पाठ्यक्रम की AI नीति कैसे लिखें और छात्रों तक कैसे पहुँचाएँ?

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

आपके पास एक पाठ्यक्रम है, एक असाइनमेंट शीट है, और एक कक्षा जो जनरेटिव AI के बारे में अपने निजी नियम पहले ही लिख चुकी है। आप जो भी प्रकाशित करते हैं उसे नियम मानने वाले छात्र और न मानने वाले छात्र दोनों के लिए निष्पक्ष होना चाहिए, और यह कुछ ऐसा होना चाहिए जिसे आप चालीस प्रस्तुतियों पर वास्तव में लागू कर सकें — बिना या तो कोमल बन जाएँ या पुलिस अधिकारी।

सारांश: अपनी प्रवृत्ति से कम नियम लिखें, प्रत्येक को उस विशिष्ट चीज़ से जोड़ें जिसका आप मूल्यांकन कर रहे हैं, एक एकल मानक स्थान का नाम दें जहाँ छात्र AI उपयोग की घोषणा करें, और अपने प्रवर्तन मार्ग को ऐसा प्रमाण बनाएँ जिसे आप अपनी आँखों से देख सकें — डिटेक्टर स्कोर के बजाय। जो नीति खुद को समझाती है वह एक साथ मूल्यांकन-डिज़ाइन और संप्रेषण का काम करती है — इसीलिए इसमें एक दोपहर लगती है और एक सेमेस्टर की बहस बचती है।

यह पेज एक मॉड्यूल, पाठ्यक्रम या कार्यक्रम-धारे के लिए पाठ्यक्रम-स्तरीय दस्तावेज़ को कवर करता है। पूरे पेज में यह मान्यता है कि आप यह तय कर चुके हैं कि आप किसका मूल्यांकन कर रहे हैं; प्रश्न यह है कि इसे कैसे कहें और कैसे लागू कराएँ।

इस समय पाठ्यक्रम नीतियाँ असल में कैसी दिखती हैं

131 अमेरिकी R1 विश्वविद्यालयों के 116 संस्थागत GenAI नीतियों और उनमें से 54 के 98 कंप्यूटर-विज्ञान सिलेबस की एक सामग्री विश्लेषण ने पाया कि संस्थाएँ व्यापक रूप से उपयोग-समर्थक हैं — 63% GenAI उपयोग को प्रोत्साहित करती हैं, 41% विस्तृत कक्षा-मार्गदर्शन देती हैं, 27% हतोत्साहित करती हैं — जबकि आधे सिलेबस (50%) इसे पूरी तरह प्रतिबंधित करते हैं, 41% निर्दिष्ट गतिविधियों के लिए आंशिक उपयोग की अनुमति देते हैं और 7% प्रोत्साहन संप्रेषित करते हैं। गांगुली एट अल. (2026) इसे ऊपर-से-नीचे बनाम नीचे-से-ऊपर अंतराल कहते हैं: 92% सिलेबस स्पष्ट मार्गदर्शन देते हैं, लेकिन प्रशिक्षक स्थानीय नियम लिखते हैं जो संस्थागत मार्गदर्शन से मेल नहीं खा सकते, और केवल 47 संस्थाओं में दोनों स्तर पहचानने योग्य थे। उद्धरण एकमात्र चीज़ है जिस पर दोनों स्तर सहमत हैं, 83% सिलेबस में आवश्यक। आपका स्थानीय नियम वही है जिससे छात्र सबसे पहले मिलते हैं, और अपनी संस्था से कड़े होना सामान्य है — लेकिन यह एक प्रतिबद्धता है जो आप अकेले उठाते हैं।

चिरिकोव (2026) ने टेक्सास के एक बड़े सार्वजनिक शोध विश्वविद्यालय में 2021 से 2025 तक 31,000 से अधिक सिलेबस का अध्ययन किया: ChatGPT से पहले लगभग शून्य से नियमन बढ़कर Fall 2025 तक 55% पाठ्यक्रमों तक पहुँचा, जबकि पूर्ण प्रतिबंधात्मक नीतियों का हिस्सा प्रति वर्ष लगभग 5 प्रतिशत अंक गिरा। Fall 2025 तक प्रशिक्षकों ने सर्वाधिक बार मसौदा तैयार करना और संशोधन (79%) और तर्क और समस्या समाधान (65%) को प्रतिबंधित किया, और सर्वाधिक बार संपादन और प्रूफरीडिंग (83%), अध्ययन सहायता और संश्लेषण (80%) तथा कोडिंग (75%) की अनुमति दी; विचार-रचना सबसे विवादित उपयोग था (46% अनुमति, 54% प्रतिबंध)। शैक्षणिक ईमानदारी के उल्लेख 63% से 49% तक गिरे, जबकि AI के सीखने पर प्रभाव के संदर्भ 1% से 29% तक और आरोपण आवश्यकताएँ 16% से 43% तक बढ़ीं। प्रशिक्षक "धोखा न दें" भाषा से "यह सीमा आपकी सीख की रक्षा क्यों करती है" भाषा की ओर बढ़ रहे हैं।

नैश और बरिस (2026) ने प्री-सर्विस अंग्रेज़ी भाषा-कला प्रशिक्षकों द्वारा लिखी गई 27 कक्षा AI नीतियों का विश्लेषण किया: 27 में से 26 ने कुछ AI उपयोग की अनुमति दी, लगभग हमेशा प्रशिक्षक-निर्दिष्ट शर्तों, समय और स्थानों पर, और एक ने पूरी तरह प्रतिबंध लगाया। विचार-रचना सबसे व्यापक रूप से अनुमत उपयोग था (27 में से 22) और सबसे अधिक अस्पष्ट; 22 ने वाक्य, अनुच्छेद या पेपरों की AI रचना को प्रतिबंधित या अस्पष्ट छोड़ा; 16 ने व्याकरण-जाँच और प्रूफरीडिंग की अनुमति दी जबकि 16 ने बड़े AI-जनित पाठ के निर्माण पर रोक लगाई; और 27 में से 22 ने पठन को बिल्कुल संबोधित नहीं किया। बार-बार होने वाली विफलता संचालन-रूपांतरण थी: एक नीति ने AI की अनुमति दी "ताकि आपकी सोच शुरू हो" और घोषित किया "यहीं रेखा खींची जानी चाहिए" बिना यह बताए कि कहाँ। वह अस्पष्टता एक दोष है, समझौता नहीं — इससे छात्र अनुपालन करने में असमर्थ रहते हैं और आप एक सुसंगत मानक लागू करने में असमर्थ।

क्या लिखें, और कहाँ रखें

कार्यों से शुरू करें, दर्शन से नहीं। सबसे स्पष्ट व्यवहार्य विधि मैककॉर्कल (2025) की है, जिन्होंने एक सर्वव्यापी प्रतिबंध को बदला जिसे छात्र अपने लिए लागू मानते नहीं थे। समस्या असंरेखण थी, अवज्ञा नहीं: छात्र स्वयं को बेईमानी से व्यवहार करते हुए नहीं देखते थे। विधि यह थी कि सेमेस्टर परियोजना के हर कार्य की सूची बनाएँ, प्रत्येक से पूछें "विशेष रूप से, मैं किसका मूल्यांकन कर रहा हूँ?", प्रत्येक कार्य को एक संभावित व्यावसायिक GenAI उपयोग से जोड़ें, और कार्य-दर-कार्य तय करें, एक क्षमता का मूल्यांकन करने की आवश्यकता को कर्मशक्ति-दक्षता बनाने के मूल्य के साथ तोलते हुए। परिणामी नीति जानबूझकर असमान है: ब्रेनस्टॉर्मिंग अनुमत लेकिन विशिष्ट और मापने योग्य सीखने के उद्देश्यों की रचना नहीं, छवि-चयन अनुमत लेकिन स्लाइड-स्तरीय संदेश डिज़ाइन नहीं, स्क्रिप्ट और निरूपण अनुमत AI आउटपुट के आवश्यक मूल्यांकन के साथ।

सिलेबस पर: संक्षिप्त सारांश — कार्य, प्रत्येक के लिए अनुमत उपयोग, प्रकटीकरण कैसे काम करता है, और सीमा पार करने का परिणाम। असाइनमेंट शीट पर: कॉल-आउट, क्योंकि एक सारांश जटिल परियोजना के लिए बहुत मोटा है — मैककॉर्कल की लेखन काम किया क्योंकि उसने छात्रों को दूसरे पुरुष में संबोधित तर्क दिया, प्रत्येक प्रतिबंध को सही ठहराने वाले मूल्यांकन का नाम देते हुए। कक्षा में: नियम एक बार ज़ोर से कहें, जिस क्षण वह पहले बार लागू होता है, और उसे सामने के काम से जोड़ें — जिस नियम से छात्र पहली बार अकेले मिलता है, उसकी व्याख्या वह अकेले करता है।

प्रकटीकरण की यांत्रिकी को अपना ही सिलेबस अनुच्छेद मिलना चाहिए: छात्रों ने जो निर्देशित जाँच के माध्यम से एक पाठ्यक्रम नीति का सह-डिज़ाइन किया, उन्होंने छात्रों और प्रशिक्षकों के लिए प्रशिक्षण, मानकीकृत प्रकटीकरण प्रक्रियाएँ, मज़बूत संस्थागत सहायता और AI पर निर्णयों में अधिक भागीदारी को प्राथमिकता दी (हिंगल और जोहरी (2026))। कहें कि कोई छात्र AI उपयोग की घोषणा कैसे, कहाँ और किस रूप में करता है, और इसे एक बार कहें। पीसन (2026) का तुल्य कदम प्रॉम्प्ट लॉग को ग्रेडेड कलात्मक उत्पाद बनाना था: जब मॉडल उत्पादन करता है, तो प्रॉम्प्ट और इंटरैक्शन लॉग ही वह चीज़ है जिसे संस्करण-क्रम में रखना उचित है।

केवल वे नियम लिखें जिन्हें आप लागू कर सकें

प्रति-कार्य निगरानी मांगने वाला नियम, या यह निर्णय कि मूल्यांकन "शुरू" कब होता है, असंगत रूप से लागू होगा, और असंगतता स्वयं एक समानता की समस्या है। डिटेक्टर-आधारित व्यवस्थाएँ निगरानी की एक लागत लाती हैं जो असमान रूप से पड़ती है और प्रॉक्टरिंग और डेटा-प्रतिधारण के प्रश्न उठाती हैं। चिरिकोव की विषय और कार्य में पर्याप्त विविधता की खोज विषय के भीतर प्रशिक्षकों को स्वायत्तता देने वाले ढाँचों के पक्ष में तर्क देती है, एक-आकार-सभी-के-लिए आदेशों के बजाय।

यहाँ एक समानता का आयाम है: अस्पष्ट नीतियाँ लेखन, आरोपण और शैक्षणिक कार्य के मानदंडों के बारे में साझा पृष्ठभूमि ज्ञान मानती हैं, इसलिए वे उन छात्रों पर सबसे कड़ी पड़ती हैं जो उसके बिना आते हैं। मैककॉर्कल का तर्क है कि पारदर्शिता उस छिपे पाठ्यक्रम का एक हिस्सा ध्वस्त करती है और उस संभावना को कम करती है कि नीति की विफलता अनुशासनात्मक मामला बन जाए। इस सब का सबसे सस्ता रूप कम और अधिक विशिष्ट नियम हैं — जिन कार्यों का आप मूल्यांकन करते हैं, प्रत्येक के लिए अनुमत उपयोग, प्रकटीकरण की यांत्रिकी, और सीमा पार करने का परिणाम — प्रत्येक सीमा का कारण बताते हुए।

इसे कैसे कहें ताकि छात्र अनुपालन करें

प्रकटीकरण के नियम अनुपालन तंत्र के रूप में अपने आप काम नहीं करते; यह मान लेना सबसे आम डिज़ाइन त्रुटि है। 409 स्नातक छात्रों के एक मिश्रित-विधि अध्ययन में, क्यू और वांग (2026) ने पाया कि ग़ैर-प्रकटीकरण प्रशिक्षकों में कम व्याख्यात्मक भरोसा और समकक्षों के अनुभवित मानदंडों के प्रति रणनीतिक अनुकूलन था, नैतिक लापरवाही नहीं: छात्रों का अपना प्रकटीकरण सबसे मज़बूत भविष्यवक्ता प्रशिक्षकों के साथ सहजता और अनुभवित समकक्ष प्रकटीकरण था, जबकि नैतिक विच्छेदन के प्रभाव कमज़ोर थे। संबंधी वातावरण एक डिज़ाइन योग्य चर है, और केवल आदेश पर्याप्त नहीं: छात्र क्या मानते हैं कि उनके साथी क्या कर रहे हैं, और क्या वे आप पर भरोसा करते हैं कि आप प्रकटीकरण को निष्पक्ष ढंग से पढ़ेंगे, यह आपकी शब्दावली की कठोरता से बेहतर उनकी ईमानदारी की भविष्यवाणी करता है।

किम एट अल. (2026) ने पाँच विशिष्ट स्थलों की पहचान की जहाँ एक पाठ्यक्रम की वास्तविक नीति रहती है — संकाय अभिप्राय, औपचारिक नीति, छात्र व्याख्या, छात्र स्व-नीति और छात्र अभ्यास — उनके बीच व्यवस्थागत अंतराल के साथ, साथ ही शैक्षणिक लेखन में AI उपयोग को सही ठहराने के लिए छात्रों द्वारा उपयोग किए गए छह वर्गों में 23 औचित्य, "कोई मानव पीड़ित नहीं" से "प्रशिक्षक उदासीनता" तक। वे औचित्य तदनुकूल और बाद-में थीं: छात्रों ने पहले हो चुके व्यवहार की व्याख्या की, पहले से तर्क नहीं, इसीलिए स्पष्ट शब्दावली और कठोर पहचान अकेले अंतराल को बंद नहीं करतीं। एक प्रतिभागी जो कड़े बिना-AI नियम का पालन करना चाहता था, AI का उपयोग करता रहा और प्रतिबंध के बारे में बताया "यह मेरे लिए संघर्ष पैदा कर रहा है, क्योंकि मैं नियम तोड़ रहा हूँ" — प्रतिबंध ने नैतिक संघर्ष बढ़ाया, उपयोग नहीं रोका। यदि कोई नियम अनुपालन के बिना अपराधबोध उत्पन्न करे, तो वह काम नहीं कर रहा; वह उस संबंध को क्षय कर रहा है जो प्रकटीकरण के लिए आपको चाहिए।

देखें कि आप क्या आदर्श बनाते हैं: क्योंकि पीसन के पाठ्यक्रम में अधिकांश असाइनमेंट ने अपने निर्माण में उपयोग किए गए प्रॉम्प्ट प्रकट किए, एक छात्र ने पारदर्शिता को अनुमति के रूप में पढ़ा: "ग्रेडिंग और असाइनमेंट बनाने में शिक्षक पर ai की निर्भरता ने उसी तरह असाइनमेंट के लिए ai का उपयोग न करना भी कठिन बना दिया।" मानदंड का आदर्श बनाना नीति का हिस्सा है जैसा छात्र अनुभव करते हैं, सिलेबस में कुछ भी लिखा हो।

एक मॉडल कथन जिसे आप अनुकूलित कर सकते हैं:

इस पाठ्यक्रम में AI का उपयोग। मैं चाहता हूँ कि आप इस पाठ्यक्रम से X स्वयं करने में सक्षम निकलें, इसलिए मैं X का सीधे मूल्यांकन करता हूँ। आप [कार्य सूची] पर [अनुमत उपयोग] के लिए AI का उपयोग कर सकते हैं; आप उन्हें [प्रतिबंधित उपयोग] के लिए उपयोग नहीं कर सकते, क्योंकि वही वह चीज़ है जिसका मैं ग्रेडिंग कर रहा हूँ। यदि आप अपने कार्य में कहीं भी AI का उपयोग करते हैं, तो मुझे [एकल नामित स्थान — जैसे प्रत्येक प्रस्तुति पर प्रकटीकरण पंक्ति] में बताएँ कि आपने उसका उपयोग किस लिए किया और प्रॉम्प्ट चिपकाएँ। इसे घोषित करना कभी आपका ग्रेड नहीं घटाएगा; न घोषित करना घटाएगा। यदि आप अनिश्चित हैं कि कोई उपयोग अनुमत है या नहीं, तो प्रस्तुति करने के बाद नहीं, पहले मुझसे पूछें।

वह अंतिम वाक्य निर्णय बिंदु को काम से पहले की ओर स्थानांतरित करता है।

चार बातचीत जो संघर्ष उत्पन्न करती हैं

जिस छात्र ने AI उपयोग किया और नहीं बताया। इसे प्रक्रिया के प्रश्न के रूप में संभालें, चरित्र के प्रश्न के रूप में नहीं। मोहम्मद और तेमीमी (2026) मूल्यांकन को अधूरी जानकारी की समस्या के रूप में मॉडल करते हैं: छात्र जानता है कि कार्य कैसे बना, और संस्था केवल कलात्मक उत्पाद और आंशिक निशान देखती है। उनका प्रतिक्रिया-क्षेत्र मॉडल तीन प्रतिक्रियाओं की तुलना करता है — कोई AI उपयोग नहीं, प्रकट उपयोग, और छिपा उपयोग — और पूछता है कि प्रत्येक तंत्र किसको सबसे आकर्षक बनाता है। प्रतिबंध औपचारिक सीमा निर्धारित करता है लेकिन छिपे उपयोग को आकर्षक छोड़ता है जब छात्र पहचान को कमज़ोर मानते हैं; निगरानी प्रकटीकरण बढ़ाए बिना छिपे उपयोग की प्रत्याशित लागत बढ़ाती है; छात्र सतर्क बनते हैं, पारदर्शी नहीं। अनुमति के साथ प्रकटीकरण ईमानदार रिपोर्टिंग को केवल तब व्यवहार्य बनाता है जब ईमानदारी की लागत कम हो। व्यावहारिक रूप से: पूछें कि कार्य का किसका मूल्यांकन किया जाना था, छात्र से अपनी प्रक्रिया के लिए जवाब देने को कहें, और विलंबित घोषणा को स्वीकारोक्ति के बजाय जानकारी मानें।

जो छात्र हर चीज़ के लिए AI का उद्धरण देता है। यह आमतौर पर एक कौशल अंतराल है जो अनुपालन का वेश धारण कर रहा है। सिलेबस में आरोपण आवश्यकताएँ 16% से 43% तक बढ़ीं जबकि शैक्षणिक ईमानदारी के उल्लेख 63% से 49% तक गिरे — क्षेत्र उद्धरण माँग रहा है, स्वीकारोक्ति नहीं। प्रारूप एक बार, एक स्थान पर निर्दिष्ट करें, सिलेबस के फुटनोट के बजाय असाइनमेंट शीट पर। बताएँ कि आपके विषय में पर्याप्त आरोपण क्या गिना जाता है, और एक व्यावहारिक उदाहरण दें। जहाँ असली समस्या यह है कि छात्र अभी तक मॉडल के बिना अंतर्निहित कार्य नहीं कर सकता, वहाँ उत्तर कार्य डिज़ाइन है, नियम नहीं।

समूह कार्य। समूह कार्य वहाँ हैं जहाँ पाँच नीति स्थल सबसे तेज़ विचलित होते हैं: पाँच छात्र एक वाक्य की पाँच अलग व्याख्याएँ रख सकते हैं और केवल एक प्रस्तुति ग्रेड की जाती है। प्रत्येक समूह डिलिवरेबल के लिए तय करें और प्रकाशित करें कि AI उपयोग अनुमत है या नहीं, कौन घोषित करता है, और जब एक सदस्य नियम से बाहर जाता है तो क्या होता है — परियोजना शुरू होने से पहले, विवाद के दौरान नहीं। यदि आप यह नहीं बता सकते कि कोई सदस्य किस व्यक्तिगत योगदान के लिए उत्तरदायी है, तो कार्य को बाद में लेखकत्व का फ़ैसला करने के बजाय केवल-समूह कार्य के रूप में ग्रेड करें।

जो प्रकटीकरण आप सत्यापित नहीं कर सकते। कुछ घोषणाएँ अधूरी होंगी और कुछ चूक असिद्ध। नियम को ऐसे समाधान के इर्द-गिर्द न बनाएँ जो आप हासिल नहीं कर सकते: बैसेट एट अल. (2026) तर्क देते हैं कि AI पहचान को शिक्षा में बिल्कुल नहीं उपयोग किया जाना चाहिए, तीन आधारों पर जो सीधे नीति शब्दावली पर असर डालते हैं। डिटेक्टर आउटपुट एक संभाव्य अनुमान है जिसे स्वतंत्र रूप से सत्यापित नहीं किया जा सकता, क्योंकि वास्तविक पाठ की उत्पत्ति अज्ञात है, इसलिए सत्यापन परिपत्र तर्क पर चलता है। डिटेक्टर स्कोर एक ईमानदारी जाँच के लिए संभावना-संतुलन मानक को पूरा नहीं करते। और मानव-बनाम-AI द्विभाजन उस कार्य के लिए अर्थहीन है जो AI के साथ बना है, AI द्वारा नहीं। उनका निष्कर्ष है कि पहचान "शैक्षणिक ईमानदारी की रक्षा नहीं करती; उसे क्षति पहुँचाती है।" वे एक मसौदा-समस्या भी इंगित करते हैं: AI उपयोग को "मूल्यांकन में" प्रतिबंधित करने वाले नियम यह निर्दिष्ट नहीं करते कि मूल्यांकन कब शुरू होता है, इसलिए AI-सहायित अनुसंधान, योजना या संपादन उल्लंघन हो भी सकता है और नहीं भी, यह इस पर निर्भर करता है कि कौन पढ़ रहा है। इसके बजाय, उस प्रक्रिया प्रमाण का नाम दें जिसे आप देख सकते हैं — प्रस्तुत प्रॉम्प्ट और इंटरैक्शन लॉग, कक्षा में बनाया गया अभ्यास, मौखिक व्याख्या — और घोषित AI उपयोग को संदर्भ मानें। जहाँ आपकी संस्था वैसे भी डिटेक्टर चलाती है, वहीं उन्हीं लेखकों के डेटा संग्रहण, प्रतिधारण और छात्र कार्य के व्यावसायिक उपयोग के बारे में चेतावनियाँ लागू होती हैं; निजता आपत्ति जो दो प्री-सर्विस प्रशिक्षकों ने उठाई वही आपत्ति आपके छात्र उठाएँगे।

"लेकिन..." — तीन आपत्तियाँ जो आप सुनेंगे

"छात्र इसे छिपा ही देंगे।" कुछ देंगे, और डिज़ाइन प्रश्न यह है कि आपका नियम किन छात्रों को ललचाता है। निरोध एक डिटेक्टर के छिपे उपयोग और वैध कार्य के बीच भेदभाव से चलता है, उसकी कच्ची पकड़ की दर से नहीं, इसलिए जब अतिरिक्त संवेदनशीलता नए असत्य धनात्मकों को नए सत्य धनात्मकों से अधिक उत्पन्न करती है, मज़बूत निगरानी छिपाव को सापेक्ष रूप से अधिक आकर्षक बना सकती है — ईमानदार छात्रों को छिपे उपयोगकर्ताओं की पहचान होने से तेज़ दंडित किया जाता है। और अनुमति और प्रकटीकरण अलग उत्तोलक हैं: अनुमति स्वीकार्य उपयोग की सीमा हिलाती है, प्रकटीकरण दृश्यता बदलता है। निदान करें कि आपका कार्य उस छात्र को सबसे अधिक छिपाने की ओर कहाँ खींचता है, और उस छात्र के लिए डिज़ाइन करें, सबसे अधिक कर्तव्यनिष्ठ के लिए नहीं।

"मैं उन उपकरणों पर प्रतिबंध नहीं लगाना चाहता जिन्हें मैं पहचान नहीं सकता।" आपको नहीं लगाना पड़ेगा। प्रतिबंध केवल चार डिज़ाइन प्रतिक्रियाओं में से एक है, निगरानी, अनुमत उपयोग के साथ प्रकटीकरण, और पुनर्निर्माण के साथ। पुनर्निर्माण यह बदलता है कि कार्य किसे पुरस्कृत करता है, और यह तभी सौंदर्यबद्ध रहता है जब रूब्रिक अभी भी मुख्यतः अंतिम उत्पाद का ग्रेड करता है। पीसन (2026) स्तर के अनुसार स्पष्ट और क्रमिक विकल्प दिखाता है: AI उपयोग परिचयात्मक प्रोग्रामिंग पाठ्यक्रम में प्रतिबंधित है, क्योंकि पहले लूपों को आउटसोर्स करना वह चीज़ हटा देता है जो सिखाई जा रही है; डेटा संरचनाओं में परियोजनाओं पर प्रोत्साहित (Copilot अनुमत) लेकिन कागज़-और-कलम परीक्षाओं से प्रतिबंधित; उच्च-विभाग सिस्टम पाठ्यक्रम में अध्ययन और समीक्षा सहायक; और स्वयं AI पाठ्यक्रम में आवश्यक, जहाँ एक सीमा ने अधिकांश भार उठाया — मॉडल कोड लिख सकता है, लेकिन प्रतिबिंब छात्र की अपनी आवाज़ होनी चाहिए। मूल्यांकन उस कार्य पर स्थानांतरित हुआ जिसे मॉडल चुपचाप गोस्ट-राइट नहीं कर सकता, परीक्षाएँ पूरी तरह हटा दी गईं।

"मेरी संस्था की नीति इसे पहले ही कवर करती है।" जितना आप सोचते हैं उससे कम। वह ऊपर-से-नीचे बनाम नीचे-से-ऊपर अंतराल दोनों तरह से चलता है: 92% सिलेबस स्पष्ट मार्गदर्शन देते हैं जबकि स्थानीय नियम संस्थागत मार्गदर्शन से विचलित होते हैं, और केवल 47 संस्थाओं में दोनों स्तर पहचानने योग्य थे। खरीद, डेटा और समीक्षा चक्र हम संस्थागत AI नीति कैसे लिखें और लागू करें? में आते हैं, लेकिन कक्षा में अनुवाद आपका है। नैश और बरिस निष्कर्ष निकालते हैं कि संस्थाओं को प्रशिक्षकों को अपनाने के साथ-साथ प्रतिरोध के लिए भी सुसज्जित करना चाहिए, ऐसा मार्गदर्शन और व्यावसायिक विकास प्रदान करना जो किसी प्रशिक्षक को किसी विशिष्ट AI उपयोग को अस्वीकार करने दे बिना पुराना बताए जाने के — उनके प्रतिभागियों की तकनीक-निर्धारणवादी सोच उनकी अपनी शैक्षणिक प्रतिबद्धताओं का विरोधाभास थी। एक संस्थागत नीति रखना यह नहीं कि आपके निर्णय के लिए आश्रय है।

आपका पहला सप्ताह: एक कार्य सूची

• ग्रेडेड कार्यों की सूची बनाएँ और AI के बारे में कुछ भी तय करने से पहले प्रत्येक से पूछें, "विशेष रूप से, मैं किसका मूल्यांकन कर रहा हूँ?"
• कार्य-दर-कार्य तय करें, और जाँचें कि वह निर्णय छिपाने के लिए सबसे अधिक ललचाए छात्र के लिए किस प्रतिक्रिया को सबसे आकर्षक बनाता है।
• किसी डिटेक्टर को प्रवर्तन तंत्र न बनाएँ; इसके बजाय उस प्रक्रिया प्रमाण का नाम दें जिसे आप देख सकते हैं — लॉग, कक्षा में किया गया काम, मौखिक जाँच।
• एक मानक स्थान में कहें कि छात्र AI उपयोग की घोषणा कैसे और कहाँ करते हैं, और घोषणा को स्वीकारोक्ति के बजाय संदर्भ मानें।
• प्रत्येक नियम को एक तर्क के रूप में बताएँ, जिस मूल्यांकन की वह सेवा करता है उसका नाम देते हुए, जटिल परियोजनाओं पर अनुस्मारक के साथ।
• केवल वे नियम लिखें जिन्हें आप एक मार्किंग चक्र में संगत रूप से लागू कर सकें, और जिन्हें नहीं कर सकते उन्हें काट दें।

आगे कहाँ जाएँ

शासन, डेटा नीति, खरीद और समीक्षा चक्र हम संस्थागत AI नीति कैसे लिखें और लागू करें? में आते हैं; अनिवार्य संस्थागत और ज़िला नियम शैक्षिक AI नीति और AI शासन के पास हैं; कार्य को ही इस प्रकार पुनर्निर्मित करना कि ग्रेड एक बचाव योग्य अनुमान का समर्थन कर सके मैं मूल्यांकन को कैसे फिर से डिज़ाइन करूँ ताकि ग्रेड से अब भी यह रक्षणीय रूप से पता चले कि छात्र क्या जानता है या क्या कर सकता है? के पास है।