Ocenianie w czasach AI

W czasach łatwego dostępu do dużych modeli językowych i generatorów tekstów pytanie o to, czy student napisał pracę samodzielnie, przestaje być kluczowe. Dziś ważniejsze jest
sprawdzenie, czy rozumie to, co oddał i czy potrafi się do tego odnieść. W praktyce oznacza to przesunięcie uwagi z efektu na rozumienie i proces. Jednym z najprostszych rozwiązań jest wprowadzenie krótkiej obrony pracy. Kilkuminutowa rozmowa lub prezentacja pozwalają bardzo szybko zweryfikować, czy studenci rozumieją swoje argumenty, potrafią je uzasadnić i odnieść się do pytań. Podobną funkcję spełnia krótki test oparty na własnej pracy, który sprawdza znajomość jej struktury, logiki i źródeł. Można też poprosić studenta o wyjaśnienie jednego fragmentu pracy prostym językiem albo o zastosowanie wniosku w innym kontekście, ponieważ to pokaże, czy autor naprawdę rozumie sens własnej pracy.

Warto także poprosić o ślady dokumentujące proces. Szkice, wersje robocze, notatki czy komentarze w dokumencie pokażą sposób myślenia i podejmowania decyzji. Trudno je
sztucznie odtworzyć, dlatego stanowią wiarygodne źródło oceny zaangażowania i samodzielności. Dobrym uzupełnieniem są też komentarze autorskie, w których student wyjaśnia, dlaczego wybrał określone rozwiązania i jak dochodził do wniosków. W przypadku większych zadań można dodatkowo zaplanować krótki etap pracy na zajęciach, aby zobaczyć na żywo, jak studenci pracują nad powstaniem finalnej wersji pracy.

Sztuczna inteligencja może znacząco odciążyć nauczyciela w procesie oceniania, szczególnie tam, gdzie pojawiają się powtarzalne elementy. Dobrze porządkuje ją i przyspiesza.
AI może wspierać tworzenie wstępnej informacji zwrotnej do prac studentów, np. na podstawie kryteriów lub rubryki generuje komentarze do struktury, argumentacji czy stylu. Nauczyciel zachowuje kontrolę nad ostateczną oceną, ale skraca czas pracy spędzony nad każdym zadaniem. Wygenerowany komentarz trzeba jednak traktować jako wersję roboczą, którą należy sprawdzić, rozwinąć i doprecyzować.

Dużą wartość daje także wykorzystanie AI do analizy większej liczby prac. Narzędzia AI mogą wskazywać powtarzające się błędy, typowe nieporozumienia lub braki w rozumieniu, co pozwala lepiej zaplanować kolejne zajęcia. Dzięki temu ocenianie staje się dobrym źródłem informacji o całej grupie studentów. Czaty i LLM-y mogą też wspierać tworzenie testów, pytań otwartych czy wariantów zadań, co ogranicza schematyczność i utrudnia mechaniczne generowanie odpowiedzi przez studentów. Pomagają również w szybkim sprawdzaniu prostych zadań, quizów czy elementów wymagających jednoznacznej odpowiedzi. Mogą też przygotować przykładową odpowiedź z błędami, którą studenci analizują jako detektywi błędów, np. wskazują luki, nieścisłości i wyjaśniają, skąd wiedzą, że dana odpowiedź jest niepoprawna.

Warto traktować AI jako asystenta, który pomaga w organizacji pracy, przygotowaniu materiałów i analizie danych, ale pozostawia kluczowe decyzje nauczycielowi. Niestety sztuczna inteligencja nie pomoże we wszystkim, ponieważ największą wartością rozwojową nadal pozostaje ocena jakości myślenia, której nie da się w pełni zautomatyzować.

W świecie, w którym AI jest powszechnie dostępna, brak jasnych zasad prowadzi do nieporozumień i poczucia niesprawiedliwości. Studenci potrzebują wiedzieć, co jest dopuszczalne,
czego się od nich oczekuje i jak będą oceniani. Pierwszym krokiem jest jednoznaczne określenie, w jakim zakresie można korzystać z AI. Warto wskazać konkretne obszary, takie jak generowanie pomysłów, redakcja tekstu czy analiza danych, oraz jasno określić granice samodzielnej pracy. Pomocne jest wprowadzenie krótkiego oświadczenia, w którym student deklaruje, w jaki sposób korzystał z narzędzi AI. Dobre oświadczenie powinno określać zakres własnych decyzji, wprowadzone poprawki oraz świadomie odrzucone sugestie.

Warto zastosować również skalę użycia AI, która porządkuje oczekiwania wobec studentów. Opisuje ona poziomy akceptowalnego przez wykładowcę poziomu użycia sztucznej inteligencji, w tym pełną samodzielność, wsparcie AI w generowaniu pomysłów i redakcji albo ograniczone wykorzystanie narzędzi przy zachowaniu kontroli i oceny przez człowieka. Taka skala pozwala jaśniej określić, co jest akceptowalne.

https://leonfurze.com/2023/12/18/the-ai-assessment-scale-version-2/

Drugim elementem jest przejrzystość kryteriów oceny. Student powinien wiedzieć, czy oceniane są: rozumienie, argumentacja, proces pracy, wykorzystanie źródeł czy refleksja.
Im bardziej konkretne kryteria, tym większe poczucie sprawiedliwości i mniejsza przestrzeń na domysły. Warto też od razu powiedzieć, czy oceniana będzie tylko praca końcowa czy również sposób dochodzenia do rozwiązania. Ważne jest także komunikowanie zasad już na początku kursu i konsekwentne ich stosowanie. Zmiany w trakcie semestru lub niejednoznaczne komunikaty osłabiają zaufanie do prowadzącego i demotywują studentów.