As ferramentas generativas de IA têm o potencial de remodelar drasticamente a forma uma vez que os alunos abordam suas tarefas. Embora a IA possa ajudar em diversas tarefas de aprendizagem, ela apresenta desafios para os educadores, principalmente quando os alunos podem usá-la para concluir tarefas com o mínimo de taxa original. Torna-se logo fundamental que os educadores concebam avaliações que não sejam facilmente solucionáveis por ferramentas generativas de IA e promovam competências de pensamento de nível superior, conforme representado pela Taxonomia de Bloom.
À medida que os instrutores trabalham na revisão das avaliações para serem resistentes à geração por ferramentas de IA com pouca participação dos alunos, eles devem considerar os seguintes princípios:
- Incorpore experiências pessoais e teor sítio nas tarefas
- Peça aos alunos resultados multimodais
- Avalie os benchmarks de desenvolvimento para atribuições e atribuições de transição mais adiante na Taxonomia de Bloom
- Considere tarefas orais e em tempo real
Vejamos cada um com mais profundidade.
4 dicas para projetar avaliações resistentes à IA
1. Elabore tarefas que peçam aos alunos que personalizem seu trabalho, baseando-se no contexto sítio e/ou em experiências pessoais. Estas são duas coisas com as quais as ferramentas generativas de IA muitas vezes enfrentam dificuldades, principalmente tarefas que exigem que os alunos apliquem o conhecimento de forma única ou num contexto diferenciado com base em experiências pessoais ou realidades locais.
Para redesenhar isto para ser resistente à IA, num trabalho de história, por exemplo, em vez de pedir aos alunos que escrevam um experiência genérico sobre a Segunda Guerra Mundial, os instrutores podem pedir-lhes que investiguem o impacto da Segunda Guerra Mundial na sua comunidade sítio ou num grupo específico. de pessoas em sua região. Isto pode envolver ir aos arquivos locais, entrevistar os mais velhos da comunidade ou pesquisar os jornais locais.
Tais tarefas exigem que os alunos reúnam informações específicas que não estão prontamente disponíveis para a maioria das ferramentas de IA. Isto pode potencialmente envolver melhor os alunos à medida que consideram o impacto nas suas famílias e parentes, em vez de exclusivamente olharem para o quadro universal.
2. Considere avaliações multimodais que exijam que os alunos utilizem diversas formas de mídia para provar sua compreensão. Ao incorporar vários modos de sentença, os instrutores podem prometer que os alunos se envolvam com o teor em níveis mais profundos, ao mesmo tempo que minimizam o uso de respostas geradas por IA, que muitas vezes são baseadas em texto.
Atualmente, a maioria das ferramentas generativas de IA luta para combinar texto e gráficos de forma eficiente. Para uma unidade de escrita criativa, os alunos podem ser solicitados a desenvolver uma história que inclua uma tarefa escrita tradicional explorando um tema específico ou o desenvolvimento de um personagem. Peça ao aluno que inclua representações visuais de cenas ou personagens principais da sua história, incentivando-o a pensar sobre uma vez que as imagens melhoram a narrativa.
Mais um passo poderia ser fazer com que os alunos gravassem a si mesmos lendo sua história em voz subida. Peça aos alunos que expliquem por que usaram o tom, o ritmo e as inflexões que usaram.
3. Considere avaliações orientadas para o processo que se concentrem na avaliação dos alunos em múltiplas fases do seu trabalho, em vez de exclusivamente no resultado final. Tais referências no processo de avaliação são úteis para que os alunos reduzam o risco de fracasso em tarefas grandes, criando pontos de verificação para prometer que os alunos estejam no caminho manifesto para o sucesso. Levante design incentiva um envolvimento e compreensão mais profundos, à medida que os alunos são avaliados quanto à sua capacidade de revisar, refletir e crescer através do processo de aprendizagem. As ferramentas de IA podem ajudar na produção de resultados finais, mas não podem replicar o processo de pensamento iterativo de um aluno.
Por exemplo, para um projeto de pesquisa sobre a Revolução Americana, o instrutor pode dividir a tarefa em várias etapas menores. Primeiro, peça aos alunos que apresentem uma proposta descrevendo o vista escolhido da revolução e as fontes planeadas. Em seguida, exija uma bibliografia das fontes planejadas, incluindo um resumo das fontes e uma vez que cada uma será usada no item. Em seguida, avalie um esboço, um primeiro rascunho e um rascunho final. Se propício, um instrutor pode logo pedir ao aluno que forneça informações sobre por que ele fez as alterações que decidiu fazer entre os rascunhos. Esses processos destacam as habilidades de pensamento crítico dos alunos e dificultam a submissão exclusiva de ferramentas generativas de IA.
4. Avaliações em tempo real, uma vez que apresentações ao vivo, debates ou atividades interativas em sala de lição, oferecem aos alunos oportunidades de provar sua compreensão e pensamento crítico no momento. Estas estratégias são resistentes à IA, uma vez que os alunos devem envolver-se ativamente com o material em tempo real, demonstrando o seu pensamento instintivo e capacidades de solução de problemas.
Em uma unidade de retórica, os alunos poderiam fazer discursos com base em instruções relacionadas aos textos estudados em sala de lição. Por exemplo, eles podem ser solicitados a discutir qual personagem de O Grande Gatsby é o maior responsável pela queda de Gatsby, fornecendo evidências do texto para estribar a sua posição. Esta avaliação em tempo real desafia os alunos a pensar rapidamente, formular um argumento congruente e ler os seus pensamentos com perspicuidade; habilidades que não são facilmente replicadas pela maioria das ferramentas generativas de IA.
Um corolário da avaliação em tempo real seria fornecer exames orais, de maneira uniforme ou aleatória, o que pode permitir aos instrutores estimar as habilidades de apresentação dos alunos, muito uma vez que o objecto. Isso também pode ser feito por meio de vídeos gravados pelos próprios alunos. Uma tarefa aleatória pode consistir em que cada aluno seja solicitado a fornecer uma resposta vocal a um ou mais questionários durante o curso. Isto não exigiria uma grande mudança nas avaliações, mas proporcionaria uma salvaguarda potencial para a utilização de IA generativa.
Se o desempenho no fiscalização vocal fosse significativamente dissemelhante do desempenho no trabalho escrito, talvez uma conversa com o aluno fosse adequada. Vídeos autogravados podem ser implementados em qualquer formato de curso, inclusive assíncronos.
Um último lembrete: Os alunos devem ter diretrizes claras para cada tarefa sobre se e uma vez que podem usar ferramentas de IA generativas.
Em última estudo, conceber avaliações resistentes à IA requer estratégias ponderadas que promovam o pensamento crítico, a originalidade e o envolvimento profundo. Embora nem todas estas sugestões funcionem em todas as áreas académicas, as abordagens descritas supra garantem a integridade académica e melhoram a aprendizagem dos alunos, incentivando-os a pensar criticamente, a reflectir profundamente e a expressar as suas ideias em múltiplos formatos.
Erin M. Carter, Ed.D., é membro do corpo docente de biologia do Century College em White Bear Lake, Minnesota. Seus interesses de pesquisa se concentram em justiça e entrada do dedo, integridade acadêmica e metodologias de ensino online. Ela obteve seu doutorado em instrução pela Winona State University.
