Как спроектировать и вести асинхронные онлайн-курсы, если работу может выполнить ИИ?

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Вы уже сделали открытие, которое порождает этот вопрос. Где-то в вашем асинхронном курсе есть задание, черновик которого теперь бесплатен — сообщение в дискуссии, рефлексивное эссе, разбор кейса, набор задач, — а работа, которая приходит, беглая, по теме и ничего не говорит о том, что на самом деле умеет студент. Вас нет в комнате, чтобы увидеть, как происходит мышление, и артефакт, который раньше служил его заменителем, больше не служит.

Это была та версия проблемы, в которой студент решает в два часа ночи позволить модели написать сообщение. Более трудная версия уже здесь. В трех демонстрациях на живом бакалаврском курсе по психологии автономные агенты входили в систему управления обучением, читали материалы курса и выполняли непрокторируемые оцениваемые работы без участия студента: два теста были завершены примерно за 12 минут и менее чем за 5 минут, оба с результатом 10/10, и сообщение в дискуссии, в котором агент собрал сообщения сокурсников, а затем сфабриковал правдоподобную историю жизни от первого лица, чтобы ответить на них. Более широкая выборка, которую собирают авторы, охватывает по меньшей мере 15 документированных запусков агентов в Canvas, Moodle и Brightspace с использованием семи инструментов агентов. Их аргумент состоит в том, что это проблема Валидность оценивания, а не только integrity: выполнение работы агентом устраняет допущение о том, что представленная работа была произведена тем человеком, чье обучение оценивается (Hadjisolomou and El-Haddad, 2026).

Главный вывод: у асинхронного курса нет ни присутствия, ни видимости процесса, на которые можно опереться, поэтому дизайн должен их создавать. Отодвиньте свидетельства обучения от готового продукта, сохраните одно измерение, которое студент должен выполнить без посторонней помощи, поставьте под ограничения любой ИИ, который вы предоставляете, и выстраивайте семестр осознанно — саморегуляцию именно то, что форматы саморегулируемого обучения тихо предполагают и редко обучают. Проще говоря: перестаньте проектировать курс исходя из допущения, что создание артефакта демонстрирует обучение. Это не аргумент за запрет ИИ или за то, чтобы делать задания неуязвимыми для ИИ, а аргумент за проектирование курса таким образом, чтобы создания артефакта ИИ было недостаточно для достижения учебного результата.

Краткая версия

• Сделайте мышление результатом работы. Черновики по стадиям, журналы решений и самообъяснение труднее передать на аутсорс, чем финальный артефакт, и они показывают вам рассуждение, которое вы иначе не видите.
• Сохраните одно измерение без посторонней помощи в оцениваниях, которые сертифицируют компетентность. Данные о населении показывают, что эффект доступа к ИИ на удержание исчезает при прокторинге, что говорит о том, что сокращенный путь находится вне платформы и зависит от условий, которые вы задаете.
• Используйте asynchronous oral assessments там, где ставки это оправдывают, — промпты «точно в срок», записи с ограничением по времени без возможности пересмотра, встроенные рубрики, автоматически формируемые стенограммы.
• Поставьте предоставляемый вами ИИ под ограничения. Обучение подсказками вместо ответов устранило потери на экзамене, которые дал неограниченный доступ в рандомизированном испытании; предоставление модели без ограничений — это тот вариант, который вредит обучению.
• Встраивайте поддержку внутрь курса, а не давайте ссылку на универсального чат-бота. Встроенный помощник Открытого университета удвоил время на задание в своем испытании; опыт того же учреждения с внешним, не связанным чат-ботом пошел в противоположную сторону.
• Выстраивайте семестр намеренно. Сигналы раннего предупреждения существуют за 7–8 дней до дедлайнов модулей, а саморегуляция и благополучие снижаются в течение семестра в такт группировке оцениваний, — поэтому распределение дедлайнов является проектно-учебным решением с измеримыми последствиями, а не деталью расписания.
• Модерируйте дискуссии сдержанно и выстраивайте их последовательность осознанно. Модераторы на базе LLM заметно охотнее вмешиваются, чем модераторы-люди, а инструменты суммаризации, которые действительно помогают студентам ориентироваться в большом форуме, сами по себе не предотвращают спад участия. Просите заявленную позицию, вызов и документированное переосмысление, а не количество сообщений.
• Сначала фиксируйте позицию, потом обращайтесь к ИИ. Пусть студенты сначала сформулируют собственную позицию, прогноз, план или решение, а затем обращаются к модели для критики; мышление, которому нужно научиться, должно происходить до того, как открыт инструмент.
• Сопоставьте уязвимому заданию двойника. Оставьте домашний анализ и добавьте тесно запланированное второе задание, которое оценивает тот же результат способом, который первое не может делегировать.
• Дайте ИИ заявленную роль и умейте закончить фразу: задача ИИ здесь — X, задача студента — Y. Если Y тощее, деятельность не готова.

Определите, что на самом деле измеряет оценивание

Причина, по которой асинхронный курс более уязвим, чем очный, не в том, что студенты там менее честны. В том, что свидетельством обучения в курсе является представленная работа, а теперь ее дешево произвести. Два фрагмента причинно-следственных данных показывают, чего это стоит.

В рандомизированном испытании примерно с 1 000 старшеклассников, изучающих математику, неограниченная помощь ИИ повысила результаты практики на 48%, снизив при этом результаты непомогаемого закрытого экзамена на 17% — студенты, у которых доступа никогда не было, обошли тех, у которых он был. Критическая деталь — это решение: guardrailed репетитор, дававший подсказки вместо ответов, устранил вред. Проблема никогда не была в присутствии модели; она была в отсутствии ограничения на то, что модель будет делать.

Данные о поведении в масштабе населения указывают в том же направлении. По 3,2 миллионам взаимодействий в ALEKS время изучения уязвимых к ИИ задач упало на 26,9% после публичного релиза ChatGPT, с снижением на 25% шансов правильного ответа на прокторируемые задания на удержание — эффект, который исчезал, как только прокторинг был введен. Это исчезновение — важная часть для проектирования курса: оно локализует сокращенный путь вне платформы и показывает, что вред является свойством задаваемых вами условий, а не характера обучающегося.

Есть также более тонкий сбой, от которого нужно защищать дизайн. Metacognitively discordant completion называет состояние, в котором представляется правильная, полная работа, при этом лично зная, что понимание так и не пришло. В аудитории вы могли бы уловить это в колебании студента; в асинхронном курсе представленная работа — ваш единственный канал, и правильная представленная работа читается как успех. Поэтому дизайн Оценивание — это первый рычаг, а не последнее средство.

Определите, что считать свидетельством, когда нет комнаты, в которую можно зайти

Если готовый продукт больше не доказывает мышление, свидетельство должно исходить из процесса или из условия, которое студент не может делегировать.

Артефакты, раскрывающие процесс, — самое дешевое изменение, и оно работает в масштабе: представления по стадиям с обязательным промежуточным журналом решений, самообъяснение в один абзац, приложенное к каждому ответу, аннотация источника, план, пересмотренный после обратной связи. Они фиксируют the reasoning, а не его остаток, и стоят преподавателю сравнительно мало усилий при просмотре.

Асинхронное устное оценивание — самый сильный вариант, когда компетентность должна быть сертифицирована. Pentland, Lowenthal and Krier (2026) оценивали веб-оценивания, в которых промпты выдаются точно в срок, студенты записывают краткие ответы с веб-камеры с ограничением по времени, к которым нельзя вернуться, а преподаватели оценивают по встроенным рубрикам, пока стенограммы формируются автоматически. В двух исследованиях — пилотном курсе по бухгалтерскому учету промежуточного уровня и курсе по анализу данных — студенты набрали больше баллов на этих оцениваниях, чем на очных экзаменах с множественным выбором (значимо во втором исследовании, положительная, но незначимая тенденция в первом), при умеренных кросс-форматных корреляциях, поддерживающих сходимость validity. Студенты сообщали, что готовились иначе, используя больше стратегий active изучения, и рассматривая формат как профессионально значимый. Он отвечает на асинхронную проблему напрямую: мышление исполняется вживую, в выбранное студентом время и месте, при административных издержках, которые не масштабируются с размером когорты.

Одно измерение без посторонней помощи принадлежит любому курсу, чья оценка сертифицирует знание. Результат ALEKS выше — аргумент: когда прокторинг был введен, разрыв в удержании исчез. Замкните круг, объяснив студентам, почему это условие существует — рассуждение принадлежит вашей работе по writing a course AI policy.

Определите последовательность, а не только артефакт

Как только готовый продукт становится ненадежным свидетельством, порядок, в котором происходит работа, становится частью дизайна оценивания.

Brcic and Frljic (2026) делают размещение центральным аргументом: «разрешить-или-запретить» — ложная дихотомия, а проектно-учебный вопрос, который имеет значение, — это где находится инструмент. Причинно-следственные данные, которые они собирают, показывают, что результат переворачивается только от размещения — тот же неограниченный помощник, который оставил старшеклассников примерно на 17% хуже на непомогаемом экзамене, не нанес вреда после того, как был перестроен, чтобы скрывать ответы, в то время как хорошо спроектированный tutor примерно удвоил обучение. Их рамка из шести шагов для размещения инструмента (prime, probe, point, attach, strengthen, test) — одно пригодное меню, а их однострочная диагностика — та, которую стоит сохранить: если впускание ИИ делает задание ощутимо легким, он находится не там. Плохо размещенная помощь не просто не помогает; она оставляет иллюзию обучения, которая разрушается на непомогаемом задании, — состояние, которое называет metacognitively discordant completion для представленной работы, которая правильна и не понята.

Для асинхронного курса это переводится в последовательность, которую можно вписать в само задание:

Думать → Зафиксировать → Использовать ИИ → Критиковать → Пересмотреть → Объяснить.

Студенты пытаются выполнить интеллектуальную работу и фиксируют исходную интерпретацию, прогноз, план или решение. Только затем входит модель — для обратной связи, альтернатив, контраргументов или критики. Затем студенты оценивают то, что она произвела, пересматривают работу и объясняют, что изменилось и почему. Шаг фиксации — это то, что делает остальное оцениваемым: незафиксировавшийся студент не имеет ничего для пересмотра, а артефакт, написанный моделью с нуля, не имеет истории пересмотра вовсе.

Одно предостережение о перекорректировке: сбор каждого промпта и принудительное документирование каждого нажатия клавиши производит нагрузку без свидетельства. Просите значимые точки принятия решений вместо этого — какие свидетельства были выбраны, какая альтернатива отвергнута, что изменилось после критики, — и то рассуждение, которое вы действительно будете читать.

Сопоставьте уязвимому заданию двойника

Другой структурный вариант — перестать выбирать между педагогически ценным заданием и защищаемым. Roe, Perkins and Giray (2026) предлагают двойников оценивания: сопоставить уязвимому к ИИ заданию — домашнему эссе или анализу — второе, менее уязвимое задание, которое оценивает те же результаты, запланированное достаточно тесно для перекрестной проверки, и оцениваемое взаимозависимо. Их отображение проходит через шесть направлений свидетельств валидности Мессика, а процесс проектирования имеет три шага: определить уязвимости, согласовать результаты и выбрать двойника, затем разработать оценивание, связывающее оба. Домашний анализ сохраняет свою ценность для расширенного исследования; его двойником может быть краткая вариация кейса, объяснение одного ключевого решения или краткая устная или мультимедийная защита.

Сопутствующий вопрос — это владение, а не авторство. Ebrahimzadeh, Shibani and Buckingham Shum утверждают, что соавторство с генеративным ИИ подрывает несколько форм свидетельств валидности, и предлагают целостность соавторства как источник свидетельств валидности сам по себе — нарушаемый, когда студент представляет контент, сгенерированный ИИ, который он не понимает. Чтобы проверять владение в масштабе, а не инспекцией, они сообщают о работе над AI Viva: разговорным агентом, который ведет гибридное устное собеседование, задавая вопросы на понимание управляемого типа и сложности, валидированные глубоко экспертными педагогами и специалистами по оцениванию. Это стоит взвесить против прокторинга всего: устная защита собственного рассуждения масштабируется так, как контроль за помещением не масштабируется, и производит свидетельство о понимании, а не о том, кто был в помещении.

Определите, что ИИ внутри вашего курса может делать

Сравнение, которое имеет значение, — не ИИ против отсутствия ИИ. Это встроенный, ограниченный ИИ против неприкрепленного чат-бота, и они дают разные результаты.

Open University's AIDA assistant — наиболее документированный случай встраивания: шесть итеративных исследований на основе проектирования за 18 месяцев с 498 студентами и 20 сотрудниками в учреждении, обслуживающем более 200 000 обучающихся в более чем 50 странах. В исследовательском рандомизированном испытании студенты, использовавшие AIDA, проводили вдвое больше времени и посещали больше страниц в своем курсе, чем контрольная группа, и 96% хотели, чтобы помощник был доступен в их формальном обучении. Созданное под задачу и встроенное в среду побеждает универсальное и внешнее.

Lock, Arteaga and Johnson's (2025) review — 63 цитаты по 32 странам — добавляет социальное условие к проектному условию: студенты, использовавшие ChatGPT наряду с обучением у преподавателя, воспринимали больший Прирост в обучении, чем те, кто использовал его в одиночку. Помощник дополняет преподавателя, или он заменяет отношения, и только один из этих вариантов является дизайном курса.

Два предостережения стоит воспринять серьезно. Неудача KhanMigo не была технической: обучающиеся просто не взаимодействовали с чат-ботом, а свидетельства прироста были ограничены, что указывает на organizational readiness и педагогическое соответствие, а не на качество модели. И сторона преподавателя автоматически не готова: в сравнении подготовки учителей в Южной Африке самооцененный TPACK для преподавания естественных наук с интеграцией ИИ был 64,0% в университете с очным обучением против 47,4% в дистанционном университете, причем педагогическое знание было слабейшей областью в обоих (Онлайн-преподавание и онлайн-обучение). Развертывание помощника в асинхронном курсе не обучает людей, которые должны оценивать его вывод.

Определите, как на самом деле модерируется асинхронная дискуссия

Форумы дискуссий — это место, где асинхронные курсы либо строят community, либо тихо становятся ящиками для представления работ. Два вывода должны сформировать то, что вы там автоматизируете.

Во-первых, время — трудная часть, а не определение темы. Tsirmpas and colleagues построили корпус PEFK для сравнения наборов данных о моделировании, а затем провели первое исследование времени моделирования с экспертными модерирующими-людьми и судьями-LLM. Люди были осторожнее в отношении вмешательства; LLM были чрезмерно охотными. И те, и другие были более уверены, судя о том, что моделирование не требуется, чем когда судили, что оно требуется. Обученные модели классификаторов превзошли конфигурации с LLM, и даже тогда существующие наборы данных ограничивали результат. Практическое прочтение: не передавайте автономное моделирование агенту, и если используете ИИ в дискуссии вообще, настройте его молчать по умолчанию.

Во-вторых, ИИ помогает студентам ориентироваться на форуме, не заставляя их участвовать. С 128 студентами университета в трех итерациях Hao and Cukurova (2026) нашли, что сгенерированные ИИ резюме дискуссий расширяли экспозицию вкладов сокурсников и укрепляли сетевую связанность — слабые связи, которые теория социального капитала называет мостовыми, — снижая усилие поиска значимых сообщений. Они не остановили снижение активности просмотра на протяжении курса. Суммаризация — это навигационный scaffold, а не замена генерации участия.

Структура, которая это смягчает, — это последовательность, а не ветка обсуждения: Позиция → Вызов → Переосмысление. Студенты фиксируют интерпретацию, основанную на материале курса, затем встречают другую перспективу, контрпример или критику, затем объясняют, сдвинулось ли их рассуждение и как. Вы оцениваете движение между идеями, а не количество сообщений — и представленное сообщение плюс два ответа больше это не демонстрируют, поскольку третья демонстрация выше имеет агента, собирающего сообщения сокурсника и выдающего себя за историю жизни однокурсника.

Поскольку то, что агент имитирует, — это поверхностное поведение, собственный вклад преподавателя становится дефицитным ресурсом. Механический ответ на десятки отдельных сообщений — наименее ценная форма присутствия преподавания; синтез по дискуссии — наибольшая — три допущения продолжают появляться в ваших анализах; некоторые из вас читают эти свидетельства иначе; этот аргумент убедителен, пока мы не вводим этот контрпример. Это orchestration, а не производство сообщений, и это та часть, которую ни один агент в этой литературе не выполняет.

Вопрос рамок под обоими — это подотчетность. Ba, Gašević, Lim and Anderson (2026) утверждают, что генеративный ИИ подрывает допущение Сообщество исследования о том, что индикаторы присутствия вообще могут быть приписаны людям: они рассматривают GenAI как эпистемическое условие, а присутствия как социотехнические достижения, чья связь с качеством исследования зависит от того, где находится человеческая подотчетность. Проектное следствие для асинхронного курса конкретно — определить и заявить, кто за что отвечает в каждом обмене, а не допускать, что присутствие возникает потому, что форум существует.

Определите, как студенты успевают поддерживать темп без комнаты, в которую можно зайти

Форматы саморегулируемого темпа предполагают self-regulation и редко ее обучают. Данные о том, какие виды поведения действительно коррелируют с удержанием задачи, необычно практичны.

Обследуя 530 студентов колледжа с помощью добычи ассоциативных правил и кластеризации, Shi et al. (2026) нашли, что виды поведения саморегулируемого обучения — постановка целей, структурирование среды и управление временем — встречались наиболее последовательно при низкой цифровой отвлекаемости, наряду с вовлеченностью «обучающийся–преподаватель» и «обучающийся–контент» engagement и технической компетентностью. Примечательно, что опора на обращение за помощью к сокурсникам и вовлеченность «обучающийся–обучающийся» появлялись реже в профилях с низкой отвлекаемостью. Структурируйте среду и расписание, прежде чем проектировать еще одну групповую деятельность.

Саморегуляция также не является фиксированной чертой, которую можно предполагать или отрицать. На протяжении полного семестра с 75 студентами первого курса Song et al. (2026) нашли SRL функционирующим и как стабильная способность, и как колеблющееся состояние: индивидуальные базовые линии удерживались стабильно, в то время как метакогнитивное знание и Благополучие снижались системно в течение семестра, движимые требованиями учебного плана, такими как основные дедлайны оцениваний. Группировка дедлайнов может быть эффективным административным выбором, и она также является измеримым налогом на регуляцию, от которой зависит формат.

Окно вмешательства познаваемо. Zhang, Jeffries and Koprinska (2025) показали, что интерпретируемое машинное обучение на журналах взаимодействия с контентом предсказывает прогресс на уровне модулей и отмечает исходы отсева за 7–8 дней до дедлайнов модулей в крупномасштабных онлайн-курсах по программированию. Этого достаточно, чтобы отправить конкретное напоминание конкретному студенту, и это лучше, чем обнаружить неудачу в момент оценивания. Для adult и дистанционных обучающихся руководства по проектированию AI-ALOE добавляют наиболее важное ограничение: мобильный доступ, автономная возможность и подлинная асинхронная доступность, поскольку эти обучающиеся учатся фрагментами времени между другими обязанностями.

Что ИИ может снять с ваших плеч как с проектировщика

У двух применений есть разумные свидетельства, и оба нацелены на нагрузку преподавателя, а не на мышление обучающегося.

Затраты на производство. MAIC переформулирует трансляцию MOOC «одно видео на N студентов» как «N агентов на одного студента», используя специализированных агентов преподавателя, помощника, сокурсника и анализатора на общем фундаменте моделей. Его авторы сообщают о сокращении производства курса примерно с $25 000 и 60 часов на MOOC до менее $2 и 30 минут, пилотировано в Tsinghua на двух курсах с более 100 000 учебных записей от более чем 500 студентов, и выпущено как OpenMAIC с открытым исходным кодом. Персонализированные медиа — та же идея на уровне ассета: в крупном онлайн-курсе Tomlinson et al. (2026) нашли, что студенты предпочитали персонализированные видео, сгенерированные ИИ, неперсонализированным записям человека, причем эффект персонализации перевешивал ценность, придаваемую человеку-ведущему.

Навигация по форуму. Описанный выше скаффолдинг суммаризации снизил стоимость поиска хороших вкладов, не возложив на преподавателей задачу суммаризации.

Чего не автоматизировать. Решение о том, является ли написание собственным мышлением студента, суждение о том, нуждается ли дискуссия во вмешательстве, и калибровка сложности — это задачи, которые, по свидетельствам, либо ненадежны, либо сопряжены с ответственностью. Сгенерированный материал также нуждается в педагогическом ревью до того, как он будет нести зачет — дешевое производство — не то же самое, что здоровый дизайн.

Дайте ИИ заявленную роль, затем проверьте, что роль осталась у студента

«Студенты могут использовать ИИ» — слишком широкое описание, чтобы проектировать против него. Наименование роли — это то, что делает деятельность проектируемой, и роли несут последствия для присутствия: исследование генеративного ИИ в образовании по маркетингу различает репетитора, товарища по команде и инструмент, показывает, что каждый по-разному влияет на присутствие преподавания, социальное и когнитивное присутствие, и перечисляет привычные этические экспозиции — приватность данных, плагиат, зависимость и справедливость оценивания (GenAI in Marketing Education). Одна и та же модель может быть сократическим спрашивающим до задания, критиком после первого черновика, смоделированной заинтересованной стороной во время разбора кейса, оппонентом, чей аргумент должен быть опровергнут, репетитором, дающим подсказки, во время практики, или редактором, привлеченным только после того, как существует предметное рассуждение. Это разные деятельности, и их смешение — это то, как «ИИ разрешен» тихо приходит к значению «ничего не было спроектировано».

Скаффолдинг дает проверку: поддержка должна помогать обучающимся делать то, что они еще не могут делать в одиночку, и должна сниматься по мере развития компетентности. Модель, которая продолжает поставлять полные решения, — не скаффолдинг; она делает задание. Поэтому для каждой деятельности с ИИ проектировщик должен быть способен завершить это предложение без колебаний:

Задача ИИ здесь — \\\\\\\, в то время как задача студента — \\\\\\\\_ .

Если второй пробел содержит мало значимого мышления, деятельность нуждается в перепроектировании, а не в более строгой политике.

Учите оцениванию, а не только эксплуатации

ИИ-грамотность — это не способность управлять чат-ботом; она включает критическую оценку, metacognitive суждение и знание о том, когда не использовать инструмент вовсе, — и база знаний последовательна в том, что самооцененная уверенность — плохая замена продемонстрированной компетентности. Это указывает на изменение, которое любой асинхронный курс может принять немедленно: иногда сами давайте студентам вывод ИИ. Отдайте два конкурирующих ответа и спросите, какой сильнее и почему. Спросите о самом слабом утверждении, отсутствующем допущении, непроверяемом источнике, правдоподобном объяснении, которое тем не менее неверно. Спросите, какие свидетельства изменили бы их мнение.

В такой рамке оцениваемая способность — это уже не только может ли этот студент произвести ответ?, а может ли этот студент распознать, заслуживает ли ответ доверия? — что ближе к тому, что на самом деле требует дисциплина, и что гораздо труднее делегировать. verification practices и материал об ИИ-грамотности — это там, где живет техника; что имеет значение здесь, так это помещение оценивания внутрь оцениваемой задачи вместо того, чтобы оставлять его советом.

Возражения, которые вы услышите

«Это взрослые, которые выбрали асинхронный курс. Если они позволяют ИИ написать это, это их решение.» Аргумент выбора устоял бы, если бы курс не сертифицировал ничего. Но он сертифицирует. Свидетельства ALEKS показывают, что сокращенный путь производит видимость компетентности, которая не выдерживает прокторируемой проверки, и издержки ложатся на студента позже — в следующем курсе, на лицензионном экзамене или на работе. Есть также край справедливости: обучающиеся, наиболее склонные переложить работу на ИИ, часто те, у кого меньше всего времени, что и есть та группа, ради которой асинхронный курс существует.

«Ответ — обнаружение.» Обнаружение оспаривается, и результат прокторинга выше показывает, почему дизайн побеждает над полицейской работой: вред исчез, когда изменились условия, а не когда усилилось полицейское давление. Обнаруение также несет издержки ложных срабатываний и превращает преподавание в гонку вооружений. Перепроектируйте задание и сохраните одно измерение без посторонней помощи вместо этого — см. Как я могу снизить списывание с ИИ в своём курсе? и Как переработать оценивание так, чтобы оценка по-прежнему говорила мне нечто защитимое о том, что студент знает или умеет?.

«Присутствие преподавания невозможно на расстоянии, поэтому асинхронный формат изначально хуже.» Присутствие в асинхронном курсе спроектировано, а не подразумевается, и реконцептуализация CoI выше говорит, что его индикаторы — социотехнические достижения в эпоху GenAI. Испытание AIDA — полезный контрпример: встроенная генеративная поддержка удвоила время на задание в курсе вообще без синхронных встреч.

«Прокторинг — это слежение, и я не буду его навязывать.» Защищаемая позиция, и она не оставляет вас без вариантов. Артефакты, раскрывающие процесс, асинхронное устное оценивание, самообъяснение и описанный выше AI Viva — все фиксируют рассуждение, не наблюдая ни за чьим помещением. Если вы используете прокторируемое условие, скажите об этом в силлабусе, объясните рассуждение и ограничьте его оцениваниями, которые сертифицируют компетентность.

«Тогда сделайте все синхронным и прокторируемым.» Многие студенты выбирают асинхронное обучение именно потому, что у них есть занятость, обязанности по уходу, инвалидность или географические ограничения, делающие синхронное посещение трудным, а обнаружение несет собственные издержки справедливости: инструменты, отмечающие авторов, для которых язык не родной, непропорционально производят ложные срабатывания, наказывающие честную работу (Обнаружение ИИ). Соразмерная альтернатива — небольшое число моментов верификации внутри иначе гибкого курса: краткое записанное объяснение, персонализированное применение, ответ на вопрос, выбранный преподавателем, аннотированный след решений, низкоставочная индивидуальная проверка. Верификация должна повышать валидность ваших свидетельств, не убирая гибкость, которая сделала формат достойным предложения.

Чего не разрешают свидетельства

systematic review of AI in distance education (56 статей, 2020–2025) охватывает персонализацию (24 исследования), оценивание и обратную связь (19), взаимодействие человек–ИИ (17) и управление и справедливость, и заключает, что база краткосрочна и кросс-секционна, с малым объемом лонгитюдной работы. review of AI and student engagement in online learning (24 исследования) ограничен одной базой данных, рассматривает только вовлеченность и явно смешивает синхронные с асинхронными контекстами, — поэтому его выводы не следует читать как специфичные для асинхронного формата. Асинхронное устное оценивание опирается на два исследования на двух курсах. MAIC — пилот. Наборы данных о времени моделирования ограничивают результат даже с обученными классификаторами. И ни одно исследование здесь не прослеживает асинхронную когорту достаточно долго, чтобы показать, производит ли перепроектированное оценивание прочное обучение, а не просто лучшие свидетельства о нем. Относитесь ко всему этому как к достаточно сильному, чтобы изменить ваш следующий курс, и слишком тонкому, чтобы оправдать утверждение о политике.

Сделайте на этой неделе

За десять минут: выберите ваше оценивание с наибольшими ставками и добавьте одно условие, которое студент выполняет без посторонней помощи. Скажите им, почему оно существует.

Прежде чем выйдет следующее задание: возьмите задание, которое ИИ теперь выполняет целиком, и перепишите его так, чтобы артефактом был процесс — журнал решений, черновик по стадиям, самообъяснение, сравнение двух попыток. Если задание может быть закончено безо всякого такого рассуждения, рассуждение никогда не требовалось.

В этом семестре: превратите одно крупное оценивание в асинхронную устную защиту со встроенными рубриками; задайте разрешения ИИ по каждому заданию в силлабусе и разместите их там, где студенты действительно будут читать; распределите крупные дедлайны вместо их группировки; и откройте окно за 7–8 дней до дедлайна, в котором вы связываетесь со студентами, чьи данные о взаимодействии замолкли.

Пропустите три вопроса через ваше слабейшее задание. (1) Может ли система ИИ завершить эту деятельность, не понимая студент материала? (2) Какая когнитивная деятельность должна производить обучение здесь? (3) Какие свидетельства покажут, что студент действительно выполнил эту деятельность? Если ответ на первый вопрос — да, а на два других трудно ответить, проблема в дизайне обучения, а не в политике в отношении ИИ, — и никакая формулировка политики это не исправит.

Цель — не курс, в котором ИИ не может участвовать. Это курс, в котором ИИ может участвовать, не вытесняя обучение, ради производства которого курс существует.

Куда идти дальше: правила уровня курса принадлежат Как написать политику использования ИИ в курсе и донести её до студентов?; перестройка оценивания покрыта в Как переработать оценивание так, чтобы оценка по-прежнему говорила мне нечто защитимое о том, что студент знает или умеет?; лежащая под ней проблема опоры на ИИ — в Как не допустить чрезмерной опоры студентов на ИИ?; нагрузки преподавателей и то, что ИИ реалистично снимает, — в Как ИИ может сэкономить мне время как преподавателю?; и взгляд уровня дизайна на встраивание ИИ в учебный опыт — в Как следует встраивать ИИ в учебный опыт?.