Kako osmisliti i voditi asinkrone online kolegije kada umjetna inteligencija može obaviti posao?

Automatski strojni prijevod ove engleske stranice, koji još nije pregledao izvorni govornik.

Semestar se otvara i ništa se ne događa u zadani sat. Objavite tekst za prvi tjedan, pitanje za raspravu, prvi slučaj, a zatim čekate da vidite što će doći natrag. Ono što dolazi natrag tečno je, u temi, i ne govori vam ništa o studentu koji je to predao. Nema prostorije u koju se može ušetati, nema lica koje se može čitati u 10:15 u utorak i nema dodatnog pitanja koje možete postaviti dok student još stoji pred vama.

Odgovor koji treba dati kolegi: u asinkronom kolegiju sve što učionica daje besplatno mora se izgraditi namjerno. Stavite ocjenu na proces umjesto na gotovu datoteku, zadržite jedno mjerenje koje student proizvodi bez alata i bez pomoći, ograničite svaku umjetnu inteligenciju koju dajete i zadržite je unutar kolegija te tretirajte kalendar kao dizajnersku odluku. Za svaki zadatak pitajte što bi student još morao učiniti ako bi model proizveo artefakt umjesto njega.

Kratka verzija

1. Ocjenjujte proces. Dnevnik odluka, stupnjevani nacrt ili odlomak samoobjašnjenja pokazuju razmišljanje koje završna predaja skriva.

2. Zadržite jedno mjerenje bez pomoći u svakoj procjeni koja potvrđuje kompetenciju. Razlika u zadržavanju znanja u podacima o populaciji u nastavku nestaje kada se uvede nadzor.

3. Koristite asinkrono usmeno ocjenjivanje tamo gdje ulog opravdava trošak izrade: pitanja u pravom trenutku, kratke snimke koje student ne može naknadno mijenjati, ugrađene rubrike, automatski generirani transkripti.

4. Konfigurirajte svaku umjetnu inteligenciju koju osiguravate tako da daje naznake umjesto odgovora i ugradite je u kolegij, umjesto da povezujete na nešto generičko.

5. Rasporedite glavne rokove i otvorite prozor od 7-8 dana prije svakog od njih. Toliko upozorenja daju podaci o interakciji.

6. Ocjenjujte kretanje u raspravi: zauzeto stajalište, izazov, dokumentirano preispitivanje.

Odlučite što vaš zadatak dokazuje

Asinkroni kolegij izložen je iz strukturnog razloga. Njegov dokaz o učenju je predaja, a predaje su danas jeftine za proizvesti.

Demonstracije u potpunosti uklanjaju studenta iz slike. Na kolegiju psihologije za preddiplomski studij koji se odvijao uživo, autonomni agenti prijavili su se u sustav za upravljanje učenjem, pročitali materijale kolegija i riješili ocjenjivani rad bez nadzora, bez sudjelovanja studenta. Dva kviza završena su u oko 12 minuta i u manje od 5 minuta, oba s rezultatom 10/10. Objava u raspravi nastala je tako da je agent iskopao objave kolega, a zatim izmislio uvjerljivu životnu povijest u prvom licu kako bi im odgovorio. Širi zapis autora pokriva najmanje 15 dokumentiranih izvršavanja agenata u Canvasu, Moodleu i Brightspaceu, uz sedam agentskih alata. Njihovo uokvirivanje važno je za vaš program: to je problem valjanosti procjene prije nego problem akademskog integriteta, jer dovršavanje pomoću agenta uklanja pretpostavku da predani rad potječe od osobe čije se učenje procjenjuje (Hadjisolomou i El-Haddad, 2026).

Kauzalni dokazi o tome što alat čini učenju jednako su izravni. U randomiziranom pokusu s otprilike 1.000 srednjoškolskih učenika matematike, nezaštićena pomoć umjetne inteligencije podigla je izvedbu na vježbi za 48% i smanjila rezultate ispita bez pomoći i bez literature za 17%. Učenici bez pristupa nadmašili su učenike s pristupom. Tutor s zaštitnim ogradama koji je davao naznake umjesto odgovora uklonio je štetu. Ograničenje je odlučilo ishod.

Podaci o populaciji idu istim putem. U 3,2 milijuna ALEKS interakcija, vrijeme učenja na zadacima osjetljivima na umjetnu inteligenciju palo je 26,9% nakon javnog izlaska ChatGPT-a, uz 25% niže izglede za točan odgovor na nadzirane stavke zadržavanja znanja. Učinak je nestao kada je nadzor uveden. To nestajanje korisno je za dizajn kolegija, jer smješta prečac izvan platforme i pokazuje da šteta živi u uvjetima koje vi postavljate.

Postoji i tiši neuspjeh protiv kojeg treba dizajnirati. Metakognitivno neskladno dovršavanje označava stanje u kojem student predaje točan, potpun rad, a privatno zna da razumijevanje nikada nije došlo. U učionici to možete uhvatiti u studentovu oklijevanju. U asinkronom kolegiju predaja je jedini kanal, a točna predaja čita se kao uspjeh. Dizajn procjene vaša je prva poluga.

Stavite dokaze u proces

Ako gotov proizvod ništa ne dokazuje, dokazi moraju doći iz načina na koji je rad nastao ili iz uvjeta koje student ne može delegirati.

Artefakti koji otkrivaju proces najjeftinija su promjena i djeluju na velikom broju studenata: stupnjevane predaje s obveznim međudnevnikom odluka, samoobjašnjenje od jednog odlomka priloženo svakom odgovoru, anotacija izvora, plan revidiran nakon povratne informacije. Oni bilježe razmišljanje, a ne njegov ostatak, i instruktoru ih je razmjerno jeftino pregledati.

Asinkrono usmeno ocjenjivanje nosi najveću težinu tamo gdje se kompetencija mora potvrditi. Pentland, Lowenthal i Krier (2026) evaluirali su mrežne procjene koje dostavljaju pitanja u pravom trenutku, traže od studenata da snime kratke, vremenski ograničene odgovore kamerom koje ne mogu ponovno pregledati, i ocjenjuju prema ugrađenim rubrikama dok se transkripti generiraju automatski. U dvije studije, pilotu iz srednje razine računovodstva i kolegiju analitike podataka, studenti su postigli više rezultate nego na ispitima s višestrukim izborom uživo. Razlika je bila značajna u drugoj studiji, a u prvoj pozitivan, ali neznačajan trend, uz umjerene korelacije među formatima koje podupiru konvergentnu valjanost. Studenti su izvijestili da su se pripremali drugačije, da su koristili više aktivnih strategija učenja i da su format doživljavali profesionalno relevantnim. Za kolegij bez zajedničkog termina to je najbliži strukturni ekvivalent: razmišljanje se odvija uživo, u vremenu i na mjestu koje student bira, uz administrativni trošak koji ne raste s veličinom grupe.

Jedno mjerenje bez pomoći pripada svakom kolegiju čija ocjena potvrđuje znanje. Rezultat iz ALEKS-a je argument: uz nadzor, razlika u zadržavanju znanja nestala je. Recite studentima zašto taj uvjet postoji. To obrazloženje pripada u pravila kolegija o umjetnoj inteligenciji.

Odlučite gdje alat stoji u slijedu

Kada proizvod postane nepouzdan dokaz, redoslijed rada postaje dio dizajna procjene.

Brcic i Frljic (2026) stavljaju smještaj u središte argumenta: dopusti-ili-zabrani lažan je izbor, a dizajnersko pitanje koje je doista važno jest gdje alat stoji. Kauzalni dokazi koje prikupljaju pokazuju da se ishod preokreće samo zbog smještaja. Isti nezaštićeni pomoćnik koji je srednjoškolce ostavio oko 17% lošijima na ispitu bez pomoći nije naškodio kada je pregrađen tako da uskrati odgovore, a dobro osmišljen tutor otprilike je udvostručio učenje. Njihov okvir od šest poteza za smještaj alata (pripremi, sondiraj, usmjeri, priloži, ojačaj, testiraj) jedan je upotrebljiv jelovnik. Zadržite njihovu dijagnostiku: ako puštanje umjetne inteligencije unutra čini zadatak bez napora, ona je na pogrešnom mjestu. Loš smještaj ostavlja iluziju učenja koja se ruši na zadatku bez pomoći, stanje koje opisuje metakognitivno neskladno dovršavanje.

Zapisano u zadatak, to vam daje slijed koji možete otisnuti na list sa zadatkom:

Razmisli, obveži se, koristi umjetnu inteligenciju, kritiziraj, revidiraj, objasni.

Studenti pokušavaju obaviti intelektualni rad i obvezuju se na početnu interpretaciju, predviđanje, nacrt ili odluku. Zatim ulazi model, radi povratne informacije, alternativa, protuargumenata ili kritike. Zatim studenti prosuđuju što je proizveo, revidiraju i objašnjavaju što se promijenilo i zašto. Korak obvezivanja čini ostalo ocjenjivim. Student koji se nije obvezao nema što revidirati, a artefakt koji je model napisao od nule nema nikakvu povijest revizija.

Pretjerana korekcija koju treba izbjeći: prikupljanje svakog upita i dokumentiranje svakog pritiska tipke proizvodi radno opterećenje bez dokaza. Tražite točke odluke koje biste doista čitali: koji je dokaz odabran, koja je alternativa odbijena, što se promijenilo nakon kritike.

Spojite zadatak koji ne možete obraniti s njegovim blizancem

Strukturna opcija ovdje je prestati birati između pedagoški ispravnog i obranjivog zadatka. Roe, Perkins i Giray (2026) predlažu blizance procjene: zadatak osjetljiv na umjetnu inteligenciju, esej ili analizu kod kuće, povezuju s drugim, manje osjetljivim zadatkom koji procjenjuje iste ishode, raspoređenim dovoljno blizu za unakrsnu provjeru i ocijenjenim međusobno ovisno. Njihovo preslikavanje prolazi kroz Messickovih šest niti dokaza o valjanosti, a njihov proces dizajna ima tri koraka: identificirati ranjivosti, uskladiti ishode i odabrati blizanca, zatim razviti ocjenjivanje koje povezuje dvoje. Analiza kod kuće zadržava svoju vrijednost za produljeno istraživanje. Blizanac može biti kratka varijacija slučaja, objašnjenje jedne ključne odluke ili kratka usmena ili multimedijska obrana.

Popratno pitanje je vlasništvo. Ebrahimzadeh, Shibani i Buckingham Shum tvrde da suautorstvo s generativnom umjetnom inteligencijom potkopava nekoliko oblika dokaza o valjanosti i predlažu integritet suautorstva kao izvor dokaza o valjanosti po sebi, koji se krši kada student preda sadržaj koji je generirala umjetna inteligencija, a ne razumije ga. Kako bi provjerili vlasništvo na velikom broju studenata, izvještavaju o radu na AI Viva: konverzacijskom agentu koji vodi hibridnu usmenu obranu, postavljajući pitanja o razumijevanju kontroliranog tipa i složenosti, dubinski validiran od ekspertnih edukatora i stručnjaka za procjenu. Odvažite to prema nadzoru nad svime. Usmena obrana vlastitog razmišljanja skalira tamo gdje praćenje prostorije ne skalira, i proizvodi dokaze o razumijevanju.

Odlučite što smije činiti umjetna inteligencija koju osiguravate

Važna je razlika između ugrađene, ograničene umjetne inteligencije i neovisnog chatbota. To dvoje daje različite rezultate.

Pomoćnik AIDA Otvorenog sveučilišta najbolje je dokumentiran ugrađeni slučaj: šest iterativnih studija temeljenih na dizajnu kroz 18 mjeseci s 498 studenata i 20 zaposlenika, u instituciji koja služi više od 200.000 učenika u više od 50 zemalja. U eksploratornom randomiziranom pokusu studenti koji su koristili AIDA-u proveli su dvostruko više vremena i posjetili više stranica u kolegiju od kontrolne skupine, a 96% ih je htjelo pomoćnika dostupnog u formalnom studiju. Iskustvo iste institucije s vanjskim, neovisnim chatbotom išlo je u drugom smjeru.

Pregled Locka, Arteage i Johnsona (2025), 63 citata u 32 zemlje, dodaje društveni uvjet: studenti koji su koristili ChatGPT uz poduku nastavnika percipirali su veće dobitke u učenju od onih koji su ga koristili sami. Pomoćnik dopunjuje instruktora ili zamjenjuje odnos, a samo je jedno od toga dizajn kolegija.

Dva upozorenja zaslužuju težinu. Neuspjeh KhanMigo nije bio tehnički. Učenici se nisu uključili u chatbot i dokazi o dobitcima bili su ograničeni, što upućuje na organizacijsku spremnost i podudarnost s nastavom. Ni strana instruktora nije spremna: u usporedbi južnoafričkog pripremanja nastavnika, samoprijavljeni TPACK za poučavanje prirodnih predmeta s integriranom umjetnom inteligencijom bio je 64,0% na sveučilištu smještenom u kampusu nasuprot 47,4% na sveučilištu na daljinu, a pedagoško znanje najslabija je domena u oba slučaja (poučavanje i učenje na daljinu). Uvođenje pomoćnika u asinkroni kolegij ne osposobljava ljude koji moraju prosuđivati njegov rezultat.

Ocjenjujte kretanje u raspravi

Forumi za raspravu mjesto su na kojem asinkroni kolegij gradi zajednicu istraživanja ili tiho postaje kutija za predaje. Dva bi nalaza trebala oblikovati ono što tamo automatizirate.

Vrijeme je teški dio. Tsirmpas i kolege izgradili su korpus PEFK kako bi usporedili skupove podataka o facilitaciji, a zatim proveli prvo istraživanje vremena facilitacije s ekspertnim ljudskim facilitatorima i LLM procjenjivačima. Ljudi su bili oprezniji u interveniranju. LLM-ovi su bili pretjerano revni. Oba su bila sigurnija kada su prosuđivala da facilitacija nije potrebna nego kada su prosuđivala da jest. Osposobljeni klasifikatori nadmašili su LLM postave, a i tada su postojeći skupovi podataka ograničavali izvedbu. Praktično čitanje: držite autonomnu moderaciju izvan kritičnog puta, i ako uopće koristite umjetnu inteligenciju u raspravi, konfigurirajte je da po defaultu šuti.

Sažeci pomažu studentima snalaziti se na forumu, a da ih ne tjeraju na sudjelovanje. Sa 128 studenata u tri iteracije, Hao i Cukurova (2026) otkrili su da sažeci rasprave generirani umjetnom inteligencijom proširuju izloženost doprinosima kolega i jačaju povezanost mreže, slabu vezu koju teorija društvenog kapitala naziva premošćivanjem, smanjujući napor pronalaženja smislenih objava. Nisu zaustavili pad aktivnosti gledanja tijekom kolegija. Sažimanje je navigacijska postupna potpora.

Struktura koja se drži jest slijed, a ne nit: stajalište, izazov, preispitivanje. Studenti se obvezuju na interpretaciju utemeljenu u materijalu kolegija, zatim susreću drugu perspektivu, protuprimjer ili kritiku, a zatim objašnjavaju je li se i kako njihovo razmišljanje pomaknulo. Ono što ocjenjujete jest kretanje između ideja. Predana objava plus dva odgovora prestali su to dokazivati onog trenutka kada je agent mogao iskopati objave kolege i oponašati životnu povijest sustudenta kako bi dobio zadatak.

Budući da je ono što agent oponaša površinsko ponašanje, vaši vlastiti doprinosi postaju oskudan resurs. Mehaničko odgovaranje na desetke pojedinačnih objava najslabiji je oblik nastavne prisutnosti; sintetiziranje kroz cijelu raspravu najjači je: tri pretpostavke stalno se pojavljuju u vašim analizama; nekoliko vas ove dokaze čita drugačije; ovaj je argument uvjerljiv dok ne uvedemo ovaj protuprimjer. To je orkestracija, a ne proizvodnja poruka.

Pitanje okvira ispod obojega je odgovornost. Ba, Gašević, Lim i Anderson (2026) tvrde da generativna umjetna inteligencija uzdrma pretpostavku zajednice istraživanja da se pokazatelji prisutnosti uopće mogu pripisati ljudima. Oni tretiraju generativnu umjetnu inteligenciju kao epistemički uvjet, a prisutnosti kao sociotehnička postignuća čiji odnos prema kvaliteti istraživanja ovisi o tome gdje leži ljudska odgovornost. Konkretno, odlučite i navedite tko je za što odgovoran u svakoj razmjeni, umjesto da pretpostavljate da prisutnost nastaje zato što forum postoji.

Održite tijek bez prostorije u koju se može ušetati

Formati vlastitog tempa pretpostavljaju samoregulaciju i rijetko je poučavaju. Dokazi o tome koja ponašanja doista koreliraju s ostankom na zadatku neobično su praktični.

Anketirajući 530 studenata uz pomoć rudarenja asocijacijskih pravila i klasteriranja, Shi i suradnici (2026) otkrili su da su se ponašanja samoreguliranog učenja, postavljanje ciljeva, strukturiranje okoline i upravljanje vremenom, najdosljednije pojavljivala uz nisku digitalnu distrakciju, zajedno s angažmanom student-instruktor i student-sadržaj te tehničkom kompetencijom. Oslanjanje na traženje pomoći od kolega i angažman student-student pojavljivali su se rjeđe u profilima niske distrakcije. Strukturirajte okolinu i raspored prije nego što osmislite još jednu grupnu aktivnost.

Samoregulacija također nije fiksna crta. Kroz cijeli semestar sa 75 studenata prve godine, Song i suradnici (2026) otkrili su da djeluje i kao stabilna sposobnost i kao fluktuirajuće stanje. Individualne osnovne razine ostale su stabilne, dok su metakognitivno znanje i dobrobit sustavno padali tijekom semestra, potaknuti zahtjevima nastavnog plana kao što su glavni rokovi procjene. Grupiranje rokova može biti učinkovit administrativni izbor, a ujedno je i mjerljiv porez na regulaciju o kojoj vaš format ovisi.

Prozor za intervenciju može se znati. Zhang, Jeffries i Koprinska (2025) pokazali su da interpretabilno strojno učenje na zapisima interakcije sa sadržajem predviđa napredak na razini modula i označava ishode odustajanja do 7-8 dana prije rokova modula u velikim online kolegijima programiranja. To je dovoljno upozorenja za slanje konkretnog poticaja konkretnom studentu, što je bolje od otkrivanja neuspjeha u trenutku ocjenjivanja. Za odrasle učenike i učenike na daljinu, smjernice za dizajn AI-ALOE dodaju najvažnije ograničenje: mobilni pristup, mogućnost rada izvan mreže i istinsku asinkronu dostupnost, jer ti učenici uče u djelićima vremena između drugih obveza.

Odlučite što automatizirati u proizvodnji

Dvije upotrebe imaju razumne dokaze za sobom, a obje ciljaju na radno opterećenje instruktora.

Trošak proizvodnje. MAIC preokreće model MOOC-a „jedan video za N studenata“ u „N agenata za jednog studenta“, koristeći specijalizirane agente nastavnika, pomoćnika, kolege i analizatora na zajedničkoj osnovi modela. Njegovi autori izvještavaju o sažimanju proizvodnje kolegija s otprilike 25.000 dolara i 60 sati po MOOC-u na manje od 2 dolara i 30 minuta, pilotiranom na Tsinghua University na dva kolegija, sa 100.000+ zapisa o učenju od 500+ studenata, i objavljenom kao open-source OpenMAIC. Personalizirani mediji ista su ideja na razini pojedinog materijala: u velikom online kolegiju, Tomlinson i suradnici (2026) otkrili su da studenti preferiraju personalizirane videozapise generirane umjetnom inteligencijom nad nepersonaliziranim snimkama koje je snimio čovjek, pri čemu učinak personalizacije nadmašuje vrijednost koja se pridaje ljudskom voditelju.

Navigacija forumom. Gornja potporna struktura sažetka smanjila je trošak pronalaženja dobrih doprinosa, a da nije povećala opterećenje čitanjem na strani instruktora.

Tri zadatka ostaju s vama: prosuđivanje je li neki tekst studentovo vlastito razmišljanje, prosuđivanje treba li rasprava intervenciju i kalibracija težine. Generirani materijal također treba pedagoški pregled prije nego što nosi bodove. Jeftina proizvodnja odvojeno je pitanje od ispravnog dizajna.

Imenujte ulogu umjetne inteligencije i provjerite ima li student još svoju

„Studenti smiju koristiti umjetnu inteligenciju“ preširoka je specifikacija za dizajniranje prema njoj. Imenovanje uloge čini aktivnost dizajnerski obradljivom, a uloge nose posljedice za prisutnost: studija generativne umjetne inteligencije u marketinškom obrazovanju razlikuje tutora, suigrača i alat, pokazuje da svaki različito utječe na nastavnu, društvenu i kognitivnu prisutnost, i navodi poznate etičke izloženosti privatnosti podataka, plagijatu, ovisnosti i pravednosti procjene (Generativna umjetna inteligencija u marketinškom obrazovanju). Isti model može biti sokratski ispitivač prije zadatka, kritičar nakon prvog nacrta, simulirani dionik tijekom analize slučaja, protivnik čiji argument treba pobiti, tutor koji daje naznake tijekom vježbe ili urednik doveden nakon što suštinsko razmišljanje postoji. To su različite aktivnosti, a njihovo stapanje način je na koji „umjetna inteligencija je dopuštena“ postaje „ništa nije osmišljeno“.

Postupna potpora nudi kriterij. Potpora treba pomoći učenicima da rade ono što još ne mogu sami i treba se povlačiti kako se kompetencija razvija. Model koji stalno daje potpuna rješenja obavlja zadatak. Za svaku aktivnost omogućenu umjetnom inteligencijom trebali biste moći dovršiti ovu rečenicu bez oklijevanja:

Posao umjetne inteligencije ovdje je _____, a posao studenta je ________.

Ako drugi dio sadrži malo razmišljanja, aktivnost treba redizajnirati.

Zamolite ih da procijene odgovor koji nisu napisali

Pismenost u području umjetne inteligencije pokriva kritičku evaluaciju, metakognitivno prosuđivanje i znanje o tome kada preskočiti alat. Samoprijavljeno samopouzdanje slab je pokazatelj dokazane kompetencije.

Jedna promjena koju svaki asinkroni kolegij može odmah usvojiti: ponekad dajte studentima rezultat umjetne inteligencije sami. Predajte im dva suprotstavljena odgovora i pitajte koji je jači i zašto. Tražite najslabiju tvrdnju, pretpostavku koja nedostaje, neprovjerljiv izvor, uvjerljivo objašnjenje koje je ipak pogrešno. Pitajte koji bi dokaz promijenio njihovo mišljenje.

Tako uokvirena, kompetencija koja se ocjenjuje jest može li student prepoznati odgovor koji zaslužuje povjerenje, što je bliže onome što disciplina zahtijeva i mnogo je teže delegirati. Prakse provjere mjesto su na kojem tehnika živi. Ovdje je važno smjestiti evaluaciju unutar ocjenjivanog zadatka, a ne ostaviti je kao savjet u obavijesti modula.

Što instruktori dizajna pogrešno shvaćaju o asinkronim kolegijima

Predaja je problem, pa je predaju ono što treba popraviti. Ona je ujedno i jedini kanal koji imate, zato samo zatezanje artefakta malo mijenja. Dodajte drugi kanal: zapis procesa, snimljeno objašnjenje, jedno mjerenje bez pomoći.

Fleksibilnost znači da student posjeduje tempo. Format pretpostavlja samoregulaciju, a studija semestra sa 75 studenata pokazuje pad metakognitivnog znanja i dobrobiti kako se rokovi grupiraju. Tempo je dizajnerska odluka koju donosite umjesto njih.

Forum je sudjelovanje, pa brojim objave. Gore opisana demonstracija agenta proizvela je objavu koja je iskopala kolege i izmislila životnu povijest; prebrojavanje je ne može razlikovati od dobre. Sažeci Hao i Cukurove poboljšali su navigaciju i ostavili aktivnost gledanja da ipak pada.

Dodavanje pomoćnika čini kolegij integriranim s umjetnom inteligencijom. AIDA je bila namjenski izgrađena, ugrađena i iterirana kroz šest studija; vanjski chatbot u istoj instituciji išao je u drugom smjeru, a učenici KhanMiga jednostavno se nisu uključili.

Dokazi o procesu znače dokumentiranje svega. Prikupljanje svakog upita i svakog pritiska tipke proizvodi papirologiju i malo toga drugog. Verzija koju vrijedi ocjenjivati traži nekoliko točaka odluke: koji je dokaz odabran, koja alternativa odbijena, što se promijenilo nakon kritike.

Što će vam se vratiti

„To su odrasli koji su sami odabrali asinkroni kolegij. Ako puste umjetnu inteligenciju da to napiše, to je njihova odluka.“ Argument izbora vrijedio bi da kolegij ništa ne potvrđuje. Potvrđuje. ALEKS dokazi pokazuju da prečac proizvodi privid kompetencije koji ne preživi nadziranu provjeru, a trošak dolazi kasnije, u sljedećem kolegiju, na ispitu za licencu ili na poslu. Postoji i rub pravednosti: učenici koji najvjerojatnije rasterećuju često su oni s najmanje vremena, skupina kojoj asinkroni kolegij i služi.

„Detekcija je odgovor.“ Detekcija je sporna, a rezultat nadzora pokazuje zašto dizajn pobjeđuje nad policijskim pristupom: šteta je nestala kada su se uvjeti promijenili. Detekcija nosi i troškove lažno pozitivnih rezultata i pretvara poduku u utrku u naoružanju. Redizajnirajte zadatak i zadržite jedno mjerenje bez pomoći. Vidi smanjenje varanja pomoću umjetne inteligencije i redizajn procjene u eri umjetne inteligencije.

„Nastavna prisutnost na daljinu je nemoguća, pa je asinkrono po sebi lošije.“ Prisutnost u asinkronom kolegiju se dizajnira. Gore navedeno rekonceptualiziranje CoI kaže da su njegovi pokazatelji sociotehnička postignuća u eri generativne umjetne inteligencije, a AIDA pokus udvostručio je vrijeme na zadatku u kolegiju bez ijednog sinkronog susreta.

„Nadzor je nadgledanje i neću ga uvesti.“ Obranjiv stav, i ostavlja opcije otvorenima. Artefakti koji otkrivaju proces, asinkrono usmeno ocjenjivanje i AI Viva bilježe razmišljanje bez nadgledanja nečije sobe. Ako ipak koristite nadzirani uvjet, stavite ga u program kolegija, objasnite obrazloženje i ograničite ga na procjene koje potvrđuju kompetenciju.

„Onda učinite sve sinkronim i nadziranim.“ Mnogi studenti biraju asinkrono učenje zbog zaposlenja, skrbi o drugima, invaliditeta ili geografije. Detekcija nosi i vlastite troškove pravednosti: alati koji označavaju neizvorne govornike nerazmjerno proizvode lažno pozitivne rezultate koji kažnjavaju pošten rad (detekcija umjetne inteligencije). Razmjerna alternativa je mali broj trenutaka provjere unutar inače fleksibilnog kolegija: kratko snimljeno objašnjenje, personalizirana primjena, odgovor na pitanje koje odabere instruktor, anotirani trag odluka, individualna provjera s niskim ulogom. Provjera treba podići valjanost vaših dokaza i zadržati fleksibilnost zbog koje je format bio vrijedan ponude.

Što dokazi ne rješavaju

Sustavni pregled umjetne inteligencije u obrazovanju na daljinu (56 članaka, 2020-2025) pokriva personalizaciju (24 studije), procjenu i povratnu informaciju (19), interakciju čovjeka i umjetne inteligencije (17) te upravljanje i pravednost, i zaključuje da je baza kratkoročna i transverzalna, s malo longitudinalnog rada. Pregled umjetne inteligencije i angažmana studenata u online učenju (24 studije) ograničen je na jednu bazu podataka, bavi se samo angažmanom i stapa sinkrone s asinkronim kontekstima, pa njegovi zaključci nisu specifični za asinkrono. Asinkrono usmeno ocjenjivanje počiva na dvije studije u dva kolegija. MAIC je pilot. Skupovi podataka o vremenu facilitacije ograničavaju izvedbu čak i uz osposobljene klasifikatore. Nijedna studija ovdje ne prati asinkronu kohortu dovoljno dugo da pokaže proizvodi li redizajnirana procjena trajno učenje ili samo bolje dokaze o njemu. Sve je dovoljno snažno da promijeni vaš sljedeći kolegij i previše tanko da opravda tvrdnju o politici.

Što učiniti ovaj tjedan

1. Odaberite svoju procjenu s najvišim ulogom i dodajte jedan uvjet koji student ispunjava bez pomoći. Recite im zašto postoji.

2. Uzmite zadatak koji umjetna inteligencija sada dovršava od početka do kraja i prepišite ga tako da proces bude artefakt: dnevnik odluka, stupnjevani nacrt, samoobjašnjenje, usporedba dvaju pokušaja.

3. Pretvorite jednu glavnu procjenu u asinkronu usmenu obranu s ugrađenim rubrikama i postavite dopuštenje za umjetnu inteligenciju po zadatku u program kolegija, tamo gdje će ga studenti doista čitati.

4. Rasporedite glavne rokove i blokirajte prozor od 7-8 dana prije roka za kontaktiranje studenata čiji su podaci o interakciji utihnuli.

5. Postavite tri pitanja o svom najslabijem zadatku. Može li sustav umjetne inteligencije dovršiti ovu aktivnost, a da student ne razumije materijal? Koja kognitivna aktivnost treba proizvesti učenje ovdje? Koji će dokaz pokazati da je student doista obavio tu aktivnost? Ako je odgovor na prvo pitanje potvrdan, a na druga dva je teško odgovoriti, problem je u dizajnu učenja i nikakvo preformuliranje politike ga neće riješiti.

Kamo dalje: pravila na razini kolegija pripadaju u pravila kolegija o umjetnoj inteligenciji; obnova procjene obrađena je u redizajnu procjene u eri umjetne inteligencije; problem oslanjanja ispod toga u smanjenju pretjeranog oslanjanja; radno opterećenje instruktora i što umjetna inteligencija realno uklanja u uštedi vremena instruktora uz umjetnu inteligenciju; a pogled na dizajnerskoj razini o ugrađivanju umjetne inteligencije u iskustvo učenja u dizajnu učenja s umjetnom inteligencijom.