Edu Inspiracje. Jak sprawiedliwie oceniać studentów w czasach AI?

5 godzin temu

6 minut(y) czytania

Myślę, że zjawisko, które możemy nazwać roboczo AI fatigue, naprawdę staje się czymś powszechnym i dokłada swoją cegiełkę do naszego ogromnego zmęczenia współczesnym cyfrowym światem.

Ale czytanie takich tekstów to nie jedyny problem w moim nauczycielskim życiu. Mam ich więcej i jestem ciekawa, czy też się z nimi borykacie.

Po pierwsze, gdy dostaję zadanie, którą student pisał w domu, czasem podejrzewam, że zostało wygenerowane w AI, ale nie wiem, ile jest w nim pracy własnej i martwi mnie to, bo nie chcę nikogo niesprawiedliwie ocenić.

Po drugie, widzę, że studenci różnie podchodzą do czatów. Jedni mają dostęp do płatnej wersji, inni nie, a jeszcze inni nie chcą z nich w ogóle korzystać z powodu osobistych przekonań. Bardzo trudno jest opracować sprawiedliwe kryteria oceniania w tej sytuacji.

Po trzecie, martwię się o moich studentów, bo mi na nich zależy. Przede wszystkim niepokoją mnie sytuacje, kiedy oddają prace, ale potem w rozmowie wychodzi, że nie znają tego, co napisali. Myślę sobie wtedy, że stracili swój czas i obawiam się, że nie dostrzegają, że nawyk łatwego generowania odpowiedzi wpływa na to, że uczą swoje mózgi omijania wysiłku poznawczego. Dziś może o tym nie myślą, ale ich działanie sprawia, że czasem zabierają sobie szansę rozwinąć w pełni swój potencjał.

Poza tym wiem, że badania potwierdzają, że skala LLMów w pracach jest znacząca, np. według raportu HEPI/Kortext z 2026 roku 94% badanych studentów studiów licencjackich deklarowało korzystanie z AI podczas przygotowywania prac zaliczeniowych (Stephenson i Armstrong, 2026).

Co możemy z tym wszystkim zrobić?

Dlaczego nie wierzę, że polityki i skale typu AIAS rozwiążą problem?

Według badania UNESCO z 2025 roku 61% badanych instytucji szkolnictwa wyższego miało własną politykę dotyczącą wykorzystania sztucznej inteligencji lub pracowało nad opracowaniem własnych wytycznych. Jednym ze stosowanych przez instytucje rozwiązań jest skala AI Assessment Scale (AIAS), przygotowana przez zespół Mike’a Perkinsa.

Niestety moim zdaniem te działania nie rozwiązują problemu. Tak jak wierzę, że polityki mają znaczenie, a skala może wspierać przejrzystość zasad, tak samo wierzę, że istnieje jedno prawo natury, które jest znacznie potężniejsze niż one. Myślę tutaj o zasadzie najmniejszego wysiłku, opisanej między innymi przez noblistę Daniela Kahnemana w książce Pułapki myślenia (2011).

Sprawa jest dosyć prosta – jeśli możemy osiągnąć coś mniejszym wysiłkiem, często wybierzemy łatwiejszą opcję. Swoją drogą, ta zasada, nie raz pomogła naszemu gatunkowi przetrwać, pewnie dlatego tak bardzo jesteśmy na nią podatni.

Jeśli można łatwo wygenerować pracę, a my nauczyciele nie mamy obecnie narzędzi, które pozwalałyby z pewnością stwierdzić, że dana praca została stworzona przez LLM (Weber-Wulffet et al., 2023), to naprawdę sporo osób skorzysta z tej możliwości.

Dlatego osobiście, zamiast skupiać się na określaniu zasad, które łatwo można złamać, wolę wymyślać sposoby, dzięki którym użycie czata tam, gdzie tego nie chcę, jest po prostu dla moich studentów nieopłacalne.

Powiem też w sekrecie, że nie chcę spalać własnej energii na bycie policjantem ani sędzią, dociekając, czy zasady zostały naruszone, wolę być nauczycielem, bo najzwyczajniej w świecie kocham tę pracę.

Jak zwiększyć wiarygodność oceniania?

Kiedy jakiś czas temu zastanawiałam się nad tym, jak zwiększyć wiarygodność oceniania w czasach AI, przyszła mi do głowy kreskówka, którą bardzo lubiłam w latach dziewięćdziesiątych - Kapitan Planeta. Czy pamiętacie tę bajkę?

Jej fabuła polegała na tym, że pięcioro bohaterów dysponowało pierścieniami, z których każdy dawał im inną moc: ziemi, ognia, wiatru, wody i serca. Każda z tych mocy była przydatna, ale kiedy przeciwnik okazywał się szczególnie silny, bohaterowie łączyli swoje siły i przywoływali Kapitana Planetę.

Dla mnie sprawiedliwe ocenianie w czasach AI to właśnie łączenie wielu sposobów, aby w rezultacie zwiększyć szanse na wiarygodną ocenę. Akceptuję fakt, że pewności pewnie nie będę miała nigdy, ale wiem, że w dydaktyce mamy do dyspozycji kilka ciekawych opcji.

Dlatego, zamiast szukać jednej idealnej metody, może warto zacząć łączyć różne rozwiązania?

Nie musimy przy tym przeprowadzać rewolucji w całym systemie oceniania, czasami wystarczą małe zmiany, aby osiągnąć całkiem znaczący efekt.

Poniżej zamieszczam kilka pomysłów, które uważam za szczególnie przydatne.

Zaczynam od profilaktyki, czyli CZATOEDUKACJI

Ostatnio całkiem sporo mówimy studentom o tym, jak korzystać z AI. Pokazujemy narzędzia, uczymy pisać prompty, podpowiadamy, jak generować prezentacje, raporty czy analizy. Znacznie rzadziej rozmawiamy jednak o tym, jakie wysokie koszty możemy ponosić w dłuższej perspektywie, gdy nadużywamy AI.

Z tego powodu staram się rozmawiać ze studentami o tym, co się dzieje, kiedy budujemy w sobie nawyk oddawania czatom naszego stylu myślenia. Moim zdaniem zbyt rzadko mówimy głośno o tym, że delegowanie unikatowego stylu wypowiedzi jest dla nas wielką stratą, porównywalną z utratą cząstki swojej unikatowej osobowości.

Myślę też, że profilaktyka, którą nazwałam po swojemu Chatoedukacją, jest jednym z najważniejszych, a jednocześnie najbardziej niedocenianych elementów całego problemu i jeśli mam czas, robię ze swoimi studentami różne zadania w tym obszarze. Rozmawiamy też o tym, dlaczego pewne czynności wymagające wysiłku są dla nas wartościowe i dlaczego łatwa, szybka odpowiedź tak bardzo nas kusi. Takie działania mogą okazać się znacznie bardziej wartościowe niż kolejna lista zakazów.

PS Jeśli masz ochotę, napisz do mnie wiadomość, a chętnie podzielę się z Tobą moimi zadaniami.

Próbuję zrozumieć, jak powstawał efekt

Kolejnym możliwym sposobem jest prośba o dokumentowanie procesu powstawania pracy. Możemy na przykład poprosić studentów o pokazanie wersji roboczych albo wybranych promptów, ale w tym miejscu chciałabym zwrócić uwagę na coś, o czym często zapominamy.

Dokumentowanie procesu twórczego wcale nie jest takie proste.

Każdy, kto tworzy, pisze, projektuje albo prowadzi badania, wie, że proces twórczy rzadko przypomina idealnie uporządkowany schemat. Czasami zaczynamy od końca, wracamy do początku, porzucamy kilka pomysłów, a najlepsze rozwiązanie przychodzi nam do głowy podczas spaceru albo na jeden dzień przed terminem oddania zadania. Z tego powodu nie chcę wymagać od studentów tworzenia pięknej, ale jednak sztucznej historii pokazującej, jak krok po kroku doszli do końcowego rezultatu. Zwłaszcza że takie sprawozdanie również można wygenerować za pomocą AI.

Bardziej przekonuje mnie wykonanie małego portfolio rozwojowego składającego się z prac cząstkowych.

Zdaję sobie jednak sprawę, że ocena procesu nie jest łatwa, dlatego korzystam z niej tylko wtedy, gdy natura zadania na to pozwala.

Podnoszę poprzeczkę

Stosuję też metodę, o której myślę ostatnio coraz częściej – podnoszę wyżej poprzeczkę. Jeśli studenci dysponują skutecznym narzędziem, które potrafi poprawić język, uporządkować strukturę i zrobić te wszystkie zaawansowane rzeczy, to czy powinniśmy oceniać ich jak wcześniej?

Są chwile, kiedy myślę sobie po cichu, drogi studencie, jeśli masz do dyspozycji tak potężne narzędzie, to może jako nauczyciel powinnam oczekiwać od Ciebie rezultatu na najwyższym światowym poziomie?

Czasem oceniam pracę pod kątem jakości prompta opracowanego przez jej autora.

Sprawdzam, co zostało w głowie

Poza tym wracam do starych, dobrych metod, czyli pracy z kartką i długopisem, odpytywania na żywo, kolokwiów w sali. Staram się, aby na zajęciach studenci mogli posiłkować się czym tylko chcą, np. wyszukiwarką, materiałami z wykładów, Chatem, ale zaliczenie projektuję tak, aby mogli użyć tylko tego, co zostało w głowie (Roediger, Karpicke, 2006).

Stosuję, też czasem obronę pracy, ale wiąże się to niekiedy z praktycznym problemem, np. jak ją przeprowadzić, jeśli mamy 150 studentów w sali? Istnieje kilka pomysłów takich jak pytania pisemne lub wyrywkowe, choć pewnie nie są one odpowiedzią na wszystkie wyzwania.

Projektuję zadania, które wymagają odniesienia do własnych doświadczeń

Modele językowe mają szeroką wiedzę ogólną, ale nie mają łatwego dostępu do naszych osobistych doświadczeń, dlatego staram się tak projektować zadania, aby odniesienie do własnych przeżyć było ich ważną częścią. Zakotwiczenie w kontekście nie gwarantuje samodzielności, ale zwiększa szansę, że student wykona dodatkową pracę poza samym generowaniem tekstu.

Warto też pamiętać, że LLM-y często nie znają lokalnego kontekstu, jeśli im go nie dostarczymy oraz słabo radzą sobie z czymś bardzo prostym, czyli z tym, co powiedziałam na zajęciach, ale czego nie zapisałam w skrypcie, który wysyłam później studentom.

Zmieniam warunki i patrzę, co się stanie

Wyobraźmy sobie, że studenci przygotowali bardzo dobrą analizę finansową przedsiębiorstwa, praca jest poprawna, obliczenia się zgadzają, a wnioski wydają się sensowne. Podczas rozmowy z zespołem zmieniamy jedną rzecz i poprośmy o transfer wiedzy, np. podajmy nowe dane albo dodatkowe ograniczenie, po czym sprawdzamy, czy studenci potrafią dostosować swoje rozwiązanie. Jeżeli rzeczywiście rozumieją zastosowaną metodę, mają znacznie większą szansę poradzić sobie z takim wyzwaniem.

Trudny orzech do zgryzienia

Na zakończenie powiem tylko, że problem oceniania w czasach AI jest naprawdę poważny i złożony, dlatego chciałabym, żebyśmy byli dla siebie wyrozumiali, jeśli nie wiemy jeszcze, jak do tego dobrze podejść.

Myślę sobie też, że może dobrym pomysłem jest włączenie do tego procesu samych studentów, którzy mogą wraz z nami zdefiniować kryteria, które z jednej strony są dla nich jasne i sprawiedliwe, a z drugiej nie pozwalają na wygenerowanie gotowej pracy bez rozwoju myślenia.

Czy masz jakiś własny sposób na ocenianie w czasach AI? Napisz do mnie, jestem bardzo ciekawa i z radością zbieram różne pomysły!

Poza tym wierzę, że jeśli wielu z nas połączy siły, to może uda nam się przywołać Kapitana Planetę i szybko znajdziemy sposoby radzenia sobie z opisanym w tekście problemem ;-)

Jesteśmy na łączach!

Alina

Autorką artykułu jest Alina Guzik

Zapisz się na mój newsletter, aby nie przegapić kolejnych artykułów.

Źródła

Stephenson, R., Armstrong, C. (2026). Student Generative Artificial Intelligence Survey 2026. HEPI Report 199.
Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux. Polskie wydanie: Pułapki myślenia. O myśleniu szybkim i wolnym.
Furze, L., Perkins, M., Roe, J., MacVaugh, J. (2024). The AI Assessment Scale (AIAS) in Action: A Pilot Implementation of GenAI-Supported Assessment. Australasian Journal of Educational Technology, 40(4), 38–55.
Weber-Wulff, D. i in. (2023). Testing of Detection Tools for AI-Generated Text. International Journal for Educational Integrity, 19, 26.
Chi, M. T. H., Wylie, R. (2014). The ICAP Framework: Linking Cognitive Engagement to Active Learning Outcomes. Educational Psychologist, 49(4), 219–243.
Roediger, H. L., Karpicke, J. D. (2006). Test-Enhanced Learning: Taking Memory Tests Improves Long-Term Retention. Psychological Science, 17(3), 249–255.
National Research Council (2000). How People Learn: Brain, Mind, Experience, and School: Expanded Edition. National Academies Press.