|
Поделиться
Исследователь из НИУ ВШЭ предложил новую блок-схему, которая помогает преподавателям решать, как оценивать студентов, использующих искусственный интеллект. Она демонстрирует, где применение ИИ лучше ограничить, а где интегрировать в образовательный процесс. Статья опубликована в журнале IT Professional, об этом сообщили представители ВШЭ.
Искусственный интеллект трансформирует обучение, особенно в области компьютерных наук. Генеративные модели применяются для написания и исправления кода, решения учебных задач и объяснения решений, что затрудняет оценку самостоятельного усвоения материала учащимися на итоговых работах.
Исследователь из НИУ ВШЭ в Санкт-Петербурге проанализировал актуальные подходы к оцениванию знаний студентов и на их основе создал дерево решений (блок-схему). Это позволяет создавать более подходящие рекомендации и задания для обучения и оценки студентов.
Рис. 1. Схема для проверки знаний студентов. © A.A. Ternikov
При выборе учитываются тип задания, уровень подготовки студентов, возможность автоматической проверки и временные ограничения. Например, для младших курсов предлагается более строго ограничить использование ИИ.
«На базовых курсах у студентов должны укрепляться фундаментальные знания, поэтому контрольные точки лучше проводить с ограниченным доступом к ИИ или без него. Когда эти знания уже усвоены, можно оценивать, насколько осмысленно студент использует инструменты ИИ», — Андрей Терников, автор исследования, доцент департамента менеджмента НИУ ВШЭ в Санкт-Петербурге.
Однако, согласно мнению ученого, полный запрет на использование нейросетей нецелесообразен, так как от профессионалов ожидается владение ИИ-инструментами. На старших курсах автор предлагает включать нейросети в задания и отдельно оценивать, насколько целесообразно студент с ними работает. Например, студентов можно просить демонстрировать, как именно они использовали ИИ в заданиях, и совместно оценивать получившиеся результаты.
Андрей Бурилов, ИТ-директор Мосбиржи: Финансовые операции станут частью кода
цифровизация
«Такой подход учит не просто обращаться к нейросети, а осознавать ее вклад, объяснять свои решения и критически анализировать результат. Этот подход также соответствует рекомендациям по работе с ИИ, которые уже обсуждаются в университете», — подчеркивает Андрей Терников.
Также часть контрольных точек должна проходить без помощи ИИ: в формате устного экзамена или заданий в контролируемой среде. Это позволит преподавателю одновременно обучать работе с современными инструментами и проверять, сформировались ли у студента необходимые знания и навыки.
Автор отмечает, что многие методики были проверены на небольшой выборке, поэтому требует дальнейшего изучения их эффективности в разных курсах и вузах и в долгосрочной перспективе. Главная задача остается прежней: сделать так, чтобы оценка отражала реальные знания и навыки студента, даже если в процессе обучения он использует ИИ.