הערכה אותנטית

תרגום אוטומטי של העמוד באנגלית, שטרם נבדק בידי דובר/ת שפת אם.

הערכה אותנטית — עיצובן של הערכות הבודקות את ביצועי הסטודנט במשימות אינטלקטואליות ראויות וריאליסטיות, ולא בפריטי מבחן מבודדים ומתוקננים. החל מ-Wiggins (1990) כמשקל-נגד לבחינות המתוקננות, ההערכה האותנטית התפתחת משיחזור משימות מקום העבודה למסגרת רב-ממדית הכוללת אותנטיות מקצועית, דיגיטלית, אישית וחברתית. בינה מלאכותית יוצרת הפכה את ההערכה האותנטית לחיונית מחדש: כל משימה שמודל לשוני יכול לשחזר באופן אמין במסגרת של עבודה מהבית מאבדת את תוקפה כראיה לכשירות מקורית של הסטודנט, ולכן צורות אותנטיות חייבות להיות מעוצבות מחדש סביב מה שהבינה המלאכותית אינה יכולה לזייף באופן אמין.

שאלות למחשבה

• הערכה אותנטית בודקת ביצועים במשימות אינטלקטואליות ראויות וריאליסטיות ולא בפריטי מבחן מבודדים. לפני הקריאה, האם הנחתם שמשימה "אותנטית" פשוט משחזרת תרחיש מעולם האמיתי או ממקום העבודה? עמוד זה טוען שהאותנטיות התפתחת הרבה מעבר לשיחזור בלבד — אילו צורות נוספות היא יכולה לקחת?
• טענה מרכזית היא שכל משימה שמודל לשוני יכול לשחזר באופן אמין במסגרת של עבודה מהבית מאבדת את תוקפה כראיה לכשירות מקורית של הסטודנט. איזו הערכה בהוראה או בלימודים שלכם הייתם נחשבים כיום "ניתנת לזיוף" — ומה גורם לכם לומר זאת?
• העמוד מדגיש פער מחריד: רק 3 מתוך 37 מחקרים עסקו באותנטיות חברתית — האם ההערכה מסייעת לסטודנטים לתרום לשינוי חברתי. מדוע אתם חושבים שהממד החברתי של האותנטיות נזנח כל כך, ואיך עשויה להיות הערכתו בפועל?
• מאגר הידע טוען שהאותנטיות חייבת להיות "מעוצבת מחדש, לא מרוסנת". כאשר סטודנטים מחברים-שותפים ברובריקות, בוחרים מה וכיצד להגיש, ונמראים באינטראקציה בזמן אמת, השימוש בבינה מלאכותית הופך לצפוי ומוצהר במקום נסתר. כיצד מהלך כזה היה מזיז את היחסים בין הסטודנט למעריך?
• בחינות בעל-פה ותיקי עבודות מבוססי-תהליך מוצגים כצורות אותנטיות עמידות בפני בינה מלאכותית. אך השתקפות מדורגת והערכה עצמית עלולות להפוך למבצעיות — סטודנטים מבצעים את ההשתקפות שהם חושבים שמצפים לה. כיצד הייתם מתכנים להשתקפות אמיתית ולא למבצע?
• כאשר בינה מלאכותית מספקת את הרובריקה, את המשוב ואת הפיקוח, העמוד מזהיר שהפרקטיקה המטאקוגניטיבית של הסטודנט עשויה להידחות. אם הכלי הוא זה שמעריך, מה נשאר ללומד לתרגל או ללמוד בפועל?

מבוא

ההערכה האותנטית יושבת בלב הדרך שבה הערכה נחשבת מחדש בעידן הבינה המלאכותית. היא מתחברת לתוקף ההערכה (האם ההערכה מודדת את מה שהיא טוענת למודוד?), להערכה עיצובית (משימות אותנטיות שמעשירות את הלמידה), וליושרה אקדמית (מעבר מגילוי לעיצוב משימות שבהן השימוש בבינה מלאכותית צפוי ומוצהר). זוהי תגובה מרכזית בספרות עיצוב-ההערכה-מחדש של מאגר הידע.

התפתחות האותנטיות

• שורשי שנות ה-90 — משימות אינטלקטואליות ראויות: Wiggins (1990) הציע הערכה אותנטית כבדיקה ישירה של "ביצועי הסטודנט במשימות אינטלקטואליות ראויות", משקל-נגד לבחינות מתוקננות.
• אימוץ סוף שנות ה-90 — שיחזור מקום העבודה: Joughin (1998) מיסגר את האותנטיות כמידה שבה ההערכה משחזרת פרקטיקה מקצועית או חיים אמיתיים — תפיסה ששלטה במשך שני עשורים.
• ביקורת שנות ה-20 — מעבר לשיחזור: McArthur (2023) טען שההערכה האותנטית חייבת לאפשר לסטודנטים "להשפיע על העתיד ולשנות את החברה" ולא רק לשחזר משימות קיימות; Ajjawi et al. (2024) הרחיבו את האותנטיות לצורות הקשר, משימה ואישיות שמשקפות את חוויית הסטודנט.
• בינה מלאכותית יוצרת כאתגר קיומי: Zhan, Boud & Du (2025) מציינים שבינה מלאכותית יוצרת הופכת את אותנטיות שיחזור-מקום-העבודה לפגיעה מחדש, ודוחפים למעבר לעבר אוריינות דיגיטלית, שיתוף פעולה בזמן אמת, תרומה חברתית, ויצירת-משמעות אישית שהבינה המלאכותית אינה יכולה לזייף באופן אמין.

מודל עיצוב שש-ממדי

סקירת ההיקף של Zhan, Boud & Du (2025) של 37 מחקרים אמפיריים (2000–2024) מציעה שישה ממדי עיצוב: (1) אותנטיות בהערכה (אותנטיות הערכה, מקצועית, דיגיטלית, עצמית וחברתית — כאשר רק 3 מתוך 37 מחקרים עסקו באותנטיות חברתית, פער קריטי), (2) אתגרים קוגניטיביים, (3) קריטריוני הערכה (כאשר סטודנטים הם לעתים קרובות נמענים פסיביים ולא מחברים-שותפים ברובריקות), (4) משוב (דומיננטי-מעצב, אך משוב קיימים נדיר), (5) סוכנות הסטודנט (בחירה במה/כיצד/מתי/היכן להגיש הייתה נדירה), ו-(6) שיתוף פעולה חברתי. היא מציעה גם מודל עיצוב-שותפים מחזורי — משא ומתן על מטרות, יצירת הקשר, עיצוב-שותפים של קריטריונים, תכנון משוב — שכלי בינה מלאכותית יוכלו להפעיל.

Dollinger and Nieminen (2026) מגבילים את האופטימיות הזו בפרדוקס ההערכה המכילה: הן מודל ההתאמות והן הביקורות המבניות שממסגרות מחדש את ההערכה כמנשלת משאירים ללא שינוי את ההיגיון של סכום-אפס ש"כדי שסטודנט אחד יצליח, מישהו אחר צריך להיכשל", ולכן צורות מבוזרות וסוכניות חייבות לשנות את ההיגיון הזה ולא רק להרחיב את הגישה.

הערכה אותנטית בעידן הבינה המלאכותית

ספרות עיצוב-ההערכה-מחדש של מאגר הידע טוענת שהאותנטיות חייבת להיות מעוצבת מחדש, לא מרוסנת:

• Beyond Detection טוען שהאותנטיות אינה ניתנת לריסון לקיום; היא חייבת להיות מעוצבת, וממקמת את הבינה המלאכותית כשותפה מוצהרת ולא כיישום רמאות, ומעדיפה הערכה אותנטית ומבוססת-תהליך על פני פיקוח.

• Responsible Assessment ממסגרת מחדש את ההערכה סביב ראיות תוקף ומשימות אותנטיות המשקפות את העבודה העתידית של הסטודנטים.

• Authentic products, authenticated processes בודקת כיצד השכלה גבוהה עשירה בבינה מלאכותית יכולה להעריך הן פלטים אמיתיים והן את התהליכים שהפיקו אותם.

• שותף כתיבה מבוסס בינה מלאכותית עדיין משאיר את השיפוט. Paula et al. (2026) הטיסו מתכנן הערכה מבוסס GPT-4.1 עם שמונה רכזים: הוא הפיק סקירות, משימות, קריטריונים, צירי זמן ורובריקות שמישות, אך פספס שוב ושוב הקשר תחומי וסדרת נושאים, וכל שמונה סירבו לאוטומציה מקצה-לקצה, ומקמו את שיפוט האקדמי ולא את המודל.

• מסגרת בלתי-תלוית-כלי טוענת להערכה של שיטות חישוביות ותהליך ולא של פלטים ספציפיים-כלי, באמצעות הגנה בעל-פה ואימות.

• תשתית מוסדית לראיות תהליך. מסגרת הבטחת-איכות שהוזמנה הופכת את טענת התהליך למדיניות, ומתייחסת לעקבות תהליך-למידה — עריכות חותמות-זמן, שימוש במשאבים, הנחיות מטאקוגניטיביות — כראיה עמידה שתמלילים אינם יכולים להראות, ומצטטת תכונות תהליך שמסבירות יותר שונות בביצועים מתכונות מוצר לבדן (Lodge et al. (2026)).

• הערכה בעל-פה סקלבילית, עם אזהרת ניקוד. Pentland, Lowenthal & Krier (2026) מסרו תשובות מוקלטות מוגבלות-זמן ולא-ניתנות-לתיקון, שנדרגו כנגד רובריקות מוטמעות, ומצאו שסטודנטים גברו על בחינות הרב-ברירה שלהם בפנים-אל-פנים; הם מדגישים שזהו אפקט פורמט ולא הישג למידה, עם ניקוד מחודש של מודלים לשוניים שמסכים עם המרצה ב-ICC = 0.73 ו-0.60.

• Reconsidering oral exams ממקמת את הבחינה/ההערכה בעל-פה כאלטרנטיבה אותנטית בעלת-טכנולוגיה-נמוכה שהיא עמידה בפני בינה מלאכותית באופן סגולי — הדיאלוג בזמן אמת והאינטראקטיבי שלה בודק הבנה, חשיבה ביקורתית, והיגיון (לא שינון), משקף פרקטיקה מקצועית, ומונע מסטודנטים להשתמש בבינה מלאכותית כדי להפיק ולשנן תשובות. היא מציעה קבוצה קונקרטית של המלצות מעשיות (רובריקות ברורות, תוכן מתוקנן, הכשרת מעריכים, הנחיות הנחיה, צמצום הטיה) להחדרת הערכה בעל-פה מחדש בתיכון ובהשכלה גבוהה.

• הערכת תיק עבודות אלקטרוני היא צורה אותנטית ומבוססת-תהליך נוספת שמתנגדת להמצאת בינה מלאכותית: Zhan, Boud & Du (2025) מזהים תיקי תרומה חברתית בין הצורות האותנטיות העמידות ביותר בבינה מלאכותית יוצרת, וBeyond Detection ממליצים על תיקים מועשים והדמיות מוקלטות שבונות היגיון בזמן אמת. Ni & Lam (2026) וLaksana et al. (2026) מראים שבינה מלאכותית יוצרת יכולה לסייע בתהליך התיק — משוב, כתיבה, השתקפות — בעוד עקבות ההיגיון והטיוטות של התיק שומרים על האותנטיות.

• קריטריוני אותנטיות עצמם יכולים לרסן שימוש בבינה מלאכותית. Chen and Zou (2026) מצאים שרובריקה הדורשת מסטודנטים לעגן מצגת קבוצתית בניסיון ההוראה הישיר שלהם, ולהשתקף על תצפיות כיתתיות משותפות, הובילה שבעה מתוך חמש-עשרה קבוצות סטודנטים לצמצם בכוונה את השימוש שלהן ב-GenAI. הסטודנטים טענו שהכלי אינו יכול לעמוד בדרישה האפיסטמית — "בינה מלאכותית יודעת רק את הרגע שבו אתה מקליד" — כי היא חסרה את הידע האורכי והממוקם שהיו להם לחבריהם לכיתה ולמורה. שתי השכבות נחשבו: האותנטיות של המשימה והאותנטיות היחסית של תרומת המחשבה העצמית לקבוצה, שמסגרה מחדש שימוש כבד בבינה מלאכותית כפרידת-חינם על חברים. השלמת העיצוב היא שקריטריונים אותנטיים ומעוגני-ניסיון מבצעים עבודה הערכתית גם בלי אכיפה — הם מספקים סיבה לריכוז שהצהרות מדיניות אינן מספקות.

• צמדו משימה פגיעה עם פחות פגיעה. Roe, Perkins & Giray (2026) מצמדים משימה פגיעה ב-GenAI עם שנייה המעריכה את אותן תוצאות, מתזמונים אותה בסמיכות כדי שכל אחת תוכל לבדוק את רעותה, והופכים את הציון לתלוי-הדדי באמצעות סף אישור או שקלול.

Sharma (2026) טוען שעיצוב מוכוון-יושר ועיצוב אותנטי אינם אותו הדבר, וההבדל הוא אפיסטמי ולא סגנוני. האותנטיות שואלת האם משימה משקפת פרקטיקה אמיתית ראויה; עיצוב מוכוון-יושר שואל האם לומדים יכולים להצדיק את החלטותיהם ולשאת באחריות ביחס לסטנדרטים תחומיים, מה שהופך את היושר לקריטריון מפורש, ניתן-להערכה ומוטמע בארכיטקטורת המשימה במקום לתוצר נלווה של הריאליזם. הפרקטיקות שהוא מציע — שבילים החלטה מועשים, אימות טענות שתרמנה GenAI, הגנה בעל-פה ואחריות דיאלוגית, הבדלי טיוטות עם היסטוריית גרסאות — הן בצורה הניתנת-לזיהוי צורות הערכה אותנטיות, אך הן נבחרו בשל השיפוט שהן הופכות לנראה ולא בשל הריאליזם שלהן, וזו תיקון מועיל למשימות שנראות אותנטיות ונשארות ניתנות-לזיוף במהותן. האזהרה שלו שייכת לעמוד הזה גם כן: דרישת היגיון מתועד מעניקה זכויות ללומדים רהוטים יותר בדיסקורס השתקפותי, ושיפוט כראיה "נשאר יחסי וממוקם ולא ניתן-לאימות מכני", ולכן העיצוב נושא אתו נטל אמינות-פרשנית משלו.

אותה שאלה ממוסגרת מחדש על ידי Thapa and Lewis (2026), שמכנים את מה שמשימה אמורה לאמת ולא אם היא נראית אמיתית: אותנטיות אפיסטמית, המידה שבה ההערכה תופסת מעורבות אמיתית בפרשנות, בשיפוט הערכתי, בהיגיון ובבניית ידע. טענתם היא שהאותנטיות לבדה אינה שורדת בינה מלאכותית יוצרת, מכיוון שמשימה אותנטית שהראיה שלה היא מוצר אחד ללא פיקוח חשופה לאותה בעיית תחליף כמו החיבור שהחליפה אותו. הפיכת ההיגיון לנראה דורשת במקום זאת הגשות מדורגות, הצדקה משתקפת, מעורבות דיאלוגית ושקיפות הערכתית. הם נושאים את האזהרה שלעיל לעיצוב: משימות משתקפות ודיאלוגיות יכולות להעניק זכויות לסטודנטים בטוחים בהבעה-עצמית האקדמית אלא אם הן מעוצבות באופן מכיל ופיגום, והעבודה היחסית מגבירה את עומס הרגשי של מחנכים במסגרות גדולות או מוגבלות-משאבים.

כאשר פרקטיקנים נסוגים לפורמטים המרוסנים

מאגר הידע טוען שהאותנטיות חייבת להיות מעוצבת ולא מרוסנת, וGoldstein, Marae-Haj and Zidan (2026) מספקים את הראיה הנגדית מהפרקטיקה: לאחר משבר אמון שבו מורים עתידיים-להכשרה הגישו עבודה גלמית של בינה מלאכותית יוצרת כשלהם, מחנכי מורים בשבעה מכללות ישראליות עיצבו מחדש את ההערכה סביב ראיות תהליך (הנחיות, היסטוריית גרסאות של מסמכים, תרומות קבוצתיות בפיקוח) וביצועים בכיתה — אך מספרים מהם תיארו גם נסיגה, כאמצעי אחרון, לבחינות בפיקוח והגנות בעל-פה צפויות על עבודות גמר, כאשר משתתף אחד כינה את החזרה לבחינות כואבת באופן אישי אך בלתי-נמנעת. כנגד העמדה המעדיפה-עיצוב, הממצא מסמן דפוס כשל ולא פתרון: במקום שבו האותנטיות אינה מעוצבת מחדש מראש, התגובה המעשית לעבודה מוגשת שלא ניתנת להערכה היא שליטה משוחזרת — פיקוח בשם אחר — שמחדירה מחדש בדיוק את הפורמטים שספרות ההערכה האותנטית מנסה לעבור מעבר להם. הדבר מראה גם את העלות המוחשית של האלטרנטיבה: משתתפים דיווחו שהערכות הכתובות שלהם לעבודה מהבית לא יכלו עוד להוות ראיה ללמידה כלל, ושגיוס תיעוד התהליך דרש עבודה אמיתית.

דפוס כשל שני יושב בתוך עיצוב-המחדש עצמו: על פני חמש שיטות הוראה שפות מקוונות, מתחים הקשורים-אותנטיות שלטו בסיפורים של המורים (11 מתוך 20), ובהם שחיקת ריאליזם המשימה — פעילויות שעוצבו מחדש להיות עמידות בפני בינה מלאכותית ולא אותנטיות (Baoyi and Khan (2026)).

הנסיגה נושאת עותק ראייתי שהראיה מקובצי-התיק הופכת לנראית. Munoz et al. (2026) קודדו 1,162 טענות התנהגות-בלתי-הוגנת של בינה מלאכותית יוצרת, ומצאו שסוגי הראיה החזקים ביותר נוצרים על ידי החקירה או על ידי הפיקוח ולא על ידי הטענה, ושראיות תהליך כמו טיוטות, פגישות פיקוח ומצגות מופיעות רק במקום שהפרקטיקות האלה כבר קיימות — ולכן בהערכה שלא עוצבה מחדש, ראיות התהליך שהספרות הזו ממליצה עליהן פשוט אינן זמינות, ותיקים נשענים על קטגוריות חלשות יותר. מה שעומד במקומן הוא החומר החלש ביותר בגוף שלהם: פלט של גלאי קיבל את דירוגי ההוכחתיות הנמוכים ביותר מכל קטגוריה, וHadra et al. (2026) מראים מדוע, עם דיוק מאקרו של 0.69 (Originality) ו-0.61 (Turnitin) על 192 טקסטים, כישלון כמעט-מוחלט על כתיבה היברידית של אדם ובינה מלאכותית, ונטייה שגבולית לקרוא באופן שגוי עבודת סטודנטים באנגלית כשפה זרה כבינה מלאכותית. Wright (2026) מוסיף את ממד עיצוב-הכללים: איסורים שנכתבו לפי זהות הפלטפורמה ולא לפי תפקוד הם כוללים-יתר במקרה, ולכן פורמט מרוסן יכול לסנקציונא סטודנט שלא עשה את הדבר שהכלל נועד למנוע, ונופל בכבדות ביותר על הסטודנטים שהסתמכו על כלי תמלול למען נגישות. יחדיו, הנסיגה מחליפה את הראיה הפחות-הוכחתית הזמינה בראיות התהליך שעיצוב אותנטי היה מייצר מלכתחילה.

• למידה עצמית מוסדרת: סוכנות הסטודנט בהערכה אותנטית (בחירה, השתקפות עצמית, עיצוב-שותפים) משקפת את מחזור התכנון-מוקדם → ביצוע → השתקפות-עצמית, אם כי השתקפות מדורגת עלולה להפוך למבצעית.
• מטאקוגניציה: מטאקוגניציה נדרשת כדי שסטודנטים יעריכו את עבודתם כנגד רובריקות שעוצבו בשותפות; כאשר בינה מלאכותית מספקת את הרובריקה, את המשוב ואת הפיקוח, הפרקטיקה המטאקוגניטיבית של הסטודנט עשויה להידחות.
• משוב מעצב וקיים: הערכה אותנטית מדגישה משוב מעצב, מוכוון-עתיד, שמעביר להקשרים מאוחרים יותר.

השלכות לבינה מלאכותית בחינוך

• סוגי הערכה עמידי-בינה מלאכותית: הדגמות במעורבות-חיה, תיקי תרומה חברתית, ארטיפקטים שנוצרו בשותפות עם מוצא שניתן-לבקרה, ואינטראקציה מגולמת בזמן אמת עמידים יותר בבינה מלאכותית יוצרת מחיבורי-עבודה-מהבית או בחינות רב-ברירה.

• החשיפה ניתנת-למידוד. תואר פסיכולוגיה בן שלוש שנים התברר כניתן-ציון ב-90%: ChatGPT הפיק פלט הולם ב-36 מתוך 40 הערכות קורס, ורק ארבע המשימות שדרשו נוכחות, ארטיפקט חזותי, או את הנתונים של הסטודנט עצמו עמדו במרי (Ivory et al. (2026)).

• עיצוב-שותפים בקנה מידה: כלי בינה מלאכותית יוכלו לאפשר עיצוב-שותפים של רובריקות ויצירה-שותפת של פרמטרי הערכה על ידי סטודנטים בקנה מידה של כיתה או של MOOC — אם כי סוכנות המתווכת-מכונה חייבת להיות מעוצבת בקפדנות.

• טפלו בפער האותנטיות החברתית: רק 3 מתוך 37 מחקרים עסקו בנושאים חברתיים; כלי הערכה מבוססי בינה מלאכותית צריכים לסייע לסטודנטים לתרום לשינוי חברתי, לא רק לדמות אותו.

• משוב קיים: משוב של בינה מלאכותית צריך להיות מעוצב להעביר להקשרים עתידיים, לא רק לספק תיקונים רגעיים וריאקטיביים.

• למדידה ממוקדת-תהליך יש כעת ראיות תוקף. Oliveira et al. (2025) דירגו 70 חיבורים מדורגים על כיצד סטודנטים ניווטו דיאלוג GenAI והפכו ידע קורסי לנראה; ציוני התהליך האלה התאימו ב-r = 0.54 לציוני חיבור מסורתיים, תוך תגמול עבודה קונספטואלית על פני מפרט משימה מובנה.

• הערכה אותנטית מתאימה לתחומים מוכווני-פרקטיקה. Mesny, Roberge-Maltais & Galy (2026) מוצאים שהערכה אותנטית מתאימה במיוחד לחינוך ניהולי: משימות המשקפות בעיות מקצועיות אמיתיות (פרויקטי ייעוץ חיים, לוחות מחוונים עם תדריכים למנהלים) מתיישרות עם המוקד הפרקטיקה-והמוכוון-כושר-התעסוקה של התחום, ויכולות לתמוך באלטרנטיבות מכילות ושומרות-יושר להערכה ממוקדת-בחינות בעידן הבינה המלאכותית היוצרת. בסקירתם של 58 מאמרים מארבעה כתבי-עת של חינוך ניהולי, עם זאת, ההערכה האותנטית הופיעה בעיקר באמצעות סימולציות המתווכות-טכנולוגיה, ולעתים קרובות התבלבלה עם למידה חווייתית — פער טרמינולוגיה שיכול להסתיר את ערכה הרחב ואת יישומה.

• אותנטיות אינה אבטחה, והפער גלוי בקנה מידה סקטוריאלי. במקום שבו ביקורת התואר הבודדת שלעיל מצאה 90% מהקורסים ניתני-ציון, Villanueva (2026) מדרג מצגות מוקלטות, פרויקטי קבוצה מרחוקים וארטיפקטים דיגיטליים ללא פיקוח ברצועת החשיפה הגבוהה על פני 53,915 פריטים, מכיוון שהרשומה הציבורית אינה מראה דבר על כיצד הופקדה הייצור.

מושגים מחוברים

• זהות הלומד — זהויות לומד מתפתחות: תחומיות, מקצועיות, יצירתיות ואקדמיות
• תיק עבודות אלקטרוני (e-portfolio)
• למידה מבוססת בעיות
• הערכה
• תוקף ההערכה
• הערכה עיצובית
• הערכה אוטומטית
• יושרה אקדמית
• גילוי בינה מלאכותית
• למידה עצמית מוסדרת
• מטאקוגניציה
• הערכת מערכות בינה מלאכותית בחינוך
• השכלה גבוהה
• בינה מלאכותית יוצרת
• בינה מלאכותית בחינוך
• משוב
• הערכה מסכמת — הערכה מסכמת: פורמטים עמידים בבינה מלאכותית (בעל-פה, בפיקוח, בספרים סגורים)
• חינוך לאמנויות, עיצוב ומדיה

מאמרים מחוברים

• Preserving epistemic authenticity: process-oriented assessment in the age of generative AI — הערכה ממוקדת-תהליך ואותנטיות אפיסטמית כמה שמשימה צריכה לאמת

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — What AI could not pass: presence, visual artifacts, and the student's own data (Ivory et al. 2026)

• The Paternalistic Filter: Epistemic Injustice and Differential Refusal in LLM-Mediated History Education for Marginalized Romanian Students — Paternalistic AI use and student identity in history education

• Coauthorship integrity: Reconceptualising assessment validity for the age of generative artificial intelligence

• Teaching with Generative Artificial Intelligence: Enhancing Critical Thinking and Ethical Awareness in Academic Writing

• From Classroom Design to Newsroom Practice: Assessment Intervention Designing GenAI

• Raising Ethical Awareness of GenAI Use Through Student Self-Assessment in the Transition to Higher Education

• Reimagining Success and Failure: Equitable Assessment Practices in an Age of Artificial Intelligence

• Aligning ChatGPT with E-Portfolio Assessment as EFL Learning Model: Its Effect on Students' Speaking Performance and Feedback Literacy

• Students' Perceptions of Multiliteracies Development Using AI-Assisted Portfolio Assessment

• Using Generative AI to Simulate Patient History-Taking in a Problem-Based Learning Tutorial: A Mixed-Methods Study

• Problem-Based Learning and the Structural Conditions for Productive AI Integration

• Designing for Authentic Assessment: A Scoping Review — Designing for Authentic Assessment: A Scoping Review

• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Beyond Detection: Authentic Assessment

• Responsible Assessment in the AI Era: Key Insights from a Future-Focused Conference — Responsible Assessment in the AI Era

• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — Authentic Products, Authenticated Processes

• A Tool-Invariant Framework for Teaching and Assessing Computational Methods in the Age of Agentic AI — Tool-Invariant Framework for Teaching and Assessing Computational Methods

• Confidence Estimation in Automatic Short Answer Grading with LLMs — Confidence-aware automated short-answer grading

• The LLM Fallacy: Misattribution in AI-Assisted Cognitive Workflows — The LLM Fallacy and Misattribution of Competence

• The University AI Didn''t Replace: Rethinking Universities in the AI Era — Rethinking Universities in the AI Era

• Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity — Multiple assessment methods to counter AI misconduct

• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — Reconsidering oral exams as authentic, AI-resistant assessment

• Assessment twins: An approach for strengthening assessment validity in the age of generative AI — Assessment twins for strengthening assessment validity in the age of GenAI (Roe, Perkins & Giray 2026)

• Assuring quality learning in a gen AI-integrated future: The role of adaptive capabilities. TEQSA, June 2026 — Adaptive capabilities for assuring quality learning in a gen AI-integrated future (Lodge et al. 2026)

• Asynchronous Oral Assessments: Enhancing Integrity, Engagement, and Communication in the AI Era — Asynchronous Oral Assessments in the AI Era (Pentland 2026)

• Assessing students' DRIVE: A framework to evaluate learning through interactions with generative AI — DRIVE: assessing learning through GenAI interaction (DRI + Visible Expertise)

• Innovative assessment and grading practices in higher education: A critical exploration for management educators

• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Authenticity criteria that led student groups to reduce GenAI use

• Pioneering Teacher Educators Navigating AI Integration in Pre-Service Teacher Preparation: Strategies and Challenges — The AI trust crisis that pushed teacher educators back toward supervised exams and oral defenses (Goldstein et al. 2026)

• Educational integrity in GenAI-augmented assessment: making judgment visible — Integrity-oriented design distinguished from authentic assessment: making judgment visible (Sharma 2026)

• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — What misconduct allegation files actually contain as evidence, and the process evidence they lack (Munoz et al. 2026)

• Evaluating the accuracy and reliability of AI content detectors in academic contexts — Detector accuracy and hybrid-writing failure: why detection is weak fallback evidence (Hadra et al. 2026)

• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Over-inclusive AI prohibitions: transcription is not generation (Wright 2026)

• Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education — Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education

• AI and higher education: teachers' perceptions of students' ethical tensions in online pedagogical methods — Task realism corrosion: AI-resistant redesign eroding authenticity in online language teaching

• How AI-vulnerable is Australian higher education assessment? A computational audit of Group of Eight Arts and Humanities units, 2022–2026 — Authentic-surfaced formats (recorded presentations, remote group projects, digital artifacts) score high across 53,915 items: authenticity does not verify authorship