Przejdź do treści

Generatywna AI i autentyczność ocen

Przekształcenie paradygmatów weryfikacji wiedzy pod wpływem modeli generatywnych wymaga odejścia od kontroli statycznych produktów pisemnych na rzecz ewaluacji procesualnej. Koncepcja autentyczności oceniania zyskuje wymiar ekosystemowy, integrujący przejrzystość metodyczną, wieloetapowe punkty kontrolne oraz krytyczną sprawczość uczących się. Wdrożenie zintegrowanych ram dopasowania afordancji technologicznych umożliwia zachowanie rygoru akademickiego bez hamowania innowacji dydaktycznych.

Cel pracy

Jak generatywna AI przekształca kryteria autentyczności oceniania w szkolnictwie wyższym?

Metodologia

Systematyczny przegląd literatury naukowej i analiza porównawcza modeli ewaluacyjnych.

Nowość naukowa

Zintegrowanie ekosystemowego modelu rzetelności z koncepcją afordancji oceniania.

Podgląd dokumentu

To jest krótki podgląd. Pełna wersja zawiera rozszerzony tekst dla wszystkich sekcji, zakończenie oraz sformatowaną bibliografię.

Praca magisterska

DegreeType
Generatywna AI i autentyczność ocen

Autor:

Group

Imię Nazwisko

Promotor:

dr hab. Imię Nazwisko

Miasto 2026

Spis treści

Streszczenie
Wstęp
1. Konceptualne ramy integralności akademickiej w erze sztucznej inteligencji
1.1. Ewolucja pojęcia autentyczności w projektowaniu zadań akademickich
1.2. Ekosystemy integralności: polityka instytucjonalna a sprawczość poznawcza
2. Strategie ewaluacji i odporność metod weryfikacji wiedzy
2.1. Ograniczenia detektorów lingwistycznych i narzędzi automatycznej weryfikacji
2.2. Modele oceny procesowej i wyrównania afordancji narzędzi generatywnych
3. Analiza porównawcza modeli ewaluacji autentyczności efektów uczenia się
3.1. Przebudowa kryteriów oceny w edukacji akademickiej i zawodowej
3.2. Równoważenie innowacji dydaktycznych i rygoru akademickiego
Dyskusja i implikacje dla szkolnictwa wyższego
Wnioski
Oświadczenie
Bibliografia
Zakończenie

Wstęp

Rozwój wielkich modeli językowych stawia przed szkolnictwem wyższym bezprecedensowe wyzwania w obszarze rzetelności weryfikacji osiągnięć edukacyjnych oraz konstrukcji wiarygodnych kryteriów oceny wiedzy. Tradycyjne metody sprawdzania umiejętności, oparte głównie na pisemnych formach końcowych, stają się podatne na automatyzację procesów generowania tekstu, co uniemożliwia jednoznaczne przypisanie autorstwa wyłącznie wysiłkowi studenta [1]. Zjawisko to unaocznia strukturalne luki w dotychczasowych modelach ewaluacji efektów kształcenia.

Niewystarczalność zautomatyzowanych systemów detekcji oraz nieskuteczność procedur opartych jedynie na zakazach wywołują konieczność fundamentalnego przedefiniowania pojęcia autentyczności oceniania [2]. Klasyczne wskaźniki kreatywności czy myślenia krytycznego w statycznych pracach pisemnych przestają pełnić rolę bezpiecznych barier ochronnych, gdyż zaawansowane narzędzia syntetyzujące potrafią generować spójne argumentacje na poziomie akademickim [4]. Wymusza to przejście od kontroli produktu końcowego do wieloetapowej oceny samego procesu badawczego.

Celem niniejszego opracowania jest krytyczna analiza wpływu generatywnej sztucznej inteligencji na paradygmaty oceny autentycznej oraz sformułowanie ram teoretyczno-metodycznych dla zrównoważonego ekosystemu weryfikacji wiedzy. Poprzez syntezę modeli pedagogicznych, opartych na konstruktywizmie społecznym oraz teorii samoregulowanego uczenia się, zidentyfikowano kluczowe mechanizmy adaptacji procedur ewaluacyjnych [1], [3]. Rozważania te wyznaczają kierunek modernizacji standardów jakości kształcenia w realiach powszechnej obecności zaawansowanych technologii cyfrowych.

Dyskusja i implikacje dla szkolnictwa wyższego

Dyskusja nad transformacją procedur ewaluacyjnych w szkolnictwie wyższym wskazuje na konieczność odejścia od tradycyjnej weryfikacji statycznych produktów końcowych na rzecz dynamicznych ekosystemów edukacyjnych. Badacze jednoznacznie podkreślają, że zachowanie integralności akademickiej nie wynika jedynie z indywidualnej dyscypliny studenta, lecz stanowi emergentną właściwość czterech współzależnych poziomów instytucjonalnych: zarządzania, kultury organizacyjnej, projektowania oceniania oraz moralnej sprawczości jednostki (doaj-6b3dfa5af183435bbff638e7d95b43b5). Z tego względu sama próba opierania odporności zadań na tradycyjnie pojmowanym krytycznym myśleniu czy kreatywności okazuje się niewystarczająca w obliczu zaawansowanych modeli generatywnych, wymagając uwzględnienia zintegrowanych ram obejmujących kontekst, interakcję oraz ewaluację procesualną (doaj-7c53c54ab2fc488cb922a401a446525a). Konfrontacja tych perspektyw uwypukla istotną lukę badawczą w literaturze przedmiotu: wciąż brakuje ujednoliconych, empirycznie ugruntowanych wytycznych określających, w jaki sposób systemowo dopasować możliwości technologiczne do zadań o wysokim stopniu autentyczności bez wywoływania erozji podstawowych umiejętności koncepcyjnych. Chociaż ramy dopasowania afordancji technologicznych wskazują na efektywność wieloetapowej przejrzystości procesu, hybrydowych punktów kontrolnych oraz refleksji metakognitywnej (doaj-f29d1ebda50248e4a36caf7326da223f), dotychczasowe ustalenia podlegają istotnym ograniczeniom badawczym. Obejmują one przede wszystkim nieliczne próby badawcze, realizację eksperymentów w obrębie pojedynczych ośrodków akademickich oraz brak bezpośrednich miar oceniających długoterminowy wpływ technologii na struktury poznawcze studentów. Ponadto ograniczeniem analiz pozostaje ich dyscyplinarne zawężenie, co utrudnia ekstrapolację wniosków na zróżnicowane kierunki kształcenia akademickiego. Osiągnięcie trwałej równowagi między innowacją dydaktyczną a rygorem weryfikacji efektów uczenia się wymaga zatem dalszych, międzyośrodkowych badań nad standaryzacją ewaluacji procesowej w środowiskach nasyconych sztuczną inteligencją. Konieczne staje się również wypracowanie prec…

Bibliografia

  1. Rethinking ethical academic integrity ecosystems in higher education in the age of artificial intelligence
    Alireza Maleki
    Link DOI
  2. A framework for AI and vocational assessment in higher education
    Bruno Balducci
    Link DOI
  3. AI-affordance alignment drives authentic learning gains without foundational erosion: a quasi-experimental pilot study from an environmental data science course
    Ahmed S. Elshall, Ashraf Badir, Mewcha Amha Gebremedhin
    Link DOI
  4. Generative AI in Higher Education: Balancing Innovation and Integrity
    Nigel J. Francis, Sue Jones, David P. Smith
  5. Generative Artificial Intelligence and the Ambiguity of Academic Integrity in Higher Education
    Katerina Zdravkova
  6. Can Artificial Intelligence Complete My Assessment? A Student Led Initiative to Stress Test the Academic Integrity of University Assessment Using Generative AI
    Aidan Duane
  7. Exploring Factors Affecting Academic Integrity in Higher Education Environments Accompanied by Generative Artificial Intelligence
    Zhidong Zhang
  8. The Impact of Generative Artificial Intelligence on Academic Integrity.
    Aidan Duane

Bibliografia

Zweryfikowane ŹródłaStandardy FormatowaniaWysoka UnikalnośćModele Pro
🔥 25% OFF

Badania

PN-ISO 690:2012

54 zł72 zł
  • 30+ stron
  • Wysoka oryginalność
  • Eksportuj do Worda
  • Prawidłowe formatowanie
  • Publiczny podgląd
    Podglądu innego autora nie można uczynić prywatnym. Twoja praca będzie prywatna i całkowicie unikalna.
  • Bibliografia (30+, PN-ISO 690:2012)
    +6 zł
  • Dodaj alternatywne źródła (Wiadomości, .gov, .edu)

Badania

PN-ISO 690:2012