Η ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ έχει δημιουργήσει ένα παράξενο πρόβλημα στα πανεπιστήμια. Όσο καλύτερα γίνονται τα εργαλεία τόσο λιγότερο μπορούμε να θεωρούμε ότι ένα καλογραμμένο κείμενο αποτελεί από μόνο του επαρκή απόδειξη γνώσης.

Ένας φοιτητής μπορεί σήμερα να παραδώσει μια εξαιρετικά δομημένη εργασία, με σωστή γλώσσα, πειστική επιχειρηματολογία και πλήρη βιβλιογραφική εμφάνιση, χωρίς να είναι καθόλου βέβαιο ότι μπορεί να εξηγήσει πώς έφτασε εκεί. Αυτό δεν είναι ένα ακόμη πρόβλημα ακαδημαϊκής ακεραιότητας που θα λυθεί με καλύτερο λογισμικό ανίχνευσης. Αγγίζει την ίδια την εγκυρότητα της αξιολόγησης. Αν δεν μπορούμε να συνδέσουμε με επαρκή βεβαιότητα το παραδοτέο με τη γνώση, την κρίση και την ικανότητα του φοιτητή, τότε πρέπει να επανεξετάσουμε τον τρόπο με τον οποίο σχεδιάζουμε την αξιολόγηση.

Από αυτή την ανάγκη προέκυψε στο Neapolis University Pafos το AI-RAW. Η καινοτομία του βρίσκεται ακριβώς στο ότι δεν αντιμετωπίζει την τεχνητή νοημοσύνη ως μια εξωτερική απειλή που πρέπει να απαγορευτεί ή να εντοπιστεί, αλλά ως μια νέα συνθήκη μέσα στην οποία η αξιολόγηση πρέπει να παραμένει αξιόπιστη. Το AI-RAW οργανώνει κάθε εργασία ως ένα δίκτυο συνδεδεμένων στοιχείων: μαθησιακά αποτελέσματα, τύπο εργασίας, επιτρεπόμενο επίπεδο χρήσης AI, βαθμό ευκολίας με τον οποίο η εργασία μπορεί να παραχθεί τεχνητά, τεκμήρια της διαδικασίας, κριτήρια βαθμολόγησης και, όπου χρειάζεται, ένα σημείο επαλήθευσης. Η αξία αυτής της προσέγγισης είναι ότι η αξιολόγηση παύει να βασίζεται σε μία γενική διαβεβαίωση ότι «η εργασία είναι αυθεντική» και αρχίζει να βασίζεται σε συγκεκριμένα, συνδεδεμένα και ελέγξιμα στοιχεία.

Αυτό αλλάζει ουσιαστικά τον σχεδιασμό. Αν, για παράδειγμα, ένας φοιτητής καλείται να εκπονήσει μια βιβλιογραφική ανασκόπηση, δεν αρκεί πλέον να ορίσουμε αριθμό λέξεων και ελάχιστο αριθμό πηγών. Το σύστημα μπορεί να προβλέπει ότι, όταν επιτρέπεται ουσιαστική χρήση AI, απαιτούνται συγκεκριμένα τεκμήρια, όπως καταγραφή των prompts, το αρχικό παραγόμενο υλικό, αιτιολόγηση για το τι αποδέχθηκε ή απέρριψε ο φοιτητής, έλεγχος βασικών ισχυρισμών και σύνδεση των πηγών με τα τελικά συμπεράσματα.

Η τεχνητή νοημοσύνη στην ανώτατη εκπαίδευση μας υποχρεώνει να περάσουμε από την αξιολόγηση του παραδοτέου στην αξιολόγηση της τεκμηριωμένης ικανότητας.

Αν η εργασία θεωρείται ιδιαίτερα ευάλωτη σε αυτοματοποιημένη παραγωγή, ενεργοποιείται και μια σύντομη διαδικασία επαλήθευσης, για παράδειγμα μια προφορική ερώτηση που αλλάζει μία παράμετρο και ζητά από τον φοιτητή να προσαρμόσει τη θέση του. Το ζητούμενο δεν είναι να φορτώσουμε τον φοιτητή με γραφειοκρατία, αλλά να δημιουργήσουμε αρκετά σημεία από τα οποία ο εκπαιδευτικός μπορεί να δει τη συνέχεια της σκέψης και όχι μόνο το τελικό προϊόν.

Εδώ βρίσκεται και το πιο ενδιαφέρον μέρος του AI-RAW. Οι κανόνες αυτοί δεν μένουν ως γενικές παιδαγωγικές οδηγίες. Μπορούν να γίνουν ελέγξιμοι. Το μοντέλο μπορεί να ελέγχει αν μια εργασία με υψηλή έκθεση στην τεχνητή νοημοσύνη διαθέτει διαδικασία επαλήθευσης, αν μια πολιτική χρήσης AI συνοδεύεται από τα αντίστοιχα τεκμήρια, αν τα μαθησιακά αποτελέσματα συνδέονται πράγματι με όσα βαθμολογούνται και αν οι απαιτήσεις είναι ανάλογες με τη βαρύτητα της εργασίας. Με άλλα λόγια, η αξιολόγηση αποκτά δομή που μπορεί να ελεγχθεί πριν ακόμη δοθεί στους φοιτητές. Και επειδή η δομή αυτή μπορεί να αναπαρασταθεί και ψηφιακά, ανοίγει ο δρόμος για ενσωμάτωση σε LMS, για αυτοματοποιημένους ελέγχους και για συνολική εικόνα σε επίπεδο προγράμματος σπουδών. Ένα πανεπιστήμιο θα μπορούσε, για παράδειγμα, να γνωρίζει ποιες εργασίες υψηλού ρίσκου δεν έχουν καμία μορφή επαλήθευσης, ποια μαθησιακά αποτελέσματα αξιολογούνται μόνο μέσα από στατικά κείμενα ή σε ποια μαθήματα ζητούνται υπερβολικά πολλά τεκμήρια σε σχέση με τη βαρύτητα της αξιολόγησης.

Αυτή είναι η πραγματική αλλαγή που φέρνει η τεχνητή νοημοσύνη στην ανώτατη εκπαίδευση. Μας υποχρεώνει να περάσουμε από την αξιολόγηση του παραδοτέου στην αξιολόγηση της τεκμηριωμένης ικανότητας. Το πανεπιστήμιο δεν χρειάζεται να αποδείξει ποιος πληκτρολόγησε κάθε πρόταση. Χρειάζεται να μπορεί να υπερασπιστεί ότι ο βαθμός που έδωσε στηρίζεται σε επαρκή στοιχεία για το τι γνωρίζει και τι μπορεί να κάνει ο φοιτητής.

Εκεί βρίσκεται και η αξία του AI-RAW: προσπαθεί να μετατρέψει αυτή την αρχή από καλή πρόθεση σε εφαρμόσιμο σύστημα. Σε μια εποχή όπου η παραγωγή ενός πειστικού αποτελέσματος γίνεται όλο και ευκολότερη, η αξιολόγηση θα πρέπει να γίνει πιο έξυπνη, πιο διαφανής και κυρίως πιο κοντά σε αυτό που το πανεπιστήμιο οφείλει να πιστοποιεί: πραγματική ανθρώπινη ικανότητα.

Neapolis University Pafos
www.nup.ac.cy