AIEd Hifadhi ya MaarifaAIEd KB
Kwenye ukurasa huu

Soma ukurasa huu kwa Kiingereza

Madhana

Uhalali wa Tathmini

Imeundwa 2026-10-13

Tafsiri ya kiotomatiki ya ukurasa huu wa Kiingereza, ambayo haijakaguliwa na mzungumzaji mzawa.

Uhalali wa tathmini — iwapo tathmini zinapima kile zinachodai kupima. AI katika Elimu inazua maswali ya msingi ya uhalali: je, tathmini zilizopangwa na AI zinapima ujuzi wa mwanafunzi au ujuzi wa kutoa ilani kwa AI? Je, matumizi ya AI hubatilisha dhana za msingi za tathmini za kawaida?

Maswali ya Kufikiri

  • Uhalali huuliza iwapo tathmini inapima kile inachodai kupima. Kabla ya kusoma, kama ungemwona mwanafunzi akituma insha iliyopangwa vizuri ambayo unashuku ilisaidiwa na AI, je, ungeona tatizo kubwa ni wizi, au kwamba kazi hiyo haikupima tena ulichodhaniwa inapima?
  • Ukurasa huu unauliza swali zito: wanafunzi wanapotumia AI, je, alama inaakisi maarifa ya mwanafunzi au ujuzi wa kutoa ilani kwa AI? Unaweza kufikiria tathmini uliyoibuni au uliyofanya ambapo alama inaweza sasa kukuambia zaidi kuhusu zana kuliko kuhusu mwenye kujifunza?
  • Usoo mmoja muhimu ni kwamba ingizo lile lile la mwanafunzi linaweza kupokea majibu tofauti kimaanisha kulingana na LLM iliyotumika — hali inayoingiza tofauti isiyohusiana na dhana (construct-irrelevant variance) inayohatarisha uwaminifu na usawa. Kama wanafunzi wawili wanapata msaada tofauti wa AI kwa sababu ya mfano pekee nyuma yake, kulinganisha kutokuwaje ni kwa haki?
  • Ukurasa huu unadai kwamba hata LLM inapopata alama nzuri, kuhamisha tafsiri za binadamu za alama kunahitaji kufanana katika muundo wa dhana wa majibu — na LLM zinatofautiana na binadamu hapa. Hii inapendekeza nini kuhusu kumwamini AI inayofaulu mtihani uliotengenezwa kwa binadamu?
  • Badala ya kujaribu kugundua matumizi ya AI, hifadhi hii ya maarifa inapendekeza kubuni upya tathmini ili zibaki halali kwa wanafunzi wenye uwezo wa AI. Kwa nini kubuni upya kazi kunaweza kuwa mkakati unaohifadhi uhalali zaidi kuliko kudhibiti iwapo AI ilitumika?
  • AI sasa inatumika kama mwenye kufanya mtihani, mtengenezaji wa mitihani, mpangaji alama, na mchanganuzi — hivyo kuifanya mlolongo wa tafsiri uwe usio na uwazi. Wakati kila jukumu katika tathmini limejazwa na AI, inamaanisha nini hata kusema tathmini ni halali kwa mwanafunzi wa binadamu aliye katikati yake?

Utangulizi

Changamoto za uhalali

  • Uhalali wa dhana: Wanafunzi wanapotumia AI katika tathmini, je, alama inaakisi maarifa ya mwanafunzi au uwezo wa AI? Utendaji dhidi ya ujuzi utafiti unashughulikia swali hili moja kwa moja.

  • Tofauti isiyohusiana na dhana katika tathmini ya mazungumzo, kati ya LLM mbalimbali: Hao (2026) anaonyesha kuwa hata kwa zamu moja ya mazungumzo, maudhui ya kimaanisha ya majibu yanayozalishwa na Mifano Mikubwa ya Lugha (LLM) yanatofautiana kati ya mifano na hali za muktadha wa mazungumzo. Kufanana ndani ya mfano huzidi kufanana kati ya mifano kila wakati (0.715–0.795 dhidi ya 0.443–0.604), na kuongeza historia ya gumzo hubadilisha maudhui ya majibu kwa kiasi chenye maana (kufanana kati ya historia kwa wastani ~0.40–0.45). Kwa sababu ingizo lile lile la mwanafunzi linaweza kupokea majibu tofauti kimaanisha kulingana na mfano unaotumika, kutoa ilani na muktadha peke yake hayawezi kuhifadhi uthabiti wa majibu — hali inayoingiza tofauti isiyohusiana na dhana inayowezekana inayohatarisha uhalali, uwaminifu, na usawa. Kudumisha hali za tathmini zinazothibitika kadiri LLM zinavyobadilika ni kwa hivyo changamoto ya miundombinu (kanuni za alama, violezo vya majibu, tabaka za uthibitishaji), si suala la Uhandisi wa Ilani (Prompt Engineering) peke yake.

  • Ushahidi uliopo ambao haufiki kwa mpangaji alama: Abreu, Stari na Martí (2026) wanataja tishio lisilohusiana na dhana linalotangulia hoja yoyote: katika ukaguzi wa AI wa ripoti za majaribio ya fizikia ya kitaalamu, mlinganyo, jedwali, grafu au kitengo kinaweza kujumuishwa kwa usahihi katika ripoti lakini kisitolewe kutoka maudhui yaliyosindikwa ambayo mfano hufanya kazi nayo, na kwa sababu ishara, thamani au kitengo kilichobadilika hubadilisha tafsiri ya fizikia, kutokubaliana na mkufunzi hakuhitaji kuonyesha kosa la hoja. Tiba yao ni ya utaratibu — PDF za ubora wa juu badala ya vijihalafu vilivyopigwa picha, mifumo iliyoandikwa katika kihariri cha mifumo, miamba na vitengo vinavyosomeka ndani ya michoro, na maagizo yanayohitaji chanzo halisi cha kila alama — kwa sababu ubora wa hati huweka kikomo cha juu kwa dai lolote la uhalali linaloungwa mkono na alama inayotokana.

  • Uhalali wa muundo wa dhana kati ya binadamu na LLM: Strugatski et al. (2026) wanaongeza hali ya kina ya uhalali: hata LLM inapopata alama nzuri, kuhamisha tafsiri za binadamu za alama kunahitaji kufanana katika muundo wa dhana wa majibu. Kwa kulinganisha LLM AI ya Modaliti Nyingi sita na makundi ya binadamu katika vyombo vya kemia na vya kiwango-hoja, wanagundua miundo ya vipengele ya LLM–binadamu ikitofautiana kila wakati (mlingano wa LLM–binadamu chini ya msingi wa LLM–binadamu), hivyo utendaji kwenye mtihani uliopangwa kwa binadamu ni ushahidi dhaifu kuhusu uwezo wa LLM katika dhana ambazo vipengele vilibuniwa kuzipima.

  • Uhalali wa matokeo: Je, tathmini zilizowasilishwa kupitia AI zina matokeo ya haki? Masudio ya upendeleo wa lugha yanaonyesha kuwa upangaji alama wa AI unaweza kuwadhuru wanaozungumza lugha zao za asili wasio wasemaji asili.

  • Lengo linalosogea katika upimaji wa lugha. Mitihani yenye matokeo makubwa kama TOEFL iBT, IELTS, PTE Academic na Duolingo English Test bado yanadai kusoma na kuandika kwa wakati bila msaada huku wanafunzi sasa wakitumia GenAI kwa kazi hizo katika maisha ya kitaaluma, hivyo hoja ya kupima nje — kutoka alama zisizo na msaada hadi utendaji halisi wa kitaaluma — ndiyo hatua inayoathirika zaidi (Gonulal (2026)).

  • Wigo wa kanuni yenyewe ni mali ya uhalali: Wright (2026) anadai kwamba marufuku yaliyoandikwa katika elimu ya juu tangu 2023 yanazuia AI inayozalisha bila usahihi wa kiufundi wa kutenganisha uzalishaji wa maudhui yanayotathminiwa na ubadilishaji wa umbizo, kwa kuwa utambuzi wa herufi za macho, utambuzi wa maandishi ya mikono, na ubadilishaji wa hotuba kuwa maandishi ni teknolojia za utambuzi zinazotabiri kile kilichopo tayari badala ya kuzalisha maudhui mapya. Ambapo kanuni inaambatana na utambulisho wa jukwaa badala ya kitendakazi, ni kubwa zaidi ya uhalali wake kwa bahati ya ufafanuzi: inakamata matumizi ya unakili-herufi ya zana yenye kazi nyingi na kuadhibu mwanafunzi ambaye hakufanya jambo ambalo kanuni ilibuniwa kuzuia, ikidhuru zaidi Wanafunzi wanaotegemea zana hizo kwa upatikanaji — hoja ambayo tathmini haiwezi kuitegemeza kuhusu dhana inayodai kupima. Anapendekeza uandishi unaotegemea kitendakazi pamoja na vigezo vinne vya uendeshaji (ujalizaji, kutokuboreshwa, uwezekano wa kufuatilia, uthibitisho) kwa hali za mpakani, na anachukulia utegemezi wa matokeo ya kigunduzi na heuristi za mtindo kama ushahidi wa jinsi msingi wa ushahidi wa kanuni yenyewe ulivyo dhaifu.

  • Ukamilishaji wa wakala unaondoa dhana ya uzalishaji wa binadamu: Hadjisolomou & El-Haddad (2026) wanapanua uchanganuzi wa uhalali kutoka msaada wa kizalishaji hadi ukamilishaji wa wakala: mawakala wa AI wenye uhuru sasa wanaweza kuingia katika LMS, kusoma nyenzo, na kukamilisha kazi za asynchronous zisizo na usimamizi kutoka mwanzo hadi mwisho (imeonyeshwa kwenye kozi halisi — jaribio lililopata alama 10/10 katika dakika chache ya 5, na tafakari ya bodi ya majadiliano iliyoundwa lakini inayoaminika). Kwa kuweka dhana ya uzalishaji wa binadamu msingi wa mlolongo wa hoja unaotegemea hoja wa Kane, wanaonyesha kuwa ukamilishaji wa wakala unaondoa kimya kimya msingi wa hoja ya upangaji alama ambayo hoja za ujumuishaji, ugawanyaji, na uamuzi zote zinategemea — hivyo kila alama ya asynchronous isiyo na usimamizi, ikijumuisha zile zilizopatikana kwa uaminifu, hupoteza msaada wake wa tafsiri kwa sababu ubunifu hauwezi kuthibitishwa. Hatua yao yenye nguvu ni kuainisha hii kama kushindwa kwa uhalali badala ya uadilifu: taasisi inaweza kuadhibu tabia isiyofaa na bado ikawa haina msingi wa alama inazoripoti. Kugundua ni kutosha kwa muundo (vibainishi visivyoaminika na vya upendeleo; ufuatiliaji wa LMS huona mbofyo zile zile mwanafunzi angezifanya), hivyo tiba ni kubuni upya tathmini kwa uwepo wa binadamu uliothibitishwa (sehemu fupi ya mdomo, rasimu zinazoonyesha mchakato, marejeleo mahususi ya vipindi vya darasa), pamoja na menyu ya chaguo inayohifadhi usawa badala ya amri ya usimamizi.

  • Tofauti isiyohusiana na dhana katika upangaji alama wa binadamu wa kazi zilizosaidiwa na GenAI: Luo na Dawson (2026) wanatoa onyesho la moja kwa moja la kiushahidi kuwa upangaji alama wa binadamu wa kazi zilizosaidiwa na GenAI umejaa tofauti isiyohusiana na dhana. Katika mahojiano yanayotegemea hali na walimu 33 wa chuo kikuu, maamuzi ya upangaji alama yaliendeshwa na thamani zinazoelekezwa kwa mtu (ujasiri wa mwanafunzi, bidii), thamani zinazoelekezwa kwa uwezo (uhuru kutoka AI, ujuzi wa GenAI, umahiri wa taaluma), thamani zinazoelekezwa kwa uhusiano (uaminifu uliojengwa na wanafunzi), na thamani zinazoelekezwa kwa haki (usawa, unufaika) — zote zinaweza kubadilisha alama kwa mambo yasiyohusiana na matokeo yanayotathminiwa. Kupunguza alama za kazi zilizosaidiwa na GenAI ni sahihi, wanadai, ikiwa na iwapo tu matumizi ya AI yalizuia wanafunzi kuonyesha matokeo yanayotathminiwa; vinginevyo upangaji alama unaoendeshwa na thamani unahatisha uhalali. Utafiti unaelekeza mfumo wa uhalali katika mazoezi halisi ya mwalimu na unaitia uwazi wa pande mbili — uwazi — walimu wakibainisha jinsi matumizi ya GenAI yataathiri alama, si wanafunzi kutangaza matumizi tu.

  • Tofauti kwa kiwango kinachohitaji uzalishaji wa variant zinazofanana na dhana: VARIA (Lee 2026) inaweka chini ya mtihani dhana ya tofauti kwa kiwango cha Tathmini Halisi Iliyounganishwa na AI (AIAA) — kubadilisha usimamizi wa ufuatiliaji na tofauti ya kazi kwa kila mwanafunzi — kwa ukaguzi wa kiushahidi, unaoweza kukanushwa. Kwa sababu kila mwanajihusisha hupokea kazi ya utendaji ya kipekee-lakini-inayofanana, dhamana ya uadilifu inategemea LLM kuzalisha variant ambazo ni tofauti kwa uso, zinazofanana na dhana, zinazotumika na rubriki, na zilizolingana na ugumu kwa wakati mmoja. Kwa Kupima viwango familia tatu za mifano ya mbele kupitia mikakati minne ya kutoa ilani kwenye variant 600, VARIA inagundua kizazi cha mbele kinatimiza vigezo vya pamoja vya uadilifu tu kwa kiasi kidogo (alama ya pamoja 0.81–0.88) wakati marejeleo yasiyo ya mbele yanaanguka (0.50–0.55), na hakuna mkakati mmoja wa kutoa ilani unaotawala mali zote nne — hivyo tofauti kwa kiwango haiwezi kutatuliwa na kutoa ilani peke yake kama kizingiti cha utofautishaji kitawekwa kwa nguvu, na taasisi lazima zithibitishe jozi yao mahususi ya mfano-ilani.

  • Upendeleo wa kupunguza alama katika upangaji alama wa AI wa HITL ni kipengele cha uhalali, si hitilafu: Curi et al. (2026) wanaonyesha kuwa katika tathmini kubwa ya uandishi ya kitaifa, upendeleo wa kimfumo wa kihafidhini (kupunguza alama) wa mpangaji alama wa LLM, ingawa ni tatizo kama uamuzi wa mwisho, ni hasa kile kinachowezesha ujumuishaji salama: majibu yaliyoalamishwa na AI ya kupitisha yanaweza kukubalika kwa ujasiri wakati majibu yaliyoalamishwa na AI ya kushindwa (15.3–16.5% ya matukio) yanaelekezwa kwa ukaguzi wa wataalam — hivyo kukiweka tishio la uhalali la kosa la AI mbali na matokeo ya mwisho. Mtiririko wao wa IRT-na-Bookmark huweka athari ya kiwango cha ufasaha ya upangaji alama wa AI ionekane badala ya kuchukua makubaliano ya alama ghafi kama ishara pekee ya uhalali.

  • Mfumuko wa alama unaosababishwa na AI kama tishio la uhalali: Chirikov (2026) anabainisha mbinu mpya, ya kiteknolojia ya mfumuko wa alama inayoendesha kazi juu ya upangaji alama — kwenye uzalishaji wa kazi zinazopewa alama. Katika utafiti wa tofauti-katika-tofauti wa alama 500,000+ katika kozi 319 (2018–2025), kozi zenye kazi zenye mazingira ya AI zaidi (uandishi, upangaji wa kanuni) ziliona hisa ya alama za A ikipanda kwa asilimia 13 baada ya kutolewa kwa ChatGPT, pamoja na mfinyazo wa usambazaji wa alama. Uchanganuzi wa tofauti-tatu unaonyesha athari zinakusanyika katika kozi zenye mzigo mkubwa wa kazi za nyumbani — ushahidi kwamba kupinduliwa kwa kazi na AI (AI inatekeleza kazi zinazopewa alama kabla ya wakufunzi kuzishuhudia) hupandisha alama bila kupanda kwa kiasi kinacholingana kwa ujuzi. Hii hupunguza kulinganishwa kwa alama kati ya kozi na huelekeza thamani ya habari ya nakala za alama kwa njia ambazo ni ngumu kugundua kutoka usambazaji wa alama peke yake.

  • Uhatarivu wa kupitisha/kushindwa wa kiwango cha programu, na vigezo vya kualamisha vinavyoviweka: Ivory et al. (2026) walihukumu matokeo ya ChatGPT kwa kila tathmini ya kozi katika shahada ya saikolojia ya miaka mitatu (tathmini 40, aina 16) kwa kupitisha/kushindwa ya binary, vigezo vya uamuzi ambavyo waalamishaji hutumia kwa kweli katika somo la kwanza: 36 kati ya 40 zilipitisha. Athari mbili za uhalali zinafuata. Kwanza, kigezo kinachoendesha ni mpaka wa kupitisha, si kugundua — kualamisha kunakozawadia ufasaha wa muundo na chaguo sahihi wa uchanganuzi huku kukivumilia thamani zisizo sahihi huruhusu takwimu zilizoundwa na marejeleo ya kubuniwa kupitisha, hivyo tathmini inathibitisha matokeo ya zana kama uelewa wa mwanafunzi kwa sababu ya jinsi inavyoalamishwa badala ya kwa sababu mtu yeyote alidanganywa. Pili, vipengele vya chaguo-vingi vilidondoa majibu yao wenyewe: ChatGPT ilijibu maswali ya takwimu kwa usahihi bila jedwali la takwimu au la matokeo kuonyeshwa kwa wanafunzi, kwa sababu shina la kipengele na chaguo zilipendekeza jibu, ambalo hufanya ubuni wa chaguo za jibu kuwa mali ya uhalali ya kipengele badala ya mali ya AI.

  • Usahihi dhidi ya makubaliano kama ishara tofauti za uhalali: Falahat, Das, Bhaumik na Thambi (2026) walipanga alama mtihani wa vipengele 21 wa dawa kwa ChatGPT-5 na waligundua kuwa usahihi wa asilimia wa wastani mara nyingi uliishi pamoja na koeffisheni za uhusiano wa makubaliano za chini — tofauti ya mbinu kati ya usahihi wa upangaji alama na makubaliano ambayo inaweka kikomo kwa uwaminifu wa AI kama mbadala wa kupanga alama hata pale usahihi ghafi unavyoonekana unaokubalika. Makubaliano yalikuwa makubwa kwenye vipengele vya lengo (CCC 0.935–1.000) lakini karibu sifuri kwenye majibu mafupi na ya wastani kwenye insha (0.341–0.854), na kutoa rubriki hakufunga pengo kwa uthabiti.

  • Uhalali wa vipengele vilivyozalishwa na AI: Kutathmini Mitihani Iliyozalishwa na AI inaonyesha kuwa maswali yaliyozalishwa na AI, yaliyothibitishwa kupitia IRT ya Bayesian, yanapata ugumu na ubaguzi sawa na vipengele vya mitihani ya kiwango iliyoandikwa na wataalam (uwaminifu 0.79 dhidi ya 0.72) — ikitegemeza uhalali wa tathmini zilizobuniwa kwa AI zinazolingana na kozi zinapoungwa mkono na tathmini ya kisaikolojia.

  • Tathmini halisi: Tathmini Halisi na Kiwango cha Tathmini ya AI zinapendekeza maboresho ya kubuni tathmini yanayohifadhi uhalali.

  • Ujasiri na upangaji: Mifumo yenye ufahamu wa ujasiri huboresha uhalali kwa kutia alama tathmini zisizo na uhakika.

  • Ushahidi wa ulinzi na multimodal: tathmini ya hotuba peke yake inaweza kuchukua ufasaha wa mdomo kama maarifa ya dhana; Morphew et al. wanaonyesha kuwa uchanganuzi wa ishara wa kompyuta-vision ulioungwa na uchanganuzi wa hotuba wa LLM huongeza uhalali wa dhana na Usawa kwa kunasa uelewa unaoonyeshwa kwa ishara, si maneno tu — hivyo kupunguza upendeleo dhidi ya wanafunzi wanaoeleza uelewa bila mdomo.

  • Kazi za nyumbani zinaacha kuthibitisha uwezo wakati mfano unaweza kutatua kazi: Mikhasenko et al. (2026) wanadhibitisha ubatilishaji halisi wa kazi za nyumbani kama kipimo cha uwezo katika kozi ya fizikia ya chembechembe ya Bochum yenye msingi wa fizikia: mara tu mfano wa kizalishaji unapoweza kuzalisha suluhisho sahihi, derivatio iliyotumwa haiwezi tena kuthibitisha kuwa mwanafunzi anaweza kutatua tatizo peke yake. Jibu lao linatenganisha kazi hizo mbili — kazi za nyumbani za umbo la utafiti, zinazoruhusu AI zikihifadhiwa kama za uchunguzi, zenye zawadi ya bonus, na mtihani wa maandishi bila zana ukifanywa uamuzi pekee wa alama ya mwisho — mgawanyo wa kazi unaoendeshwa na uhalali badala ya utawala wa kugundua.

  • Uhalali unaoelekezwa na uamuzi kwa upangaji alama wa AI kwa kiwango: Curi et al. (2026) wanaonyesha mwonekano wa uhalali unaoelekezwa na uamuzi katika tathmini ya uandishi ya kitaifa ya Acredita EB: badala ya kuuliza tu iwapo alama za AI zinakubaliana na binadamu, wanauliza iwapo makosa ya AI yanaweza kubadilisha uamuzi wa kuthibitisha. Alama za kupunguza za IRT/Bookmark za otomatiki zilirudia karibu alama za kupunguza za uendeshaji, na kupunguza alama kwa kimfumo kwa AI kulilengwa kwa kuelekeza matokeo ya AI ya kushindwa kwa mapitio ya binadamu — hasa dhidi ya kiwango cha rejeleo ambacho chenyewe kinapingwa, kwa kuwa walamuzi wataalam kumi walipanga alama maandishi 50 yale yale hawakufikia umoja kwenye kipengele chochote cha rubriki.

  • Maswali ya wanafunzi ya uhalali kuhusu AI kama mpangaji alama: AlGhamdi (2026) anaongeza sauti ya mwanafunzi katika swali la uhalali: wanafunzi 13 wa kompyuta ambao kazi yao ya uandishi ya mikono ilipangwa alama na ChatGPT walijiuliza iwapo mpangaji alama wa AI anaweza kutafsiri kwa uhalali nia, juhudi na kanuni za kitaaluma za kupanga alama — mmoja akiuliza kwa umakini, Kama ChatGPT inakagua mitihani, kwa nini tunaenda chuo kikuu?

  • Ruhusa yenyewe haidhoofu kazi, na viwango vya matumizi ni ishara sahihi ya uhalali: Zou et al. (2026) walihusisha walimu wanafunzi 85 ambao tathmini zao ziliruhusu wazi AI ya kizalishaji na waligundua ushiriki wa tathmini ukiwa juu na haukuathiriwa kwa kiwango cha takwimu na iwapo wanafunzi walitumia (wastani 4.21/5, SD 0.46; Mann–Whitney U = 781.5, r = 0.07, p = 0.536). Kwa 62.4% (53) kukataa kutumia AI ya kizalishaji kabisa na matumizi ya wenye kukubali yakifungwa hasa kwa uhariri (43.8%) na ukaguzi wa uwazi (34.4%), kiwango cha kukubali kinabeba habari ndogo kuhusu iwapo tathmini bado ilistahili hoja kuhusu kujifunza — na kutotumia kunakoendeshwa na hofu ya shutuma ya wizi lisilo sahihi (41.5% ya wasio kubali) si ushahidi wa uhalali pia.

  • Uhalali wa fremu ya sampuli wakati jaribio la shule linasomwa kama ushahidi wa mfumo: Restrepo Morales et al. (2026) wanatoa tathmini ya kiwango kwa hoja kutoka alama hadi madai kuhusu mfumo. Tathmini ya majaribio ya wanafunzi 1,198 wa kujitolea katika shule 171 za Salvador kwenye Jaribio la Shule lililotegemea PISA ilizalisha matokeo yaliyotangazwa kama yanayolingana na Ujerumani na Uswidi, lakini chombo huzalisha makadirio kwa shule na hakitoanishwa chini ya fremu ya sampuli ya kitaifa yenye viwango vya kiwango cha majibu, vikomo vya kutengwa na uzito — hivyo kulinganisha kati ya kadirio la shule na wastani wa nchi hubeba angalau vyanzo vitatu visivyoripotiwa vya kutokuwa na uhakika (kosa la sampuli ya shule, kosa la sampuli ya wastani wa nchi, na kosa la kuunganisha la kulinganisha skela). Badala ya kupima dai la kujifunza, waandishi wanaweka kikomo: na asilimia 5.5 ya juu ya usambazaji wa hisabati wa Salvador yakilingana na wastani wa Kijerumani chini ya ujuzi sifuri, na ushiriki wa kujitolea ukitambuliwa kupendelea ufanikio kuelekea juu, ushahidi uliochapishwa hauwezi kutenganisha athari halisi kutoka sampuli iliyoteuliwa. Hii ni kushindwa kwa hoja ya uhalali ya kulinganisha, si kwa wanafunzi wala kwa chombo.

Pendekezo la dhana linaweka kikomo cha uhalali kinachotumika kwa kila tathmini iliyowasilishwa na AI kwenye ukurasa huu: El Khoury na Ma (2026) wanadai kwamba kasi si uhalali, na kwamba ilani, mifano na ripoti zinazotegemea nakala zilizozalishwa na AI bado zinapaswa kupimwa kwa usahihi, majibu ya kitamaduni, Ufikivu, uwezekano wa kutafsiriwa na ulingano na matokeo ya kozi. Wanapanua pia kile kinachosababisha ushahidi: ambapo mazungumzo yanakuwa kitu kinachotathminiwa, nakala ni rekodi ya mchakato ambapo hukumu, huruma, ufafanuzi na uamuzi wa pamoja yanatokea katika muktadha, na swali la ubuni linakuwa iwapo ushahidi huo unaungia mkono hoja inayotolewa kutoka kwake — swali lile lile upangaji alama wa otomatiki unakabiliwa nalo, unajibiwa na ulingano kati ya kazi, maoni na ushahidi wa kujifunza badala ya upya wa kiteknolojia.

  • Metadata ya vipengele iliyopewa na AI si ushahidi wa kisaikolojia. Katika utafiti wa wiki 10 wa sayansi ya data juu ya vipengele 311 vya chaguo-vingi vilivyotumika, viwango vya ugumu vya LLM vilifuatilia lebo za Bloom za mfano yenyewe (rho = 0.90) lakini si ugumu wa kipengele wa kiushahidi (rho = 0.06), hivyo ugumu wa kipengele unapaswa kuanzishwa kutoka data ya majibu badala ya lebo za mfano zinazozalisha (An na Wang, 2026).

  • Hukumu za wanafunzi za ulingano wa mitaala hufuatilia ugumu, si maudhui. Vogt et al. (2026) waliwaomba wanafunzi kupanga kiwango iwapo kila kipengele katika mtihani wa vipengele 60 uliopangwa alama ulilingana na mtaala wa kozi na waligundua viwango vilihusiana na ugumu wa kipengele kwa ρ = 0.762 (vipengele rahisi vilihukumiwa vilivyounganika, vipengele vigumu havikuunganika, ρ = −0.762, p < 0.001), wakati viwango havitofautiani na chanzo cha kipengele. Ambapo chombo huuliza wanafunzi kuhukumu ufaafu wa mtaala wa tathmini, alama inayotokana ni kiasi cha upangaji wa ugumu na haiwezi kusomwa kama ushahidi huru wa ulingano.

  • Linganisha upya pembe tatu za tathmini badala ya kurekebisha pembe moja. Koretsky et al. (2026) wanaweka tatizo la GenAI kupitia pembe tatu za tathmini — ufahamu (kinachotathminiwa), uchunguzi (jinsi ushahidi wa kujifunza unavyopatikana), na tafsiri (hoja inayotolewa) — na wanadai pembe hizo tatu zinapaswa kulinganishwa upya pamoja, kwa kuwa kubuni upya kazi bila kurekebisha tafsiri huacha hoja isiyoungwa mkono. Mapitio yao ya upeo pia hufanya uaminifu wa nyenzo za tathmini zilizozalishwa na AI kuwa mali ya uhalali yenyewe, yakiorodhesha vipimo vya maudhui, lugha, ufahamu, tabia, muundo na pedagogical na kuhitaji tathmini ya binadamu-katika-mlolongo kabla kazi kama hizo kuthibitisha tathmini.

Kubuni upya badala ya kugundua

Hifadhi hii ya maarifa inadai kwamba kudumisha uhalali wa tathmini kunahitaji kubuni upya tathmini kwa wanafunzi wenye uwezo wa AI, si kugundua matumizi ya AI. Tatizo la uhalali linalofanana lipitia upimaji wa utafiti: madai mengi ya AI-katika-elimu yanategemea data za kujitangaza, ambayo haiwezi kuungia mkono hoja kuhusu kujifunza au uwezo hata kama chombo chenyewe kinathibitishwa vizuri. Mbinu zaidi ya kugundua na Tathmini zinawakilisha mawazo yanayoelekea mbele kwa uhalali.

Bidhaa za kuchukua nyumbani na mgawanyo wa kina/kiwango. Brunnström na Palmqvist (2026) wanatoa pendekezo mahususi la kubuni upya linaloelekezwa na taksonomia ya SOLO. Wakifanya kazi kupitia swali la mtihani wa kuchukua nyumbani wa sayansi ya ufahamu na chatbot, wanagundua GenAI ina nguvu zaidi hasa ambapo taksonomia ni ya chini zaidi — kuzalisha maudhui kamili, ya ufasaha, ya aina ya factoid katika kiwango cha kiwango (multistructural) — wakati kiwango cha kina (kuhusisha, kutathmini, kujumlisha) kilichotokea tu kupitia upangaji wa kurudia unaoendeshwa na mwanafunzi. Mapendekezo yao ni kwa hivyo yalitofautishwa na dhana: tathmini za kuchukua nyumbani zinapaswa kusisitiza ushahidi wa uelewa wa kina, wakati maarifa ya kumbukumbu yanayotegemea kiwango yanapaswa kutathminiwa vizuri zaidi darasani ambapo GenAI haipatikani. Onyesho pia linasisitiza kuwa kitu lililotumwa la kupangwa ni ushahidi dhaifu kwa upande wowote, na kwamba kubuni upya halali kunapaswa kuzingatia jinsi kujifunza halali kunaoungwa mkono na AI kunavyokuwa na mahitaji makubwa (Tathmini ya Mwisho, Uadilifu wa Kitaaluma).

Mpinzani wa kiwango cha ubuni unatoka kwa idadi wale wale ambao hoja ya kubuni upya kwa kawaida inawapuuzia. Zou et al. (2026) waligundua kuwa kazi za tafakari na za kibinafsi zilihukumiwa kwa uwazi kuwa za kibinafsi sana kwa msaada wa AI, wakati tathmini yenye mzigo wa maarifa katika kozi nyingine ilisababisha nia kali ya kutumia AI ya kizalishaji kwa marejeleo — hivyo kile wanafunzi walifanya na AI kilifuatilia dhana ambayo kazi iliwaomba kutia ushahidi. Somo la uhalali ni la usahihi badala ya sherehe: ubuni linaweza kuondoa faida ya ubadilishaji wa jumla, lakini utafiti ule ule unatoa onyo dhidi ya kusoma kikundi cha kutotumia kama ushahidi kwamba ulifanya hivyo, kwa kuwa hisa kubwa ya kutotumia ilisababishwa na hofu ya shutuma ya wizi lisilo sahihi badala ya kazi inayopinga AI.

Sharma (2026) anatoa hoja ya kubuni upya upande wa uadilifu ambayo hubadilisha ushahidi wa uadilifu kuwa ushahidi wa uhalali. Kwa kupanua mfumo wa postplagiarism wa Eaton (2023) katika ubuni wa tathmini, anadai kwamba mifano ya uadilifu inayotegemea kugundua na kuthibitisha hailingani na kazi ambazo hukumu ya binadamu na uzalishaji wa mashine zimeunganika, na anaweka upya uadilifu kama mazoezi ya kielimu yanayotekelezwa kupitia Hukumu ya Kutathmini — uwezo wa kupima chaguo, kuhalalisha chaguo za kitaaluma na kuchukua uwajibikishaji chini ya kutokuwa na uhakika wa ufahamu. Matokeo ya ubuni ni kwamba uadilifu unapaswa kutia ushahidi badala ya kupatikana: njia za uamuzi zilizoandikwa, uthibitishaji wa madai yaliyochangia na GenAI, utetezi wa mdomo na historia ya matoleo yanatolewa kama vitu vya uadilifu, na yeye ni wazi kwamba tofauti na Tathmini Halisi ni ya ufahamu — uhalisi huuliza iwapo kazi inaakisi mazoezi ya ulimwengu halisi, ubuni unaoelekezwa na uadilifu huuliza iwapo wanafunzi wanaweza kuhalalisha maamuzi na kuchukua uwajibikishaji dhidi ya viwango vya taaluma, hivyo uadilifu unakuwa kigezo cha kutathminiwa kilichojengwa katika usanifu wa kazi. Anataja tishio la uhalali la pendekezo lake mwenyewe badala ya kuliacha lisidhihirike: kuhitaji hoja zilizorekodiwa huwapa wanafunzi wenye ufasaha wa mazungumzo ya tafakari kipaumbele na ina hatari ya kubadilisha utawala mmoja wa kufuata na mwingine, kwa sababu hukumu kama ushahidi inabaki ya uhusiano na ya hali badala ya kuthibitishwa kwa mitambo — tatizo lile lile la uaminifu wa tafsiri ambao ukurasa huu unarekodi kwa kila tathmini iliyowasilishwa na AI.

Weidlich (2026) anaweka upya kubuni upya kama swali la hoja gani mabadiliko yanalengwa kulinda. Akifanya kazi kutoka uhalali unaotegemea hoja wa Kane, anatenganisha shinikizo tano ambaho mjadala huwa na uwezekano wa kuzifunganisha kuwa moja: kuwakilisha dhana kisitoshele, tofauti isiyohusiana na dhana, kuhusisha utendaji, ugawanyaji wa kimasharti, na matumizi ya alama yasiyoungwa mkono. Matumizi ya AI si tishio kiotomatiki, kwa sababu matumizi ya zana yanafaa ambapo dhana inayokusudiwa ni hukumu ya kitaaluma inayoungwa mkono na AI na yanapuuza utendaji unaolengwa ambapo ni hoja zisizosaidiwa, hivyo dhana na hali za AI zinapaswa kubainishwa pamoja. Onyo lake kwa kubuni upya linafuata, kwa kuwa miingilayo hubadilisha shinikizo moja na jingine: utetezi wa mdomo unaweza kuimarisha kuhusisha huku ukipunguza uwaminifu au upatikanaji.

Mahusiano

Uhalali wa tathmini unaungana na Tathmini Halisi, Upangaji Alama wa Otomatiki, Ufahamu wa Ujasiri wa Tathmini ya AI, Tathmini ya Mchakato, Uadilifu wa Kitaaluma, na Jaribio la Nasibu lililodhibitiwa (RCT) (ambayo inategemea hatua za matokeo halali).

AI inatia changamoto uhalali katika kiwango cha ufahamu: Hathcoat, Slotnick na Miller (2026) wanadai kwamba LLM zinapohudumu kama wanaofanya mitihani, watengenezaji wa mitihani, waalamishaji, na wachanganuzi, mlolongo wa tafsiri unakuwa usio na uwazi na kitu cha kupima hupoteza ufafanuzi — hivyo kuweka upya uhalali kama kinachohitaji hukumu ya cyborg inayojua AI, na Green et al. (2026) wanaonyesha alama za AI zinaweza kulingana na waalamishaji wa binadamu (orodha ya ukaguzi ya 87%) huku mantiki ya msingi ikitofautiana, hasa juu ya ubora wa upimaji na ripoti dhaifu.

Wakati AI inazalisha kitu kinachotathminiwa. Kumar, Wongsirichot na Nanthaamornphong (2026) wanatoa kesi ya taaluma yenye makali zaidi ya tatizo la uhalali: katika elimu ya kompyuta AI inazalisha kitu kinachopewa alama — kanuni ya chanzo — hivyo matumizi ya zana, kujifunza na tathmini yanaungana katika mwingiliano mmoja, na mkusanyiko wa kanuni uliotumwa hautanii tena kujifunza kutoka ujumuishaji. Katika masudio 72 wanagundua mapato ya ufanisi ambayo hayahamishiki kwa utendaji usiosaidiwa (masudio 21), Maarifa ya Awali ikimshawiri iwapo msaada wa AI unakuwa ujuzi (masudio 6), na utafiti wa kugundua haupo kabisa katika msingi wa ushahidi (masudio 3) wakati kubuni upya tathmini ni wa ushahidi kwa kulinganishwa vizuri (masudio 25). Hitimisho lao kwa mazoezi ni mahususi ya dhana na ya teknolojia ndogo: ongeza sehemu ya mdomo au kipengele kingine kinachoonyesha mchakato kwenye angalau tathmini moja ya hatua kubwa kwa kila kozi — mwingiliano mmoja wa faida kubwa zaidi katika mapitio — na uhitaji wa ushiriki mahususi wa matokeo ya AI kama sehemu ya kuguswa, inayoonekana, badala ya mwelekeo wa hiari (Uadilifu wa Kitaaluma, Tathmini).

Uhalali chini ya habari isiyokamilika

Mwelekeo wa hivi karibuni wenye makali zaidi unachukua tatizo la AI ya kizalishaji kama la ushahidi. Mwanafunzi anajua jinsi kazi ilizalishwa; taasisi hushuhudia kitu na, kwa upeo, athari za mchakato — pengo la bidhaa–mchakato ambao Mohamed na Temimi (2026) wanaelekeza kama uhalali wa tathmini chini ya habari isiyokamilika. Kwa hilo swali si iwapo kanuni ilivunjwa bali iwapo tathmini bado huzalisha ushahidi wa kuaminika wa hoja, juhudi na hukumu za mwanafunzi, na kila mbinu ya taasisi — marufuku, ufuatiliaji, ufafanuzi, kubuni upya — inathaminiwa kwa mwitikio gani wa mwanafunzi unaofanya iwe ya kuvutia zaidi. Lenzi ya uhalali pia inanyausha mgawanyo wa uongo: uadilifu na uhalali ni tatizo lile lile lilionekana kutoka miisho tofauti, kwa sababu ugunduzi wa tabia isiyofaa yenyewe ni dai la uhalali kuhusu kile kazi inatia ushahidi.

Mfumo wa upande wa mwanafunzi unataja malengo ya hoja ambayo kitu peke yake haliwezi kusuluhisha. Sak (2026) anapendekeza uhalali wa kuhusisha kwa hukumu za uwezo wa zawadi kutoka kazi zilizosaidiwa na AI: uhusiano kutoka uwezo hadi bidhaa ni wa wengi-kwa-moja, kwa sababu uwezo wa mwanafunzi, uwezo wa mfano, mwelekeo wa mwanafunzi, ufaafu wa binadamu–AI na muktadha vinaungana kwa njia tofauti kuzalisha vitu vinavyofanana, hivyo bidhaa haiwezi kutambua uwezo nyuma yake. Mfumo unatenganisha malengo manne ya hoja — uwezo huru, Wakala wa Mwanafunzi ya kiakili, uwezo mseto, na kuhamisha kwa maendeleo — na unataja makosa matatu yanayofuata wakati ushahidi wa lengo moja unasomeka kama wa jingine: kuhusisha kupita kiasi, maono ya maendeleo, na dhana ya usawa wa uwezo uliodhaniwa. Mahitaji yake kwenye rekodi yanaakisi nidhamu ya ushahidi ambao sehemu hii inavuta kutoka fasihi ya tabia isiyofaa: taja uwezo ambao hukumu inahusu, andika jinsi kazi ilizalishwa (mfano na matoleo, kiolesura, kazi zilizoruhusiwa, uunganishaji wa mtu mzima, hali za upatikanaji), na uhitaji wa ushahidi wa baadaye wa kuhamisha kabla ya kusoma utendaji uliosaidiwa kama mabadiliko katika mwanafunzi.

Teichmann (2026) anatoa matokeo ya utaratibu: ambapo matumizi yaliyopigwa marufuku hayawezi kugundulika, utawala ambao bado unashutumu kwa alama za kigunduzi hauwezi kuthibitisha hoja inayovuta, na hivyo huzalisha ukosefu wa haki bila ufanisi. Anaitia kubadilisha swali la kiforensi — je, mwanafunzi alitumia AI? — na swali la uhalali — je, mwanafunzi alionyesha uwezo ambao kazi ilibuniwa kuthibitisha? — ambao huelekeza juhudi za taasisi katika tathmini ya kiwango cha programu katika kazi zilizounganishwa, vipengele vya mdomo na vya usimamizi katika hatua za kuthibitisha, na Hukumu ya Kutathmini kama kitu mahususi cha tathmini.

Sehemu ileile ya msingi wa ushahidi hutoa mwenzake wa faili la kesi, na ni mgumu zaidi kuliko fasihi ya kugundua peke yake. Munoz et al. (2026) waliorodhesha kila kesi ya tabia isiyofaa ya AI ya kizalishaji katika chuo kikuu kimoja wa kikanda wa Australia katika miaka mitatu — kesi 1,162 zikibeba vitu 1,855 vya ushahidi vilivyotengwa — na walipanga kila kitu kwa thamani ya kupimwa kwa uhusiano, uaminifu na nguvu ya hoja. Makundi yenye nguvu zaidi yalikuwa yale yasiyotegemea uainishaji wa uwezekano wa maandishi (makubaliano ya wanafunzi, tabia ya mitihani iliyopigwa marufuku iliyoshuhudiwa, na marejeleo ya kubuniwa yaliyothibitishwa huru), wakati matokeo ya kigunduzi yalipata viwango dhaifu zaidi ya kundi lolote: ripoti za ufanano au Turnitin zilikuwa dhaifu kabisa katika nguvu ya hoja na matokeo ya kigunduzi ya pekee yalikuwa chini kabisa katika uaminifu, yakishuka kutoka 8.8% ya vitu katika 2024 hadi 0.5% katika 2025. Kushindwa kwa uhalali ni kwa utaratibu kiasi kile kama kwa chombo — hakuna hatua ya mtiririko iliweka kizingiti cha chini cha ushahidi au ilihitaji wachunguzi kupima thamani ya kupimwa kabla ya kuendeleza shutuma, hivyo ubora wa ushahidi haukuonyesha uhusiano wa kuaminika na matokeo ya kesi, ambayo ni hasa suala la kiwango cha ushahidi lililoorodheshwa kwenye Masuala ya Kisheria na Hatari. Pendekezo lao la kutumia mfumo wa stakabadhi katika hatua ya shutuma badala ya katika uamuzi tu ni mahitaji ya uhalali: shutuma ni dai kuhusu kile kazi inatia ushahidi, na inapaswa kuthibitishwa na nyenzo zinazoweza kuiungia mkono. Hadra, Cambridge na Mesbah (2026) wanaonyesha jinsi chombo kilivyo mbali na kiwango hicho, na usahihi wa macro wa 0.69 (Originality) dhidi ya 0.61 (Turnitin) katika maandishi 192, kushindwa karibu kabisa kwenye uandishi wa mseto wa binadamu–AI (unyeti 0.02 na 0.31), usahihi unaopungua na urefu wa maandishi na kwenye uandishi wa kisayansi, na mwelekeo wa mpakani wa kuainisha vibaya uandishi wa mwanafunzi wa EFL kama AI — hivyo alama ya kigunduzi haiwezi kuanzisha ukweli ambao ugunduzi wa tabia isiyofaa unadhidi.

Kiwango cha binadamu cha kualamisha na kikomo chake

Ulinganisho wa OpRaise wa mifano mitatu ya mbele dhidi ya insha 762 za halisi katika vyuo vikuu vitatu vya Uingereza hufanya kiwango kuwa sehemu ya hoja ya uhalali. Alama za binadamu zilitumika kama ukweli wa msingi kwa msingi wazi kwamba hukumu ya kitaaluma ni kiwango kinachokubalika kijamii, huku waandishi wakitambua kuwa waalamishaji wa binadamu wanakubaliana tu kwa wastani wao wenyewe — ambayo huweka kikomo kwa makubaliano ya AI–binadamu ambayo yanaweza kuombwa kwa sababu, na inamaanisha uhusiano hauwezi kusomwa kama tayari-au-la bila hatua ya kurejelea. Ndani ya fremu hiyo, kushindwa kulionekana kama muundo wa kimfumo badala ya kosa la nasibu: alama zilifinyazwa kuelekea katikati ya skela, hivyo insha bora na mbaya zaidi zilihukumiwa vibaya zaidi; makubaliano yalikuwa dhaifu zaidi katika mipaka ya alama; na alama za AI zilifuatilia anuwai ya msamiati, viunganishi na ugumu wa sentensi huku alama za binadamu zikiwa hazisiti kimfumo nazo. Somo la vitendo ni la upande mbili, kwa sababu utafiti ule ule uligundua uwaminifu kuwa bora — alama za kurudia zilizofanana kwa wakati na makubaliano makubwa kati ya mifano. Kesi ya uhalali kwa kualamisha kwa otomatiki kwa hivyo haiwezi kutegemea uthabiti au makubaliano ya wastani; inapaswa kuonyesha kutokuwepo kwa mwelekeo wa kimfumo, ambayo ni hasa kile ushahidi huu haukupata.

Uthabiti wa kukimbia-hadi-kukimbia hauhakikishwi, hata hivyo: kurudia upangaji alama ule ule kwenye mawasilisho yanayofanana siku tano mbali kulitoa alfa ya Krippendorff ya 0.625, na tofauti zilikusanyika katika alama za kati na A na F hazikuwa katika hesabu za vipindi vya kurudia (Brevik et al. (2026)).

  • Ukubwa wa mfano si mbadala wa uhalali wa tathmini. Katika usanidi nane wa familia nne kwenye insha 114 zilizopangwa alama, makubaliano kamili ya bendi yalienea 18.4% hadi 54.4% na yalifuatilia familia badala ya idadi ya vigezo — mfano mkubwa zaidi, GPT-OSS 120B, ulipunguza alama kwa bendi 1.316, na joto halikuwa suluhisho (Kerwat et al. (2026)).

  • Makubaliano na kosa la kiwango hujifanya kama kujifunza. Masudio mawili ya 2026 yanaonyesha njia tofauti ambazo alama inaweza kuonekana halali huku ikianzisha kitu kingine. Utafiti wa uandishi wa masoko wa wazi uligundua makubaliano kamili ya LLM-binadamu ya ICC(2,1) .435 tu na mseto ambao ulikuwa mbaya zaidi kwa kiasi chenye maana kuliko LLM peke yake, na muundo wa muundo wa msingi ukisogeza makubaliano kutoka .338 hadi .902 (Agreement and error in automated scoring of student marketing posts). Ukaguzi wa wataalam wa viwango sita vya fizikia ulihusisha 95.20% ya kukataliwa kukaguliwa na vipengele au waalamishaji wenye dosari badala ya kosa la mfano, ukisogeza CritPt mean@5 kutoka 32.29% hadi 87.50% (How Good Are Frontier Models at Physics? Expert Re-Grading Reveals Broken Evaluations and Near-Saturation of Leading Benchmarks). Katika hali zote mbili, tishio ni tofauti isiyohusiana na dhana nje ya mfano unaopangwa alama.

  • Makubaliano kati ya waandishi wa kanuni wa LLM ni uthabiti, si uhalali. Kwenye mkusanyiko wa mazungumzo ya kielimu ulioandikwa na wataalam, kichujio cha makubaliano ya mifano mingi kilibaki na madai 33 tu ya tabia yaliyatoka kwa mkusanyiko na 11 ya 48 yaliyatoka kwa dhana, na makosa ya pamoja ya mifano yalinusurika kichujio, hivyo makubaliano ya mifano mingi hayawezi kuchukua nafasi ya uhalali wa dhana (Bernado et al., 2026).

  • Uwezekano wa kufichuliwa ni unaoweza kupimwa, na tiba ni ushahidi wa kutosha badala ya usalama wa juu zaidi. Villanueva (2026) alipanga alama vitu 53,915 vya tathmini kwa umbizo lililochapishwa, usimamizi na uzito wa alama na aligundua alama nyingi zilizotathminiwa zikitegemea kazi ambazo ubunifu hauwezi kuthibitishwa baada ya kuwasilishwa; anadai programu zinahitaji ushahidi wa kutosha wa kujifunza katika hatua muhimu, si kila kitengo kufanywa salama.

  • Kipimo halali bado kinaweza kuwa hatari kuboresha. Kuboresha mwalimu wa LLM dhidi ya kipimo cha kubadilisha cha mtindo wa rubriki kilipandisha kipimo (+0.05 hadi +0.42) huku viwango vya wataalam vipofu vikishuka (4.46 hadi 3.03), kwa sababu kipimo ambacho hupanga maamuzi kwa uhuru huboreshwa na kurudia uamuzi mmoja bora zaidi (Domínguez Figaredo na Fernández De la Cruz, 2026).

Dhana Zilizounganishwa

Makala Zilizounganishwa

FAQ Zilizounganishwa

Metadata

Tathmini na UpimajiTathmini Halisi, Tathmini ya Kiotomatiki, Tathmini ya Mchakato
Mbinu za Utafiti na TathminiJaribio la Nasibu lililodhibitiwa (RCT)
Usawa, Maadili, na Matumizi ya UwajibikajiKupunguza Upendeleo, Usawa
Misingi ya Akili Bandia katika ElimuUadilifu wa Kitaaluma
SourceHistoryEditChat

Pachika ukurasa huu

Nakili msimbo ulio hapa chini ili kupachika ukurasa huu katika mfumo wa usimamizi wa kujifunza au tovuti nyingine. Toleo lililopachikwa linaonyesha maudhui ya ukurasa tu — linaficha kichwa cha tovuti, urambazaji, na kijachini.