Valutazione autentica

Traduzione automatica della pagina in inglese, non ancora rivista da una persona di madrelingua.

Valutazione autentica — la progettazione di valutazioni che esaminano la prestazione degli studenti su compiti intellettuali meritevoli e realistici, anziché item di test standardizzati e isolati. Nata con Wiggins (1990) come contrappeso ai test standardizzati, la valutazione autentica si è evoluta dalla replicazione dei compiti lavorativi verso un framework multidimensionale che comprende autenticità professionale, digitale, personale e sociale. L'IA generativa ha reso la valutazione autentica nuovamente essenziale: qualunque compito che un modello linguistico possa simulare in modo credibile in un contesto take-home perde la sua validità come evidenza della competenza originale dello studente, quindi le forme autentiche devono essere riprogettate attorno a ciò che l'IA non può contraffare in modo credibile.

Domande da considerare

• La valutazione autentica esamina la prestazione su compiti intellettuali meritevoli e realistici anziché item di test isolati. Prima di leggere, davate per scontato che un compito "autentico" semplicemente replichi uno scenario reale o lavorativo? Questa pagina sostiene che l'autenticità si è evoluta ben oltre la mera replicazione — quali altre forme può assumere?
• Un'affermazione centrale è che qualunque compito un modello linguistico possa simulare in modo credibile in un contesto take-home perde la sua validità come evidenza della competenza originale dello studente. Quale valutazione nel vostro insegnamento o studio considerereste ora "contraffabile" — e su cosa vi basate per dirlo?
• La pagina evidenzia un divario sorprendente: solo 3 studi su 37 affrontavano l'autenticità sociale — se la valutazione aiuti gli studenti a contribuire alla trasformazione della società. Perché pensate che la dimensione sociale dell'autenticità sia così trascurata, e come potrebbe concretamente assomigliare una sua valutazione?
• La base di conoscenza sostiene che l'autenticità debba essere "riprogettata, non vigilata". Quando gli studenti co-creano le rubriche, scelgono cosa e come consegnare e si impegnano in un'interazione in tempo reale, l'uso dell'IA diventa atteso e dichiarato anziché nascosto. Come cambierebbe questo il rapporto tra studente e valutatore?
• Gli esami orali e i portfolio basati sul processo sono offerti come forme autentiche resistenti all'IA. Ma la riflessione valutata e l'autovalutazione rischiano di diventare performative — gli studenti mettono in scena la riflessione che credono sia richiesta. Come potreste progettare per una riflessione genuina anziché performativa?
• Quando l'IA fornisce la rubrica, il feedback e il monitoraggio, la pagina avverte che la pratica metacognitiva dello studente può essere spiazzata. Se lo strumento fa la valutazione, cosa resta al discente da praticare o apprendere davvero?

Introduzione

La valutazione autentica sta al centro di come la valutazione viene ripensata nell'era dell'IA. Si collega alla validità della valutazione (la valutazione misura ciò che dichiara?), alla valutazione formativa (compiti autentici che informano l'apprendimento) e all'integrità accademica (passare dal rilevamento alla progettazione di compiti in cui l'uso dell'IA è atteso e dichiarato). È una risposta centrale nella letteratura della base di conoscenza sulla riprogettazione della valutazione.

L'evoluzione dell'autenticità

• Origini negli anni '90 — compiti intellettuali meritevoli: Wiggins (1990) propose la valutazione autentica come esame diretto della "prestazione degli studenti su compiti intellettuali meritevoli", un contrappeso ai test standardizzati.
• Diffusione alla fine degli anni '90 — replicazione lavorativa: Joughin (1998) inquadrò l'autenticità come la misura in cui la valutazione replica la pratica professionale o la vita reale — una visione che ha dominato per due decenni.
• Critica degli anni 2020 — oltre la replicazione: McArthur (2023) sostenne che la valutazione autentica deve consentire agli studenti di "influenzare il futuro e trasformare la società" anziché limitarsi a replicare i compiti esistenti; Ajjawi et al. (2024) ampliarono l'autenticità a forme contestuali, di compito e personali che riflettono l'esperienza dello studente.
• L'IA generativa come sfida esistenziale: Zhan, Boud & Du (2025) notano che l'IA generativa rende l'autenticità della replicazione lavorativa nuovamente vulnerabile, spingendo verso la competenza digitale, la collaborazione in tempo reale, il contributo sociale e la costruzione individuale di significato che l'IA non può contraffare in modo credibile.

Un modello di progetto a sei dimensioni

La revisione di scopo di Zhan, Boud & Du (2025) di 37 studi empirici (2000–2024) propone sei dimensioni di progetto: (1) l'autenticità nella valutazione (autenticità della valutazione, professionale, digitale, del sé e sociale — con solo 3 studi su 37 che affrontano l'autenticità sociale, un divario critico), (2) le sfide cognitive, (3) i criteri di valutazione (con gli studenti spesso destinatari passivi anziché co-autori delle rubriche), (4) il feedback (a dominanza formativa, ma il feedback sostenibile è raro), (5) l'agentività dello studente (la scelta su cosa/come/quando/dove consegnare era rara) e (6) la collaborazione sociale. Propone inoltre un modello ciclico di co-progettazione — negoziare gli obiettivi, creare il contesto, co-progettare i criteri, pianificare il feedback — che gli strumenti di IA potrebbero rendere operativo.

Dollinger e Nieminen (2026) limitano questo ottimismo con il paradosso della valutazione inclusiva: sia il modello degli accomodamenti sia le critiche strutturali che reincastrano la valutazione come disabilitante lasciano intatta la logica a somma zero per cui "perché uno studente abbia successo, un altro deve fallire", quindi le forme distribuite e agentiche devono cambiare quella logica anziché limitarsi ad ampliare l'accesso.

La valutazione autentica nell'era dell'IA

La letteratura della base di conoscenza sulla riprogettazione della valutazione sostiene che l'autenticità debba essere riprogettata, non vigilata:

• Beyond Detection sostiene che l'autenticità non può essere imposta con la vigilanza; deve essere progettata, posizionando l'IA come collaboratore dichiarato anziché come applicazione di imbroglio, e dando priorità alla valutazione autentica e basata sul processo rispetto alla sorveglianza.

• Responsible Assessment reinquadra la valutazione attorno all'evidenza di validità e a compiti autentici che rispecchiano il lavoro futuro degli studenti.

• Authentic products, authenticated processes esamina come la formazione superiore ricca di IA possa valutare sia gli output genuini sia i processi che li hanno prodotti.

• Un partner di stesura IA lascia comunque il giudizio allo studente. Paula et al. (2026) hanno testato un progettista di valutazioni GPT-4.1 con otto coordinatori: produceva panoramiche, compiti, criteri, tempistiche e rubriche utilizzabili ma perdeva ripetutamente il contesto disciplinare e la sequenza degli argomenti, e tutti e otto rifiutarono l'automazione end-to-end, situando il giudizio accademico nel docente anziché nel modello.

• Il framework tool-invariant sostiene la valutazione dei metodi computazionali e del processo anziché degli output specifici di uno strumento, usando difesa orale e verifica.

• Infrastruttura istituzionale per l'evidenza di processo. Un framework di assurance della qualità commissionato trasforma l'argomento del processo in policy, trattando le tracce del processo di apprendimento — modifiche con timestamp, uso delle risorse, prompt metacognitivi — come l'evidenza durevole che una carriera scolastica non può mostrare, e citando caratteristiche di processo che spiegano più varianza nella prestazione delle sole caratteristiche di prodotto (Lodge et al. (2026)).

• Valutazione orale scalabile, con un'avvertenza sul punteggio. Pentland, Lowenthal & Krier (2026) hanno erogato risposte registrate a tempo limitato e non rivedibili, corrette rispetto a rubriche incorporate, e hanno trovato che gli studenti superavano i propri esami a scelta multipla in presenza; sottolineano che si tratta di un effetto di formato anziché di un guadagno di apprendimento, con la ricorrezione tramite LLM concorde con il docente a ICC = 0,73 e 0,60.

• Reconsidering oral exams posiziona l'esame/valutazione orale come alternativa autentica a bassa tecnologia intrinsecamente resistente all'IA — il suo dialogo interattivo in tempo reale verifica comprensione, pensiero critico e ragionamento (non la memorizzazione), rispecchia la pratica professionale e impedisce agli studenti di usare l'IA per generare e memorizzare risposte. Offre un insieme concreto di raccomandazioni pratiche (rubriche chiare, contenuti standardizzati, formazione dei valutatori, linee guida di prompting, mitigazione del bias) per reintrodurre l'valutazione orale nelle scuole superiori e nella formazione superiore.

• La valutazione tramite e-portfolio è un'altra forma autentica e basata sul processo che resiste alla fabbricazione da parte dell'IA: Zhan, Boud & Du (2025) identificano i portfolio di contributo sociale tra le forme autentiche più robuste all'IA generativa, e Beyond Detection raccomanda portfolio annotati e walkthrough registrati che sondano il ragionamento in tempo reale. Ni & Lam (2026) e Laksana et al. (2026) mostrano che l'IA generativa può assistere il processo di portfolio — feedback, stesura, riflessione — mentre le tracce di ragionamento e le bozze del portfolio ne preservano l'autenticità.

• I criteri di autenticità possono essi stessi trattenere l'uso dell'IA. Chen e Zou (2026) hanno trovato che una rubrica che richiede agli studenti di fondare una presentazione di gruppo sulla propria esperienza di insegnamento in prima persona, e di riflettere sulle osservazioni condivise in classe, ha portato sette gruppi su quindici a ridurre deliberatamente il proprio uso della GenAI. Gli studenti sostenevano che lo strumento non poteva soddisfare la richiesta epistemica — "l'IA conosce quel momento solo quando lo digiti" — perché mancava della conoscenza longitudinale e situata che i compagni e l'insegnante avevano. Contavano entrambi gli strati: l'autenticità del compito e l'autenticità relazionale del contribuire il proprio pensiero a un gruppo, che reincastrava l'uso massiccio dell'IA come free-riding sui compagni. L'implicazione di progetto è che i criteri autentici e fondati sull'esperienza svolgono un lavoro valutativo anche senza enforcement — forniscono una ragione di moderazione che le affermazioni di policy non possono dare.

• Affianca un compito vulnerabile a uno meno vulnerabile. Roe, Perkins & Giray (2026) abbinano un compito vulnerabile alla GenAI a un secondo che valuta gli stessi esiti, li schedulano ravvicinati perché ciascuno possa controllare l'altro, e rendono il voto interdipendente attraverso una soglia confermativa o una ponderazione.

Sharma (2026) sostiene che la progettazione orientata all'integrità e la progettazione autentica non sono la stessa cosa, e che la differenza è epistemica anziché stilistica. L'autenticità chiede se un compito rispecchi una pratica reale meritevole; la progettazione orientata all'integrità chiede se i discenti sappiano giustificare le proprie decisioni e assumersi responsabilità in relazione agli standard disciplinari, il che rende l'integrità un criterio esplicito e valutabile incorporato nell'architettura del compito anziché un sottoprodotto incidentale del realismo. Le pratiche che offre — tracce di decisione annotate, verifica delle affermazioni contribuite dalla GenAI, difesa orale e responsabilità dialogica, differenze tra bozze con cronologia delle versioni — sono riconoscibilmente forme di valutazione autentica, ma sono selezionate per il giudizio che rendono visibile anziché per il loro realismo, il che è un utile correttivo per i compiti che appaiono autentici e restano contraffabili nella sostanza. La sua cautela appartiene anche a questa pagina: richiedere un ragionamento documentato privilegia i discenti più sciolti nel discorso riflessivo, e il giudizio come evidenza "resta relazionale e situato anziché meccanicamente verificabile", quindi la progettazione porta con sé il proprio carico di affidabilità interpretativa.

La stessa domanda è reinquadrata da Thapa e Lewis (2026), che nominano ciò che un compito dovrebbe autenticare anziché se appaia reale: l'autenticità epistemica, la misura in cui la valutazione cattura un impegno genuino con l'interpretazione, il giudizio valutativo, il ragionamento e la costruzione di conoscenza. Il loro argomento è che l'autenticità da sola non sopravvive all'IA generativa, perché un compito autentico la cui evidenza è un singolo prodotto non sorvegliato è esposto allo stesso problema di sostituzione del saggio che ha sostituito. Rendere visibile il ragionamento richiede invece consegne scaglionate, giustificazione riflessiva, impegno dialogico e trasparenza valutativa. Portano la cautela di cui sopra nella progettazione: i compiti riflessivi e dialogici possono privilegiare gli studenti sicuri nell'autoarticolazione accademica a meno che non siano progettati in modo inclusivo e supportati da scaffolding, e il lavoro relazionale intensifica il lavoro emotivo degli educatori in contesti numerosi o con risorse limitate.

Quando i praticanti ripiegano sui formati vigilati

La base di conoscenza sostiene che l'autenticità debba essere progettata anziché vigilata, e Goldstein, Marae-Haj e Zidan (2026) forniscono la controevidenza dalla pratica: dopo una crisi di fiducia in cui insegnanti in formazione hanno consegnato lavoro grezzo generato dall'IA come proprio, i formatori di insegnanti in sette college israeliani hanno riprogettato la valutazione attorno all'evidenza di processo (prompt, cronologia delle versioni dei documenti, contributi di gruppo monitorati) e alla prestazione in classe — ma diversi hanno anche descritto il ripiegamento, come ultima risorsa, su esami sorvegliati e difese orali anticipate delle tesi, con un partecipante che definiva il ritorno agli esami personalmente doloroso ma inevitabile. Letta contro la posizione design-first, la scoperta segna una modalità di fallimento anziché una soluzione: dove l'autenticità non è riprogettata in anticipo, la risposta pratica al lavoro consegnato inassessabile è il controllo ripristinato — sorveglianza sotto altro nome — che reintroduce proprio i formati che la letteratura sulla valutazione autentica cerca di superare. Mostra anche il costo vissuto dell'alternativa: i partecipanti hanno riferito che le proprie valutazioni scritte take-home non potevano più attestare l'apprendimento, e che la documentazione di processo richiedeva un lavoro reale per essere stabilita.

Una seconda modalità di fallimento sta dentro la riprogettazione stessa: attraverso cinque metodi di insegnamento linguistico online, le tensioni legate all'autenticità dominavano i resoconti degli insegnanti (11 su 20), inclusa la corrosione del realismo del compito — attività riprogettate per essere resistenti all'IA anziché autentiche (Baoyi e Khan (2026)).

Il ripiegamento porta un costo probatorio che l'evidenza dei fascicoli rende visibile. Munoz et al. (2026) hanno codificato 1.162 accuse di scorrettezza con IA generativa e hanno trovato che i tipi di evidenza più forti sono generati dall'indagine o dalla supervisione anziché dall'accusa, e che l'evidenza di processo come bozze, incontri di supervisione e presentazioni appare solo dove quelle pratiche già esistono — quindi in una valutazione non riprogettata l'evidenza di processo che questa letteratura raccomanda semplicemente non è disponibile, e i casi poggiano su categorie più deboli. Ciò che la sostituisce è il materiale più debole del loro corpus: l'output dei rilevatori riceveva le valutazioni probatorie più basse di qualsiasi categoria, e Hadra et al. (2026) mostrano perché, con un'accuratezza macro di 0,69 (Originality) e 0,61 (Turnitin) su 192 testi, fallimento quasi totale sulla scrittura ibrida umano–IA, e una tendenza borderline a leggere erroneamente il lavoro degli studenti EFL come IA. Wright (2026) aggiunge la dimensione della progettazione delle regole: i divieti scritti per identità di piattaforma anziché per funzione sono sovrainclusivi per accidente definizionale, quindi un formato vigilato può sanzionare uno studente che non ha fatto la cosa che la regola era progettata a prevenire, ricadendo più duramente sugli studenti che si affidavano agli strumenti di trascrizione per l'accessibilità. Letti insieme, il ripiegamento sostituisce l'evidenza meno probatoria disponibile all'evidenza di processo che una progettazione autentica avrebbe generato in primo luogo.

• Apprendimento autoregolato: l'agentività dello studente nella valutazione autentica (scelta, autoriflessione, co-progettazione) rispecchia il ciclo previsione → prestazione → autoriflessione, sebbene la riflessione valutata rischi di diventare performativa.
• Metacognizione: la metacognizione è richiesta agli studenti per valutare il proprio lavoro rispetto a rubriche co-progettate; quando l'IA fornisce la rubrica, il feedback e il monitoraggio, la pratica metacognitiva dello studente può essere spiazzata.
• Feedback formativo e sostenibile: la valutazione autentica enfatizza il feedback formativo, orientato al futuro, che trasferisce ai contesti successivi.

Implicazioni per l'IA nell'educazione

• Tipi di valutazione a prova di IA: le dimostrazioni in vivo, i portfolio di contributo sociale, gli artefatti co-creati con provenienza verificabile e l'interazione incorporata in tempo reale sono più resilienti all'IA generativa dei saggi take-home o dei quesiti a scelta multipla.

• L'esposizione è misurabile. Una laurea triennale in psicologia si è rivelata superabile al 90%: ChatGPT produceva output adeguato su 36 valutazioni del corso su 40, e solo i quattro compiti che richiedevano presenza, un artefatto visivo o i dati propri dello studente resistevano (Ivory et al. (2026)).

• Co-progettazione su larga scala: gli strumenti di IA potrebbero abilitare la co-progettazione di rubriche e la co-creazione studentesca dei parametri di valutazione su scala di classe o MOOC — sebbene l'agentività mediata dalla macchina debba essere progettata con attenzione.

• Affrontare il divario di autenticità sociale: solo 3 studi su 37 affrontavano le questioni sociali; gli strumenti di valutazione basati sull'IA dovrebbero aiutare gli studenti a contribuire alla trasformazione della società, non solo a simularla.

• Feedback sostenibile: il feedback dell'IA dovrebbe essere progettato per trasferire ai contesti futuri, non solo per fornire correzioni reattive e momentanee.

• La misurazione focalizzata sul processo ha ora evidenza di validità. Oliveira et al. (2025) hanno valutato 70 saggi corretto su come gli studenti pilotavano un dialogo con la GenAI e rendevano visibile la conoscenza del corso; quei punteggi di processo correlavano r = 0,54 con i punteggi tradizionali dei saggi premiando al contempo il lavoro concettuale rispetto alla specificazione strutturata del compito.

• La valutazione autentica si adatta ai campi orientati alla pratica. Mesny, Roberge-Maltais & Galy (2026) trovano la valutazione autentica particolarmente adatta all'educazione manageriale: i compiti che rispecchiano problemi professionali reali (progetti di consulenza dal vivo, dashboard con briefing dirigenziali) si allineano al focus del campo sulla pratica e sulla occupabilità e possono sostenere alternative inclusive e preservatrici dell'integrità alla valutazione centrata sull'esame nell'era dell'IA generativa. Nella loro revisione di 58 articoli di quattro riviste di educazione manageriale, tuttavia, la valutazione autentica appariva principalmente attraverso simulazioni mediate dalla tecnologia ed era spesso confusa con l'apprendimento esperienziale — un divario terminologico che può oscurare il suo valore più ampio e la sua adozione.

• L'autenticità non è sicurezza, e il divario è visibile su scala di settore. Dove l'audit del singolo corso di laurea di cui sopra trovava il 90% dei compiti del corso superabile, Villanueva (2026) colloca presentazioni registrate, progetti di gruppo a distanza e artefatti digitali non sorvegliati nella fascia ad alta esposizione su 53.915 item, perché il registro pubblico non dice nulla su come la produzione è stata sorvegliata.

Concetti collegati

• Identità dello studente — evolving disciplinary, professional, creative, and academic learner identities
• E-portfolio (portafoglio elettronico)
• Apprendimento basato sui problemi
• Valutazione
• Validità della valutazione
• Valutazione formativa
• Valutazione automatizzata
• Integrità accademica
• Rilevamento dell'IA
• Apprendimento autoregolato
• Metacognizione
• Valutazione dell'IA in educazione
• Istruzione superiore
• IA generativa
• IA in educazione
• Feedback
• Valutazione sommativa — Summative assessment: AI-resistant formats (oral, proctored, closed-book exams)
• Educazione artistica, al design e ai media

Articoli collegati

• Preserving epistemic authenticity: process-oriented assessment in the age of generative AI — process-oriented assessment and epistemic authenticity as what a task should authenticate

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — What AI could not pass: presence, visual artifacts, and the student's own data (Ivory et al. 2026)

• The Paternalistic Filter: Epistemic Injustice and Differential Refusal in LLM-Mediated History Education for Marginalized Romanian Students — Paternalistic AI use and student identity in history education

• 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 — Designing for Authentic Assessment: A Scoping Review

• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Beyond Detection: Authentic Assessment

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

• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — Authentic Products, Authenticated Processes

• A Tool-Invariant Framework for Teaching and Assessing Computational Methods in the Age of Agentic AI — Tool-Invariant Framework for Teaching and Assessing Computational Methods

• Confidence Estimation in Automatic Short Answer Grading with LLMs — Confidence-aware automated short-answer grading

• The LLM Fallacy: Misattribution in AI-Assisted Cognitive Workflows — The LLM Fallacy and Misattribution of Competence

• The University AI Didn''t Replace: Rethinking Universities in the AI Era — Rethinking Universities in the AI Era

• Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity — Multiple assessment methods to counter AI misconduct

• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — Reconsidering oral exams as authentic, AI-resistant assessment

• Assessment twins: An approach for strengthening assessment validity in the age of generative AI — Assessment twins for strengthening assessment validity in the age of GenAI (Roe, Perkins & Giray 2026)

• Assuring quality learning in a gen AI-integrated future: The role of adaptive capabilities. TEQSA, June 2026 — Adaptive capabilities for assuring quality learning in a gen AI-integrated future (Lodge et al. 2026)

• Asynchronous Oral Assessments: Enhancing Integrity, Engagement, and Communication in the AI Era — Asynchronous Oral Assessments in the AI Era (Pentland 2026)

• Assessing students' DRIVE: A framework to evaluate learning through interactions with generative AI — DRIVE: assessing learning through GenAI interaction (DRI + Visible Expertise)

• 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 — Authenticity criteria that led student groups to reduce GenAI use

• Pioneering Teacher Educators Navigating AI Integration in Pre-Service Teacher Preparation: Strategies and Challenges — The AI trust crisis that pushed teacher educators back toward supervised exams and oral defenses (Goldstein et al. 2026)

• Educational integrity in GenAI-augmented assessment: making judgment visible — Integrity-oriented design distinguished from authentic assessment: making judgment visible (Sharma 2026)

• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — What misconduct allegation files actually contain as evidence, and the process evidence they lack (Munoz et al. 2026)

• Evaluating the accuracy and reliability of AI content detectors in academic contexts — Detector accuracy and hybrid-writing failure: why detection is weak fallback evidence (Hadra et al. 2026)

• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Over-inclusive AI prohibitions: transcription is not generation (Wright 2026)

• Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education — Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education

• AI and higher education: teachers' perceptions of students' ethical tensions in online pedagogical methods — Task realism corrosion: AI-resistant redesign eroding authenticity in online language teaching

• How AI-vulnerable is Australian higher education assessment? A computational audit of Group of Eight Arts and Humanities units, 2022–2026 — Authentic-surfaced formats (recorded presentations, remote group projects, digital artifacts) score high across 53,915 items: authenticity does not verify authorship