मूल्यांकनात्मक निर्णय

इस पृष्ठ पर

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

मूल्यांकनात्मक निर्णय — अपने ही काम और दूसरों के काम की गुणवत्ता के बारे में ठोस निर्णय लेने की क्षमता, उन मापदंडों के विरुद्ध जिनके बारे में तर्क दिया जा सकता है, न कि जिन्हें केवल कंठस्थ किया जा सके। जनरेटिव AI के युग में यह एक वांछनीय स्नातक गुण से आगे बढ़कर एक बोझ-उठाने वाली क्षमता बन गई है: जब कोई उपकरण संभावित प्रतीत होने वाला पूरा किया हुआ काम भी तैयार कर सकता है, तो एक सक्षम शिक्षार्थी को अलग करने वाली क्षमता उस आउटपुट का आकलन करने की है — यह न्याय करने की कि क्या अच्छा है, क्या गलत है, क्या स्वीकार करना है, क्या अस्वीकार करना है, और क्यों। इससे मूल्यांकनात्मक निर्णय अपने ही अधिकार में मूल्यांकन की एक वैध वस्तु बन जाता है, और संस्थानों को पहचान से हटाकर वैधता-केंद्रित और प्रामाणिक मूल्यांकन-डिज़ाइन की ओर ले जाने का व्यावहारिक मोड़ बन जाता है।

विचार के लिए प्रश्न

किसी ऐसी चीज़ के बारे में सोचें जिसका आप अच्छी तरह न्याय कर सकते हैं। आपने वह निर्णय कैसे सीखा — स्पष्ट रूप से पढ़ाकर, या बनाने और तुलना करने से अवशोषित करके — और इसका मूल्यांकन के तरीके के लिए क्या अर्थ निकलता है?
एक रूब्रिक या तो यांत्रिक रूप से लागू की जा सकती है या समझी जा सकती है। यदि कोई शिक्षार्थी मापदंडों का ठीक से पालन करता है लेकिन यह नहीं बता सकता कि एक काम दूसरे से बेहतर क्यों है, तो मूल्यांकन ने वास्तव में कौन-सी क्षमता मापी है?
जब कोई भाषा मॉडल एक संभावित प्रतीत होने वाला हल तैयार करता है, तो शिक्षार्थी का शेष काम काफ़ी हद तक निर्णय है: क्या रखना है, क्या ठीक करना है, क्या छोड़ना है। क्या यह एक घटा हुआ काम है, या प्रारूप तैयार करने से अधिक मांग वाला?
कोई शिक्षार्थी AI के सुझाव को इसलिए स्वीकार कर सकता है क्योंकि वह अच्छा पढ़ा जाता है, या इसलिए क्योंकि वह उसकी अपनी कड़ी जांच में टिकता है। बाहर से देखने पर सबमिशन एक जैसा दिख सकता है — क्या मूल्यांकनकर्ता को यह अंतर दिखाएगा?
एक बहु-स्थल प्रयोग ने पाया कि सीधे AI फीडबैक ने सबसे बड़ा संशोधन-लाभ दिया, लेकिन निर्णय को निष्क्रिय रूप से बाहर सौंपने का जोखिम भी उत्पन्न किया। यह व्यवहार-विनिमय आपके फीडबैक-डिज़ाइन के बारे में क्या सुझाता है — जो निर्णय को न बनाकर पार कर देता है?
सहपाठी और AI समीक्षा कैलिब्रेशन को प्रशिक्षित कर सकती है, लेकिन दोनों प्रदर्शनात्मक बन सकती हैं। आप मूल्यांकन को कैसे इस प्रकार डिज़ाइन करेंगे कि निर्णय का प्रयोग आवश्यक हो, न कि केवल प्रदर्शित हो?

परिचय

जो मूल्यांकन शिक्षार्थियों से काम बनाने के लिए कहते हैं, वे यह अनुमान करते हैं कि वे पहले दूसरों में और अंत में अपने ही काम में अच्छे काम को खराब काम से अलग कर सकते हैं। वह अनुमान अब भरोसेमंद नहीं रहा: जब जनरेटिव AI मांग पर सक्षम गद्य, कोड और विश्लेषण तैयार कर सकती है, तो किसी उत्पाद को बनाने की क्षमता सीखने का एक कमज़ोर संकेत है, जबकि किसी उत्पाद का न्याय करने की क्षमता एक मज़बूत संकेत है। मूल्यांकनात्मक निर्णय उसी क्षमता को नाम देता है, और ज्ञान-आधार की मूल्यांकन-अध्ययन पत्रिका यह पूछते समय बार-बार उसी पर पहुँचती है कि क्या मूल्यांकन-योग्य और मूल्यांकन करने योग्य बचा है। यह वहीं स्थित है जहाँ प्रतिपुष्टि, निर्माणकारक मूल्यांकन और स्व-नियंत्रित अधिगम मिलते हैं, क्योंकि निर्णय काम की तुलना मानकों से करके और अंतर पर अमल करके विकसित होता है, और यही वह चीज़ है जो AI आउटपुट के साथ सच्ची आलोचनात्मक भागीदारी को संभव बनाती है, न कि केवल आकांक्षी।

यह संकल्पना क्या है

मूल्यांकनात्मक निर्णय गुणवत्ता का आकलन करने की क्षमता है — अपने काम का, सहपाठियों के काम का, और तेज़ी से किसी AI प्रणाली के काम का — उन मापदंडों का उपयोग करते हुए जिनके बारे में तर्क दिया जा सकता है, न कि जिन्हें केवल कंठस्थ किया जा सके। तीन विशेषताएँ इसे पड़ोसी विचारों से अलग करती हैं।

यह गुणवत्ता के बारे में है, सही होने के बारे में नहीं। सही उत्तर देने के लिए ज्ञान चाहिए; यह न्याय करने के लिए कि कोई उत्तर अच्छा है या नहीं, उसके लिए ऐसे मानक चाहिए जिन्हें कोई जनरेटर शिक्षार्थी की ओर से नहीं दे सकता।
यह विकसित होता है, हस्तांतरित नहीं होता। निर्णय बार-बार तुलना करने के कार्यों से बढ़ता है — उदाहरणों, स्पष्ट मापदंडों और सहपाठियों के भिन्न दृष्टिकोणों के विरुद्ध — इसीलिए उदाहरण, कैलिब्रेशन अभ्यास और सहपाठी मूल्यांकन इसके स्वाभाविक शिक्षण-विधियाँ हैं।
यह स्थिति-आधारित है। यह किसी विषय के साक्ष्य और तर्क के मानकों के भीतर प्रयोग किया जाता है, इसलिए इसे सामान्य रूप से मूल्यांकित नहीं किया जा सकता, ठीक उसी तरह जैसे स्थानांतरण मान लिया जा सकता है।

यह मूल्यांकन में प्रामाणिकता से निकटता से संबंधित है, लेकिन उससे संकरा है: प्रामाणिक मूल्यांकन यह पूछता है कि क्या कोई काम वास्तविक दुनिया के सार्थक काम जैसा दिखता है; मूल्यांकनात्मक निर्णय यह पूछता है कि शिक्षार्थी अच्छे काम को खराब काम से अलग कर सकता है या नहीं। स्व-मूल्यांकन शिक्षार्थी के अपने काम, सक्षमता या प्रगति का मापदंडों के विरुद्ध आकलन करता है, जबकि मूल्यांकनात्मक निर्णय उस आकलन को सहपाठियों के काम और किसी AI प्रणाली के आउटपुत तक भी विस्तारित करता है।

जनरेटिव AI ने इसे केंद्रीय क्यों बनाया

चार तर्क एकत्र होते हैं।

उत्पाद साक्ष्य बनना बंद कर देता है। किसी कार्य का पूरा होना अब उस क्षमता को प्रदर्शित नहीं करता जिसे प्रमाणित करने के लिए वह कार्य डिज़ाइन किया गया था, क्योंकि कोई उपकरण उसका बड़ा हिस्सा पूरा कर सकता है। जो बचता है वह है वह तर्क जो उत्पाद को बनाता, जाँचता और उसका लेखा-जोखा देता है — संक्षेप में, निर्णय।
यह वही क्षमता है जो AI के उपयोग को नियंत्रित करती है। यह निर्णय करना कि कोई AI सुझाव स्वीकार करने, अनुकूलित करने या अस्वीकार करने योग्य है या नहीं, ही मशीन-आउटपुट पर लागू मूल्यांकनात्मक निर्णय है। जो पाठ्यक्रम इसे दृश्य नहीं बना सकते, वे ज़िम्मेदार उपयोग और प्रतिस्थापन में अंतर नहीं बता सकते, इसीलिए ईमानदारी के विद्वान आलोचनात्मक AI उपयोग को एक मूल्यांकन-योग्य परिणाम मानने लगते हैं, न कि पुलिस-की गई नियम।
यह प्रवर्तन से डिज़ाइन की ओर मोड़ है। जहाँ निषिद्ध उपयोग की पहचान नहीं हो सकती, वहाँ टेइखमैन (2026) उन तीन डिज़ाइन-धागों में से एक के रूप में मूल्यांकनात्मक निर्णय का विकास नामित करते हैं, जो संस्थानों को पहचान-प्रधान प्रवर्तन से हटाकर वैधता-केंद्रित मूल्यांकन की ओर रखते हैं — क्योंकि जहाँ संस्थान पहचान नहीं कर सकता, वहाँ यही क्षमता बचती है कि छात्रा काम और उसकी गुणवत्ता का लेखा-जोखा दे सके।
यह खुलासे को स्वीकार-करने-से साक्ष्य में बदल देता है। जब कोई कार्य शिक्षार्थियों से यह समझाने के लिए कहता है कि उन्होंने AI का किस लिए उपयोग किया, उन्होंने कौन-से सुझाव स्वीकार या अस्वीकार किए, और अंतिम सबमिशन उनके अपने निर्णय को कैसे दर्शाता है, तो घोषणा निर्णय का प्रदर्शन बन जाती है, न कि दंडात्मक रूप से व्याख्या किए जाने वाली स्वीकृति — और यही वह चीज़ है जो ईमानदारी की कीमत को घटाती है, जो अन्यथा खुलासे को भूमिगत कर देती है।

अगली एक परत किसी निर्णय के स्रोत की चिंता करती है, केवल उसकी सामग्री की नहीं। अलग़मदी (2026) उस परत को एक तीख़ी शब्दावली देते हैं: उनके 13 सऊदी कंप्यूटिंग शिक्षार्थियों ने एक ही मूल्यांकन-घटना के भीतर दो स्वतंत्र निर्णय दिए — क्या फीडबैक उपयोगी था, और क्या उसके स्रोत के पास अंक देने का अधिकार था। उन सभी ने ChatGPT के रूब्रिक-आधारित फीडबैक को स्पष्ट और विशिष्ट माना, जबकि अंक को भारी बहुमत से प्रशिक्षक के लिए सुरक्षित रखा ("मैं इससे सहमत हूँ, लेकिन एक शर्त के साथ, कि डॉक्टर फीडबैक की जाँच करें"), जिससे संकेत मिलता है कि AI-माध्यमित मूल्यांकन में मूल्यांकनात्मक निर्णय में अब मूल्यांकनात्मक अधिकार के बारे में तर्क भी शामिल होना चाहिए, न कि केवल प्राप्त फीडबैक की गुणवत्ता के बारे में।

शर्मा (2026) इस संकल्पना को ईमानदारी-साहित्य में सबसे मज़बूत स्थान देते हैं। ईटन (2023) के पोस्ट-प्लेजिएरिज़्म ढाँचे को एक नैतिक अभिवृत्ति से मूल्यांकन-डिज़ाइन में विस्तारित करते हुए, वे तर्क देते हैं कि ईमानदारी के पहचान और सत्यापन-आधारित मॉडल उस काम के साथ मेल नहीं खाते जिसमें मानव निर्णय और मशीन-जनन आपस में उलझे हुए हैं, और ईमानदारी को मूल्यांकनात्मक निर्णय के ज़रिये बनने वाली एक शिक्षण-अभ्यास के रूप में फिर से रखते हैं — शिक्षार्थी की क्षमता विकल्पों को तौलने, शैक्षणिक चुनावों को औचित्य सिद्ध करने और ज्ञान-अनिश्चितता के नीचे ज़िम्मेदारी स्वीकार करने की। उनके चार अभ्यास (टिप्पणी युक्त निर्णय-पगडंडियाँ, सत्यापन और जवाबदेही, मौखिक बचाव और संवादात्मक जवाबदेही, संस्करण-इतिहास के साथ प्रारूप-अंतर) उस निर्णय को कलाकृति से अनुमान लगाने के बजाय साक्ष्य के रूप में दृश्य बनाते हैं, और वे निर्णय को उन संकल्पनाओं से अलग करते हैं जिनमें इसे अक्सर समाहित कर दिया जाता है: चिंतनशील अभ्यास किसी के विचार को पश्चात् देखता है, मेटाकॉग्निशन संज्ञानात्मक प्रक्रियाओं की जागरूकता और नियमन है, जबकि निर्णय विकल्पों का मानकों के विरुद्ध मूल्यांकन करता है और अनिश्चितता के नीचे परिणाम स्वीकार करता है। वे उस विफलता-प्रकार को भी नामित करते हैं जिसका यह पेज पीछा करता है — दस्तावेज़ी तर्क की मांग करने से "एक अनुपालन-व्यवस्था को दूसरे से बदलने" का जोखिम है, क्योंकि साक्ष्य के रूप में निर्णय "संबंधात्मक और स्थिति-आधारित बना रहता है, यांत्रिक रूप से सत्यापन-योग्य नहीं"।

साक्ष्य: निर्णय कैसे विकसित होता है, और AI उसके साथ क्या करती है

ज्ञान-आधार की सहयोगी और मूल्यांकन साहित्य समरूप साक्ष्य देती है कि मूल्यांकनात्मक निर्णय सीखा जा सकता है, विस्थापित किया जा सकता है और डिज़ाइन किया जा सकता है — और AI दोनों तरफ़ काटती है।

तुलना-आधारित प्रशिक्षण इसे मापने-योग्य रूप से बनाता है। 28 भावी शिक्षकों के साथ एक 14-सप्ताह के अध्ययन में, AI-जनित मज़बूत, औसत और कमज़ोर उदाहरणों ने शिक्षार्थियों के प्रारूपों के पुनरावृत्त तुलना को संदर्भ-बिंदुओं के विरुद्ध आँकड़ा दिया; मूल्यांकन-ध्यान सतही भाषा-विशेषताओं से विस्तारित होकर सामग्री, संगठन और सुसंगति तक पहुँचा — लेकिन तर्क पतला रहा, उदाहरण-आधारित औचित्य दोगुना हुआ जबकि सबसे परिष्कृत तुलनात्मक तर्क दुर्लभ बना रहा। निर्णय को बेलों के सहारे अस्तित्व में लाया जा सकता है; यह मांग पर उपस्थित नहीं होता, और संदर्भ-बिंदुओं की गुणवत्ता मायने रखती है।
फीडबैक-डिज़ाइन यह तय करता है कि सशक्तता बचती है या नहीं। 48 अनुभागों में फैले 1,176 प्रथम-वर्ष के स्नातक छात्रों के साथ एक बहु-स्थल, समूह-यादृच्छिक फील्ड प्रयोग ने वैज्ञानिक तर्क-प्रस्तुतिकरण के लिए चार फीडबैक शर्तों की तुलना की: केवल सहपाठी, सीधा GenAI, चिंतनशील GenAI (पहले स्व-मूल्यांकन, फिर आलोचना), और संकर (स्व-मूल्यांकन + सहपाठी + GenAI)। संकर शर्त ने सबसे बड़ा तर्क-गुणवत्ता लाभ दिया; सीधा GenAI फीडबैक निष्क्रिय ग्रहण का जोखिम उठाया — शिक्षार्थी मूल्यांकनात्मक निर्णय को प्रणाली के हवाले कर देते हैं — जबकि चिंतनशील और संकर डिज़ाइनों ने ज्ञान-सशक्तिकरण को बचाए रखा, क्योंकि उन्होंने छात्र को पहले अपने ही काम का मूल्यांकन करने के लिए मजबूर किया। लेखकों की मूल खोज यह है कि GenAI का शैक्षणिक मूल्य AI की पहुँच से कम इस बात पर निर्भर करता है कि फीडबैक-पर्यावरण संशोधन के दौरान सशक्तता, निर्णय और स्वामित्व को बचाए रखता है या नहीं।
फीडबैक का स्रोत यह आकार देता है कि निर्णय का कौन-सा आयाम विकसित होता है। एक स्नातकोत्तर सांख्यिकी के केस-अध्ययन में, ChatGPT-4o ने प्रक्रियात्मक मार्गदर्शन दिया लेकिन गलत डेटा फ़ाइल या गलत लागू किए गए परीक्षण को नहीं पहचान सका, जबकि सहपाठी संवाद ने गलत डेटा को वास्तविक समय में पकड़ा और विधि-चुनाव के औचित्य को मजबूर किया (शिए आदि (2025))।
संरचित सहपाठी और AI समीक्षा कैलिब्रेशन को विस्तार देती है। PAIRR मॉडल (स्परबर आदि, 2025) सहपाठी समीक्षा को AI समीक्षा और संरचित चिंतन के साथ जोड़ता है, और इसे अब तक के छात्रों के AI फीडबैक उपयोग के सबसे बड़े अध्ययन (654 छात्र, दस लेखन पाठ्यक्रम) में परखा गया। यह किसी के अपने निर्णय, सहपाठियों के और AI के निर्णय के बीच तुलना को प्रशिक्षण-भूमि मानता है, और मूल्यांकनात्मक निर्णय को एक अस्पष्ट उप-उत्पाद के बजाय एक स्पष्ट सीखने का परिणाम के रूप में रखता है।
AI फीडबैक तभी मदद करता है जब साक्षरता पहले से मौजूद हो। फीडबैक-साक्षरता के नेताओं से एक वैचारिक ढाँचा (बोउड, डॉसन और यान) फीडबैक का विश्लेषण प्राप्त करने, संसाधित करने और लागू करने में करता है, दो विरोधी IELTS-सह-ChatGPT केसों का उपयोग करते हुए: कम फीडबैक साक्षरता वाले एक छात्र ने एक अस्पष्ट संकेत दिया, सामान्य आउटपुट पाया, और उस पर भरोसा किया या उसे अधिक नकल किया, जबकि साक्षर छात्र ने AI का आलोचनात्मक रूप से उपयोग किया और सीखा। GenAI फीडबैक माँगने के संज्ञानात्मक और भावनात्मक अवरोध घटाता है, लेकिन यह स्वयं भ्रमित, पक्षपाती या सामान्य भी हो सकता है — इसीलिए शिक्षकों से कहा जाता है कि वे मूल्यांकनात्मक नियोजन का मॉडल बनाएँ और निर्णय को प्रशिक्षित करें, न कि केवल संकेत देना।
टिकाऊ निर्णय, क्षणिक फीडबैक नहीं, यही अंतराल है। प्रामाणिक मूल्यांकन के एक स्कोपिंग समीक्षा में (झ़ान, बोउड और दू) ने पाया कि AI-रूपात्मक फीडबैक प्रचुर मात्रा में है लेकिन टिकाऊ फीडबैक — भविष्य के संदर्भों में स्थानांतरणीय — केवल 23 रूपात्मक अध्ययनों में से 4 में मौजूद है। जो फीडबैक वर्तमान कार्य को बंद करता है लेकिन शिक्षार्थी को भविष्य के काम का न्याय करने में असमर्थ छोड़ देता है, वही मूल्यांकनात्मक निर्णय की विफलता का सबसे स्पष्ट रूप है।
जनित प्रारूपों की आलोचना करने से शिक्षकों का निर्णय बना। पाउला आदि (2026) ने पाया कि आठ पाठ्यक्रम-संयोजकों की मूल्यांकन-साक्षरता इस प्रकार बढ़ी जैसे-जैसे उन्होंने एक GPT-4.1 उपकरण के जनित रूब्रिक और समय-रेखाओं की विषय-मानकों के विरुद्ध आलोचना की, जबकि आठों ने आमद-से-आमद स्वचालन से इनकार किया — उपकरण ने शैक्षणिक निर्णय को बदलने के बजाय मज़बूत किया।
मूल्यांकन को आउटपुट के बजाय निर्णय को पुरस्कृत करने के लिए डिज़ाइन किया जा सकता है। प्रतिक्रिया-क्षेत्र मॉडल यह औपचारिक रूप से सिद्ध करता है कि फिर से डिज़ाइन करने से छिपे हुए बाहर-सौंपने से मिलने वाली कमाई घटती है और दृश्यमान तर्क, व्याख्या और आलोचना का मूल्य बढ़ता है। छात्रों से यह समझाने के लिए कहना कि उन्होंने कौन-से AI सुझाव स्वीकार और अस्वीकार किए, यह निर्णय को ही मूल्यांकन-योग्य साक्ष्य में बदल देता है।
संस्थान के अपने निर्णय में वे मापदंड नहीं हैं जिन्हें वह छात्रों से माँगता है। मुनोज़ आदि (2026) ने 1,162 जनरेटिव-AI दुराचार-आरोपों में शामिल 1,855 साक्ष्य-वस्तुओं का प्रमाणिक मूल्य रेट किया और पाया कि साक्ष्य-गुणवत्ता और केस-परिणामों के बीच कोई भरोसेमंद संबंध नहीं था, क्योंकि प्रक्रिया के किसी भी चरण में न्यूनतम साक्ष्य-सीमा नहीं तय की गई थी और जाँचकर्ताओं से किसी आरोप को आगे बढ़ाने से पहले प्रमाणिक मूल्य तौलने की आवश्यकता नहीं थी — पैनलों ने साक्ष्य को असंरचित व्यावसायिक निर्णय के ज़रिये तौला। उस संग्रह में डिटेक्टर आउटपुट सबसे कमज़ोर श्रेणी थी (स्वतंत्र डिटेक्टर आउटपुट पूरी तरह से विश्वसनीयता में निम्न), और हादरा आदि (2026) दिखाते हैं कि उपकरण वह तथ्य स्थापित नहीं कर सकता जिसे कोई निष्कर्ष दावा करता है — 192 पाठों में क्रमशः 0.69 और 0.61 का मैक्रो-सटीकता, संकर मानव–AI लेखन पर लगभग पूर्ण विफलता, और EFL लेखकों के लिए सीमारेखा पक्षपात-चिंता — इसीलिए लेखकों की अपनी सिफ़ारिश निगरानी के बजाय मानव निर्णय, स्पष्ट नीति और बेहतर-निर्दिष्ट कार्य हैं। बेहतर-निर्दिष्टता दोगुनी मायने रखती है: राइट (2026) तर्क देते हैं कि मंच-पहचान के बजाय कार्य के अनुसार लिखे नियम परिभाषा-दुर्घटना से स्वयं ही अति-व्यापक हैं, जिससे उस छात्र पर प्रतिबंध लगता है जिसने वह चीज़ नहीं की जिसे रोकने के लिए नियम बनाया गया था, इसलिए मूल्यांकनकर्ता का निर्णय उस पर लागू होना चाहिए कि उपकरण ने क्या किया, न कि कि किस मंच का उपयोग किया गया। साझा मापदंडों के बिना किया गया निर्णय न सिखाया, न कैलिब्रेट किया जा सकता है और न ही ऑडिट किया जा सकता है — यही स्थिरता-समस्या जो यह पेज छात्रों के लिए रिपोर्ट करता है, संस्थान के स्तर पर पहुँचती हुई। मूल्यांकनकर्ता का निर्णय अपनी भी एक मापने-योग्य दिशा रखता है: 50 मानव और 50 AI प्रवेश निबंधों को अलग करने वाले पाँच प्रवेश अधिकारियों ने AUC 0.70 (95% CI [0.65, 0.75]) पाया, और अनुभूत AI-संभावना बढ़ने पर उनकी गुणवत्ता-रेटिंग गिरीं, एक संबंध जो मशीन-रेट की गई गुणवत्ता, वास्तविक उत्पत्ति और आवेदक विशेषताओं के लिए समायोजन के बाद भी बचा रहा (−0.109, p < .05)। क्योंकि किसी ने भी सबमिशन की जाँच नहीं की, वह बिना सहारे का निर्णय ही पूरा प्रवर्तन-तंत्र था, और प्रत्येक चिह्नित निबंध के साथ प्रवेश-संभावना में 1.5 प्रतिशत-अंक की कमी आई, 2.6 जब निबंध-गुणवत्ता को स्थिर रखा गया (इस्ले, गेबलर और गोएल 2026)।
निर्णय के लिए कक्षा-स्तर के प्रतिनिधि प्रस्तावित किए जा रहे हैं। ऑस्टिन (2026) एक फिर से डिज़ाइन की गई असाइनमेंट-श्रृंखला में दो व्यवहारगत संकेत जोड़ते हैं: UnBlooms™ Discernment Rate (विवेक-दर), वह हिस्सा AI आउटपुट का जिसे कोई शिक्षार्थी स्वीकार करने के बजाय जाँचता, चुनौती देता या संशोधित करता है, और First-Pass Acceptance Rate (प्रथम-पार स्वीकृति-दर)। दोनों अमान्य हैं — दोनों प्रति-असाइनमेंट सस्ते निदान के रूप में प्रस्तावित हैं — लेकिन वे इस संकल्पना को सामान्य ग्रेडिंग के भीतर देखने-योग्य बनाते हैं, जहाँ कई असाइनमेंट में शून्य के लगभग शून्य विवेक-दर एक व्यक्तिगत कमी के बजाय कार्य-डिज़ाइन संकेत के रूप में पढ़ी जाती है।

दुरुपयोग निर्णय को कैसे विस्थापित करता है

सबसे स्पष्ट जोखिम विस्थापन है, और यह केवल सिद्धांत में नहीं, फीडबैक साहित्य में साक्ष्यित है। जब उपकरण रूब्रिक, फीडबैक और निगरानी तीनों आपूर्ति करता है, तो शिक्षार्थी की अतियोग्य और मूल्यांकनात्मक अभ्यास-प्रणाली समर्थित होने के बजाय विस्थापित हो जाती है — मूल्यांकन उस निर्णय का प्रदर्शन बन जाता है जिसे छात्र ने कभी प्रयोग नहीं किया, यही वह विफलता-प्रकार है जो संज्ञानात्मक बाह्य-निर्भरता मूल्यांकन-पंजीकरण में व्यक्त हुआ है। बहु-स्थल प्रयोग में सीधे GenAI फीडबैक ने ठीक इसी निष्क्रिय बाहर-सौंपने की ओर धकेला। ग्रेडिंग-दबाव इसे और बढ़ाता है: जहाँ AI उपयोग पर स्व-मूल्यांकन या चिंतन को स्वयं ग्रेड किया जाता है, वहाँ छात्र वह चिंतन बना सकते हैं जो रूब्रिक चाहता है, न कि वह तर्क जो असली है, इसलिए सच्चा निर्णय के लिए अभ्यास को परिणामपूर्ण बनाना ज़रूरी है — बाद के काम में दिखने वाला निर्णय, मौखिक व्याख्या, या दस्तावेज़ी औचित्य जिसकी स्वयं जाँच हो।

अभ्यास के लिए निहितार्थ

इसे एक परिणाम के रूप में बताएँ। यदि काम की गुणवत्ता का आकलन — AI आउटपुट सहित — वही है जो मायने रखता है, तो इसे सीखने के परिणामों में लिखें और उसका मूल्यांकन करें, न कि इसे कार्य का उप-उत्पाद छोड़ दें।
केवल कलाकृति का नहीं, निर्णय का मूल्यांकन करें। छात्रों से यह औचित्य सिद्ध करने के लिए कहें कि उन्होंने क्या रखा, क्या बदला या क्या अस्वीकार किया; यह सोच को साक्ष्य में बदल देता है और निगरानी के बिना प्रतिस्थापन को दृश्य बना देता है।
निर्णय-दिनचर्या को नाम दें। ओब्रीन की Agency Check — विश्वसनीय, प्रासंगिक, स्वीकार्य, सूक्ष्म — यह पूछती है कि आउटपुट सटीक है, उपयुक्त है, सेवा-योग्य है, और उसमें रुख और आवाज़ है या नहीं; एक सेमेस्टर लंबे अध्ययन में, सबसे अधिक और सबसे कम निर्णयशील छात्रों के अंतिम कृतियाँ भ्रामक रूप से एक जैसी दिखीं (ओब्रीन, 2026)।
उदाहरणों और कैलिब्रेशन का जानबूझकर उपयोग करें। मज़बूत, औसत और कमज़ोर उदाहरणों के विरुद्ध तुलनात्मक निर्णय वही तंत्र है जिसे साक्ष्य समर्थन देता है, और AI उन उदाहरणों को बनाने को सस्ता बना देता है — इसके सबसे स्पष्ट शिक्षण-संबंधी उपयोगों में से एक।
सीधे आउटपुट के ऊपर संकर और चिंतनशील फीडबैक को प्राथमिकता दें। AI आलोचना से पहले स्व-मूल्यांकन, या स्व + सहपाठी + AI, वह शिक्षार्थी सक्रियता बचाता है जिसे सीधा AI फीडबैक घटाता है; केवल उपकरण जोड़ने के बजाय फीडबैक-पर्यावरण डिज़ाइन करें।
टिकाऊ निर्णय की ओर बनाएँ, क्षणिक सुधारों की ओर नहीं। जो फीडबैक अगले कार्य में स्थानांतरित नहीं हो सकता, वह कुछ भी टिकाऊ नहीं सिखाता।
इसे प्रक्रिया और मौखिक के साथ जोड़ें। प्रक्रिया-कृतियाँ और छोटी मौखिक व्याख्याएँ वहाँ निर्णय को कार्य में दिखाती हैं जहाँ अंतिम उत्पाद नहीं दिखा सकता, और यही AI-युग मूल्यांकन-पुनर्डिज़ाइन का एक मूल कारण है जो उन पर भरोसा करता है।
समझ-ऋण जाँच के साथ बचा हुआ निर्णय दृश्य बनाएँ। महमूद (2026) चार अनुभागजाली दायित्वों को परिभाषित करते हैं — समझाना, सत्यापित करना, संशोधित करना और लेखा-जोखा देना — जो AI एकीकरण के हर स्तर पर बची हुई सक्षमता को दृश्य बनाते हैं, और विलंबित परिवर्तन-अनुरोध, कोड वॉकथ्रू, स्वतंत्र रूप से डिज़ाइन किए गए परीक्षण, दोष-स्थानीयकरण और लाइव डिबगिंग को जाँच के रूप में प्रस्तावित करते हैं जो बनाए गए काम की तुलना बाद में प्रदर्शित किए जा सकने वाले से करती हैं। सशक्त क्षमता के नीचे मूल्यांकन का लक्ष्य निगरानी की ओर बढ़ जाता है — कार्य-अनुबंध, अनुमति-सीमाएँ, सैंडबॉक्स, मूल्यांकन-हार्नेस, अंतर-समीक्षा, रोलबैक और मानव जवाबदेही — मूल्यांकन को दृश्यमान लेखकत्व से दृश्यमान निर्णय की ओर मोड़ते हुए।

मेटाडेटा

स्तर	Higher Ed
इच्छित पाठक	Instructors, Learners, Assessment Designers
अधिगम और शिक्षण	मेटाकॉग्निशन, स्व-नियंत्रित अधिगम
मूल्यांकन और मापन	मूल्यांकन की वैधता, प्रतिपुष्टि, निर्माणकारक मूल्यांकन
शिक्षा में AI की नींव	शैक्षणिक इमानदारी, आलोचनात्मक सोच

Source History Edit Chat