🎓 بازطراحی ارزشیابی دانشگاهی در عصر هوش مصنوعی؛ پایان تکلیف‌های سنتی

گسترش ابزارهای هوش مصنوعی مولد، دانشگاه‌ها را وادار کرده است اعتبار روش‌های سنتی ارزشیابی دانشجویان را دوباره بررسی کنند.
بر اساس پیمایش سال ۲۰۲۶ مؤسسه Higher Education Policy Institute از ۱٬۰۵۴ دانشجوی کارشناسی در بریتانیا، حدود ۹۴ درصد گفته‌اند از ابزارهای هوش مصنوعی مولد برای کارهای ارزیابی‌شده استفاده می‌کنند.
این وضعیت نشان می‌دهد که ممنوعیت ساده استفاده از AI لزوماً نمی‌تواند مسئله را حل کند و طراحی ارزشیابی باید با محیط جدید فناوری سازگار شود.
در همین راستا، برخی استادان به جای حذف AI، دانشجویان را به استفاده انتقادی از آن تشویق می‌کنند؛ برای مثال، دانشجو خروجی چند مدل را بررسی و خطاها، سوگیری‌ها و منابع ساختگی آن‌ها را شناسایی می‌کند.
روش دیگری که در دانشگاه‌ها مورد استفاده قرار گرفته، ارزیابی فرایند کار به جای تمرکز صرف بر محصول نهایی است؛ مانند بررسی تاریخچه ویرایش، پیش‌نویس‌ها یا ثبت تعامل دانشجو با ابزار هوش مصنوعی.
برخی استادان نیز سهم فعالیت‌های حضوری، ارائه شفاهی، گفت‌وگوی فردی و آزمون‌های درون‌کلاسی را افزایش داده‌اند تا امکان مشاهده مستقیم فرایند یادگیری بیشتر شود.
در مقابل، برخی رویکردها استفاده از AI را در تکالیف مجاز می‌دانند، اما ارزشیابی را بر مهارت‌هایی متمرکز می‌کنند که صرفاً با تولید یک پاسخ توسط چت‌بات قابل اثبات نیستند.
این تجربه‌ها نشان می‌دهد مسئله اصلی دیگر فقط «آیا دانشجو از AI استفاده کرده است؟» نیست، بلکه باید پرسید «دانشجو چه چیزی یاد گرفته و چگونه از AI در فرایند یادگیری استفاده کرده است؟»
از این منظر، ارزشیابی آینده می‌تواند به سمت سنجش تفکر انتقادی، حل مسئله، استدلال، فرایند تولید دانش و توانایی ارزیابی خروجی‌های هوش مصنوعی حرکت کند.
در عین حال، استفاده از ابزارهای تشخیص متن تولیدشده توسط AI به‌تنهایی راه‌حل قطعی محسوب نمی‌شود و برخی استادان همچنان از مجموعه‌ای از شواهد برای ارزیابی اصالت کار دانشجو استفاده می‌کنند.
بنابراین، هوش مصنوعی بیش از آنکه صرفاً یک ابزار جدید برای تقلب یا تولید تکلیف باشد، لزوم بازاندیشی در مفهوم ارزشیابی دانشگاهی و شواهد واقعی یادگیری را برجسته کرده است.
در نهایت، دانشگاه‌ها با مسئله‌ای مواجه‌اند که پاسخ آن احتمالاً نه حذف کامل AI، بلکه ترکیبی از سیاست‌گذاری روشن، آموزش سواد هوش مصنوعی و طراحی ارزشیابی‌های متناسب با عصر هوش مصنوعی خواهد بود.

Zimmer, K. (2026, September 1). From Trojan horses to AI-proof exams: How professors are tackling students’ AI use. Nature, 658, 279–280. https://doi.org/10.1038/d41586-026-02370-2

https://t.me/UT_Central_Library