Jaké jsou osvědčené postupy pro výuku psaní v kontextu AI?

Automatický strojový překlad této anglické stránky, který ještě nebyl zkontrolován rodilým mluvčím.

Přepisujete zadání úkolu a věta před vámi říká, že AI je povolena s uvedením použití, což studentovi neříká nic o tom, zda nástroj smí dodat argument. Kolega navrhl plošný zákaz pro celý kurz a vy máte podezření, že dopadne nejtvrději na vícejazyčné píšící studenty ve třídě. Nebo se vám várka esejí vrátila plynulejší než seminární diskuse, ze které vzešly, a potřebujete pravidlo, které obhájíte na příští poradě o kurikulu.

Hlavní věc: pojmenujte intelektuální práci, kvůli které úkol existuje, tu práci nechte studentovi a dejte nástroji úlohy, které vracejí něco, co student musí posoudit. Pravidlo napsané tímto způsobem studentovi říká, kterou práci chrání.

Stručná verze

1. Napište jednu větu, která pojmenovává myšlení, jež úkol hodnotí, a umístěte ji tam, kde ji studenti uvidí.

2. Nechte studenta zformulovat tvrzení, interpretaci nebo hrubý návrh dřív, než nástroj úkol uvidí.

3. Stanovte hranici pro každý krok. Povolte AI tam, kde krok není to, co hodnotíte, a omezte ji tam, kde je.

4. Dejte AI křeslo kritika a potom hodnoťte, co student s odpovědí udělá.

5. Nechte si jeden text, na který nástroj nikdy nesáhne, a čtěte práci s asistencí proti němu.

6. Řekněte předem, co uvedení použití udělá se známkou.

Pojmenujte myšlení, kvůli kterému úkol je

Hranice AI je druhá otázka a většina zadání na ni odpovídá jako první. Než rozhodnete, co je dovoleno, dokončete tuto větu: tento úkol existuje proto, aby ukázal, že student umí X. Je-li X argumentace, student musí tvrzení zformulovat a obhájit. Je-li to oborová interpretace, student musí udělat interpretační úsudek. Je-li to vědecké uvažování, student musí spojit důkazy se závěrem. AI, která tuto práci vykoná, rozbíjí inferenci, kterou chcete z eseje vyvodit, a vynikající próza to nespraví. Validita hodnocení to bere jako problém validity, nikoli jako problém chování, a proto výuka psaní i akademická integrita dospívají k argumentu pro pravidla na úrovni úkolu místo plošných zákazů na úrovni kurzu.

Nash a Burriss ukazují, jak snadno se ta věta zvrtne. U 27 budoucích učitelů angličtiny a jejich třídních zásad AI jich 22 povolilo AI pro vymýšlení nápadů a brainstorming, 22 zakázalo nebo nechalo nejasné použití AI k sestavování vět, odstavců nebo prací a 22 o čtení neřeklo vůbec nic. Titíž učitelé popisovali vymýšlení nápadů a revizi jako „myšlení“, zatímco skutečné myšlení umísťovali do konečného psaného textu. Pokud myšlení prochází plánováním, psaním návrhu, revizí a hodnocením, pak pravidlo, které chrání jen poslední produkt, chrání špatný krok, a čtení potřebuje stejně výslovné pravidlo jako psaní.

Napište pravidlo jako větu o kroku, třeba: „AI smíte použít k otestování námitek proti tvrzení, které jste už formulovali. Nesmíte ji použít k vytvoření tvrzení ani důkazů pro ně.“ Student podle toho umí jednat. „AI povolena s uvedením použití“ mu nedává nic, podle čeho by jednal.

Nechte studenta zavázat se dřív, než nástroj odpoví

Pořadí kroků je nejužitečnější designová volba v této literatuře. Chenova studie citlivá na vrstvy u 168 pregraduálních studentů v šesti intaktních třídách oddělila čtyři druhy delegování: povrchové, strukturální, ideové a odklánění uvažování. Otevřená spolupráce s AI přinesla nejsilnější psaní s podporou AI a nejslabší pozdější samostatný výkon. Delegování uvažování bylo vrstvou nejvíce negativně spojenou se samostatným myšlením vyššího řádu. Ohraničená podmínka, která omezovala, co studenti směli delegovat, a vyžadovala, aby vysvětlili, jak každý návrh AI přijali, upravili nebo odmítli, si vedla lépe v samostatném psaní, hloubce argumentu i v revizi.

Kauzální tvrzení berte opatrně. Je kvaziexperimentální, se šesti intaktními třídami a bez náhodného přiřazení studentů, takže rozdíly mezi třídami zůstávají propletené s intervencí. Směr odpovídá širší literatuře o kognitivním odklánění, a proto stojí za to podle něj jednat, ale velikost účinku není něco, co byste citovali na poradě.

V zadání to stojí jeden řádek: student přinese interpretaci, hypotézu, argument nebo analýzu a AI má za úkol na ni zaútočit. „Tady jsou tři námitky proti mému argumentu“ nechává myšlení u pisatele. „Napiš můj argument“ ho tam nenechává, ať student s výstupem potom udělá cokoli.

Berte první návrh jako drahý krok

Asistence v různých fázích působí různou škodu. Ve studii 253 pisatelů jakákoli asistence AI snížila vnímané vlastnictví práce, asistence při psaní návrhu ho snížila nejvíc a asistence při plánování nejméně. Více textu a nápadů od AI šlo ve stejném odevzdání ruku v ruce s lepší kvalitou eseje a nižším vlastnictvím (studie vlastnictví od plánování k revizi). Právě tuhle kombinaci je třeba mít v plánu: silnější esej a slabší pocit autorství přicházejí společně a na tom druhém stojí agentnost v psaní.

Pokud na autorství ve vašem kurzu záleží, rozdělte povolení. AI, která podněcuje plánování, ptá se, jaké důkazy student už má, nebo pojmenuje protiargument, který student přehlédl, je obhajitelná téměř kdekoli. AI, která generuje odstavce, se obhajuje těžko tam, kde je sestavování cílovou dovedností. Kde sestavování cílem není, výpočet se mění.

Stanovte pravidlo v každém kroku

Sekvence, kterou si stojí za to vypůjčit, drží AI v poradenské roli a uvažování nechává studentovi:

Fáze	Student dělá	AI smí	Artefakt, který můžete vybrat
1. Setkání s důkazy	Čte, pozoruje, anotuje, počítá, provádí experiment	Nic, nebo jen vyjasnění	Poznámky, anotace, pozorování
2. Formování postoje	Vytváří interpretaci, otázku, hypotézu, tvrzení	Klást otázky, zpochybňovat předpoklady	Memo s tvrzením nebo hypotézou
3. Plánování	Rozhoduje o důkazech, sledu, publiku, žánru	Kritizovat osnovu, navrhovat alternativy	Osnova s odůvodněním
4. Psaní návrhu	Produkuje obsahovou prózu a uvažování	Omezeno podle učebního cíle	Návrh a historie verzí
5. Lidská odpověď	Dává a přijímá zpětnou vazbu od vrstevníků nebo učitele	Nic potřebného	Komentáře vrstevníků
6. Zpětná vazba od AI	Žádá kritiku vztaženou ke kritériím	Kritik, čtenář, generátor protiargumentů, kontrolor srozumitelnosti	Přepis zpětné vazby od AI
7. Hodnocení zpětné vazby	Porovnává návrhy vrstevníků, učitele a AI, přijímá nebo odmítá s důvody	Jeho výstup je teď předmětem hodnocení	Memo s rozhodnutím o zpětné vazbě
8. Revize	Provádí a zdůvodňuje obsahové změny	Testovat srozumitelnost, nabízet alternativy	Revize
9. Ověřování	Ověřuje každé faktické tvrzení nebo tvrzení závislé na zdroji	Nemůže ověřit vlastní výstup	Zdroje a důkazy
10. Reflexe a uvedení použití	Vysvětluje roli AI a co se změnilo v jeho myšlení	Nic	Stručná reflexe procesu
11. Samostatná kontrola	Vysvětluje nebo aplikuje uvažování bez AI	Nic	Ústní obhajoba, krátké psaní, nový případ

Toto je rozšířené PAIRR: návrh, lidská zpětná vazba, zpětná vazba od AI, srovnání, revize, reflexe, s nezávislým výchozím měřením a těsnější hranicí kolem uvažování. Prostřední sloupec použijte jako zadání a pravý sloupec jako to, o co se známka může opřít.

Jedenáct řádků je víc, než většina úkolů potřebuje. Zúžte tabulku na kroky, které ve výuce skutečně dokážete rozlišit: setkání s důkazy, formování postoje, psaní návrhu a revizi. V této kratší verzi jsou setkání a postoj místem, kde konstrukt žije, psaní návrhu je sporný krok a formátování nebo kontrola odkazů se dají povolit bez omezení. Psaní tabulky je způsob, jak najít ta dvě nebo tři místa, kde vaše pravidlo musí něco říct, takže pravidlo o třech klauzulích, které student umí následovat, je lepší než matice, kterou nikdo nečte.

Nechte lidskou zpětnou vazbu ve smyčce

Největší studie ve výuce zde je PAIRR: 654 studentů v deseti kurzech psaní a třech kurzech STEM s důrazem na psaní. Psali návrhy, absolvovali vrstevnické hodnocení, získali zpětnou vazbu od AI podle rubriky, oba zdroje porovnali a zhodnotili, napsali plány revize, revidovali a reflektovali. Padesát osm procent upřednostnilo kombinaci vrstevnické a AI zpětné vazby. Šest procent upřednostnilo jen zpětnou vazbu od AI. Studenti považovali AI za užitečnou pro široké rady k revizi orientované na rubriku a vrstevníci dodali kontextové znalosti a autentickou reakci publika.

Buďte přesní v tom, co tvrdíte. PAIRR měřil zkušenost studentů se zpětnou vazbou a jejich hodnocení této zkušenosti, ne dlouhodobé učební přínosy, takže je silným důkazem pro design zpětné vazby a slabším důkazem toho, že se psaní o měsíce později zlepší. Vrstevnický krok si nechte i tehdy, když je krok s AI rychlejší. Velká část práce se zpětnou vazbou odehrává ve srovnání obou zdrojů a vynecháním vrstevnického kroku odstraníte právě to, co studenti označili za cenné.

Hodnoťte, co student se zpětnou vazbou udělal

Gramotnost ve zpětné vazbě je schopnost vyhledávat zpětnou vazbu, posuzovat její kvalitu, zvládat svou reakci na ni a převádět ji v revizi. Studenti, kteří jí mají více, z AI zpětné vazby těží výrazně víc. Studenti, kteří výstup berou jako autoritu, získávají méně (Kvalita zpětné vazby od AI).

Krátká rozhodovací tabulka tu schopnost zviditelní, jeden řádek na návrh: návrh AI, přijmout / odmítnout / upravit, proč, a kritérium rubriky nebo důkaz, o který se rozhodnutí opírá. Čtyři sloupce, žádná esej. Mění výstup modelu v materiál pro hodnotící úsudek a dává vám něco hodnotitelného, co není próza.

Popište silný řádek stejně pečlivě, jako popisujete tezi: pojmenuje kritérium rubriky, ukáže na pasáž nebo na důkaz a vysvětlí změnu, kterou student skutečně provedl. Řádek „dobrý postřeh, souhlasím“ nezíská nic. Studenti píší podle příkladu, který mají před sebou, takže příklad je instrukce.

Udělejte uvedení použití levným a konkrétním

Studenti tají použití AI tehdy, když jsou zásady nejasné, represivní nebo stigmatizující, a poctivost může přitáhnout podezření (Uvedení použití AI a prohlášení o použití; výzkum racionalizace u studentů). Pedagogicky je uvedení použití užitečné tím, že zaznamenává rozhodnutí: k čemu nástroj sloužil, co student nástroji dal, které návrhy byly podstatné, co student přijal nebo odmítl.

Mohamed a Temimi dodávají mechanismus. Uvedení použití se stane přitažlivou volbou jen tehdy, když cena poctivosti zůstává nízká. Detektory produkují falešně pozitivní výsledky i u poctivých studentů, takže silnější dohled může učinit utajení relativně přitažlivějším. Jejich rada je navrhovat pro studenta, který má největší pokušení tajit, a číst deklarované použití jako kontext, ne jako přiznání.

Dva detaily na formuláři udělají většinu práce. Žádejte konkrétní použití místo kategorie a uveďte, jak deklarace ovlivní známku. Student, který to neví, bude předpokládat to nejhorší.

Čtyři otázky stačí pro většinu úkolů: ve kterém kroku práce byl nástroj použit, co student nástroji poskytl, které návrhy změnily návrh textu a které byly odmítnuty a proč. Poslední otázka je nejinformativnější, protože odmítnutí s důvodem je důkazem úsudku, zatímco seznam přijatých návrhů jím není.

Přizpůsobte pravidlo tomu, co váš obor nazývá psaním

Skladebné a tvůrčí psaní

Učitelé skladby mají nejsilnější důvod chránit proces, protože psaní návrhu, rétorická rozhodnutí, revize, uvědomění si publika a vlastní hlas jsou cíle učení, ne jejich předvedení. Vyberte několik samostatných vzorků na začátku semestru, aby vy i student věděli, co pisatel teď umí. Zaveďte AI jako publikum, kritika a partnera pro revizi: ptejte se, kde čtenář ztrácí nit, generujte námitky proti tezi, srovnávejte návrh s rubrikou, označujte nepodložená tvrzení, vysvětlujte, proč odstavec působí nesoudržně. Každý návrh posuzuje student.

Vrstevnickou recenzi držte vedle zpětné vazby od AI, protože vrstevníci dodávají kontextové znalosti a znalost publika, které model nemá, a hodnocení rozdílu mezi oběma zdroji je samo o sobě tréninkem psaní. Buďte zdrženliví u AI, která generuje dlouhé úseky prvního návrhu, když je cílem naučit se skládat, a to z důvodů vlastnictví a odklánění uvedených výše. Vyhněte se plošným zákazům gramatiky, formulací nebo jazykové podpory, které vytvářejí zbytečné bariéry pro vícejazyčné pisatele. Oddělte jazykovou podporu od intelektuálního autorství: pomoc s vyjádřením je v pořádku a student zůstává odpovědný za myšlenky, důkazy, rétorická rozhodnutí a význam. Prověřujte samotnou zpětnou vazbu, protože Tan et al. zjistili, že identický text sklidil více chvály a méně věcné kritiky, když byly do promptu vloženy demografické nebo vzdělanostní údaje o studentovi, což staví zmírňování zkreslení dovnitř designu zpětné vazby.

Kurzy humanitních a sociálních věd

Interpretace je obvykle cílovou schopností, takže setkání se zdrojem udělejte dřív než setkání s AI. Studenti anotují primární text, historický pramen, umělecké dílo, archivní položku, rozhovor nebo teoretickou pasáž a vytvoří první čtení, než se na cokoli obrátí. Potom model pracuje jako protihráč: nabídněte alternativní čtení, řekněte, jaké důkazy by tuto interpretaci zpochybnily, pojmenujte předpoklady, které argument činí, vygenerujte čtení z protikladné teoretické perspektivy. Student rozhodne, které čtení text skutečně podporuje.

Zadejte kritiku modelu jako oborovou práci. Dejte studentům interpretaci básně, události, argumentu nebo společenského jevu od AI a ptejte se, čeho si všímá, co jí uniká, které důkazy podporují její tvrzení, čí perspektiva chybí a kde slévá nejednoznačnost do hladké odpovědi. Tím zůstává interpretační úsudek tím, co má kurz humanitních věd učit. Hodnoťte interpretační rozhodnutí a jejich důkazní zdůvodnění a použijte krátkou otázku na konzultaci, například „Proč jste tuto pasáž četli takto a ne oním čtením, které jste odmítli?“ Hádání, zda věta vypadá strojově napsaná, je slabší míra, jak vysvětluje detekce AI.

Kurzy STEM a laboratorní protokoly

Nejprve jedna výhrada: tato znalostní báze má mnohem silnější důkazy o akademickém psaní s podporou AI obecně než o psaní laboratorních protokolů konkrétně. Praktická a laboratorní pedagogika zůstávají méně pokryté, a to i v literatuře o inženýrském vzdělávání, takže to, co následuje, aplikuje poznatky o psaní, odklánění, validitě a inženýrství na prostředí, které tyto studie netestovaly.

Vymezte hranici kolem vědeckého uvažování, ne kolem prózy jako celku. Studenti zůstávají odpovědní za pozorování, surová data, výpočty, nejistotu, grafy, volby analýzy, výsledky a uvažování od tvrzení k důkazům. Jakmile tyto věci existují, AI může rozumně pomoci s organizací, čitelností, přechody a oborovými konvencemi, což je stejné dělení na povrch a uvažování jako v Chenově studii.

Balíček pro laboratorní kurz v éře AI obsahuje protokol plus vybraná surová data, výpočty nebo výstup z notesu, graf s interpretací napsanou studentem a stručné prohlášení o tom, jak z důkazů vyplývá ústřední závěr. U protokolů s vysokou váhou známky položte jednu nebo dvě individualizované doplňující otázky ke grafu, anomálnímu výsledku, metodologické volbě nebo omezení. Nenechte plynulost psaní zastupovat pojmové porozumění: automatizované skórování ve fyzice může podhodnotit pojmové porozumění, když je jazykové vyjádření slabší, a to dopadá nejtvrději na vícejazyčné studenty (Automatizované skórování esejí). Pokud jsou uvažování i psaní cíli, skórujte je odděleně.

Inženýrské kurzy

Profesní odpovědnost mění formulaci. Přehled 99 empirických studií inženýrského vzdělávání označil transparentnost, lidský dohled, samostatnost studenta, soukromí, autorství, spravedlnost a prospěšnost za opakující se etické otázky a argumentoval, že etika AI patří do profesní formace, ne jen do dodržování pravidel. V laboratorním nebo konstrukčním protokolu požádejte studenty, aby uvedli asistencí a potvrdili, že ověřili výpočty, zdroje, předpoklady a tvrzení relevantní pro bezpečnost.

Nechte si jeden vzorek, na který nástroj nikdy nesáhne

Výkon s asistencí není samostatná schopnost a potřebujete alespoň jedno čtení té druhé. Občasné podmínky bez AI stačí: krátké psaní bez AI, interpretace ve výuce, ústní vysvětlení, konzultace, spontánní revize nebo doplňující úloha, která přenáší stejné uvažování na nový případ. Na tom záleží nejvíc tehdy, když závěrečná práce nese podstatnou váhu známky. Neznamená to dozor u každého úkolu. Několik umístěných vzorků vám i studentovi dává výchozí bod pro interpretaci práce s asistencí, což je případ argumentu v Jak přepracovat hodnocení, aby známka stále říkala něco obhajitelného o tom, co student zná nebo umí? specifický pro psaní.

Přečtěte oba texty vedle sebe a ptejte se, zda je uvažování z toho s asistencí vidět i v tom bez asistence. Kde je, esej dělá svou práci jako důkaz. Kde není, známka za práci s asistencí měří to, co dodal nástroj. To srovnání je také to, co musíte ukázat studentovi, který se odvolává proti známce, protože ukazuje na konkrétní kus myšlení, ne na dojem z prózy.

Rozhodněte, co smí AI známkovat

Dva výsledky, které vypadají protichůdně, se snášejí. Pečlivě kalibrované systémy s podrobnými rubrikami a příklady dokážou určité úkoly skórovat dobře a známkování pomocí LLM bez nastavení se podstatně odchyluje od lidského úsudku. Mathew et al. našli slabou shodu mezi člověkem a LLM, která se systematicky mění s kvalitou eseje: modely nadhodnocují krátké, povrchně čtivé eseje, podhodnocují delší a silnější eseje s drobnými povrchovými chybami a shlukují se ke středu škály. Tento vzorec podporuje AI pro formativní zpětnou vazbu s nízkými sázkami, návrhy komentářů a třídění mnohem víc než pro autonomní sumativní známkování (Automatizované skórování esejí).

Studenti si podobnou hranici vedou sami. V kurzu technické komunikace pro pregraduální studenty, kde ChatGPT skóroval ručně psaný text a studenti to věděli, všech 13 účastníků považovalo zpětnou vazbu za jasnou a užitečnou pro povrchovou revizi. Většina oddělila užitečnost zpětné vazby od hodnotící autority: kritiku přijali a trvali na tom, že známku určí učitel (Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education). Navrhněte lidský dohled jako bod, kde se z výstupu AI stává známka, ne jako zdvořilost nabízenou, když se to hodí.

Posuďte důkazy, než přepíšete sylabus

Argument pro tyto návrhy je slibný a zatím ne dost silný, aby ospravedlnil jednu univerzální zásadu psaní s AI. Některé z nejlepších důkazů pocházejí z rozsáhlých výzkumů ve výuce, jako je PAIRR s 654 studenty. Velká část zbytku stojí na kvaziexperimentech, malých experimentálních vzorcích, pojmových analýzách a práci z let 2025 až 2026, která je stále nová: Chenova studie ohraničeného psaní měla 168 studentů, ale jen šest intaktních tříd, studie vlastnictví použila krátkou experimentální psací úlohu a studie hlásící okamžité zlepšení kvality po procvičování s ChatGPT zahrnovala jen 21 zahraničních studentů prvního ročníku a neprokázala dlouhodobý přenos (studie kvality a vlastnictví). Co znalostní báze AI ve vzdělávání podporuje, je soubor designových principů, a nejspolehlivějším zjištěním napříč studiemi v ní je zachovat studentovu agentnost, hodnotící úsudek, samostatnou kompetenci, oborové uvažování a lidskou zpětnou vazbu, zatímco AI rozšiřuje přístup ke kritice, procvičování, podpoře revize a jazykové pomoci.

Ten mix má praktický důsledek. Změňte jeden úkol, uchovejte artefakt a porovnejte příští ročník s tímto na stejné míře. Pravidlo, které můžete po jednom semestru revidovat, má větší cenu než zásada, kterou nemůžete otestovat, a malé studie výše vám neřeknou, co se stane ve vašem kurzu.

V čem se učitelé v této věci mýlí

Detektor rozhodne, zda text napsal student. Nerozhodne. V utajené terénní studii zůstalo 94 % zkouškových odevzdání vygenerovaných AI neodhaleno a získalo lepší skóre než skuteční studenti a kontrolovaná studie zjistila, že detektory označily povolené lehké úpravy AI z 38-80 %, zatímco minuly více než 96 % „humanizovaných“ přepisů (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI; Why AI Detection Fails for Academic Integrity). Detekce odpovídá na detekční otázku a validita je jiná otázka.

Zásada na úrovni kurzu je jasnější než pravidlo pro jednotlivý úkol. Zásady Nash a Burrisse byly dokumenty na úrovni kurzu a 22 z 27 povolilo brainstorming, 22 omezilo nebo zamlžilo sestavování textu a 22 mlčelo o čtení. Jeden dokument pokrývající všechno bývá konkrétní v kroku, o který se učitel bojí, a vágní ve zbytku.

Lepší próza znamená, že výuka psaní zabrala. Studie vlastnictví našla lepší kvalitu eseje a nižší vlastnictví ve stejném odevzdání a Chenova podmínka otevřené spolupráce přinesla nejsilnější psaní s asistencí s nejslabším pozdějším samostatným výkonem. Kvalita prózy je mírou produktu. To, kvůli čemu kurz je, je mírou schopnosti.

Neomezený přístup plus dobrý prompt stačí. Studenti, kteří berou zpětnou vazbu od AI jako autoritu, z ní těží méně než studenti s rozvinutou gramotností ve zpětné vazbě. Přístup ke kritice a schopnost kritiku použít jsou dva různé statky.

Zákaz AI chrání proces psaní. Zákaz odpovídá na otázku, která se liší krok od kroku, a vytváří bariéry pro vícejazyčné pisatele, kteří potřebují jazykovou podporu, jež s autorstvím nemá nic společného. Fungující dělení vede mezi vyjádřením a intelektuální odpovědností.

Co vám na to řeknou

„Nemám čas číst další artefakt.“ Tak udělejte artefakt malý: čtyři sloupce rozhodovací tabulky nebo pět minut psaní ve výuce jako samostatný vzorek. Korpus nehlásí pro tyto návrhy žádná data o čase na známkování, takže nárokovost práce musíte otestovat na jednom úkolu, ne ji předpokládat z této stránky.

„Moji studenti budou AI používat bez ohledu na pravidlo.“ Budou, a designová otázka je, kterou odpověď váš úkol dělá nejsnazší. Deklarace, která nic nestojí, a rubrika, která platí za proces, činí z uvedení použití levnější cestu. Ten mechanismus pochází z modelování, ne z pokusu se zásadou uvádění použití, takže předpověď berte jako rozumnou a nepotvrzenou.

„Zákaz je jednodušší a chrání proces.“ Jednodušší ano. Zásady výše ukazují, jak jedna zásada na úrovni kurzu sklouzne k mlčení o krocích, na kterých záleží, a plošná jazyková omezení dopadají na studenty, kteří je potřebují nejvíc.

„Vrstevnická recenze je teď nadbytečná, když AI odpovídá za sekundy.“ Padesát osm procent studentů PAIRR upřednostnilo kombinaci a 6 % jen AI, a důvod, který uvedli, byly kontextové znalosti a znalost publika od vrstevníků. To měří zkušenost, takže to nese méně daleko než výsledek o učebním přínosu.

„Model hodnotí tento úkol stejně dobře jako já.“ Kalibrované systémy s podrobnými rubrikami a vypracovanými příklady dokážou určité úkoly skórovat dobře. Obecné známkování ne a Mathew et al. ukazují, že neshoda sleduje kvalitu eseje, místo aby se rozptylovala náhodně, což je těžší druh chyby, kterého si všimnout. Otestujte nástroj na své vlastní oznámkované sadě, než se dotkne známky.

„Tohle znevýhodňuje studenty se slabší akademickou angličtinou.“ Může, pokud pravidlo bere vyjádření a autorství jako jednu věc. Oddělte je a prověřte zpětnou vazbu od AI na vzorec, který našli Tan et al., kde identický text sklidil více chvály a méně věcné kritiky, jakmile byly v promptu demografické nebo vzdělanostní údaje. Korpus to zkreslení dokumentuje. Neuvádí otestovanou opravu, takže vaše vlastní srovnání je tou kontrolou.

Co udělat tento týden

1. Napište větu o schopnosti pro svůj příští velký úkol a dejte ji do zadání.

2. Přidejte jeden řádek vyžadující tvrzení, interpretaci nebo hrubý návrh studenta před jakýmkoli použitím AI a řekněte, co budete vybírat.

3. Označte každý krok toho úkolu jako nesoucí konstrukt, nebo ne, a přepište pravidlo AI tak, aby nástroj povolovalo tam, kde se krok nehodnotí.

4. Přidejte do rubriky čtyřsloupcovou tabulku rozhodnutí o zpětné vazbě a připojte k ní body.

5. Naplánujte jeden krátký text, na který žádný nástroj nesáhne, a rozhodněte teď, ke kterému úkolu patří.

Kam dál

Hodnotící strana tohoto argumentu, včetně návrhu autentizovaných kroků, je v Jak přepracovat hodnocení, aby známka stále říkala něco obhajitelného o tom, co student zná nebo umí?. Dokument zásad, který studenti skutečně čtou, najdete v Jak napsat politiku AI pro kurz a sdělit ji studentům?, a samotné nástroje zpětné vazby v AI Feedback Quality. Jak naučím studenty ověřovat výstupy AI? pokrývá, co by studenti měli kontrolovat, když model dodá tvrzení nebo zdroj, a konceptuální stránka Coach not crutch: Evidence that AI can improve writing skill despite reducing effort pojmenovává hranici, ke které se tato stránka stále vrací.