मूल्यांकन की वैधता

यह अंग्रेज़ी पेज का ऑटोमैटिक अनुवाद है और इसकी अभी तक किसी मूल भाषी ने समीक्षा नहीं की है।

मूल्यांकन की वैधता — क्या मूल्यांकन वही मापते हैं जो मापने का दावा वे करते हैं। शिक्षा में AI मौलिक वैधता प्रश्न उठाते हैं: क्या AI-द्वारा ग्रेड किए गए मूल्यांकन विद्यार्थी की सीख का आकलन करते हैं या AI प्रॉम्प्टिंग कौशल का? क्या AI का उपयोग पारंपरिक मूल्यांकन की मान्यताओं को अमान्य बना देता है?

विचार करने योग्य प्रश्न

• वैधता यह पूछती है कि कोई मूल्यांकन वही मापता है जो मापने का दावा वह करता है। पढ़ने से पहले, यदि आपने किसी विद्यार्थी को एक चमकदार निबंध जमा करते देखा जिस पर आपको संदेह था कि उसमें AI की सहायता ली गई है, तो क्या आपको लगता कि बड़ी समस्या नकल करना था, या यह कि कार्य अब वही नहीं माप रहा था जो आपको लगता था कि वह माप रहा था?
• यह पृष्ठ एक तीखा प्रश्न उठाता है: जब विद्यार्थी AI का उपयोग करते हैं, तो क्या अंक विद्यार्थी के ज्ञान को दर्शाते हैं या AI-प्रॉम्प्टिंग कौशल को? क्या आप कोई ऐसा मूल्यांकन सोच सकते हैं जिसे आपने बनाया या दिया हो और जहाँ अंक अब शिक्षार्थी के बजाय उपकरण के बारे में अधिक बता सकते हों?
• एक प्रमुख निष्कर्ष यह है कि एक ही शिक्षार्थी इनपुट को किस अंतर्निहित LLM का उपयोग किया गया है इसके आधार पर अर्थतः भिन्न उत्तर मिल सकते हैं — जिससे 'कंस्ट्रक्ट-अप्रासंगिक विचरण' उत्पन्न होता है जो विश्वसनीयता और निष्पक्षता दोनों को खतरे में डालता है। यदि दो विद्यार्थियों को केवल उस मॉडल के कारण अलग-अलग AI सहायता मिले जो उनके पीछे चल रहा है, तो नतीजतमक तुलना कितनी निष्पक्ष है?
• पृष्ठ का तर्क है कि तब भी जब कोई LLM अच्छा प्रदर्शन करता है, मानव अंक-व्याख्याओं को हस्तांतरित करने के लिए प्रतिक्रियाओं की सुप्त संरचना में समानता आवश्यक है — और LLM यहाँ मनुष्यों से भिन्न होते हैं। मनुष्यों के लिए बनाए परीक्षा में 'पास' होने वाली AI पर भरोसा करने के बारे में यह क्या सुझाव देता है?
• AI के उपयोग का पता लगाने के प्रयास करने के बजाय, ज्ञानकोष मूल्यांकनों को इस प्रकार पुनर्निर्मित करने की वकालत करता है कि वे AI-सक्षम विद्यार्थियों के लिए वैध बने रहें। कार्य को पुनर्निर्मित करना AI के उपयोग पर निगरानी रखने से अधिक वैधता-संरक्षक रणनीति क्यों हो सकता है?
• AI अब परीक्षार्थी, प्रश्न-निर्माता, मूल्यांकक और विश्लेषक — सभी भूमिकाओं में कार्य करता है, जिससे व्याख्यात्मक श्रृंखला अपारदर्शी हो जाती है। जब मूल्यांकन की हर भूमिका AI द्वारा निभाई जाती है, तो बीच में खड़े मानव शिक्षार्थी के लिए मूल्यांकन को 'वैध' कहना का अर्थ क्या होता है?

परिचय

वैधता चुनौतियाँ

• कंस्ट्रक्ट की वैधता: जब विद्यार्थी मूल्यांकनों पर AI का उपयोग करते हैं, तो क्या अंक विद्यार्थी के ज्ञान को दर्शाते हैं या AI की क्षमता को? प्रदर्शन बनाम सीख के बारे में शोध इसका सीधे आकलन करता है।

• संवाद-आधारित मूल्यांकन में LLM के बीच कंस्ट्रक्ट-अप्रासंगिक विचरण: Hao (2026) दिखाते हैं कि एक ही संवादमूलक चरण के लिए भी बड़े भाषा मॉडल (LLMs)-जनित प्रतिक्रियाओं का अर्थसामग्रीपूर्ण विषय-वस्तु मॉडलों और संवादमूलक संदर्भ की स्थितियों के अनुसार बदलती है। एक ही मॉडल के भीतर समानता लगातार मॉडलों के बीच समानता से अधिक रहती है (0.715–0.795 बनाम 0.443–0.604), और चैट इतिहास जोड़ने से प्रतिक्रिया की सामग्री सार्थक रूप से बदलती है (मध्यिका क्रॉस-हिस्ट्री समानता ~0.40–0.45)। चूँकि एक ही शिक्षार्थी इनपुट को अंतर्निहित मॉडल के आधार पर अर्थतः भिन्न प्रतिक्रियाएँ मिल सकती हैं, प्रॉम्प्टिंग और संदर्भ अकेले प्रतिक्रिया की संगति को बनाए नहीं रख सकते — जिससे संभावित कंस्ट्रक्ट-अप्रासंगिक विचरण उत्पन्न होता है जो वैधता, विश्वसनीयता और निष्पक्षता को खतरे में डालता है। LLM के विकास के साथ मूल्यांकन की स्थितियों को संगत रखना इसलिए एक इंफ्रास्ट्रक्चर चुनौती (प्रतीकात्मक नियम, प्रतिक्रिया टेम्पलेट, सत्यापन परतें) है, केवल प्रॉम्प्ट इंजीनियरिंग की चुनौती नहीं।

• वे प्रमाण जो उपस्थित होते हैं फिर भी मूल्यांकक तक नहीं पहुँचते: Abreu, Stari और Martí (2026) एक कंस्ट्रक्ट-अप्रासंगिक खतरे को नाम देते हैं जो किसी भी तर्क से पहले आता है: प्रयोगात्मक भौतिकी प्रयोगशाला रिपोर्टों के AI समीक्षा में, कोई समीकरण, ग्राफ, तालिका या इकाई सही ढंग से रिपोर्ट में शामिल हो फिर भी उस प्रसंस्कृत सामग्री से नहीं मिल सकती जिस पर मॉडल काम करता है, और चूँकि चिह्न, मान या इकाई का बदलना भौतिक व्याख्या को बदल देता है, प्रशिक्षक से असहमति का अर्थ तर्क में त्रुटि होना आवश्यक नहीं है। उनका उपाय प्रक्रियात्मक है — फोटो खींचे स्कैन के बजाय उच्च-रिज़ॉल्यूशन PDF, समीकरण संपादक में लिखे गए समीकरण, आकृतियों के भीतर स्पष्ट अक्ष और इकाइयाँ, और हर अंक के लिए ठोस उद्धरण की माँग करने वाले निर्देश — क्योंकि दस्तावेज़ की गुणवत्ता उस वैधता दावे की छत तय करती है जिसे प्राप्त अंक समर्थन देते हैं।

• मनुष्यों और LLM के बीच सुप्त संरचना की वैधता: Strugatski et al. (2026) एक गहरी वैधता शर्त जोड़ते हैं: तब भी जब कोई LLM अच्छा प्रदर्शन करता है, मानव अंक-व्याख्याओं को हस्तांतरित करने के लिए प्रतिक्रियाओं की सुप्त संरचना में समानता आवश्यक है। छह बहुमाध्यमी AI LLM की तुलना मानव समूहों से रसायन और मात्रात्मक-तर्क उपकरणों पर करते हुए, वे पाते हैं कि LLM–मानव कारक संरचनाएँ लगातार भिन्न होती हैं (LLM–मानव सुसंगति मानव–मानव आधाररेखा से कम), इसलिए मानव-आधारित परीक्षा में प्रदर्शन उन कंस्ट्रक्टों पर LLM की क्षमताओं के बारे में कमज़ोर प्रमाण है जिन्हें मापने के लिए वे प्रश्न बनाए गए थे।

• परिणामी वैधता: क्या AI-माध्यमित मूल्यांकनों के परिणाम निष्पक्ष हैं? भाषा पूर्वाग्रह अध्ययन दिखाते हैं कि AI अंकन गैर-मूल भाषियों को हानि पहुँचा सकता है।

• भाषा परीक्षण में एक चली हुई निशाना। TOEFL iBT, IELTS, PTE Academic और Duolingo English Test जैसे उच्च-दांव परीक्षाएँ अभी भी बिना सहायता, समयबद्ध पठन और लेखन की माँग करती हैं जबकि छात्र अब शैक्षणिक जीवन में उन कार्यों के लिए GenAI का उपयोग करते हैं, इसलिए बाह्य-निर्धारण निष्कर्ष — बिना सहायता वाले स्कोर से वास्तविक शैक्षणिक प्रदर्शन तक — सबसे अधिक प्रभावित कदम है (Gonulal (2026))।

• नियम का दायरा स्वयं एक वैधता गुण है: Wright (2026) तर्क देते हैं कि 2023 से उच्च शिक्षा में लिखे गए निषेध "जनरेटिव AI" पर लागू होते हैं, बिना इस तकनीकी सटीकता के कि मूल्यांकित सामग्री के निर्माण को प्रारूप के रूपांतरण से अलग किया जा सके, क्योंकि ऑप्टिकल कैरेक्टर रिकग्निशन, हस्तलिखित पाठ पहचान और स्पीच-टू-टेक्स्ट पहचान तकनीकें हैं जो पहले से मौजूद पाठ को अनुमानित करती हैं न कि नई सामग्री बनाती हैं। जहाँ कोई नियम कार्य के बजाय प्लेटफ़ॉर्म की पहचान से जुड़ता है, वह परिभाषात्मक दुर्घटना से अति-व्यापक है: यह एक बहु-कार्यात्मक उपकरण के केवल-ट्रांसक्रिप्शन उपयोग को समेटता है और उस विद्यार्थी को दंडित करता है जिसने वह काम नहीं किया जो नियम रोकने के लिए बनाया गया था, और सबसे गहरा प्रभाव शिक्षार्थी पर पड़ता है जो सुगम्यता के लिए इन उपकरणों पर निर्भर हैं — एक अनुमान जिसे मूल्यांकन उस कंस्ट्रक्ट के बारे में नहीं दे सकता जिसका दावा वह मापने का करता है। वह सीमांत मामलों के लिए कार्य-आधारित प्रारूपण के साथ-साथ चार परिचालन मानदंड (निष्ठा, गैर-संवर्धन, अनुसरणीयता, प्रमाणन) प्रस्तावित करते हैं, और डिटेक्टर आउटपुट और शैली अनुमानों पर निर्भरता को नियम की अपनी सबूतीय आधार की कमज़ोरी का प्रमाण मानते हैं।

• एजेंटिक पूर्णता मानव-उत्पादन धारणा को हटा देती है: Hadjisolomou और El-Haddad (2026) वैधता विश्लेषण को जनरेटिव सहायता से एजेंटिक पूर्णता तक विस्तारित करते हैं: स्वायत्त AI एजेंट अब LMS में लॉग इन कर सकते हैं, सामग्री पढ़ सकते हैं, और अप्रॉक्टर्ड अतुल्यकालिक कार्य को end-to-end पूरा कर सकते हैं (एक सक्रिय पाठ्यक्रम पर प्रदर्शित — एक क्विज़ 5 मिनट से कम में 10/10 अंक, और एक गढ़ी-लेकिन-विश्वसनीय चर्चा-बोर्ड प्रतिबिंब)। Kane के तर्क-आधारित अनुमान श्रृंखल के आधार में एक "मानव-उत्पादन धारणा" रखकर, वे दिखाते हैं कि एजेंट पूर्णता चुपचाप उस अंकन अनुमान का समर्थन हटा देती है जिस पर सामान्यीकरण, बहिष्कार और निर्णय अनुमान सभी टिके हैं — इसलिए हर अप्रॉक्टर्ड अतुल्यकालिक अंक, ईमानदारी से कमाए गए सहित, अपना व्याख्यात्मक समर्थन खो देता है क्योंकि लेखकत्व असत्यापित होता है। उनका निर्णायक कदम इसे वैधता विफलता के रूप में वर्गीकृत करना है, अखंडता की विफलता नहीं: एक संस्था दुराचार को दंडित कर सकती है और फिर भी उन अंकों के लिए आधार नहीं रखती जो वह रिपोर्ट करती है। पहचान संरचनात्मक रूप से अपर्याप्त है (वर्गीकर्ता अविश्वसनीय और पूर्वाग्रहयुक्त; LMS निगरानी वही क्लिक देखती है जो एक विद्यार्थी देगा), इसलिए उपाय सत्यापित मानव उपस्थिति के लिए मूल्यांकन पुनर्निर्माण है (एक छोटा मौखिक घटक, प्रक्रिया-दृश्य मसौदे, कक्षा-सत्र-विशिष्ट संदर्भ), प्रॉक्टरिंग के आदेश के बजाय समानता-संरक्षक विकल्पों की एक सूची के साथ।

• GenAI-सहायित कार्य के मानव ग्रेडिंग में कंस्ट्रक्ट-अप्रासंगिक विचरण: Luo और Dawson (2026) इसका सीधा अनुभवजन्य प्रदर्शन देते हैं कि GenAI-सहायित कार्य का मानव ग्रेडिंग कंस्ट्रक्ट-अप्रासंगिक विचरण से भरा है। 33 विश्वविद्यालय शिक्षकों के साथ परिदृश्य-आधारित साक्षात्कार में, ग्रेडिंग निर्णय व्यक्ति-केंद्रित (विद्यार्थी की ईमानदारी, परिश्रम), क्षमता-केंद्रित (AI से स्वतंत्रता, GenAI कौशल, अनुशासनात्मक दक्षता), संबंध-केंद्रित (विद्यार्थियों के साथ बना भरोसा) और न्याय-केंद्रित (निष्पक्षता, परोपकार) मूल्यों से प्रेरित थे — जिनमें से सभी मूल्यांकित परिणामों से असंबद्ध कारकों पर अंक बदल सकते हैं। GenAI-सहायित कार्य में कम अंक देना, उनका तर्क है, केवल तब सही है जब AI के उपयोग से विद्यार्थियों को मूल्यांकित परिणाम प्रदर्शित करने से रोका गया हो; अन्यथा मूल्य-प्रेरित ग्रेडिंग वैधता को खतरे में डालती है। यह अध्ययन वैधता ढाँचे को वास्तविक शिक्षक अभ्यास में आधारित करता है और "दो-दिशा पारदर्शिता" की माँग करता है — शिक्षक यह स्पष्ट करें कि GenAI का उपयोग अंकों को कैसे प्रभावित करेगा, न कि केवल विद्यार्थी उपयोग घोषित करें।

• पैमाने पर विविधता के लिए कंस्ट्रक्ट-समकक्ष प्रतिरूप जनरेशन की माँग: VARIA (Lee 2026) AI-एकीकृत प्रामाणिक मूल्यांकन (AIAA) की "पैमाने पर विविधता" पूर्वधारणा — निगरानी-प्रॉक्टरिंग को प्रति-विद्यार्थी कार्य विविधता से बदलना — को एक अनुभवजन्य, असत्यापनीय जाँच के अधीन करता है। चूँकि प्रत्येक परीक्षार्थी को एक अद्वितीय-लेकिन-समकक्ष प्रदर्शन कार्य मिलता है, अखंडता की गारंटी इस बात पर निर्भर है कि LLM ऐसे प्रतिरूप बनाएँ जो एक साथ सतह-अलग, कंस्ट्रक्ट-समकक्ष, रूब्रिक-लागू योग्य और कठिनाई-मेल खाते हों। बेंचमार्किंग चार प्रॉम्प्टिंग रणनीतियों पर तीन अग्रणी मॉडल परिवारों के 600 प्रतिरूपों पर, VARIA पाता है कि अग्रणी जनरेटर संयुक्त अखंडता मानदंडों को केवल सीमा पर संतुष्ट करते हैं (संयुक्त स्कोर 0.81–0.88) जबकि गैर-अग्रणी संदर्भ ढहर जाते हैं (0.50–0.55), और कोई एक प्रॉम्प्टिंग रणनीति चारों गुणों पर प्रभावी नहीं होती — इसलिए "पैमाने पर विविधता केवल प्रॉम्प्टिंग से हल नहीं की जा सकती" यदि विविधता सीमा आक्रामक रखी जाए, और संस्थाओं को अपने विशिष्ट मॉडल-प्रॉम्प्ट जोड़े को सत्यापित करना होगा।

• HITL AI अंकन में कम-ग्रेडिंग पूर्वाग्रह एक वैधता विशेषता है, बग नहीं: Curi et al. (2026) दिखाते हैं कि एक बड़े पैमाने पर राष्ट्रीय लेखन मूल्यांकन में एक LLM मूल्यांकक का व्यवस्थित रूढ़िवादी (कम-ग्रेडिंग) पूर्वाग्रह, अंतिम निर्णय के रूप में समस्यात्मक होते हुए भी, सुरक्षित प्रत्यायोजन को सक्षम बनाता है: AI-अंकित "उत्तीर्ण" प्रतिक्रियाओं को भरोसे से स्वीकार किया जा सकता है जबकि AI-अंकित "अनुत्तीर्ण" प्रतिक्रियाओं (15.3–16.5% मामलों) को विशेषज्ञ समीक्षा के लिए भेजा जाता है — जिससे AI त्रुटि की वैधता खतरे को अंतिम परिणाम से दूर रखा जाता है। उनकी IRT-और-Bookmark पाइपलाइन AI अंकन के दक्षता-स्तर प्रभाव को पठनीय बनाती है, न कि कच्चे अंक-सहमति को एकमात्र वैधता संकेत मानती है।

• AI-चालित अंक महँगाई एक वैधता खतरा: Chirikov (2026) अंक महँगाई की एक नई, प्रौद्योगिकी-चालित प्रक्रिया की पहचान करते हैं जो अंकन से पहले काम करती है — ग्रेड किए गए कार्य के निर्माण पर। 319 पाठ्यक्रमों में 500,000+ अंकों (2018–2025) के अंतर-अंतर अध्ययन में, अधिक AI-उजागर कार्य (लेखन, कोडिंग) वाले पाठ्यक्रमों में ChatGPT के रिलीज़ के बाद A अंकों का हिस्सा 13 प्रतिशत अंक बढ़ा, अंक-वितरण के संपीड़न के साथ। एक त्रि-अंतर विश्लेषण दिखाता है कि प्रभाव गृहकार्य-भारी पाठ्यक्रमों में केंद्रित है — यह प्रमाण है कि AI कार्य विस्थापन (AI द्वारा ग्रेड किए गए कार्यों को प्रदर्शित करना, इससे पहले कि प्रशिक्षक उन्हें देखें) अंकों को बढ़ाता है बिना कौशल में समकक्ष वृद्धि के। यह पाठ्यक्रमों में अंकों की तुलनीयता कम करता है और क्रमविज्ञान के सूचनात्मक मूल्य को कम करता है, जिसे केवल अंक-वितरण से पहचाना कठिन है।

• प्रोग्राम-स्तरीय पास/फेल संवेदनशीलता, और उसे निर्धारित करने वाले अंकन मानदंड: Ivory et al. (2026) ने तीन-वर्षीय मनोविज्ञान डिग्री के हर पाठ्यक्रम मूल्यांकन (40 मूल्यांकन, 16 प्रकार) का ChatGPT आउटपुट बाइनरी पास/फेल से आँका, जो निर्णय चिह्न वास्तव में पहले पठन पर लगाते हैं: 40 में से 36 उत्तीर्ण हुए। दो वैधता निहितार्थ निकलते हैं। पहला, प्रभावी चर पहचान नहीं, पास सीमा है — ऐसा अंकन जो संरचनात्मक प्रवाह और विश्लेषण का सही चयन को पुरस्कृत करता है और गलत मानों को बख्सा है, गढ़े आँकड़े और काल्पनिक संदर्भों को पास करा देता है, इसलिए मूल्यांकन उपकरण आउटपुट को विद्यार्थी की समझ के रूप में प्रमाणित करता है क्योंकि यह इस प्रकार अंकित है, न कि क्योंकि किसी को धोखा मिला। दूसरा, बहुविकल्पीय प्रश्नों ने अपने उत्तर स्वयं लीक कर दिए: ChatGPT ने आँकड़े के प्रश्न सही उत्तर दिए बिना विद्यार्थियों को दिखाई गई आकृति या आउटपुट तालिका, क्योंकि प्रश्न-मूल और विकल्पों ने उत्तर का संकेत दे दिया, जिससे उत्तर-विकल्प डिज़ाइन प्रश्न की वैधता गुण बन जाता है, AI की गुण नहीं।

• सटीकता बनाम सहमति अलग-अलग वैधता संकेत: Falahat, Das, Bhaumik और Thambi (2026) ने एक 21-प्रश्न फार्मेसी परीक्षा को ChatGPT-5 से ग्रेड किया और पाया कि मध्यम प्रतिशत सटीकता प्रायः कम सुसंगति-सहसम्बन्ध गुणांक के साथ सह-अस्तित्व में रहती है — अंकन सटीकता और सहमति के बीच एक कार्यविधि विभेद जो AI की विश्वसनीयता को ग्रेडिंग विकल्प के रूप में सीमित करता है तब भी जब कच्ची सटीकता स्वीकार्य दिखती है। सहमति वस्तुनिष्ठ प्रश्नों पर मज़बूत थी (CCC 0.935–1.000) लेकिन लघु-उत्तर पर लगभग शून्य और निबंध पर मध्यम (0.341–0.854), और रूब्रिक प्रावधान ने अंतर को लगातार बंद नहीं किया।

• AI-जनित प्रश्नों की वैधता: Assessing AI-Generated Exams दिखाता है कि बेज़ियन IRT से सत्यापित AI-जनित प्रश्न, विशेषज्ञ-लिखित मानकीकृत परीक्षा प्रश्नों के बराबर कठिनाई और विभेदन प्राप्त करते हैं (विश्वसनीयता 0.79 बनाम 0.72) — जो मनोमापीय मूल्यांकन द्वारा समर्थित पाठ्यक्रम-अनुकूलित AI-जनित मूल्यांकनों की वैधता का समर्थन करता है।

• प्रामाणिक मूल्यांकन: प्रामाणिक मूल्यांकन और the AI Assessment Scale वैधता-संरक्षक मूल्यांकन पुनर्निर्माण प्रस्तावित करते हैं।

• आत्मविश्वास और अंशकलन: आत्मविश्वास-जागरूक प्रणालियाँ अनिश्चित मूल्यांकनों को चिह्नित करके वैधता बढ़ाती हैं।

• आवेशित और बहुमाध्यमी प्रमाण: केवल-वाणी मूल्यांकन मौखिक प्रवाह को संकल्पनात्मक ज्ञान समझ सकता है; Morphew et al. दिखाते हैं कि कंप्यूटर-दृष्टि इशारा विश्लेषण के साथ जोड़ा गया LLM वाणी विश्लेषण कंस्ट्रक्ट वैधता और समानता बढ़ाता है क्योंकि यह इशारे के माध्यम से व्यक्त समझ को पकड़ता है, केवल शब्दों को नहीं — उन शिक्षार्थियों के विरुद्ध पूर्वाग्रह कम करता है जो गैर-मौखिक रूप से समझ व्यक्त करते हैं।

• जब मॉडल कार्य हल कर सकता है तब गृहकार्य क्षमता प्रमाणित करना बंद कर देता है: Mikhasenko et al. (2026) एक बोखुम कण-भौतिकी पाठ्यक्रम में गृहकार्य को क्षमता माप के रूप में एक ठोस अमान्यीकरण का दस्तावेज़ीकरण करते हैं: एक बार जब कोई जनरेटिव मॉडल सही हल बना सकता है, जमा किया गया व्युत्पत्ति अब यह स्थापित नहीं करता कि विद्यार्थी स्वतंत्र रूप से समस्या हल कर सकता है। उनका उत्तर दो कार्यों को अलग करता है — शोध-आकार का, AI-अनुमत गृहकार्य अन्वेषणात्मक, बोनस-योग्य कार्य के रूप में रखा गया, और एक उपकरण-मुक्त लिखित परीक्षा अंतिम अंक का एकमात्र निर्धारक बनाया गया — एक वैधता-चालित श्रम विभाजन, पहचान व्यवस्था नहीं।

• पैमाने पर AI अंकन के लिए निर्णय-उन्मुख वैधता: Curi et al. (2026) Acredita EB राष्ट्रीय लेखन मूल्यांकन में वैधता के निर्णय-उन्मुख दृष्टिकोण का उदाहरण देते हैं: केवल यह नहीं पूछना कि AI अंक मनुष्यों से सहमत हैं, वे यह पूछते हैं कि क्या AI त्रुटियाँ प्रमाणन निर्णय बदल सकती हैं। स्वचालित IRT/Bookmark कट-स्कोर ने परिचालन कट-स्कोर का करीबी पुनरुत्पादन किया, और व्यवस्थित AI कम-ग्रेडिंग को अनुत्तीर्ण AI परिणामों को मानव समीक्षा के लिए भेजकर उदासीन किया गया — उल्लेखनीय रूप से एक ऐसे संदर्भ मानक के विरुद्ध जो स्वयं विवादित है, क्योंकि उन 50 पाठों को अंकित करने वाले दस विशेषज्ञ मूल्यांकक किसी भी रूब्रिक प्रश्न पर सर्वमान्यता तक कभी नहीं पहुँचे।

• AI को ग्रेडर के रूप में देखने पर विद्यार्थी-पक्ष की वैधता चिंताएँ: AlGhamdi (2026) वैधता प्रश्न में शिक्षार्थी की आवाज़ जोड़ते हैं: 13 कंप्यूटिंग विद्यार्थी जिनके हस्तलिखित लेखन कार्य को ChatGPT ने अंकित किया, उन्होंने प्रश्न किया कि क्या एक AI मूल्यांकक वैध रूप से इरादा, प्रयास और संस्थागत अंकन मानदंडों की व्याख्या कर सकता है — एक ने तीखे ढंग से पूछा, "यदि ChatGPT परीक्षाएँ जाँच रहा है, तो हम विश्वविद्यालय क्यों आ रहे हैं?"

• अनुमति स्वयं कार्य को कमज़ोर नहीं करती, और उपयोग दर गलत वैधता संकेत हैं: Zou et al. (2026) ने 85 शिक्षक-विद्यार्थियों का सर्वेक्षण किया जिनके मूल्यांकन स्पष्ट रूप से जनरेटिव AI की अनुमति देते थे और पाया कि मूल्यांकन संलग्नता उच्च और सांख्यिकीय रूप से उस पर प्रभावित नहीं थी कि विद्यार्थियों ने उसका उपयोग किया (माध्य 4.21/5, SD 0.46; Mann–Whitney U = 781.5, r = 0.07, p = 0.536)। 62.4% (53) जनरेटिव AI का उपयोग करने से पूरी तरह इनकार करते हुए और अपनाने वालों का उपयोग मुख्यतः प्रूफरीडिंग (43.8%) और स्पष्टता जाँच (34.4%) तक सीमित रहने से, अपनाने की दर इस बारे में कम सूचना देती है कि क्या मूल्यांकन अभी भी सीख के अनुमान को सही ठहराता है — और गलत नकल आरोप के डर से प्रेरित गैर-उपयोग (गैर-अपनाने वालों का 41.5%) भी वैधता का प्रमाण नहीं है।

• जब स्कूल-स्तरीय परीक्षा को सिस्टम प्रमाण पढ़ा जाता है तब सैंपलिंग-फ़्रेम की वैधता: Restrepo Morales et al. (2026) अंकों से सिस्टम के दावों तक अनुमान को एक मात्रात्मक उपचार देते हैं। 171 अर्जेंटीना... नहीं, 171 अल साल्वाडोर स्कूलों में 1,198 स्वयंसेवक विद्यार्थियों का एक पायलट मूल्यांकन PISA-आधारित Test for Schools पर ने जर्मनी और स्वीडन के बराबर घोषित परिणाम दिए, लेकिन उपकरण एक स्कूल के लिए अनुमान उत्पन्न करता है और राष्ट्रीय सैंपलिंग फ़्रेम के साथ नहीं दिया जाता जिसमें उसके प्रतिक्रिया-दर मानदंड, बहिष्करण सीमाएँ और भार हों — इसलिए स्कूल-स्तरीय अनुमान और देश-माध्य के बीच तुलना में कम से कम तीन अनुत्तेजित अनिश्चितता स्रोत (स्कूल-स्तरीय सैंपलिंग त्रुटि, देश-माध्य सैंपलिंग त्रुटि, और पैमाना समीकरण की लिंकिंग त्रुटि) होते हैं। सीख के दावे को जाँचने के बजाय, लेखक उसे सीमित करते हैं: शून्य सीख के तहत अल साल्वाडोर गणित वितरण के शीर्ष 5.5% जर्मन माध्य से मेल खाने के कारण, और स्वैच्छिक भागीदारी को उपलब्धि परीक्षण को ऊपर की ओर झुकाना समझा जाने के कारण, प्रकाशित प्रमाण वास्तविक प्रभाव को चुनिंदा नमूने से अलग नहीं कर सकता। यह तुलना की वैधता अनुमान की विफलता है, विद्यार्थियों या उपकरण की नहीं।

एक संकल्पनात्मक प्रस्ताव एक वैधता सीमा उठाता है जो इस पृष्ठ के हर AI-माध्यमित मूल्यांकन पर लागू होती है: El Khoury और Ma (2026) तर्क देते हैं कि गति वैधता नहीं है, और AI-जनित प्रॉम्प्ट, उदाहरण और प्रतिलेख-आधारित रिपोर्ट को अभी भी सटीकता, सांस्कृतिक अनुक्रियाशीलता, सुगम्यता, व्याख्यायोग्यता और पाठ्यक्रम परिणामों के साथ संरेखण के लिए जाँचा जाना चाहिए। वे यह भी विस्तारित करते हैं कि प्रमाण क्या माना जाता है: जहाँ संवाद मूल्यांकित कलाकृति बन जाता है, प्रतिलेख एक प्रक्रिया रिकॉर्ड है जिसमें निर्णय, सहानुभूति, स्पष्टीकरण और साझा निर्णय-निर्माण संदर्भ में खुलते हैं, और डिज़ाइन प्रश्न यह बनता है कि क्या वह प्रमाण उससे खींचे गए अनुमान का समर्थन करता है — वही प्रश्न जिसका सामना स्वचालित अंकन करता है, जिसका उत्तर कार्य, प्रतिपुष्टि और सीख के प्रमाण के संरेखण से मिलता है, तकनीकी नवीनता से नहीं।

• AI-द्वारा निर्धारित प्रश्न मेटाडेटा मनोमापीय प्रमाण नहीं है। 311 परिनियोजित बहुविकल्पीय प्रश्नों के 10-सप्ताह के डेटा साइंस अध्ययन में, LLM कठिनाई रेटिंग मॉडल के अपने Bloom लेबल को ट्रैक करती थी (rho = 0.90) लेकिन अनुभवजन्य प्रश्न कठिनाई को नहीं (rho = 0.06), इसलिए प्रश्न कठिनाई प्रतिक्रिया डेटा से स्थापित होनी चाहिए, जनरेटिंग मॉडल के लेबल से नहीं (An और Wang, 2026)।

• पाठ्यक्रम संरेखण के बारे में विद्यार्थी निर्णय कठिनाई को ट्रैक करते हैं, सामग्री को नहीं। Vogt et al. (2026) ने विद्यार्थियों से एक ग्रेड किए गए 60-प्रश्न परीक्षा के प्रत्येक प्रश्न के पाठ्यक्रम पाठ्यक्रम से संरेखित होने का मूल्यांकन करने को कहा और पाया कि रेटिंग प्रश्न कठिनाई से सहसंबद्ध थी ρ = 0.762 पर (आसान प्रश्न संरेखित माने गए, कठिन प्रश्न असंरेखित, ρ = −0.762, p < 0.001), जबकि रेटिंग प्रश्न स्रोत के अनुसार भिन्न नहीं थी। जहाँ कोई उपकरण विद्यार्थियों से मूल्यांकन की पाठ्यक्रम उपयुक्तता का निर्णय करने को कहता है, वहाँ प्राप्त अंक आंशिक रूप से एक कठिनाई रेटिंग है और इसे संरेखण के स्वतंत्र प्रमाण के रूप में नहीं पढ़ा जा सकता।

• एक शीर्ष को पैच करने के बजाय मूल्यांकन त्रिकोण को पुनः संरेखित करें। Koretsky et al. (2026) GenAI समस्या को मूल्यांकन त्रिकोण के माध्यम से रूपान्तरित करते हैं — संज्ञान (क्या मूल्यांकित है), प्रेक्षण (सीख के प्रमाण कैसे निकाले जाते हैं), और व्याख्या (खींचा गया अनुमान) — और तर्क देते हैं कि तीनों शीर्षों को एक साथ पुनः संरेखित किया जाना चाहिए, क्योंकि व्याख्या को सुधारे बिना कार्यों को पुनर्निर्मित करने से अनुमान असमर्थित रहता है। उनकी स्कोपिंग समीक्षा AI-जनित मूल्यांकन सामग्री की निष्ठा को स्वयं एक वैधता गुण भी बनाती है, सामग्री, भाषाई, संज्ञानात्मक, व्यवहारगत, संरचनात्मक और पैडागॉजिकल आयामों का सूचीबद्ध करती है, और ऐसे कार्यों द्वारा मूल्यांकन को आधार बनाने से पहले मानव-इन-द-लूप मूल्यांकन की माँग करती है।

पहचान के बजाय पुनर्निर्माण

ज्ञानकोष का तर्क है कि मूल्यांकन की वैधता बनाए रखने के लिए मूल्यांकनों को AI-सक्षम विद्यार्थियों के लिए पुनर्निर्मित करना आवश्यक है, AI के उपयोग का पता लगाना नहीं। शोध मापन में एक समानांतर वैधता समस्या चलती रहती है: कई AI-शिक्षा दावे स्व-रिपोर्ट डेटा पर टिके हैं, जो सीख या दक्षता के अनुमान का समर्थन नहीं कर सकता चाहे उपकरण स्वयं कितना भी सत्यापित हो। पहचान-परतीत दृष्टिकोण और मूल्यांकन वैधता-अग्रिम सोच का प्रतिनिधित्व करते हैं।

स्वीकार्य उत्पाद और गुणात्मक/मात्रात्मक विभाजन। Brunnström और Palmqvist (2026) पुनर्निर्माण तर्क को SOLO वर्गीकरण में आधारित एक विशिष्ट प्रस्ताव देते हैं। एक संज्ञान-विज्ञान साक्षात्कार-घर-परीक्षा प्रश्न को एक चैटबॉट के साथ काम करते हुए, वे पाते हैं कि GenAI ठीक वहीं सबसे मज़बूत है जहाँ वर्गीकरण सबसे निम्न है — मात्रात्मक (बहुसंरचनात्मक) स्तर पर व्यापक, प्रवाहयुक्त, तथ्यात्मक सामग्री बनाना — जबकि गुणात्मक स्तर (संबंधित करना, मूल्यांकन करना, सामान्यीकृत करना) केवल बार-बार शिक्षार्थी-चालित अंशकलन के माध्यम से उभरा। इसलिए उनकी सिफ़ारिश कंस्ट्रक्ट के अनुसार भिन्न है: घर-परीक्षा मूल्यांकनों को गुणात्मक समझ के प्रमाण पर ज़ोर देना चाहिए, जबकि मात्रात्मक स्मरण-आधारित ज्ञान बेहतर है कि कक्षा में आंका जाए जहाँ GenAI अनुपलब्ध है। यह प्रदर्शन यह भी रेखांकित करता है कि एक चमकदार जमा कलाकृति किसी भी दिशा में कमज़ोर प्रमाण है, और वैध पुनर्निर्माण को यह ध्यान रखना चाहिए कि वैध AI-समर्थित सीख कितनी मांगपूर्ण निकलती है (समापक मूल्यांकन, शैक्षणिक इमानदारी)।

एक डिज़ाइन-स्तरीय समकक्ष उसी आबादी से आता है जिसे पुनर्निर्माण तर्क प्रायः नज़रअंदाज़ करता है। Zou et al. (2026) ने पाया कि प्रतिबिंबात्मक और वैयक्तिकृत कार्यों को व्यापक रूप से AI सहायता के लिए बहुत व्यक्तिगत माना गया, जबकि एक अन्य पाठ्यक्रम में ज्ञान-भारी मूल्यांकन ने संदर्भों के लिए जनरेटिव AI का मज़बूत इरादा उत्पन्न किया — इसलिए विद्यार्थियों ने AI के साथ जो किया वह उस कंस्ट्रक्ट को ट्रैक किया जिसे कार्य प्रमाणित करने को कहता था। वैधता के लिए सबक सटीक है, उत्सवपूर्ण नहीं: डिज़ाइन सामान्य प्रतिस्थापन से लाभ हटा सकता है, लेकिन वही अध्ययन बाहर निकलने वाले समूह को इस प्रमाण के रूप में पढ़ने से चेतावनी देता है कि यह ऐसा नहीं किया, क्योंकि गैर-उपयोग का एक बड़ा हिस्सा गलत नकल आरोप के डर से जोड़ा गया था, न कि कार्य के AI का विरोध करने से।

Sharma (2026) अखंडता पक्ष पर एक पुनर्निर्माण तर्क देते हैं जो अखंडता प्रमाण को वैधता प्रमाण में बदलता है। Eaton के (2023) पोस्टप्लेजिएरिज़म ढाँचे को मूल्यांकन डिज़ाइन में विस्तारित करते हुए, वे तर्क देते हैं कि पहचान और सत्यापन-आधारित अखंडता मॉडल उस कार्य के साथ गलत संरेखित हैं जिसमें मानव निर्णय और मशीन जनरेशन आपस में जुड़े हुए हैं, और अखंडता को एक पैडागॉजिकल अभ्यास के रूप में फिर से रूपांतरित करते हैं जो मूल्यांकनात्मक निर्णय के माध्यम से साकार होता है — विकल्पों को तौलने, शैक्षणिक चुनावों को औचित्य देने और अनैतिक अनिश्चितता के तहत ज़िम्मेदारी स्वीकार करने की क्षमता। डिज़ाइन परिणाम यह है कि अखंडता का प्रमाण दिया जाना चाहिए, अनुमान नहीं: एनोटेटेड निर्णय पगडंडियाँ, GenAI-योगदान दावों का सत्यापन, मौखिक बचाव और संस्करण इतिहास अखंडता कलाकृतियों के रूप में प्रस्तावित हैं, और वे स्पष्ट हैं कि प्रामाणिक मूल्यांकन से अंतर अनैतिक है — प्रामाणिकता यह पूछती है कि क्या कोई कार्य वास्तविक-विश्व अभ्यास को दर्शाता है, अखंडता-उन्मुख डिज़ाइन यह पूछता है कि क्या शिक्षार्थी निर्णयों को औचित्य दे सकते हैं और अनुशासनात्मक मानदंडों के विरुद्ध ज़िम्मेदारी स्वीकार कर सकते हैं, इसलिए अखंडता एक मूल्यांकनयोग्य मानदंड बनती है जो कार्य संरचना में अंतर्निहित है। वे अपने प्रस्ताव की वैधता जोखिम का नाम लेते हैं, इसे अंतर्निहित नहीं छोड़ते: प्रलेखित तर्क की माँग उन शिक्षार्थियों को विशेषाधिकार देती है जो प्रतिबिंबात्मक संवाद में प्रवीण हैं, और "एक अनुपालन व्यवस्था को दूसरे से प्रतिस्थापित करने" का जोखिम उठाती है, क्योंकि प्रमाण के रूप में निर्णय "संबंधगत और स्थितियुक्त बना रहता है, यांत्रिक रूप से सत्यापनीय नहीं" — वही व्याख्यात्मक-विश्वसनीयता समस्या जो यह पृष्ठ हर AI-माध्यमित मूल्यांकन के लिए दर्ज करता है।

Weidlich (2026) पुनर्निर्माण को यह प्रश्न के रूप में फिर से रूपांतरित करते हैं कि कोई परिवर्तन किस अनुमान की रक्षा के लिए है। Kane के तर्क-आधारित वैधता से काम करते हुए, वे पाँच दबावों को अलग करते हैं जिन्हें बहस प्रायः एक में समेट देती है: कंस्ट्रक्ट का अधिक प्रतिनिधित्व न होना, कंस्ट्रक्ट-अप्रासंगिक विचरण, प्रदर्शन का आरोप, सशर्त बहिष्कार, और असमर्थित अंक उपयोग। AI का उपयोग स्वतः खतरा नहीं है, क्योंकि उपकरण उपयोग वहाँ प्रासंगिक है जहाँ इच्छित कंस्ट्रक्ट AI-समर्थित व्यावसायिक निर्णय है और लक्ष्य प्रदर्शन को बायपास करता है जहाँ वह असहाय तर्क है, इसलिए कंस्ट्रक्ट और AI शर्तें एक साथ निर्दिष्ट होनी चाहिए। पुनर्निर्माण के लिए उनकी चेतावनी इसके बाद आती है, क्योंकि हस्तक्षेप एक दबाव को दूसरे से बदल देते हैं: मौखिक बचाव आरोप को मज़बूत कर सकते हैं जबकि विश्वसनीयता या सुगम्यता कम करते हैं।

संबंध

मूल्यांकन की वैधता प्रामाणिक मूल्यांकन, स्वचालित ग्रेडिंग, आत्मविश्वास-जागरूक AI मूल्यांकन, निर्माणकारक मूल्यांकन, शैक्षणिक इमानदारी, और यादृच्छिक नियंत्रित परीक्षण (RCT) (जो वैध परिणाम उपायों पर निर्भर करता है) से जुड़ती है।

AI वैधता को अनैतिक स्तर पर चुनौती देता है: Hathcoat, Slotnick और Miller (2026) तर्क देते हैं कि जब LLM परीक्षार्थी, प्रश्न-निर्माता, मूल्यांकक और विश्लेषक के रूप में काम करते हैं, तो व्याख्यात्मक श्रृंखला अपारदर्शी हो जाती है और मापन का वस्तु परिभाषा खो देता है — वैधता को AI-प्रवीण "साइबॉर्ग" निर्णय की माँग के रूप में फिर से रूपांतरित करते हुए, और Green et al. (2026) दिखाते हैं कि AI अंक मानव मूल्यांककों के साथ संरेखित हो सकते हैं (87% चेकलिस्ट) जबकि अंतर्निहित औचित्य भिन्न होता है, विशेष रूप से मापन गुणवत्ता और कमज़ोर रिपोर्टों पर।

जब AI मूल्यांकनयोग्य कलाकृति बनाता है। Kumar, Wongsirichot और Nanthaamornphong (2026) वैधता समस्या को इसका सबसे तीखा अनुशासनात्मक मामला देते हैं: कंप्यूटिंग शिक्षा में AI वह कलाकृति बनाता है जो ग्रेड की जाती है — स्रोत कोड — इसलिए उपकरण उपयोग, सीख और मूल्यांकन एक ही अनुक्रिया में जुड़ जाते हैं, और जमा कोडबेस सीख को प्रत्यायोजन से अलग नहीं करता। 72 अध्ययनों में वे दक्षता लाभ पाते हैं जो असहाय प्रदर्शन में स्थानांतरित नहीं होते (21 अध्ययन), पूर्व ज्ञान यह नियमित करता है कि AI सहायता कौशल बनती है या नहीं (6 अध्ययन), और पहचान शोध प्रमाण आधार से लगभग अनुपस्थित (3 अध्ययन) जबकि मूल्यांकन पुनर्निर्माण अपेक्षाकृत अच्छी तरह प्रमाणित (25 अध्ययन)। अभ्यास के लिए उनका निष्कर्ष कंस्ट्रक्ट-विशिष्ट और कम-तकनीकी है: प्रत्येक पाठ्यक्रम में कम से कम एक उच्च-दांव मूल्यांकन में एक मौखिक घटक या अन्य प्रक्रिया-दृश्य तत्व जोड़ें — समीक्षा में सबसे उच्च-प्रभावशीलता हस्तक्षेप — और AI आउटपुट के साथ महत्वपूर्ण संलग्नता को एक ग्रेड किया, observable घटक के रूप में माँगें, एक वैकल्पिक प्रवृत्ति के रूप में नहीं (शैक्षणिक इमानदारी, मूल्यांकन)।

अधूरी सूचना के तहत वैधता

सबसे तीखा हालिया पुनर्निर्माण जनरेटिव AI समस्या को एक सबूतीय समस्या के रूप में मानता है। विद्यार्थी जानता है कि कोई कार्य कैसे बना; संस्था कलाकृति और सर्वोच्च रूप से प्रक्रिया के आंशिक निशान देखती है — एक उत्पाद–प्रक्रिया अंतराल जिसे Mohamed और Temimi (2026) अधूरी सूचना के तहत मूल्यांकन की वैधता के रूप में औपचारिक रूप देते हैं। इस विवरण पर प्रश्न यह नहीं है कि कोई नियम तोड़ा गया, बल्कि यह है कि क्या मूल्यांकन अभी भी विद्यार्थी के तर्क, प्रयास और निर्णय का विश्वसनीय प्रमाण उत्पन्न करता है, और हर संस्थागत तंत्र — निषेध, निगरानी, प्रकटीकरण, पुनर्निर्माण — का मूल्यांकन इस आधार पर किया जाता है कि यह किस विद्यार्थी प्रतिक्रिया को सबसे आकर्षक बनाता है। वैधता लेंस एक झूठा पृथक्करण भी भंग करती है: अखंडता और वैधता एक ही समस्या हैं जिन्हें अलग-अलग सिरों से देखा जाता है, क्योंकि दुराचार की खोज स्वयं एक वैधता दावा है उस बारे में कि कार्य क्या प्रमाणित करता है।

एक शिक्षार्थी-पक्षीय ढाँचा उन अनुमान लक्ष्यों का नाम लेता है जिन्हें कोई कलाकृति स्वयं नहीं सुलझा सकती। Sak (2026) AI-सहायित कार्य से प्रतिभाशाली क्षमता के निर्णयों के लिए आरोपण वैधता प्रस्तावित करते हैं: क्षमता से उत्पाद तक संबंध बहु-से-एक है, क्योंकि शिक्षार्थी की दक्षता, मॉडल क्षमता, शिक्षार्थी की दिशा, मानव–AI अनुकूलता और संदर्भ अलग-अलग मिलकर समकक्ष कलाकृतियाँ उत्पन्न करते हैं, इसलिए उत्पाद उसके पीछे की क्षमता की पहचान नहीं कर सकता। ढाँचा अनुमान के चार लक्ष्य अलग करता है — स्वतंत्र दक्षता, बौद्धिक शिक्षार्थी सक्रियता, संकर क्षमता, और विकासात्मक पारपोष — और तीन त्रुटियों का नाम लेता है जो एक लक्ष्य के प्रमाण को दूसरे का पढ़ने पर निकलती हैं: अति-आरोपण, विकासात्मक भ्रम, और अनुमानित क्षमता समानता। रिकॉर्ड पर इसकी माँग उस सबूतीय अनुशासन को दर्शाती है जो यह अनुभाग दुराचार साहित्य से खींचता है: उस क्षमता का नाम लें जिसके बारे में निर्णय है, दस्तावेज़ बनाएँ कि कार्य कैसे बना (मॉडल और संस्करण, इंटरफ़ेस, अनुमत कार्य, वयस्क मध्यस्थता, पहुँच स्थितियाँ), और सहायित प्रदर्शन को शिक्षार्थी में परिवर्तन पढ़ने से पहले स्थानांतरण के बाद के प्रमाण की माँग करें।

Teichmann (2026) प्रक्रियात्मक परिणाम खींचते हैं: जहाँ निषिद्ध उपयोग का पता नहीं लगाया जा सकता, एक व्यवस्था जो अभी भी डिटेक्टर अंकों पर आरोप लगाती है, वह जो अनुमान खींचती है उसे सही ठहरा नहीं सकती, और इसलिए प्रभावशीलता के बिना अन्याय उत्पन्न करती है। वे फॉरेंसिक प्रश्न — क्या विद्यार्थी ने AI का उपयोग किया? — को वैधता प्रश्न से बदलने की वकालत करते हैं — क्या विद्यार्थी ने वह क्षमता प्रदर्शित की जो प्रमाणित करने के लिए कार्य डिज़ाइन किया गया था? — जो संस्थागत प्रयास को जुड़े कार्यों में प्रोग्राम-स्तरीय मूल्यांकन, प्रमाणन बिंदुओं पर मौखिक और निगरानी तत्व, और मूल्यांकनात्मक निर्णय को मूल्यांकन का एक स्पष्ट वस्तु में स्थानांतरित करता है।

प्रमाण आधार का वही अनुभाग केस-फ़ाइल समकक्ष देता है, और यह केवल पहचान साहित्य से अधिक असुविधाजनक है। Munoz et al. (2026) ने एक क्षेत्रीय ऑस्ट्रेलियाई विश्वविद्यालय में तीन वर्षों में हर जनरेटिव-AI दुराचार केस — 1,162 केस जिनमें 1,855 विवेक प्रमाण आइटम — को कोडित किया और प्रत्येक आइटम को प्रासंगिकता, विश्वसनीयता और अनुमान बल पर प्रमाणिक मूल्य के लिए रेट किया। सबसे मज़बूत श्रेणियाँ वे थीं जो पाठ की संभाव्यात्मक वर्गीकरण पर निर्भर नहीं थीं (विद्यार्थी के स्वीकारोक्ति, प्रतिबंधित परीक्षा व्यवहार का प्रेक्षित निरीक्षण, और स्वतंत्र रूप से सत्यापित गढ़े संदर्भ), जबकि डिटेक्टर आउटपुट ने किसी भी श्रेणी में सबसे कमज़ोर रेटिंग पाई: समानता या Turnitin रिपोर्ट अनुमान बल में पूर्णतः कमज़ोर थीं और अकेले डिटेक्टर आउटपुट विश्वसनीयता में पूर्णतः निम्न, 2024 में आइटमों के 8.8% से 2025 में 0.5% पर गिरकर। वैधता विफलता प्रक्रियात्मक है जितनी उपकरणात्मक — पाइपलाइन का कोई भी चरण न्यूनतम सबूतीय सीमा निर्धारित नहीं करता था या जाँचकर्ताओं को आगे बढ़ाने से पहले प्रमाणिक मूल्य तौलने की माँग नहीं करता था, इसलिए प्रमाण गुणवत्ता का केस परिणामों से कोई विश्वसनीय संबंध नहीं था, जो ठीक वही सबूतीय मानक समस्या है जो कानूनी मुद्दे और जोखिम पर सूचीबद्ध है। आरोप के समय केवल निर्धारण के समय नहीं, प्रमाण-ढाँचा लागू करने का उनका प्रस्ताव एक वैधता माँग है: एक आरोप उस बारे में एक दावा है कि कार्य क्या प्रमाणित करता है, और इसे उसका समर्थन करने में सक्षम सामग्री द्वारा सही ठहराया जाना चाहिए। Hadra, Cambridge और Mesbah (2026) दिखाते हैं कि उपकरण उस मानक से कितनी दूर है, 192 पाठों पर 0.69 (Originality) बनाम 0.61 (Turnitin) के मैक्रो सटीकता के साथ, संकर मानव–AI लेखन पर लगभग-पूर्ण विफलता (संवेदनशीलता 0.02 और 0.31), पाठ लंबाई और वैज्ञानिक लेखन पर घटती सटीकता, और EFL विद्यार्थी लेखन को AI के रूप में गलत वर्गीकृत करने की सीमांत प्रवृत्ति — इसलिए डिटेक्टर अंक वह तथ्य स्थापित नहीं कर सकता जो एक दुराचार खोज दावा करती है।

मानव-अंकन बेंचमार्क और उसकी छत

तीन अग्रणी मॉडलों का OpRaise तुलना, तीन UK विश्वविद्यालयों में 761 प्रामाणिक निबंधों पर बेंचमार्क को वैधता तर्क का हिस्सा बनाता है। मानव अंकों का उपयोग आधार सत्य के रूप में इस स्पष्ट आधार पर किया गया कि शैक्षणिक निर्णय सामाजिक रूप से स्वीकृत मानक है, जबकि लेखक स्वीकार करते हैं कि मानव मूल्यांकक एक-दूसरे के साथ केवल मध्यम रूप से सहमत होते हैं — जो AI–मानव सहमति की छत निर्धारित करता है जो उचित रूप से माँग की जा सकती है, और मतलब यह है कि सहसंबंध को संदर्भ बिंदु के बिना तैयार-या-नहीं के रूप में नहीं पढ़ा जा सकता। उस ढाँचे के भीतर विफलताएँ व्यवस्थित संरचना के रूप में दिखीं, यादृच्छिक त्रुटि के रूप में नहीं: अंक पैमाने के मध्य की ओर संपीड़ित हुए, इसलिए सर्वोत्तम और सबसे खराब निबंध सबसे अधिक गलत निर्णयित हुए; सहमति अंक सीमाओं पर सबसे कमज़ोर थी; और AI अंक शब्दावली सीमा, संयोजक और वाक्य जटिलता को ट्रैक करते थे जबकि मानव अंक उन पर व्यापक रूप से असंवेदनशील थे। व्यावहारिक सबक दोहरा है, क्योंकि उसी अध्ययन ने विश्वसनीयता उत्कृष्ट पाई — समय के साथ पहचाने जाने वाले पुनः-अंक और मॉडलों के बीच उच्च सहमति। स्वचालित अंकन का वैधता मामला इसलिए स्थिरता या औसत सहमति पर टिक नहीं सकता; इसे व्यवस्थित विचलन के अभाव को दिखाना होगा, जो ठीक वही है जो इस प्रमाण ने नहीं पाया।

हालाँकि रन-से-रन स्थिरता की गारंटी नहीं है: एक ही जमा पर पाँच दिन के अंतराल में वही ग्रेडिंग दोहराने पर Krippendorff का alpha 0.625 आया, जिसमें विविधता मध्य अंकों में केंद्रित थी और दोहराए गए सत्र के गणना में A और F अनुपस्थित थे (Brevik et al. (2026)).

• मॉडल का आकार मूल्यांकन वैधता का प्रतिनिधि नहीं है। 114 अंकित निबंधों पर चार परिवारों के आठ विन्यासों में, सटीक बैंड सहमति 18.4% से 54.4% तक थी और परिवार को ट्रैक करती थी, पैरामीटर गणना को नहीं — सबसे बड़ा मॉडल, GPT-OSS 120B, ने 1.316 बैंड कम ग्रेड किया, और तापमान कोई समाधान नहीं था (Kerwat et al. (2026))।
• सहमति और बेंचमार्क त्रुटि सीख के रूप में भेष बदलती है। दो 2026 अध्ययन अलग-अलग मार्ग दिखाते हैं जिनसे एक अंक वैध दिख सकता है जबकि कुछ और स्थापित करता है। एक खुले मार्केटिंग-लेखन अध्ययन ने LLM-मानव निरपेक्ष सहमति केवल ICC(2,1) .435 पाई और एक संकर ने LLM अकेले से सांख्यिकीय रूप से खराब प्रदर्शन किया, जिसमें एंकर रचना सहमति को .338 से .902 तक ले गया (Agreement and error in automated scoring of student marketing posts)। छह भौतिकी बेंचमार्क का एक विशेषज्ञ ऑडिट ने ऑडिट किए गए अस्वीकारों के 95.20% को दोषपूर्ण प्रश्नों या मूल्यांककों को दिया, मॉडल त्रुटि को नहीं, जिससे CritPt mean@5 32.29% से 87.50% पर गया (How Good Are Frontier Models at Physics? Expert Re-Grading Reveals Broken Evaluations and Near-Saturation of Leading Benchmarks)। दोनों मामलों में खतरा कंस्ट्रक्ट-अप्रासंगिक विचरण है जो अंकित मॉडल के बाहर है।
• LLM कोडरों के बीच सहमति संगति है, वैधता नहीं। एक विशेषज्ञ-लेबल किए शैक्षणिक संवाद संग्रह पर, एक क्रॉस-मॉडल सहमति फ़िल्टर ने संग्रह-व्युत्पन्न व्यवहार दावों में से केवल 33/74 और कंस्ट्रक्ट-व्युत्पन्न में 11/48 को बरकरार रखा, और साझा मॉडल त्रुटियाँ फ़िल्टर से बच निकलीं, इसलिए अंतर-मॉडल सहमति कंस्ट्रक्ट वैधता के स्थान पर नहीं खड़ी हो सकती (Bernado et al., 2026)।
• एक्सपोज़र मापने योग्य है, और उपाय पर्याप्त प्रमाण है, अधिकतम सुरक्षा नहीं। Villanueva (2026) ने प्रकाशित प्रारूप, निगरानी और अंक भार द्वारा 53,915 मूल्यांकन आइटम अंकित किए और पाया कि अधिकांश मूल्यांकित अंक उस कार्य पर टिके हैं जिसका लेखकत्व जमा करने के बाद सत्यापित नहीं किया जा सकता; वह तर्क देते हैं कि प्रोग्राम को मुख्य चरणों पर सीख का पर्याप्त प्रमाण चाहिए, हर इकाई को सुरक्षित नहीं।
• एक वैध उपाय को अनुकूलित करना अभी भी असुरक्षित हो सकता है। एक LLM ट्यूटर को रूब्रिक-शैली अनुकूलनशीलता मेट्रिक के विरुद्ध फ़ाइन-ट्यून करने से मेट्रिक बढ़ी (+0.05 से +0.42) जबकि अंधे विशेषज्ञ रेटिंग गिरीं (4.46 से 3.03), क्योंकि एक मेट्रिक जो निर्णयों को स्वतंत्र रूप से स्कोर करती है उसे एक ही सर्वोत्तम निर्णय को दोहराकर अधिकतम किया जाता है (Domínguez Figaredo और Fernández De la Cruz, 2026।

संबंधित अवधारणाएँ

• शिक्षाशास्त्रीय पैटर्न — जब आउटपुट लेखक की पहचान नहीं करता तब प्रक्रिया प्रमाण क्यों प्रस्तावित किया जाता है
• AIEd शोध का व्याख्या और अनुप्रयोग
• प्रामाणिक मूल्यांकन
• स्वचालित मूल्यांकन
• निर्माणकारक मूल्यांकन
• शैक्षणिक इमानदारी
• यादृच्छिक नियंत्रित परीक्षण (RCT)
• पूर्वाग्रह शमन
• समानता
• AI शिक्षा मूल्यांकन
• शैक्षणिक मापन
• कानूनी मुद्दे और जोखिम
• बड़े भाषा मॉडल (LLMs)
• प्रतिपुष्टि
• स्वयं-रिपोर्ट मापन
• पूर्व ज्ञान
• छात्र सहभागिता
• मूल्यांकन

संबंधित लेख

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — प्रोग्राम-स्तरीय पास/फेल संवेदनशीलता और वे अंकन मानदंड जो गढ़े मानों को उत्तीर्ण करने देते हैं (Ivory et al. 2026)

• "Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — केवल अनुमति वैधता को कम नहीं करती: संलग्नता GenAI उपयोग से अप्रभावित; प्रतिबिंब सामान्य प्रतिस्थापन का विरोध करता है

• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — AI एजेंट, आनंदमय मूल्यांकन, और तृतीय स्थान

• AI in University Assessment: Evaluating the Opportunities and Risks of Automated Marking — OpRaise रिपोर्ट: तीन UK विश्वविद्यालयों में 761 विश्वविद्यालय निबंधों का AI अंकन

• Generative AI in computing education: A systematic review and a framework for responsible integration — जब AI ग्रेड किए गए कलाकृति को बनाता है: कंप्यूटिंग शिक्षा की वैधता समस्या और पुनर्निर्माण प्रमाण

• AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education — घर-परीक्षाएँ: गुणात्मक चरण का आकलन करें, स्मरण को कक्षा में ले जाएँ (Brunnström और Palmqvist 2026)

• A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment — बड़े पैमाने पर राष्ट्रीय लेखन मूल्यांकन में HITL AI-सहायित अंकन (Curi et al. 2026)

• VARIA: Benchmarking Frontier LLMs on Construct-Equivalent Assessment Variant Generation — कंस्ट्रक्ट-समकक्ष मूल्यांकन प्रतिरूप जनरेशन (Lee 2026)

• Artificial Intelligence and Grade Inflation — अंक महँगाई की एक प्रक्रिया के रूप में AI कार्य विस्थापन (Chirikov 2026)

• AI Agents Can Now Navigate and Complete LMS Tasks: A Call for Pedagogical Innovation — AI एजेंट LMS कार्य पूरा करते हुए; मानव-उत्पादन धारणा और एजेंटिक वैधता (Hadjisolomou और El-Haddad 2026)

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

• Do Assessment Instruments Measure the Same Thing for Humans and LLMs? A Latent Structure Analysis — क्या मूल्यांकन उपकरण मनुष्यों और LLM के लिए एक ही चीज़ मापते हैं? (Strugatski et al. 2026)

• A Multimodal Framework for Embodied Cognition in Oral Explanations — मौखिक व्याख्याओं में आवेशित संज्ञान के लिए एक बहुमाध्यमी ढाँचा

• Assessing the Quality of AI-Generated Exams: A Large-Scale Field Study — AI-जनित परीक्षाओं की गुणवत्ता का आकलन: एक बड़े पैमाने पर क्षेत्र अध्ययन

• Distinguishing performance gains from learning when using generative AI

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

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

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

• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — GenAI-सहायित कार्य के ग्रेडिंग में मूल्य निर्णय: ईमानदारी, भरोसा, वैधता, और दो-दिशा पारदर्शिता (Luo और Dawson 2026)

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

• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — एक वैधता समस्या के रूप में दुराचार प्रक्रिया

• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — अधूरी सूचना के तहत मूल्यांकन की वैधता: एक प्रतिक्रिया-क्षेत्र मॉडल

• Which inference is at risk? Assessment validity reasoning and generative AI — कौन-सा अनुमान जोखिम में है? पाँच वैधता दबावों को अलग करना और जाँचना कि पुनर्निर्माण क्या कमज़ोर करता है (Weidlich 2026)

• The shifting landscape of assessment in STEM education in the age of generative AI — STEM मूल्यांकन एक वैधता, डिज़ाइन और क्षमता-परिभाषा समस्या है, नकल की नहीं: प्रक्रिया प्रमाण, मौखिक परीक्षाएँ और AI-जनित कार्यों की निष्ठा (Koretsky et al. 2026)

• AI in Particle Physics Education: Research Problems and Foundational Skills — कण भौतिकी शिक्षा में AI: शोध समस्याएँ और बुनियादी कौशल

• Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education — मेरे कार्य को कौन ग्रेड करे? उच्च शिक्षा में पारदर्शी AI-सहायित लेखन मूल्यांकन पर विद्यार्थी दृष्टिकोण

• How much selection would be enough? Bounding the learning claim of El Salvador's artificial intelligence tutoring pilot — अल साल्वाडोर के AI ट्यूटरिंग पायलट के सीख-दावे को सीमित करना (Restrepo Morales et al. 2026)

• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — दुराचार आरोप फ़ाइलें असल में प्रमाण के रूप में क्या रखती हैं, और प्रमाण गुणवत्ता परिणामों की भविष्यवाणी क्यों नहीं करती (Munoz et al. 2026)

• Evaluating the accuracy and reliability of AI content detectors in academic contexts — 192 पाठों पर डिटेक्टर सटीकता 0.69 और 0.61; संकर-लेखन विफलता और EFL गलत-वर्गीकरण जोखिम (Hadra et al. 2026)

• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — अति-व्यापक निषेध: ट्रांसक्रिप्शन जनरेशन नहीं है, इसलिए नियम उसे दंडित करता है जो पकड़ने के लिए डिज़ाइन नहीं किया गया था (Wright 2026)

• Educational integrity in GenAI-augmented assessment: making judgment visible — पहचान के बजाय मूल्यांकनयोग्य निर्णय के माध्यम से दिखाई गई अखंडता (Sharma 2026)

• Can large language models reproduce higher education grade bands? Cross-model study of calibration and grading bias in authentic student writing — क्या बड़े भाषा मॉडल उच्च शिक्षा के अंक बैंड को पुनरुत्पन्न कर सकते हैं? प्रामाणिक विद्यार्थी लेखन में अंशकलन और ग्रेडिंग पूर्वाग्रह का क्रॉस-मॉडल अध्ययन

• AI-Assisted Assessment of Experimental Physics Laboratory Reports: Potential, Limitations, and Support for Teaching Practice — प्रयोगात्मक भौतिकी प्रयोगशाला रिपोर्टों का AI-सहायित मूल्यांकन: संभावनाएँ, सीमाएँ, और शिक्षण अभ्यास के लिए समर्थन

• Inferring Gifted Potential from AI-Assisted Work: An Attributional Validity Framework for Gifted Education — जब उत्पाद को शिक्षार्थी क्षमता के प्रमाण पढ़ा जाता है तब अनुमान के चार लक्ष्य और तीन आरोपण त्रुटियाँ (Sak 2026)

• Student Use of LLMs and the Limits of AI-Generated Question Difficulty in Data Science Courses — डेटा साइंस पाठ्यक्रमों में LLM का विद्यार्थी उपयोग और AI-जनित प्रश्न कठिनाई की सीमाएँ

• EduBehaviors: Assertion-based Schemas for Auditable Coding of Educational Dialogues — EduBehaviors: शैक्षणिक संवादों के ऑडिट योग्य कोडिंग के लिए दावा-आधारित स्कीमा

• Can students identify AI? – A cross-sectional quantitative study about AI recognition in tablet-based MCQ assessment among fifth-year undergraduate medical students at Saarland University, Germany — पाठ्यक्रम संरेखण के विद्यार्थी रेटिंग प्रश्न कठिनाई (rho = 0.762) को ट्रैक करती हैं, सामग्री को नहीं (Vogt et al. 2026)

• Large language models as grading assistants in public health education: a method-comparison study of essay-style exam assessment — एक ही जमा पर पाँच दिन बाद दोहराई गई ग्रेडिंग ने Krippendorff का alpha 0.625 दिया

• How AI-vulnerable is Australian higher education assessment? A computational audit of Group of Eight Arts and Humanities units, 2022–2026 — AI कमज़ोरी सूचकांक: अधिकांश मूल्यांकित अंक असत्यापित लेखकत्व पर टिके हैं, इसलिए वैधता मुख्य चरणों में पर्याप्त प्रमाण पर टिकी है, अधिकतम सुरक्षा पर नहीं

• Has the Target Moved Again? GenAI and the Validity of English Proficiency Scores — Has the Target Moved Again? GenAI and the Validity of English Proficiency Scores

• The learner who does not learn: when optimizing a pedagogical metric degrades LLM tutoring — एक पैडागॉजिकल-अनुकूलनशीलता मेट्रिक बढ़ी जबकि अंधे विशेषज्ञ रेटिंग गिरीं: मापन वैधता का मतलब अनुकूलन वैधता नहीं (Domínguez Figaredo और Fernández De la Cruz 2026)