जनरेटिव्ह AI मुळे सादर केलेले coursework विद्यार्थ्याच्या स्वतःच्या ज्ञानाचे आणि कौशल्यांचे प्रतिबिंब आहे की नाही हे निश्चित करणे अधिकाधिक कठीण होत असल्याने, विद्यार्थ्यांचे मूल्यमापन कसे करायचे याचा पुनर्विचार करण्याचे आवाहन इंग्लंडमधील विद्यापीठांना करण्यात आले आहे. इंग्लंडच्या उच्च-शिक्षण नियामक Office for Students ने इशारा दिला आहे की वैध आणि विश्वासार्ह मूल्यमापन कायम न ठेवणाऱ्या संस्थांना नियामक परिणामांना सामोरे जावे लागू शकते.

मोठ्या प्रमाणावर उपलब्ध झालेल्या जनरेटिव्ह AI tools मुळे essays, dissertations आणि take-home examinations तयार करण्याची पद्धत बदलू लागल्यापासून विद्यापीठे ज्या समस्येवर काम करत आहेत, तिला या हस्तक्षेपामुळे अधिक महत्त्व प्राप्त झाले आहे. संस्थांनी त्यांच्या मूल्यमापनातून विद्यार्थ्यांचे शिक्षण खरोखर मोजले जाते हे दाखवता आले नाही, तर इंग्लिश पदवींची विश्वासार्हता धोक्यात येऊ शकते, असे नियामकाने म्हटले.

मूल्यमापनाबाबत नियामकाचा इशारा

Office for Students नुसार, academic staff च्या निदर्शनास न येता विद्यार्थी AI वापरत असल्याचे त्यांच्या सहाध्यायांनी सांगितले आहे. AI चा coursework मध्ये वापर होऊ शकतो, हीच केवळ नियामकाची चिंता नाही; तर मूल्यमापन प्रणाली विद्यार्थ्याचे स्वतःचे काम आणि एखाद्या tool ने मोठ्या प्रमाणावर तयार केलेले किंवा बदललेले काम यांच्यात फरक करू शकणार नाहीत, ही चिंता आहे.

नियामकाच्या strategy and delivery director Josh Fleming यांनी उच्च शिक्षणातील AI वापराला सध्याच्या व्यवस्थेसाठी पिढीजात धोका म्हटले आहे. या इशाऱ्यावरून असे दिसते की assessment design हा आता compliance चा मध्यवर्ती मुद्दा बनत आहे; तो केवळ individual lecturers किंवा departments वर सोपवलेला विषय राहिलेला नाही.

ज्ञान आणि कौशल्ये तपासण्यासाठी संस्थांनी वैध आणि विश्वासार्ह उपाययोजना तयार कराव्यात, असे Office for Students ने सांगितले. AI च्या पार्श्वभूमीवर असे करण्यात अपयश आल्यास registration च्या अटींचे उल्लंघन होऊ शकते आणि संस्थेला sanctions ला सामोरे जावे लागू शकते, असा इशारा देण्यात आला.

पारंपरिक coursework वर दबाव का आहे

दीर्घ लिखित assignments हे विद्यापीठीय मूल्यमापनाचा दीर्घकाळापासून महत्त्वाचा भाग आहेत, कारण त्यातून research, argument, analysis आणि communication तपासता येतात. जनरेटिव्ह AI मुळे अस्खलित मजकूर झटपट तयार करणे सोपे झाले आहे, त्यामुळे हा नमुना अधिक गुंतागुंतीचा बनत आहे; एखाद्या विशिष्ट assignment साठी तयार केल्यासारखे वाटणारे material देखील ते निर्माण करू शकते.

ही अडचण केवळ essays पुरती मर्यादित नाही. संस्थांनी dissertations आणि open-book examinations मध्येही AI मुळे विद्यार्थ्यांच्या क्षमतेबाबत मिळणाऱ्या evidence वर काय परिणाम होतो, याचा विचार करावा, असे नियामकाच्या तपासणीत नमूद करण्यात आले. अशा परिस्थितीत polished final document हा independent learning चा पुरावा म्हणून पूर्वीइतका प्रभावी ठरणार नाही.

याचा अर्थ प्रत्येक written assignment नाहीसे होईल असा नाही. उलट, नियामकाने मांडलेल्या policy direction नुसार, कोणती tasks अजूनही विश्वासार्ह evidence देऊ शकतात, कोणते safeguards योग्य आहेत आणि tool use मर्यादित किंवा निरीक्षणाखाली ठेवता येईल अशा settings मध्ये मूल्यमापन कधी घ्यावे, याबाबत विद्यापीठांना जाणीवपूर्वक निर्णय घ्यावे लागतील.

अधिक प्रत्यक्ष evidence कडे परतावा

नियामकाने अधोरेखित केलेला एक प्रतिसाद म्हणजे AI-free assessment चा अधिक वापर. यात in-person written examinations आणि oral examinations यांचा समावेश होऊ शकतो; त्यांना अनेकदा vivas असे म्हटले जाते. अशा formats मुळे विद्यार्थी एखादा concept कसा समजावतो, प्रश्नांना कसा प्रतिसाद देतो किंवा problem कशी सोडवतो, याचे assessor ला अधिक प्रत्यक्ष evidence मिळू शकते.

विद्यार्थ्यांसाठी याचा अर्थ अनेक आठवडे पूर्ण केले जाणारे coursework आणि supervised conditions मध्ये होणारे assessment यांच्यातील संतुलनात अधिक स्पष्ट बदल होऊ शकतो. staff साठी modules पुन्हा design करणे, assessment चे वेगवेगळे forms तयार करणे आणि final answers सोबत विद्यार्थ्याच्या reasoning चेही मूल्यमापन करता येईल अशा marking approaches तयार करणे आवश्यक ठरू शकते.

In-person assessment हा एकमेव पर्याय नाही. विद्यार्थ्यांना AI-generated output चे परीक्षण किंवा editing करण्यास सांगितले जाते, अशी उदाहरणे Office for Students ने नमूद केली. या दृष्टिकोनात AI हा assessment च्या subject चा भाग मानला जातो: विद्यार्थ्याने limitations ओळखाव्यात, informed changes करावेत आणि generated text थेट सादर करण्याऐवजी judgment दाखवावे.

दुसरे model म्हणजे process-based assessment. विद्यार्थ्यांनी आपल्या कामासाठी research कसा केला आणि ते काम कसे तयार केले, याचे document करण्यास त्यांना सांगता येते. त्यामुळे final submission मागील development चे educators ना अधिक स्पष्ट चित्र मिळते. अशा evidence चे exact value course आणि task वर अवलंबून असेल; पण मूलभूत उद्दिष्ट एकच आहे: assessments ने learning उघड केले पाहिजे, केवळ end product गोळा करू नये.

विद्यापीठांवर कृती करण्याचा दबाव

विद्यापीठांनी हा मुद्दा गांभीर्याने घ्यावा आणि Office for Students ने विद्यमान standards प्रभावीपणे लागू करावेत, अशी अपेक्षा असल्याचे Department for Education ने सांगितले. AI भोवतीचे regulatory framework स्पष्ट, मजबूत आणि टिकाऊ असावे, अशी मागणीही करण्यात आली.

अनेक संस्थांनी assessments पुन्हा design करण्यास सुरुवात केली आहे, हे नियामकाने मान्य केले. हे महत्त्वाचे आहे, कारण विद्यापीठे एका समान baseline पासून सुरुवात करत नाहीत. Courses काय शिकवतात आणि विद्यार्थ्यांनी competence कशी दाखवायची, यामध्ये मोठे फरक असतात. laboratory discipline, arts programme आणि professional course यांना supervised, oral, practical आणि written work यांच्या वेगवेगळ्या मिश्रणाची गरज भासू शकते.

त्यामुळे आव्हान AI-generated writing शोधण्यापेक्षा व्यापक आहे. Detection tools अनिश्चित असू शकतात, तर assessment policy विद्यार्थ्यांसाठी fair आणि teaching staff साठी व्यवहार्य राहिली पाहिजे. valid आणि reliable measures वर नियामकाचा भर अशा assessments तयार करण्याकडे लक्ष वळवतो, जे स्वतःच्या बळावर टिकू शकतील; submission बाबत नंतर निर्माण होणाऱ्या संशयावर अवलंबून राहण्याची गरज भासू नये.

पुढे काय बदलेल

Office for Students ची भूमिका इंग्लंडच्या higher-education sector मध्ये assessment formats बाबतचे प्रयोग वेगाने वाढवू शकते. independent authorship आवश्यक असलेल्या programmes मध्ये अधिक oral presentations, supervised writing, vivas आणि documented project work ही परिचित वैशिष्ट्ये बनू शकतात.

त्याच वेळी, नियामकाने दिलेली उदाहरणे विद्यापीठांना AI पूर्णपणे दुर्लक्षित करण्यास सांगितले जात नाही, असे दर्शवतात. विद्यार्थ्यांना AI output चे मूल्यमापन किंवा सुधारणा करण्यास सांगितल्यास, technology आता व्यापक learning environment चा भाग आहे हे मान्य करत critical thinking आणि subject knowledge चे मूल्यमापन करता येऊ शकते.

assessment ला सहजपणे supervised करता येतील अशा मोजक्या tasks पर्यंत मर्यादित न करता हे बदल करता येतील का, ही विद्यापीठांसाठीची तातडीची कसोटी असेल. एखादी degree विद्यार्थ्याच्या knowledge आणि skills चे प्रतिनिधित्व करते हे संस्थांना दाखवता आले पाहिजे, असा नियामकाचा स्पष्ट संदेश आहे. AI च्या युगात learning चे मूल्यमापन कसे केले जाते याचे अधिक विविध आणि अधिक प्रत्यक्ष चित्र यासाठी आवश्यक ठरू शकते.

हा लेख The Guardian च्या reporting वर आधारित आहे. मूळ लेख वाचा.

Originally published on theguardian.com