মূল্যায়নের বৈধতা

ইংরেজি পাতার এই স্বয়ংক্রিয় অনুবাদ, এখনও মাতৃভাষিক বক্তার দ্বারা পর্যালোচনা করা হয়নি।

মূল্যায়নের বৈধতা — মূল্যায়ন সত্যিই তা মাপে কি না, যা সে মাপার দাবি করে। শিক্ষায় কৃত্রিম বুদ্ধিমত্তা মৌলিক বৈধতা-প্রশ্ন তোলে: এআই-গ্রেডকৃত মূল্যায়ন কি শিক্ষার্থীর শিখন মাপে, নাকি এআই প্রম্পটিং দক্ষতা? এআই-ব্যবহার কি প্রচলিত মূল্যায়নের পূর্বধারণাগুলোকে অকার্যকর করে দেয়?

বিবেচনার প্রশ্ন

• বৈধতা জিজ্ঞাসা করে, একটি মূল্যায়ন সত্যিই তা মাপে কি না যা সে মাপার দাবি করে। পড়ার আগে ভাবুন — যদি দেখেন একজন শিক্ষার্থী একটি ঝকঝকে প্রবন্ধ জমা দিয়েছে, আর আপনার সন্দেহ হয় তাতে এআই-সহায়তা ছিল, তাহলে আপনি বড় সমস্যা কোনটি মনে করবেন: প্রতারণা, নাকি এই যে কাজটি আর তা মাপছেই না যা আপনি ভেবেছিলেন এটি মাপছে?
• এই পাতা একটি তীক্ষ্ণ প্রশ্ন তোলে: শিক্ষার্থীরা এআই ব্যবহার করলে স্কোর কি শিক্ষার্থীর জ্ঞান প্রতিফলিত করে, নাকি এআই-প্রম্পটিং দক্ষতা? আপনি এমন কোনো মূল্যায়ন নকশা করেছেন বা দিয়েছেন কি, যার স্কোর এখন হয়তো শিক্ষার্থীর চেয়ে সরঞ্জামটি সম্পর্কে বেশি বলছে?
• একটি মূল ফলাফল হলো, একই শিক্ষার্থী-ইনপুট ভিন্ন ভিন্ন প্রতিক্রিয়া পেতে পারে — অর্থগতভাবে ভিন্ন — কোন অন্তর্নিহিত এলএলএম ব্যবহৃত হচ্ছে তার উপর নির্ভর করে; এতে 'গঠন-অপ্রাসঙ্গিক ভিন্নতা' ঢোকে, যা নির্ভরযোগ্যতা ও ন্যায্যতাকে হুমকিতে ফেলে। যদি দুই শিক্ষার্থী কেবল পেছনের মডেলের কারণে ভিন্ন এআই-সহায়তা পায়, তবে ফলাফল-তুলনাটি কতটা ন্যায্য?
• পাতা যুক্তি দেয়, এমনকি একটি এলএলএম ভালো স্কোর করলেও মানব-স্কোরের ব্যাখ্যা হস্তান্তর করতে প্রতিক্রিয়ার সুপ্ত গঠনে মিল প্রয়োজন — আর এখানেই এলএলএম মানুষের থেকে সরে যায়। মানুষের জন্য নকশা করা পরীক্ষায় 'উত্তীর্ণ' হওয়া একটি এআই-কে বিশ্বাস করা সম্পর্কে এটি কী বলে?
• এআই-ব্যবহার শনাক্ত করার চেষ্টার বদলে জ্ঞানভিত্তি যুক্তি দেয় মূল্যায়ন এভাবে পুনর্নকশা করার পক্ষে, যাতে সেগুলো এআই-সক্ষম শিক্ষার্থীদের জন্য বৈধ থাকে। এআই ব্যবহৃত হয়েছে কি না তা পাহারা দেওয়ার চেয়ে কাজটি পুনর্নকশা করা কেন বেশি বৈধতা-রক্ষাকারী কৌশল হতে পারে?
• এআই এখন পরীক্ষার্থী, প্রশ্ন-নির্মাতা, রেটার ও বিশ্লেষক — সব ভূমিকাতেই বসে, ফলে ব্যাখ্যার শৃঙ্খলটি অস্বচ্ছ হয়ে ওঠে। যখন একটি মূল্যায়নের প্রতিটি ভূমিকা এআই ভরে দেয়, তখন মাঝখানে থাকা মানব শিক্ষার্থীর জন্য সেই মূল্যায়ন 'বৈধ' — এ কথা বলার অর্থই কী দাঁড়ায়?

ভূমিকা

বৈধতার চ্যালেঞ্জ

• গঠন-বৈধতা: শিক্ষার্থীরা মূল্যায়নে এআই ব্যবহার করলে স্কোর কি শিক্ষার্থীর জ্ঞান প্রতিফলিত করে, নাকি এআই-এর সক্ষমতা? কর্মদক্ষতা বনাম শিখন নিয়ে গবেষণা সরাসরি এটিই দেখে। একটি পুনর্গঠন-মাপক সঠিকতার প্রতি সংবেদনশীল হতে পারে, অথচ নিজে সঠিকতার স্কোর নয়: সু প্রমুখ (২০২৬) দেখেন, সঠিক আইটেমে ইইজি পুনর্গঠনের মিল বেশি (M = 71.43, SD = 4.61) ভুল আইটেমের চেয়ে (M = 62.30, SD = 5.91), তবুও এক শিক্ষার্থীর উচ্চমানের পুনর্গঠন একটি ভুল উত্তরের সঙ্গে এসেছিল।

• কথোপকথনভিত্তিক মূল্যায়নে এলএলএম-অতিক্রমী গঠন-অপ্রাসঙ্গিক ভিন্নতা: হাও (২০২৬) দেখান, এমনকি একটি একক কথোপকথন-পালার জন্যও এলএলএম-উৎপন্ন প্রতিক্রিয়ার অর্থগত বিষয়বস্তু মডেল ও কথোপকথন-প্রসঙ্গের শর্ত অনুযায়ী বদলায়। মডেল-অভ্যন্তরীণ মিল ধারাবাহিকভাবে মডেল-আন্তঃ মিলকে ছাড়িয়ে যায় (0.715-0.795 বনাম 0.443-0.604), আর চ্যাট-ইতিহাস যোগ করলে প্রতিক্রিয়ার বিষয়বস্তু অর্থপূর্ণভাবে বদলায় (প্রসঙ্গ-অতিক্রমী মিলের মধ্যমা ~0.40-0.45)। যেহেতু একই শিক্ষার্থী-ইনপুট অন্তর্নিহিত মডেল অনুযায়ী অর্থগতভাবে ভিন্ন প্রতিক্রিয়া পেতে পারে, প্রম্পট ও প্রসঙ্গ একা প্রতিক্রিয়ার সামঞ্জস্য রাখতে পারে না — এতে সম্ভাব্য গঠন-অপ্রাসঙ্গিক ভিন্নতা ঢোকে, যা বৈধতা, নির্ভরযোগ্যতা ও ন্যায্যতাকে হুমকিতে ফেলে। তাই এলএলএম বিবর্তনের সঙ্গে মূল্যায়নের শর্ত সামঞ্জস্যপূর্ণ রাখা একটি অবকাঠামো চ্যালেঞ্জ (প্রতীকী নিয়ম, প্রতিক্রিয়া-টেমপ্লেট, যাচাই-স্তর), কেবল একটি প্রম্পট-ইঞ্জিনিয়ারিং কাজ নয়।

• প্রমাণ উপস্থিত, অথচ স্কোরারের কাছে পৌঁছায় না: আব্রেউ, স্তারি ও মার্তি (২০২৬) এমন একটি গঠন-অপ্রাসঙ্গিক হুমকির নাম দেন যা যেকোনো যুক্তির আগেই আসে: পরীক্ষামূলক পদার্থবিজ্ঞান ল্যাব-প্রতিবেদনের এআই-পর্যালোচনায় একটি সমীকরণ, গ্রাফ, সারণি বা একক প্রতিবেদনে সঠিকভাবে থাকতে পারে, অথচ মডেল যে প্রক্রিয়াকৃত বিষয়বস্তু নিয়ে কাজ করে তা থেকে তা উদ্ধৃত নাও হতে পারে; আর চিহ্ন, মান বা একক বদলালে ভৌত ব্যাখ্যা বদলে যায়, তাই প্রশিক্ষকের সঙ্গে অমিল মানেই যুক্তি-ত্রুটি নয়। তাঁদের প্রতিকার পদ্ধতিগত — ফটো তোলা স্ক্যানের বদলে উচ্চ-রেজোলিউশন পিডিএফ, সমীকরণ-সম্পাদকে লেখা সমীকরণ, চিত্রের ভেতরে পাঠযোগ্য অক্ষ ও একক, এবং প্রতিটি স্কোরের জন্য নির্দিষ্ট উদ্ধৃতি দাবি করা নির্দেশনা — কারণ নথির গুণমানই ঠিক করে, ফলাফল-স্কোর যে বৈধতা-দাবি বহন করে তার সীমা কত দূর।

• মানুষ ও এলএলএম-এর মধ্যে সুপ্ত-গঠন বৈধতা: স্ত্রুগাৎস্কি প্রমুখ (২০২৬) আরও গভীর একটি বৈধতা-শর্ত যোগ করেন: এলএলএম ভালো স্কোর করলেও মানব-স্কোরের ব্যাখ্যা হস্তান্তর করতে প্রতিক্রিয়ার সুপ্ত গঠনে মিল দরকার। ছয়টি মাল্টিমোডাল এলএলএম-কে মানব-কোহর্টের সঙ্গে রসায়ন ও পরিমাণগত-যুক্তির উপকরণে তুলনা করে তাঁরা দেখেন, এলএলএম-মানব ফ্যাক্টর গঠন ধারাবাহিকভাবে সরে যায় (এলএলএম-মানব সামঞ্জস্য মানব-মানব ভিত্তিরেখার নিচে), তাই মানুষ-স্বাভাবিকীকৃত পরীক্ষায় কর্মদক্ষতা এলএলএম-এর সক্ষমতা সম্পর্কে দুর্বল প্রমাণ — যে গঠনগুলো মাপতে আইটেমগুলো নকশা করা হয়েছিল, সেগুলোতে।

• পরিণতি-বৈধতা: এআই-মধ্যস্থ মূল্যায়নের পরিণতি কি ন্যায্য? ভাষা-পক্ষপাতের গবেষণা দেখায়, এআই স্কোরিং অ-মাতৃভাষীদের পিছিয়ে দিতে পারে।

• ভাষা-পরীক্ষায় সরে যাওয়া লক্ষ্য। TOEFL iBT, IELTS, PTE Academic ও Duolingo English Test-এর মতো উচ্চ-ঝুঁকির পরীক্ষা এখনও সহায়তাহীন, সময়বদ্ধ পাঠ ও লেখা দাবি করে, অথচ শিক্ষার্থীরা এখন একাডেমিক জীবনে সেই কাজগুলোর জন্য জেনএআই ব্যবহার করে; তাই বহির্গমন-অনুমান — সহায়তাহীন স্কোর থেকে প্রকৃত একাডেমিক কর্মদক্ষতায় — সবচেয়ে ক্ষতিগ্রস্ত ধাপ (গোনুলাল (২০২৬))।

• নিয়মের পরিধিই একটি বৈধতা-গুণ: রাইট (২০২৬) যুক্তি দেন, ২০২৩ থেকে উচ্চশিক্ষায় লেখা নিষেধাজ্ঞাগুলো "জেনারেটিভ এআই" নিষিদ্ধ করে, অথচ মূল্যায়িত বিষয়বস্তু উৎপাদন আর একটি ফরম্যাট রূপান্তরের মধ্যে প্রযুক্তিগতভাবে নিখুঁতভাবে পার্থক্য করার শক্তি রাখে না — কারণ অপটিক্যাল ক্যারেক্টার রিকগনিশন, হস্তলিখিত পাঠ শনাক্তকরণ ও স্পিচ-টু-টেক্সট হলো শনাক্তকরণ-প্রযুক্তি, যেগুলো ইতিমধ্যে উপস্থিত বিষয়বস্তু অনুমান করে, নতুন বিষয়বস্তু তৈরি করে না। যেখানে নিয়ম কাজের বদলে প্ল্যাটফর্ম-পরিচয়ের সঙ্গে যুক্ত হয়, সেখানে তা সংজ্ঞাগত দুর্ঘটনায় অতিরিক্ত-ব্যাপক: বহু-কার্যকরী সরঞ্জামের কেবল-প্রতিলিপিকরণ ব্যবহারও তা ধরে ফেলে এবং এমন শিক্ষার্থীকে দণ্ড দেয় যে নিয়মটি যা ঠেকাতে নকশা করা হয়েছিল, তা করেনি — আর সবচেয়ে বেশি ক্ষতি হয় সেই শিক্ষার্থীদের, যাঁরা অভিগম্যতার জন্য এই সরঞ্জামগুলোর উপর নির্ভর করেন; এটি এমন একটি অনুমান, যা মূল্যায়ন যে গঠন মাপার দাবি করে, তার পক্ষে সমর্থন করতে পারে না। তিনি কার্য-ভিত্তিক খসড়া প্রস্তাব করেন এবং সীমান্তবর্তী ক্ষেত্রে চারটি পরিচালন-মাপক (নিষ্ঠা, অ-বৃদ্ধি, অনুসরণযোগ্যতা, সত্যায়ন) দেন, আর ডিটেক্টর-আউটপুট ও শৈলী-অনুমানের উপর নির্ভরতাকে নিয়মের নিজস্ব প্রমাণভিত্তি কতটা দুর্বল তার প্রমাণ হিসেবে দেখেন।

• এজেন্টিক সম্পন্নতা মানব-উৎপাদনের পূর্বধারণা সরিয়ে দেয়: হাদজিসোলোমু ও এল-হাদ্দাদ (২০২৬) বৈধতা-বিশ্লেষণকে জেনারেটিভ সহায়তা থেকে এজেন্টিক সম্পন্নতায় বাড়িয়ে নেন: স্বায়ত্তশাসিত এআই এজেন্ট এখন একটি এলএমএস-এ লগইন করতে, উপকরণ পড়তে এবং প্রক্টরবিহীন অসিঙ্ক্রোনাস কাজ শুরু থেকে শেষ পর্যন্ত সম্পন্ন করতে পারে (সরাসরি একটি চলমান কোর্সে প্রদর্শিত — একটি কুইজ ৫ মিনিটেরও কম সময়ে 10/10 পেয়েছে, আর একটি বানানো-কিন্তু-বিশ্বাসযোগ্য আলোচনা-বোর্ড প্রতিফলন)। কেইনের যুক্তিভিত্তিক অনুমান-শৃঙ্খলের ভিত্তিতে একটি "মানব-উৎপাদন পূর্বধারণা" বসিয়ে তাঁরা দেখান, এজেন্ট-সম্পন্নতা নীরবে স্কোরিং অনুমানের সমর্থন সরিয়ে দেয়, যার উপর সাধারণীকরণ, বহির্গমন ও সিদ্ধান্ত — তিনটি অনুমানই দাঁড়িয়ে আছে; ফলে প্রতিটি প্রক্টরবিহীন অসিঙ্ক্রোনাস স্কোর, সৎভাবে অর্জিতগুলোসহ, তার ব্যাখ্যামূলক সমর্থন হারায়, কারণ লেখকত্ব যাচাই করা যায় না। তাঁদের নির্ণায়ক পদক্ষেপ হলো এটিকে সততার ব্যর্থতা নয়, বৈধতার ব্যর্থতা হিসেবে শ্রেণিবদ্ধ করা: একটি প্রতিষ্ঠান অসদাচরণের শাস্তি দিতে পারে, তবুও যে স্কোর সে ঘোষণা করে তার ভিত্তি তার থাকতে নাও পারে। শনাক্তকরণ গঠনগতভাবে অপর্যাপ্ত (শ্রেণিবিন্যাসক অবিশ্বস্ত ও পক্ষপাতদুষ্ট; এলএমএস-মনিটরিং ঠিক সেই ক্লিকগুলোই দেখে যা একজন শিক্ষার্থী করত), তাই প্রতিকার হলো যাচাইকৃত মানব-উপস্থিতির জন্য মূল্যায়ন পুনর্নকশা (একটি সংক্ষিপ্ত মৌখিক অংশ, প্রক্রিয়া-দৃশ্যমান খসড়া, ক্লাস-সেশন-নির্দিষ্ট উল্লেখ), আর প্রক্টরিং-বাধ্যবাধকতার বদলে সমতা-রক্ষাকারী বিকল্পের তালিকা।

• জেনএআই-সহায়িত কাজের মানব-নম্বরকরণে গঠন-অপ্রাসঙ্গিক ভিন্নতা: লুও ও ডসন (২০২৬) সরাসরি অভিজ্ঞতাভিত্তিক প্রমাণ দেন যে জেনএআই-সহায়িত কাজের মানব-নম্বরকরণ গঠন-অপ্রাসঙ্গিক ভিন্নতায় ভরা। 33 জন বিশ্ববিদ্যালয়-শিক্ষকের সঙ্গে দৃশ্যপট-ভিত্তিক সাক্ষাৎকারে নম্বরকরণ-সিদ্ধান্ত চালিত হয়েছিল ব্যক্তি-কেন্দ্রিক (শিক্ষার্থীর সততা, পরিশ্রম), সক্ষমতা-কেন্দ্রিক (এআই থেকে স্বাধীনতা, জেনএআই দক্ষতা, শাস্ত্রীয় দক্ষতা), সম্পর্ক-কেন্দ্রিক (শিক্ষার্থীদের সঙ্গে গড়া বিশ্বাস) ও ন্যায়-কেন্দ্রিক (ন্যায্যতা, পরোপকার) মূল্যবোধে — যার প্রত্যেকটি এমন কারণেও নম্বর বদলাতে পারে যা মূল্যায়িত ফলাফলের সঙ্গে সম্পর্কহীন। জেনএআই-সহায়িত কাজে নম্বর কমানো ন্যায্য, তাঁরা যুক্তি দেন, যদি এবং কেবল যদি এআই-ব্যবহার শিক্ষার্থীকে মূল্যায়িত ফলাফল দেখানো থেকে বিরত রেখে থাকে; অন্যথায় মূল্য-চালিত নম্বরকরণ বৈধতাকে হুমকিতে ফেলে। গবেষণাটি বৈধতা-কাঠামোকে বাস্তব শিক্ষক-চর্চায় বসায় এবং "দ্বিমুখী স্বচ্ছতা" দাবি করে — শিক্ষকেরা স্পষ্ট করবেন জেনএআই-ব্যবহার নম্বরে কীভাবে প্রভাব ফেলবে, কেবল শিক্ষার্থীরা ব্যবহার ঘোষণা করলেই হবে না।

• স্কেলে-ভিন্নতা গঠন-সমতুল্য রূপান্তর তৈরি দাবি করে: VARIA (লি ২০২৬) এআই-সংহত প্রামাণিক মূল্যায়নের (AIAA) "স্কেলে-ভিন্নতা" ভিত্তিটি — নজরদারিমূলক প্রক্টরিংয়ের বদলে প্রতি-শিক্ষার্থীর জন্য কাজের ভিন্নতা — একটি অভিজ্ঞতাভিত্তিক, মিথ্যা-প্রমাণযোগ্য পরীক্ষায় ফেলেন। যেহেতু প্রতিটি পরীক্ষার্থী একটি অনন্য-কিন্তু-সমতুল্য পারফরম্যান্স টাস্ক পায়, সততার নিশ্চয়তা শর্তসাপেক্ষ: এলএলএম-কে এমন রূপান্তর তৈরি করতে হবে যা একই সঙ্গে পৃষ্ঠতলে স্বতন্ত্র, গঠন-সমতুল্য, রুব্রিক-প্রযোজ্য ও কঠিনতা-মিলযুক্ত। চারটি প্রম্পটিং কৌশলে 600টি রূপান্তরে তিনটি ফ্রন্টিয়ার মডেল-পরিবারের বেঞ্চমার্কিং করে VARIA দেখে, ফ্রন্টিয়ার জেনারেটরগুলো যৌথ সততা-মাপক সীমান্তেই মাত্র পূরণ করে (যৌথ স্কোর 0.81-0.88), অথচ অ-ফ্রন্টিয়ার রেফারেন্সগুলো ধসে পড়ে (0.50-0.55), এবং কোনো একক প্রম্পটিং কৌশল চারটি গুণকে একসঙ্গে ছাড়িয়ে যায় না — তাই বৈচিত্র্য-সীমা আক্রমণাত্মকভাবে বসালে "স্কেলে-ভিন্নতা কেবল প্রম্পটিং দিয়ে সমাধান করা যায় না", আর প্রতিষ্ঠানগুলোকে নিজেদের নির্দিষ্ট মডেল-প্রম্পট জোড়া যাচাই করতে হবে।

• HITL এআই স্কোরিংয়ে নিম্ন-গ্রেডিং পক্ষপাত একটি বৈধতা-গুণ, ত্রুটি নয়: কুরি প্রমুখ (২০২৬) দেখান, একটি বৃহৎ-মাপের জাতীয় লেখা-মূল্যায়নে একটি এলএলএম স্কোরারের পদ্ধতিগত রক্ষণশীল (নিম্ন-গ্রেডিং) পক্ষপাত চূড়ান্ত সিদ্ধান্ত হিসেবে সমস্যাজনক হলেও নিরাপদ প্রতিনিধিত্ব সম্ভব করে: এআই-চিহ্নিত "উত্তীর্ণ" প্রতিক্রিয়া আত্মবিশ্বাসের সঙ্গে গ্রহণ করা যায়, অথচ এআই-চিহ্নিত "অনুত্তীর্ণ" প্রতিক্রিয়া (15.3-16.5% ক্ষেত্রে) বিশেষজ্ঞ-পর্যালোচনায় পাঠানো হয় — এতে এআই-ত্রুটির বৈধতা-হুমকি চূড়ান্ত ফলাফল থেকে দূরে থাকে। তাঁদের আইআরটি-ও-বুকমার্ক পাইপলাইন এআই স্কোরিংয়ের দক্ষতা-স্তরে প্রভাবকে পাঠযোগ্য করে, কাঁচা স্কোর-মিলকেই একমাত্র বৈধতা-সংকেত ধরে না।

• এআই-চালিত গ্রেড মূল্যস্ফীতি একটি বৈধতা-হুমকি: চিরিকভ (২০২৬) গ্রেড মূল্যস্ফীতির একটি নতুন, প্রযুক্তি-চালিত প্রক্রিয়া চিহ্নিত করেন, যা গ্রেডিংয়ের আগেই — অর্থাৎ গ্রেডযোগ্য কাজ উৎপাদনের স্তরে — কাজ করে। 319টি কোর্সের (২০১৮-২০২৫) 500,000+ গ্রেডের একটি ডিফারেন্স-ইন-ডিফারেন্স গবেষণায় দেখেন, যেসব কোর্সে এআই-প্রকাশ্য কাজ বেশি (লেখা, কোডিং), সেখানে ChatGPT প্রকাশের পর এ-গ্রেডের অংশ 13 শতাংশ-বিন্দু বেড়েছে, সঙ্গে গ্রেড-বণ্টনের সংকোচন। ট্রিপল-ডিফারেন্স বিশ্লেষণ দেখায়, প্রভাবটি হোমওয়ার্ক-প্রধান কোর্সে কেন্দ্রীভূত — প্রমাণ যে এআই কাজ-স্থানচ্যুতি (শিক্ষক কাজ দেখার আগেই এআই গ্রেডযোগ্য কাজ করে ফেলা) দক্ষতার সমান বৃদ্ধি ছাড়াই গ্রেড ফুলিয়ে দেয়। এটি কোর্স-অতিক্রমী গ্রেডের তুলনাযোগ্যতা কমায় এবং ট্রান্সক্রিপ্টের তথ্যমূল্য ক্ষয় করে, যা কেবল গ্রেড-বণ্টন দেখে শনাক্ত করা কঠিন।

• প্রোগ্রাম-স্তরের উত্তীর্ণ/অনুত্তীর্ণ ঝুঁকি, এবং যে নম্বরকরণ-মানদণ্ড তা ঠিক করে: আইভরি প্রমুখ (২০২৬) তিন বছরের মনোবিজ্ঞান ডিগ্রির প্রতিটি কোর্সওয়ার্ক মূল্যায়নে (40টি মূল্যায়ন, 16 ধরন) ChatGPT-এর আউটপুট দ্বি-মুখী উত্তীর্ণ/অনুত্তীর্ণ দিয়ে বিচার করেন — যা প্রথম পাঠেই নম্বরদাতারা আসলে করেন: 40টির মধ্যে 36টি উত্তীর্ণ। এতে দুটি বৈধতা-পরিণতি আসে। প্রথমত, কার্যকর চলকটি শনাক্তকরণ নয়, উত্তীর্ণতার সীমা — যে নম্বরকরণ কাঠামোগত সাবলীলতা ও বিশ্লেষণের সঠিক পছন্দকে পুরস্কৃত করে অথচ ভুল মান মেনে নেয়, তা বানানো পরিসংখ্যান ও হ্যালুসিনেটেড তথ্যসূত্রকে উত্তীর্ণ হতে দেয়; ফলে মূল্যায়ন সরঞ্জামের আউটপুটকে শিক্ষার্থীর বোঝাপড়া হিসেবে প্রত্যয়ন করে নম্বরকরণের ধরনের কারণে, কাউকে ঠকানো হয়েছে বলে নয়। দ্বিতীয়ত, বহুনির্বাচনি আইটেম নিজেরাই নিজেদের উত্তর ফাঁস করেছে: শিক্ষার্থীদের দেখানো চিত্র বা আউটপুট-সারণি ছাড়াই ChatGPT পরিসংখ্যানের প্রশ্নের সঠিক উত্তর দিয়েছে, কারণ আইটেম-কাণ্ড ও বিকল্পগুলো উত্তর ইঙ্গিত করছিল — যা উত্তর-বিকল্পের নকশাকে আইটেমের একটি বৈধতা-গুণ বানায়, এআই-এর গুণ নয়।

• নির্ভুলতা বনাম মিল — দুটি পৃথক বৈধতা-সংকেত: ফালাহাত, দাস, ভৌমিক ও থাম্বি (২০২৬) ChatGPT-5 দিয়ে 21-আইটেমের একটি ফার্মেসি পরীক্ষা নম্বরকরণ করে দেখেন, মাঝারি শতকরা নির্ভুলতার সঙ্গে প্রায়ই নিম্ন সমন্বয়-সহসম্পর্ক গুণাঙ্ক সহাবস্থান করে — স্কোরিং-নির্ভুলতা ও মিল-এর মধ্যে একটি পদ্ধতিগত পার্থক্য, যা কাঁচা নির্ভুলতা গ্রহণযোগ্য দেখালেও গ্রেডিং-বিকল্প হিসেবে এআই-এর নির্ভরযোগ্যতাকে সীমিত করে। বস্তুনিষ্ঠ আইটেমে মিল প্রবল ছিল (CCC 0.935-1.000), সংক্ষিপ্ত-উত্তরে প্রায় শূন্য, প্রবন্ধে মাঝারি (0.341-0.854), আর রুব্রিক দেওয়া ফাঁকটি ধারাবাহিকভাবে বন্ধ করেনি।

• এআই-উৎপন্ন আইটেমের বৈধতা: এআই-উৎপন্ন পরীক্ষার মূল্যায়ন দেখায়, বায়েসীয় আইআরটি দিয়ে যাচাই করা এআই-উৎপন্ন প্রশ্ন কঠিনতা ও পার্থক্যকারিতায় বিশেষজ্ঞ-রচিত প্রমাণিত-পরীক্ষার আইটেমের সমান পৌঁছায় (নির্ভরযোগ্যতা 0.79 বনাম 0.72) — যা সাইকোমেট্রিক মূল্যায়নের সমর্থনে কোর্স-উপযোগী এআই-উৎপন্ন মূল্যায়নের বৈধতা সমর্থন করে।

• প্রামাণিক মূল্যায়ন: প্রামাণিক মূল্যায়ন ও এআই মূল্যায়ন স্কেল বৈধতা-রক্ষাকারী মূল্যায়ন-পুনর্নকশা প্রস্তাব করে।

• আত্মবিশ্বাস ও ক্রমাঙ্কন: আত্মবিশ্বাস-সচেতন ব্যবস্থা অনিশ্চিত মূল্যায়ন চিহ্নিত করে বৈধতা বাড়ায়।

• দেহময় ও মাল্টিমোডাল প্রমাণ: কেবল-কথ্য মূল্যায়ন মৌখিক সাবলীলতাকে ধারণাগত জ্ঞান ভেবে ভুল করতে পারে; মর্ফিউ প্রমুখ দেখান, কম্পিউটার-ভিশন অঙ্গভঙ্গি-বিশ্লেষণ এলএলএম কথ্য-বিশ্লেষণের সঙ্গে জুড়লে গঠন-বৈধতা ও এআই শিক্ষায় সমতা বাড়ে — কারণ তা কেবল শব্দে নয়, অঙ্গভঙ্গিতে প্রকাশিত বোঝাপড়াও ধরে, ফলে যাঁরা অ-মৌখিকভাবে বোঝাপড়া প্রকাশ করেন তাঁদের প্রতি পক্ষপাত কমে।

• মডেল কাজটি সমাধান করতে পারলে হোমওয়ার্ক আর সক্ষমতা প্রত্যয়ন করে না: মিখাসেঙ্কো প্রমুখ (২০২৬) বোখুমের একটি কণা-পদার্থবিজ্ঞান কোর্সে হোমওয়ার্কের সক্ষমতা-মাপক হিসেবে অকার্যকারিতার একটি ঠোস দৃষ্টান্ত নথিভুক্ত করেন: একবার একটি জেনারেটিভ মডেল সঠিক সমাধান তৈরি করতে পারলে জমা দেওয়া একটি গাণিতিক সমাধান আর প্রতিষ্ঠা করে না যে শিক্ষার্থী স্বাধীনভাবে সমস্যাটি সমাধান করতে পারে। তাঁদের সাড়া দুটি কাজকে আলাদা করে — গবেষণা-আকৃতির, এআই-অনুমোদিত হোমওয়ার্ককে অন্বেষণমূলক, বোনাসযুক্ত কাজ হিসেবে রাখা, আর সরঞ্জামমুক্ত লিখিত পরীক্ষাকে চূড়ান্ত গ্রেডের একমাত্র নির্ধারক করা — এটি শনাক্তকরণ-শাসনের বদলে বৈধতা-চালিত শ্রমবিভাজন।

• স্কেলে এআই স্কোরিংয়ের জন্য সিদ্ধান্ত-কেন্দ্রিক বৈধতা: কুরি প্রমুখ (২০২৬) Acredita EB জাতীয় লেখা-মূল্যায়নে বৈধতার সিদ্ধান্ত-কেন্দ্রিক দৃষ্টিভঙ্গি দেখান: কেবল এআই স্কোর মানুষের সঙ্গে মেলে কি না তা নয়, তাঁরা জিজ্ঞাসা করেন এআই-ত্রুটি একটি প্রত্যয়ন-সিদ্ধান্ত বদলাতে পারে কি না। স্বয়ংক্রিয় আইআরটি/বুকমার্ক কাট-স্কোর পরিচালন-কাট-স্কোরগুলো নিবিড়ভাবে পুনরুৎপাদন করে, আর পদ্ধতিগত এআই নিম্ন-গ্রেডিং নিরপেক্ষ হয় অনুত্তীর্ণ এআই ফলাফল মানব-পর্যালোচনায় পাঠিয়ে — লক্ষণীয়ভাবে এমন একটি রেফারেন্স-মানের বিপরীতে যা নিজেই বিতর্কিত, কারণ একই 50টি লেখা স্কোর করা দশজন বিশেষজ্ঞ রেটার কোনো রুব্রিক আইটেমেই সর্বসম্মতিতে পৌঁছাননি।

• গ্রেডার হিসেবে এআই নিয়ে শিক্ষার্থী-পক্ষের বৈধতা-উদ্বেগ: আলগামদি (২০২৬) বৈধতা-প্রশ্নে শিক্ষার্থীর কণ্ঠ যোগ করেন: 13 জন কম্পিউটিং শিক্ষার্থী, যাঁদের হস্তলিখিত লেখার কাজ ChatGPT স্কোর করেছিল, প্রশ্ন করেন এআই স্কোরার উদ্দেশ্য, শ্রম ও প্রাতিষ্ঠানিক গ্রেডিং-রীতিকে বৈধভাবে ব্যাখ্যা করতে পারে কি না — একজন স্পষ্টই বলেন, "যদি ChatGPT-ই পরীক্ষা দেখছে, তবে আমরা বিশ্ববিদ্যালয়ে যাচ্ছি কেন?"

• অনুমতি নিজে থেকে কাজটিকে ক্ষয় করে না, আর ব্যবহারের হার ভুল বৈধতা-সংকেত: জোউ প্রমুখ (২০২৬) 85 জন শিক্ষার্থী-শিক্ষকের সমীক্ষা করেন, যাঁদের মূল্যায়নে জেনারেটিভ এআই স্পষ্টভাবে অনুমোদিত ছিল, এবং দেখেন মূল্যায়ন-সম্পৃক্তি উচ্চ ও পরিসংখ্যানগতভাবে অপ্রভাবিত — শিক্ষার্থী এটি ব্যবহার করেছে কি না তা নির্বিশেষে (গড় 4.21/5, SD 0.46; মান-হুইটনি U = 781.5, r = 0.07, p = 0.536)। 62.4% (53) জেনারেটিভ এআই একেবারেই ব্যবহার না করতে বেছে নেন এবং গ্রহণকারীদের ব্যবহার মূলত প্রুফরিডিং (43.8%) ও স্পষ্টতা-যাচাইয়ে (34.4%) সীমিত থাকায়, গ্রহণের হার শিখন সম্পর্কে অনুমান এখনও ন্যায্য কি না তা নিয়ে খুব কম তথ্য বহন করে — আর ভুল প্রতারণা-অভিযোগের ভয়ে অ-ব্যবহার (অ-গ্রহণকারীদের 41.5%) কোনোভাবে বৈধতার প্রমাণও নয়।

• স্কুল-স্তরের পরীক্ষাকে ব্যবস্থার প্রমাণ হিসেবে পড়লে নমুনায়ন-কাঠামোর বৈধতা: রেস্ত্রেপো মোরালেস প্রমুখ (২০২৬) স্কোর থেকে একটি ব্যবস্থা সম্পর্কে দাবিতে যাওয়া অনুমানকে পরিমাণগতভাবে দেখেন। 171টি সালভাদোরীয় স্কুলের 1,198 জন স্বেচ্ছাসেবী শিক্ষার্থীর PISA-ভিত্তিক টেস্ট ফর স্কুলস-এ একটি পাইলট মূল্যায়নের ফলাফল জার্মানি ও সুইডেনের সঙ্গে তুলনাযোগ্য বলে ঘোষণা করা হয়, অথচ উপকরণটি একটি স্কুলের জন্য অনুমান তৈরি করে এবং জাতীয় নমুনায়ন-কাঠামোয় তার প্রতিক্রিয়া-হারের মান, বহিষ্কার-সীমা ও ভারায়ন নিয়ে পরিচালিত হয় না — তাই স্কুল-স্তরের অনুমান ও দেশ-গড়ের তুলনায় অন্তত তিনটি অনুল্লিখিত অনিশ্চয়তা-উৎস থাকে (স্কুল-স্তরের নমুনায়ন-ত্রুটি, দেশ-গড়ের নমুনায়ন-ত্রুটি, এবং স্কেল-সমতুল্যকরণের সংযোগ-ত্রুটি)। শিখন-দাবি পরীক্ষা করার বদলে লেখকেরা তা সীমাবদ্ধ করেন: শূন্য শিখনে সালভাদোরীয় গণিত বণ্টনের উপরের 5.5% জার্মান গড়ের সঙ্গে মিলে যায়, আর স্বেচ্ছামূলক অংশগ্রহণ অর্জন-পরীক্ষাকে ঊর্ধ্বমুখী পক্ষপাতদুষ্ট করে বলে ধরা হয়, তাই প্রকাশিত প্রমাণ প্রকৃত প্রভাবকে একটি নির্বাচিত নমুনা থেকে আলাদা করতে পারে না। এটি শিক্ষার্থীদের বা উপকরণের ব্যর্থতা নয়, তুলনার বৈধতা-অনুমানের ব্যর্থতা।

একটি ধারণাগত প্রস্তাব এমন একটি বৈধতা-সীমা তোলে যা এই পাতার প্রতিটি এআই-মধ্যস্থ মূল্যায়নে প্রযোজ্য: এল খুরি ও মা (২০২৬) যুক্তি দেন, গতি বৈধতা নয়, এবং এআই-উৎপন্ন প্রম্পট, উদাহরণ ও ট্রান্সক্রিপ্ট-ভিত্তিক প্রতিবেদনকে এখনও নির্ভুলতা, সাংস্কৃতিক সংবেদনশীলতা, অভিগম্যতা, ব্যাখ্যাযোগ্যতা এবং কোর্স-ফলাফলের সঙ্গে সামঞ্জস্যের জন্য পরীক্ষা করতে হবে। তাঁরা প্রমাণের পরিধিও বাড়ান: যেখানে সংলাপই মূল্যায়িত আর্টিফ্যাক্ট হয়ে ওঠে, সেখানে ট্রান্সক্রিপ্ট একটি প্রক্রিয়া-নথি যেখানে বিচার, সহানুভূতি, স্পষ্টীকরণ ও যৌথ সিদ্ধান্ত-গ্রহণ প্রসঙ্গে উন্মোচিত হয়, আর নকশা-প্রশ্ন হয় সেই প্রমাণ থেকে টানা অনুমানকে সমর্থন করে কি না — স্বয়ংক্রিয় স্কোরিংয়ের সামনে থাকা একই প্রশ্ন, যার উত্তর আসে কাজ, প্রতিক্রিয়া ও শিখনের প্রমাণের মধ্যে সামঞ্জস্য থেকে, প্রযুক্তিগত নতুনত্ব থেকে নয়।

• এআই-নির্ধারিত আইটেম-মেটাডেটা সাইকোমেট্রিক প্রমাণ নয়। 311টি মোতায়েনকৃত বহুনির্বাচনি আইটেমের 10-সপ্তাহের ডেটা সায়েন্স গবেষণায় এলএলএম-এর কঠিনতা-রেটিং মডেলের নিজের ব্লুম-লেবেল অনুসরণ করে (rho = 0.90), কিন্তু অভিজ্ঞতাভিত্তিক আইটেম-কঠিনতা নয় (rho = 0.06); তাই আইটেম-কঠিনতা প্রতিক্রিয়া-উপাত্ত থেকে প্রতিষ্ঠা করতে হয়, উৎপাদক মডেলের লেবেল থেকে নয় (আন ও ওয়াং, ২০২৬)।

• পাঠ্যক্রমিক সামঞ্জস্য নিয়ে শিক্ষার্থী-বিচার কঠিনতাকে অনুসরণ করে, বিষয়বস্তুকে নয়। ভোগ্ট প্রমুখ (২০২৬) শিক্ষার্থীদের দিয়ে একটি গ্রেডকৃত 60-আইটেম পরীক্ষার প্রতিটি আইটেম কোর্স-পাঠ্যক্রমের সঙ্গে সামঞ্জস্যপূর্ণ কি না রেট করান, এবং দেখেন রেটিং আইটেম-কঠিনতার সঙ্গে ρ = 0.762 সম্পর্কযুক্ত (সহজ আইটেম সামঞ্জস্যপূর্ণ বিবেচিত, কঠিন আইটেম অ-সামঞ্জস্যপূর্ণ, ρ = −0.762, p < 0.001), অথচ রেটিং আইটেমের উৎস অনুযায়ী ভিন্ন ছিল না। যেখানে একটি উপকরণ শিক্ষার্থীদের দিয়ে মূল্যায়নের পাঠ্যক্রমিক উপযোগ বিচার করায়, সেখানে প্রাপ্ত স্কোর আংশিকভাবে একটি কঠিনতা-রেটিং এবং সামঞ্জস্যের স্বাধীন প্রমাণ হিসেবে পড়া যায় না।

• একটি শীর্ষবিন্দু মেরামত করার বদলে মূল্যায়ন ত্রিভুজ পুনরায় সারিবদ্ধ করুন। কোরেটস্কি প্রমুখ (২০২৬) জেনএআই সমস্যাটিকে মূল্যায়ন ত্রিভুজ দিয়ে দেখেন — সংজ্ঞান (কী মূল্যায়িত হয়), পর্যবেক্ষণ (শিখনের প্রমাণ কীভাবে সংগ্রহ হয়) ও ব্যাখ্যা (যে অনুমান টানা হয়) — এবং যুক্তি দেন তিনটি শীর্ষবিন্দু একসঙ্গে পুনরায় সারিবদ্ধ করতে হবে, কারণ ব্যাখ্যা মেরামত না করে কাজ পুনর্নকশা করলে অনুমান সমর্থনহীন থাকে। তাঁদের স্কোপিং পর্যালোচনা এআই-উৎপন্ন মূল্যায়ন-উপকরণের নিষ্ঠাকে নিজেই একটি বৈধতা-গুণ বানায়, বিষয়বস্তু, ভাষাগত, সংজ্ঞানাত্মক, আচরণগত, কাঠামোগত ও শিক্ষাবিদ্যাগত মাত্রা তালিকাভুক্ত করে এবং এমন কাজ মূল্যায়নের ভিত্তি হওয়ার আগে মানব-ইন-দ্য-লুপ মূল্যায়ন দাবি করে।

শনাক্তকরণের বদলে পুনর্নকশা

জ্ঞানভিত্তি যুক্তি দেয়, মূল্যায়নের বৈধতা ধরে রাখতে হলে এআই-সক্ষম শিক্ষার্থীদের জন্য মূল্যায়ন পুনর্নকশা করতে হবে, এআই-ব্যবহার শনাক্ত করতে নয়। একটি সমান্তরাল বৈধতা-সমস্যা গবেষণা-পরিমাপেও চলে: এআই-শিক্ষা বিষয়ক অনেক দাবি স্ব-প্রতিবেদন উপাত্তে দাঁড়িয়ে আছে, যা শিখন বা দক্ষতা সম্পর্কে অনুমান সমর্থন করতে পারে না — উপকরণটি নিজে কত ভালোভাবে বৈধায়িত হোক না কেন। শনাক্তকরণের বাইরের পন্থা ও মূল্যায়ন বৈধতা-অগ্রণী চিন্তার প্রতিনিধিত্ব করে।

বাড়িতে-করা পণ্য এবং গুণগত/পরিমাণগত বিভাজন। ব্রুনস্ট্রöm ও পালমকভিস্ট (২০২৬) পুনর্নকশার যুক্তিকে SOLO শ্রেণিবিন্যাসে ভিত্তি করে একটি নির্দিষ্ট প্রস্তাব দেন। একটি সংজ্ঞানাত্মক-বিজ্ঞান বাড়িতে-করা পরীক্ষার প্রশ্ন নিয়ে চ্যাটবটের সঙ্গে কাজ করে তাঁরা দেখেন, জেনএআই সবচেয়ে শক্তিশালী ঠিক সেখানেই যেখানে শ্রেণিবিন্যাসটি নিম্নতম — পরিমাণগত (বহুকাঠামিক) স্তরে বিস্তৃত, সাবলীল, তথ্যকণা-ধরনের বিষয়বস্তু তৈরি করা — অথচ গুণগত স্তর (সম্পর্ক স্থাপন, মূল্যায়ন, সাধারণীকরণ) উঠে আসে কেবল বারবার শিক্ষার্থী-চালিত ক্রমাঙ্কনে। তাই তাঁদের সুপারিশ গঠন অনুযায়ী ভিন্ন: বাড়িতে-করা মূল্যায়নে গুণগত বোঝাপড়ার প্রমাণে জোর দেওয়া উচিত, আর পরিমাণগত পুনরুদ্ধার-ভিত্তিক জ্ঞান ক্লাসেই মূল্যায়ন করা ভালো, যেখানে জেনএআই নেই। এই প্রদর্শনটি আরও স্পষ্ট করে, যে একটি ঝকঝকে জমা দেওয়া আর্টিফ্যাক্ট দুই দিকেই দুর্বল প্রমাণ, এবং বৈধ পুনর্নকশায় হিসাব রাখতে হবে বৈধ এআই-সহায়িত শিখন আসলে কতটা দাবিদার — তা নিয়ে (সমষ্টিগত মূল্যায়ন, একাডেমিক সততা)।

একটি নকশা-স্তরের প্রতিরূপ আসে ঠিক সেই জনগোষ্ঠী থেকেই, যাদের পুনর্নকশার যুক্তি সাধারণত উপেক্ষা করে। জোউ প্রমুখ (২০২৬) দেখেন, প্রতিফলনমূলক ও ব্যক্তিগতকৃত কাজ ব্যাপকভাবে এআই-সহায়তার জন্য অতিরিক্ত ব্যক্তিগত বিবেচিত হয়, অথচ অন্য কোর্সের জ্ঞান-প্রধান মূল্যায়নে তথ্যসূত্রের জন্য জেনারেটিভ এআই ব্যবহারের প্রবল অভিপ্রায় জাগে — অর্থাৎ শিক্ষার্থীরা এআই দিয়ে যা করল, তা অনুসরণ করে কাজটি তাদের কাছে যে গঠনের প্রমাণ চেয়েছিল। বৈধতার শিক্ষা এখানে উদযাপনমূলক নয়, নির্দিষ্ট: নকশা সাধারণ প্রতিস্থাপনের লাভ সরিয়ে দিতে পারে, তবুও একই গবেষণা সতর্ক করে, একটি বাদ-দেওয়া কোহর্টকে প্রমাণ ভাবা যায় না যে তা হয়েছে — কারণ অ-ব্যবহারের একটি বড় অংশ ভুল প্রতারণা-অভিযোগের ভয়কে আরোপিত, কাজটির এআই-প্রতিরোধকে নয়।

শর্মা (২০২৬) সততার দিক থেকে একটি পুনর্নকশা-যুক্তি দেন, যা সততা-প্রমাণকে বৈধতা-প্রমাণে বদলে দেয়। ইটনের (২০২৩) 'চুরি-পরবর্তী' (postplagiarism) কাঠামোকে মূল্যায়ন-নকশায় বাড়িয়ে তিনি যুক্তি দেন, শনাক্তকরণ- ও যাচাই-ভিত্তিক সততা-মডেল সেই কাজের সঙ্গে বেমানান যেখানে মানব বিচার ও যন্ত্র-উৎপাদন জড়িয়ে থাকে; তিনি সততাকে নতুনভাবে দেখেন শিক্ষাবিদ্যাগত চর্চা হিসেবে, যা মূল্যায়নমূলক বিচারের মধ্য দিয়ে সম্পন্ন হয় — বিকল্প ভাবনা, একাডেমিক পছন্দের যৌক্তিকতা ও জ্ঞাননিষ্ঠ অনিশ্চয়তার মধ্যেও দায়িত্ব নেওয়ার ক্ষমতা। এর নকশা-পরিণতি হলো, সততাকে অনুমান না করে প্রমাণ করতে হবে: টীকাযুক্ত সিদ্ধান্ত-পথ, জেনএআই-অবদানযুক্ত দাবির যাচাই, মৌখিক প্রতিরক্ষা ও সংস্করণ-ইতিহাসকে সততা-আর্টিফ্যাক্ট হিসেবে প্রস্তাব করা হয়; আর তিনি স্পষ্ট করেন প্রামাণিক মূল্যায়নের সঙ্গে পার্থক্যটি জ্ঞাননিষ্ঠ — প্রামাণিকতা জিজ্ঞাসা করে কাজটি বাস্তব চর্চাকে প্রতিফলিত করে কি না, সততা-কেন্দ্রিক নকশা জিজ্ঞাসা করে শিক্ষার্থী শাস্ত্রীয় মানদণ্ডের বিপরীতে সিদ্ধান্তের যৌক্তিকতা দিতে ও দায়িত্ব নিতে পারে কি না; ফলে সততা কাজের স্থাপত্যে গাঁথা একটি মূল্যায়নযোগ্য মানদণ্ড হয়ে ওঠে। নিজের প্রস্তাবের বৈধতা-ঝুঁকিও তিনি নাম দেন, অস্পষ্ট রাখেন না: নথিভুক্ত যুক্তি দাবি করা তাদের সুবিধা দেয় যাঁরা প্রতিফলনমূলক আলাপে সাবলীল, আর "এক সম্মতি-শাসনকে আরেকটি দিয়ে প্রতিস্থাপন"-এর ঝুঁকি তৈরি করে — কারণ প্রমাণ হিসেবে বিচার "যান্ত্রিকভাবে যাচাইযোগ্য নয়, সম্পর্কগত ও পরিস্থিতিগত" থাকে; এই পাতায় প্রতিটি এআই-মধ্যস্থ মূল্যায়নের জন্য যে ব্যাখ্যামূলক-নির্ভরযোগ্যতার সমস্যা নথিভুক্ত, সেটিই।

ভাইডলিশ (২০২৬) পুনর্নকশাকে নতুনভাবে দেখেন একটি প্রশ্ন হিসেবে: একটি পরিবর্তন কোন অনুমান রক্ষা করতে চায়। কেইনের যুক্তিভিত্তিক বৈধতা থেকে কাজ করে তিনি পাঁচটি চাপ আলাদা করেন, যেগুলো বিতর্ক সাধারণত একটিতে মিশিয়ে ফেলে: গঠনের অনুপ্রতিনিধিত্ব, গঠন-অপ্রাসঙ্গিক ভিন্নতা, কর্মদক্ষতার আরোপণ, শর্তসাপেক্ষ বহির্গমন এবং অসমর্থিত স্কোর-ব্যবহার। এআই-ব্যবহার স্বয়ংক্রিয়ভাবে হুমকি নয়, কারণ সরঞ্জাম-ব্যবহার প্রাসঙ্গিক যেখানে অভীষ্ট গঠনটি এআই-সহায়িত পেশাগত বিচার, আর লক্ষ্য-কর্মদক্ষতা বাইপাস করে যেখানে তা সহায়তাহীন যুক্তি; তাই গঠন ও এআই-শর্ত একসঙ্গেই নির্দিষ্ট করতে হয়। এখান থেকেই তাঁর পুনর্নকশা-সতর্কতা আসে: হস্তক্ষেপ এক চাপকে অন্যটির বিনিময়ে বদলায় — মৌখিক প্রতিরক্ষা আরোপণ শক্তিশালী করতে পারে, অথচ নির্ভরযোগ্যতা বা অভিগম্যতা কমাতে পারে।

আর্টিফ্যাক্ট কী প্রমাণ করতে পারে তা ঠিক করে কাজ, ডিটেক্টর নয়। লিউ ও লিউ (২০২৬) একটি মডেল দিয়ে তিনটি কাজ-ফরম্যাট ও তিনটি এআই-ব্যবহার-পরিস্থিতি জুড়ে 148টি লেখা লিখিয়ে দেখেন: প্রমাণ-সংহতকরণ স্মারকলিপি (3.16) ও অনুসরণ-ও-সংশোধন প্রতিরক্ষা (3.10) অবস্থান-প্রবন্ধের (2.63) চেয়ে বেশি স্কোর পায়, কারণ সেই ফরম্যাটগুলো উৎস-ব্যাখ্যা বা আপত্তির জবাব দাবি করেছিল। শিক্ষার্থীদের সঙ্গে অ্যাসাইনমেন্ট চালানোর আগে কাজ-পূর্বপরীক্ষা হিসেবে মডেল-সিমুলেশনের প্রস্তাব তাঁরা দেন।

ফলাফল-গঠন অনুমানটিকেও নাড়ায়: জেনএআই-সমর্থিত সমস্যা-ভিত্তিক ও প্রকল্প-ভিত্তিক শিখনের তিন-স্তরের মেটা-বিশ্লেষণে চেন প্রমুখ (২০২৬) দেখেন, শিক্ষার্থী-অভ্যন্তরীণ ফলাফল একত্রে g = 0.819, অথচ যৌথ মানব-এআই পণ্যের মাপকে g = 1.958, যার ভবিষ্যদ্বাণী-ব্যবধান শূন্য অতিক্রম করে; আলাদাভাবে মডেল করার কারণই হলো সেই পণ্য অন্তর্নিহিত শিখন নয়।

এআই-সচেতন গ্রেডিং পুনর্নকশা ও শনাক্তকরণের মাঝে তৃতীয় পথ নেয়। AICG প্রতি-প্রতিক্রিয়ায় এআই-ব্যবহারের সম্ভাবনা অনুমান করে গ্রেড কেটে না দিয়ে সংজ্ঞানাত্মক প্রমাণকে max(δ, 1 − pAI) দিয়ে ছাড় দেয়; এতে ভারহীন সংজ্ঞানাত্মক মডেলের তুলনায় MAE 4.2% কমে এবং এআই-সহায়িত প্রতিক্রিয়াও স্কোরযোগ্য থাকে (গুও প্রমুখ, ২০২৬)।

নীতি এখন স্তরভিত্তিক অনুমতির দিকে, আর ঘর্ষণের বদলে নিশ্চয়তার দিকে সরে গেছে। 55টি প্রাতিষ্ঠানিক নথি কোড করে আনসারি (২০২৬) দেখেন, 4টি ডিফল্টভাবে এআই নিষিদ্ধ করে এবং 31টি ব্যবহারের নামযুক্ত শ্রেণি নির্ধারণ করে; আর শনাক্তকরণে অবস্থান নেওয়া 23টির মধ্যে 16টি ডিটেক্টর প্রত্যাখ্যান করে। সেই পাঠে পুনর্নকশা মানে কেবল ঘর্ষণ নয়, পুনর্নকশা প্লাস একটি নিশ্চয়তা-ব্যবস্থা।

সংযোগ

মূল্যায়নের বৈধতা যুক্ত হয় প্রামাণিক মূল্যায়ন, স্বয়ংক্রিয় গ্রেডিং, আত্মবিশ্বাস-সচেতন এআই মূল্যায়ন, গঠনমূলক মূল্যায়ন, একাডেমিক সততা এবং র্যান্ডমাইজড নিয়ন্ত্রিত পরীক্ষা (RCT)-এর সঙ্গে (যা বৈধ ফলাফল-মাপকের উপর নির্ভর করে)।

এআই জ্ঞাননিষ্ঠ স্তরে বৈধতাকে চ্যালেঞ্জ করে: হাথকোট, স্লটনিক ও মিলার (২০২৬) যুক্তি দেন, এলএলএম যখন পরীক্ষার্থী, প্রশ্ন-নির্মাতা, রেটার ও বিশ্লেষক হিসেবে কাজ করে, তখন ব্যাখ্যার শৃঙ্খল অস্বচ্ছ হয় এবং পরিমাপের বস্তু তার সংজ্ঞা হারায় — তাঁরা বৈধতাকে নতুনভাবে দেখেন এআই-সাবলীল "সাইবর্গ" বিচার দাবি হিসেবে; আর গ্রিন প্রমুখ (২০২৬) দেখান, এআই স্কোর মানব রেটারদের সঙ্গে মিলতে পারে (87% চেকলিস্ট), অথচ অন্তর্নিহিত যুক্তি সরে যায় — বিশেষত পরিমাপের গুণমান ও দুর্বল প্রতিবেদনে।

যখন এআই-ই মূল্যায়িত আর্টিফ্যাক্ট তৈরি করে। কুমার, ওংসিরিচোট ও নান্থামোর্নফং (২০২৬) বৈধতা-সমস্যাকে তার সবচেয়ে তীক্ষ্ণ শাস্ত্রীয় দৃষ্টান্ত দেন: কম্পিউটিং শিক্ষায় এআই-ই গ্রেডযোগ্য আর্টিফ্যাক্ট — সোর্স কোড — তৈরি করে, ফলে সরঞ্জাম-ব্যবহার, শিখন ও মূল্যায়ন একটিই মিথস্ক্রিয়ায় মিশে যায়, আর জমা দেওয়া কোডবেস শিখনকে প্রতিনিধিত্ব থেকে আর আলাদা করে না। 72টি গবেষণা জুড়ে তাঁরা দেখেন, দক্ষতা-লাভ সহায়তাহীন কর্মদক্ষতায় স্থানান্তরিত হয় না (21টি গবেষণা), পূর্বজ্ঞান ঠিক করে এআই-সহায়তা দক্ষতায় পরিণত হয় কি না (6টি গবেষণা), এবং শনাক্তকরণ-গবেষণা প্রমাণভিত্তিতে কার্যত অনুপস্থিত (3টি গবেষণা) অথচ মূল্যায়ন-পুনর্নকশার প্রমাণ তুলনামূলকভাবে ভালো (25টি গবেষণা)। চর্চার জন্য তাঁদের সিদ্ধান্ত গঠন-নির্দিষ্ট ও নিম্ন-প্রযুক্তির: প্রতি কোর্সে অন্তত একটি উচ্চ-ঝুঁকির মূল্যায়নে মৌখিক অংশ বা অন্য কোনো প্রক্রিয়া-দৃশ্যমান উপাদান যোগ করুন — পর্যালোচনায় সর্বোচ্চ-প্রভাব ফেলা একক হস্তক্ষেপ — এবং এআই-আউটপুটের সঙ্গে সমালোচনামূলক সম্পৃক্তিকে ঐচ্ছিক প্রবণতা নয়, গ্রেডযোগ্য, পর্যবেক্ষণযোগ্য উপাদান হিসেবে দাবি করুন (একাডেমিক সততা, মূল্যায়ন)।

করেন্টি প্রমুখ (২০২৬) eRevise-এর জন্য একটি বৈধতা-যুক্তি পুনরুৎপাদন ও বাড়িয়ে নেন — উচ্চ-প্রাথমিক স্তরের যুক্তিমূলক লেখার একটি স্বয়ংক্রিয় লেখা-মূল্যায়ন ব্যবস্থা — লুইজিয়ানার আটটি প্যারিশে 34 জন শিক্ষক ও 609 জন শিক্ষার্থী জুড়ে, এবং পরীক্ষা করেন একই সামাজিক-সাংস্কৃতিক প্রক্রিয়া একটির বদলে তিনটি ভিন্ন লেখা-ফলাফলে টিকে থাকে কি না।

অসম্পূর্ণ তথ্যের অধীনে বৈধতা

সাম্প্রতিকতম তীক্ষ্ণ পুনর্বিন্যাস জেনারেটিভ এআই সমস্যাটিকে প্রমাণগত সমস্যা হিসেবে দেখে। শিক্ষার্থী জানে কাজটি কীভাবে উৎপন্ন হয়েছে; প্রতিষ্ঠান আর্টিফ্যাক্টটি দেখে এবং সর্বোচ্চ আংশিক প্রক্রিয়া-চিহ্ন — এই পণ্য-প্রক্রিয়া ফাঁককে মোহামেদ ও তেমিমি (২০২৬) অসম্পূর্ণ তথ্যের অধীনে মূল্যায়ন-বৈধতা হিসেবে আনুষ্ঠানিক রূপ দেন। এই হিসাবে প্রশ্নটি নয় কোনো নিয়ম ভাঙা হয়েছে কি না, বরং মূল্যায়ন এখনও শিক্ষার্থীর যুক্তি, শ্রম ও বিচারের বিশ্বাসযোগ্য প্রমাণ তৈরি করে কি না; আর প্রতিটি প্রাতিষ্ঠানিক ব্যবস্থা — নিষেধ, নজরদারি, ঘোষণা, পুনর্নকশা — মূল্যায়িত হয় এই দিয়ে যে তা কোন শিক্ষার্থী-প্রতিক্রিয়াকে সবচেয়ে আকর্ষণীয় করে তোলে। বৈধতার লেন্স একটি মিথ্যা বিভাজনও গলিয়ে দেয়: সততা ও বৈধতা একই সমস্যা, দুই প্রান্ত থেকে দেখা, কারণ অসদাচরণের সিদ্ধান্ত নিজেই একটি বৈধতা-দাবি — কাজটি কী প্রমাণ করে তা নিয়ে।

পরিধানযোগ্য এআই শেষ প্রমাণগত ফাঁক বন্ধ করে, প্রশস্ত করে না: করবিন প্রমুখ (২০২৬) যুক্তি দেন, এআই চশমা ও ইয়ারবাড কোনো বাহ্যিক সংকেত ছাড়াই সহায়তা দেয়, ফলে একজন পরীক্ষার্থী উপস্থিত ও তত্ত্বাবধানে থেকেও সহায়তাহীন সক্ষমতা দেখাতে পারে না — এতে নজরদারিমূলক ফরম্যাটগুলো যে পৃথকীকরণ ও পর্যবেক্ষণযোগ্যতা ধরে নিয়েছিল, তা ভেঙে পড়ে।

একটি শিক্ষার্থী-পক্ষের কাঠামো সেই অনুমান-লক্ষ্যগুলোর নাম দেয় যা একটি আর্টিফ্যাক্ট একা নির্ধারণ করতে পারে না। সাক (২০২৬) এআই-সহায়িত কাজ থেকে প্রতিভা-সম্ভাবনার বিচারের জন্য আরোপণমূলক বৈধতা প্রস্তাব করেন: সক্ষমতা থেকে পণ্যে সম্পর্ক বহু-থেকে-এক, কারণ শিক্ষার্থীর যোগ্যতা, মডেলের সক্ষমতা, শিক্ষার্থীর দিকনির্দেশনা, মানব-এআই মানানসইতা ও প্রসঙ্গ ভিন্নভাবে মিলে সমতুল্য আর্টিফ্যাক্ট তৈরি করে; ফলে পণ্য তার পেছনের ক্ষমতাকে চিহ্নিত করতে পারে না। কাঠামোটি অনুমানের চার লক্ষ্য আলাদা করে — স্বাধীন যোগ্যতা, বৌদ্ধিক এজেন্সি, সংকর সক্ষমতা ও বিকাশগত বহন — এবং তিনটি ত্রুটির নাম দেয়, যা ঘটে যখন এক লক্ষ্যের প্রমাণ অন্যটির হিসেবে পড়া হয়: অতিরিক্ত-আরোপণ, বিকাশগত ভ্রম ও অনুমিত সক্ষমতা-সমতুল্যতা। নথির উপর তার দাবি এই বিভাগটি অসদাচরণ-সাহিত্য থেকে যে প্রমাণগত শৃঙ্খলা নেয়, তারই প্রতিচ্ছবি: বিচার যে সক্ষমতা নিয়ে, তা নাম দিন; কাজটি কীভাবে উৎপন্ন হলো তা নথিভুক্ত করুন (মডেল ও সংস্করণ, ইন্টারফেস, অনুমোদিত কার্যাবলি, প্রাপ্তবয়স্কের মধ্যস্থতা, প্রবেশ-শর্ত), এবং সহায়িত কর্মদক্ষতাকে শিক্ষার্থীর পরিবর্তন হিসেবে পড়ার আগে স্থানান্তরের পরবর্তী প্রমাণ দাবি করুন।

টাইখমান (২০২৬) পদ্ধতিগত পরিণতিটি টানেন: যেখানে নিষিদ্ধ ব্যবহার শনাক্ত করা যায় না, সেখানে যে শাসন এখনও ডিটেক্টর-স্কোরের ভিত্তিতে অভিযোগ আনে, তা তার অনুমানের ন্যায্যতা দিতে পারে না, ফলে অকার্যকর হয়েও অন্যায় তৈরি করে। তিনি ফরেনসিক প্রশ্ন — শিক্ষার্থী এআই ব্যবহার করেছে কি? — বদলে একটি বৈধতা-প্রশ্ন বসানোর পক্ষে যুক্তি দেন — শিক্ষার্থী কি সেই সক্ষমতা দেখিয়েছে যা প্রত্যয়ন করতে কাজটি নকশা করা হয়েছিল? — যা প্রাতিষ্ঠানিক শ্রমকে সরিয়ে দেয় প্রোগ্রাম-স্তরের মূল্যায়নে: সংযুক্ত কাজ জুড়ে, প্রত্যয়ন-বিন্দুতে মৌখিক ও তত্ত্বাবধানে করা উপাদান, এবং স্পষ্ট মূল্যায়ন-বস্তু হিসেবে মূল্যায়নমূলক বিচার।

প্রমাণভিত্তির একই অংশ মামলা-নথির প্রতিরূপ দেয়, আর তা কেবল শনাক্তকরণ-সাহিত্যের চেয়ে বেশি অস্বস্তিকর। মুনোজ প্রমুখ (২০২৬) এক আঞ্চলিক অস্ট্রেলীয় বিশ্ববিদ্যালয়ে তিন বছর জুড়ে প্রতিটি জেনারেটিভ-এআই অসদাচরণ মামলা কোড করেন — 1,162 মামলা, 1,855টি পৃথক প্রমাণ-আইটেম — এবং প্রতিটি আইটেমকে প্রাসঙ্গিকতা, বিশ্বাসযোগ্যতা ও অনুমান-শক্তির উপর প্রমাণমূল্যের জন্য রেট করেন। সবচেয়ে শক্তিশালী শ্রেণিগুলো ছিল সেগুলোই যা পাঠের সম্ভাব্যতাভিত্তিক শ্রেণিবিন্যাসের উপর নির্ভর করে না (শিক্ষার্থীর স্বীকারোক্তি, পরীক্ষায় পর্যবেক্ষিত নিষিদ্ধ আচরণ, এবং স্বাধীনভাবে যাচাই করা বানানো তথ্যসূত্র), অথচ ডিটেক্টরের আউটপুট সব শ্রেণির মধ্যে দুর্বলতম রেটিং পায়: সাদৃশ্য বা Turnitin প্রতিবেদন অনুমান-শক্তিতে সম্পূর্ণ দুর্বল এবং একক ডিটেক্টর-আউটপুট বিশ্বাসযোগ্যতায় সম্পূর্ণ নিম্ন, যা ২০২৪-এ আইটেমের 8.8% থেকে ২০২৫-এ 0.5%-এ নেমে আসে। বৈধতার ব্যর্থতা যন্ত্রগত যতটা, পদ্ধতিগতও ততটাই — পাইপলাইনের কোনো ধাপই ন্যূনতম প্রমাণ-সীমা বসায়নি বা অভিযোগ এগিয়ে নেওয়ার আগে তদন্তকারীদের প্রমাণমূল্য বিচার করতে বাধ্য করেনি; ফলে প্রমাণের গুণমানের সঙ্গে মামলার ফলাফলের কোনো নির্ভরযোগ্য সম্পর্ক দেখা যায়নি, যা ঠিক আইনি বিষয় ও ঝুঁকিতে তালিকাভুক্ত প্রমাণ-মানের সমস্যা। কেবল রায়ের সময়ে নয়, অভিযোগের সময়েই একটি প্রমাণ-মানকাঠামো প্রয়োগ করার তাঁদের প্রস্তাব একটি বৈধতা-দাবি: অভিযোগ হলো কাজটি কী প্রমাণ করে তা নিয়ে একটি দাবি, আর তা এমন উপকরণ দিয়ে ন্যায্য হওয়া উচিত যা তাকে সমর্থন করতে সক্ষম। হাদ্রা, কেমব্রিজ ও মেসবাহ (২০২৬) দেখান, উপকরণটি সেই মান থেকে কত দূরে: 192টি পাঠে ম্যাক্রো নির্ভুলতা 0.69 (Originality) বনাম 0.61 (Turnitin), সংকর মানব-এআই লেখায় প্রায় সম্পূর্ণ ব্যর্থতা (সংবেদনশীলতা 0.02 ও 0.31), পাঠের দৈর্ঘ্য বাড়লে ও বৈজ্ঞানিক লেখায় নির্ভুলতা কমা, এবং EFL শিক্ষার্থীর লেখাকে এআই হিসেবে ভুল শ্রেণিবদ্ধ করার সীমান্তবর্তী প্রবণতা — তাই একটি ডিটেক্টর-স্কোর সেই সত্যটি প্রতিষ্ঠা করতে পারে না যা একটি অসদাচরণ-রায় দাবি করে।

মানব-মূল্যায়নের বেঞ্চমার্ক ও তার সীমানা

তিনটি যুক্তরাজ্যের বিশ্ববিদ্যালয়ের 761টি প্রকৃত প্রবন্ধের বিপরীতে তিনটি ফ্রন্টিয়ার মডেলের OpRaise তুলনা বেঞ্চমার্ককে বৈধতা-যুক্তির অংশ বানায়। মানব-নম্বরকে ভিত্তিসত্য ধরা হয়েছিল এই স্পষ্ট কারণে যে একাডেমিক বিচারই সামাজিকভাবে স্বীকৃত মান; অথচ লেখকেরা স্বীকার করেন, মানব-নম্বরদাতারা পরস্পরের সঙ্গে কেবল মাঝারিভাবে মেলেন — যা এআই-মানব মিলের যে দাবি যুক্তিসঙ্গতভাবে করা যেত তার সীমা বেঁধে দেয়, এবং বোঝায় কোনো রেফারেন্স-বিন্দু ছাড়া একটি সহসম্পর্ককে প্রস্তুত-কি-না বলে পড়া যায় না। সেই কাঠামোর ভেতরে ব্যর্থতাগুলো এলোমেলো ত্রুটি নয়, পদ্ধতিগত গঠন হিসেবে দেখা দেয়: নম্বর স্কেলের মধ্যপথে সংকুচিত হয়েছিল, ফলে সেরা ও সবচেয়ে দুর্বল প্রবন্ধ সবচেয়ে বেশি ভুল বিচার হয়েছে; গ্রেড-সীমান্তে মিল সবচেয়ে দুর্বল ছিল; আর এআই-নম্বর শব্দভাণ্ডারের পরিসর, সংযোগ-শব্দ ও বাক্য-জটিলতা অনুসরণ করত, অথচ মানব-নম্বর সাধারণভাবে সেগুলোর প্রতি সংবেদনশীল ছিল না। ব্যবহারিক শিক্ষা দুই-ধারি, কারণ একই গবেষণায় নির্ভরযোগ্যতা উৎকৃষ্ট পাওয়া গেছে — সময় জুড়ে অভিন্ন পুনঃনম্বর ও মডেলগুলোর মধ্যে উচ্চ মিল। তাই স্বয়ংক্রিয় নম্বরকরণের বৈধতা-মামলা স্থিতিশীলতা বা গড় মিলে দাঁড়াতে পারে না; তাকে পদ্ধতিগত বিচ্যুতির অনুপস্থিতি দেখাতে হবে — যা এই প্রমাণে পাওয়া যায়নি।

তবে রান-থেকে-রান স্থিতিশীলতা নিশ্চিত নয়: অভিন্ন জমার উপর একই গ্রেডিং পাঁচ দিনের ব্যবধানে পুনরাবৃত্তি করলে ক্রিপেনডর্ফের আলফা 0.625 আসে, যেখানে ভিন্নতা মধ্য-গ্রেডে কেন্দ্রীভূত এবং পুনরাবৃত্ত সেশনের গণনায় A ও F অনুপস্থিত (ব্রেভিক প্রমুখ (২০২৬))।

• মডেলের আকার মূল্যায়ন-বৈধতার প্রক্সি নয়। 114টি নম্বরযুক্ত প্রবন্ধে চারটি পরিবারের আটটি কনফিগারেশনে নিখুঁত ব্যান্ড-মিল 18.4% থেকে 54.4% জুড়ে ছিল এবং প্যারামিটার-সংখ্যার বদলে পরিবারকে অনুসরণ করেছিল — সবচেয়ে বড় মডেল, GPT-OSS 120B, 1.316 ব্যান্ড কম দিয়েছে, আর তাপমাত্রা কোনো সমাধান ছিল না (কেরওয়াত প্রমুখ (২০২৬))।

• মিল ও বেঞ্চমার্ক-ত্রুটি শিখনের ছদ্মবেশ ধরে। দুটি ২০২৬ গবেষণা আলাদা পথ দেখায়, যেখানে একটি স্কোর বৈধ দেখাতে পারে অথচ অন্য কিছু প্রতিষ্ঠা করে। একটি মুক্ত-প্রান্তিক বিপণন-লেখা গবেষণায় এলএলএম-মানব নিখুঁত মিল ছিল কেবল ICC(2,1) .435, আর একটি সংকর ব্যবস্থা একক এলএলএমের চেয়ে উল্লেখযোগ্যভাবে খারাপ; অ্যাঙ্কর রচনা মিলকে .338 থেকে .902-তে নিয়ে যায় (Agreement and error in automated scoring of student marketing posts)। ছয়টি পদার্থবিজ্ঞান-বেঞ্চমার্কের একটি বিশেষজ্ঞ-নিরীক্ষা নিরীক্ষিত প্রত্যাখ্যানের 95.20% দোষারোপ করে ত্রুটিপূর্ণ আইটেম বা গ্রেডারকে, মডেল-ত্রুটিকে নয়, এবং CritPt mean@5-কে 32.29% থেকে 87.50%-এ নিয়ে যায় (How Good Are Frontier Models at Physics? Expert Re-Grading Reveals Broken Evaluations and Near-Saturation of Leading Benchmarks)। দুই ক্ষেত্রেই হুমকি হলো স্কোর করা মডেলের বাইরের গঠন-অপ্রাসঙ্গিক ভিন্নতা।

• এলএলএম কোডারদের মধ্যে মিল হলো সামঞ্জস্য, বৈধতা নয়। বিশেষজ্ঞ-লেবেলযুক্ত একটি শিক্ষামূলক সংলাপ-কর্পাসে একটি ক্রস-মডেল মিল-ফিল্টার 74টি কর্পাস-উদ্ভূত আচরণগত দাবির মধ্যে কেবল 33টি এবং 48টি গঠন-উদ্ভূত দাবির মধ্যে 11টি রেখে দেয়, আর মডেলগুলোর ভাগ করা ত্রুটি ফিল্টার পেরিয়ে যায়; তাই মডেল-আন্তঃ মিল গঠন-বৈধতার বিকল্প হতে পারে না (বার্নাদো প্রমুখ, ২০২৬)।

• স্বয়ংক্রিয় ভাবাবেগ-লেবেল একটি পরিমাপ-দাবি, বর্ণনা নয়। 1,220টি মুক্ত-প্রান্তিক শিক্ষার্থী-সমীক্ষা প্রতিক্রিয়ায় সেরা প্রস্তুত-ব্যবহারের ভাবাবেগ-সরঞ্জাম (BERT-nlptown) মানব-কোডিংয়ের সঙ্গে কেবল মাঝারি মিলে পৌঁছায় (κ = .42), আর শব্দভাণ্ডার-সরঞ্জাম শব্দভাণ্ডার-পরিসরের অভাবে প্রায় 20% প্রতিক্রিয়া ভুল শ্রেণিবদ্ধ করে (ইউ ও হরিসিয়ান, ২০২৬)। একটি ভাবাবেগ-লেবেল একটি পরিমাপ-ফল, তাই শ্রেণিবিন্যাস-ত্রুটি একটি বৈধতা-হুমকি, টিউনিং-সমস্যা নয়।

• দূষণ সেই বৈধতা-হুমকি যা সমষ্টিগত উপাত্ত লুকায়। শিক্ষার্থীরা গ্রেডযোগ্য কাজ করতে এআই ব্যবহার করলে রুব্রিক-স্কোরের গড় বৃদ্ধি শিখনের নয়, সরঞ্জামের প্রমাণ; আর একটি মডেল দিয়ে অন্য মডেলের আউটপুট নম্বরকরণ মূল্যায়ন নয়, "আয়নার মহল" (জেনকিনস ও দে মেলো-ই-সৌজা ওয়াইল্ডারমুথ, ২০২৬)। লেখকেরা লক্ষ করেন, প্রোগ্রামগুলো সাধারণত যে সমষ্টিগত উপাত্ত ব্যবহার করে সেখানে দূষণ অদৃশ্য।

• প্রকাশ্যতা মাপা যায়, আর প্রতিকার সর্বোচ্চ নিরাপত্তা নয়, যথেষ্ট প্রমাণ। ভিলানুয়েভা (২০২৬) প্রকাশিত ফরম্যাট, তত্ত্বাবধান ও নম্বর-ভার অনুযায়ী 53,915টি মূল্যায়ন-আইটেম স্কোর করেন এবং দেখেন, অধিকাংশ মূল্যায়িত নম্বর এমন কাজের উপর দাঁড়িয়ে যা জমা দেওয়ার পর তার লেখকত্ব যাচাই করা যায় না; তিনি যুক্তি দেন, প্রোগ্রামগুলোর মূল পর্যায়ে শিখনের যথেষ্ট প্রমাণ দরকার, প্রতিটি ইউনিট সুরক্ষিত করা নয়।

• একটি মডেল আইটেম পূর্বপরীক্ষা করে এমন ত্রুটি দেখাতে পারে যা প্রশিক্ষক-পর্যালোচনা মিস করে। এক প্রতিষ্ঠান পরীক্ষার আগে একটি এন্টারপ্রাইজ এআই প্ল্যাটফর্ম দিয়ে পরীক্ষার আইটেমের উত্তর দিয়েছিল, তারপর তার যুক্তি অভীষ্ট গঠন ও নির্ধারিত উত্তরের সঙ্গে তুলনা করেছিল (ফোর্ড, হেল্মস ও মোজলি, ২০২৬)। এই অনুশীলন দ্ব্যর্থক ভাষা, একাধিক যুক্তিসঙ্গত উত্তর, অনিচ্ছাকৃত সূত্র এবং এমন আইটেম উন্মোচন করে যার নির্ধারিত উত্তর স্পষ্টভাবে সমর্থন করা যায় না। লেখকেরা উত্তরের জবাবকে আইটেমটি ত্রুটিপূর্ণ — এর প্রমাণ নয়, বরং পুনরায় দেখা দরকার — একটি সংকেত হিসেবে নেন।

• একটি বৈধ মাপক অপ্টিমাইজ করা তবুও অনিরাপদ হতে পারে। একটি রুব্রিক-ধরনের অভিযোজনশীলতা-মাপকের বিপরীতে একটি এলএলএম টিউটর ফাইন-টিউন করলে মাপকটি বাড়ে (+0.05 থেকে +0.42), অথচ ব্লাইন্ড বিশেষজ্ঞ-রেটিং কমে (4.46 থেকে 3.03), কারণ যে মাপক সিদ্ধান্তগুলো আলাদাভাবে স্কোর করে, তা একক সেরা সিদ্ধান্তের পুনরাবৃত্তিতে সর্বোচ্চ হয় (দোমিঙ্গেস ফিগারেদো ও ফের্নান্দেস দে লা ক্রুস, ২০২৬)।

• এমবেডিংয়ের জ্যামিতি রুব্রিকের পার্থক্য নয়। পাঁচটি পাঠ্য-রূপ ও নয়টি এমবেডিং-ব্যবস্থার অধীনে 992টি হস্তলিখিত পদার্থবিজ্ঞান-সমাধানের বিপরীতে তাউশহুবার ও কর্টেমেয়ার (২০২৬) মানব-স্কোরের সঙ্গে সেরা ভারযুক্ত স্পিয়ারম্যান সহসম্পর্ক 0.198 রিপোর্ট করেন, যেখানে ক্লাস্টারগুলো স্কোর-সমৃদ্ধ, স্কোর-সমতুল্য নয়।

• "প্রমিত যাচাইগুলো পাস করলেই গ্রেডার নিষ্পত্তি।" একই বেঞ্চমার্কে কোনো মডেলই কোনো কাজে তিনটিই পাস করেনি: অন্তত 0.70 QWK, রেটারদের নিজেদের মিলের চেয়ে 0.10-এর বেশি নিচে নয়, এবং প্রমিত গড় পার্থক্য 0.15-এর মধ্যে। কোডে আটটি মডেল প্রথম দুটি পেরিয়ে তারপর রেটারদের চেয়ে কম নম্বর দেয়, আর সংক্ষিপ্ত উত্তরে 22টির মধ্যে 21টি কম নম্বর দেয়; তাই বিচ্যুতির দিকও তার আকারের মতোই গুরুত্বপূর্ণ।

• "মিল পক্ষপাতদুষ্ট গ্রেডার ধরে ফেলে।" একটি আইটেম-অভ্যন্তরীণ অ্যাবলেশনে তা ধরেনি। প্রম্পটে কেবল একটি সত্য বা বদলানো অর্জন-লেবেল যোগ করলে দশ-পয়েন্ট স্কেলে প্রতিটি পরীক্ষিত মডেলে নম্বর 0.28 থেকে 0.75 পয়েন্ট সরে যায়, অথচ সত্য লেবেল QWK বাড়ায় মাত্র 0.029 থেকে 0.046। লেবেল ছাড়াই ফিট করা একটি রিস্কেলিং সেই লাভের সমান। মিলের পাশাপাশি অপরিবর্তনশীলতাও রিপোর্ট করতে হবে, কারণ একটি গ্রেডার শিক্ষকের কাছাকাছি স্কোর করতে পারে অথচ কাজের বদলে শিক্ষার্থীকে পড়ছে।

সাধারণ ভুল ধারণা

• "এলএলএম গ্রেডিং-পক্ষপাত এর কারণেই তা বর্জনীয়।" একটি বৃহৎ-মাপের জাতীয় লেখা-মূল্যায়নে একটি এলএলএম স্কোরার পদ্ধতিগত রক্ষণশীল (নিম্ন-গ্রেডিং) পক্ষপাত দেখিয়েছে — চূড়ান্ত নম্বর হিসেবে সমস্যাজনক এবং সম্ভাব্য স্ক্রিনিং সংকেত হিসেবে উপযোগী। যে পক্ষপাতের দিক জানা, তা অনির্দেশ্য পক্ষপাতের চেয়ে ভিন্ন উপকরণ।
• "এআই-এর পরে গ্রেড মূল্যস্ফীতি অনুমানমাত্র।" 319টি কোর্সের (২০১৮-২০২৫) 500,000+ গ্রেডের ডিফারেন্স-ইন-ডিফারেন্স গবেষণায় এআই-প্রকাশ্য কাজ বেশি এমন কোর্সে এ-গ্রেডের অংশ বেড়েছে। প্রভাব সেখানেই কেন্দ্রীভূত যেখানে কাজগুলো প্রকাশ্য ছিল।
• "শিক্ষকেরা এআই ব্যাপকভাবে গ্রহণ করেছেন।" 62.4% (53) জেনারেটিভ এআই একেবারেই ব্যবহার না করতে বেছে নেন, আর গ্রহণকারীদের ব্যবহার মূলত প্রুফরিডিং (43.8%) ও স্পষ্টতা-যাচাইয়ে (34.4%) সীমিত। গ্রহণের ধরনটি সতর্ক ও সংকীর্ণ, যা বদলে দেয় একটি বৈধতা-যুক্তিকে কী কী ঢাকতে হবে।

সংযুক্ত ধারণা

• পেডাগগিক্যাল প্যাটার্ন — আউটপুট আর লেখককে চিহ্নিত করে না বলে কেন প্রক্রিয়া-প্রমাণ প্রস্তাব করা হয়
• AIEd গবেষণা ব্যাখ্যা ও প্রয়োগ
• প্রামাণিক মূল্যায়ন
• স্বয়ংক্রিয় মূল্যায়ন
• গঠনমূলক মূল্যায়ন
• একাডেমিক সততা
• র্যান্ডমাইজড নিয়ন্ত্রিত পরীক্ষা (RCT)
• পক্ষপাত প্রশমন
• ন্যায়বিচার
• এআই শিক্ষা মূল্যায়ন
• শিক্ষামূলক পরিমাপ
• আইনি সমস্যা ও ঝুঁকি
• বৃহৎ ভাষা মডেল (এলএলএম)
• প্রতিক্রিয়া
• আত্ম-প্রতিবেদনমূলক পরিমাপ
• পূর্বজ্ঞান
• শিক্ষার্থীর সম্পৃক্ততা
• মূল্যায়ন

সংযুক্ত নিবন্ধ

• From Policing Provenance to Designing for Evidence: Testing Four Propositions on Generative AI Against Research and Institutional Policy — উৎস-পাহারা থেকে প্রমাণের জন্য নকশায়: গবেষণা ও নীতির বিপরীতে পরীক্ষিত চারটি প্রস্তাব (আনসারি ২০২৬)

• Testing the validity of embedding-based similarity and clustering for handwritten physics solutions — এমবেডিং-সাদৃশ্য মানব-স্কোরের সঙ্গে সর্বোচ্চ 0.198 সহসম্পর্কিত

• On AI glasses and wearable AI in assessment — পরিধানযোগ্য এআই পৃথকীকরণ ও পর্যবেক্ষণযোগ্যতা ভেঙে দেয়, ফলে তত্ত্বাবধানে থাকা পরীক্ষার্থীও সহায়তাহীন সক্ষমতা দেখাতে পারে না (করবিন, শার্প ও ডসন ২০২৬)

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — প্রোগ্রাম-স্তরের উত্তীর্ণ/অনুত্তীর্ণ ঝুঁকি এবং যে নম্বরকরণ-মানদণ্ড বানানো মান পাস করতে দেয় (আইভরি প্রমুখ ২০২৬)

• "Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — কেবল অনুমতি বৈধতা ক্ষয় করে না: জেনএআই-ব্যবহারে সম্পৃক্তি অপরিবর্তিত; প্রতিফলন সাধারণ প্রতিস্থাপন প্রতিরোধ করে

• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — এআই এজেন্ট, আনন্দময় মূল্যায়ন ও তৃতীয় স্থান

• AI in University Assessment: Evaluating the Opportunities and Risks of Automated Marking — OpRaise প্রতিবেদন: তিন যুক্তরাজ্য বিশ্ববিদ্যালয়ের 761টি বিশ্ববিদ্যালয়-প্রবন্ধের এআই নম্বরকরণ

• Generative AI in computing education: A systematic review and a framework for responsible integration — যখন এআই-ই গ্রেডযোগ্য আর্টিফ্যাক্ট তৈরি করে: কম্পিউটিং শিক্ষার বৈধতা-সমস্যা ও পুনর্নকশার প্রমাণ

• AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education — বাড়িতে-করা পরীক্ষা: গুণগত পর্যায় মূল্যায়ন করুন, পুনরুদ্ধার ক্লাসে আনুন (ব্রুনস্ট্রম ও পালমকভিস্ট ২০২৬)

• A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment — বৃহৎ-মাপের জাতীয় লেখা-মূল্যায়নে HITL এআই-সহায়িত স্কোরিং (কুরি প্রমুখ ২০২৬)

• VARIA: Benchmarking Frontier LLMs on Construct-Equivalent Assessment Variant Generation — গঠন-সমতুল্য মূল্যায়ন-রূপান্তর তৈরি (লি ২০২৬)

• Artificial Intelligence and Grade Inflation — গ্রেড মূল্যস্ফীতির প্রক্রিয়া হিসেবে এআই কাজ-স্থানচ্যুতি (চিরিকভ ২০২৬)

• AI Agents Can Now Navigate and Complete LMS Tasks: A Call for Pedagogical Innovation — এলএমএস কাজ সম্পন্ন করা এআই এজেন্ট; মানব-উৎপাদন পূর্বধারণা ও এজেন্টিক বৈধতা (হাদজিসোলোমু ও এল-হাদ্দাদ ২০২৬)

• Semantic Variability of LLM-Generated Replies Across LLMs: Implications for Designing Conversation-Based Assessment

• Do Assessment Instruments Measure the Same Thing for Humans and LLMs? A Latent Structure Analysis — মূল্যায়ন-উপকরণ কি মানুষ ও এলএলএম-এর জন্য একই জিনিস মাপে? (স্ত্রুগাৎস্কি প্রমুখ ২০২৬)

• A Multimodal Framework for Embodied Cognition in Oral Explanations — মৌখিক ব্যাখ্যায় দেহময় সংজ্ঞানের একটি মাল্টিমোডাল কাঠামো

• Assessing the Quality of AI-Generated Exams: A Large-Scale Field Study — এআই-উৎপন্ন পরীক্ষার গুণমান মূল্যায়ন: একটি বৃহৎ-মাপের ক্ষেত্র-গবেষণা

• Distinguishing performance gains from learning when using generative AI

• AI-based scoring systematically underestimates conceptual understanding of linguistically weak students' explanations in physics

• The End of Assessment? Disruption and Transformation in the Age of AI

• Can AI Evaluate Assessment? A Study of Large Language Model Meta-Assessment Performance

• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — জেনএআই-সহায়িত কাজ নম্বরকরণে মূল্য-বিচার: সততা, বিশ্বাস, বৈধতা ও দ্বিমুখী স্বচ্ছতা (লুও ও ডসন ২০২৬)

• Bridging technology and education: The use of ChatGPT in grading pharmacy student exams

• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — অসদাচরণ-প্রক্রিয়া একটি বৈধতা-সমস্যা হিসেবে

• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — অসম্পূর্ণ তথ্যের অধীনে মূল্যায়ন-বৈধতা: একটি প্রতিক্রিয়া-অঞ্চল মডেল

• Which inference is at risk? Assessment validity reasoning and generative AI — কোন অনুমান ঝুঁকিতে? পাঁচটি বৈধতা-চাপ আলাদা করা এবং পুনর্নকশা কী দুর্বল করে তা যাচাই (ভাইডলিশ ২০২৬)

• The shifting landscape of assessment in STEM education in the age of generative AI — STEM মূল্যায়ন প্রতারণার নয়, বৈধতা, নকশা ও সক্ষমতা-সংজ্ঞার সমস্যা: প্রক্রিয়া-প্রমাণ, মৌখিক পরীক্ষা ও এআই-উৎপন্ন কাজের নিষ্ঠা (কোরেটস্কি প্রমুখ ২০২৬)

• AI in Particle Physics Education: Research Problems and Foundational Skills — কণা পদার্থবিজ্ঞান শিক্ষায় এআই: গবেষণা-সমস্যা ও ভিত্তি-দক্ষতা

• Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education — আমার কাজ কে নম্বর দেবে? উচ্চশিক্ষায় স্বচ্ছ এআই-সহায়িত লেখা-মূল্যায়ন নিয়ে শিক্ষার্থী-দৃষ্টিভঙ্গি

• How much selection would be enough? Bounding the learning claim of El Salvador's artificial intelligence tutoring pilot — এল সালভাদোরের এআই টিউটরিং পাইলটের শিখন-দাবি সীমাবদ্ধ করা (রেস্ত্রেপো মোরালেস প্রমুখ ২০২৬)

• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — অসদাচরণ-অভিযোগের নথিতে প্রমাণ হিসেবে আসলে কী থাকে, এবং কেন প্রমাণের গুণমান ফলাফল পূর্বাভাস দেয় না (মুনোজ প্রমুখ ২০২৬)

• Evaluating the accuracy and reliability of AI content detectors in academic contexts — 192টি পাঠে ডিটেক্টর-নির্ভুলতা 0.69 ও 0.61; সংকর-লেখায় ব্যর্থতা ও EFL ভুল-শ্রেণিবিন্যাসের ঝুঁকি (হাদ্রা প্রমুখ ২০২৬)

• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — অতিরিক্ত-ব্যাপক নিষেধাজ্ঞা: প্রতিলিপিকরণ উৎপাদন নয়, তাই নিয়ম যা ঠেকাতে নকশা করা হয়নি তাকেই দণ্ড দেয় (রাইট ২০২৬)

• Educational integrity in GenAI-augmented assessment: making judgment visible — শনাক্তকরণের বদলে মূল্যায়নমূলক বিচারের মাধ্যমে সততাকে দৃশ্যমান করা (শর্মা ২০২৬)

• Can large language models reproduce higher education grade bands? Cross-model study of calibration and grading bias in authentic student writing — বড় ভাষা-মডেল কি উচ্চশিক্ষার গ্রেড-ব্যান্ড পুনরুৎপাদন করতে পারে? প্রকৃত শিক্ষার্থী-লেখায় ক্রমাঙ্কন ও গ্রেডিং-পক্ষপাতের ক্রস-মডেল গবেষণা

• AI-Assisted Assessment of Experimental Physics Laboratory Reports: Potential, Limitations, and Support for Teaching Practice — পরীক্ষামূলক পদার্থবিজ্ঞান ল্যাব-প্রতিবেদনের এআই-সহায়িত মূল্যায়ন: সম্ভাবনা, সীমা ও শিক্ষণ-চর্চার সমর্থন

• Inferring Gifted Potential from AI-Assisted Work: An Attributional Validity Framework for Gifted Education — একটি পণ্যকে শিক্ষার্থীর ক্ষমতার প্রমাণ হিসেবে পড়লে অনুমানের চার লক্ষ্য ও তিনটি আরোপণ-ত্রুটি (সাক ২০২৬)

• Student Use of LLMs and the Limits of AI-Generated Question Difficulty in Data Science Courses — শিক্ষার্থীদের এলএলএম-ব্যবহার এবং ডেটা সায়েন্স কোর্সে এআই-উৎপন্ন প্রশ্ন-কঠিনতার সীমা

• EduBehaviors: Assertion-based Schemas for Auditable Coding of Educational Dialogues — EduBehaviors: শিক্ষামূলক সংলাপের নিরীক্ষাযোগ্য কোডিংয়ের জন্য দাবি-ভিত্তিক স্কিমা

• Can students identify AI? – A cross-sectional quantitative study about AI recognition in tablet-based MCQ assessment among fifth-year undergraduate medical students at Saarland University, Germany — পাঠ্যক্রমিক সামঞ্জস্য নিয়ে শিক্ষার্থী-রেটিং বিষয়বস্তুর বদলে আইটেম-কঠিনতা অনুসরণ করে (rho = 0.762) (ভোগ্ট প্রমুখ ২০২৬)

• Large language models as grading assistants in public health education: a method-comparison study of essay-style exam assessment — অভিন্ন জমার পাঁচ-দিনব্যাপী পুনঃগ্রেডিং দেয় ক্রিপেনডর্ফের আলফা 0.625

• How AI-vulnerable is Australian higher education assessment? A computational audit of Group of Eight Arts and Humanities units, 2022–2026 — এআই ঝুঁকি-সূচক: অধিকাংশ মূল্যায়িত নম্বর অযাচাইযোগ্য লেখকত্বের উপর দাঁড়িয়ে, তাই বৈধতা সর্বোচ্চ নিরাপত্তায় নয়, মূল পর্যায়ে যথেষ্ট প্রমাণে

• The learner who does not learn: when optimizing a pedagogical metric degrades LLM tutoring — একটি শিক্ষাবিদ্যাগত-অভিযোজনশীলতা মাপক বেড়েছে অথচ ব্লাইন্ড বিশেষজ্ঞ-রেটিং কমেছে: পরিমাপ-বৈধতা অপ্টিমাইজেশন-বৈধতা বোঝায় না (দোমিঙ্গেস ফিগারেদো ও ফের্নান্দেস দে লা ক্রুস ২০২৬)

• Has the Target Moved Again? GenAI and the Validity of English Proficiency Scores — লক্ষ্য কি আবার সরে গেছে? জেনএআই ও ইংরেজি-দক্ষতার স্কোরের বৈধতা

• Problem-based and project-based learning as promising frameworks for generative AI-supported education: Emerging evidence from a systematic review and three-level meta-analysis — ফলাফল-গঠন অনুমান নাড়ায়: যৌথ মানব-এআই পণ্যে g = 1.958

• Beyond agreement: a benchmark of how language models grade student work, and how they fail — মিলের বাইরে: 22টি প্রম্পটকৃত গ্রেডার এমন প্রোবের মুখোমুখি হয় যাদের সঠিক উত্তর জানা, এবং তাদের বেশিরভাগকে কথায় বদলানো যায় (পোর্কারো ২০২৬)

• Learner context changes an LLM grader's marks on identical work: a within-item ablation on six models — শিক্ষার্থী-প্রসঙ্গ অভিন্ন কাজে এলএলএম গ্রেডারের নম্বর বদলায়, আর শিক্ষকের সঙ্গে মিল তা ধরে না (পোর্কারো ২০২৬, পত্র VI)

• Task Structure and AI-Use Instructions Decide What a GenAI-Era Assignment Can Show — কাজের ফরম্যাট ও এআই-ব্যবহারের নির্দেশনা আর্টিফ্যাক্ট কী প্রমাণ করতে পারে তা ঠিক করে (লিউ ও লিউ ২০২৬)

• Beyond Response Scoring: An AI-aware Cognitive Supervision Framework for Automated Mathematical Short Answer Grading — প্রতিক্রিয়া-স্কোরিংয়ের বাইরে: স্বয়ংক্রিয় গাণিতিক সংক্ষিপ্ত-উত্তর গ্রেডিংয়ের জন্য একটি এআই-সচেতন সংজ্ঞানাত্মক তত্ত্বাবধান কাঠামো