Valutazione orientata al processo

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

La valutazione orientata al processo — il design della valutazione attorno a come uno studente perviene a una conclusione anziché solo attorno al manufatto che consegna: consegne in fasi, giustificazione riflessiva, scambio dialogico e orale, storia di bozze e versioni, e criteri che gli studenti possono applicare a sé stessi. Non è un sinonimo di realismo del compito e non è un'affermazione su chi corregge il lavoro: un compito realistico la cui unica evidenza è un singolo prodotto non supervisionato è esposto allo stesso problema di sostituzione del saggio che ha rimpiazzato. L'IA generativa è ciò che rende urgente la distinzione, perché un output fluente può ora essere prodotto su richiesta e un file finito non reca più informazione su quale ragionamento lo abbia prodotto.

Domande da considerare

• Se uno studente consegna un saggio rifinito, cosa ti consente effettivamente di affermare quel manufatto sul suo pensiero — e quali affermazioni sembra solo sostenere?
• L'evidenza di processo chiede bozze, giustificazione e dialogo. Chi, nel tuo contesto, ha familiarità con quel tipo di auto-articolazione accademica, e chi potrebbe essere giudicato sulla propria comodità con essa piuttosto che sulla propria comprensione?
• Il rilevamento è inaffidabile e la riprogettazione attorno al processo è costosa. Dove spenderesti un bilancio istituzionale limitato, e quale evidenza cambierebbe la tua risposta?

Introduzione

La valutazione nell'istruzione superiore ha da tempo inferito il pensiero dal prodotto. Un saggio, una relazione o una risposta d'esame consegnati rappresentavano il ragionamento sottostante, e la correzione trattava un manufatto ben argomentato come evidenza di un processo ben argomentato. Thapa e Lewis (2026) nominano l'assunto che l'IA generativa infrange: una risposta rifinita "potrebbe non rappresentare più il processo di pensiero di nessuno", perciò l'inferenza dal manufatto alla comprensione cessa di essere sicura. La loro risposta non è un rilevatore migliore ma una base di evidenza diversa. La valutazione orientata al processo raccoglie evidenza di interpretazione, giustificazione e costruzione di conoscenza man mano che si sviluppano, cosicché il ragionamento resti visibile quando l'output può essere prodotto su richiesta.

Aiuta dire che cosa il concetto non è. Non è valutazione autentica, che chiede se un compito rispecchi una pratica reale valida; Thapa e Lewis mantengono separati gli assi e insistono che un compito autentico con un singolo prodotto non supervisionato è tuttavia esposto. Non è rilevamento dell'IA, che chiede se lo strumento sia stato usato anziché come sia stata presa una decisione. E non è valutazione automatizzata, che riguarda chi o che cosa corregge: un portfolio in fasi corretto da una macchina può essere orientato al processo, e un saggio finale corretto da una persona non è detto che lo sia. Il concetto riguarda quale evidenza viene raccolta, in quale arco di tempo, e a quali condizioni viene prodotta.

L'idea si è mossa da una proposizione a una raccomandazione ricorrente attraverso la knowledge base. Compare come priorità nominata nell'agenda dell'AIED per l'agentività e la motivazione dello studente, come agenda di ricerca organizzativa per il problema di ritenzione e trasferimento nella ricerca su prestazione rispetto ad apprendimento, come "Black Box Assessment" nel resoconto di Brunnström e Palmqvist sull'apprendimento autoregolato con l'IA, e come richiesta di insegnanti-educatori in servizio che hanno trovato che il loro lavoro scritto a casa non poteva più evidenziare affatto l'apprendimento.

Che aspetto ha l'evidenza di processo nella pratica

Il vocabolario di design più esplicito viene da Thapa e Lewis, i cui quattro impegni portano l'argomentazione dentro il design dei compiti: giustificazione riflessiva, design del compito in fasi, coinvolgimento dialogico, trasparenza valutativa. Nella pratica, gli studenti spiegano le decisioni interpretive anziché solo presentare conclusioni, consegnano lavoro che si sviluppa attraverso checkpoint, prendono parte a scambi orali o dialogici sul proprio ragionamento, e lavorano contro criteri che possono applicare a sé stessi — il terreno della alfabetizzazione al feedback e dell'autovalutazione. La proposta di Boysen (2026) per le pratiche di apprendimento aperto traduce la stessa logica in una traccia di audit: un piano di apprendimento condiviso fissato prima che il progetto inizi, un piano di analisi dell'apprendimento che nomina fonti richieste e vietate, e bozze documentate e storie di versioni, conservate attraverso Rileva modifiche e versioni di file salvate, che espongono il processo di lavoro e spiegano cosa ha informato ciascuna revisione. Egli inquadra questo come autoregolazione resa visibile.

Il canale scelto per l'evidenza di processo cambia ciò che può essere evidenziato: nello stesso studio sull'IA generativa con 79 studenti, il monitoraggio e la pianificazione ad alta profondità erano più comuni nelle unità think-aloud mentre la regolazione ad alta profondità era più comune nei log di interazione, perciò nessun singolo registro cattura l'intero processo (Li e Liu (2026)). Le tracce possono anche divergere dai punteggi in modo netto: attraverso 150 conversazioni studente-IA, il 41% recava un punteggio di compito di esattamente 1,00 mentre la partecipazione cognitiva osservabile variava, perciò punteggi uguali possono nascondere processi diversi (Fábrega, 2026). DraftTrace risponde allo stesso problema per la scrittura integrata con l'IA allineando misure di processo a livello di battitura con il prodotto finale e con le tracce di interazione con l'IA, mostrando che la copia-digitazione è identificabile solo quando prodotto e processo sono letti insieme (Chandarana et al. (2026)), un'istanza concreta della misurazione a tracce comportamentali di cui il campo è ancora privo.

I resoconti di praticanti e framework completano i manufatti. Il framework LEARN di Uden e Hwang (2026), rivolto alla valutazione dell'apprendimento basato sui problemi, chiede rubriche focalizzate sul processo, giustificazioni orali, consegne in fasi e tracce di ragionamento con divulgazione dell'uso dell'IA, e tratta la riflessione attraverso diari di apprendimento e protocolli think-aloud come il motore metacognitivo della sequenza. Moganadas e colleghi (2026) rendono la valutazione trasparente rispetto all'IA e orientata al processo una di cinque proposizioni ricercabili, richiedendo documentazione, verifica e giustificazione riflessiva anziché proibizione o uso di rilevatori. Padhy (2026) raccomanda di catturare la storia delle revisioni, i pattern di interazione e il tempo sul compito, abbinati a una divulgazione trasparente. Goldstein, Marae-Haj e Zidan (2026) riferiscono gli stessi manufatti emergenti dalla pratica dopo una crisi di fiducia: registri di prompting, storia delle versioni dei documenti, contributi di gruppo monitorati, e "diari di viaggio" riflessivi tenuti in quaderni fisici — insieme al rinvenimento piano che il lavoro scritto a casa non poteva più evidenziare l'apprendimento.

Sta emergendo strumentazione concreta: Kim et al. (2026) operazionalizzano la risoluzione dei problemi come quattro fasi e otto sotto-abilità diagnostiche, cosicché un LLM possa generare domande e rubriche specifiche per fase; cinque insegnanti e 64 studenti hanno usato il sistema su 90 problemi e 720 sotto-domande, con un punteggio medio alla System Usability Scale di 83,5.

Un asse diverso dall'autenticità e dalla correzione

Tenere separati gli assi conta, perché confonderli è il modo in cui una riprogettazione appare fatta mentre l'esposizione resta. Sharma (2026) opera la distinzione complementare tra autenticità e design orientato all'integrità: l'autenticità chiede se un compito rispecchi una pratica valida, mentre il design orientato all'integrità chiede se gli studenti possano giustificare le proprie decisioni e assumersi responsabilità in relazione agli standard disciplinari, ed è per questo che le pratiche che egli offre — tracce di decisione annotate, verifica delle affermazioni contribuite dalla GenAI, difesa orale, differenze tra bozze con storia delle versioni — sono selezionate per il giudizio che rendono visibile piuttosto che per il loro realismo. La revisione decennale di Espino e Espino (2026) della formazione in economia aziendale perviene alla stessa conclusione di design dal versante della letteratura, trovando che il campo converge su compiti autentici e a processo visibile che richiedono interpretazione, applicazione contestuale e raffinamento iterativo, e trattando l'adozione isolata di strumenti dentro strutture di valutazione immutate come il suo fallimento più persistente.

Il costrutto è anche distinguibile dalla domanda di come l'evidenza venga punteggiata. Il ragionamento sull'validità è il punto in cui i due si incontrano: Brunnström e Palmqvist (2026) sostengono che quando un chatbot può produrre una risposta d'esame plausibile, il prodotto consegnato diventa un indicatore più debole di ciò che lo studente ha appreso — un problema di validità della valutazione anziché solo un problema di integrità. È la stessa inferenza a rischio nell'argomentazione prestazione rispetto ad apprendimento di Yan, Greiff, Lodge e Gašević, dove i guadagni di prestazione che si riducono una volta ritirato il sostegno mostrano un guadagno che vive nello strumento anziché nello studente, e dove il rimedio proposto sono misure di processo come i test di ritenzione e trasferimento anziché il successo immediato nel compito.

Perché il rilevamento non può reggere questo carico

La valutazione orientata al processo è di solito proposta come l'alternativa al rilevamento, e l'evidenza sul rilevamento spiega perché. La letteratura sul rilevamento trova tassi di errore, dipendenza dal compito e pregiudizio strutturato contro chi scrive non essendo madrelingua e contro gli scrittori disabili, e il lavoro più recente approda a una conclusione procedurale: il punteggio di un rilevatore può sollecitare un esame più attento ma non è un rinvenimento. Munoz e colleghi (2026) mostrano cosa ciò costi nella pratica. Codificando 1.162 accuse di cattiva condotta con l'IA generativa, hanno trovato che i tipi di evidenza più forti sono generati dall'indagine o dalla supervisione, che evidenza di processo come bozze, incontri di supervisione e presentazioni compare solo l dove quelle pratiche esistono già — perciò in una valutazione non riprogettata è semplicemente assente — e che l'output dei rilevatori ha ottenuto le valutazioni probatorie più basse di qualsiasi categoria. La conseguenza di design è l'ordinamento: l'evidenza di processo deve esistere prima che un caso ne abbia bisogno, e il ragionamento di Weidlich (2026) su quale inferenza sia a rischio fa lo stesso punto dal versante della validità, poiché i tentativi di ripristinare la sicurezza della valutazione attraverso il rilevamento introducono varianza irrilevante al costrutto anziché evidenza sullo studente.

I costi di design e di carico di lavoro

Le fonti sono insolitamente candide nel dire che questo è costoso. Thapa e Lewis enunciano direttamente la cautela sull'equità: i compiti riflessivi e dialogici possono privilegiare gli studenti più sicuri nell'auto-articolazione accademica a meno che non siano inclusivamente progettati e sostenuti da scaffold, e il lavoro relazionale e intensivo di feedback intensifica la fatica emotiva e professionale degli educatori in contesti numerosi o con risorse limitate — una contraddizione con le aspettative istituzionali di scalabilità, standardizzazione e prestazione misurabile. Sharma aggiunge la versione interpretativa: richiedere un ragionamento documentato privilegia i studenti più disinvolti nel discorso riflessivo, e il giudizio come evidenza "resta relazionale e situato anziché meccanicamente verificabile".

I costi operativi sono dettagliati altrove. Boysen elenca nuova tecnologia, compiti e programmi rivisti, l'insegnare agli studenti abilità non familiari, e materiale aggiuntivo da raccogliere e correggere, avverte che il credito a bassa posta in gioco per il processo può gonfiare i voti, e concede che il modello si adatta molto meglio a grandi progetti di sviluppo di abilità che al lavoro quotidiano di acquisizione di conoscenze; nota inoltre che il tracciamento del processo è ciò che alcuni critici chiamano sorveglianza da IA. I partecipanti di Goldstein, Marae-Haj e Zidan hanno riferito che stabilire la documentazione di processo richiedeva lavoro reale, che nove di tredici hanno pagato di tasca propria strumenti avanzati finanziati in un modo che potrebbe approfondire il divario digitale, e che diversi sono ripiegati su esami supervisionati e hanno anticipato difese orali di tesi. La preoccupazione per l'equità ha un taglio specifico dell'IA nel rinvenimento di Brunnström e Palmqvist che l'uso non guidato degli strumenti richiede un'abilità di gestione dell'interazione distribuita in modo irregolare, perciò l'IA "può essere più vantaggiosa per gli studenti già avvantaggiati" — lo stesso rischio distributivo che accompagna il chiedere agli studenti di gestire un processo documentato. Lopez-López, Bru-Cordero e Correa-Álvarez (2026) hanno trovato che gli studenti che investivano più tempo di studio indipendente giudicavano l'uso dell'IA più severamente, e raccomandano di verificare se i template di divulgazione, le difese orali e la valutazione basata sul processo riducano l'incertezza etica — uno studio di cui il campo ha ancora bisogno. Il rischio si attacca al meccanismo che fa funzionare l'evidenza di processo: dove collaborazione, revisione e riflessione vengono valutate, gli studenti hanno motivo di produrre evidenza corrispondente a ciò che si aspettano voglia chi corregge, perciò i registri di processo possono diventare performativi anziché probatori (Alam e Jackson (2026)).

Cosa resta irrisolto

Il resoconto di Thapa e Lewis è concettuale: nessun partecipante, nessuna raccolta dati e nessuna prova di implementazione, perciò i quattro principi sono argomentati anziché testati, e l'articolo stesso sollecita lavoro empirico sull'esperienza dello studente, il carico di lavoro degli educatori e la vitalità a lungo termine. La fattibilità resta indifferenziata attraverso i contesti — il trasferimento a grandi lezioni, laboratori, studi o tirocini clinici non è affrontato. Il position paper di Lane (2026) nota il soffitto istituzionale: la valutazione basata sul processo è smussata da strutture di votazione e di trascrizione che premiano i manufatti finali rifiniti, perciò la sola riprogettazione in classe non cambia l'incentivo. Anche la misurazione è sottile: la revisione di Jin e colleghi (2026) degli strumenti di alfabetizzazione sull'IA sollecita valutazione basata sulle prestazioni e orientata al processo e misurazione a tracce comportamentali del prompting e della verifica, ma riferisce che gli strumenti esistenti si appoggiano sull'auto-riferimento. Nessuna fonte qui riporta uno studio controllato di una riprogettazione orientata al processo rispetto a una orientata al prodotto, il che lascia l'affermazione centrale — che l'evidenza di processo è sia più difficile da contraffare sia più equa da giudicare — argomentata dal principio, dal resoconto dei praticanti e dall'evidenza dei fascicoli di caso anziché dimostrata su larga scala.

Concetti collegati

• Pattern pedagogici — Staged checkpoints and process evidence as sequenced designs
• Valutazione
• Valutazione autentica
• Rilevamento dell'IA
• Validità della valutazione
• Giudizio valutativo
• Valutazione formativa
• Valutazione sommativa
• Feedback
• Autovalutazione
• Valutazione orale
• E-portfolio (portafoglio elettronico)
• Dichiarazioni sull'uso e la divulgazione dell'IA
• Apprendimento autoregolato
• Integrità accademica
• Equità

Articoli collegati

• Process-Oriented Collaborative Essays: Empowering Undergraduate Students Through Assessment Redesign in the Age of Generative AI — A graded, collaboratively written process essay in a first-year degree apprenticeship: iteration and collaboration in the rubric, GenAI permitted within stated boundaries (Alam & Jackson 2026)

• Distinguishing performance gains from learning when using generative AI — performance is not learning: a research agenda built on process measures (Yan et al. 2026)

• Human-centered AI for teacher educators: Designing professional learning for critical AI literacy — teacher educators asking for AI-resistant, process-based tasks built on justification and reflection (Baran et al. 2026)

• Educational integrity in GenAI-augmented assessment: making judgment visible — annotated decision trails, oral defense, and draft differences selected for visible judgment

• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — what misconduct case files contain, and the process evidence they lack

• Which inference is at risk? Assessment validity reasoning and generative AI — which inference is at risk when assessment evidence is substituted

• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — authenticity must be redesigned, not policed

• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — authentic products and the processes that produced them

• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — the oral exam as an AI-resistant format that makes reasoning live

• Preserving epistemic authenticity: process-oriented assessment in the age of generative AI — epistemic authenticity and the four design commitments behind process-oriented assessment (Thapa & Lewis 2026)

• Mapping the Distribution and Depth of Metacognitive Processes in Generative AI-Assisted Learning: Evidence from Interaction Logs and Concurrent Think-Aloud Protocols — Channel-conditional process evidence: logs and think-aloud reveal different processes

• DraftTrace: A Multi-View Analytics Environment for AI-Integrated Writing — DraftTrace: A Multi-View Analytics Environment for AI-Integrated Writing

• Same Performance, Different Process: Epistemic Ownership in AI-Mediated Education — Same Performance, Different Process: Epistemic Ownership in AI-Mediated Education

• STEPwise: Supporting Teachers in Diagnosing Students' Mathematical Problem-Solving Skills through LLM-Generated Questions — STEPwise: Supporting Teachers in Diagnosing Students' Mathematical Problem-Solving Skills through LLM-Generated Questions