В Boise State University выбрали второй путь. Этой осенью университет запустил рабочую группу Assessment in the Age of AI. Преподаватели приносят туда реальные задания из своих курсов, которые после появления генеративного ИИ перестали работать так, как раньше, и пытаются их перестроить.
Проблема довольно простая. Раньше результат хотя бы приблизительно свидетельствовал о проделанной работе. Хорошее эссе означало, что студент прочитал источники, выстроил аргументы и написал текст. Работающий программный код показывал, что он способен этот код написать. Теперь между человеком и результатом появился ещё один возможный исполнитель.
Самая очевидная реакция - попытаться его обнаружить. Но несколькими месяцами раньше исследователи Boise State отдельно изучили AI-детекторы и пришли к неприятному выводу: надёжно решить эту задачу они не способны. Детекторы дают ложные срабатывания и пропускают созданные ИИ тексты, их можно обходить, а студенты, для которых английский не родной язык, рискуют получить ложное обвинение чаще остальных. Поэтому университет не рекомендует использовать показания таких систем как доказательство нарушения.
И тут возникает вопрос: если нельзя надёжно установить, кто написал итоговый текст, может быть, стоит перестать делать итоговый текст главным доказательством обучения?
Так оценивание начинает смещаться с продукта на процесс. Вместо одного эссе можно увидеть сначала вопрос, который сформулировал студент, затем подобранные им источники, структуру аргументации, первый черновик, замечания, исправления и объяснение того, почему он что-то изменил.
В программировании можно оценивать не только код. Пусть студент объяснит, как он работает, найдёт ошибку, сравнит два решения, изменит алгоритм под новые условия или докажет, почему выбрал именно этот способ. ИИ при этом можно даже разрешить. Но готовый результат перестаёт быть достаточным.
В Boise State предлагают и другой подход - specifications grading. Преподаватель заранее описывает не количество баллов за отдельные элементы работы, а конкретный уровень освоения: что именно студент должен понимать и уметь делать. Работа либо соответствует этим критериям, либо требует доработки. И это важный сдвиг.
Мы привыкли бороться за самостоятельность ученика через контроль: убрать телефон, закрыть браузер, запретить ChatGPT, определить, кто списал. Но рядом с сильным ИИ эта система начинает ломаться. И тогда задача преподавателя не столько в том, чтобы доказать отсутствие машины, сколько в том, чтобы увидеть присутствие человека. Не «ты сам написал этот текст?», а «почему ты сделал такой вывод?». Не «кто создал этот код?», а «почему он работает и что произойдёт, если изменить условие?». Не «пользовался ли ты ИИ?», а «что после этой работы умеешь делать ты?»
И тогда у образования проявляется старый критерий качества: покажи не только, что получилось, но и, как ты думал.
