دانشگاهها و مدارس وارد مرحله جدیدی شدهاند که چگونه باید به یکپارچگی آکادمیک رسیدگی کنند، زیرا جامعه ما در حال عبور از عصر دوم فناوریهای دیجیتال است، که شامل هوش مصنوعی مولد در دسترس عموم مانند ChatGPT است. چنین پلتفرمهایی به دانشآموزان اجازه میدهد تا متن جدیدی را برای تکالیف نوشتاری تولید کنند.
در حالی که بسیاری نگران هستند که این فناوریهای پیشرفته هوش مصنوعی عصر جدیدی از سرقت ادبی و تقلب را آغاز کنند، این فناوریها همچنین فرصتهایی را برای مربیان ایجاد میکنند تا در شیوههای ارزیابی تجدیدنظر کنند و دانشآموزان را در یادگیری عمیقتر و معنادارتر مشارکت دهند که میتواند مهارتهای تفکر انتقادی را ارتقا دهد.
ما معتقدیم که ظهور ChatGPT فرصتی را برای مدارس و مؤسسات تحصیلات تکمیلی ایجاد می کند تا رویکردهای سنتی را برای ارزیابی دانش آموزان اصلاح کنند که به شدت بر تست و تکالیف نوشتاری متمرکز بر یادآوری دانش آموزان، به خاطر سپردن و ترکیب اولیه محتوا متکی هستند.
تقلب و ChatGPT
تخمین های تقلب در زمینه ها و بخش های ملی بسیار متفاوت است.
سارا الین ایتون، متخصصی که در مورد درستی تحصیلی مطالعه می کند، هشدار می دهد که تقلب ممکن است کمتر گزارش شود: او تخمین زده است که در دانشگاه های کانادا، 70000 دانشجو سالانه خدمات تقلب را خریداری می کنند.
اینکه چگونه راهاندازی اخیر ChatGPT توسط OpenAI بر تقلب در محیطهای آموزش عالی و اجباری تأثیر میگذارد، ناشناخته است، اما چگونگی تکامل آن ممکن است به حفظ یا اصلاح روشهای ارزیابی سنتی بستگی داشته باشد.
فرار از نرم افزار تشخیص سرقت ادبی؟
توانایی ابزارهای تشخیص سرقت ادبی محبوب برای شناسایی تقلب با استفاده از ChatGPT برای ایجاد تکالیف همچنان یک چالش است.
یک مطالعه اخیر که هنوز توسط همتایان مورد بررسی قرار نگرفته است، نشان داد که 50 مقاله تولید شده با استفاده از ChatGPT، متون پیچیدهای را تولید میکنند که میتوانند از نرمافزار سنتی بررسی سرقت ادبی فرار کنند.
با توجه به اینکه ChatGPT در ژانویه به حدود 100 میلیون کاربر فعال ماهانه رسید، تنها دو ماه پس از راهاندازی، قابل درک است که چرا برخی استدلال میکنند که برنامههای کاربردی هوش مصنوعی مانند ChatGPT باعث ایجاد تغییرات عظیم در تحصیلات معاصر میشوند.
پاسخ های خط مشی به هوش مصنوعی و ChatGPT
جای تعجب نیست که نظرات مخالفی در مورد نحوه پاسخگویی به ChatGPT و سایر مدل های زبان هوش مصنوعی وجود دارد.
برخی معتقدند که مربیان باید هوش مصنوعی را به عنوان یک ابزار تکنولوژیکی ارزشمند بپذیرند، مشروط بر اینکه برنامه ها به درستی ذکر شده باشند.
برخی دیگر معتقدند که به منابع و آموزش بیشتری نیاز است تا مربیان بهتر بتوانند موارد تقلب را ببینند.
برخی دیگر، مانند وزارت آموزش شهر نیویورک، به مسدود کردن برنامههای هوش مصنوعی مانند ChatGPT از دستگاهها و شبکهها متوسل شدهاند.
ارزیابی آینده نگر
شکل زیر سه عنصر حیاتی یک سیستم ارزیابی آینده نگر را نشان می دهد. اگرچه هر عنصر را میتوان به تفصیل توضیح داد، اما تمرکز ما در ارائه مجموعهای از استراتژیها به مربیان است که به آنها اجازه میدهد استانداردهای آکادمیک را حفظ کنند و یادگیری و ارزیابی معتبر را در مواجهه با برنامههای کاربردی هوش مصنوعی فعلی و آینده ارتقا دهند.
معلمان و اساتید دانشگاه برای چندین دهه به شدت بر تکالیف مقاله “یک و تمام شده” تکیه کرده اند. اساساً به یک دانشآموز محول میشود یا از آن خواسته میشود که یک موضوع مقاله عمومی را از فهرست انتخاب کند و تکلیف نهایی خود را در تاریخ مشخصی ارسال کند.
چنین تکالیفی به ویژه در برابر برنامه های کاربردی جدید هوش مصنوعی و همچنین تقلب قراردادی حساس هستند – به موجب آن دانش آموز یک مقاله کامل شده را خریداری می کند. اکنون مربیان باید در مورد چنین تکالیفی تجدید نظر کنند. در اینجا چند استراتژی وجود دارد.
1. راه هایی را برای گنجاندن هوش مصنوعی در ارزیابی معتبر در نظر بگیرید.
ممنوعیت کامل هوش مصنوعی و برنامه هایی مانند ChatGPT برای مؤسسات مفید یا عملی نیست.
هوش مصنوعی قبلاً در برخی از کلاس های دانشگاه گنجانده شده است. ما معتقدیم فناوریهای هوش مصنوعی باید بهطور انتخابی ادغام شوند تا دانشآموزان بتوانند در مورد استفادههای مناسب فکر کنند و بازتابهای خود را به شایستگیهای یادگیری مرتبط کنند.
به عنوان مثال، پل فایف، یک استاد انگلیسی که در مورد نحوه تعامل انسان با داده ها تدریس می کند، یک “آزمایش آموزشی” را توصیف می کند که در آن از دانش آموزان می خواست محتوا را از نرم افزار هوش مصنوعی تولید کننده متن بگیرند و این محتوا را در مقاله نهایی خود بگنجانند.
سپس از دانش آموزان خواسته شد تا با در دسترس بودن هوش مصنوعی به عنوان یک ابزار نوشتاری مقابله کنند و در مورد استفاده اخلاقی و ارزیابی حالت های زبانی فکر کنند.
2. دانش آموزان را در تعیین اهداف یادگیری مشارکت دهید.
اطمینان از درک دانشآموزان از نحوه نمرهدهی، کلید هر سیستم ارزیابی خوب است.
دعوت از دانشآموزان برای ایجاد مشترک اهداف و معیارهای یادگیری برای کار، با در نظر گرفتن نقش نرمافزار هوش مصنوعی، به دانشآموزان کمک میکند تا زمینههای مناسبی را که در آن هوش مصنوعی میتواند به عنوان یک ابزار یادگیری کار کند، ارزیابی و قضاوت کنند.
3. از دانش آموزان بخواهید که پیش نویس ها را برای بازخورد ارسال کنند.
اگرچه دانشآموزان هنوز باید تکالیف مقاله را تکمیل کنند، تحقیقات در مورد خطمشی یکپارچگی تحصیلی در پاسخ به هوش مصنوعی مولد نشان میدهد که دانشآموزان باید پیشنویس کار خود را برای بررسی و بازخورد ارسال کنند. این نوع «ارزیابی تکوینی» جدای از کمک به کشف سرقت ادبی، برای هدایت یادگیری دانش آموزان مثبت است.
بازخورد می تواند توسط معلم یا خود دانش آموزان ارائه شود. بازخورد همتا و خود می تواند برای ارزیابی انتقادی کار در حال پیشرفت (یا کار ایجاد شده توسط نرم افزار هوش مصنوعی) مفید باشد.
4. درجه بندی اجزای فرعی تکلیف.
دانشآموزان میتوانند برای هر زیرمجموعه نمرهای دریافت کنند – از جمله مشارکت آنها در فرآیندهای بازخورد. آنها همچنین در رابطه با اینکه چگونه بازخورد خاص ارائه شده را به خوبی ادغام کرده و به آن توجه کرده اند، ارزیابی می شوند.
تکلیف بزرگتر از یک مقاله نهایی می شود، به محصول یادگیری تبدیل می شود، جایی که ایده های دانش آموزان از توسعه تا ارسال نهایی ارزیابی می شود.
5. به ارزیابی های معتبرتر بروید یا عناصر عملکردی را در بر بگیرید.
عملکرد ارزشیابی خوب شامل یک مربی است که یادگیری دانش آموز را در زمینه های مختلف مشاهده می کند.
به عنوان مثال، مربیان میتوانند از دانشآموزان دعوت کنند تا کار خود را ارائه کنند، درباره یک مقاله در قالب کنفرانس بحث کنند یا یک بیان ویدیویی یا یک نمایش هنری را به اشتراک بگذارند. هدف در اینجا تشویق دانش آموزان به اشتراک گذاری یادگیری خود از طریق یک قالب جایگزین است. سوال مهمی که باید بپرسید این است که آیا اصلاً به جزء مقاله نیاز دارید یا خیر؟ آیا روش معتبرتری برای ارزیابی مؤثر یادگیری دانش آموزان وجود دارد؟
ارزیابی های معتبر آنهایی هستند که محتوا را به زمینه مرتبط می کنند. وقتی از دانشآموزان خواسته میشود این کار را انجام دهند، باید دانش را در تنظیمات عملیتر به کار ببرند و اغلب ابزارهای هوش مصنوعی را کمتر مفید میکنند.
برای کمک به بازاندیشی شیوههای ارزیابی به سمت رویکردهای معتبرتر و جایگزین، مربیان میتوانند دوره رایگان «تبدیل ارزیابی: استراتژیهایی برای آموزش عالی» را در نظر بگیرند.
بهبود مزایا برای دانش آموزان
در مجموع، این پیشنهادات ممکن است وقت گیرتر باشد، به خصوص در کلاس های بزرگتر در مقطع کارشناسی.
اما آنها یادگیری و هم افزایی بیشتری را بین اشکال ارزشیابی که برای دانشآموزان مفید است فراهم میکنند: ارزشیابی تکوینی برای هدایت تدریس و یادگیری، و “ارزیابی جمعبندی” که در درجه اول برای اهداف درجهبندی و ارزشیابی استفاده میشود.
هوش مصنوعی اینجا و اینجاست تا بماند، و ما باید آن را به عنوان بخشی از محیط یادگیری خود بپذیریم. گنجاندن هوش مصنوعی در نحوه ارزیابی یادگیری دانشآموز، فرآیندهای ارزیابی قابل اعتمادتر و نتایج ارزیابی معتبر و ارزشمندتری را به همراه خواهد داشت.