মূল্যায়ন

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

মূল্যায়ন — শিক্ষার্থীরা কী জানে ও কী করতে পারে সে-বিষয়ে প্রমাণ সংগ্রহ ও ব্যাখ্যার প্রক্রিয়া, এবং শিখন মূল্যায়নে ব্যবহৃত পদ্ধতিগুলো। শিক্ষায় কৃত্রিম বুদ্ধিমত্তা মূল্যায়নকে মৌলিকভাবে পুনর্গঠন করেছে: এটি স্বয়ংক্রিয় গ্রেডিং ও স্কোরিং চালায়, মূল্যায়ন-আইটেম তৈরি ও অভিযোজিত করে, এবং গভীর প্রশ্ন তোলে শিক্ষার্থীরা এআই ব্যবহার করতে পারলে মূল্যায়ন আসলে কী মাপে। মূল্যায়ন হলো সেই ছাতা-ধারণা যা জ্ঞানভিত্তির গঠনমূলক মূল্যায়ন, স্বয়ংক্রিয় গ্রেডিং, বৈধতা ও শিক্ষামূলক পরিমাপ-এর কভারেজকে সংগঠিত করে।

বিবেচনার প্রশ্ন

• এখানে মূল্যায়নকে সংজ্ঞায়িত করা হয়েছে শিক্ষার্থীরা কী জানে ও কী করতে পারে সে-বিষয়ে প্রমাণ সংগ্রহ ও ব্যাখ্যা হিসেবে। পড়ার আগে, 'একটি মূল্যায়ন বৈধ যদি…' — বাক্যটি আপনি কীভাবে শেষ করতেন, এবং প্রত্যেক শিক্ষার্থী গোপনে এআই দিয়ে তাদের কাজ তৈরি করতে পারলে সেই উত্তরটির কী বদলাত?
• পৃষ্ঠাটি দাবি করে, একজন শিক্ষার্থী GenAI কীভাবে ব্যবহার করে (মূল্যায়নমূলক সংহতি বনাম সমালোচনাহীন শর্টকাট গ্রহণ) তা কর্মদক্ষতা পূর্বানুমান করেছে, অথচ তারা কতবার ব্যবহার করেছে তা কিছুই পূর্বানুমান করেনি। এটি এআই-ব্যবহার সীমিত করে নিয়ন্ত্রণ করার প্রচলিত প্রবণতা সম্পর্কে কী ইঙ্গিত দেয়?
• একজন শিক্ষার্থী পেশাগত মানের কাজ জমা দিতে পারে যা সে সরঞ্জাম ছাড়া পুনরুৎপাদন করতে পারে না — কর্মদক্ষতা ও অন্তর্নিহিত সক্ষমতার মধ্যে অনুমানটি ছিঁড়ে যায়। আপনি কি কখনও এমন কাজের জন্য 'সক্ষমতা' প্রদান হতে দেখেছেন যা শিক্ষার্থী আসলে অসহায়ভাবে করতে পারত না? তা কী প্রকাশ করেছে?
• পৃষ্ঠাটি যে গঠনমূলক প্রশ্ন দেয় তা 'শিক্ষার্থীরা এআই ব্যবহার করা কীভাবে বন্ধ করব?' নয়, বরং 'তাদের ভবিষ্যৎ কাজের প্রতিচ্ছবি এমন প্রসঙ্গে সুচিন্তিত ব্যবহার কীভাবে সম্ভব করব?' আপনার ক্ষেত্রে লক্ষ্য এটি হলে মূল্যায়ন দেখতে কেমন হবে?
• DRIVE কাঠামো পরামর্শ দেয় শিক্ষার্থীর GenAI-এর সঙ্গে সম্পৃক্ততার গুণমান মূল্যায়ন করার — কেবল পণ্য নয় — দেখে যে তারা কৌশলগতভাবে প্রম্পট চালায় কি না এবং নিজের ধারণা সংহত করে কি না। একটি গভীর, প্রতিফলনমূলক এআই মিথস্ক্রিয়াকে উপরিতল ভোগ থেকে আলাদা করতে আপনি কী দেখবেন?
• এআই-মাধ্যমিক মূল্যায়ন মৌখিক পরীক্ষা, পোর্টফোলিও ও সংলাপমূলক বিন্যাসে বৈচিত্র্যময় হচ্ছে, যা দুশ্চিন্তা কমায় ও পেশাগতভাবে প্রাসঙ্গিক মনে হয়। আপনার নিজের অভিজ্ঞতার কোন মূল্যায়ন-বিন্যাসকে আপনি সবচেয়ে 'এআই-প্রতিরোধী' মনে করেন — এবং প্রতিরোধ কি শিক্ষাদানগত মূল্যের সমান?

ভূমিকা

দুটি কারণে মূল্যায়ন শিক্ষায় এআইয়ের কেন্দ্রে। প্রথমত, এআই নিজেই শিক্ষার্থী মূল্যায়নে ব্যবহৃত হয় — প্রবন্ধ, কোড, সংক্ষিপ্ত উত্তর ও পরীক্ষা বড় মাপে গ্রেড করা। দ্বিতীয়ত, শ্রেণিকক্ষে এআই বদলে দেয় মূল্যায়ন বৈধভাবে কী মাপতে পারে, কারণ শিক্ষার্থীরা কাজ তৈরি করতে উৎপাদক এআই ব্যবহার করতে পারে। ফলে ক্ষেত্রটি একদিকে মূল্যায়ন স্বয়ংক্রিয় করা সরঞ্জামগুলো এবং অন্যদিকে এআই যে বৈধতা ও সততার প্রশ্ন তোলে — দুটোই জুড়ে বিস্তৃত। উচ্চশিক্ষার 72টি মূল্যায়ন-গবেষণার একটি PRISMA পর্যালোচনায় দেখা যায় শিক্ষকেরা GenAI পুরো মূল্যায়ন-চক্রে ব্যবহার করেছেন — মূল্যায়ন তৈরি, অনুশীলন, গ্রেডিং, শিখনের স্বচ্ছতা ও প্রতিক্রিয়া — এবং মূল্যায়ন তৈরি ও প্রতিক্রিয়া ছিল সবচেয়ে বেশি চিহ্নিত সুবিধা (Crompton ও Burke (2026))।

মূল্যায়নে এআই কীভাবে ব্যবহৃত হয়

• স্বয়ংক্রিয় মূল্যায়ন: এআই-ভিত্তিক মূল্যায়ন একাধিক মাধ্যমে বিস্তৃত — বহুনির্বাচনী, সংক্ষিপ্ত উত্তর, প্রবন্ধ, কোড ও কর্মদক্ষতা-ভিত্তিক মূল্যায়ন — স্বয়ংক্রিয় গ্রেডিং, স্বয়ংক্রিয় প্রবন্ধ মূল্যায়ন ও স্বয়ংক্রিয় প্রশ্ন-উৎপাদন-এর মাধ্যমে।
• Formative মূল্যায়ন: এআই ব্যবস্থা বড় মাপে formative মূল্যায়ন-আইটেম তৈরি, বৈধ ও অভিযোজিত করে, যা কেবল summative মূল্যায়ন নয়, চলমান শিক্ষাদানকেও পথ দেখায়।
• শিখন-বিশ্লেষণ ও পরিমাপ: লার্নিং অ্যানালিটিক্স ও শিক্ষামূলক পরিমাপ মূল্যায়ন-ডেটাকে শিখন-প্রক্রিয়ার সঙ্গে যুক্ত করে, কর্মদক্ষতা ব্যাখ্যায় আইটেম রেসপন্স তত্ত্ব, জ্ঞান ট্রেসিং ও শিক্ষার্থী-মডেলিং ও অভিযোজিত শিক্ষণ ব্যবহার করে। Razavi ও Powers (2026) পরিমাপ-ইনপুট হিসেবে LLM-ভিত্তিক আইটেম-কঠিনতা অনুমান প্রদর্শন করেন: Rasch IRT মডেলে ক্রমাঙ্কিত 5,170টি K-5 গণিত ও পঠন আইটেম জুড়ে GPT-4o-র শূন্য-শট রেটিং প্রকৃত কঠিনতার সঙ্গে মাঝারি-থেকে-শক্তিশালী সম্পর্ক দেখিয়েছে (r = 0.83 গণিত, r = 0.81 পঠন) কিন্তু গ্রেড অনুযায়ী ভেরিয়েবল হয়েছে, অথচ একটি বৈশিষ্ট্য-ভিত্তিক পন্থা (LLM-নিষ্কাশিত বৈশিষ্ট্য ট্রি-ভিত্তিক মডেলে) r = 0.87 পর্যন্ত সম্পর্কে পৌঁছেছে। গবেষণাটি পরীক্ষণ-পেশাজীবীদের জন্য একটি ব্যবহারিক সাত-ধাপের কর্মপ্রবাহ দেয়, এবং সতর্ক করে যে K-5 গণিত ও পঠনের বাইরে সাধারণীকরণযোগ্যতা অস্পষ্ট।
• প্রতিক্রিয়া-চক্র: এআই মূল্যায়ন ক্রমশ প্রতিক্রিয়া-চক্রে ঢুকে মূল্যায়ন থেকে শিখন পর্যন্ত চক্রটি বন্ধ করে।
• ই-পোর্টফোলিও মূল্যায়ন: ই-পোর্টফোলিও সময়ের সঙ্গে শিক্ষার্থীর কাজ ও প্রতিফলন জমিয়ে একটি প্রক্রিয়া-ভিত্তিক, এআই-সহনশীল মূল্যায়ন-রূপ তৈরি করে। জেনারেটিভ এআই পোর্টফোলিওর প্রক্রিয়ায় সাহায্য করতে পারে — প্রতিক্রিয়া তৈরি, প্রতিফলনে স্ক্যাফোল্ডিং, এবং (যথাযথ রুব্রিক নকশাসহ) মূল্যায়নে সমর্থন — অথচ পোর্টফোলিওর যুক্তি-চিহ্ন ও খসড়ার উপর জোর এআই-বানোয়াটকে প্রতিরোধ করে। এআই-সহায়িত পোর্টফোলিও মূল্যায়ন ও EFL বলার জন্য ChatGPT + ই-পোর্টফোলিও দেখায় এআই পোর্টফোলিও-অভিজ্ঞতা ও শিক্ষার্থীর প্রতিক্রিয়া-সাক্ষরতা — দুটোই বাড়াতে পারে।
• মুক্ত-প্রান্ত গ্রেডিংয়ের নির্ভরযোগ্যতা মডেল-নির্ভর: Pecuchova, Benko ও Drlik (2025) 1,885টি মুক্ত-প্রান্ত সফটওয়্যার-প্রকৌশল উত্তর নিয়ে দুই বিশেষজ্ঞ গ্রেডারের বিপরীতে এগারোটি GenAI ও বাক্য-এমবেডিং মডেল বেঞ্চমার্ক করেছেন: কেবল GPTo1 প্রায়-নিখুঁত মিলে পৌঁছেছে (Fleiss' Kappa 0.82), অথচ রেফারেন্স-ভিত্তিক মডেল সঠিক-কিন্তু-ভিন্নভাবে-বলা উত্তরকে শাস্তি দিয়েছে। যেহেতু GPTo1-ই একমাত্র মডেল যা নজরদারি ছাড়া ব্যবহারযোগ্য বলে ধরা হয়েছে অথচ মালিকানাধীন API-ব্যয় বহন করে, লেখকেরা হাইব্রিড কৌশলের সুপারিশ করেন — উন্নত মডেলের সঙ্গে সাশ্রয়ী বিকল্প বা সম্পদ-সীমিত পরিস্থিতিতে মানব নজরদারি জোড়া দেওয়া। 42টি অভিজ্ঞতামূলক গবেষণার (2023–2025) একটি PRISMA-পথনির্দেশিত পদ্ধতিগত পর্যালোচনা পুরো গ্রেডিং-ক্ষেত্র জুড়ে এই শর্তসাপেক্ষ-নির্ভরযোগ্যতার চিত্রকে সমর্থন করে: LLM বন্ধ-প্রান্ত ও সংক্ষিপ্ত-উত্তর কাজে মানব রেটারদের সমান, কিন্তু জটিল, মুক্ত-প্রান্ত বা আত্মগত কাজে মানব বিচার পুরোপুরি প্রতিস্থাপন করতে পারে না, এবং কোনো একক গ্রেডিং-পক্ষপাত দেখা যায়নি — মডেল কখনও বেশি উদার, কখনও কঠোর, এবং প্রায়ই চরম স্কোর এড়িয়েছে (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback)। পুনরাবৃত্ত রুব্রিক-পরিমার্জন উচ্চ-ঝুঁকির চিকিৎসা প্রসঙ্গে LLM-এর মুক্ত-প্রান্ত স্কোরিংকে প্রায়-মানব নির্ভরযোগ্যতার দিকে ঠেলে দিতে পারে: Olvet প্রমুখ (2026) দেখেছেন, ত্রুটি-ধরন বিশ্লেষণে অনুষদ বারবার বিশ্লেষণী ও সমগ্রতাবাদী রুব্রিক সংশোধন করার পর GPT-4 চারটি pre-clerkship প্রশ্নের তিনটিতে অনুষদ গ্রেডারদের সঙ্গে উল্লেখযোগ্য-থেকে-প্রায়-নিখুঁত মিলে পৌঁছেছে (ওয়েটেড কাপা 0.94 পর্যন্ত), অথচ অবশিষ্ট সমগ্রতাবাদী-রুব্রিক আইটেমটি কেবল মাঝারি মিলেই থেকেছে (κw = 0.54) — যা human-in-the-loop রুব্রিক-প্রকৌশলের লাভ এবং কৃত্রিম, সমগ্রতাবাদী কাজে তার সীমা — দুটোই দেখায়।
• এআই-সমর্থিত মৌখিক ও কর্মদক্ষতা মূল্যায়ন। একটি TVET নকশা-গবেষণা মূল্যায়নকে পাঠ্য-ভারী বিন্যাস থেকে সরিয়ে LLM-সমর্থিত আন্তঃক্রিয়াশীল মৌখিক মূল্যায়নের দিকে নেয়: চার কোহর্ট জুড়ে 33 জন শিক্ষার্থীর 21 জন ভয়েস-কাজটিকে বাস্তবসম্মত রেট করেছেন এবং কেউই অস্বীকার করেননি যে রিয়েল-টাইমে বলা লিখিত পোর্টফোলিওর চেয়ে সক্ষমতা ভালো প্রতিফলিত করে, অথচ অভিন্ন প্রশ্নে শব্দসংখ্যা কোহর্টের মধ্যে পাঁচ থেকে আট গুণ পর্যন্ত ভেরিয়েবল হয়েছে এবং নয়জন শিক্ষার্থী দুই থেকে তেরো শব্দে উত্তর দিয়ে সবাই সঠিক হয়েছে। ব্যবস্থাটি Mistral 7B ও faster-whisper দিয়ে একটি ল্যাপটপে অফলাইনে চলেছে, একসঙ্গে 12 জন শিক্ষার্থীকে সেবা দিয়েছে, 90 দিন পর রেকর্ডিং মুছে দিয়েছে, এবং স্কোরিং-বিচার মূল্যায়নকারীদের হাতে রেখেছে — কর্মক্ষেত্রমুখী যোগ্যতার জন্য মানুষ-চক্রে মূল্যায়ন-নকশার একটি দৃষ্টান্ত। (Designing AI-Supported Oral Assessment in TVET)

বৈধতা ও পরিমাপের চ্যালেঞ্জ

এআই মৌলিক বৈধতার প্রশ্ন তোলে: এআই-গ্রেডকৃত মূল্যায়ন কি শিক্ষার্থীর শিখন মাপে, না এআই-প্রম্পটিং দক্ষতা? শিক্ষার্থীর এআই-ব্যবহার কি প্রথাগত মূল্যায়ন অকার্যকর করে? মূল চ্যালেঞ্জগুলোর মধ্যে রয়েছে:

• গঠন-বৈধতা: সক্ষমতা-ভিত্তিক শিক্ষার গবেষণা দেখায় জেনারেটিভ এআই কর্মদক্ষতা ও অন্তর্নিহিত সক্ষমতার মধ্যে অনুমানটি ছিঁড়ে দিয়েছে — একজন শিক্ষার্থী পেশাগত মানের কাজ জমা দিতে পারে যা সে সরঞ্জাম ছাড়া পুনরুৎপাদন করতে পারে না। এটি কোন কোন সক্ষমতা মূল্যায়িত হয় তা পুনর্ব্যাখ্যার প্রেরণা দেয়।
• মূল্যায়ন পুনঃসারিবদ্ধ করার একটি তিন-শীর্ষ কাঠামো। Koretsky প্রমুখ (2026) সর্বব্যাপী GenAI-কে প্রতারণার বদলে বৈধতা ও সক্ষমতা-সংজ্ঞার সমস্যা ধরেন, যুক্তি দিয়ে যে মূল্যায়ন-ত্রিভুজের তিনটি শীর্ষ — cognition, observation ও interpretation — একসঙ্গে পুনঃসারিবদ্ধ করতে হবে, একটির পর একটি আলাদাভাবে সংস্কার করে নয়।
• সহ-রচয়িতা ও সততা: সহ-রচয়িতা সততা বৈধতা-প্রমাণের একটি নতুন উৎস প্রস্তাব করে যা লঙ্ঘিত হয় যখন শিক্ষার্থীরা এআই-উৎপন্ন বিষয়বস্তু জমা দেয় যা তারা বোঝে না, এবং প্রতিক্রিয়া হিসেবে সংলাপমূলক "AI Vivas" অন্বেষণ করে।
• সাইকোমেট্রিক গুণমান: সাইকোমেট্রিকভাবে সচেতন এআই ও আত্মবিশ্বাস-সচেতন মূল্যায়ন এআই স্কোরিংকে নির্ভরযোগ্য, পক্ষপাতহীন ও ব্যাখ্যাযোগ্য রাখতে কাজ করে।
• এআই মূল্যায়নকারীদের মূল্যায়ন: এআই শিক্ষা মূল্যায়ন পদ্ধতি ও বেঞ্চমার্ক দেয় নির্ধারণ করতে স্বয়ংক্রিয় মূল্যায়নকারীরা সত্যিই কাজ করে কি না — নির্ভরযোগ্যতা, শিক্ষাবিজ্ঞান ও শিক্ষাদান-কৌশল ও ন্যায়বিচার-এ — কেবল শিরোনাম-নির্ভুলতা নয়।
• এআই ও সহকর্মী-গ্রেডিংয়ের গুণমান-নির্ভর নির্ভরযোগ্যতা (2026): একই প্রশিক্ষকের স্নাতক দলগত প্রকল্পে ChatGPT, সহপাঠী ও প্রশিক্ষকের গ্রেডিং তুলনা করে Usher ও Faraon (2026) দেখান প্রশিক্ষকের সঙ্গে গ্রেডিং-সামঞ্জস্য শিক্ষার্থীর কাজের গুণমানের উপর শর্তসাপেক্ষ: ChatGPT নিম্নমানের জমা সবচেয়ে বেশি ফুলিয়েছে এবং উচ্চমানের কাজে প্রশিক্ষকের সঙ্গে বেশি মিলেছে, অথচ সহপাঠীরা দুর্বল কাজে সবচেয়ে ভালো মিলেছে এবং শক্তিশালী প্রকল্প কম গ্রেড করেছে। ফলটি "নির্ভরযোগ্য বনাম অনির্ভরযোগ্য" দ্বিমিক ফ্রেমিংকে চ্যালেঞ্জ করে, শর্তসাপেক্ষ-নির্ভরযোগ্যতা মডেলের দিকে ইশারা করে যেখানে বিকল্প মূল্যায়নকারীদের কাজ ও কর্মদক্ষতার স্তরের সঙ্গে মেলানো হয়।
• মানব গ্রেডিং নিজেই মূল্য-বোঝাই (2026): Luo ও Dawson (2026) দেখান GenAI-সহায়িত কাজের মানব গ্রেডিংও একটি নিরপেক্ষ, মানদণ্ড-ভিত্তিক ক্রিয়া নয়। 33 জন বিশ্ববিদ্যালয় শিক্ষকের সঙ্গে দৃশ্যকল্প-ভিত্তিক সাক্ষাৎকার প্রকাশ করে যে গ্রেডিং-সিদ্ধান্ত চালিত হয় ব্যক্তি-কেন্দ্রিক (সততা, পরিশ্রম), সক্ষমতা-কেন্দ্রিক (স্বাধীনতা, GenAI দক্ষতা, বিষয়-দক্ষতা), সম্পর্ক-কেন্দ্রিক (বিশ্বাস) ও ন্যায়-কেন্দ্রিক (ন্যায্যতা, পরোপকার) মূল্যে — যা অ্যাসাইনমেন্টের বাইরে শিক্ষার্থী সম্পর্কে শিক্ষকের অনুমানে বিস্তৃত। গবেষণাটি মূল্যায়ন-প্রশ্নকে "GenAI-ব্যবহার কি প্রতারণা?" থেকে সরিয়ে আনে "শিক্ষকদের মূল্য-বিচার কীভাবে গ্রেড আকার দেয়, এবং সেই মূল্যগুলো কি মূল্যায়িত ফলাফলের সঙ্গে প্রাসঙ্গিক?" — বৈধতা এবং GenAI-ব্যবহার কীভাবে গ্রেডে প্রভাব ফেলবে তা নিয়ে "দ্বিমুখী স্বচ্ছতা"-কে সামনে আনে।

সততা এবং শনাক্তকরণ নিয়ে বিতর্ক

মূল্যায়নে এআই সততার আলোচনাকে তীব্র করেছে। একটি ধারা এআই-উৎপন্ন পাঠ্য শনাক্তকরণে জোর দেয়, অথচ বর্ধমান গবেষণা যুক্তি দেয় শনাক্তকরণ একটি সীমিত, পরিস্থিতি-নির্ভর সরঞ্জাম — প্রথম পছন্দের কৌশল নয়। Beyond Detection ও Responsible Assessment যুক্তি দেয় প্রামাণিকতা পুলিশি দিয়ে অস্তিত্বে আনা যায় না; তা পুনর্নকশা করতে হয়, এআই-কে ঘোষিত সহযোগী হিসেবে স্থাপন করে এবং নজরদারির বদলে প্রামাণিক, প্রক্রিয়া-ভিত্তিক মূল্যায়নকে অগ্রাধিকার দিয়ে। Walton প্রমুখ (2025) এটিকে ভিত্তি দেন GenAI-সহ মূল্যায়নের মধ্য দিয়ে শিক্ষার্থীরা আসলে কীভাবে বিচার করে তার প্রমাণে: 26 জন শিক্ষার্থীর সঙ্গে স্ক্রল-ব্যাক সাক্ষাৎকার ছয়টি বিচার-ঘটনার একটি বর্ণালি প্রকাশ করে — এআই জ্ঞান সমালোচনামূলকভাবে মূল্যায়ন ও এআইয়ের সীমা দিয়ে শেখা থেকে শুরু করে ধারণা সমালোচনাহীনভাবে গ্রহণ ও এআই-অবদানকে নিজের বলে ভুল করা পর্যন্ত। Stamatoulis প্রমুখ (2026) একটি পরিমাণগত প্রতিরূপ যোগ করেন: 157 জন শিক্ষার্থী জুড়ে GenAI কীভাবে ব্যবহৃত হয় (বোঝাপড়া সমর্থনে মূল্যায়নমূলক সংহতি বনাম নিম্ন-যাচাই শর্টকাট গ্রহণ) তা কর্মদক্ষতা পূর্বানুমান করেছে, অথচ সরল ব্যবহারের কম্পাঙ্ক কোনোটিই পূর্বানুমান করেনি — কর্মদক্ষতা বা একাডেমিক স্ব-কার্যকারিতা। একসঙ্গে এই গবেষণাগুলো মূল্যায়ন-প্রশ্নকে শিক্ষার্থীরা এআই ব্যবহার করে কি না থেকে সরিয়ে আনে তারা কীভাবে বিচার করে ও সেই ব্যবহারকে ধরন দেয় তার দিকে।

Bassett প্রমুখ (2026) আরও এগিয়ে যান, যুক্তি দিয়ে শনাক্তকরণ আদৌ ব্যবহার করা উচিত নয়: এর সম্ভাব্যতাভিত্তিক আউটপুট স্বতন্ত্রভাবে যাচাই করা যায় না কারণ বাস্তব-জগতের পাঠ্যের উৎস অজানা, এবং ডিটেক্টর স্কোর — একা বা ভাষাগত চিহ্ন, শৈলী-তুলনা, একটি LLM-এর দাবি বা শিক্ষার্থীর নীরবতা মিলিয়ে — সততা-তদন্তের প্রয়োজনীয় সম্ভাবনার ভারসাম্যের মানদণ্ড পূরণ করে না।

25টি গবেষণার একটি PRISMA পর্যালোচনা শনাক্তকরণ-বিতর্ক যে ঝুঁকি-উপাদান বাদ দেয় তা যোগ করে: ইংরেজিতে লিখতে হিমশিম খেলে অ-মাতৃভাষী ইংরেজিভাষীরা সততা ভাঙার প্রবণতা বেশি দেখিয়েছে, তাই সততা-প্রত্যাশার সঙ্গে কেবল প্রয়োগ নয়, সুনির্দিষ্ট একাডেমিক-লেখন সমর্থন জোড়া দেওয়া উচিত (Balalle ও Pannilage (2025))।

এআই-যুগে মূল্যায়ন পুনর্নকশা

জ্ঞানভিত্তির মূল্যায়ন-সাহিত্যের গঠনমূলক প্রশ্ন "শিক্ষার্থীদের এআই ব্যবহার থেকে কীভাবে বিরত রাখব?" নয়, বরং "তাদের ভবিষ্যৎ কাজের প্রতিচ্ছবি এমন প্রসঙ্গে তারা কীভাবে সুচিন্তিতভাবে এটি ব্যবহার করবে তা কীভাবে সম্ভব করব?" এটি মূল্যায়নকে নতুন করে সাজায় এই দিকে:

• প্রামাণিক ও প্রক্রিয়া-ভিত্তিক কাজ যা এআই-ব্যবহার দৃশ্যমান ও মূল্যায়িত করে। প্রামাণিক মূল্যায়ন — যোগ্য, বাস্তবসম্মত কাজে শিক্ষার্থীর কর্মদক্ষতা পরীক্ষা করা — এআইয়ের চ্যালেঞ্জের প্রধান উত্তর: যেকোনো কাজ যা একটি বৃহৎ ভাষা মডেল (এলএলএম) বিশ্বাসযোগ্যভাবে অনুকরণ করতে পারে তার বৈধতা হারায়, তাই প্রামাণিকতাকে রিয়েল-টাইম সহযোগিতা, ডিজিটাল ও সামাজিক অবদান এবং ব্যক্তিগত অর্থ-নির্মাণের চারপাশে পুনর্নকশা করতে হবে। এটি প্রামাণিক মূল্যায়নের নকশা-কাঠামো, প্রামাণিক পণ্য ও প্রমাণীকৃত প্রক্রিয়া এবং প্রক্রিয়ার সরঞ্জাম-নিরপেক্ষ মূল্যায়ন-এর সঙ্গে যুক্ত।
• বৈধতা-প্রমাণে ভিত্তি করা দায়িত্বশীল মূল্যায়ন-নকশা (Responsible Assessment in the AI Era: Key Insights from a Future-Focused Conference)
• মূল্যায়ন-লক্ষ্য থেকে উদ্ভূত কার্য-স্তরের এআই-অনুমতি: McCorkle (2025) দেখান এআই নীতির আগে যে মূল্যায়ন-নকশার কাজ লাগে — প্রকল্পের প্রতিটি কাজের তালিকা করা, কী মূল্যায়িত হচ্ছে ও কোন উদ্দেশ্যের বিপরীতে তা নির্দিষ্ট করা, এবং সেই ভিত্তিতে প্রতি কাজে এআই অনুমোদন বা নিষিদ্ধ করা (brainstorming ও ছবি-নির্বাচন অনুমোদিত; শিখন-উদ্দেশ্য রচনা ও স্লাইড-নকশা নয়)। একই সারিবদ্ধতা-অনুশীলন মূল্যায়ন যে অনুমানকে সমর্থন করে তার যাচাই হিসেবেও কাজ করে, কারণ এটি প্রশিক্ষককে সেই কর্মদক্ষতার নাম বলতে বাধ্য করে যা একটি গ্রেড নিশ্চিত করার কথা (মূল্যায়নের বৈধতা)।
• ভাষাগত মাধ্যমের বাইরে যাওয়া মূল্যায়ন: Jiang প্রমুখ (2026) দ্বিতীয় ভাষার শিক্ষকদের জন্য বহুমাধ্যমিক মূল্যায়ন-সাক্ষরতাকে সংজ্ঞায়িত করেন ভাষাগত, চাক্ষুষ, শ্রবণ, অঙ্গভঙ্গিমূলক ও স্থানিক মাধ্যম জুড়ে সাড়া আহ্বান করা কাজের জ্ঞান, মূল্য ও সক্ষমতা হিসেবে। 30 জন হংকং ইংরেজি শিক্ষকের সঙ্গে এক বছরের একটি কর্মসূচি মূল্যায়ন-কৌশলের জ্ঞান 5-এর মধ্যে 3.13 থেকে 4.15-এ (আংশিক η² = 0.571) এবং শিক্ষার্থী-সমর্থনে সক্ষমতা 3.05 থেকে 3.98-এ (0.482) বাড়িয়েছে, অথচ তিনটি মূল্য-উপক্ষেত্রই সমান থেকেছে। শিক্ষকদের নিজেদের অভিজ্ঞতা কাঠামোতে দুটি মাত্রা যোগ করেছে: প্রতিদ্বন্দ্বী পাঠ্যক্রম-অগ্রাধিকারের মুখে অনুশীলন টিকিয়ে রাখা, এবং GenAI-কে সমালোচনামূলকভাবে সচল করা (Jiang প্রমুখ (2026))।
• মূল্যায়ন-চুক্তির অংশ হিসেবে সহ-রচয়িতা ও ঘোষণা
• প্রক্রিয়া-ভিত্তিক রুব্রিক মানদণ্ড যা পণ্য নয়, মিথস্ক্রিয়া গ্রেড করে। Oviedo ও Díaz (2026) Biggs-এর 3P মডেলকে তিনটি জটিল গ্রেডিং-মাত্রা হিসেবে পড়েন — মানব কর্তাসত্তা ও সমালোচনামূলক তত্ত্বাবধান, প্রম্পট প্রকৌশল-এর সঙ্গে যুক্ত সংলাপমূলক scaffolding, এবং সততা ও স্বচ্ছতায় ভিত্তি করা জ্ঞানীয় সার্বভৌমত্ব — যুক্তি দিয়ে যে একটি সম্পন্ন ফাইল আর তথ্য বহন করে না কার যুক্তি তা তৈরি করেছে।
• সক্ষমতা হিসেবে উৎপাদন — সরঞ্জাম পরিচালনা ও পেশাগত মানের কাজ উৎপাদনে শিক্ষার্থীদের সক্ষমতা মূল্যায়ন (Knowledge, Skills, Attitudes, Production: Competency-Based Education After Generative AI)
• পণ্য নয়, মিথস্ক্রিয়া-প্রক্রিয়া মূল্যায়ন — DRIVE কাঠামো (Directive Reasoning Interaction + Visible Expertise) শিক্ষার্থীর GenAI-এর সঙ্গে সম্পৃক্ততার গুণমানকে মূল্যায়িত গঠন হিসেবে ধরে। এটি উপরিতল ভোগ ও গভীর, প্রতিফলনমূলক মিথস্ক্রিয়াকে আলাদা করে দেখে যে শিক্ষার্থীরা কৌশলগতভাবে প্রম্পট চালায় কি না (DRI) এবং বিনিময়ের মধ্য দিয়ে নিজের বিষয়-ধারণা সংহত ও বিকশিত করে কি না (VE), এবং প্রক্রিয়া-কেন্দ্রিক মানদণ্ডকে স্বনির্দেশিত শিখন ও ICAP ক্রমবিন্যাসের ধারায় জ্ঞানীয় সম্পৃক্ততার তত্ত্বে ভিত্তি করে। এটি DRIVE-কে এআই-মাধ্যমিক প্রামাণিক মূল্যায়নের উদাহরণ করে — শিক্ষার্থীরা GenAI-এর সঙ্গে কীভাবে অংশীদার হয় তা মূল্যায়নের রুব্রিক, শনাক্তকরণ-সরঞ্জাম নয়।

এই সাহিত্যের একটি প্রস্তাব বর্তমান কাঠামোর ভেতরে পুনর্নকশার বাইরে যায়। El Khoury ও Ma (2026) যুক্তি দেন অসদাচরণ প্রতিরোধ বা এআই-ব্যবহার শনাক্তকরণের চারপাশে সংগঠিত সংস্কার শিক্ষাদানগত কল্পনাকে নিয়ন্ত্রণ ও সম্মতিতে সংকুচিত করে, এবং এর বদলে joyful assessment প্রস্তাব করেন: এমন মূল্যায়ন যা নিরাপদ, আবেগিকভাবে সাড়াশীল, ক্ষমতায়নকারী এবং শিক্ষার্থীর শিক্ষার্থী-কর্তাসত্তাকে সমর্থনকারী, যেখানে নিরাপত্তাই ভারবাহী শর্ত কারণ তা ছাড়া আবেগিক সামঞ্জস্য প্রদর্শনে পরিণত হয়, ক্ষমতায়ন চাপে এবং কর্তাসত্তা ঝুঁকিতে। তাঁদের ফ্রেমিং শনাক্তকরণ-এজেন্ডাকে উল্টে দেয় — সততা শিক্ষার্থীরা যে মূল্যায়নে জড়াতে চায় তা নকশা করার পরিণতি হয়, তার শুরুর বিন্দু নয় — এবং তাঁরা প্রশিক্ষক-নির্মিত এআই এজেন্টকে (কাস্টম GPT, Gem, Copilot Studio এজেন্ট) কম-ঝুঁকির মহড়ার জায়গা হিসেবে স্থাপন করেন যেখানে শিক্ষার্থীরা বিচারের আগে অনুশীলন করে, এই দাবিসহ যে এআই প্রমাণ সংগঠিত করে আর প্রশিক্ষক তা ব্যাখ্যা করেন।

শিক্ষায় এআইয়ের জন্য তাৎপর্য

• মূল্যায়ন ও শিখন অবিচ্ছেদ্য: ভালো এআই-মূল্যায়ন যতটা মূল্যায়ন করে, ততটাই শিখনকে সমর্থন করা উচিত (formative প্রতিক্রিয়া)।

• বৈধতা পুনর্ব্যাখ্যা করতে হবে: এআই শিক্ষার্থীর কাজ তৈরি করতে পারলে মূল্যায়নকে কেবল আউটপুট নয়, প্রক্রিয়া, বিচার ও প্রামাণিক উৎপাদন মাপতে হবে।

• স্বয়ংক্রিয়করণ কঠোরভাবে মূল্যায়িত হতে হবে: স্বয়ংক্রিয় মূল্যায়নকারীর সাইকোমেট্রিক ও ন্যায্যতা মূল্যায়ন দরকার, কেবল নির্ভুলতার দাবি নয়।

• সততা শনাক্তকরণ থেকে নকশায় সরে: মূল্যায়নে এআই-এর সবচেয়ে দৃঢ় উত্তর হলো এমন কাজ নকশা করা যেখানে এআই-ব্যবহার প্রত্যাশিত, ঘোষিত ও পরীক্ষিত।

• উদ্ভাবনী অনুশীলন একসঙ্গে একাধিক সমস্যা সমাধান করতে পারে। Mesny, Roberge-Maltais ও Galy (2026) যুক্তি দেন পাঁচটি পরস্পর-শক্তিশালী অনুশীলনের একটি সেট — প্রামাণিক মূল্যায়ন, স্ব- ও সহকর্মী মূল্যায়ন, পুনর্মূল্যায়ন, মানদণ্ড-ভিত্তিক গ্রেডিং এবং ungrading — "শিখনের জন্য মূল্যায়ন" দৃষ্টান্তের সঙ্গে সারিবদ্ধ হয়ে জেনারেটিভ এআই-যুগে প্রথাগত, summative-ভারী, নিয়ম-নির্দেশিত গ্রেডিংয়ের ক্ষতি মোকাবিলা করতে পারে (অগভীর শিখন, ক্ষয়প্রাপ্ত অন্তর্প্রেরণা, চাপ ও দুশ্চিন্তা, অসমতা এবং ক্ষতিগ্রস্ত সততা)। তাঁরা দেখেন গ্রহণ ক্ষেত্র অনুযায়ী অসম — স্ব- ও সহপাঠী-মূল্যায়ন প্রাধান্য পায় অথচ গ্রেডিং-কেন্দ্রিক উদ্ভাবন প্রান্তিক থেক যায় — এবং শিক্ষকদের মূল্যায়ন ও গ্রেডিং-উদ্ভাবনে আরও সক্রিয় ও পারস্পরিকভাবে জড়াতে আহ্বান জানান, ক্রমবর্ধমান পরীক্ষা ও প্রাতিষ্ঠানিক সমর্থনের ভিত্তিতে।

• এআই-মাধ্যমিক মূল্যায়ন বৈচিত্র্যময় হচ্ছে। AIvaluate দেখায় একটি LLM-সমৃদ্ধ সংলাপমূলক এজেন্ট কর্মদক্ষতা-ভিত্তিক মূল্যায়নে শিক্ষার্থীর দুশ্চিন্তা কমিয়েছে; Pentland (2026) দেখেন অ্যাসিঙ্ক্রোনাস মৌখিক মূল্যায়ন বেশি সম্পৃক্ততা দিয়েছে এবং পেশাগতভাবে প্রাসঙ্গিক মনে হয়েছে; গ্রাফ-ভিত্তিক ITS মূল্যায়নকে পথ দেখাতে অভিযোজিত জ্ঞান-অবস্থা অনুসরণ ব্যবহার করে।

সাধারণ ভুল ধারণা

• "সততা মূলত একটি শনাক্তকরণ-সমস্যা।" 26 জন শিক্ষার্থীর স্ক্রল-ব্যাক সাক্ষাৎকার প্রকাশ করে শিক্ষার্থীরা GenAI-সহ মূল্যায়নের মধ্য দিয়ে একটি বর্ণালি বরাবর বিচার করে এগোয়, এবং 157 জন শিক্ষার্থী জুড়ে GenAI কীভাবে ব্যবহৃত হয় — বোঝাপড়া সমর্থনে মূল্যায়নমূলক সংহতি বনাম প্রতিস্থাপন — ফলাফল পূর্বানুমান করেছে। ব্যবহারের ধরন ব্যবহারের উপস্থিতির চেয়ে শিক্ষার্থীদের বেশি তীক্ষ্ণভাবে আলাদা করে।
• "অ-মাতৃভাষী ইংরেজিভাষীরাই প্রতারণার ঝুঁকি।" 25টি গবেষণার একটি PRISMA পর্যালোচনা শনাক্তকরণ-বিতর্ক যে ঝুঁকি-উপাদান বাদ দেয় তা যোগ করে: অ-মাতৃভাষীরা ভাষার দাবিতে হিমশিম খেলে সততা ভাঙার প্রবণতা বেশি দেখিয়েছে। এটি একটি ভাষা-সমর্থন সমস্যা যা সততার সমস্যা হিসেবে ভুল পড়া হচ্ছে।
• "GenAI নিষিদ্ধ করা একটি নীতি প্রশ্নটি মিটিয়ে দেয়।" শিক্ষার্থীরা নিয়ম-অনুসরণের ধরন নয়, বিচারের একটি বর্ণালি জানায়, তাই যে নিয়ম শিক্ষার্থীরা ইতিমধ্যে যে মূল্যায়নমূলক যুক্তি করছে তার সঙ্গে জড়ায় না, তা ধারাবাহিকভাবে অনুসৃত হবে না।

সংযুক্ত ধারণা

• শিক্ষার্থী — শিক্ষার্থী: শিক্ষার্থী-পক্ষীয় ধারণাগুলোর ছাতা
• শিক্ষাদানগত অংশীদারত্ব — শিক্ষাদানগত অংশীদারত্ব
• গঠনমূলক মূল্যায়ন — Formative মূল্যায়ন: বড় মাপে এআই-উৎপন্ন, বৈধকৃত, অভিযোজিত আইটেম
• স্বয়ংক্রিয় মূল্যায়ন — মূল্যায়ন-মাধ্যম জুড়ে স্বয়ংক্রিয় গ্রেডিং ও স্কোরিং
• প্রামাণিক মূল্যায়ন — প্রক্রিয়া-ভিত্তিক, এআই-সহনশীল প্রামাণিক কাজ
• মূল্যায়নের বৈধতা — জেনারেটিভ এআই-এর অধীনে মূল্যায়নের বৈধতা
• শিক্ষামূলক পরিমাপ — এআই-মূল্যায়নের অন্তর্নিহিত পরিমাপ-তত্ত্ব
• স্বয়ংক্রিয় প্রবন্ধ মূল্যায়ন — স্বয়ংক্রিয় প্রবন্ধ-স্কোরিং
• স্বয়ংক্রিয় প্রশ্ন-উৎপাদন — স্বয়ংক্রিয় প্রশ্ন-উৎপাদন
• মৌখিক মূল্যায়ন — মৌখিক মূল্যায়ন: সরাসরি ও রেকর্ডকৃত বিন্যাস যা এআই-প্রতিস্থাপন প্রতিরোধ করে
• সমষ্টিগত মূল্যায়ন — Summative মূল্যায়ন: এআই-প্রতিরোধী বিন্যাস (মৌখিক, প্রাধান্যযুক্ত, বন্ধ-বই পরীক্ষা)
• আইটেম রেসপন্স তত্ত্ব — এআই-যুগের মূল্যায়ন-সাড়া ব্যাখ্যায় IRT
• সাইকোমেট্রিকভাবে সচেতন এআই — সাইকোমেট্রিকভাবে সচেতন এআই স্কোরিং
• লার্নিং অ্যানালিটিক্স — মূল্যায়ন-ডেটাকে শিখনের সঙ্গে যুক্ত করা বিশ্লেষণ
• প্রতিক্রিয়া — মূল্যায়ন-থেকে-শিখন চক্র বন্ধ করা প্রতিক্রিয়া-চক্র
• প্রতিক্রিয়া-সাক্ষরতা — শিক্ষার্থীর প্রতিক্রিয়া-সাক্ষরতা
• একাডেমিক সততা — সততা এবং এআই-শনাক্তকরণ নিয়ে বিতর্ক
• এআই শনাক্তকরণ — এআই-উৎপন্ন পাঠ্য শনাক্তকরণ
• এআই শিক্ষা মূল্যায়ন — স্বয়ংক্রিয় মূল্যায়নকারী মূল্যায়নের পদ্ধতি ও বেঞ্চমার্ক
• ই-পোর্টফোলিও — প্রক্রিয়া-ভিত্তিক ই-পোর্টফোলিও মূল্যায়ন
• কণ্ঠ ও স্বর প্রযুক্তি
• সহকর্মী মূল্যায়ন

সংযুক্ত নিবন্ধ

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — এক বছরের একটি কর্মসূচি যা বহুমাধ্যমিক মূল্যায়ন-সাক্ষরতা সংজ্ঞায়িত করে এবং কী বদলেছে, কী বদলায়নি তা মাপে
• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — এআই এজেন্ট, আনন্দময় মূল্যায়ন ও তৃতীয় স্থান
• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — কী মূল্যায়িত হয় তা থেকে উদ্ভূত কার্য-স্তরের এআই-অনুমতি (McCorkle 2025)
• Who grades best? Comparing ChatGPT, peer, and instructor evaluations across varying levels of student project quality — প্রকল্প-গুণমানের স্তর জুড়ে ChatGPT, সহপাঠী ও প্রশিক্ষকের গ্রেডিং তুলনা (Usher ও Faraon 2026)
• Responsible Assessment in the AI Era: Key Insights from a Future-Focused Conference — এআই-যুগে দায়িত্বশীল মূল্যায়ন
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — শনাক্তকরণের বাইরে: প্রামাণিক মূল্যায়ন
• Coauthorship integrity: Reconceptualising assessment validity for the age of generative artificial intelligence — সহ-রচয়িতা সততা ও মূল্যায়ন-বৈধতা
• Knowledge, Skills, Attitudes, Production: Competency-Based Education After Generative AI — জেনারেটিভ এআই-এর পরে সক্ষমতা-ভিত্তিক শিক্ষা
• Generative AI as a Design Variable: An Evidence-Centered Framework for Principled Governance in STEM Assessment — মূল্যায়নে জেনারেটিভ এআইয়ের প্রমাণ-কেন্দ্রিক শাসন
• Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity — এআই সততা-পর্যালোচনা: শনাক্তকরণের সঙ্গে মূল্যায়ন পুনর্নকশা লাগবে
• Heads We Win, Tails You Lose: AI Detectors in Education — Heads we win, tails you lose: শিক্ষায় এআই ডিটেক্টর (Bassett প্রমুখ 2026)
• Exploring student anxiety and experience in performance-based assessments using AIvaluate: an LLM-augmented emotionally — AIvaluate: শিক্ষার্থীর দুশ্চিন্তার LLM-সমৃদ্ধ মূল্যায়ন (2026)
• Intelligent tutoring in dynamic domains: a graph-based system for comparative analysis of adaptive algorithms — গতিশীল ক্ষেত্রের জন্য গ্রাফ-ভিত্তিক বুদ্ধিমান টিউটরিং (2026)
• Asynchronous Oral Assessments: Enhancing Integrity, Engagement, and Communication in the AI Era — এআই-যুগে অ্যাসিঙ্ক্রোনাস মৌখিক মূল্যায়ন (Pentland 2026)
• Assessing students' DRIVE: A framework to evaluate learning through interactions with generative AI — DRIVE: GenAI মিথস্ক্রিয়ার মাধ্যমে শিখন মূল্যায়ন (DRI + Visible Expertise)
• How university students work on assessment tasks with generative AI: matters of judgement — মূল্যায়ন-কাজে GenAI-সহ শিক্ষার্থীদের কাজে বিচার (26 শিক্ষার্থী, স্ক্রল-ব্যাক)
• Same tool, different work: patterns of generative AI use and academic outcomes — GenAI-ব্যবহারের ধরন (মূল্যায়নমূলক সংহতি বনাম নিম্ন-যাচাই গ্রহণ) ও ফলাফল
• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — GenAI-সহায়িত কাজ গ্রেডে মূল্য-বিচার: সততা, বিশ্বাস, বৈধতা ও দ্বিমুখী স্বচ্ছতা (Luo ও Dawson 2026)
• Estimating Item Difficulty Using Large Language Models and Tree-Based Machine Learning Algorithms — LLM ও ট্রি-ভিত্তিক ML ব্যবহার করে আইটেম-কঠিনতা অনুমান
• Automated Grading of Open-Ended Questions in Higher Education Using GenAI Models
• Innovative assessment and grading practices in higher education: A critical exploration for management educators
• Can Generative Artificial Intelligence Reliably Score Open-Ended Question Assessments in Undergraduate Medical Education?
• Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback
• AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI — এআই তোমার হোমওয়ার্ক করতে পারে। এখন কী? জেনারেটিভ এআই-যুগে কম্পিউটিং মূল্যায়ন নিয়ে একটি অনলাইন কর্মশালার প্রতিবেদন
• The shifting landscape of assessment in STEM education in the age of generative AI — মূল্যায়ন পুনঃসারিবদ্ধ করার একটি তিন-শীর্ষ কাঠামো
• Rubrics and Generative AI: Towards Process-Based Assessment — রুব্রিক মানদণ্ড যা পণ্য নয়, মিথস্ক্রিয়া গ্রেড করে