স্বয়ংক্রিয় মূল্যায়ন

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

স্বয়ংক্রিয় মূল্যায়ন — শিক্ষার্থীর কাজ মূল্যায়নে এআই-এর ব্যবহার, গঠনমূলক কুইজ থেকে উচ্চ-ঝুঁকির পরীক্ষা পর্যন্ত। স্বয়ংক্রিয় মূল্যায়ন একাধিক ধরন জুড়ে বিস্তৃত — বহুনির্বাচনী, সংক্ষিপ্ত উত্তর, প্রবন্ধ, কোড এবং কর্মদক্ষতা-ভিত্তিক মূল্যায়ন — আর এটি সরাসরি স্বয়ংক্রিয় গ্রেডিং থেকে শুরু করে এমন ব্যবস্থা পর্যন্ত পৌঁছায় যা নিজের স্কোরের পাশাপাশি ক্রমাঙ্কিত অনিশ্চয়তাও জানিয়ে দেয়।

বিবেচনার প্রশ্ন

• স্বয়ংক্রিয় মূল্যায়ন বহুনির্বাচনী স্কোরিং থেকে প্রবন্ধ, কোড ও কর্মদক্ষতা-ভিত্তিক মূল্যায়ন পর্যন্ত ছড়িয়ে আছে। একটি বহুনির্বাচনী কুইজ আর একটি মুক্তধারার প্রবন্ধ — এ দুটিতে এআই কতটা নির্ভরযোগ্যভাবে গ্রেড করতে পারে, তার মধ্যে সবচেয়ে বড় পার্থক্য আপনি কী আশা করবেন, এবং কেন?
• এখানকার একটি মূল নকশা-ধারণা হলো 'আত্মবিশ্বাস-সচেতনতা': এমন এআই গ্রেডার, যারা জানায় নিজেরাই কতটা নিশ্চিত, এবং একটি নির্বিশেষ স্কোর দেওয়ার বদলে কম-আত্মবিশ্বাসের ঘটনাগুলো মানুষ্য পর্যালোচনার জন্য চিহ্নিত করে। 'আমি এতে ৭০% নিশ্চিত' — এমন একটি গ্রেড কীভাবে বদলে দিত, আপনি একটি স্বয়ংক্রিয় স্কোরকে কীভাবে ব্যবহার করবেন বা কতটা বিশ্বাস করবেন?
• গবেষণা দেখায়, স্বয়ংক্রিয় স্কোরিং পদ্ধতিগতভাবে অ-মাতৃভাষী শিক্ষার্থীদের সুবিধাবঞ্চিত করতে পারে — এআই ভাষাকে স্কোর করে, বোঝাপড়াকে নয়। সামগ্রিকভাবে মানব রেটারদের সঙ্গে উচ্চ মিল থাকা সত্ত্বেও একটি স্বয়ংক্রিয় গ্রেডার কেন বিশেষভাবে এ ধরনের অন্যায়ের প্রতি প্রবণ হতে পারে?
• একটি গবেষণায় দেখা গেছে, যাচাই কীভাবে করা হয় তা প্রতিবেদিত কর্মক্ষমতাকে ফুলিয়ে তুলতে পারে: একটি সরল ক্রস-ভ্যালিডেশন পদ্ধতি প্রায় নিখুঁত ফলাফল দেখিয়েছিল, যা আরও কঠোর, ট্রায়াল-নিরপেক্ষ যাচাইয়ের অধীনে নাটকীয়ভাবে নেমে আসে। এই সতর্কবাণীমূলক শিক্ষা থেকে বোঝা যায়, 'কাজ করে' — এমন যেকোনো দাবি আপনার কীভাবে পড়া উচিত?
• পৃষ্ঠাটি যুক্তি দেয়, ক্রমাঙ্কিত আত্মবিশ্বাস হিউম্যান-ইন-দ্য-লুপ কর্মপ্রবাহ সক্ষম করে, আস্থার ক্রমাঙ্কনে সহায়তা করে এবং পরিমাপের বৈধতা মজবুত করে। যদি একটি স্বয়ংক্রিয় ব্যবস্থা তার সবচেয়ে অনিশ্চিত ঘটনাগুলো কোনো মানব পর্যালোচকের কাছে পাঠায়, তবে সেই বিভাজনকে বিশ্বাস করার আগে ঘটনাগুলো কীভাবে বাছা হয় সে সম্পর্কে আপনি কী জানতে চাইবেন?
• স্বয়ংক্রিয় গ্রেডিংকে এআইইডি-র সবচেয়ে পরিণত প্রয়োগগুলোর একটি বলা হয়, তবুও কাজের উপযোগী প্রতিক্রিয়া ছাড়া গ্রেডিংয়ের শিক্ষামূলক মূল্য সীমিত। কেবল স্কোর তৈরি করার দিকে মনোযোগ — ব্যবহারযোগ্য প্রতিক্রিয়ার বদলে — এআই-গ্রেডেড মূল্যায়ন থেকে শিক্ষার্থীরা আসলে যা পায় তা কীভাবে বদলে দিতে পারে?

ভূমিকা

মূল্যায়নের ধরন

• সংক্ষিপ্ত উত্তর ও প্রবন্ধ: স্বয়ংক্রিয় গ্রেডিং, স্বয়ংক্রিয় প্রবন্ধ মূল্যায়ন, এবং আত্মবিশ্বাস-সচেতন পদ্ধতি মুক্ত-পাঠ্য মূল্যায়ন সামলায়।
• কোড মূল্যায়ন: ব্যাশ গ্রেডিং এবং কোড পর্যালোচনা প্রোগ্রামিং মূল্যায়ন প্রদর্শন করে।
• গঠনমূলক মূল্যায়ন: এ-লেভেল বিজ্ঞান স্বয়ংক্রিয়করণ এবং CoTAL সমন্বিত ব্যবহারের বদলে গঠনমূলক ব্যবহারে মনোযোগ দেয়।
• বড় মাপে এআই-উৎপন্ন মূল্যায়ন: Assessing AI-Generated Exams দেখায়, পুনরাবৃত্তিমূলক পরিমার্জিত ও কোর্স-উপযোগী এআই-উৎপন্ন পরীক্ষা IRT-পরিমাপিত গুণমানে বিশেষজ্ঞ-লিখিত আদর্শ পরীক্ষার প্রশ্নের সমান পৌঁছায় (কাঠিন্য β̄ = −0.45 বনাম 0.35; বিভেদকতা ᾱ = 1.3 বনাম 1.2) — ৯১টি কলেজ ক্লাস জুড়ে; এটি প্রমাণ যে স্বয়ংক্রিয় মূল্যায়ন স্কোরিং থেকে সম্পূর্ণ আইটেম তৈরি পর্যন্ত এগোতে পারে।
• কর্মদক্ষতা মূল্যায়ন: ভিডিও সম্পৃক্ততা মূল্যায়ন এবং অঙ্কন মূল্যায়ন স্বয়ংক্রিয়করণকে পাঠ্যের বাইরে বিস্তৃত করে।
• মাল্টিমোডাল পরীক্ষার উপাত্ত ও রুব্রিক: বিশেষজ্ঞ-নকশা করা Outcome-Based Education রুব্রিকসহ একটি মাল্টিমোডাল পরীক্ষার উত্তর-সংগ্রহ বিচিত্র উত্তর-ধরন জুড়ে মানদণ্ড-স্তরের স্বয়ংক্রিয় মূল্যায়নের জন্য একটি বেঞ্চমার্ক সম্পদ সরবরাহ করে, যা মাল্টিমোডাল শিক্ষার্থী-কাজের বেঞ্চমার্কিং ও পরিমাপ গবেষণাকে সহায়তা করে।
• স্নায়ুবৈজ্ঞানিক মূল্যায়ন: Nanayakkara ও Halloluwa (2026) ইইজি-ভিত্তিক পরিচিতি-পূর্বানুমানের (মুখ বনাম গণিতের সমীকরণ) জন্য এমএল/ডিএল মডেল বেঞ্চমার্ক করেন, যা জ্ঞানার্জনের সরাসরি, বস্তুনিষ্ঠ পরিমাপের দিকে একটি পদক্ষেপ। গুরুত্বপূর্ণভাবে, তাঁরা দেখান, প্রথাগত স্তরভিত্তিক ক্রস-ভ্যালিডেশন কালিক লিকেজের মাধ্যমে কর্মক্ষমতা ফুলিয়ে তোলে (সর্বোচ্চ 0.9853 F1), অথচ ট্রায়াল-নিরপেক্ষ Group K-Fold যাচাই শীর্ষ মানকে 0.6038 F1-এ নামিয়ে আনে — সব স্বয়ংক্রিয়-মূল্যায়ন বেঞ্চমার্কিংয়ের জন্য একটি সতর্কবাণীমূলক পদ্ধতিগত শিক্ষা।

স্বয়ংক্রিয় গ্রেডিং

স্বয়ংক্রিয় গ্রেডিং শিক্ষায় এআই-এর সবচেয়ে পরিণত ও বহুল-ব্যবহৃত প্রয়োগগুলোর একটি — এআই ব্যবস্থা যা শিক্ষার্থীর কাজ মূল্যায়ন করে, বহুনির্বাচনী স্কোরিং থেকে প্রবন্ধ মূল্যায়ন ও কোড পর্যালোচনা পর্যন্ত। এর গ্রেডিং ধরনগুলোর মধ্যে রয়েছে:

• শিক্ষার্থীরা প্রতিক্রিয়ার উপযোগিতা থেকে মূল্যায়ন-কর্তৃত্ব আলাদা করে: AlGhamdi (2026) এমন একটি ঘটনা নথিভুক্ত করেন যেখানে একটি এআই স্কোর গ্রেডে গণ্য হয়েছিল এবং শিক্ষার্থীরা তা জানত — ১৩ জন কম্পিউটিং শিক্ষার্থী, যাদের স্ক্যান করা হাতে-লেখা কাজ ChatGPT স্পষ্টতা, সংগঠন, বাক্য-শুদ্ধতা ও সংক্ষিপ্ততা জুড়ে একটি রুব্রিকের বিপরীতে মূল্যায়ন করেছিল। প্রত্যেক অংশগ্রহণকারী প্রতিক্রিয়াটিকে উপযোগী মনে করেছেন, তবুও সবাই সেই উপযোগিতাকে কর্তৃত্ব থেকে আলাদা করেছেন, এবং কয়েকজন স্বয়ংক্রিয় গ্রেডিংয়ের একমুখী, সংলাপহীন চরিত্র প্রত্যাখ্যান করেছেন — "ChatGPT মানুষের মতো নয়। আপনি তাদের সঙ্গে কথা বলেন, কারণ বোঝান... আমার কাজ [যে] একজন সাধারণ শিক্ষক গ্রেড করবেন, সেটাই আমি চাই।" গবেষণাটি স্বয়ংক্রিয় মূল্যায়নকে উপরিতলের সংশোধনের জন্য গ্রহণযোগ্য কিন্তু চূড়ান্ত মূল্যায়নকারী হিসেবে নয় — এমনভাবে স্থাপন করে, যেখানে শর্তসাপেক্ষ আস্থা প্রশিক্ষকের তদারকির মাধ্যমে মধ্যস্থতা হয়।
• সংক্ষিপ্ত উত্তর গ্রেডিং: আত্মবিশ্বাস-সচেতন ASAG মুক্ত-পাঠ্য উত্তর মূল্যায়ন করে, যেখানে আত্মবিশ্বাসের ক্রমাঙ্কন অত্যন্ত গুরুত্বপূর্ণ — ব্যবস্থাকে জানতে হয় কখন গ্রেডিং নির্ভরযোগ্য। বিজ্ঞানে সংক্ষিপ্ত উত্তর স্বয়ংক্রিয়-মার্কিংয়ের (২০১৭-২০২৪-এর শুরু) একটি স্কোপিং পর্যালোচনা ক্ষেত্রটির ইতিহাস নথিভুক্ত করে: Morley প্রমুখ দেখেন, BERT-পরিবারের মডেল (base, RoBERTa, DistilBERT, SciBERT) প্রাধান্য পেয়েছে — ২১টি গবেষণার ২০টিতে ব্যবহৃত, ২০২১-এ শীর্ষে — এবং প্রায় ২০২২ থেকে GPT-ভিত্তিক পদ্ধতি ফাইন-টিউনিংয়ের বদলে প্রম্পট ইঞ্জিনিয়ারিংয়ের মাধ্যমে গৃহীত হতে থাকে। ডোমেইন-উপাত্ত (পাঠ্যবই, রুব্রিক, আরও প্রি-ট্রেনিং) দিয়ে সমৃদ্ধ মডেলগুলো ধারাবাহিকভাবে অন্যগুলোর চেয়ে ভালো করেছে, তবুও কয়েকটি নম্বরকে মানব-বোধগম্য ভাষায় যুক্তি দিতে পেরেছে এবং জনসংখ্যাগত ও ভাষাগত গোষ্ঠীজুড়ে পক্ষপাত কমই পরীক্ষিত হয়েছে — ফলে লেখকরা যুক্তি দেন, স্বয়ংক্রিয়-মার্কারদের মানব পরীক্ষকদের প্রতিস্থাপন নয়, সহায়তা করা উচিত। ৪২টি পরীক্ষামূলক গ্রেডিং ও প্রতিক্রিয়া গবেষণার (২০২৩-২০২৫) PRISMA-নির্দেশিত পদ্ধতিগত পর্যালোচনা এই সতর্কতা ক্ষেত্রজুড়ে সাধারণীকৃত করে: এলএলএম বদ্ধ-প্রান্তিক কাজ ও সংক্ষিপ্ত উত্তর প্রশ্নে মানব রেটারদের সমান, কিন্তু জটিল, মুক্ত-প্রান্তিক বা ব্যক্তিনিষ্ঠ কাজে — যেখানে গভীর বিশ্লেষণ বা সৃজনশীলতা প্রয়োজন — মানব বিচার সম্পূর্ণ প্রতিস্থাপন করতে পারে না, এবং সর্বোচ্চ গ্রেডিং-কার্যকারিতা অর্জিত হয় হাইব্রিড ব্যবস্থায়, যেখানে এআই-চালিত গ্রেডিংয়ের সঙ্গে শিক্ষকের তদারকি ও যাচাই মিলিত হয় (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback)।
• প্রবন্ধ স্কোরিং: স্বয়ংক্রিয় প্রবন্ধ মূল্যায়ন-এর মতো ব্যবস্থা, যেমন অ্যাঙ্কর-ভিত্তিক AES, মানব-স্তরের নির্ভরযোগ্যতার কাছে পৌঁছাতে প্রম্পটিং কৌশল ব্যবহার করে। RACES, একটি reward-aligned প্রবন্ধ স্কোরার, ASAP 2.0-এ মূল্যায়িত প্রি-ট্রেইনড ও ফাইন-টিউনড বেসলাইনের চেয়ে উচ্চতর Quadratic Weighted Kappa ও SimCSE সাদৃশ্য রিপোর্ট করেছে, তবে তা তাৎপর্য-পরীক্ষা ছাড়াই, এবং এর reward-modeling প্রতিক্রিয়া ছিল এলএলএম-উৎপন্ন প্রক্সি, ফলে কেবল রেফারেন্স স্কোরগুলোই ছিল মানুষ-নির্ধারিত (Li প্রমুখ (2026))। AIAWE স্বয়ংক্রিয় মূল্যায়নকে বিস্তৃত লেখা-মূল্যায়নে প্রসারিত করে।
• কোড পর্যালোচনা: লিনাক্স ব্যাশ গ্রেডিং এবং CS1 কোড পর্যালোচনা কম্পিউটিং শিক্ষায় স্বয়ংক্রিয় মূল্যায়ন প্রদর্শন করে।
• একটি প্রম্পট-ব্যক্তিত্ব গ্রেডারকে ভেঙে দিতে পারে, আর ফাইন-টিউনিং তা মেরামত করতে পারে: Habibullah প্রমুখ (2026) একটি ব্যবহারিক কম্পিউটার-ভিশন পরীক্ষা (৫৭০ জন দ্বৈত-গ্রেডেড শিক্ষার্থী) ১৭১টি কনফিগারেশনে এবং আরেকটি মেশিন লার্নিং পরীক্ষা (১,০৩৮ জন শিক্ষার্থী) আরও ১৬২টিতে গ্রেড করেন। একটি সংক্ষিপ্ত "কঠোর গ্রেডার" প্রস্তাবনা ১৭টি ওপেন-ওয়েট মডেলের ১৪টিকে গ্রেড-ব্যান্ডের বাইরে ঠেলে দেয় (MAE ≥ 8), তিনটি গ্রেডিং সম্পূর্ণ বন্ধ করে; ক্ষতিটি টোন বা মডেল-আকারে নয়, বরং নম্বর আটকে রাখা দুটি বাক্যে নিহিত ছিল, আর এর দিক ছিল পরীক্ষা-নির্দিষ্ট — দ্বিতীয় পরীক্ষায় সাতটি মডেলের উন্নতি ঘটায়। প্রায় ৩,৯০০টি সংযুক্ত গ্রেডেড উদাহরণে হালকা LoRA ফাইন-টিউনিং পাঁচটি ছোট ওপেন মডেলকে মানব গ্রেডারের সমান বা তার চেয়ে ভালো করে তোলে, ফলে দুর্বলতাটি সক্ষমতার সীমা নয়, বরং একটি প্রম্পটিং-জনিত কৃত্রিমতা।
• গঠনমূলক সংযুক্তি: এ-লেভেল বিজ্ঞান স্বয়ংক্রিয়করণ এবং CoTAL দেখায়, কীভাবে স্বয়ংক্রিয় গ্রেডিং গঠনমূলক মূল্যায়ন চক্রে ঢুকে পড়ে।
• প্রতিক্রিয়ার ধরনগুলো কভার করা মানে শিক্ষকদের সঙ্গে সঙ্গতি নয়। Almousa প্রমুখ (2026) তিনটি বিশ্ববিদ্যালয় লেখালেখি কোর্সের অনুচ্ছেদ-স্তরের প্রতিক্রিয়া সাতটি ফোকাস-ধরনে চিহ্নিত করেন; বেশিরভাগ মডেল প্রায় প্রতিটি ধরনই নির্গত করে, তবুও তাদের বিতরণ শিক্ষকের রেফারেন্স থেকে বিচ্যুত — শিক্ষামূলকভাবে টিউন করা LearnLM সবচেয়ে নিকটে (Jensen–Shannon বিচ্যুতি 0.1344) এবং Mistral-7B সবচেয়ে দূরে (0.2695)। শ্রেণি-সংজ্ঞা বা কৃত উদাহরণ দিয়ে প্রম্পটিং বেশিরভাগ মডেলের বিচ্যুতি বাড়িয়ে দেয়।
• পক্ষপাত ও ন্যায্যতা: পদার্থবিজ্ঞান স্কোরিংয়ে ভাষা-পক্ষপাত নথিভুক্ত করে, কীভাবে স্বয়ংক্রিয় গ্রেডিং অ-মাতৃভাষীদের সুবিধাবঞ্চিত করতে পারে — যা পক্ষপাত প্রশমন ও ন্যায়বিচার-এর সঙ্গে যুক্ত।
• মুক্ত-প্রান্তিক গ্রেডিংয়ের জন্য GenAI মডেল বেঞ্চমার্কিং: Pecuchova, Benko ও Drlik (2025) সফটওয়্যার-ইঞ্জিনিয়ারিংয়ের ২৪টি প্রশ্নের ১,৮৮৫টি মুক্ত-প্রান্তিক উত্তরে এগারোটি GenAI ও বাক্য-এমবেডিং মডেলকে দুই বিশেষজ্ঞ মানব গ্রেডারের বিপরীতে বেঞ্চমার্ক করেন। কেবল GPTo1 প্রায়-নিখুঁত মিলে পৌঁছায় (Fleiss' Kappa 0.82, গ্রেড-শ্রেণিজুড়ে কম মিথ্যা-ধনাত্মক ও মিথ্যা-ঋণাত্মক), Claude3 ও PaLM2 কিছুটা পিছনে; প্রসঙ্গ-সংবেদনশীল GenAI মডেল ছোট, বৈচিত্র্যপূর্ণ ভাষায় লেখা শিক্ষার্থী-উত্তর দৃঢ়ভাবে সামলেছে, অথচ রেফারেন্স-ভিত্তিক এমবেডিং মডেল (যেমন BERT-এর ৩৪৫টি মিথ্যা-ধনাত্মক) পদ্ধতিগতভাবে সঠিক কিন্তু ভিন্ন ভাষায় লেখা উত্তরকে শাস্তি দিয়েছে — প্রমাণ যে মুক্ত-পাঠ্য মুক্ত-প্রান্তিক মূল্যায়নে নির্ভরযোগ্যতা কেবল গ্রেডিং-বিন্যাস নয়, মডেল-নির্বাচনও নির্ধারণ করে।
• প্রম্পট-উদাহরণ স্কোরিং-মিল নির্ধারণ করে: Takahashi প্রমুখ (2026) ক্রমিক-স্তরের ডায়াগনস্টিক যুক্তি (HDR) স্বয়ংক্রিয় করেন — একটি প্রয়োগ-দক্ষতার কাজ, যেখানে শিক্ষার্থীরা একটি সংক্ষিপ্ত কেসে সচেতনভাবে সন্নিবেশিত ত্রুটি খুঁজে বের করে ব্যাখ্যা করে। ফাইন-টিউনিং ছাড়া GPT-4o ব্যবহার করে দলটি নতুন সমস্যা তৈরি ও শিক্ষার্থীদের বর্ণনা স্কোর করে: উৎপন্ন ও মানুষ-লিখিত সমস্যার অভ্যন্তরীণ সামঞ্জস্য একই (Cronbach's α = 0.78) এবং ১০০ অংশগ্রহণকারীজুড়ে স্কোর-বিতরণে উল্লেখযোগ্য পার্থক্য নেই, আর বিন্যাসটির একটি পাঠ-বোধ-নিয়ন্ত্রণের সঙ্গে সম্পর্ক নিম্নই থাকে (α = 0.36 ও 0.41)। স্কোরিং-নির্ভুলতা মডেলের বদলে প্রম্পটের উপর নির্ভর করেছে — কৃত উদাহরণ ছাড়া Q2-এর নির্ভুলতা 0.42-এ নেমে যায়, অথচ মানুষ-স্কোর করা সঠিক ও ভুল উদাহরণ যোগ করলে প্রতিটি প্রশ্নে মিল ৯৮% বা তার বেশি হয় (Q1 ও Q2-তে ১০০%) — যার বিপরীতে ১১৭টি উত্তরের জন্য বিশেষজ্ঞ স্কোরিংয়ে ১৩৮ মিনিট ও সমঝোতায় ৩০ মিনিটের পরিমাপিত মানব-ব্যয় ছিল।

একটি মডেলের নিজস্ব যুক্তি-মোড দ্বিতীয় একটি কনফিগারেশন-লিভার: ৩২টি বেনামী জনস্বাস্থ্য স্নাতকোত্তর পরীক্ষার জমা দেওয়া খাতায় একই ChatGPT দ্রুত মোডে weighted kappa 0.269 থেকে থিংকিং মোডে 0.718-এ পৌঁছায়, অথচ Kimi পৌঁছায় 0.571-এ (Brevik প্রমুখ (2026))।

• বহু-এজেন্ট ভিত্তিতে শিক্ষকদের মুক্ত-প্রান্তিক উত্তর কোডিং, যেখানে নির্ভরযোগ্যতা মডেলের নয়, কাঠামোর হাতে: Copur-Gencturk প্রমুখ (2026) স্বয়ংক্রিয় মূল্যায়নকে শিক্ষার্থীর কাজের বাইরে শিক্ষকদের নিজেদের বিষয়বস্তু-জ্ঞান (CK) ও শিক্ষাতাত্ত্বিক বিষয়বস্তু-জ্ঞানের (PCK) কোডিং পর্যন্ত প্রসারিত করেন, এবং প্রশ্ন তোলেন — এআই কি অনুপাত ও সমানুপাতিক সম্পর্ক নিয়ে ২৬৮ জন মার্কিন মাধ্যমিক গণিত শিক্ষকের লিখিত উত্তরের প্রশিক্ষিত মানব কোডিং পুনরুৎপাদন করতে পারে? একটি উদ্দেশ্য-নির্মিত বহু-এজেন্ট এলএলএম, GradeOpt, GPT-4o-সমর্থিত তিনটি ভূমিকা বণ্টন করে — একটি Grader, যা মানব কোডিং ম্যানুয়াল প্রয়োগ করে; একটি Reflector, যা মানব-কোডের সঙ্গে প্রতিটি অমিল নির্ণয় করে; এবং একটি Refiner, যা ছয় দফা পর্যন্ত স্পষ্টীকরণ-বিন্দুগুলো ম্যানুয়ালে ফিরিয়ে ঢোকায় — এবং CK-তে প্রশিক্ষিত মানব কোডারদের সঙ্গে নিকটে মিলে যায় (κ = .88 ও .85), আর অনেক বেশি ব্যাখ্যামূলক PCK আইটেমে সামগ্রিকভাবে যথেষ্ট মিলে পৌঁছায় (κ = .68; weighted κ = .79)। দুটি NLP বেসলাইন ও একটি একক-প্রম্পট GPT-4o মডেল PCK-তে কখনোই κ = .39 বা weighted κ = .55 ছাড়ায়নি, ফলে লেখকরা নির্ভরযোগ্যতার কৃতিত্ব মডেল-আকারকে নয়, কোডিং ম্যানুয়ালের বিপরীতে নির্দেশনা পরিমার্জনকে দেন, এবং যেখানে সংলগ্ন কোডিং-স্তর ঝাপসা সেখানে বিশেষজ্ঞ পর্যালোচনার সুপারিশ করেন, কারণ GradeOpt-এর অবশিষ্ট ত্রুটি সাধারণত বিচ্ছিন্ন ভুল নয়, বরং সংলগ্ন কোড ছিল।

• মিশ্র-বিন্যাস পরীক্ষার গ্রেডিং (২০২৬): Falahat, Das, Bhaumik ও Thambi (2026) একটি ২১-আইটেম ফার্মেসি পরীক্ষার (১৬ জন শিক্ষার্থী) মানব প্রশিক্ষক-গ্রেডিংয়ের বিপরীতে ChatGPT-5 মূল্যায়ন করেন, যা বহুনির্বাচনী, select-all-that-apply, শূন্যস্থান পূরণ, তালিকা, সংক্ষিপ্ত উত্তর ও প্রবন্ধ আইটেম জুড়ে বিস্তৃত। বস্তুনিষ্ঠ আইটেম-ধরনে মিল ছিল যথেষ্ট থেকে প্রায়-নিখুঁত (CCC 0.935-1.000 — গ্রেডিংয়ের সময় সঠিক উত্তর সরবরাহের সাহায্যে), কিন্তু তালিকা (0.621-0.708), সংক্ষিপ্ত উত্তর (≈ শূন্য থেকে ঋণাত্মক) ও প্রবন্ধ (0.341-0.854) আইটেমে তা ভেঙে পড়ে; একটি কাঠামোবদ্ধ রুব্রিক দেওয়া সম্পূর্ণ-পরীক্ষার মিল ধারাবাহিকভাবে উন্নত করেনি (রুব্রিক ছাড়া ৭১.১% বনাম রুব্রিকসহ ৬৮.২%)। গবেষণাটি একটি পদ্ধতিগত বিন্দুকে ধারালো করে, যা স্বয়ংক্রিয় মূল্যায়নে বারবার ফিরে আসে — মাঝারি শতাংশ-নির্ভুলতা প্রায়ই নিম্ন সঙ্গতির সঙ্গে সহাবস্থান করে — তাই কেবল নির্ভুলতা নির্ভরযোগ্যতাকে অতিরঞ্জিত করে, এবং এটি জটিল, ব্যক্তিনিষ্ঠ বা উচ্চ-ঝুঁকির আইটেমে হাইব্রিড গ্রেডিংয়ের সুপারিশ করে।

• প্রামাণিক মার্কড প্রবন্ধে আন্তঃ-পরিবার গ্রেড-ব্যান্ড ক্রমাঙ্কন (২০২৬): Kerwat, Donaldson ও Mahomed (2026) চারটি মডেল-পরিবার থেকে (GPT-OSS 20B, GPT-OSS 120B, Qwen 32B ও Llama 3.1 8B, প্রতিটি দুটি তাপমাত্রায়) আটটি পূর্ব-নির্ধারিত কনফিগারেশন চালান একই লকড কোহর্টের ১১৪টি BAWE/Coventry প্রবন্ধে, যেগুলোয় প্রাতিষ্ঠানিক Merit ও Distinction লেবেল ছিল, এবং একটি অভিন্ন প্রম্পট ব্যবহার করেন যা চারটি ব্যান্ডের অনুমতি দেয়। সঠিক ব্যান্ড-মিল ১৮.৪% থেকে ৫৪.৪% পর্যন্ত ছিল: Llama 3.1 8B তাপমাত্রা 0.5-এ শীর্ষে (৫৪.৪% সঠিক, ৯৮.২% এক ব্যান্ডের মধ্যে, MAE 0.474, প্রায়-শূন্য পক্ষপাত), অথচ GPT-OSS 120B ছিল দুর্বলতম (১৮.৪%) এবং পদ্ধতিগতভাবে কম গ্রেড দিয়েছে, তাপমাত্রা 0.5-এ গড়ে ১.৩১৬ ব্যান্ড, এবং সর্বত্রই Distinction-নির্ভুলতা Merit-নির্ভুলতার পিছনে ছিল। লকড কোহর্টে কোনো Pass বা Fail রেফারেন্স ছিল না, তাই এটি সম্পূর্ণ গ্রেড-পরিসর জুড়ে নির্ভরযোগ্যতা নয়, বরং Merit–Distinction বিভেদ; এবং তাপমাত্রা কোনো প্রতিকার ছিল না — এটি এক পরিবারকে বর্ণনামূলকভাবে সাহায্য করেছে, আরেকটিকে অপরিবর্তিত রেখেছে, এবং GPT-OSS 20B-কে উল্লেখযোগ্যভাবে খারাপ করেছে (সঠিক ৩৯.৫% থেকে ২৯.৮%)। গবেষণার বাইরেও দুটি শিক্ষা প্রযোজ্য: গ্রেড-দূরত্ব ও দিকনির্দেশক পক্ষপাত প্রকাশ করে যা মিল-পরিসংখ্যান লুকায়, এবং মডেল-আকার মূল্যায়নের বৈধতার কোনো প্রক্সি নয়।

• চিকিৎসাশিক্ষায় মুক্ত-প্রান্তিক স্কোরিংয়ের জন্য রুব্রিক ইঞ্জিনিয়ারিং: Olvet প্রমুখ (২০২৬) প্রশ্ন করেন, GPT-4 কি প্রি-ক্লার্কশিপ চিকিৎসা পরীক্ষায় মুক্ত-প্রান্তিক প্রশ্ন নির্ভরযোগ্যভাবে স্কোর করতে পারে। দুই মার্কিন স্কুলে মানব-চালিত রুব্রিক পরিমার্জনের তিন দফার পর, প্রশিক্ষকদের সঙ্গে আন্তঃ-রেটার নির্ভরযোগ্যতা চারটি প্রশ্নের তিনটিতে বিশ্লেষণমূলক ও সামগ্রিক রুব্রিক ব্যবহার করে যথেষ্ট থেকে প্রায়-নিখুঁত মিলে পৌঁছায় (weighted kappa সর্বোচ্চ 0.94), অথচ সামগ্রিক-রুব্রিক আইটেমটি মাঝারি স্তরে আটকে থাকে (κw = 0.54)। ত্রুটি-ধরন বিশ্লেষণ দেখায়, অমিলগুলো দুই রেটারেরই ছিল — শিক্ষার্থীরা একাধিক উত্তর দিলে বা রুব্রিকে-অনুপস্থিত শব্দ ব্যবহার করলে GPT-4 বেশি স্কোর দিয়েছে, অথচ প্রশিক্ষকরা প্রায়ই "অত্যধিক উদার" গ্রেডার ছিলেন — ফলে লেখকরা মানুষকে লুপে রাখার সুপারিশ করেন (যেমন, নির্ভুলতা নিশ্চিত করতে প্রশিক্ষকরা একটি উপসেট স্কোর করবেন)। যেহেতু প্রায় ৮২% মার্কিন মেডিকেল স্কুল প্রি-ক্লার্কশিপ কাজ পাস/ফেল হিসেবে গ্রেড করে, তাই পরিচালনামূলক ব্যবহারে সঠিক এআই-স্কোর মিল প্রায়ই অপ্রয়োজনীয়।

• বড় মাপের জাতীয় লেখা-মূল্যায়নে HITL স্কোরিং (২০২৬): Curi প্রমুখ (২০২৬) প্রম্পট-ভিত্তিক বৃহৎ ভাষা মডেল (এলএলএম) স্কোরিংকে একটি বাস্তব উচ্চ-ঝুঁকির স্প্যানিশ লেখা-পরীক্ষায় (~৫,০০০-৬,০০০ উত্তর/বছর) প্রসারিত করেন, ১৫-আইটেম বিশ্লেষণমূলক রুব্রিকে ৬০-৮০% আইটেম-নির্ভুলতা ও ৯০%+ আউটপুট-সামঞ্জস্য অর্জন করেন, এবং বানান আইটেমে একটি নির্ধারক NLP চেকার এলএলএমের জায়গা নেয় (১০০% সামঞ্জস্য)। এর স্বতন্ত্র অবদান হলো মডেল-কেন্দ্রিক মেট্রিকের বদলে সিদ্ধান্ত-কেন্দ্রিক যাচাই: এআই-এর পদ্ধতিগত কম-গ্রেডিং পক্ষপাত, IRT ও Bookmark-এর মাধ্যমে দক্ষতা-স্তরে রূপান্তরিত হয়ে, ১৫.৩-১৬.৫% ক্ষেত্রে পাস/ফেল অমিল তৈরি করে — যার সবগুলোই হিউম্যান-ইন-দ্য-লুপ কর্মপ্রবাহ বিশেষজ্ঞ পর্যালোচনায় পাঠায়, ফলে সম্পূর্ণ মানব-স্কোরিং প্রয়োজন এমন উত্তর কমপক্ষে ৫০% কমে, অথচ সিদ্ধান্তের গুণমান অটুট থাকে। এটি হাইব্রিড গ্রেডিংকে প্রমাণ-ধারণার উপাত্ত-সংগ্রহের বদলে পরিচালনামূলক মূল্যায়নে প্রতিষ্ঠিত করে।

• প্রতি-মাত্রার মিল দেখায়, একটি মূল্যায়নকারী কোথায় পরিবর্তন ধরতে পারে না: SOPHIE 2.0 (Hasan প্রমুখ, ২০২৬) তিন-মাত্রার ক্লিনিক্যাল যোগাযোগ রুব্রিকে সব মানব রেটিং-উৎসের — মানকৃত রোগী ও তৃতীয়-পক্ষ রেটার — সমঝোতার বিপরীতে একটি এলএলএম জজ যাচাই করে, কেবল ট্রান্সক্রিপ্ট থেকেই Pearson 0.759 ও ICC(A,1) 0.746-এ পৌঁছায়, যা পৃথক মানব রেটারদের বিস্তারের ভেতরে, বাইরে নয়। এর দুর্বলতম মাত্রা ছিল Be Explicit (প্রার্থী জজদের মধ্যে সম্পর্ক 0.414-0.598), এবং সেটিই একমাত্র মাত্রা, যার স্কোর দুটি সাক্ষাতে পরিমাপযোগ্যভাবে বদলায়নি (Δ = 0.014, p = 0.1204) — তাই প্রতি-মাত্রার মিল আগেই জানিয়ে দিতে পারে, কোন মাত্রাগুলোতে একটি স্বয়ংক্রিয় মূল্যায়নকারী উন্নতি দেখাতে অক্ষম।

আত্মবিশ্বাস-সচেতন মূল্যায়ন

স্বয়ংক্রিয় মূল্যায়নের কেন্দ্রীয় একটি নকশা-লক্ষ্য হলো আত্মবিশ্বাস-সচেতনতা: এমন এআই মূল্যায়ন ব্যবস্থা, যা একটি নির্বিশেষ পূর্বানুমান দেওয়ার বদলে নিজের স্কোরের পাশাপাশি ক্রমাঙ্কিত অনিশ্চয়তা জানায়। একটি আত্মবিশ্বাস-সচেতন গ্রেডার কেবল গ্রেড বা শ্রেণিবিন্যাসই তৈরি করে না, বরং নিজে কতটা নিশ্চিত তাও সংকেত দেয়, যাতে কম-আত্মবিশ্বাসের ঘটনাগুলো মানব পর্যালোচনার জন্য চিহ্নিত করা যায় এবং ব্যবহারকারীরা ব্যবস্থার প্রতি তাদের আস্থা ক্রমাঙ্কিত করতে পারেন। এটি দায়িত্বশীল স্বয়ংক্রিয় মূল্যায়নের কেন্দ্রে, এবং সাইকোমেট্রিকভাবে সচেতন এআই ও বিশ্বাস ক্রমাঙ্কন-এর সঙ্গে নিবিড়ভাবে যুক্ত।

জ্ঞানভাণ্ডারের গবেষণায় আত্মবিশ্বাস কীভাবে মডেল করা হয়:

• সংক্ষিপ্ত উত্তর গ্রেডিংয়ের জন্য মিলিত আত্মবিশ্বাস-সংকেত: Confidence-Aware ASAG মডেল-ভিত্তিক আত্মবিশ্বাস-সংকেত (মৌখিক, সুপ্ত ও সামঞ্জস্য-ভিত্তিক) ডেটাসেট-উদ্ভূত aleatoric অনিশ্চয়তার সঙ্গে Random Forest রিগ্রেশনের মাধ্যমে মিলিয়ে দেয়।
• মাল্টিমোডাল শিক্ষার্থী-কাজে আত্মবিশ্বাস: শিক্ষার্থী-অঙ্কিত বৈজ্ঞানিক চিত্রের আত্মবিশ্বাস-সচেতন মূল্যায়ন আত্মবিশ্বাস-মডেলিংকে মাল্টিমোডাল শিক্ষার্থী-উত্তর পর্যন্ত প্রসারিত করে।
• এলএলএম-এর সাইকোমেট্রিক ক্রমাঙ্কন: সাইকোমেট্রিকভাবে সচেতন এআই বৃহৎ ভাষা মডেল (এলএলএম) স্কোরিংকে পরিমাপ-তত্ত্বের সঙ্গে সামঞ্জস্য করার মানদণ্ড এগিয়ে নেয়, যেখানে আইটেম রেসপন্স তত্ত্ব-সঙ্গতির পাশাপাশি ক্রমাঙ্কন একটি মূল শর্ত।
• কাঠিন্য ও উত্তর-সময়ের ক্রমাঙ্কন: প্রোগ্রামিং-পরীক্ষার কাঠিন্য ক্রমাঙ্কন এলএলএম-কে সহায়ক প্রমাণ-উৎস হিসেবে পুনঃস্থাপন করে, যাদের কাঠিন্য-অনুমান শিক্ষার্থীর পাস-হারের সঙ্গে সম্পর্কযুক্ত।
• বৈশিষ্ট্য-অনুযায়ী প্রবন্ধ স্কোরিং: PsyScore দেখায়, একটি সাইকোমেট্রিকভাবে সচেতন কাঠামো প্রবন্ধ-প্রতিক্রিয়াকে শিক্ষার্থীর বৈশিষ্ট্যের সঙ্গে মানিয়ে নিতে পারে।
• দৃশ্যমান শিক্ষার্থী-কাজের মূল্যায়ন: DiagramIR এলএলএম-উৎপন্ন গণিত-চিত্র (TikZ) নির্ধারক যাচাইসহ একটি মধ্যবর্তী উপস্থাপনায় ফিরিয়ে অনুবাদ করে, মানব রেটারদের সঙ্গে মিলে LLM-as-a-Judge-কে ছাড়িয়ে যায় এবং ছোট মডেলকে প্রায় ১০ গুণ কম খরচে বড় মডেলের সমান হতে দেয় — অ-পাঠ্য, চিত্রভিত্তিক শিক্ষার্থী-আউটপুট মূল্যায়নের একটি স্কেলযোগ্য পথ।
• স্বয়ংক্রিয় শিক্ষক-মূল্যায়নে আস্থা-নিয়ন্ত্রিত অনুমান: Li, Yang ও Fang (2025) Monte Carlo dropout ক্রমাঙ্কনকে সরাসরি স্কোরিং-পথে বসান, যাতে শেখা থ্রেশহোল্ডের উপরে dropout ভ্যারিয়েন্স স্কোরের বদলে একটি প্রত্যাখ্যান-ও-প্রেরণ আউটপুট চালু করে, সঙ্গে থাকে adversarial debiasing যা ন্যায্যতা-ব্যবধান ১.৮%-এ ধরে রাখে, যেখানে বেসলাইন ৬.৪-৮.২% পরিসরে থাকে, এবং TeacherEval-2023-এ প্রত্যাশিত ক্রমাঙ্কন ত্রুটি 0.032। তাঁদের ablation হলো সংক্ষেপে ক্রমাঙ্কন-যুক্তি: আস্থা-নিয়ন্ত্রিত মডিউল সরালে আন্তঃ-রেটার সামঞ্জস্য ৭৮.৬%-এ নেমে আসে, আর লেখকরা মানব-পর্যালোচনার কাজে ৪১% হ্রাসের কৃতিত্ব এই গেটিং-কে দেন — অনিশ্চয়তা-ব্যবস্থাপনা এখানে পরবর্তী প্রতিবেদন নয়, স্থাপত্য।
• রুব্রিক-ভিত্তিক স্কোরিংয়ের ব্যাখ্যাযোগ্যতা: Bueno প্রমুখ দেখান, রুব্রিক-ভিত্তিক স্কোর (যেমন শ্রেণিকক্ষের প্রতিক্রিয়ার গুণমান) ব্যাখ্যায় মডেল-নিরপেক্ষ SHAP আরোপণ এলএলএম-উৎপন্ন যুক্তির চেয়ে বেশি বিশ্বস্ত ও হস্তান্তরযোগ্য, এবং যেকোনো স্কোরিং মডেলের ব্যাখ্যা মূল্যায়নের নীতিসঙ্গত উপায় হিসেবে deletion-ভিত্তিক ও আন্তঃ-মডেল পরীক্ষার প্রস্তাব করেন।

ক্রমাঙ্কিত আত্মবিশ্বাস কেন গুরুত্বপূর্ণ:

• হিউম্যান-ইন-দ্য-লুপ প্রতিনিধিত্ব সক্ষম করে: কম-আত্মবিশ্বাসের ঘটনা মানব পর্যালোচকের কাছে যায় — অন্ধ স্বয়ংক্রিয়করণের বদলে হিউম্যান-ইন-দ্য-লুপ কর্মপ্রবাহকে সহায়তা করে।

• আস্থার ক্রমাঙ্কনে সহায়তা করে: ক্রমাঙ্কিত আত্মবিশ্বাস ব্যবহারকারীকে ব্যবস্থার প্রকৃত নির্ভরযোগ্যতার সঙ্গে নিজের আস্থা মেলাতে দেয়, ফলে অতিরিক্ত-আস্থা ও কম-আস্থা দুটোই এড়ানো যায়।

• পরিমাপের বৈধতা উন্নত করে: আত্মবিশ্বাস-সচেতন স্কোরিং অনিশ্চয়তাকে স্পষ্ট করে শিক্ষামূলক পরিমাপ ও মূল্যায়নের বৈধতা-কে মজবুত করে।

• ন্যায্যতা ও যুক্তিসঙ্গততা: কম-আত্মবিশ্বাসের ঘটনা পর্যালোচনার জন্য চিহ্নিত করা আত্মবিশ্বাসী-কিন্তু-ভুল স্কোরের ঝুঁকি কমায়, বিশেষত অপ্রচলিত বা কম-প্রতিনিধিত্বমূলক উত্তরে।

• রুব্রিক তৈরি ও প্রশিক্ষক-তদারক গ্রেডিং পাইপলাইন: Mendonça প্রমুখ (২০২৬) দেখান, এলএলএম-উৎপন্ন মূল্যায়ন রুব্রিক (HARMOGEN-R) কারিগরি বিষয়বস্তুতে ±৫-পয়েন্ট সমতুল্যতা-প্রান্তির মধ্যে মানুষ-তৈরি রুব্রিকের সমান হতে পারে, এবং কাঠামোবদ্ধ তৈরি আন্তঃ-মডেল সামঞ্জস্য বাড়ায়। Cruz প্রমুখ (২০২৬) একটি সম্পূর্ণ GPT-4o গ্রেডিং পাইপলাইন মূল্যায়ন করেন, যেখানে ৩৬২টি জমার ৮৩%-এ এআই-গ্রেড প্রশিক্ষকের ০.৫ পয়েন্টের মধ্যে ছিল (MAE 0.31) — যা প্রশিক্ষকের বিচারের প্রতিস্থাপন নয়, বরং স্কেলযোগ্য পরিপূরক হিসেবে সবচেয়ে ভালোভাবে বোঝানো যায়।

গুণমান ও ন্যায্যতা

স্বয়ংক্রিয় মূল্যায়নের গুণমান নির্ভর করে মূল্যায়নের বৈধতা ও পক্ষপাত প্রশমন-এর উপর। ভাষা-পক্ষপাত গবেষণা দেখায়, স্বয়ংক্রিয় স্কোরিং নির্দিষ্ট শিক্ষার্থী-গোষ্ঠীকে পদ্ধতিগতভাবে সুবিধাবঞ্চিত করতে পারে। মানদণ্ডটি নিজেই ত্রুটিপূর্ণ হতে পারে। Bozdag ও Qiu (২০২৬) GCSE পদার্থবিজ্ঞানের খাতা একটি এআই ব্যবস্থায় মার্ক করেন এবং সেগুলোকে সরকারি পরীক্ষা-বোর্ডের নম্বর ও অভিজ্ঞ শিক্ষকদের বিচার — উভয়ের সঙ্গে তুলনা করেন, বোর্ডের সঙ্গে মিলকে নির্ভুলতার প্রক্সি হিসেবে গণ্য করেন, নির্ভুলতা হিসেবে নয়।

ব্যবহারের পরিস্থিতি এবং প্রতিটির কী প্রয়োজন

একটি প্রতিষ্ঠান কতটা সঙ্গতি দাবি করবে, তা নির্ভর করে ব্যবস্থাটিকে কী সিদ্ধান্ত নিতে দেওয়া হয়েছে তার উপর। মিশ্র-পদ্ধতি গবেষণায় তিনটি যুক্তরাজ্যের বিশ্ববিদ্যালয়ের ৭৬১টি প্রামাণিক স্নাতক প্রবন্ধে, প্রতিটি ২৭টি প্রম্পট-কনফিগারেশনসহ তিনটি ফ্রন্টিয়ার মডেল ডিগ্রি-ব্যান্ডে মানব মার্কারদের সঙ্গে কেবল ৩৫-৬৫ শতাংশ মিলে পৌঁছায়, এবং নির্ভুলতা প্রতিষ্ঠান থেকে প্রতিষ্ঠানে হস্তান্তরযোগ্য নয় — তাই প্রতিবেদনটি সম্ভাব্য ব্যবহারগুলোকে এক সিদ্ধান্ত নয়, আলাদা আলাদা পরিস্থিতি হিসেবে গণ্য করে। মানব মার্কিংয়ের গুণমান নিশ্চিতকরণ, যেখানে এআই সমান্তরালে মার্ক করে এবং উল্লেখযোগ্য পার্থক্য মানব পর্যালোচনা চালু করে, সবচেয়ে রক্ষণশীল। একটি মার্কিং সহায়ক, যা পূর্বানুমিত গুণমান বা অনিশ্চয়তা অনুযায়ী জমা র‍্যাংক বা শ্রেণিবদ্ধ করে, জটিল কেসগুলো ট্রায়াজ করে, বা সংক্ষিপ্ত মানব মন্তব্যকে পূর্ণতর প্রতিক্রিয়ায় প্রসারিত করে, তা সত্যিকারের মধ্যবর্তী পথ। প্রাথমিক মার্কার হিসেবে এআই, যেখানে নমুনা বা মার্ক-বিতরণের মানব পর্যালোচনা থাকে, কেবল তখনই গ্রহণযোগ্য বিবেচিত হয় যদি ব্যবস্থার কর্মক্ষমতা উন্নত হয়, এবং কোনো অংশীজন গোষ্ঠী এআই-কে একমাত্র মার্কার হিসেবে সমর্থন করেনি।

এর যেকোনোটির জন্য তিনটি শর্ত অনুসরণ করে। যেহেতু সঙ্গতি মডেল- ও প্রতিষ্ঠান-নির্দিষ্ট, যাচাইকে হতে হবে স্থানীয় ও ধারাবাহিক — অন্য জায়গার শীর্ষ-স্তরের নির্ভুলতা প্রস্তুতির প্রমাণ নয়। যেহেতু নম্বরগুলো মাঝের দিকে সংকুচিত হয়েছিল, এআই সবচেয়ে কম নির্ভুল ছিল গ্রেড-সীমানায় এবং সবচেয়ে শক্তিশালী ও সবচেয়ে দুর্বল জমায়, অথচ সেখানেই মূল্যায়ন-সিদ্ধান্তের পরিণতি সবচেয়ে বড়। আর যেহেতু এআই ও মানব নম্বরের মধ্যে অমিল নিছক ভুল নয়, ভিন্ন বিচার প্রতিফলিত করে, তাই অমিলগুলো অ্যালগরিদমিক ওভাররাইডের বদলে মানব ব্যাখ্যা চালু করা উচিত, এবং নম্বরের চূড়ান্ত কর্তৃত্ব মানুষের হাতেই থাকা উচিত। গ্রহণে এমন গভর্ন্যান্স বাধ্যবাধকতাও আসে, যা কারিগরি মেট্রিক ধরে না: যেখানে স্বয়ংক্রিয় সিদ্ধান্ত শিক্ষার্থীদের প্রভাবিত করে সেখানে GDPR অনুচ্ছেদ ২২-এর অধীনে ব্যাখ্যার অধিকার, একবার অর্জন-স্তর ও ভাষা-ব্যবহার নম্বরে প্রভাব ফেলে বলে প্রমাণিত হলে Equality Act-এর দায়বদ্ধতা, সহজে ধরা পড়ে না এমন ভুলের জন্য সংশোধিত আপিল প্রক্রিয়া, এবং একটি অপরিবর্তনীয়তার ঝুঁকি — একবার জনবল ও বিনিয়োগ সরে গেলে, ফিরে যেতে যে মানব মার্কিং সংগ্রহ দরকার, প্রতিষ্ঠান তা চালিয়ে যেতে হিমশিম খেতে পারে।

তিনটি মডেল মিলিয়ে দিলেও সেই ত্রুটি দূর হয়নি: যেহেতু তাদের ভুল পরস্পর সম্পর্কযুক্ত ছিল — ৬৩.৪% অ্যাসাইনমেন্টে একই দিকে — Corsi প্রমুখ (২০২৬)-এর এনসেম্বল পরিসংখ্যানগতভাবে সেরা একক মডেল থেকে আলাদা করা যায় না, এবং ভাগ করা কেন্দ্র-প্রবণতা-সংকোচন অটুট থাকে।

Venetsanos (২০২৬) সেই মানদণ্ড সরবরাহ করেন, যা এই শর্তগুলো ধরে নেয়, এবং যুক্তি দেন, স্বয়ংক্রিয়করণকে যুক্তিসঙ্গত করে তোলে কাজটির জ্ঞানতাত্ত্বিক অবস্থা, প্রযুক্তি কারিগরি দিক থেকে যা করতে পারে তা নয়। তাঁর কাঠামো এআই-কে সীমাবদ্ধ করে বাস্তব ও প্রক্রিয়াগত দাবির সীমিত যাচাইয়ে — চারটি শর্ত একসঙ্গে পূরণ হতে হবে: দ্ব্যর্থহীন নথিভুক্ত মানদণ্ড, প্রতিষ্ঠিত জ্ঞানের সঙ্গে সরাসরি তুলনা, বিকল্প বৈধ পদ্ধতির মূল্যায়ন না করা, এবং একটি একক সঠিক উত্তর বা পূর্ব-নির্ধারিত গ্রহণযোগ্য সেট; আর দ্ব্যর্থতা থাকলে ডিফল্টভাবে মানুষে এসকেলেট হবে — এবং সেই স্তরে এআই-সম্পৃক্ততাকে পাঁচটি অলঙ্ঘনীয় নীতির উপর শর্তসাপেক্ষ করে, যেগুলো একসঙ্গে সবগুলোই মানতে হবে: জ্ঞানভিত্তি অবশ্যই মূল্যায়নকারী-নির্বাচিত এবং মডেলের প্যারামেট্রিক জ্ঞানের বদলে মডিউল-উপকরণে প্রত্যাহার-প্রতিষ্ঠিত হতে হবে; মানব মূল্যায়নকারীরা প্রতিটি এআই-আউটপুট শিক্ষার্থীদের কাছে পৌঁছানোর আগে পর্যালোচনা করবেন এবং অহস্তান্তরযোগ্য জবাবদিহিসহ নিখুঁত ওভাররাইড ধরে রাখবেন; প্রতিক্রিয়ায় স্পষ্ট উৎস ও আরোপণ থাকতে হবে; এবং নিরাপত্তা শুরু থেকেই প্রতিকূল ব্যবহারের বিপরীতে নকশা করতে হবে, শ্বেত বা ছোট পাঠ্যে, এনকোডিংয়ে, চিত্র বা নথির মেটাডেটায় লুকানো নির্দেশনার জন্য ইনপুট স্যানিটাইজেশনসহ, কারণ একটি স্বয়ংক্রিয় ব্যবস্থার সফল ফাঁকি শিক্ষার্থী-কোহর্টে ছড়িয়ে পড়ে। একই গবেষণাপত্র স্পষ্ট করে, এর নীতিগুলো একসঙ্গে সম্ভাব্যতা নিয়ে অপরীক্ষিত এবং curation, নিরাপত্তা-পরিকাঠামো ও উচ্চ-কম্পাঙ্কের তদারকিতে মূল্যায়নকারীর সময় কর্মীর পরিশ্রম সরানোর বদলে স্থানান্তর করতে পারে — এই সতর্কতা উপরের স্থানীয়-যাচাই শর্তের পাশেই বসে।

এআই-মধ্যস্থ গ্রেডিংয়ের নিরাপত্তা

একটি দৈনন্দিন গ্রেডিং কর্মপ্রবাহের রেড-টিম মূল্যায়ন দেখায়, প্রতিকূল ব্যবহারের পরিকল্পনায় কোন আক্রমণ-পৃষ্ঠ ঢাকতে হয়। Humble (২০২৬) একটি কৃত্রিম প্রবন্ধের ভেতরে পাঁচটি পরোক্ষ প্রম্পট-ইনজেকশন বসান, যেটিকে Microsoft Copilot (GPT-5.2) ছয়টি বেসলাইন রানের ছয়টিতেই ফেল করেছিল, এবং প্রতিটি docx, pdf ও htm ফাইলে পুনরাবৃত্তি করেন। দুটি কৌশল কোনো দৃশ্যমান সতর্কতা ছাড়াই গ্রেড বদলায় — একটি নির্দেশনা-কারসাজি ও ভূমিকা-অভিনয়ের অনুচ্ছেদ ৯টি পুনরাবৃত্তির ৯টিতেই (১০০%) এবং একই অনুচ্ছেদ একটি চিত্র-স্তরের পিছনে লুকানো অবস্থায় ১৮টির ১৭টিতে (৯৪%) — অথচ নথির শেষে ছোট শ্বেত পাঠ্যের একটি অনুচ্ছেদ নয়টি পুনরাবৃত্তির সবগুলোতেই ব্যর্থ হয়, এবং ফাইল-মেটাডেটা ইনজেকশন কখনো কাজ করেনি, যার কারণ লেখক পরীক্ষিত সংস্করণে মেটাডেটা-প্রবেশ নিষ্ক্রিয় থাকাকে বলেন। আস্থার সমস্যা শোষণগুলোকে ছাড়িয়ে টিকে থাকে: একটি pdf রান সন্নিবেশিত নির্দেশনা শনাক্ত করে জানায় যে এটি কেবল সরকারি অ্যাসাইনমেন্টের বিপরীতে গ্রেড করবে, তারপর একই ফাইল আবার চালালে আরও ছয়বার কোনো সতর্কতা ছাড়াই গ্রেড বেড়ে যায়, এবং শনাক্ত আক্রমণে ব্লক করা একটি চ্যাট ব্যবহারকারীকে জানানোর বদলে নীরবে নিষ্ক্রিয় করা হয়। লেখক যুক্তি দেন, ফলাফল-গ্রেডগুলো কোনো দিকেই বৈধতার দাবি বহন করে না, প্রতিপক্ষের স্তরবিন্যস্ত গার্ডরেলের বিপরীতে কেবল একটি কার্যকর সমন্বয় দরকার, এবং শিক্ষকই আউটপুটের একমাত্র প্রকৃত যাচাই, অথচ কারসাজিটি এমনভাবে নকশা করা যেন তা দৃশ্যমান না হয় — যা সরাসরি Venetsanos উপরে যে ইনপুট-স্যানিটাইজেশন ও প্রতিকূল-নিরাপত্তার বাধ্যবাধকতা দেন তার সঙ্গে যুক্ত।

সংযোগ

স্বয়ংক্রিয় মূল্যায়ন যুক্ত হয় মূল্যায়নের বৈধতা (গুণমান নিশ্চিতকরণ), গঠনমূলক মূল্যায়ন (ব্যবহার-প্রসঙ্গ), পক্ষপাত প্রশমন ও ন্যায়বিচার (ন্যায্যতা), শিক্ষাদান (স্বয়ংক্রিয়করণ কীভাবে প্রশিক্ষকের কাজ বদলায়), এবং এআই প্রতিক্রিয়ার গুণমান (কাজের উপযোগী প্রতিক্রিয়া ছাড়া গ্রেডিংয়ের শিক্ষামূলক মূল্য সীমিত)-এর সঙ্গে। আত্মবিশ্বাস-সচেতন মূল্যায়ন সাইকোমেট্রিকভাবে সচেতন এআই-এর বিস্তৃত কর্মসূচির ভেতরে একটি নির্দিষ্ট প্রক্রিয়া এবং ক্রমাঙ্কিত আস্থার একটি অবদানকারী।

• হাতে-লেখা পদার্থবিজ্ঞানের বড় মাপের এআই গ্রেডিং (২০২৬): একটি মাল্টিমোডাল মডেল (GPT-5.5) জাতীয় পদার্থবিজ্ঞান অলিম্পিয়াড তত্ত্ব পরীক্ষা, নির্বাচনী ক্যাম্প ও বিশ্ববিদ্যালয়ের কোয়ান্টাম-মেকানিক্স পরীক্ষাজুড়ে ১০,৩৬৪টি স্ক্যান করা পাতা গ্রেড করে, সরকারি নম্বরের সঙ্গে মোট-স্কোর সম্পর্ক 0.91-0.97 অর্জন করে এবং একই শীর্ষ-পাঁচ অলিম্পিয়াড দল পুনরুদ্ধার করে। পাতা-ধরে সংশোধিত, প্রমাণ-অবস্থান নির্দেশনা মিল উন্নত করে — প্রমাণ যে মাল্টিমোডাল এআই সতর্ক রুব্রিক ও প্রম্পট ইঞ্জিনিয়ারিংসহ উচ্চ-ঝুঁকির সমন্বিত গ্রেডিং সমর্থন করতে পারে (Large Scale AI Grading of Handwritten Physics Assessments: Score Agreement and Olympiad Team Selection Outcomes)।

• হাতে-লেখা রসায়নের জন্য নির্বাচনী স্বয়ংক্রিয়করণ (২০২৬): Cvengros ও Kortemeyer ২৯৬ জন শিক্ষার্থীর হাতে-লেখা সাধারণ-রসায়ন চূড়ান্ত পরীক্ষা রুব্রিক-চিত্রের বিপরীতে পাতা-ধরে একটি মাল্টিমোডাল, যুক্তি-সক্ষম এলএলএম দিয়ে গ্রেড করেন, মোট স্কোরে উচ্চ রান-থেকে-রান নির্ভরযোগ্যতা (ICC(A,1) = 0.967) এবং টিএ গ্রেডিংয়ের সঙ্গে দৃঢ় মোট-স্কোর মিল (R² = 0.91) অর্জন করেন। যেহেতু আইটেম-স্তরের নির্ভরযোগ্যতা বিন্যাস অনুযায়ী তীব্রভাবে পরিবর্তিত হয় — পাঠ্য ও রাসায়নিক-বিক্রিয়ার উত্তর নির্ভরযোগ্যভাবে গ্রেড হয়েছে, অথচ অঙ্কন ও গ্রাফ দৈবের চেয়েও খারাপ — কাঁচা মিলকে উচ্চ-ঝুঁকির ব্যবহারের জন্য অপর্যাপ্ত বিবেচনা করা হয়। তাঁরা মানব-প্রেরণকে আত্মবিশ্বাস-ফিল্টারের মাধ্যমে পরিচালনাযোগ্য করেন (আংশিক-ক্রেডিট থ্রেশহোল্ড, IRT-ভিত্তিক ঝুঁকি-থ্রেশহোল্ড এবং সমস্যা-ধরন বাদ), যা কাঁচা এআই-স্কোরকে গ্রহণ/প্রেরণ নীতিতে রূপান্তর করে, এবং দেখান, মিথ্যা-ধনাত্মক (এআই প্রকৃত ভুল উত্তরকে ক্রেডিট দেওয়া) সাধারণত ধরা পড়ে না, কারণ শিক্ষার্থীরা কমই তা চ্যালেঞ্জ করে — নির্বাচনী স্বয়ংক্রিয়করণের একটি সুনির্দিষ্ট সাইকোমেট্রিকভাবে ভিত্তিক পথ (Assisting the grading of a handwritten general chemistry exam with artificial intelligence)।

• বিশ্ববিদ্যালয় পরীক্ষায় আধা-মুক্ত হাতে-লেখা গণিত (২০২৬): Liu প্রমুখ জার্মান একটি স্নাতক গণিত পরীক্ষা GPT-4 দিয়ে দুটি নিষ্কাশন-পথে (পূর্ব-কাটা উত্তর-বাক্স বনাম সম্পূর্ণ পাতা), দুটি অপটিক্যাল-ক্যারেক্টার-রিকগনিশন পথে ও দুটি রুব্রিক-বিন্যাসে গ্রেড করেন, এবং মানব গ্রেডের বিপরীতে Krippendorff's alpha 0.22-0.44, সেরা কর্মপ্রবাহে নির্ভুলতা 0.59-0.62 এবং প্রতি-সমস্যা নির্ভুলতা 0.27-0.91 রিপোর্ট করেন — যা উচ্চ-ঝুঁকির সমন্বিত ব্যবহারের জন্য গ্রহণযোগ্য নয়। বহু-মানদণ্ডের গ্রেডিং নিয়ম আইটেমাইজ করা সাধারণত মিল বাড়ায়নি (এটি আংশিক-ক্রেডিট সমস্যায় সাহায্য করেছে), রুব্রিক ছাড়া মুক্ত গ্রেডিং অনেক খারাপ ছিল (নির্ভুলতা 0.50-0.51), এবং মানব পুনঃযাচাইয়ের জন্য গ্রেড চিহ্নিত করার একটি সম্ভাব্যতাভিত্তিক আত্মবিশ্বাস-ফিল্টার নির্ভুলতা উল্লেখযোগ্যভাবে বাড়ায়নি, বরং ৭-৪১ শতাংশ উত্তরকে ভুলভাবে নির্ভরযোগ্য বলে চিহ্নিত করেছে। গবেষণার হস্তান্তরযোগ্য শিক্ষা পদ্ধতিগত: উত্তর-বাক্স কেটে না নিয়ে মার্কারসহ সম্পূর্ণ পরীক্ষার পাতা স্ক্যান ও ট্রান্সক্রাইব করুন, কারণ শিক্ষার্থীরা বাক্সের সীমানা ছাড়িয়ে লেখে; শিক্ষণ-সহায়কদের জন্য লেখা গ্রেডিং নিয়ম আবার লিখুন, কারণ মডেল মানুষের জন্য বোঝানো নিয়ম থেকে অনুরোধহীন অন্তর্নিহিত সিদ্ধান্ত করতে বসেছিল; এবং লক্ষ্য করুন, মানব-গ্রেডিং নিয়মগুলো নিজেরাই পাঁচটি বৈকল্পিকের মধ্যে alpha 0.88-এ প্যারাফ্রেজ হয়, তাই প্রম্পট-দৃঢ়তাই বাধা নয়।

• লেখা-স্ক্রিনিংয়ের জন্য এলএলএম তুলনামূলক বিচার (২০২৬): Mercer ও Reed সাতটি এলএলএম-কে জোড়া-ভিত্তিক তুলনামূলক জজ হিসেবে ব্যবহার করেন, গ্রেড ৩-৬-এর ১,২০৮ জন শিক্ষার্থীর তথ্যমূলক লেখা তিনটি স্ক্রিনিং-অবসরে স্কোর করতে। LLM-CJ স্কোর বিশ্লেষণমূলক রুব্রিক স্কোরের সঙ্গে দৃঢ়ভাবে সম্পর্কযুক্ত ছিল (r = .67-.73, Gemini-3.1 Pro-তে সবচেয়ে শক্তিশালী), এবং দক্ষতার জন্য AUC .82-.86; ফলাফল মডেলজুড়ে স্থিতিশীল, আরও ব্যয়বহুল ও বেশি সক্ষম মডেল থেকে বৈধতার লাভ সামান্য, অথচ তিনটি লেখার নমুনার গড় নির্ভুলতা বাড়িয়েছে — নমুনার বিস্তার মডেল-নির্বাচনের চেয়ে বেশি গুরুত্বপূর্ণ ছিল। বহুভাষিক শিক্ষার্থীদের জন্য পূর্বানুমানমূলক পক্ষপাতের ধরন মানব রুব্রিক-স্কোরিংয়ের সঙ্গে মিলেছে, যা দক্ষ, কম-খরচের স্ক্রিনিং পদ্ধতি হিসেবে LLM-CJ-কে সমর্থন করে (Validity of Large Language Model Comparative Judgment for Universal Writing Screening)।

• প্রশিক্ষক-গ্রেডিংয়ের সঙ্গে গুণমান-নির্ভর মিল (২০২৬): ChatGPT, সমকক্ষ ও একজন প্রশিক্ষককে একই স্নাতক দলগত প্রকল্প গ্রেড করতে তুলনা করে Usher ও Faraon দেখেন, প্রশিক্ষকের সঙ্গে ChatGPT-এর মিল প্রকল্পের গুণমান বাড়ার সঙ্গে সঙ্গে উন্নত হয় — এর সবচেয়ে বড় অতিরঞ্জন ছিল নিম্ন-গুণমান কাজে (≈ +১৪ পয়েন্ট), যা উচ্চ-গুণমান প্রকল্পে ≈ +২.৫ পয়েন্টে সংকুচিত হয়। ChatGPT গড়েও সমকক্ষ ও প্রশিক্ষক উভয়ের চেয়ে বেশি গ্রেড দিয়েছে — একটি গ্রেড-মুদ্রাস্ফীতির প্রবণতা, যা একক সমন্বিত গ্রেডার হিসেবে এর নির্ভরযোগ্যতা ক্ষুণ্ণ করে, বিশেষত দুর্বল জমায়।

• ছোট-কর্পাসের মিল-পরিসংখ্যান ব্যবহার-সিদ্ধান্তকে বিভ্রান্ত করতে পারে। ৬০টি মার্কেটিং পোস্ট (১৫ জন শিক্ষার্থী ও ১৫টি গবেষক-লিখিত নিম্ন-গুণমান অ্যাঙ্কর) দুই স্বাধীন মানব রেটারের বিপরীতে স্কোর করলে পরম মিল ICC(2,1) দাঁড়ায় এলএলএম-এ .435, সমান-ওজনের রুল-প্লাস-এলএমএল হাইব্রিডে .266 এবং নির্ধারক রুলে .091, যেখানে ০-১০০ স্কেলে MAE যথাক্রমে ৬.২৮, ১০.৫৩ ও ১৭.২২ পয়েন্ট; হাইব্রিড একক এলএলএমের চেয়ে উল্লেখযোগ্যভাবে খারাপ ছিল (জোড়া ICC পার্থক্য -.169, ৯৫% CI [-.260, -.106])। অ্যাঙ্কর যোগ করলে আন্তঃ-রেটার ICC .338 থেকে .902-এ এবং এলএলএম-মিল .435 থেকে .846-এ ওঠে, আর একটি প্রায়-খালি পোস্ট ৩০.৫ মানব-গড়ের বিপরীতে ৭৫ পায়, যা দেখায় একটি একক degenerate উত্তরই ছোট মূল্যায়নে প্রভাব বিস্তার করতে পারে। (Agreement and error in automated scoring of student marketing posts)

• কাঠামোবদ্ধ এলএলএম গ্রেডিং বিশ্লেষণমূলক দেখাতে পারে, নির্ণয়মূলক না হয়ে (২০২৬): কম্পিউটার-বিজ্ঞানের ৫০টি প্রশ্নের ৩,০৪১টি উত্তর স্কোর করে তিনটি বাণিজ্যিক এলএলএম এমন রুব্রিক-উপমাত্রা তৈরি করে যা প্রায়-অতিরিক্ত (r = 0.82-0.99, VIF সর্বোচ্চ ৪৫) এবং কেবল ৪.৮-৭.৪% মন্তব্যে ভুল ধারণার নাম উল্লেখ করে, যেখানে প্রশিক্ষকদের ক্ষেত্রে তা ১৫.০% (Zhao প্রমুখ, ২০২৬)।

• "একটি একক kappa-ই গ্রেডারের পক্ষে যুক্তি।" এটি একটিমাত্র পরীক্ষা, এবং তিনটি প্রকাশ্য কর্পাসে ২২টি প্রম্পটেড মডেলের বেঞ্চমার্ক দেখায় কেন। প্রতিটি মডেল এমন প্রোব পূরণ করেছে যাদের সঠিক উত্তর জানা: পুরো নম্বরের ভদ্র অনুরোধ, জাল গ্রেডিং নির্দেশনা, ফাঁকা উত্তর, অর্থহীন শব্দ, নিছক আপত্তি। চৌদ্দটি চিহ্নিত হয়েছে একটি নোট থেকে স্কেলের ৫%-এর বেশি পাওয়ার জন্য, কোডে তা ৮৩.২% পর্যন্ত, এবং সাতটি ফাঁকা বা অর্থহীন উত্তরকে ক্রেডিট দিয়েছে, তাই মিল-পরিসংখ্যান ও ব্যর্থতা-পরীক্ষা একসঙ্গে পড়তে হয়। একটি মোতায়েনকৃত গ্রেডিং ব্যবস্থার পরীক্ষার জন্য আরও একটি ইনপুট থাকে: গ্রেডারের সঙ্গে একটি শিক্ষার্থী-মডেলের অনুমান ভাগ করলে একই কাজে নম্বর ০.২৮ থেকে ০.৭৫ পয়েন্ট সরে যায়, অথচ যে ablation এটা খুঁজে পেয়েছে রেটার-মিল প্রায় অপরিবর্তিত রেখেছে।

সাধারণ ভুল ধারণা

• "একটি স্বয়ংক্রিয় স্কোর একক নির্ভরযোগ্য সংখ্যা।" একটি ব্যবহারিক কম্পিউটার-ভিশন পরীক্ষা (৫৭০ জন দ্বৈত-গ্রেডেড শিক্ষার্থী) ১৭১টি কনফিগারেশনে গ্রেড করা হয়েছে, এবং আরেকটি মেশিন-লার্নিং পরীক্ষা আরও কয়েকটিতে — স্কোর নির্ধারণ করেছে কনফিগারেশনই। সংখ্যা হিসেবে উপস্থাপিত একটি গ্রেড যে কনফিগারেশন তা তৈরি করেছে, তা লুকিয়ে রাখে।
• "বিচারকই অনির্ভরযোগ্যতার উৎস।" ৩৭৮টি নির্দিষ্ট-পাশা রায়ে, আধা-কঠোর পদ্ধতিতে পুনরায় চালানো ২.৯ থেকে ৬.১ শতাংশ ফলাফল বদলেছে এবং মুক্ত বিচারে ১৩.৫ থেকে ১৫.৯ শতাংশ, অথচ বিচারক এআই বদলালে যোগ হয় কেবল প্রায় ৩ পয়েন্ট (Epstein, ২০২৬) — পুনরুৎপাদনযোগ্যতা নির্ধারণ করে পদ্ধতি, বিচারক নয়।
• "আত্মবিশ্বাস জানানো একটি বাড়তি সুবিধা।" যে স্কোর বলত এটি ৭০% নিশ্চিত, তা এর ব্যবহারের ধরন বদলে দিত, আর সেই তথ্যের অনুপস্থিতি পাঠককে সব স্কোরকে সমান নিশ্চিত হিসেবে গণ্য করতে বাধ্য করে।
• "সংক্ষিপ্ত উত্তর স্বয়ংক্রিয়-মার্কিং একটি নিষ্পত্তিকৃত ক্ষেত্র।" বিজ্ঞানে সংক্ষিপ্ত উত্তর স্বয়ংক্রিয়-মার্কিংয়ের (২০১৭ থেকে ২০২৪-এর শুরু) একটি স্কোপিং পর্যালোচনা ক্ষেত্রটির ইতিহাস নথিভুক্ত করে, যা যা চেষ্টা করা হয়েছে তার নথি, যা যাচাই হয়েছে তার নয়।

সংযুক্ত ধারণা

• ব্যাখ্যাযোগ্য এআই
• রিমোট প্রাধান্য
• মূল্যায়নের বৈধতা
• গঠনমূলক মূল্যায়ন
• স্বয়ংক্রিয় প্রবন্ধ মূল্যায়ন
• পক্ষপাত প্রশমন
• ন্যায়বিচার
• শিক্ষাদান
• বৃহৎ ভাষা মডেল (এলএলএম)
• উচ্চশিক্ষা
• এআই শিক্ষা মূল্যায়ন
• প্রতিক্রিয়া
• এআই প্রতিক্রিয়ার গুণমান
• সাইকোমেট্রিকভাবে সচেতন এআই
• বিশ্বাস ক্রমাঙ্কন
• বিশ্বাস
• শিক্ষামূলক পরিমাপ
• আইটেম রেসপন্স তত্ত্ব
• মানুষ-চক্রে
• অভিযোজনশীল শিখন
• ব্যক্তিগতকৃত শিখন
• সমষ্টিগত মূল্যায়ন — সমন্বিত মূল্যায়ন: এআই-প্রতিরোধী বিন্যাস (মৌখিক, নজরদারিযুক্ত, বদ্ধ-পুস্তক পরীক্ষা)

সংযুক্ত নিবন্ধ

• Beyond Score Accuracy: Examining the Diagnostic Quality of LLM-Generated Structured Assessment in Higher Education — এলএলএম রুব্রিক-উপমাত্রাগুলো প্রায়-অতিরিক্ত এবং প্রতিক্রিয়া কমই ভুল ধারণার নাম বলে (Zhao প্রমুখ ২০২৬)

• AI in University Assessment: Evaluating the Opportunities and Risks of Automated Marking — OpRaise প্রতিবেদন: তিনটি যুক্তরাজ্যের বিশ্ববিদ্যালয়ের ৭৬১টি বিশ্ববিদ্যালয়-প্রবন্ধে এআই মার্কিং

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

• Validity of Large Language Model Comparative Judgment for Universal Writing Screening — সর্বজনীন লেখা-স্ক্রিনিংয়ে বড় ভাষা-মডেলের তুলনামূলক বিচারের বৈধতা

• Who grades best? Comparing ChatGPT, peer, and instructor evaluations across varying levels of student project quality — প্রকল্পের গুণমান-স্তরজুড়ে ChatGPT, সমকক্ষ ও প্রশিক্ষক-গ্রেডিংয়ের তুলনা (Usher ও Faraon ২০২৬)

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

• The Effect of High-Frequency, Automatically-marked Formative Assessments on Student Outcomes in A-Level Sciences — এ-লেভেল বিজ্ঞানে স্বয়ংক্রিয় গঠনমূলক মূল্যায়ন

• Confidence Estimation in Automatic Short Answer Grading with LLMs — আত্মবিশ্বাস-সচেতন স্বয়ংক্রিয় সংক্ষিপ্ত উত্তর গ্রেডিং

• AI-based scoring systematically underestimates conceptual understanding of linguistically weak students' explanations in physics — পদার্থবিজ্ঞানে এআই স্কোরিংয়ের ভাষা-পক্ষপাত

• From Evaluated Models to Evaluation Aids: A Multi-Evidence Study of LLM-Based Difficulty Calibration for Programming Examinations — প্রোগ্রামিং পরীক্ষার জন্য এলএলএম-ভিত্তিক কাঠিন্য ক্রমাঙ্কন

• Anchor Is the Key: Toward Accessible Automated Essay Scoring with Large Language Models Through Prompting — অ্যাঙ্কর-ভিত্তিক স্বয়ংক্রিয় প্রবন্ধ স্কোরিং প্রম্পটিং

• CoTAL: Human-in-the-Loop Prompt Engineering for Generalizable Formative Assessment Scoring and Feedback — CoTAL গঠনমূলক মূল্যায়ন স্কোরিং

• Automated Grading of Linux/Bash Examinations Using Large Language Models — এলএলএম দিয়ে লিনাক্স ব্যাশ পরীক্ষার স্বয়ংক্রিয় গ্রেডিং

• Confidence-Aware Automated Assessment of Student-Drawn Scientific Models — শিক্ষার্থী-অঙ্কিত চিত্রের আত্মবিশ্বাস-সচেতন মূল্যায়ন

• DiagramIR: An Automatic Pipeline for Educational Math Diagram Evaluation — DiagramIR: উৎপন্ন গণিত-চিত্রের স্বয়ংক্রিয় মূল্যায়ন

• From Scoring to Explanations: Evaluating SHAP and LLM Rationales for Rubric-based Teaching Quality Assessment — রুব্রিক-ভিত্তিক শিক্ষকতা-গুণমান মূল্যায়নে SHAP বনাম এলএলএম যুক্তি

• Automating Learner Assessment: Benchmarking Machine Learning and Deep Learning Models for EEG-Based Familiarity Prediction — শিক্ষার্থী-মূল্যায়ন স্বয়ংক্রিয় করা: ইইজি-ভিত্তিক পরিচিতি-পূর্বানুমান

• A Hybrid Reasoning Framework for Artificial Intelligence Assessment Rubric Generation in Human and Automated Contexts: Evidence from an Undergraduate Programming Course — HARMOGEN-R: এআই মূল্যায়ন রুব্রিক তৈরি

• AI-assisted, instructor-supervised grading and feedback in higher education: Design and evaluation of an end-to-end pipeline — এআই-সহায়ক, প্রশিক্ষক-তদারক গ্রেডিং ও প্রতিক্রিয়া

• Large Scale AI Grading of Handwritten Physics Assessments: Score Agreement and Olympiad Team Selection Outcomes — হাতে-লেখা পদার্থবিজ্ঞান মূল্যায়নের এআই গ্রেডিং (অলিম্পিয়াড)

• Auto-marking short answer questions in science: The foundational years of transformer-based models from BERT to GPT-4

• Automated Grading of Open-Ended Questions in Higher Education Using GenAI Models

• Assisting the grading of a handwritten general chemistry exam with artificial intelligence

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

• 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

• Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education — আমার কাজ কে গ্রেড করবে? উচ্চশিক্ষায় স্বচ্ছ এআই-সহায়ক লেখা-মূল্যায়ন নিয়ে শিক্ষার্থীদের দৃষ্টিভঙ্গি

• A Tripartite Feedback Framework for AI-Assisted Assessment of Complex Reports in Higher Education — ত্রিপক্ষীয় কাঠামো: জ্ঞানতাত্ত্বিক অবস্থা অনুযায়ী প্রতিক্রিয়া বাছাই এবং এআই-সম্পৃক্ততার পাঁচ সীমা-নীতি (Venetsanos ২০২৬)

• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — শিক্ষার্থী-জমায় লুকানো প্রম্পট-ইনজেকশনের রেড-টিম মূল্যায়ন, এআই-মধ্যস্থ গ্রেডিংয়ের বিপরীতে (Humble ২০২৬)

• Towards trustworthy and explainable-by-design large language models for automated teacher assessment — আস্থা-নিয়ন্ত্রিত অনুমানসহ স্বয়ংক্রিয় শিক্ষক-মূল্যায়নের জন্য ব্যাখ্যা-নকশাকৃত এলএলএম কাঠামো (Li প্রমুখ ২০২৫)

• AI-assisted automated short answer grading of handwritten university-level mathematics exam — মানব পুনঃযাচাইয়ের জন্য আত্মবিশ্বাস-ফিল্টারসহ হাতে-লেখা আধা-মুক্ত গণিত গ্রেডিং

• 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? প্রামাণিক শিক্ষার্থী-লেখায় ক্রমাঙ্কন ও গ্রেডিং-পক্ষপাতের আন্তঃ-মডেল গবেষণা

• Scalable AI-based clinical communication training and automated assessment — স্কেলযোগ্য এআই-ভিত্তিক ক্লিনিক্যাল যোগাযোগ প্রশিক্ষণ ও স্বয়ংক্রিয় মূল্যায়ন

• Automating Constructive Assessment with Large Language Models: Toward Scalable and Repeated Evaluation of Practical Competence — বড় ভাষা-মডেল দিয়ে গঠনমূলক মূল্যায়ন স্বয়ংক্রিয় করা: ব্যবহারিক দক্ষতার স্কেলযোগ্য ও পুনরাবৃত্ত মূল্যায়নের দিকে

• Evaluating Feedback Focus and Pedagogical Adaptivity in LLM-Generated Feedback on Student Writing — শিক্ষার্থী-লেখায় এলএলএম-উৎপন্ন প্রতিক্রিয়ার ফোকাস ও শিক্ষাতাত্ত্বিক অভিযোজনযোগ্যতা মূল্যায়ন

• Where LLM Graders Succeed and Break: Evidence from Two Computer-Science Exams — এলএলএম গ্রেডাররা কোথায় সফল ও কোথায় ভাঙে: দুটি কম্পিউটার-বিজ্ঞান পরীক্ষার প্রমাণ

• Automated Coding of Content and Pedagogical Content Knowledge of Mathematics Using a Multi-Agent Large Language Model — বহু-এজেন্ট এলএলএম (GradeOpt) দিয়ে শিক্ষকদের মুক্ত-প্রান্তিক CK ও PCK উত্তর কোডিং, কোডিং ম্যানুয়ালের বিপরীতে প্রম্পট-পরিমার্জন থেকেই নির্ভরযোগ্যতা

• Comparing the Marking Accuracy of an AI Marking System with Official Examination Board Marks and Experienced Teacher Judgement: A Case Study in GCSE Physics — GCSE পদার্থবিজ্ঞানে পরীক্ষা-বোর্ডের নম্বর ও শিক্ষক-বিচারের সঙ্গে তুলনায় এআই মার্কিং

• Large language models as grading assistants in public health education: a method-comparison study of essay-style exam assessment — যুক্তি-মোড এলএলএম-মানব গ্রেডিং-মিল weighted kappa 0.269 থেকে 0.718-এ তুলেছে

• Machine–human agreement in marking undergraduate assignments is specific to model, prompt and institution — স্নাতক অ্যাসাইনমেন্ট মার্কিংয়ে যন্ত্র-মানব মিল মডেল, প্রম্পট ও প্রতিষ্ঠান-নির্দিষ্ট

• Thumb on the Scale: Using Traditional Wargaming Adjudication Practices to Improve AI-Judged Evaluations and Grading — Thumb on the Scale: এআই-বিচারিত মূল্যায়ন ও গ্রেডিং উন্নত করতে প্রথাগত ওয়ারগেমিং বিচার-পদ্ধতি ব্যবহার (Epstein ২০২৬)

• Beyond agreement: a benchmark of how language models grade student work, and how they fail — মিলের বাইরে: ২২টি প্রম্পটেড গ্রেডার এমন প্রোবের মুখোমুখি হয় যাদের সঠিক উত্তর জানা, এবং তাদের বেশিরভাগকেই প্রলুব্ধ করা যায় (Porcaro ২০২৬)