मूल्यांकन

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

मूल्यांकन (Assessment) — शिक्षार्थियों के विषय में प्रमाण एकत्र करने और उसका निर्वचन करने की प्रक्रिया, तथा सीख को मूल्यांकन करने की विधियाँ। शिक्षा में AI ने मूल्यांकन को मौलिक रूप से नया आकार दिया है: यह स्वचालित ग्रेडिंग और स्कोरिंग को सक्षम बनाता है, मूल्यांकन आइटम उत्पन्न और अनुकूलित करता है, और गहरे प्रश्न उठाता है कि जब छात्र AI का उपयोग कर सकते हैं तो मूल्यांकन वास्तव में क्या मापते हैं। मूल्यांकन वह umbrella अवधारणा है जो ज्ञान आधार के निर्माणकारक मूल्यांकन, स्वचालित ग्रेडिंग, वैधता, और शैक्षणिक मापन के विवरण को व्यवस्थित करती है।

विचार करने योग्य प्रश्न

• यहाँ मूल्यांकन को शिक्षार्थियों के विषय में प्रमाण एकत्र करने और उसका निर्वचन करने की प्रक्रिया के रूप में परिभाषित किया गया है। पढ़ने से पहले, आप वाक्य 'एक मूल्यांकन तब वैध है जब…' को कैसे पूरा करेंगे — और यदि हर छात्र चुपके से अपना कार्य उत्पन्न करने के लिए AI का उपयोग कर सके तो उस उत्तर में क्या बदल जाएगा?
• पृष्ठ दावा करता है कि छात्र कैसे GenAI का उपयोग करता है (मूल्यांकनात्मक एकीकरण बनाम असमीक्षित शॉर्टकट अपनाना), यह प्रदर्शन की भविष्यवाणी करता है, जबकि वह कितनी बार उपयोग करता है, उसकी कोई भविष्यवाणी नहीं होती। यह उस सामान्य प्रवृत्ति के बारे में क्या संकेत करता है जो AI को सीमित करके उसे विनियमित करना चाहती है?
• कोई शिक्षार्थी पेशेवर-मानक का कार्य प्रस्तुत कर सकता है जिसे वह टूल के बिना पुनरुत्पादित नहीं कर सकता — प्रदर्शन और अंतर्निहित क्षमता के बीच अनुमान को तोड़ते हुए। क्या आपने कभी ऐसी 'योग्यता' को प्रदत्त हुआ देखा है जिसके लिए छात्र वास्तव में बिना सहायता के वह कार्य न कर सकता हो? इसने क्या प्रकट किया?
• यहाँ दिया गया रचनात्मक प्रश्न 'हम छात्रों को AI का उपयोग करने से कैसे रोकें?' नहीं, बल्कि 'हम उन्हें उन संदर्भों में विचारशील उपयोग के लिए कैसे सक्षम करें जो उनके भविष्य के काम को प्रतिबिंबित करें?' है। यदि यही लक्ष्य हो तो आपके क्षेत्र में मूल्यांकन कैसा दिखेगा?
• DRIVE ढाँचा छात्र के GenAI के साथ संलग्नता की गुणवत्ता को मूल्यांकन करने का सुझाव देता है — केवल कलात्मक उत्पाद को नहीं — यह देखकर कि वे प्रॉम्प्ट को रणनीतिक रूप से संचालित करते हैं और अपने विचारों को एकीकृत करते हैं। एक गहरी, चिंतनशील AI संवाद को सतही उपभोग से अलग करने के लिए आप क्या देखेंगे?
• AI-माध्यमित मूल्यांकन मौखिक परीक्षाओं, पोर्टफोलियो, और संवादी प्रारूपों में विविध हो रहा है जो चिंता कम करते हैं और पेशेवर रूप से प्रासंगिक लगते हैं। अपने अनुभव में किस मूल्यांकन प्रारूप को आप सबसे 'AI-प्रतिरोधी' मानते हैं — और क्या प्रतिरोध शैक्षणिक मूल्य के समान है?

परिचय

मूल्यांकन AI शिक्षा में दो कारणों से केंद्रीय है। पहला, AI स्वयं का उपयोग छात्रों को मूल्यांकन करने के लिए किया जाता है — निबंध, कोड, संक्षिप्त उत्तर और परीक्षाओं को बड़े पैमाने पर ग्रेडिंग करना। दूसरा, कक्षा में AI बदलती है कि मूल्यांकन वैध रूप से क्या माप सकते हैं, क्योंकि छात्र कार्य उत्पन्न करने के लिए जनरेटिव-AI का उपयोग कर सकते हैं। इसलिए यह क्षेत्र मूल्यांकन को स्वचालित करने वाले टूल और AI द्वारा उठाए गए वैधता और सत्यनिष्ठा प्रश्नों दोनों को समाहित करता है।

मूल्यांकन में AI का उपयोग

• स्वचालित मूल्यांकन: AI-आधारित मूल्यांकन कई माध्यमों में विस्तृत है — बहुविकल्पीय, संक्षिप्त उत्तर, निबंध, कोड, और प्रदर्शन-आधारित मूल्यांकन — स्वचालित ग्रेडिंग, स्वचालित निबंध स्कोरिंग, और स्वचालित प्रश्न निर्माण के माध्यम से।

• रूपरेखात्मक मूल्यांकन: AI प्रणालियाँ बड़े पैमाने पर रूपरेखात्मक मूल्यांकन आइटम उत्पन्न, मान्य और अनुकूलित करती हैं, केवल संक्षेपीय मूल्यांकन के बजाय निरंतर शिक्षण को सूचित करती हैं।

• शिक्षण विश्लेषण और मापन: लर्निंग एनालिटिक्स और शैक्षणिक मापन मूल्यांकन डेटा को शिक्षण प्रक्रियाओं से जोड़ते हैं, आइटम रिस्पॉन्स थ्योरी (IRT), ज्ञान अनुरेखण, और शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण का उपयोग करके प्रदर्शन का निर्वचन करते हैं। Razavi और Powers (2026) LLM-आधारित आइटम-कठिनाई अनुमान को एक मापन इनपुट के रूप में प्रदर्शित करते हैं: Rasch IRT मॉडल के अंतर्गत कैलिब्रेट किए गए 5,170 K-5 गणित और पठन आइटम पर GPT-4o के zero-shot रेटिंग वास्तविक कठिनाइयों के साथ मध्यम से मजबूत सहसंबंध रखते थे (गणित r = 0.83, पठन r = 0.81) लेकिन कक्षा-स्तर के अनुसार भिन्न थे, जबकि एक फीचर-आधारित दृष्टिकोण (LLM-निकाले गए फीचर को tree-आधारित मॉडलों में) r = 0.87 तक सहसंबंध प्राप्त करता है। यह अध्ययन परीक्षण पेशेवरों के लिए एक व्यावहारिक सात-चरणीय कार्यप्रवाह प्रदान करता है, साथ ही चेतावनी देता है कि K-5 गणित और पठन से आगे सामान्यीकरण अस्पष्ट है।

• प्रतिक्रिया लूप: AI मूल्यांकन तेज़ी से प्रतिक्रिया लूप में फीड करता है जो मूल्यांकन से शिक्षण तक का चक्र बंद करता है।

• ई-पोर्टफोलियो मूल्यांकन: ई-पोर्टफोलियो छात्र के कार्य और चिंतन को समय के साथ एकत्रित करते हैं, एक प्रक्रिया-आधारित, AI-मजबूत मूल्यांकन रूप के रूप में। Generative AI पोर्टफोलियो प्रक्रिया में सहायता कर सकता है — प्रतिक्रिया उत्पन्न करना, मड्गद चिंतन को सहारा देना, और (उचित रूब्रिक डिज़ाइन के साथ) मूल्यांकन का समर्थन — जबकि पोर्टफोलियो का तर्क-पथ और मसौदों पर जोर AI गढ़ी सामग्री का विरोध करता है। AI-सहायित पोर्टफोलियो मूल्यांकन और EFL बोलने के लिए ChatGPT + ई-पोर्टफोलियो दिखाते हैं कि AI पोर्टफोलियो अनुभव और शिक्षार्थी फीडबैक साक्षरता दोनों को बढ़ा सकता है।

• खुले उत्तरों की ग्रेडिंग विश्वसनीयता मॉडल-निर्भर है: Pecuchova, Benko & Drlik (2025) ने 1,885 खुले-उत्तर सॉफ़्टवेयर-इंजीनियरिंग प्रतिक्रियाओं पर दो विशेषज्ञ ग्रेडरों के विरुद्ध ग्यारह GenAI और वाक्य-एम्बेडिंग मॉडलों की तुलना की: केवल GPTo1 ने लगभग-पूर्ण सहमति प्राप्त की (Fleiss' Kappa 0.82), जबकि संदर्भ-आधारित मॉडलों ने सही लेकिन भिन्न रूप से व्यक्त उत्तरों को दंडित किया। चूँकि GPTo1 एकमात्र मॉडल था जिसे निरीक्षण के बिना तैनाती योग्य माना गया लेकिन उसमें स्वामित्व-API लागत थी, इसलिए लेखक संसाधन-सीमित सेटिंग्स में उन्नत मॉडलों को सस्ते विकल्पों या मानवीय निरीक्षण के साथ जोड़ने वाली संकर रणनीतियों की सलाह देते हैं। 42 अनुभवजन्य अध्ययनों (2023–2025) की एक PRISMA-निर्देशित व्यवस्थित समीक्षा पूरे ग्रेडिंग क्षेत्र में इस सशर्त-विश्वसनीयता तस्वीर की पुष्टि करती है: LLM बंद-उत्तर और संक्षिप्त-उत्तर कार्यों पर मानव रेटर के बराबर प्रदर्शन करते हैं लेकिन जटिल, खुले-उत्तर या व्यक्तिपरक कार्य पर मानवीय निर्णय को पूरी तरह प्रतिस्थापित नहीं कर सकते, और कोई एकसमान ग्रेडिंग पूर्वाग्रह उभरा नहीं — मॉडल कभी उदार, कभी सख्त थे, और अक्सर चरम स्कोर से बचते थे (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback)। पुनरावृत्त रूब्रिक परिष्कार LLM के खुले-उत्तर स्कोरिंग को उच्च-जोखिम चिकित्सा सेटिंग्स में मानव-निकट विश्वसनीयता की ओर धकेल सकता है: Olvet et al. (2026) ने पाया कि जब संकाय ने त्रुटि-पैटर्न विश्लेषण पर विश्लेषणात्मक और समग्र रूब्रिकों का बार-बार संशोधन किया, तो GPT-4 ने चार पूर्व-क्लर्कशिप प्रश्नों में से तीन पर संकाय ग्रेडरों के साथ पर्याप्त से लगभग-पूर्ण सहमति प्राप्त की (भारित कैपा 0.94 तक), जबकि शेष समग्र-रूब्रिक आइटम केवल मध्यम सहमति पर रहा (κw = 0.54) — यह मानव-लूप रूब्रिक इंजीनियरिंग के लाभ और उसकी सीमाएँ दोनों को दिखाता है, विशेष रूप से संश्लेषित, समग्र कार्यों पर।

• AI-सहायित मौखिक और प्रदर्शन मूल्यांकन। एक TVET डिज़ाइन अध्ययन मूल्यांकन को पाठ-भारी प्रारूपों से इंटरैक्टिव मौखिक आकलन की ओर ले जाता है जिसमें एक LLM समर्थन करता है: चार किशोरों में, 33 में से 21 शिक्षार्थियों ने आवाज कार्य को यथार्थपरक बताया और कोई भी असहमत नहीं था कि वास्तविक समय में बोलना लिखित पोर्टफोलियो से बेहतर योग्यता को प्रतिबिंबित करता है, जबकि समान प्रश्नों के लिए शब्द-संख्या किशोरों के बीच पाँच से आठ गुना भिन्न थी और नौ शिक्षार्थियों ने दो से तेरह शब्दों में उत्तर दिए और सभी सही थे। प्रणाली Mistral 7B और faster-whisper के साथ एक ही लैपटॉप पर ऑफ़लाइन चली, 12 तक समानांतर शिक्षार्थियों को सेवा देती हुई, रिकॉर्डिंग 90 दिन बाद हटा दी, और स्कोरिंग निर्णय आकलकों के पास छोड़ दी — कार्यस्थल-उन्मुख योग्यताओं के लिए मानव-लूप-में मूल्यांकन डिज़ाइन का एक उदाहरण। (Designing AI-Supported Oral Assessment in TVET)

वैधता और मापन चुनौतियाँ

AI मौलिक वैधता प्रश्न उठाता है: क्या AI-ग्रेड किए गए मूल्यांकन छात्र की सीख मापते हैं या AI-प्रॉम्प्टिंग कौशल? क्या छात्र का AI उपयोग पारंपरिक मूल्यांकनों को अवैध करता है? मुख्य चुनौतियाँ:

• निर्मित वैधता (Construct validity): योग्यता-आधारित शिक्षा पर अनुसंधान दिखाता है कि generative AI ने प्रदर्शन और अंतर्निहित क्षमता के बीच अनुमान को तोड़ दिया है — कोई शिक्षार्थी पेशेवर-मानक का कार्य प्रस्तुत कर सकता है जिसे वह टूल के बिना पुनरुत्पादित नहीं कर सकता। इससे यह प्रेरित होता है कि किन योग्यताओं का मूल्यांकन किया जाता है, इसे पुनर्धारणित किया जाए।
• सह-लेखन और सत्यनिष्ठा: सह-लेखन सत्यनिष्ठा वैधता प्रमाण का एक नया स्रोत प्रस्तावित करती है जो तब उल्लंघित होता है जब छात्र ऐसी AI-उत्पन्न सामग्री प्रस्तुत करते हैं जिसे वे नहीं समझते, और उत्तर के रूप में संवादी "AI वाइवा" की खोज करती है।
• मनोमापीय गुणवत्ता: मनोमापन-सचेत एआई और आत्मविश्वास-सचेत मूल्यांकन AI स्कोरिंग को विश्वसनीय, निष्पक्ष और व्याख्या योग्य रखने का काम करते हैं।
• AI आकलकों का मूल्यांकन: AI शिक्षा मूल्यांकन यह निर्धारित करने के तरीके और बेंचमार्क प्रदान करता है कि स्वचालित आकलक वास्तव में काम करते हैं या नहीं — विश्वसनीयता, शिक्षाशास्त्र और शिक्षण रणनीतियाँ, और समानता पर — केवल शीर्षक-सटीकता के बजाय।
• AI और सहकर्मी ग्रेडिंग की गुणवत्ता-निर्भर विश्वसनीयता (2026): एक ही स्नातक समूह परियोजनाओं के ChatGPT, सहकर्मी और प्रशिक्षक ग्रेडिंग की तुलना में, Usher & Faraon (2026) ने दिखाया कि प्रशिक्षक के साथ ग्रेडिंग संरेखण छात्र कार्य की गुणवत्ता पर सशर्त है: ChatGPT ने निम्न-गुणवत्ता प्रस्तुतियों को सबसे अधिक बढ़ा-चढ़ाकर प्रस्तुत किया और उच्च-गुणवत्ता कार्य पर प्रशिक्षक के साथ बेहतर संरेखित हुआ, जबकि सहकर्मी कमज़ोर कार्य पर सर्वोत्तम संरेखित हुए और मजबूत परियोजनाओं को कम ग्रेड किया। यह निष्कर्ष "विश्वसनीय बनाम अविश्वसनीय" के द्विआधारी ढाँचे को चुनौती देता है, सशर्त-विश्वसनीयता मॉडलों की ओर इशारा करता है जिनमें वैकल्पिक आकलकों को कार्य और प्रदर्शन स्तर के अनुसार मिलाना होता है।
• मानवीय ग्रेडिंग स्वयं मूल्य-आधारित है (2026): Luo & Dawson (2026) दिखाते हैं कि GenAI-सहायित कार्य का मानवीय ग्रेडिंग भी एक तटस्थ, मानदंड-आधारित क्रिया नहीं है। 33 विश्वविद्यालय शिक्षकों के साथ परिदृश्य-आधारित साक्षात्कार से पता चला कि ग्रेडिंग निर्णय व्यक्ति-उन्मुख (ईमानदारी, परिश्रम), क्षमता-उन्मुख (स्वतंत्रता, GenAI कौशल, विषयगत दक्षता), संबंध-उन्मुख (विश्वास), और न्याय-उन्मुख (निष्पक्षता, परोपकार) मूल्यों से चलते हैं — असाइनमेंट से आगे शिक्षक के छात्र के बारे में अनुमान तक। यह अध्ययन मूल्यांकन प्रश्न को "क्या GenAI उपयोग धोखा है?" से "शिक्षकों के मूल्य निर्णय ग्रेड को कैसे आकार देते हैं, और क्या वे मूल्य मूल्यांकित परिणामों के प्रासंगिक हैं?" तक पुनर्गठित करता है — वैधता और GenAI उपयोग के ग्रेड पर प्रभाव के बारे में "द्विदिशीय पारदर्शिता" को सामने रखता है।

सत्यनिष्ठा और पहचान की बहस

मूल्यांकन में AI ने सत्यनिष्ठा वार्ता को तीव्र किया है। एक धागा AI-उत्पन्न पाठ की पहचान पर केंद्रित है, जबकि अनुसंधान का बढ़ता हुआ समूह तर्क देता है कि पहचान एक सीमित, स्थितिजन्य टूल है — पहले उपाय की रणनीति नहीं। Beyond Detection और Responsible Assessment तर्क देते हैं कि प्रामाणिकता को प्रवर्तन से मजबूर नहीं किया जा सकता; इसे पुनर्निर्मित किया जाना चाहिए, AI को घोषित सहयोगी के रूप में रखते हुए और निगरानी के ऊपर प्रामाणिक, प्रक्रिया-आधारित मूल्यांकन को प्राथमिकता देते हुए। Walton et al. (2025) इसे छात्रों के वास्तव में निर्णय लेने के तरीके के प्रमाण पर आधारित करते हैं कि वे GenAI के साथ मूल्यांकन में अपना रास्ता कैसे निर्णय लेते हैं: 26 छात्रों के साथ scroll-back साक्षात्कारों ने छह निर्णय-घटनाओं की एक श्रृंखला प्रकट की — AI ज्ञान का आलोचनात्मक मूल्यांकन और AI की सीमाओं के माध्यम से सीखने से लेकर विचारों को असमीक्षित रूप से अपनाने और AI योगदान को अपना समझने में भूल तक। Stamatoulis et al. (2026) एक मात्रात्मक समकक्ष जोड़ते हैं: 157 छात्रों में, GenAI कैसे उपयोग किया जाता है (समझ के समर्थन के लिए मूल्यांकनात्मक एकीकरण बनाम कम-सत्यापन शॉर्टकट अपनाना) प्रदर्शन की भविष्यवाणी करता है, जबकि साधारण उपयोग आवृत्ति ने न प्रदर्शन की भविष्यवाणी की और न शैक्षणिक स्व-प्रभावशीलता की। साथ मिलकर ये अध्ययन मूल्यांकन प्रश्न को क्या छात्र AI का उपयोग करते हैं से वे इसे कैसे निर्णय लेकर और पैटर्न करते हैं तक पुनर्गठित करते हैं।

Bassett et al. (2026) आगे जाते हैं, तर्क देते हैं कि पहचान का उपयोग बिल्कुल नहीं किया जाना चाहिए: उसका प्रायिकता-आधारित आउटपुट स्वतंत्र रूप से सत्यापित नहीं किया जा सकता क्योंकि वास्तविक पाठ की उत्पत्ति अज्ञात है, और डिटेक्टर स्कोर — अकेले या भाषाई संकेतों, शैली तुलना, किसी LLM के दावे, या छात्र के मौन के साथ — सत्यनिष्ठा जाँचों के लिए आवश्यक संभावना-संतुलन मानक को पूरा नहीं करते।

25 अध्ययनों की एक PRISMA समीक्षा एक जोखिम कारक जोड़ती है जिसे पहचान की बहस छोड़ती है: गैर-मूल भाषी अंग्रेज़ी बोलने वालों ने अंग्रेज़ी में लिखने के संघर्ष में सत्यनिष्ठा तोड़ने की उच्च प्रवृत्ति दिखाई, इसलिए सत्यनिष्ठा अपेक्षाओं को केवल प्रवर्तन के साथ नहीं, बल्कि ठोस शैक्षणिक-लेखन सहायता के साथ जोड़ा जाना चाहिए (Balalle और Pannilage (2025)).

AI युग में मूल्यांकन पुनर्निर्माण

ज्ञान आधार के मूल्यांकन साहित्य में रचनात्मक प्रश्न "हम छात्रों को AI का उपयोग करने से कैसे रोकें?" नहीं, बल्कि "हम उन्हें उन संदर्भों में विचारशील उपयोग के लिए कैसे सक्षम करें जो उनके भविष्य के काम को प्रतिबिंबित करें?" है। यह मूल्यांकन को इनके इर्द-गिर्द पुनर्गठित करता है:

• प्रामाणिक और प्रक्रिया-आधारित कार्य जो AI उपयोग को दृश्यमान और मूल्यांकित बनाते हैं। प्रामाणिक मूल्यांकन — योग्य, यथार्थपरक कार्यों पर छात्र प्रदर्शन की जाँच — AI की चुनौती का प्रमुख उत्तर है: कोई भी कार्य जिसे कोई बड़े भाषा मॉडल (LLMs) विश्वसनीय रूप से सिमुलेट कर सकता है, अपनी वैधता खो देता है, इसलिए प्रामाणिकता को वास्तविक समय सहयोग, डिजिटल और सामाजिक योगदान, और व्यक्तिगत अर्थ-निर्माण के इर्द-गिर्द पुनर्निर्मित किया जाना चाहिए। यह प्रामाणिक मूल्यांकन के लिए डिज़ाइन ढाँचे, प्रामाणिक उत्पाद और प्रमाणित प्रक्रियाएँ, और प्रक्रिया का टूल-अपरिवर्तनीय मूल्यांकन से जुड़ता है।
• वैधता प्रमाण पर आधारित जिम्मेदार मूल्यांकन डिज़ाइन (Responsible Assessment in the AI Era: Key Insights from a Future-Focused Conference)
• मूल्यांकन लक्ष्यों से व्युत्पन्न कार्य-स्तरीय AI अनुमतियाँ: McCorkle (2025) एक AI नीति से पहले का मूल्यांकन-डिज़ाइन काम दिखाता है — एक परियोजना के हर कार्य की सूची बनाना, यह निर्दिष्ट करना कि किस उद्देश्य के विरुद्ध क्या मूल्यांकित किया जा रहा है, और उस आधार पर प्रति कार्य AI की अनुमति या प्रतिषेध (ब्रेनस्टॉर्मिंग और छवि क्यूरेशन की अनुमति; सीख के उद्देश्य और स्लाइड डिज़ाइन की अनुमति नहीं)। यही संरेखन व्यायाम मूल्यांकन द्वारा समर्थित अनुमान की जाँच के रूप में भी दोगुना काम करता है, क्योंकि यह प्रशिक्षक को उस प्रदर्शन को नाम दने के लिए बाध्य करता है जिसे एक ग्रेड वारंट करना चाहिए (मूल्यांकन की वैधता)।
• भाषाई माध्यम से आगे जाने वाला मूल्यांकन: Jiang et al. (2026) द्वितीय भाषा शिक्षकों के लिए बहु-माध्यमीय मूल्यांकन साक्षरता को ज्ञान, मूल्य और क्षमता के रूप में परिभाषित करते हैं — उन कार्यों के लिए जो भाषाई, दृश्य, श्रव्य, इशारात्मक और स्थानिक माध्यमों में प्रतिक्रियाएँ उत्पन्न करती हैं। 30 हाँगकाँग अंग्रेज़ी शिक्षकों के साथ एक वर्ष-लंबा कार्यक्रम ने मूल्यांकन रणनीतियों के ज्ञान को 5 में से 3.13 से 4.15 तक बढ़ाया (आंशिक η² = 0.571) और छात्रों के समर्थन में क्षमता को 3.05 से 3.98 (0.482), जबकि तीनों मूल्य उपक्षेत्र समान रहे। शिक्षकों के अपने अनुभव ने ढाँचे में दो आयाम जोड़े: प्रतिस्पर्धी पाठ्यक्रम प्राथमिकताओं के विरुद्ध अभ्यास को बनाए रखना, और GenAI का आलोचनात्मक रूप से जुटाना (Jiang et al. (2026))।
• सह-लेखन और घोषणा मूल्यांकन अनुबंध का हिस्सा के रूप में
• उत्पादन एक योग्यता के रूप में — शिक्षार्थियों की टूल संचालित करने और पेशेवर-मानक कार्य उत्पन्न करने की क्षमता का मूल्यांकन (Knowledge, Skills, Attitudes, Production: Competency-Based Education After Generative AI)
• केवल कलात्मक उत्पाद नहीं, संवाद प्रक्रिया का मूल्यांकन — DRIVE ढाँचा (Directive Reasoning Interaction + Visible Expertise) छात्र के GenAI के साथ संलग्नता की गुणवत्ता को मूल्यांकित निर्मित तत्व के रूप में मानता है। यह सतही उपभोग को गहरी, चिंतनशील संवाद से अलग करता है यह देखकर कि क्या छात्र प्रॉम्प्ट को रणनीतिक रूप से संचालित करते हैं (DRI) और विनिमय के माध्यम से अपने विषयगत विचारों को एकीकृत और विकसित करते हैं (VE), प्रक्रिया-केंद्रित मानदंडों को स्व-निर्देशित अधिगम और संज्ञानात्मक संलग्नता के सिद्धांतों में ICAP पदानुक्रम की रेखाओं पर आधार बनाता है। यह DRIVE को AI-माध्यमित प्रामाणिक मूल्यांकन का एक उदाहरण बनाता है — यह एक रूब्रिक है जो यह मूल्यांकन करता है कि शिक्षार्थी GenAI के साथ कैसे साझेदारी करता है, पहचान टूल नहीं।

इस साहित्य में एक प्रस्ताव वर्तमान ढाँचे के भीतर पुनर्निर्माण से आगे जाता है। El Khoury और Ma (2026) तर्क देते हैं कि दुराचार को रोकने या AI उपयोग की पहचान के इर्द-गिर्द व्यवस्थित सुधार शैक्षणिक कल्पना को नियंत्रण और अनुपालन तक संकुचित करता है, और इसके बजाय आनंदमय मूल्यांकन प्रस्तावित करते हैं: वह मूल्यांकन जो सुरक्षित, भावनात्मक रूप से अनुक्रियाशील, सशक्तिकारक और छात्र छात्र सशक्तिकरण के समर्थक हो, सुरक्षा को बोझ-वहन करने वाली शर्त के रूप में क्योंकि उसके बिना भावनात्मक समकक्षता प्रदर्शन बन जाती है, सशक्तिकरण दबाव बन जाता है और सशक्तिकरण जोखिम बन जाता है। उनका ढाँचा पहचान एजेंडा को उलट देता है — सत्यनिष्ठा ऐसे मूल्यांकन डिज़ाइन करने का परिणाम बनती है जिनमें छात्र संलग्न होना चाहते हैं, इसकी शुरुआती बिंदु नहीं — और वे प्रशिक्षक-निर्मित AI एजेंट (कस्टम GPT, Gems, Copilot Studio एजेंट) को एक कम-जोखिम अभ्यास स्थान के रूप में रखते हैं जहाँ छात्र निर्णय से पहले अभ्यास करते हैं, इस दावे के साथ कि AI प्रमाण को व्यवस्थित करता है जबकि प्रशिक्षक उसका निर्वचन करता है।

AI शिक्षा के लिए निहितार्थ

• मूल्यांकन और सीख अविभाज्य हैं: अच्छा AI मूल्यांकन सीख का समर्थन (रूपरेखात्मक प्रतिक्रिया) उतना ही करना चाहिए जितना उसका मूल्यांकन।

• वैधता को पुनर्धारणित किया जाना चाहिए: जब AI छात्र कार्य उत्पन्न कर सकता है, तो मूल्यांकन को प्रक्रियाओं, निर्णय और प्रामाणिक उत्पादन को मापना चाहिए, केवल आउटपुट नहीं।

• स्वचालन का कठोर मूल्यांकन होना चाहिए: स्वचालित आकलकों को मनोमापीय और निष्पक्षता मूल्यांकन की आवश्यकता है, केवल सटीकता दावे नहीं।

• सत्यनिष्ठा पहचान से डिज़ाइन की ओर बढ़ती है: मूल्यांकन में AI का सबसे मजबूत उत्तर ऐसे कार्य डिज़ाइन करना है जहाँ AI उपयोग अपेक्षित, घोषित और जाँचा गया हो।

• नवाचारी अभ्यास एक साथ कई समस्याओं को संबोधित कर सकते हैं। Mesny, Roberge-Maltais & Galy (2026) तर्क देते हैं कि पाँच परस्पर-सुदृढ़ अभ्यासों का एक समूह — प्रामाणिक मूल्यांकन, स्व- और सहकर्मी मूल्यांकन, पुनर्मूल्यांकन, मानक-आधारित ग्रेडिंग, और अनग्रेडिंग — जो "मूल्यांकन सीख के लिए" प्रतिमान के साथ संरेखित हैं, पारंपरिक, संक्षेपीय-भारी, मानदंड-संदर्भित ग्रेडिंग के नुकसानों (सतही सीख, क्षीण आंतरिक प्रेरणा, तनाव और चिंता, असमानता, और समझौता किया सत्यनिष्ठा) को generative AI युग में प्रतिकार कर सकते हैं। उन्हें पता चलता है कि अपनाना क्षेत्रों में असमान है — स्व- और सहकर्मी मूल्यांकन प्रमुख हैं जबकि ग्रेडिंग-केंद्रित नवाचार सीमांत रहते हैं — और शिक्षकों को वृद्धिशील प्रयोग और संस्थागत समर्थन के साथ मूल्यांकन और ग्रेडिंग नवाचार के साथ अधिक सक्रिय और पारस्परिक रूप से संलग्न होने का आग्रह करते हैं।

• AI-माध्यमित मूल्यांकन विविध हो रहा है। AIvaluate दिखाता है कि एक LLM-संवर्धित संवादी एजेंट ने प्रदर्शन-आधारित मूल्यांकन के दौरान छात्र चिंता को कम किया; Pentland (2026) पाता है कि अतुल्यकालिक मौखिक मूल्यांकनों ने उच्च संलग्नता प्रदान की और उन्हें पेशेवर रूप से प्रासंगिक माना गया; ग्राफ-आधारित ITS अनुकूली ज्ञान-स्थिति ट्रैकिंग का उपयोग मूल्यांकन को सूचित करने के लिए करता है।

संबंधित अवधारणाएँ

• शिक्षार्थी — शिक्षार्थी: शिक्षार्थी-पक्ष अवधारणाओं के लिए umbrella
• शैक्षणिक साझेदारी — शैक्षणिक साझेदारियाँ
• निर्माणकारक मूल्यांकन — रूपरेखात्मक मूल्यांकन: बड़े पैमाने पर AI-उत्पन्न, मान्य, अनुकूल आइटम
• स्वचालित मूल्यांकन — मूल्यांकन माध्यमों में स्वचालित ग्रेडिंग और स्कोरिंग
• प्रामाणिक मूल्यांकन — प्रक्रिया-आधारित, AI-मजबूत प्रामाणिक कार्य
• मूल्यांकन की वैधता — generative AI के अंतर्गत मूल्यांकन की वैधता
• शैक्षणिक मापन — AI मूल्यांकन के आधार में मापन सिद्धांत
• स्वचालित निबंध स्कोरिंग — स्वचालित निबंध स्कोरिंग
• स्वचालित प्रश्न निर्माण — स्वचालित प्रश्न उत्पादन
• मौखिक आकलन — मौखिक मूल्यांकन: लाइव और रिकॉर्ड किए गए प्रारूप जो AI प्रतिस्थापन का विरोध करते हैं
• समापक मूल्यांकन — संक्षेपीय मूल्यांकन: AI-प्रतिरोधी प्रारूप (मौखिक, निरीक्षित, बंद-पुस्तक परीक्षाएँ)
• आइटम रिस्पॉन्स थ्योरी (IRT) — AI-युग मूल्यांकन प्रतिक्रियाओं के निर्वचन के लिए IRT
• मनोमापन-सचेत एआई — मनोमापीय रूप से सचेत AI स्कोरिंग
• लर्निंग एनालिटिक्स — मूल्यांकन डेटा को सीख से जोड़ने वाला विश्लेषण
• प्रतिपुष्टि — मूल्यांकन-से-सीख चक्र को बंद करने वाले प्रतिक्रिया लूप
• फीडबैक साक्षरता — शिक्षार्थी प्रतिक्रिया साक्षरता
• शैक्षणिक इमानदारी — सत्यनिष्ठा और AI पहचान की बहस
• एआई डिटेक्शन — AI-उत्पन्न पाठ की पहचान
• AI शिक्षा मूल्यांकन — स्वचालित आकलकों के मूल्यांकन के तरीके और बेंचमार्क
• ई-पोर्टफोलियो — प्रक्रिया-आधारित ई-पोर्टफोलियो मूल्यांकन
• भाषण और वॉइस प्रौद्योगिकियाँ
• सहकर्मी मूल्यांकन

संबंधित लेख

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — एक वर्ष-लंबा कार्यक्रम जो बहु-माध्यमीय मूल्यांकन साक्षरता को परिभाषित करता है और मापता है कि क्या बदला और क्या नहीं
• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — AI एजेंट, आनंदमय मूल्यांकन, और तीसरा स्थान
• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — मूल्यांकित विषय से व्युत्पन्न कार्य-स्तरीय AI अनुमतियाँ (McCorkle 2025)
• Who grades best? Comparing ChatGPT, peer, and instructor evaluations across varying levels of student project quality — परियोजना गुणवत्ता स्तरों में ChatGPT, सहकर्मी और प्रशिक्षक ग्रेडिंग की तुलना (Usher & Faraon 2026)
• Responsible Assessment in the AI Era: Key Insights from a Future-Focused Conference — AI युग में जिम्मेदार मूल्यांकन
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — पहचान से आगे: प्रामाणिक मूल्यांकन
• Coauthorship integrity: Reconceptualising assessment validity for the age of generative artificial intelligence — सह-लेखन सत्यनिष्ठा और मूल्यांकन वैधता
• Knowledge, Skills, Attitudes, Production: Competency-Based Education After Generative AI — generative AI के बाद योग्यता-आधारित शिक्षा
• Generative AI as a Design Variable: An Evidence-Centered Framework for Principled Governance in STEM Assessment — मूल्यांकन में generative AI का प्रमाण-केंद्रित शासन
• Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity — AI सत्यनिष्ठा समीक्षा: पहचान को मूल्यांकन पुनर्निर्माण के साथ जोड़ा जाना चाहिए
• Heads We Win, Tails You Lose: AI Detectors in Education — सिर हम जीतते हैं, पूँछ आप हारते हैं: शिक्षा में AI डिटेक्टर (Bassett et al. 2026)
• Exploring student anxiety and experience in performance-based assessments using AIvaluate: an LLM-augmented emotionally — AIvaluate: छात्र चिंता का LLM-संवर्धित मूल्यांकन (2026)
• Intelligent tutoring in dynamic domains: a graph-based system for comparative analysis of adaptive algorithms — गतिशील क्षेत्रों के लिए ग्राफ-आधारित बुद्धिमान ट्यूटरिंग (2026)
• Asynchronous Oral Assessments: Enhancing Integrity, Engagement, and Communication in the AI Era — AI युग में अतुल्यकालिक मौखिक मूल्यांकन (Pentland 2026)
• Assessing students' DRIVE: A framework to evaluate learning through interactions with generative AI — DRIVE: GenAI संवाद के माध्यम से सीख का मूल्यांकन (DRI + दृश्य विशेषज्ञता)
• How university students work on assessment tasks with generative AI: matters of judgement — मूल्यांकन कार्यों पर GenAI के साथ छात्र कार्य में निर्णय (26 छात्र, scroll-back)
• Same tool, different work: patterns of generative AI use and academic outcomes — GenAI उपयोग के पैटर्न (मूल्यांकनात्मक एकीकरण बनाम कम-सत्यापन अपनाना) और परिणाम
• 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, विश्वास, वैधता और द्विदिशीय पारदर्शिता (Luo & Dawson 2026)
• Estimating Item Difficulty Using Large Language Models and Tree-Based Machine Learning Algorithms — LLM और tree-आधारित ML का उपयोग करके आइटम कठिनाई का अनुमान
• Automated Grading of Open-Ended Questions in Higher Education Using GenAI Models
• Innovative assessment and grading practices in higher education: A critical exploration for management educators
• Can Generative Artificial Intelligence Reliably Score Open-Ended Question Assessments in Undergraduate Medical Education?
• Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback
• AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI — AI आपका होमवर्क कर सकता है। अब क्या? generative AI युग में कंप्यूटिंग मूल्यांकन पर एक ऑनलाइन कार्यशाला की रिपोर्ट