Оценка знаний в эпоху ИИ: университеты должны действовать на опережение
Об этом сообщает «Politexpert» со ссылкой на The Conversation
Использование искусственного интеллекта (ИИ) в учебном процессе стало одной из самых актуальных тем для университетов по всему миру. С момента появления генеративных моделей ИИ, таких как ChatGPT, в последние три года университеты разработали различные подходы к оценке студентов.
Некоторые учреждения полностью запретили использование ИИ на экзаменах, другие — разрешают его в ограниченных пределах, а третьи — внедряют ИИ в учебный процесс по умолчанию. Однако студенты и преподаватели продолжают сталкиваться с неопределенностью, не зная, как правильно использовать ИИ в рамках образовательной практики.
Важно понимать, что просто установление строгих правил для использования ИИ не решает проблему. В условиях стремительного развития технологий, когда нарушение установленных норм становится всё труднее отследить, традиционные методы оценки, основанные на их соблюдении, оказываются недостаточными для обеспечения справедливости и точности. В этой статье рассматриваются современные подходы к оценке в эпоху ИИ и предлагаются новые пути для развития университетского образования.
Почему важно сохранить «достоверность оценки»
В ответ на вызовы, связанные с распространением генеративного ИИ, многие университеты начали вводить различные системы контроля, например, «светофор» для использования ИИ в учебных заданиях. В Великобритании, например, Университет Лидса разработал систему «светофора», где красный свет указывает на запрет использования ИИ, оранжевый — на ограниченное его применение, а зеленый — на полную свободу для студентов в применении искусственного интеллекта.
Однако сам факт установления таких рамок еще не решает главную задачу — сохранение достоверности оценки. Достоверность оценки связана с тем, что тесты и задания должны точно измерять уровень знаний студентов, а не их умение манипулировать ИИ. Становится актуальной проблема: как обеспечить оценку знаний и умений, а не искусственного интеллекта, который может значительно облегчить выполнение заданий.
Дискурсивные и структурные изменения в оценке
Совсем недавно была опубликована научная статья, в которой представлен подход, разделяющий изменения в оценочных системах на два типа: дискурсивные и структурные. Дискурсивные изменения связаны с изменением правил и инструкций для студентов, например, указанием, что можно использовать ИИ только для редактирования работы. Такие меры предполагают, что студенты будут осведомлены о правилах и добровольно им следовать.
Структурные изменения, с другой стороны, предполагают трансформацию самих заданий. Вместо того чтобы ограничиваться указаниями о том, что делать, структурные изменения нацелены на то, чтобы сама форма задания позволяла оценить способности студентов без необходимости в дополнительных объяснениях правил. Например, введение письменных заданий, выполненных на основе наблюдений в реальном времени, вместо стандартных домашних эссе, предполагает оценку процесса и прогресса студента, а не только конечного результата.
Что нужно для структурных изменений в оценке?
Существующие подходы в большинстве университетов ограничиваются изменениями в правилах. Однако, чтобы сохранить актуальность оценки в эпоху ИИ, необходимо переходить к структурным изменениям. Это потребует разработки таких методов оценки, которые не зависят от того, использует ли студент ИИ или нет. Например, задания, включающие в себя непрерывное наблюдение за развитием мыслительного процесса студентов, позволят оценить их навыки не только через результат, но и через их интеллектуальный путь.
Структурные изменения не означают, что нужно полностью отказаться от традиционных форм оценки. Напротив, они предполагают изменение подходов к задачам таким образом, чтобы оценка была более комплексной и соответствовала реальному пониманию студентом материала. Важно, чтобы эти изменения были внедрены поэтапно и адаптированы к конкретным дисциплинам, что сделает процесс оценки более гибким и адаптивным к новым технологиям.
Напомним, ранее мы писали про создание классификатора птичьих голосов с помощью машинного обучения.