प्रामाणिक मूल्यांकन

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

प्रामाणिक मूल्यांकन — ऐसे मूल्यवान, यथार्थवादी बौद्धिक कार्यों पर छात्र के प्रदर्शन का परीक्षण करने वाले मूल्यांकनों का डिज़ाइन, न कि अलग-थलग, मानकीकृत परीक्षा प्रश्नों का। Wiggins (1990) के साथ यह यात्रा मानकीकृत परीक्षाओं के प्रतिभागी के रूप में शुरू हुई; प्रामाणिक मूल्यांकन कार्यस्थल के कार्यों की नकल से आगे बढ़कर पेशेवर, डिजिटल, व्यक्तिगत और सामाजिक प्रामाणिकता को समेटने वाले एक बहुआयामी ढाँचे में विकसित हुआ है। जनरेटिव AI ने इसे नए सिरे से अनिवार्य बना दिया है: होमवर्क की स्थिति में कोई भी कार्य जिसे कोई भाषा मॉडल विश्वसनीय रूप से नकल कर सकता है, वह मूल छात्र क्षमता के प्रमाण के रूप में अपनी वैधता खो देता है, इसलिए प्रामाणिक रूपों को उसके इर्द-गिर्द फिर से डिज़ाइन किया जाना चाहिए जिसे AI विश्वसनीय रूप से नकल नहीं कर सकता।

विचार के लिए प्रश्न

• प्रामाणिक मूल्यांकन अलग-थलग परीक्षा प्रश्नों के बजाय मूल्यवान, यथार्थवादी बौद्धिक कार्यों पर प्रदर्शन का परीक्षण करता है। पढ़ने से पहले क्या आप यह मानते थे कि कोई 'प्रामाणिक' कार्य केवल वास्तविक दुनिया या कार्यस्थल के परिदृश्य की नकल करता है? यह पेज तर्क देता है कि प्रामाणिकता केवल नकल से बहुत आगे विकसित हुई है — यह और कौन-से रूप ले सकती है?
• एक केंद्रीय दावा यह है कि होमवर्क की स्थिति में कोई भी कार्य जिसे कोई भाषा मॉडल विश्वसनीय रूप से नकल कर सकता है, वह मूल छात्र क्षमता के प्रमाण के रूप में अपनी वैधता खो देता है। आपकी अपनी शिक्षण या अध्ययन में किस मूल्यांकन को अब आप 'नकल योग्य' मानेंगे — और ऐसा कहने का आपका क्या कारण है?
• यह पेज एक उल्लेखनीय अंतर को उजागर करता है: 37 अध्ययनों में से केवल 3 ने सामाजिक प्रामाणिकता को संबोधित किया — कि मूल्यांकन छात्रों को सामाजिक परिवर्तन में योगदान देने में मदद करता है या नहीं। आपको क्या लगता है कि प्रामाणिकता का सामाजिक आयाम इतना उपेक्षित क्यों है, और इसका मूल्यांकन वास्तव में कैसा दिख सकता है?
• ज्ञान आधार तर्क देता है कि प्रामाणिकता को 'फिर से डिज़ाइन किया जाना चाहिए, निगरानी नहीं'। जब छात्र रूब्रिक के सह-लेखक बनते हैं, क्या और कैसे जमा करना है यह चुनते हैं, और वास्तविक समय की बातचीत में संलग्न होते हैं, तो AI का उपयोग अपेक्षित और घोषित बन जाता है, न कि छिपा हुआ। यह छात्र और मूल्यांकनकर्ता के संबंध को कैसे बदलेगा?
• मौखिक परीक्षा और प्रक्रिया-आधारित पोर्टफोलियो को AI-प्रतिरोधी प्रामाणिक रूपों के रूप में प्रस्तुत किया गया है। लेकिन ग्रेडेड चिंतन और स्व-मूल्यांकन 'प्रदर्शन' बनने का जोखिम उठाते हैं — छात्र वही चिंतन प्रदर्शित करते हैं जो वे चाहते प्रतीत होते हैं। वास्तविक चिंतन के लिए प्रदर्शन के बजाय आप डिज़ाइन कैसे करेंगे?
• जब AI ही रूब्रिक, प्रतिपुष्टि और निगरानी प्रदान करती है, तो यह पेज चेतावनी देता है कि छात्र का अधिचेतन अभ्यास विस्थापित हो सकता है। यदि उपकरण ही मूल्यांकन करता है, तो शिक्षार्थी के वास्तव में अभ्यास या सीखने के लिए क्या बचता है?

प्रस्तावना

प्रामाणिक मूल्यांकन इस बात के केंद्र में है कि AI युग में मूल्यांकन की पुनर्विचार कैसे किया जा रहा है। यह जुड़ता है मूल्यांकन की वैधता से (क्या मूल्यांकन वही मापता है जो दावा करता है?), निर्माणकारक मूल्यांकन से (ऐसे प्रामाणिक कार्य जो सीखन को सूचित करते हैं), और शैक्षणिक इमानदारी से (पहचान से आगे बढ़कर ऐसे कार्यों के डिज़ाइन की ओर जहाँ AI का उपयोग अपेक्षित और घोषित है)। यह ज्ञान आधार के मूल्यांकन-पुनर्डिज़ाइन साहित्य में एक केंद्रीय प्रतिक्रिया है।

प्रामाणिकता का विकास

• 1990 के दशक की उत्पत्ति — मूल्यवान बौद्धिक कार्य: Wiggins (1990) ने प्रामाणिक मूल्यांकन को "मूल्यवान बौद्धिक कार्यों पर छात्र के प्रदर्शन" के प्रत्यक्ष परीक्षण के रूप में प्रस्तावित किया, जो मानकीकृत परीक्षाओं के प्रतिभागी था।
• 1990 के दशक के अंत में अपनाया जाना — कार्यस्थल की नकल: Joughin (1998) ने प्रामाणिकता को उस सीमा के रूप में रूपांकित किया जहाँ मूल्यांकन पेशेवर अभ्यास या वास्तविक जीवन की नकल करता है — यह दृष्टि दो दशकों तक प्रभावी रही।
• 2020 के दशक की समीक्षा — नकल से परे: McArthur (2023) ने तर्क दिया कि प्रामाणिक मूल्यांकन को छात्रों को "भविष्य को प्रभावित करने और समाज को बदलने" में सक्षम बनाना चाहिए, न कि केवल मौजूदा कार्यों की नकल करना; Ajjawi et al. (2024) ने प्रामाणिकता को छात्र अनुभव को दर्शाने वाले संदर्भगत, कार्य और व्यक्तिगत रूपों तक विस्तारित किया।
• जनरेटिव AI एक अस्तित्वगत चुनौती के रूप में: Zhan, Boud & Du (2025) नote कि जनरेटिव AI कार्यस्थल-नकल प्रामाणिकता को नए सिरे से संवेदनशील बनाता है, जिससे डिजिटल साक्षरता, वास्तविक समय का सहयोग, सामाजिक योगदान और व्यक्तिगत अर्थ-निर्माण की ओर एक मोड़ आता है, जिसे AI विश्वसनीय रूप से नकल नहीं कर सकता।

एक छह-आयामी डिज़ाइन मॉडल

37 अनुभवजन्य अध्ययनों (2000–2024) के Zhan, Boud & Du (2025) का स्कोपिंग समीक्षा छह डिज़ाइन आयाम प्रस्तावित करता है: (1) मूल्यांकन में प्रामाणिकता (मूल्यांकन, पेशेवर, डिजिटल, स्व और सामाजिक प्रामाणिकता — जहाँ केवल 3/37 अध्ययनों ने सामाजिक प्रामाणिकता को संबोधित किया, एक गंभीर अंतर), (2) संज्ञानात्मक चुनौतियाँ, (3) मूल्यांकन मानदंड (जहाँ छात्र प्रायः रूब्रिक के सह-लेखकों के बजाय निष्क्रिय प्राप्तकर्ता होते हैं), (4) प्रतिपुष्टि (प्रामाणिक-प्रधान, लेकिन सतत प्रतिपुष्टि दुर्लभ), (5) छात्र संस्था (क्या/कैसे/कब/कहाँ जमा करने का विकल्प दुर्लभ था), और (6) सामाजिक सहयोग। यह एक चक्रीय सह-डिज़ाइन मॉडल भी प्रस्तावित करता है — लक्ष्यों पर बातचीत, संदर्भ का निर्माण, मानदंडों का सह-डिज़ाइन, प्रतिपुष्टि की योजना — जिसे AI उपकरण क्रियान्वित कर सकते हैं।

Dollinger and Nieminen (2026) इस आशावाद को समावेशी मूल्यांकन का विरोधाभास से सीमित करते हैं: सुविधा मॉडल और संरचनात्मक समीक्षाएँ दोनों — जो मूल्यांकन को अक्षम बनाने वाले के रूप में फिर से रूपांतरित करती हैं — उस शून्य-योग तर्क को अक्षुण्ण छोड़ देती हैं कि "एक छात्र के सफल होने के लिए किसी अन्य को असफल होना पड़ता है", इसलिए वितरित और संस्थागत रूपों को उस तर्क को बदलना चाहिए, न कि केवल पहुँच को विस्तृत करना।

AI युग में प्रामाणिक मूल्यांकन

ज्ञान आधार का मूल्यांकन-पुनर्डिज़ाइन साहित्य तर्क देता है कि प्रामाणिकता को फिर से डिज़ाइन किया जाना चाहिए, निगरानी नहीं:

• Beyond Detection तर्क देता है कि प्रामाणिकता को निगरानी से अस्तित्व में नहीं लाया जा सकता; इसे डिज़ाइन किया जाना चाहिए, AI को घोषित सहयोगी के रूप में स्थापित करते हुए न कि नकल के अनुप्रयोग के रूप में, और निगरानी के बजाय प्रामाणिक, प्रक्रिया-आधारित मूल्यांकन को प्राथमिकता देते हुए।

• Responsible Assessment मूल्यांकन को वैधता प्रमाण और छात्रों के भविष्य के काम को दर्शाने वाले प्रामाणिक कार्यों के इर्द-गिर्द फिर से रूपांतरित करता है।

• प्रामाणिक उत्पाद, प्रमाणित प्रक्रियाएँ यह परीक्षण करता है कि AI-समृद्ध उच्च शिक्षा वास्तविक आउटपुट और उन्हें उत्पन्न करने वाली प्रक्रियाओं दोनों का मूल्यांकन कैसे कर सकती है।

• AI का प्रारूप साथी भी निर्णय छोड़ देता है। Paula et al. (2026) ने आठ समन्वयकों के साथ एक GPT-4.1 मूल्यांकन डिज़ाइनर का प्रयोग किया: इसने उपयोगी अवलोकन, कार्य, मानदंड, समयरेखा और रूब्रिक तैयार किए, लेकिन बार-बार अनुशासनात्मक संदर्भ और विषय क्रम को चूका, और आठों ने पूर्ण स्वचालन से इनकार किया, शैक्षणिक निर्णय को मॉडल के बजाय रखा।

• उपकरण-अनिर्दिष्ट ढाँचा उपकरण-विशिष्ट आउटपुट के बजाय संगणकीय विधियों और प्रक्रिया के मूल्यांकन का तर्क देता है, मौखिक प्रतिपादन और सत्यापन का उपयोग करते हुए।

• प्रक्रिया प्रमाण के लिए संस्थागत अधोरचना। एक कमीशन किए गए गुणवत्ता-आश्वासन ढाँचे ने प्रक्रिया के तर्क को नीति में बदला, सीखने की प्रक्रिया के निशानों — समय-चिह्नित संपादन, संसाधन उपयोग, अधिचेतन संकेतों — को स्थायी प्रमाण के रूप में मानते हुए जो एक ट्रांसक्रिप्ट दिखा नहीं सकता, और उन प्रक्रिया विशेषताओं का संदर्भ देते हुए जो उत्पाद विशेषताओं से अधिक प्रदर्शन में विचरण समझाती हैं (Lodge et al. (2026)).

• मापनीय मौखिक मूल्यांकन, एक स्कोरिंग चेतावनी के साथ। Pentland, Lowenthal & Krier (2026) ने समय-सीमित, अपरिवर्तनीय दर्ज उत्तरों को अंतर्निहित रूब्रिक के विरुद्ध ग्रेड किया, और पाया कि छात्रों ने अपने व्यक्तिगत बहुविकल्पीय परीक्षाओं से अधिक अंक पाए; वे ज़ोर देते हैं कि यह एक प्रारूप प्रभाव है न कि एक सीखने की प्राप्ति, जहाँ LLM पुनः-स्कोरिंग प्रशिक्षक के साथ ICC = 0.73 और 0.60 पर सहमत हुआ।

• मौखिक परीक्षाओं पर पुनर्विचार मौखिक परीक्षा/मूल्यांकन को एक कम-तकनीकी प्रामाणिक विकल्प के रूप में स्थापित करता है जो स्वभाविक रूप से AI-प्रतिरोधी है — इसकी वास्तविक समय की, संवादात्मक बातचीत समझ, समीक्षात्मक सोच, और तर्क (याद करने के बजाय) का परीक्षण करती है, पेशेवर अभ्यास को दर्शाती है, और छात्रों को AI से उत्तर बनाने और याद करने से रोकती है। यह व्यावहारिक सिफ़ारिशों का एक ठोस समूह प्रस्तुत करता है (स्पष्ट रूब्रिक, मानकीकृत सामग्री, मूल्यांकनकर्ता प्रशिक्षण, संकेत निर्माण दिशानिर्देश, पूर्वाग्रह न्यूनीकरण) मौखिक आकलन को उच्च विद्यालय और उच्च शिक्षा में फिर से लाने के लिए।

• ई-पोर्टफोलियो मूल्यांकन एक और प्रामाणिक, प्रक्रिया-आधारित रूप है जो AI गढ़न का विरोध करता है: Zhan, Boud & Du (2025) सामाजिक योगदान पोर्टफोलियो को जनरेटिव AI के सबसे मज़बूत प्रामाणिक रूपों में पहचानते हैं, और Beyond Detection व्याख्यात्मक पोर्टफोलियो और दर्ज वॉकथ्रू की सिफ़ारिश करता है जो वास्तविक समय में तर्क की खोज करते हैं। Ni & Lam (2026) और Laksana et al. (2026) दिखाते हैं कि जनरेटिव AI पोर्टफोलियो प्रक्रिया में — प्रतिपुष्टि, प्रारूप, चिंतन — सहायता कर सकता है, जबकि पोर्टफोलियो के तर्क निशान और प्रारूप प्रामाणिकता को संरक्षित करते हैं।

• प्रामाणिकता मानदंड स्वयं AI उपयोग को रोक सकते हैं। Chen and Zou (2026) ने पाया कि एक रूब्रिक जो छात्रों से समूह प्रस्तुति को उनके अपने प्रत्यक्ष शिक्षण अनुभव में आधारित करने और साझा कक्षा अवलोकनों पर चिंतन करने के लिए कहता है, ने पंद्रह में से सात छात्र समूहों को अपने GenAI उपयोग को जानबूझकर कम करने के लिए प्रेरित किया। छात्रों ने तर्क दिया कि उपकरण ज्ञान-सिद्धांतगत माँग को पूरा नहीं कर सकता — "AI केवल वही पल जानता है जब आप टाइप करते हैं" — क्योंकि उसमें उस अनुभवजन्य, स्थित संज्ञान नहीं था जो उनके सहपाठियों और शिक्षक में था। दोनों परतें मायने रखती थीं: कार्य की प्रामाणिकता और समूह में अपनी सोच का योगदान देने की संबंधगत प्रामाणिकता, जिसने भारी AI उपयोग को सहपाठियों पर मुफ़्त सवारी के रूप में फिर से रूपांतरित किया। डिज़ाइन निहितार्थ यह है कि प्रामाणिक, अनुभव-आधारित मानदंड प्रवर्तन के बिना भी मूल्यांकनात्मक कार्य करते हैं — वे संयम के लिए एक कारण प्रदान करते हैं जो नीति विवरण नहीं दे सकते।

• एक संवेदनशील कार्य को एक कम-संवेदनशील कार्य से जोड़ें। Roe, Perkins & Giray (2026) एक GenAI-संवेदनशील कार्य को एक दूसरे कार्य के साथ जोड़ते हैं जो समान परिणामों का मूल्यांकन करता है, उन्हें एक-दूसरे के पास निर्धारित करते हैं ताकि प्रत्येक दूसरे की जाँच कर सके, और एक पुष्टिकरण सीमा या भार के माध्यम से अंक को परस्पर निर्भर बनाते हैं।

Sharma (2026) तर्क देता है कि अखंडता-उन्मुख डिज़ाइन और प्रामाणिक डिज़ाइन एक ही चीज़ नहीं हैं, और यह अंतर ज्ञान-सिद्धांतगत है, शैलीगत नहीं। प्रामाणिकता यह पूछती है कि कोई कार्य सार्थक वास्तविक जगत के अभ्यास को दर्शाता है या नहीं; अखंडता-उन्मुख डिज़ाइन यह पूछती है कि शिक्षार्थी अपने निर्णयों का औचित्य दे सकते हैं और अनुशासनात्मक मानकों के संबंध में ज़िम्मेदारी उठा सकते हैं, जो अखंडता को कार्य संरचना में एक स्पष्ट, मूल्यांकन योग्य मानदंड बनाती है न कि यथार्थवाद का एक आकस्मिक उप-उत्पाद। उनके प्रस्तावित अभ्यास — व्याख्यात्मक निर्णय पगडंडियाँ, GenAI-योगदान दावों का सत्यापन, मौखिक प्रतिपादन और संवादात्मक उत्तरदायित्व, संस्करण इतिहास के साथ प्रारूप अंतर — पहचानने योग्य प्रामाणिक-मूल्यांकन रूप हैं, लेकिन वे उन निर्णय के लिए चुने गए हैं जिन्हें वे दृश्यमान बनाते हैं न कि उनके यथार्थवाद के लिए, जो उन कार्यों के लिए एक उपयोगी सुधार है जो प्रामाणिक दिखते हैं लेकिन तत्त्व में नकल योग्य रहते हैं। उनकी चेतावनी इस पेज पर भी लागू होती है: दस्तावेज़ी तर्क की माँग करना उन शिक्षार्थियों को विशेषाधिकार देता है जो चिंतनात्मक प्रवचन में अधिक सहज हैं, और निर्णय के प्रमाण के रूप में यह "यांत्रिक रूप से सत्यापनीय के बजाय संबंधगत और स्थित रहता है", इसलिए डिज़ाइन अपनी व्याख्या-विश्वसनीयता का बोझ स्वयं उठाता है।

इसी प्रश्न को Thapa and Lewis (2026) द्वारा फिर से रूपांतरित किया गया है, जो यह नामित करते हैं कि किसी कार्य को क्या प्रमाणित करना चाहिए न कि यह कि वह वास्तविक दिखता है: ज्ञान-सिद्धांतगत प्रामाणिकता, वह सीमा जहाँ मूल्यांकन व्याख्या, मूल्यांकनात्मक निर्णय, तर्क और ज्ञान निर्माण के सच्चे संलग्नता को पकड़ता है। उनका तर्क है कि प्रामाणिकता अकेली जनरेटिव AI से टिकती नहीं, क्योंकि एक प्रामाणिक कार्य जिसका प्रमाण एक अनिर्विचारीय उत्पाद है, वह उसी प्रतिस्थापन समस्या के संपर्क में है जिसे उसने बदला। तर्क को दृश्यमान बनाने के लिए इसके बजाय चरणबद्ध जमाइयाँ, चिंतनात्मक औचित्य, संवादात्मक संलग्नता और मूल्यांकनात्मक पारदर्शिता चाहिए। वे ऊपर की चेतावनी को डिज़ाइन में ले जाते हैं: चिंतनात्मक और संवादात्मक कार्य उन छात्रों को विशेषाधिकार दे सकते हैं जो शैक्षणिक स्व-अभिव्यक्ति में आत्मविश्वासी हैं, जब तक उन्हें समावेशी रूप से डिज़ाइन और scaffolding न किया जाए, और संबंधगत कार्य बड़े या संसाधन-सीमित सेटिंग में शिक्षक की भावनात्मक श्रम तीव्र करता है।

जब व्यावसायिक निगरानी प्रारूपों की ओर पीछे हटते हैं

ज्ञान आधार तर्क देता है कि प्रामाणिकता को डिज़ाइन किया जाना चाहिए न कि निगरानी, और Goldstein, Marae-Haj and Zidan (2026) अभ्यास से प्रतिवाद प्रदान करते हैं: एक विश्वास संकट के बाद जिसमें पूर्व-सेवा शिक्षकों ने कच्चा AI-जनित कार्य अपने रूप में जमा किया, सात इज़राइली कॉलेजों के शिक्षक शिक्षकों ने मूल्यांकन को प्रक्रिया प्रमाण (संकेत, दस्तावेज़ संस्करण इतिहास, निगरानी समूह योगदान) और कक्षा में प्रदर्शन के इर्द-गिर्द फिर से डिज़ाइन किया — लेकिन कई ने यह भी वर्णित किया कि वे अंतिम उपाय के रूप में निरीक्षित परीक्षाओं और थीसिस पर प्रत्याशित मौखिक प्रतिपादनों पर वापस गिरे, एक प्रतिभागी ने परीक्षाओं में वापसी को व्यक्तिगत रूप से दर्दनाक लेकिन अपरिहार्य कहा। डिज़ाइन-प्रथम स्थिति के विरुद्ध पढ़ा जाए तो यह निष्कर्ष एक विफलता मोड के रूप में चिह्नित करता है न कि समाधान: जहाँ प्रामाणिकता पहले से फिर से डिज़ाइन नहीं की गई है, अनिर्वाचनीय जमा कार्य के प्रत्युत्तर में व्यावहारिक प्रतिक्रिया पुनःस्थापित नियंत्रण है — दूसरे नाम पर निगरानी — जो उन्हीं प्रारूपों को फिर से लाता है जिनसे प्रामाणिक-मूल्यांकन साहित्य आगे बढ़ना चाहता है। यह विकल्प की भावी लागत भी दिखाता है: प्रतिभागियों ने बताया कि उनके होमवर्क लिखित मूल्यांकन अब सीखन को सिद्ध नहीं कर सकते, और प्रक्रिया दस्तावेज़ीकरण को स्थापित करने में वास्तविक श्रम लगा।

एक दूसरा विफलता मोड पुनर्डिज़ाइन के भीतर बैठा है: पाँच ऑनलाइन भाषा-शिक्षण विधियों में, प्रामाणिकता-संबंधी तनाव शिक्षकों के विवरणों में प्रभावी रहे (20 में से 11), जिसमें कार्य यथार्थवाद का क्षरण शामिल है — गतिविधियाँ AI-प्रतिरोधी होने के लिए फिर से डिज़ाइन की गईं न कि प्रामाणिक (Baoyi and Khan (2026)).

पीछे हटने की साक्ष्य लागत को मामला-फ़ाइल साक्ष्य दृश्यमान बनाता है। Munoz et al. (2026) ने 1,162 जनरेटिव-AI दुराचार आरोपों को कोड किया और पाया कि सबसे मज़बूत साक्ष्य प्रकार जाँच या निगरानी द्वारा उत्पन्न होते हैं न कि आरोप से, और प्रक्रिया प्रमाण जैसे प्रारूप, निगरानी बैठकें और प्रस्तुतियाँ केवल वहीं दिखती हैं जहाँ वे अभ्यास पहले से मौजूद हैं — इसलिए एक अपुनर्डिज़ाइन मूल्यांकन में यह साहित्य जिस प्रक्रिया प्रमाण की सिफ़ारिश करता है, वह बस उपलब्ध नहीं है, और मामले कमज़ोर श्रेणियों पर टिके रहते हैं। इसके स्थान पर जो है वह उनके संग्रह में सबसे कमज़ोर सामग्री है: डिटेक्टर आउटपुट ने किसी भी श्रेणी के सबसे निम्न साक्ष्यात्मक रेटिंग प्राप्त की, और Hadra et al. (2026) कारण दिखाते हैं, 192 पाठों में मैक्रो सटीकता 0.69 (Originality) और 0.61 (Turnitin), हाइब्रिड मानव–AI लेखन पर लगभग पूर्ण विफलता, और EFL छात्र कार्य को AI के रूप में गलत पढ़ने की सीमारेखा प्रवृत्ति। Wright (2026) नियम-डिज़ाइन आयाम जोड़ता है: प्लेटफ़ॉर्म पहचान के बजाय कार्य द्वारा लिखे निषेध परिभाषा के दुर्घटना से अति-व्यापक होते हैं, इसलिए एक निगरानी प्रारूप उस छात्र को दंडित कर सकता है जिसने वह चीज़ नहीं की जो नियम रोकने के लिए बनाया गया था, सबसे कड़ा उन छात्रों पर गिरता है जो सुगम्यता के लिए प्रतिलेखन उपकरणों पर निर्भर थे। एक साथ पढ़ा जाए तो, पीछे हटने का कार्य सबसे कम साक्ष्यात्मक सामग्री को प्रक्रिया प्रमाण के स्थान पर रखता है जो प्रामाणिक डिज़ाइन पहले उत्पन्न करता।

• स्व-नियंत्रित सीखना: प्रामाणिक मूल्यांकन में छात्र संस्था (विकल्प, स्व-चिंतन, सह-डिज़ाइन) पूर्वानुमान → प्रदर्शन → स्व-चिंतन चक्र को दर्शाती है, हालाँकि ग्रेडेड चिंतन प्रदर्शन बनने का जोखिम उठाती है।
• अधिचेतनता: मेटाकॉग्निशन छात्रों के लिए आवश्यक है ताकि वे अपने कार्य को सह-डिज़ाइन रूब्रिक के विरुद्ध मूल्यांकन कर सकें; जब AI ही रूब्रिक, प्रतिपुष्टि और निगरानी प्रदान करती है, तो छात्र का अधिचेतन अभ्यास विस्थापित हो सकता है।
• प्रामाणिक और सतत प्रतिपुष्टि: प्रामाणिक मूल्यांकन प्रामाणिक, भविष्य-उन्मुख प्रतिपुष्टि पर ज़ोर देता है जो बाद के संदर्भों में स्थानांतरित होती है।

AI शिक्षा में निहितार्थ

• AI-प्रमाण मूल्यांकन प्रकार: इन-विवो प्रदर्शन, सामाजिक-योगदान पोर्टफोलियो, ऑडिटेबल उत्पत्ति के साथ सह-निर्मित कलाकृतियाँ, और वास्तविक समय की सशरीर बातचीत होमवर्क निबंधों या MCQ की तुलना में जनरेटिव AI के प्रति अधिक लचीली हैं।

• जोखिम मापा जा सकता है। एक तीन-वर्षीय मनोविज्ञान की डिग्री 90% उत्तीर्ण करने योग्य सिद्ध हुई: ChatGPT ने 40 में से 36 कोर्सवर्क मूल्यांकनों पर पर्याप्त आउटपुट तैयार किया, और केवल वे चार कार्य रहे जिनमें उपस्थिति, एक दृश्य कलाकृति, या छात्र का अपना डेटा आवश्यक था (Ivory et al. (2026)).

• स्केल पर सह-डिज़ाइन: AI उपकरण कक्षा या MOOC स्केल पर रूब्रिक सह-डिज़ाइन और मूल्यांकन पैरामीटर के छात्र सह-निर्माण को सक्षम कर सकते हैं — हालाँकि मशीन-माध्यम संस्था को सावधानी से डिज़ाइन किया जाना चाहिए।

• सामाजिक-प्रामाणिकता अंतर को संबोधित करें: केवल 3/37 अध्ययनों ने सामाजिक मुद्दों को संबोधित किया; AI मूल्यांकन उपकरणों को छात्रों को सामाजिक परिवर्तन में योगदान देने में मदद करनी चाहिए, न कि केवल इसकी नकल।

• सतत प्रतिपुष्टि: AI प्रतिपुष्टि को भविष्य के संदर्भों में स्थानांतरित होने के लिए डिज़ाइन किया जाना चाहिए, न कि केवल प्रतिक्रियात्मक, क्षणिक सुधार प्रदान करने के लिए।

• प्रक्रिया-केंद्रित माप के पास अब वैधता प्रमाण है। Oliveira et al. (2025) ने 70 ग्रेडेड निबंधों को इस दृष्टि से स्कोर किया कि छात्रों ने GenAI संवाद को कैसे मोड़ा और कोर्स ज्ञान को कैसे दृश्यमान बनाया; उन प्रक्रिया स्कोर पारंपरिक निबंध स्कोर के साथ r = 0.54 पर सहसंबद्ध रहे, जबकि संरचित कार्य विशिष्टीकरण के बजाय संकल्पनात्मक कार्य को पुरस्कृत किया।

• प्रामाणिक मूल्यांकन अभ्यास-उन्मुख क्षेत्रों के अनुकूल है। Mesny, Roberge-Maltais & Galy (2026) पाते हैं कि प्रामाणिक मूल्यांकन विशेष रूप से प्रबंधन शिक्षा के अनुकूल है: वास्तविक पेशेवर समस्याओं को दर्शाने वाले कार्य (सजीव परामर्श परियोजनाएँ, कार्यकारी ब्रीफिंग के साथ डैशबोर्ड) क्षेत्र के अभ्यास-उन्मुख, रोज़गारयोग्यता फोकस के अनुरूप हैं और जनरेटिव AI युग में परीक्षा-केंद्रित मूल्यांकन के समावेशी, अखंडता-संरक्षण विकल्पों का समर्थन कर सकते हैं। चार प्रबंधन-शिक्षा पत्रिकाओं के 58 लेखों के उनके समीक्षा में, हालाँकि, प्रामाणिक मूल्यांकन मुख्य रूप से प्रौद्योगिकी-माध्यम सिमुलेशन के माध्यम से दिखा और प्रायः अनुभवजन्य सीखने के साथ भ्रमित किया गया — एक शब्दावली अंतर जो इसके व्यापक मूल्य और अपनाने को धुँधला कर सकता है।

• प्रामाणिकता सुरक्षा नहीं है, और यह अंतर क्षेत्र स्केल पर दृश्यमान है। जहाँ ऊपर के एकल-डिग्री ऑडिट ने 90% कोर्सवर्क उत्तीर्ण करने योग्य पाया, Villanueva (2026) 53,915 वस्तुओं में दर्ज प्रस्तुतियों, दूरस्थ समूह परियोजनाओं और अनिर्विचारीय डिजिटल कलाकृतियों को उच्च-जोखिम बैंड में स्कोर करता है, क्योंकि सार्वजनिक अभिलेख में उत्पादन की निगरानी के बारे में कुछ नहीं दिखता।

संबंधित अवधारणाएँ

• शिक्षार्थी पहचान — अनुशासनात्मक, पेशेवर, रचनात्मक और शैक्षणिक शिक्षार्थी पहचानों का विकास
• ई-पोर्टफोलियो
• समस्या-आधारित अधिगम
• मूल्यांकन
• मूल्यांकन की वैधता
• निर्माणकारक मूल्यांकन
• स्वचालित मूल्यांकन
• शैक्षणिक इमानदारी
• एआई डिटेक्शन
• स्व-नियंत्रित अधिगम
• मेटाकॉग्निशन
• AI शिक्षा मूल्यांकन
• उच्च शिक्षा
• जनरेटिव-AI
• शिक्षा में AI
• प्रतिपुष्टि
• समापक मूल्यांकन — योगात्मक मूल्यांकन: AI-प्रतिरोधी प्रारूप (मौखिक, प्रॉक्टर्ड, क्लोज़्ड-बुक परीक्षाएँ)
• कला, डिज़ाइन और मीडिया शिक्षा

संबंधित लेख

• Preserving epistemic authenticity: process-oriented assessment in the age of generative AI — प्रक्रिया-उन्मुख मूल्यांकन और ज्ञान-सिद्धांतगत प्रामाणिकता, जो किसी कार्य को प्रमाणित करना चाहिए

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — AI क्या उत्तीर्ण नहीं कर सका: उपस्थिति, दृश्य कलाकृतियाँ, और छात्र का अपना डेटा (Ivory et al. 2026)

• The Paternalistic Filter: Epistemic Injustice and Differential Refusal in LLM-Mediated History Education for Marginalized Romanian Students — इतिहास शिक्षा में पितृसत्तात्मक AI उपयोग और छात्र पहचान

• 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 — प्रामाणिक मूल्यांकन के लिए डिज़ाइन: एक स्कोपिंग समीक्षा

• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — पहचान से परे: प्रामाणिक मूल्यांकन

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

• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — प्रामाणिक उत्पाद, प्रमाणित प्रक्रियाएँ

• A Tool-Invariant Framework for Teaching and Assessing Computational Methods in the Age of Agentic AI — संगणकीय विधियों के शिक्षण और मूल्यांकन के लिए उपकरण-अनिर्दिष्ट ढाँचा

• Confidence Estimation in Automatic Short Answer Grading with LLMs — आत्मविश्वास-जागरूक स्वचालित लघु-उत्तर ग्रेडिंग

• The LLM Fallacy: Misattribution in AI-Assisted Cognitive Workflows — LLM भ्रम और क्षमता का गलत आरोप

• The University AI Didn''t Replace: Rethinking Universities in the AI Era — AI युग में विश्वविद्यालयों पर पुनर्विचार

• Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity — AI दुराचार का प्रतिकार करने के लिए एकाधिक मूल्यांकन विधियाँ

• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — प्रामाणिक, AI-प्रतिरोधी मूल्यांकन के रूप में मौखिक परीक्षाओं पर पुनर्विचार

• Assessment twins: An approach for strengthening assessment validity in the age of generative AI — जनरेटिव AI युग में मूल्यांकन वैधता को मज़बूत करने के लिए मूल्यांकन जुड़वाँ (Roe, Perkins & Giray 2026)

• Assuring quality learning in a gen AI-integrated future: The role of adaptive capabilities. TEQSA, June 2026 — जनरेटिव AI-एकीकृत भविष्य में गुणवत्ता सीखने की आश्वासन के लिए अनुकूली क्षमताएँ (Lodge et al. 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 सीखने का मूल्यांकन (DRI + दृश्यमान विशेषज्ञता)

• 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 — प्रामाणिकता मानदंड जिन्होंने छात्र समूहों को GenAI उपयोग कम करने के लिए प्रेरित किया

• Pioneering Teacher Educators Navigating AI Integration in Pre-Service Teacher Preparation: Strategies and Challenges — AI विश्वास संकट जिसने शिक्षक शिक्षकों को निरीक्षित परीक्षाओं और मौखिक प्रतिपादनों की ओर धकेल दिया (Goldstein et al. 2026)

• Educational integrity in GenAI-augmented assessment: making judgment visible — अखंडता-उन्मुख डिज़ाइन को प्रामाणिक मूल्यांकन से अलग किया गया: निर्णय को दृश्यमान बनाना (Sharma 2026)

• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — दुराचार आरोप फ़ाइलें वास्तव में साक्ष्य के रूप में क्या रखती हैं, और वे किस प्रक्रिया प्रमाण से कमज़ोर हैं (Munoz et al. 2026)

• Evaluating the accuracy and reliability of AI content detectors in academic contexts — डिटेक्टर सटीकता और हाइब्रिड-लेखन विफलता: पहचान कमज़ोर फ़ॉलबैक साक्ष्य क्यों है (Hadra et al. 2026)

• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — अति-व्यापक AI निषेध: प्रतिलेखन उत्पादन नहीं है (Wright 2026)

• Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education — जनरेटिव AI के साथ प्रामाणिक मूल्यांकनों का डिज़ाइन: उच्च शिक्षा में Assessment Authentifire का एक प्रायोगिक अध्ययन

• AI and higher education: teachers' perceptions of students' ethical tensions in online pedagogical methods — कार्य यथार्थवाद का क्षरण: AI-प्रतिरोधी पुनर्डिज़ाइन ऑनलाइन भाषा शिक्षण में प्रामाणिकता का क्षरण

• How AI-vulnerable is Australian higher education assessment? A computational audit of Group of Eight Arts and Humanities units, 2022–2026 — प्रामाणिक-सतह प्रारूप (दर्ज प्रस्तुतियाँ, दूरस्थ समूह परियोजनाएँ, डिजिटल कलाकृतियाँ) 53,915 वस्तुओं में उच्च स्कोर करती हैं: प्रामाणिकता लेखकत्व को सत्यापित नहीं करती