Как да проектираме и фасилитираме асинхронни онлайн курсове, когато AI може да свърши работата?

Автоматичен машинен превод на тази английска страница, който още не е проверен от носител на езика.

Семестърът започва и нищо не се случва в определен час. Публикуваш текста за първата седмица, въпроса за обсъждане, първия случай и после чакаш да видиш какво ще се върне. Това, което се връща, е гладко, по темата и не ти казва нищо за студента, който го е подал. Няма стая, в която да влезеш, няма лице, което да прочетеш в 10:15 във вторник, и няма уточняващ въпрос, който да зададеш, докато студентът още стои пред теб.

Отговорът, който да дадеш на колега: в асинхронен курс всичко, което една зала дава безплатно, трябва да бъде изградено нарочно. Сложи оценката върху процеса, а не върху готовия файл, запази едно измерване, което студентът прави без инструменти и без помощ, ограничи каквото и AI да предоставиш и го задръж вътре в курса, и третирай календара като решение за дизайна. За всяка задача се питай какво още би трябвало да направи студентът, ако модел беше произвел артефакта вместо него.

Накратко

1. Оценявай процеса. Дневник на решенията, поетапна чернова или параграф със самопояснение показват разсъждение, което финалната работа скрива.

2. Запази едно измерване без помощ във всяко оценяване, което удостоверява компетентност. Разликата в задържането от данните за популацията по-долу изчезва, щом се въведе прокторинг.

3. Използвай асинхронно устно оценяване там, където залозите оправдават усилието по производството: въпроси, подавани в точния момент, кратки записи, които студентът не може да преработи, вградени рубрики, автоматично генерирани транскрипти.

4. Конфигурирай всеки AI, който предоставяш, да подсказва вместо да отговаря, и го вгради в курса, вместо да даваш връзка към нещо общо.

5. Раздалечи основните срокове и отвори прозорец от 7-8 дни преди всеки от тях. Толкова предупреждение ти дават данните за взаимодействието.

6. Оценявай движението в обсъждането: заета позиция, оспорване, документирано преосмисляне.

Реши какво доказва задачата ти

Асинхронният курс е уязвим по структурна причина. Доказателството за учене е подадената работа, а подадените работи днес се произвеждат евтино.

Демонстрациите напълно изваждат студента от картината. В действащ бакалавърски курс по психология автономни агенти влязоха в системата за управление на обучението, прочетоха материалите на курса и изпълниха оценявана работа без прокторинг, без да участва студент. Два теста бяха завършени за около 12 минути и за под 5 минути, и двата с резултат 10/10. В публикация за обсъждане агентът извлече публикациите на състудентите и после изфабрикува достоверна житейска история от първо лице, за да им отговори. По-широкият регистър на авторите обхваща най-малко 15 документирани пускания на агенти в Canvas, Moodle и Brightspace, с седем агентски инструмента. Тяхната рамка е важна за програмата ти: това е проблем на валидността на оценяването преди да е проблем на академичната честност, защото изпълнението от агент премахва допускането, че подадената работа идва от човека, чието учене се оценява (Hadjisolomou and El-Haddad, 2026).

Причинно-следствените доказателства какво прави инструментът с ученето са също толкова директни. В рандомизирано изпитване с около 1000 ученици от гимназиален етап по математика неограничената помощ от AI повиши резултатите от упражненията с 48% и намали резултатите от изпит без помощ и без материали с 17%. Учениците без достъп се представиха по-добре от учениците с достъп. Ограничен преподавател, който дава подсказки вместо отговори, премахна вредата. Ограничението реши изхода.

Данните за популацията вървят по същия начин. В 3,2 милиона взаимодействия в ALEKS времето за учене върху задачи, податливи на AI, падна с 26,9% след публичното пускане на ChatGPT, с 25% спад в шансовете да се отговори правилно на елементи за задържане под прокторинг. Ефектът изчезна, щом се въведе прокторинг. Това изчезване е полезната част за дизайна на курса, защото локализира прекия път извън платформата и показва, че вредата живее в условията, които ти задаваш.

Има и по-тих провал, срещу който да проектираш. Метакогнитивно дисонантното завършване назовава състоянието да подадеш правилна и пълна работа, докато насаме знаеш, че разбирането така и не е дошло. В класната стая можеш да го хванеш в колебливостта на студента. В асинхронен курс подадената работа е единственият канал и правилната работа изглежда като успех. Дизайнът на оценяването е първият ти лост.

Сложи доказателството в процеса

Ако готовият продукт не доказва нищо, доказателството трябва да дойде от начина, по който работата е направена, или от условие, което студентът не може да делегира.

Артефактите, които разкриват процеса, са най-евтината промяна и работят в мащаб: поетапни подавания със задължителен междинен дневник на решенията, самопояснение от един параграф към всеки отговор, анотация на източник, план, преработен след обратна връзка. Те улавят разсъждението, а не неговата остатъчна следа, и струват на преподавателя сравнително малко време за преглед.

Асинхронното устно оценяване носи най-голяма тежест там, където компетентността трябва да бъде удостоверена. Pentland, Lowenthal и Krier (2026) оцениха уеб-базирани изпитвания, които подават въпроси в точния момент, карат студентите да запишат кратки, ограничени по време отговори пред камера, които не могат да преработят, и оценяват по вградени рубрики, докато транскриптите се генерират автоматично. В две изследвания, пилотен курс по междинно счетоводство и курс по анализ на данни, студентите получиха по-високи резултати, отколкото на присъствени изпити с множествен избор. Разликата беше значима във второто изследване и положителна, но незначима тенденция в първото, а умерените корелации между форматите подкрепят конвергентна валидност. Студентите съобщиха, че се подготвят по различен начин, използват повече активни стратегии за учене и третират формата като професионално релевантен. За курс без общ час това е най-близкият структурен еквивалент: мисленето се случва на живо, в избрано от студента време и място, при административна цена, която не расте с размера на випуска.

Едно измерване без помощ принадлежи във всеки курс, чиято оценка удостоверява знание. Резултатът от ALEKS е аргументът: с въведен прокторинг разликата в задържането изчезна. Кажи на студентите защо съществува това условие. Това обяснение принадлежи в правилата ти за AI в курса.

Реши къде стои инструментът в последователността

Щом продуктът е ненадеждно доказателство, редът на работата става част от дизайна на оценяването.

Brcic и Frljic (2026) поставят мястото в центъра на аргумента: разрешаване или забрана е фалшив избор, а въпросът за дизайна, който има значение, е къде стои инструментът. Причинно-следствените доказателства, които те събират, показват как изходът се обръща само от мястото. Същият неограничен помощник, който остави учениците с около 17% по-слаб резултат на изпит без помощ, не причини вреда, щом беше преработен да задържа отговорите, а добре проектиран преподавател приблизително удвои ученето. Тяхната рамка от шест хода за поставяне на инструмента (подготви, сондирай, насочи, прикачи, засили, провери) е едно използваемо меню. Задръж тяхната диагностика: ако допускането на AI прави задачата да изглежда без усилие, той е на грешното място. Лошото поставяне оставя илюзия за учене, която се срутва при задачата без помощ, състоянието, което метакогнитивно дисонантното завършване описва.

Записано в задача, това ти дава последователност, която можеш да отпечаташ на листа:

Помисли, заеми позиция, използвай AI, критикувай, преработи, обясни.

Студентите опитват интелектуалната работа и заемат позиция за начална интерпретация, прогноза, план или решение. После влиза моделът, за обратна връзка, алтернативи, контрааргументи или критика. После студентите преценяват какво е произвел, преработват и обясняват какво се е променило и защо. Стъпката на заемане на позиция е това, което прави останалото оценимо. Студент без заета позиция няма какво да преработва, а артефакт, който модел е написал от нулата, няма никаква история на преработка.

Свръхкорекцията, която да избягваш: събирането на всеки промпт и документирането на всяко натискане на клавиш произвежда натоварване без доказателство. Искай точките на решение, които наистина би прочел: кое доказателство е избрано, коя алтернатива е отхвърлена, какво се е променило след критиката.

Сдвои задачата, която не можеш да защитиш, с близнак

Структурната опция тук е да спреш да избираш между педагогически смислена задача и защитима задача. Roe, Perkins и Giray (2026) предлагат близнаци на оценяването: сдвояване на уязвимата за AI задача, домашно есе или анализ, с втора, по-малко уязвима задача, която оценява същите резултати, насрочена достатъчно близо за взаимна проверка и оценявана взаимозависимо. Тяхното съпоставяне минава през шестте направления на Messick за доказателства за валидност, а процесът им на дизайн има три стъпки: идентифицирай уязвимостите, подравни резултатите и избери близнака, после разработи оценяване, което свързва двете. Домашният анализ запазва стойността си за разгърнато изследване. Близнакът може да е кратка вариация на казус, обяснение на едно ключово решение или кратък устен или мултимедиен защитен отговор.

Съпътстващият въпрос е собствеността. Ebrahimzadeh, Shibani и Buckingham Shum твърдят, че съавторството с генеративен AI подкопава няколко форми на доказателства за валидност, и предлагат цялост на съавторството като самостоятелен източник на доказателство за валидност, нарушавана, когато студент подаде генерирано от AI съдържание, което не разбира. За да проверят собствеността в мащаб, те описват работа по AI Viva: разговорен агент, който провежда хибриден устен изпит, задавайки въпроси за разбиране с контролируем тип и сложност, валидиран задълбочено от експертни преподаватели и специалисти по оценяване. Претегли това срещу прокторинг на всичко. Устната защита на собственото разсъждение се мащабира там, където наблюдението на стая не може, и произвежда доказателство за разбиране.

Реши какво има право да прави AI, който предоставяш

Важна е разликата между вграден, ограничен AI и непривързан чатбот. Двете дават различни резултати.

Асистентът AIDA на Open University е най-добре документираният вграден случай: шест итеративни изследвания, базирани на дизайн, за 18 месеца с 498 студенти и 20 служители, в институция, обслужваща над 200 000 учащи в повече от 50 държави. В проучвателно рандомизирано изпитване студентите, които използваха AIDA, прекараха два пъти повече време и посетиха повече страници в курса си от контролната група, а 96% искаха асистентът да е наличен в редовното им обучение. Опитът на същата институция с външен, непривързан чатбот тръгна в обратната посока.

Прегледът на Lock, Arteaga и Johnson (2025), 63 цитирания в 32 държави, добавя социално условие: студентите, които използваха ChatGPT редом с преподавателско преподаване, възприемаха по-големи учебни печалби от тези, които го използваха сами. Асистентът допълва преподавателя или замества връзката, и само едното от двете е дизайн на курс.

Две предупреждения заслужават тежест. Провалът на KhanMigo не беше технически. Учащите не се ангажираха с чатбота и доказателствата за печалби бяха ограничени, което сочи към организационна готовност и съответствие с обучението. Преподавателската страна също не е готова: в сравнение на южноафриканска подготовка на учители самооцененият TPACK за преподаване на природни науки с интегриран AI беше 64,0% в университет с присъствен кампус срещу 47,4% в дистанционен университет, като педагогическото знание беше най-слабата област и в двата (Online Teaching and Learning). Внедряването на асистент в асинхронен курс не обучава хората, които трябва да преценяват изхода му.

Оценявай движението в обсъждането

Форумите за обсъждане са мястото, където асинхронният курс изгражда общност или тихо се превръща в кутия за подаване. Две находки трябва да оформят какво автоматизираш там.

Времето е трудната част. Tsirmpas и колеги изградиха корпуса PEFK, за да сравняват набори от данни за фасилитиране, и после проведоха първото проучване на времето на фасилитиране с експертни човешки фасилитатори и оценители LLM. Хората бяха по-внимателни при намеса. LLM бяха прекомерно нетърпеливи. И едните, и другите бяха по-уверени, когато преценяваха, че фасилитиране не е нужно, отколкото когато преценяваха, че е нужно. Обучени модели-класификатори се представиха по-добре от конфигурациите с LLM, и дори тогава съществуващите набори от данни ограничаваха представянето. Практически прочит: дръж автономната модерация извън критичния път и ако изобщо използваш AI в обсъждане, конфигурирай го да мълчи по подразбиране.

Обобщенията помагат на студентите да се ориентират във форума, без да ги карат да участват. Със 128 университетски студенти в три итерации Hao и Cukurova (2026) установиха, че генерираните от AI обобщения на обсъжданията разширяват излагането на приносите на състудентите и засилват свързаността на мрежата, слабите връзки, които теорията за социалния капитал нарича мостови, като намаляват усилието да намериш смислени публикации. Те не спряха спада на активността на разглеждане през курса. Обобщаването е навигационен скафолдинг.

Структурата, която издържа, е последователност, а не нишка: позиция, оспорване, преосмисляне. Студентите заемат интерпретация, обоснована в материала на курса, после срещат друга перспектива, контрапример или критика, после обясняват дали и как се е преместило разсъждението им. Това, което оценяваш, е движението между идеите. Подадена публикация плюс два отговора спряха да го демонстрират в момента, в който агент можа да извлече публикациите на състудент и да се представи с чужда житейска история по поръчка.

Понеже агентът имитира повърхностно поведение, твоите собствени приноси стават оскъдният ресурс. Механичният отговор на десетки отделни публикации е най-слабата форма на преподавателско присъствие; синтезът през цялото обсъждане е най-силната: „три допускания се появяват отново и отново в анализите ви; няколко от вас прочетоха това доказателство различно; този аргумент е убедителен, докато не въведем този контрапример.“ Това е оркестрация, а не производство на съобщения.

Въпросът за рамката под двете е отчетността. Ba, Gašević, Lim и Anderson (2026) твърдят, че генеративният AI разклаща допускането на общността на изследването, че индикаторите за присъствие изобщо могат да се приписват на хора. Те третират генеративния AI като епистемично условие, а присъствията като социотехнически постижения, чиято връзка с качеството на изследването зависи от това къде стои човешката отчетност. Конкретно: реши и заяви кой отговаря за какво във всеки обмен, вместо да допускаш, че присъствието възниква, защото съществува форум.

Дръж темата в движение без стая, в която да влезеш

Форматите в собствен темп предполагат саморегулация и рядко я преподават. Доказателствата за това кои поведения наистина корелират с оставането в задачата са необичайно практични.

Изследвайки 530 колежански студенти с асоциативни правила и клъстериране, Shi и др. (2026) установиха, че поведенията на саморегулирано учене, поставяне на цели, структуриране на средата и управление на времето, се срещат най-последователно с ниска дигитална разсейваемост, заедно с ангажираността студент-преподавател и студент-съдържание и техническата компетентност. Разчитането на помощ от състуденти и ангажираността студент-студент се появиха по-рядко в профилите с ниска разсейваемост. Структурирай средата и графика, преди да проектираш още една групова дейност.

Саморегулацията също не е фиксирана черта. В рамките на цял семестър със 75 първокурсници Song и др. (2026) я намериха да функционира едновременно като стабилна способност и като колебливо състояние. Индивидуалните базови линии останаха стабилни, докато метакогнитивното знание и благополучието спаднаха системно през семестъра, подтикнати от учебните изисквания като основните срокове за оценяване. Струпването на срокове може да е ефективен административен избор, но е и измерим данък върху регулацията, на която разчита форматът ти.

Прозорецът за намеса е знаем. Zhang, Jeffries и Koprinska (2025) показаха, че интерпретируемо машинно обучение върху логове за взаимодействие със съдържание предсказва прогреса на ниво модул и маркира изходи на отпадане до 7-8 дни преди крайните срокове на модула в мащабни онлайн курсове по програмиране. Това е достатъчно предупреждение да изпратиш конкретен подтик на конкретен студент, което е по-добре от откриването на провала по време на оценяването. За възрастни учащи и дистанционни учащи насоките за дизайн на AI-ALOE добавят ограничението, което има най-голяма тежест: мобилен достъп, възможност за работа офлайн и истинска асинхронна наличност, тъй като тези учащи учат в откъси от време между други задължения.

Реши какво да автоматизираш в производството

Две употреби имат разумни доказателства зад себе си и двете целят натоварването на преподавателя.

Цена на производството. MAIC преформулира излъчването на МООК „едно видео за N студенти“ като „N агента за един студент“, използвайки специализирани агенти учител, асистент, състудент и анализатор върху обща моделна основа. Авторите им съобщават свиване на производството на курс от около 25 000 долара и 60 часа за един МООК до под 2 долара и 30 минути, пилотирано в Tsinghua в два курса с над 100 000 учебни записа от над 500 студенти, и публикувано като отворен код OpenMAIC. Персонализираните медии са същата идея на ниво актив: в голям онлайн курс Tomlinson и др. (2026) установиха, че студентите предпочитат генерирани от AI персонализирани видеа пред неперсонализирани, записани с човек, като ефектът от персонализацията надвишава стойността, която се приписва на човешки водещ.

Навигация във форума. Скафолдингът с обобщения по-горе намали цената да намериш добрите приноси, без да добавя към четенето на преподавателя.

Три задачи остават при теб: да решиш дали един текст е собствено мислене на студента, да прецениш дали едно обсъждане се нуждае от намеса, и да калибрираш трудността. Генерираният материал също се нуждае от педагогически преглед, преди да носи кредит. Евтиното производство е отделен въпрос от смисления дизайн.

Назови ролята на AI и провери, че студентът още има своя

„Студентите могат да използват AI“ е твърде широка спецификация, срещу която да проектираш. Назоваването на ролята е това, което прави дейността проектируема, а ролите носят последствия за присъствието: изследване на генеративния AI в маркетинговото образование различава преподавател, съотборник и инструмент, показва как всяка от тях влияе различно на преподавателското, социалното и когнитивното присъствие, и изброява познатите етични рискове от поверителност на данните, плагиатство, зависимост и справедливост на оценяването (GenAI in Marketing Education). Същият модел може да е сократичен въпросител преди задача, критик след първа чернова, симулирана заинтересована страна по време на анализ на казус, опонент, чийто аргумент трябва да бъде опроверган, преподавател, който дава подсказки по време на упражнение, или редактор, въведен след като същественото разсъждение вече съществува. Това са различни дейности и смесването им е начинът, по който „AI е разрешен“ започва да означава „нищо не е проектирано“.

Scaffolding дава теста. Подкрепата трябва да помага на учащите да правят това, което още не могат сами, и трябва да избледнява с развитието на компетентността. Модел, който продължава да дава готови решения, върши задачата. За всяка дейност с AI трябва да можеш да довършиш това изречение без колебание:

Работата на AI тук е _____, а работата на студента е ________.

Ако второто празно място съдържа малко мислене, дейността се нуждае от преработка.

Поискай от тях да преценят отговор, който не са написали

AI грамотност покрива критичното оценяване, метакогнитивната преценка и знанието кога да пропуснеш инструмента. Самооценената увереност е слаб заместител на демонстрираната компетентност.

Една промяна, която всеки асинхронен курс може да приеме веднага: понякога дай на студентите изхода от AI сам. Предай два конкуриращи се отговора и попитай кой е по-силен и защо. Поискай най-слабото твърдение, липсващото допускане, непроверимия източник, правдоподобното обяснение, което все пак е грешно. Попитай какво доказателство би променило мнението им.

Формулирана така, оценяваната способност е дали студентът може да разпознае отговор, който заслужава доверие, което е по-близо до това, което изисква дисциплината, и много по-трудно за делегиране. Практиките за проверка са мястото, където живее техниката. Важното тук е да поставиш оценяването вътре в оценяваната задача, вместо да го оставиш като съвет в обявление на модула.

Какво инструкционните дизайнери разбират погрешно за асинхронните курсове

Подадената работа е проблемът, значи подадената работа трябва да се поправи. Тя е и единственият канал, който имаш, затова затягането само на артефакта променя малко. Добави втори канал: запис на процеса, записано обяснение, едно измерване без помощ.

Гъвкавостта означава, че студентът определя темпото. Форматът предполага саморегулация, а семестриалното изследване с 75 студенти показва как метакогнитивното знание и благополучието спадат, когато сроковете се струпват. Темпото е решение за дизайна, което ти вземаш вместо тях.

Форумът е участие, значи се броят публикациите. Демонстрацията с агент по-горе произведе публикация, която извлече състуденти и измисли житейска история; броят не може да я различи от добра публикация. Обобщенията на Hao и Cukurova подобриха навигацията и активността на разглеждане пак спадаше.

Добавянето на асистент прави курса интегриран с AI. AIDA беше създаден целенасочено, вграден и итериран в шест изследвания; външен чатбот в същата институция тръгна в обратната посока, а учащите на KhanMigo просто не се ангажираха.

Доказателство за процес означава да документираш всичко. Събирането на всеки промпт и всяко натискане на клавиш произвежда документация и малко друго. Версията, която си струва да се оценява, иска няколко точки на решение: кое доказателство е избрано, коя алтернатива е отхвърлена, какво се е променило след критиката.

Какво ще ти се върне

„Това са възрастни, които сами избраха асинхронен курс. Ако оставят AI да го напише, това е тяхно решение.“ Аргументът за избора би издържал, ако курсът не удостоверяваше нищо. Удостоверява. Доказателството от ALEKS показва как прекият път произвежда вид компетентност, който не оцелява при проверка с прокторинг, а цената пада по-късно, в следващия курс, в лицензионния изпит или в работата. Има и аспект на справедливост: учащите, които най-вероятно ще изнесат когнитивно, често са тези с най-малко време, групата, за която асинхронният курс съществува.

„Откриването е отговорът.“ Откриването е спорно, а резултатът с прокторинг показва защо дизайнът бие полицейщината: вредата изчезна, когато условията се промениха. Откриването носи и цена от фалшиви положителни резултати и превръща обучението в надпревара във въоръжаване. Преработи задачата и запази едно измерване без помощ. Виж Как да намаля измамите с AI в моя курс? и Как да препроектирам оценяването, така че оценката да ми казва нещо защитимо за това какво знае или може студентът?.

„Преподавателското присъствие е невъзможно от разстояние, значи асинхронното е по начало по-слабо.“ Присъствието в асинхронен курс се проектира. Преформулирането на CoI по-горе казва, че индикаторите му са социотехнически постижения в ерата на генеративния AI, а изпитването с AIDA удвои времето в задача в курс без никакви синхронни срещи.

„Прокторингът е наблюдение и няма да го наложа.“ Защитима позиция, и тя оставя отворени опции. Артефактите, които разкриват процеса, асинхронното устно оценяване и AI Viva улавят разсъждение, без да наблюдават нечия стая. Ако все пак използваш условие с прокторинг, сложи го в програмата, обясни причината и го ограничи до оценяванията, които удостоверяват компетентност.

„Тогава направи всичко синхронно и с прокторинг.“ Много студенти избират асинхронно обучение заради работа, грижи за близки, увреждания или география. Откриването също носи своите разходи за справедливост: инструментите, които маркират писатели с друг роден език, непропорционално произвеждат фалшиви положителни резултати, които наказват честната работа (AI Detection). Пропорционалната алтернатива е малък брой моменти на проверка в иначе гъвкав курс: кратко записано обяснение, персонализирано приложение, отговор на въпрос, избран от преподавателя, анотирана следа от решения, проверка с ниски залози за отделен студент. Проверката трябва да повишава валидността на доказателството ти и да запазва гъвкавостта, която правеше формата струващ си.

Какво не решават доказателствата

Систематичният преглед на AI в дистанционното образование (56 статии, 2020-2025) обхваща персонализация (24 изследвания), оценяване и обратна връзка (19), взаимодействие човек-AI (17) и управление и справедливост, и заключава, че базата е краткосрочна и напречна, с малко лонгитюдни работи. Прегледът на AI и ангажираността на студентите в онлайн обучение (24 изследвания) е ограничен до една база данни, разглежда само ангажираността и смесва синхронните с асинхронните контексти, така че заключенията му не са специфични за асинхронното обучение. Асинхронното устно оценяване почива на две изследвания в два курса. MAIC е пилот. Наборите от данни за времето на фасилитиране ограничават представянето дори с обучени класификатори. Нито едно изследване тук не проследява асинхронен випуск достатъчно дълго, за да покаже дали преработеното оценяване произвежда трайно учене или само по-добро доказателство за него. Всичко това е достатъчно силно, за да промени следващия ти курс, и твърде тънко, за да оправдае политическо твърдение.

Какво да направиш тази седмица

1. Избери оценяването с най-високи залози и добави едно условие, което студентът изпълнява без помощ. Кажи им защо съществува.

2. Вземи задачата, която AI сега изпълнява от начало до край, и я препиши така, че процесът да е артефактът: дневник на решенията, поетапна чернова, самопояснение, сравнение на два опита.

3. Прехвърли едно основно оценяване към асинхронна устна защита с вградени рубрики и задай разрешението за AI за всяка задача в програмата, където студентите наистина ще я прочетат.

4. Раздалечи основните срокове и блокирай прозорец от 7-8 дни преди крайния срок за връзка със студентите, чиито данни за взаимодействие са замлъкнали.

5. Задай три въпроса за най-слабата си задача. Може ли система с AI да изпълни тази дейност, без студентът да разбира материала? Коя когнитивна дейност трябва да произведе ученето тук? Какво доказателство ще покаже, че студентът наистина е извършил тази дейност? Ако първият отговор е „да“, а другите два са трудни за даване на отговор, проблемът е в дизайна на ученето и никаква формулировка на правилата няма да го поправи.

Накъде след това: правилата на ниво курс принадлежат в Как да напиша политика за AI в курса и да я съобщя на студентите?; преработката на оценяването е разгледана в Как да препроектирам оценяването, така че оценката да ми казва нещо защитимо за това какво знае или може студентът?; проблемът със зависимостта под нея в Как да не допусна прекомерна зависимост от AI у студентите?; натоварването на преподавателите и какво AI реалистично премахва в Как AI може да ми спести време като преподавател?; а изгледът на ниво дизайн за вграждане на AI в учебно преживяване в Как трябва да се вгради AI в учебното преживяване?.