności a wykazaniem, że student rzeczywiście ją posiada.

Konkurencyjne podejścia istnieją już na Berkeley. Program zajęć z obliczeń statystycznych na semestr jesienny 2026 dopuszcza pomoc AI, jednocześnie łącząc zadania ze stacjonarnymi sprawdzeniami zrozumienia. Opisywana decyzja Borcherdsa stawia więc przed edukatorami i użytkownikami AI konkretne pytanie: gdy oprogramowanie potrafi wygenerować odpowiedź, co powinno być uznawane za dowód, że ktoś ją rozumie?

Co faktycznie oznacza zmiana w ocenianiu prac domowych Richarda Borcherdsa

Opisywana zmiana usuwa poprawność jako podstawę zaliczania prac domowych; nie potwierdza, że Borcherds zlikwidował prace domowe.

Tom’s Hardware przypisuje tę decyzję obawie Borcherdsa, że dopracowane prace nie pozwalają już wiarygodnie odróżnić samodzielnej pracy od pomocy AI. Relacja o jego zmianie sposobu oceniania prac domowych opisuje także preferencję dla nadzorowanych egzaminów. Miał on zaobserwować wyższe wyniki online, nie będąc w stanie ustalić, którzy studenci korzystali z AI.

Informacja o zaliczaniu za wykonanie pojawia się w innych materiałach, w tym w podsumowaniu odsyłającym do New York Post. Ta relacja opisuje zaliczanie prac domowych na podstawie ich wykonania, zawężając to, co czytelnicy powinni wyciągać z nagłówków o zakończeniu oceniania prac domowych. Oddanie pracy może nadal mieć znaczenie, nawet gdy poprawne odpowiedzi nie otrzymują zróżnicowanych ocen.

Pozycja Borcherdsa pomaga wyjaśnić zainteresowanie tą sprawą. Archiwum Berkeley dokumentuje jego Medal Fieldsa z 1998 roku, przyznany za pracę matematyczną, w tym dowód hipotezy Monstrous Moonshine. To wyróżnienie potwierdza jego kompetencje badawcze. Nie potwierdza jednak niezależnie zasadności jego polityki oceniania ani nie mierzy skali oszustw na jego zajęciach.

Nadal istotnych jest kilka ograniczeń. Przeanalizowane tutaj relacje nie dowodzą, że cała uczelnia wycofuje się z ocenianych prac domowych. Nie podają też zweryfikowanej daty wdrożenia, pełnej formuły oceniania ani zmierzonego wskaźnika oszustw wśród jego studentów.

Bezpośrednim wydarzeniem jest więc opisywana reakcja wykładowcy na problem, którego — jak twierdzi — nie jest już w stanie rozwiązać poprzez sprawdzanie odpowiedzi. Traktowanie tej reakcji jako polityki obowiązującej na całym Berkeley zawyżałoby wagę dowodów. Jeszcze większym nadużyciem byłoby uznanie jej za dowód, że każda bardzo dobra praca wiąże się z oszustwem.

To rozróżnienie zmienia także debatę o polityce oceniania. Rezygnacja z zadań ćwiczeniowych odebrałaby możliwość nauki. Rezygnacja z punktowania poprawności zmienia zachętę związaną z tą możliwością, pozostawiając otwarte pytanie o to, jak studenci otrzymują użyteczną informację zwrotną.

Rozważmy różnicę z perspektywy studenta. Przy ocenianiu poprawności nierozwiązany problem zagraża wynikowi za zadanie. Przy zaliczeniu za wykonanie ten sam nierozwiązany problem może wskazywać coś, czym należy zająć się przed egzaminem — pod warunkiem że kurs nadal zapewnia odpowiednią informację zwrotną.

To potencjalna korzyść, a nie potwierdzony rezultat zajęć Borcherdsa. Studenci mogą odczuwać mniejszą presję, by oddawać bezbłędne odpowiedzi, których nie potrafią wyjaśnić. Mogą też poświęcać mniej wysiłku na ćwiczenia, jeśli samo wykonanie wydaje się wystarczające.

Historia zmian w ocenianiu prac domowych przez Richarda Borcherdsa dotyczy zatem problemu oceniania o sprzecznych konsekwencjach. Kurs może uczynić zlecanie prac domowych na zewnątrz mniej atrakcyjnym, a jednocześnie osłabić natychmiastową nagrodę za ich staranne wykonanie. To, czy taka równowaga poprawia uczenie się, wymaga dowodów wykraczających poza samo ogłoszenie.

Poprawne odpowiedzi tracą wartość jako dowód

Poprawna praca mówi coś o oddanym materiale, ale coraz częściej nie rozstrzyga kwestii samodzielnych umiejętności studenta.

Praca domowa może pełnić kilka funkcji. Daje studentom praktykę, pomaga prowadzącym rozpoznać nieporozumienia, tworzy terminy i stanowi dowód przy wystawianiu oceny końcowej. Te cele się pokrywają, ale nie zawsze wymagają tej samej metody oceniania.

AI utrudnia ignorowanie tego rozdziału. Student może dysponować poprawnym rozwiązaniem, nie wybierając samodzielnie metody, nie rozumiejąc jej założeń ani nie rozpoznając sytuacji, w których może zawieść. Sama końcowa odpowiedź nie pozwala rozstrzygnąć tych różnic.

Nie oznacza to, że każda forma pomocy niweczy naukę. Wskazówka może pomóc komuś wrócić do produktywnej pracy. Wyjaśnienie może ujawnić nieporozumienie. Gotowe rozwiązanie może też zastąpić rozumowanie, które zadanie miało rozwijać.

W ukończonej pracy te ścieżki mogą wyglądać podobnie. Wywiera to presję na prowadzących, którzy muszą przyznawać indywidualne punkty za pracę wykonaną poza ich obserwacją. Wywiera też presję na studentów przestrzegających ograniczeń, gdy sądzą, że inni otrzymują punkty dzięki niedozwolonej pomocy.

Opisywana reakcja Borcherdsa bezpośrednio odnosi się do tej zachęty. Jeśli poprawność daje mniej punktów za pracę domową, uzyskanie bezbłędnej odpowiedzi od oprogramowania staje się mniej użyteczne dla tej konkretnej oceny. Zaliczanie za wykonanie nadal jednak nagradza oddanie czegoś, więc zachęta nie znika całkowicie.

Głębsza zmiana dotyczy relacji między ćwiczeniem a poświadczaniem kompetencji. Ćwiczenie może obejmować pomoc, nieudane próby, dyskusję i poprawki. Poświadczenie kompetencji wymaga możliwej do obrony podstawy, by stwierdzić, co dana osoba potrafi zrobić w określonych warunkach.

Hipotetyczne zadanie z matematyki ilustruje tę różnicę. Student oddaje poprawny dowód, ale nie potrafi wyjaśnić, dlaczego jego kluczowe założenie jest konieczne. Dowód pozostaje poprawny, lecz praca stanowi słaby dowód, że student rozumie jego logikę.

Egzaminator, który zmienia to założenie, może zadać inne pytanie: czy student rozpoznaje, co przestaje działać? Taka wymiana bada zrozumienie bardziej bezpośrednio niż kolejne sprawdzanie pierwotnego dokumentu. Wymaga jednak czasu i odpowiednio dobranego pytania.

To samo rozróżnienie ma znaczenie poza uniwersytetami. Wygenerowany program może działać poprawnie, choć jego użytkownik nie potrafi zdiagnozować awarii. Dopracowana analiza może brzmieć przekonująco, choć jej autor nie potrafi obronić dowodów stojących za rekomendacją.

Są to praktyczne implikacje, a nie ustalenia dotyczące studentów Borcherdsa. Wyjaśniają, dlaczego pracownicy umysłowi powinni interesować się sporem o ocenianie. Szybsza produkcja zwiększa znaczenie decyzji o tym, które ludzkie osądy nadal wymagają weryfikacji.

Dla edukatorów trudny wybór dotyczy tego, co powinno potwierdzać każde zadanie. Jeśli jego głównym celem jest ćwiczenie, pomoc może odpowiadać celowi edukacyjnemu. Jeśli ma ono poświadczać samodzielne kompetencje, dostęp do pomocy zmienia znaczenie uzyskanego wyniku.

Problem wykracza więc poza wykrywanie nadużyć po oddaniu pracy. Ocena może stać się mniej miarodajna, nawet jeśli nikt nie złamał zasad, zwłaszcza gdy reguły pozwalają na szeroką pomoc. Jasne zezwolenie nie sprawia automatycznie, że wynik jest trafną miarą indywidualnego zrozumienia.

Nadzorowane egzaminy przywracają obserwację, ale z ograniczeniami

Nadzorowane egzaminy wzmacniają dowody na to, kto wykonał pracę, jednocześnie zawężając warunki, w których studenci demonstrują swoje umiejętności.

Egzamin stacjonarny bez urządzeń elektronicznych odpowiada na konkretną niepewność. Prowadzący może obserwować studenta rozwiązującego problemy bez dostępu do narzędzi wykluczonych przez zasady egzaminu. Ułatwia to ustalenie autorstwa bardziej niż w przypadku pracy bez nadzoru.

Nie potwierdza to automatycznie wszystkiego, co ceni dany kurs. Egzamin z limitem czasu mierzy wyniki w ramach określonych ograniczeń. Dłuższe badanie zagadnienia, poprawki, współpraca i skuteczne korzystanie z materiałów referencyjnych mogą wymagać innych warunków.

Badania dostarczają użytecznego historycznego punktu odniesienia dla obaw związanych z ocenianiem bez nadzoru. W eksperymencie University of Reading, nagłośnionym w czerwcu 2024 roku, wprowadzono odpowiedzi wygenerowane przez AI do ocenianych prac studentów psychologii. Jego test ślepego oceniania wykazał, że 94% z nich pozostało niewykrytych, a prace AI otrzymywały średnio wyższe oceny.

Wynik wspiera ograniczony wniosek: doświadczeni oceniający mogą mieć trudności z rozpoznaniem wygenerowanej pracy w ramach istniejącego systemu oceniania. Nie mierzy oszustw na Berkeley, nie ustala charakterystycznego dla matematyki wskaźnika wykrywania ani nie dowodzi, że nadzorowane egzaminy zapewniają lepsze uczenie się.

To ograniczenie ma znaczenie, ponieważ wykrywanie i edukacja są różnymi rezultatami. Ocena może utrudniać niedozwoloną pomoc, nie zapewniając studentom skutecznego przygotowania. Inna może wspierać naukę, ale dawać wynik, który nie pozwala z przekonaniem poświadczyć samodzielnego wykonania.

Opisywana preferencja Borcherdsa rozwiązuje problem obserwacji bardziej bezpośrednio niż problem uczenia się. Zmienia miejsce, w którym prowadzący zbierają dowody. To, czy studenci staną się lepszymi matematykami, zależy od tego, co dzieje się przed i po tej ocenie.

Istnieje również różnica między wprowadzeniem regularnych nadzorowanych sprawdzeń a skupieniem większości punktów na egzaminie końcowym. Pierwsze rozwiązanie może ujawnić nieporozumienia, gdy studenci mają jeszcze czas na reakcję. Drugie może uczynić je widocznymi dopiero wtedy, gdy konsekwencje są znaczące.

Żaden z tych układów nie wynika automatycznie ze sformułowania „egzaminy stacjonarne”. Aby ocenić projekt kursu, czytelnicy potrzebują rzeczywistego harmonogramu oceniania, wag ocen, procesu przekazywania informacji zwrotnej i zasad dostosowań. Relacje nie dostarczają wszystkich tych szczegółów dotyczących Borcherdsa.

Nadzorowany test może również zadawać niewłaściwe pytania. Jeśli nagradza zapamiętanie znanej procedury, może potwierdzać samodzielne odtwarzanie z pamięci, nie sprawdzając, czy student rozumie, kiedy dana procedura ma zastosowanie. Fizyczna obecność wzmacnia przypisanie autorstwa, a nie gwarantuje sensownego pytania.

Bardziej miarodajny kontrast dotyczy więc obserwowalnego zrozumienia i niezweryfikowanego rezultatu. Papier to jeden ze sposobów na stworzenie takiej obserwacji. Ustne wyjaśnienie, nadzorowane ćwiczenie z debugowania lub problem uzupełniający mogą realizować podobny cel.

Te alternatywy wiążą się z własnymi obciążeniami, w tym z zapewnieniem spójności i odpowiedniej obsady kadrowej. Pokazują też, dlaczego uznanie nadzorowanych egzaminów za jedyne rozwiązanie wykracza poza dostępne dowody. Uzasadnione twierdzenie jest węższe: kontrolowane ocenianie bezpośrednio ogranicza niepewność dotyczącą pomocy z zewnątrz.

W przypadku debaty o ocenianiu prac domowych Richarda Borcherdsa to istotne rozróżnienie. Opisywana polityka stanowi odpowiedź na niewiarygodne dowody. Należy ją oceniać jako wybór dotyczący oceniania, który wiąże się z kosztami, a nie jako uniwersalny werdykt na temat sposobu nauczania każdego przedmiotu.

Wykrywanie AI rodzi kolejny problem osądu

Oprogramowanie wykrywające nie eliminuje potrzeby uczciwej procedury, która odróżnia podejrzenie od dowodu.

Detektor AI próbuje sklasyfikować, czy oprogramowanie wygenerowało tekst lub pomogło w jego stworzeniu. Fałszywie pozytywny wynik występuje, gdy błędnie oznacza pracę człowieka. Fałszywie negatywny wynik ma miejsce, gdy wygenerowana praca przechodzi bez oznaczenia.

Oba rodzaje błędów mają znaczenie w edukacji. Przeoczenie niedozwolonej pomocy może podważyć uczciwość oceniania. Błędne oskarżenie studenta może zniszczyć zaufanie i wyciągnąć konsekwencje wobec osoby, która przestrzegała zasad.

Opublikowane przez Berkeley wytyczne dotyczące wykrywania AI wskazują, że uczelnia zrezygnowała z detektora tekstów AI Turnitin po pilotażu i rozważeniu zewnętrznych badań. Wytyczne omawiają również problemy z klasyfikacją dotyczące osób piszących w wielu językach oraz prac łączących pisanie człowieka z pomocą AI.

To stanowisko instytucji zapewnia kontekst dla poszukiwania innych metod oceniania. Nie dowodzi, że każdy detektor zawsze zawodzi. Ustala, że Berkeley zidentyfikowało wystarczające obawy, by nie wdrażać tej konkretnej funkcji wykrywania do ogólnego użytku na kampusie.

Rozróżnienie między identyfikacją pomocy a ustaleniem naruszenia zasad wprowadza kolejną komplikację. Kurs może zezwalać na korektę gramatyczną, jednocześnie zakazując generowanego rozumowania. Wynik klasyfikacji sam w sobie nie ustala, czy student przekroczył tę granicę właściwą dla danego kursu.

Wynik nie musi też wyjaśniać procesu pracy studenta. Rozmowa o odpowiedzi może ujawnić niezrozumienie, lecz samo niezrozumienie nie dowodzi oszustwa. Studenci mogą zapominać, odczuwać lęk albo błędnie rozumieć własną, samodzielnie wykonaną pracę.

Te ograniczenia sprawiają, że najsilniejsza odpowiedź ma charakter proceduralny. Prowadzący potrzebują jasnych oczekiwań i możliwego do obrony sposobu oceny wątpliwości. W przeciwnym razie niepewność co do autorstwa może przerodzić się w niepewność, czy oskarżenie było uzasadnione.

Opisywana zmiana oceniania prac domowych przez Richarda Borcherdsa pozwala uniknąć części tego konfliktu, ograniczając zależność od kwestionowanego materiału. Zamiast próbować ustalić, jak powstała odpowiedź wykonywana w domu, prowadzący gromadzi odrębne dowody w kontrolowanych warunkach.

To podejście ma wyraźną zaletę. Może zmniejszyć znaczenie konieczności udowadniania naruszenia zasad przy każdym podejrzanym zadaniu. Pozostawia jednak nierozstrzygnięte pytanie: co dzieje się ze studentami, którzy potrzebują szczegółowej informacji zwrotnej na temat pracy, która przestaje otrzymywać oceny oparte na poprawności?

Usunięcie oceny punktowej nie wymaga usunięcia informacji zwrotnej, lecz jej przekazywanie nadal wymaga uwagi. Student musi wiedzieć, czy dowód jest niekompletny, czy założenie nie ma uzasadnienia albo czy metoda działa wyłącznie w węższych warunkach.

Nieoceniane arkusze z rozwiązaniami mogą pomóc, lecz porównanie wymaga wystarczającego zrozumienia, by rozpoznać istotne różnice. Student mający trudności może zauważyć, że jego odpowiedź jest inna, nie rozumiejąc dlaczego. W tym miejscu wsparcie dydaktyczne pozostaje ważne.

Sceptyczne argumenty przeciwko ocenianiu wyłącznie za wykonanie zadania zasługują zatem na uwagę. Polityka może uczciwiej odzwierciedlać to, co ocena faktycznie wie, jednocześnie pozostawiając studentom mniej wskazówek dotyczących tego, czego nie rozumieją. Jej wartość częściowo zależy od tego, jak kurs wypełnia tę lukę.

Nie ma tu opublikowanych dowodów wyników, które potwierdzałyby, że podejście Borcherdsa poprawia uczenie się, ogranicza naruszenia zasad lub sprawiedliwie rozkłada obciążenia. To nadal pytania wymagające oceny. Jego opisywane obawy wyjaśniają decyzję, ale nie przesądzają o jej skutkach.

Berkeley już oferuje odmienne podejście

Ćwiczenia dopuszczające AI i nadzorowane sprawdziany mogą współistnieć, tworząc alternatywę zarówno dla nieograniczonego oceniania prac domowych, jak i całkowitego zakazu.

Konkretne porównanie można znaleźć w sylabusie kursu Statistics 243 w Berkeley na jesień 2026 roku, prowadzonym przez Chrisa Pacioreka. Jego oceny z zakresu obliczeń statystycznych pozwalają na pomoc AI, a jednocześnie wykorzystują quizy odbywające się osobiście, aby sprawdzić zrozumienie przez studentów zestawów problemów.

Opublikowana struktura ocen przypisuje 20% do ukończenia zestawów zadań, 35% do powiązanych quizów, 35% do mini-egzaminu oraz 10% do uczestnictwa. Sylabus opisuje również procedurę ustnego zaliczenia poprawkowego i wymaga wskazania źródeł pomysłów uzyskanych dzięki pomocy AI.

Ten przykład nie dowodzi lepszego rezultatu. Pokazuje jednak istniejący projekt kursu, który oddziela wspomagane przygotowanie od indywidualnego wykazania się wiedzą. Porównanie jest szczególnie użyteczne, ponieważ pochodzi z tej samej uczelni, a nie z abstrakcyjnej propozycji.

Polityka zmienia także znaczenie zezwolenia. Dopuszczenie narzędzia podczas ćwiczeń nie gwarantuje, że jego wynik spełni wymogi późniejszej oceny. Studenci nadal potrzebują wystarczającego zrozumienia, by wyjaśnić i zastosować to, co złożyli.

Tworzy to bardziej precyzyjne rozróżnienie niż „AI dozwolone” kontra „AI zakazane”. Zezwolenie zależy od aktywności. Student może korzystać z pomocy podczas rozwiązywania problemu, a następnie wykazać zrozumienie bez tej pomocy podczas późniejszego sprawdzenia.

W przypadku informatyki takie rozwiązanie ma praktyczne uzasadnienie. Program może dawać oczekiwany wynik, a jednocześnie zawierać decyzje, których użytkownik nie potrafi wyjaśnić. Pytanie uzupełniające może sprawdzić, czy student rozumie związek między kodem a jego działaniem.

To ilustracyjne zastosowanie struktury oceniania, a nie opisywany incydent z tego kursu. Jego znaczenie leży w powiązaniu między zadaniem a weryfikacją. Późniejsza ocena pyta, czy nauka przetrwała korzystanie z pomocy.

Porównanie ujawnia również słabość traktowania wszelkiego użycia AI jako jednego zachowania. Prośba o przypomnienie składni różni się od prośby o całe rozwiązanie. Obie sytuacje obejmują pomoc oprogramowania, lecz mogą pozostawiać studentom bardzo różny zakres odpowiedzialności i zrozumienia.

Dla twórców produktów AI wynika z tego pytanie projektowe. Narzędzie, które priorytetowo traktuje kompletne odpowiedzi, może wspierać natychmiastowe wykonanie zadania. Środowisko edukacyjne potrzebuje również sposobów, dzięki którym uczący się pozostaje odpowiedzialny za rozumowanie, sprawdzanie i wyjaśnianie.

Twierdzenia o korzyściach dla nauki wymagają zatem dowodów wykraczających poza jakość wygenerowanego wyniku. Przekonująca odpowiedź pokazuje wydajność systemu. Nie dowodzi, że użytkownik potrafi odtworzyć rozumowanie, przenieść je do innej sytuacji lub rozpoznać prawdopodobny błąd.

Studenci stają przed podobnym rozróżnieniem podczas organizowania materiałów do nauki. Przeszukiwalny zbiór poprawnych odpowiedzi może skrócić czas wyszukiwania, pozostawiając zrozumienie niesprawdzone. Materiały dotyczące osobistego zarządzania wiedzą dotyczą organizacji, lecz samo wyszukiwanie nie może poświadczyć opanowania materiału.

Istotne pytanie dla obu modeli oceniania dotyczy tego, co dzieje się po uzyskaniu pomocy. Czy student potrafi obronić wynik, dostosować go do zmienionego problemu i rozpoznać jego ograniczenia? Opisywane podejście Borcherdsa i sylabus statystyki kierują uwagę właśnie na to pytanie.

Ich współistnienie ogranicza również daleko idące wnioski dotyczące Berkeley. Uczelnia obejmuje różne projekty kursów odpowiadające na różne potrzeby dydaktyczne. Historia dotyczy decyzji jednego prowadzącego w ramach tej różnorodności, a nie jednej instytucjonalnej odpowiedzi na AI.

Co obserwować po zmianie oceniania

Kolejne użyteczne dowody dotyczą zasad oceniania, zrozumienia studentów i wsparcia dydaktycznego, a nie następnej rundy bezbłędnych odpowiedzi AI.

W nadchodzących miesiącach pierwszym sygnałem będzie to, czy kolejni prowadzący opublikują porównywalne zmiany w ocenianiu. Informacyjne dokumenty określą, co daje praca domowa, jak sprawdzane jest zrozumienie oraz które sposoby korzystania z pomocy pozostają dozwolone.

Jeżeli więcej kursów wyraźnie oddzieli punkty za ukończenie od nadzorowanego wykazania się wiedzą, argument za szerszą zmianą w ocenianiu stanie się silniejszy. Jeżeli polityki pozostaną odosobnione lub przejdą w kierunku innych podejść, twierdzenia o jednolitym odwrocie od oceniania prac domowych osłabną.

Sformułowanie ma równie duże znaczenie jak samo ogłoszenie. „Prace domowe nie są oceniane” może oznaczać dobrowolne ćwiczenia, obowiązkowe oddawanie prac albo zadania otrzymujące informację zwrotną bez wpływu na końcową ocenę. Te rozwiązania tworzą różne zachęty i nie powinny być traktowane jako równoważne.

Mocniejsze dalsze badanie ustaliłoby także chronologię. Październikowe relacje mówią czytelnikom, kiedy decyzja stała się wiadomością, lecz niekoniecznie kiedy zmieniła się praktyka w każdej klasie. Bez tego rozróżnienia starsza korekta może wyglądać na natychmiastową odpowiedź na niedawne wydanie modelu.

Drugim sygnałem są dowody dotyczące zrozumienia wykazywanego samodzielnie. Istotne porównania badałyby, co studenci potrafią wyjaśnić lub rozwiązać w jasno opisanych warunkach. Same wyższe wyniki prac wykonywanych w domu nie rozwiałyby obawy, która skłoniła do wprowadzenia tej polityki.

Jeśli studenci utrzymują lub poprawiają wyniki pod nadzorem, korzystając z AI podczas ćwiczeń, wzmacnia to argument za oddzieleniem pomocy od certyfikacji. Jeśli wyniki spadają, edukatorzy musieliby zbadać, czy studenci utracili ćwiczenia, użyteczną informację zwrotną, czy jedno i drugie.

Te ustalenia nadal wymagałyby ostrożnej interpretacji. Różne pytania, grupy studentów, metody nauczania i warunki oceniania mogą wpływać na wyniki. Różnica między wynikami prac domowych a egzaminów jest powodem do zbadania, a nie samodzielnym wskaźnikiem oszustwa.

Trzecim sygnałem jest to, co dzieje się ze wsparciem dydaktycznym po zmianie oceniania poprawności. Kursy należy analizować pod kątem zachowanej informacji zwrotnej, możliwości poprawiania błędów przez studentów oraz dostępności nadzorowanego oceniania.

Jeżeli studenci otrzymują użyteczne wyjaśnienia i wielokrotne możliwości wykazania postępów, punkty za ukończenie zadania wyglądają bardziej wiarygodnie jako element szerszego projektu. Jeśli ocenianie znika, a niejasności pozostają bez odpowiedzi, sceptyczny argument staje się silniejszy.

Te sygnały mają również znaczenie dla pracodawców i trenerów zawodowych rozważających podobne zmiany. Ukończone ćwiczenie kandydata i jego wyjaśnienie dotyczą powiązanych, lecz różnych pytań. Weryfikacja powinna odpowiadać kompetencji, którą organizacja rzeczywiście musi ocenić.

Historia oceniania prac domowych Richarda Borcherdsa ostatecznie dotyczy dowodów przypisanych ocenie. Według relacji nie ufa on już, że poprawność zadań wykonywanych bez nadzoru ma to samo znaczenie. Ta ocena zasługuje na analizę bez zakładania ani że prace domowe stały się bezużyteczne, ani że egzaminy rozwiązują każdą trudność.

Dla studentów i edukatorów śledzących tę historię punktem wyjścia powinny być rzeczywiste zasady kursu oraz dowody, które mają one dostarczać. Zapytajcie, czy ćwiczenia nadal są użyteczne, czy informacja zwrotna dociera do studentów mających trudności oraz czy oceny mierzą umiejętności, które kurs obiecuje rozwijać. Użytkownicy AI poza edukacją powinni zastosować tę samą analizę do własnej pracy: gotowa odpowiedź może ukrywać nierozwiązaną lukę w zrozumieniu. Zachowujcie źródła i wyjaśnienia wspierające wasze decyzje, a następnie sprawdźcie, czy potraficie obronić te decyzje, gdy zmieni się polecenie. Gdy pojawią się dalsze szczegóły dotyczące podejścia Borcherdsa, oceniajcie je na podstawie tego, co studenci potrafią samodzielnie wyjaśnić i zastosować. Jakie dowody przekonałyby was, że nauka poprawiła się po zmianie oceniania?