Tathmini

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

Tathmini — mchakato wa kukusanya na kutafsiri ushahidi kuhusu wanafunzi wanajua na wanaweza kufanya nini, na mbinu zinazotumika kutathmini kujifunza. AI katika Elimu imebadilisha kabisa tathmini: inawezesha kugawa alama na kupata pointi kiotomatiki, inazalisha na kubadilisha maswali ya tathmini, na inainua maswali ya kina kuhusu tathmini zinapima nini kweli wanafunzi wanapoweza kutumia AI. Tathmini ni dhana kuu inayoipanga matumizi ya hifadhi hii ya maarifa ya Tathmini ya Mchakato, kugawa alama kiotomatiki, uhalali, na Upimaji wa Kielimu.

Maswali ya Kutafakari

• Tathmini hapa inaelezewa kama kukusanya na kutafsiri ushahidi kuhusu wanafunzi wanajua na wanaweza kufanya nini. Kabla ya kusoma, ungemaliziaje sentensi 'tathmini ni halali kama…' — na nini kingebadilika katika jibu hilo kama kila mwanafunzi angeweza kwa siri kutumia AI kuzalisha kazi zao?
• Ukurasa unadai kuwa jinsi mwanafunzi anavyotumia GenAI (muunganisho wa kutathmini dhidi ya kupitisha bila kukagua) ulitabiri utendaji, wakati jinsi walivyotumia mara ngapi haukutabiri chochote. Hii inapendekeza nini kuhusu hisia ya kawaida ya kudhibiti AI kwa kupunguza matumizi yake?
• Mwanafunzi anaweza kuwasilisha kazi ya kiwango cha kitaalamu ambayo hawezi kuizalisha tena bila zana — na hivyo kukata uhusiano kati ya utendaji na uwezo wa msingi. Je, umewahi kukutana na 'ujenzi' ukithibitishwa kwa kazi ambayo mwanafunzi hakuweza kuifanya bila msaada? Hilo lilibainisha nini?
• Swali la kujenga linaloletwa na ukurasa si 'tuzuie wanafunzi wasitumie AI?' bali 'tuwawezeshe kuitumia kwa makini katika miktadha inayoakisi kazi zao za baadaye?' Tathmini ingeonekanaje katika uwanja wako ikiwa hilo lingekuwa lengo?
• Mfumo wa DRIVE unapendekeza kutathmini ubora wa ushiriki wa mwanafunzi na GenAI — si kitu kilichozalishwa tu — kwa kuangalia kama wanaongoza ilani kwa mkakati na kuunganisha mawazo yao wenyewe. Ungeangalia nini ili kutofautisha mwingiliano wa AI wa kina na wa kutafakari na matumizi ya juu ya ngozi?
• Tathmini inayoendeshwa na AI inaendelea kupanuka hadi mitihani ya mdomoni, kwingineko za kazi, na mifumo ya mazungumzo inayopunguza wasiwasi na inahisi kuwa muhimu kitaalamu. Ni muundo upi wa tathmini kutoka uzoefu wako mwenyewe unadhani ni 'unaopinga AI' zaidi — na je, kupinga ni jambo moja na thamani ya kielimu?

Utangulizi

Tathmini ni ya kati katika AI katika elimu kwa sababu mbili. Kwanza, AI yenyewe inatumika kutathmini wanafunzi — kugawa alama za insha, misimbo, majibu mafupi, na mitihani kwa kiwango kikubwa. Pili, AI katika darasa hubadilisha kile ambacho tathmini zinaweza kupima kwa uhakika, kwani wanafunzi wanaweza kutumia Akili Bandia ya Kizazi kuzalisha kazi. Uwanja hivyo unajumuisha zana zote mbili — zana zinazoendesha tathmini kiotomatiki na maswali ya uhalali na uadilifu ambayo AI inainua.

Jinsi AI inavyotumika katika tathmini

• Tathmini kiotomatiki: tathmini inayotegemea AI inajumuisha hali nyingi — chaguo nyingi, majibu mafupi, insha, misimbo, na tathmini inayotegemea utendaji — kupitia kugawa alama kiotomatiki, Kupima Insha kwa Kiotomatiki (AES), na Uundaji wa Maswali wa Kiotomatiki.
• Tathmini ya mchakato: mifumo ya AI inazalisha, kuthibitisha, na kubadilisha maswali ya tathmini ya mchakato kwa kiwango kikubwa, na kuongoza mafunzo yanayoendelea badala ya tathmini ya jumla tu.
• Uchanganuzi wa kujifunza na upimaji: Takwimu za Kujifunza na Upimaji wa Kielimu huunganisha data ya tathmini na michakato ya kujifunza, kwa kutumia Nadharia ya Majibu ya Kipengele, Ufuatiliaji wa Maarifa, na Uundaji wa Mifano ya Wanafunzi na Mafunzo Yanayobadilika kutafsiri utendaji. Razavi na Powers (2026) wanaonyesha ukadiriaji wa ugumu wa swali unaotegemea LLM kama ingizo la upimaji: katika maswali 5,170 ya hesabati na kusoma ya K-5 yaliyosanifiwa chini ya mfano wa Rasch IRT, vipimo vya GPT-4o vya zero-shot vilihusiana kwa wastani-hadi-nguvu na ugumu halisi (r = 0.83 hesabati, r = 0.81 kusoma) lakini vilitofautiana kwa darasa, wakati mbinu inayotegemea vipengele (vipengele vilivyotolewa na LLM kuingizwa katika mifano ya mti) ilifikia mahusiano hadi r = 0.87. Utafiti unatoa mtiririko wa hatua saba za vitendo kwa wataalam wa kupima, huku ukionya kuwa uwezo wa kueneza matokeo zaidi ya hesabati na kusoma ya K-5 si wazi.
• Mizunguko ya maoni: tathmini ya AI inazingatia zaidi mizunguko ya maoni inayofunga mzunguko kutoka tathmini hadi kujifunza.
• Tathmini ya kwingineko ya kielektroniki: kwingineko za kielektroniki zinakusanya kazi na tafakari za mwanafunzi kwa muda kama muundo wa tathmini unaotegemea mchakato na unaostahimili AI. AI inayozalisha inaweza kusaidia mchakato wa kwingineko — kuzalisha maoni, Ngazi za Msaada tafakari, na (kwa ubuni unaofaa wa rubriki) kusaidia tathmini — wakati mkazo wa kwingineko kwenye alama za hoja na rasimu unapinga uzushi wa AI. tathmini ya kwingineko inayosaidiwa na AI na ChatGPT + kwingineko ya kielektroniki kwa kuzungumza kwa EFL zinaonyesha AI inaweza kuboresha uzoefu wa kwingineko na Ujuzi wa Maoni ya mwanafunzi.
• Uaminifu wa kugawa alama kwa kazi za wazi hutegemea mfano: Pecuchova, Benko na Drlik (2025) walipima mifano kumi na moja ya GenAI na ya kupachika sentensi dhidi ya wagawa-alama wawili wataalam katika majibu 1,885 ya wazi ya uhandisi wa programu: GPTo1 peke yake ilifikia makubaliano ya karibu-kamilifu (Fleiss' Kappa 0.82), wakati mifano inayotegemea rejea iliadhibu majibu sahihi yaliyoelezewa kwa namna tofauti. Kwa sababu GPTo1 ilikuwa mfano pekee ulioonekana kuwa na uwezo wa kutekelezwa bila usimamizi lakini ina gharama za API za umiliki, waandishi wanapendekeza mbinu za mchanganyiko zinazounga mifano ya hali ya juu na chaguo za bei nafuu au usimamizi wa binadamu katika miktadha yenye rasilimali chache. Mapitio ya kimfumo ya PRISMA ya masudio 42 ya kiushahidi (2023–2025) yanathibitisha picha hii ya uaminifu wa kisharti katika uwanja mzima wa kugawa alama: LLM zinafanana na watoaji alama wa binadamu katika kazi za wazi na za majibu mafupi lakini haziwezi kuchukua nafasi ya hukumu ya binadamu kikamilifu katika kazi changamano, za wazi, au za kibinafsi, na hakuna upendeleo wa kugawa alama ulioonekana kwa kiwango kimoja — mifano wakati mwingine ilikuwa na urahisi zaidi, wakati mwingine kali zaidi, na mara nyingi iliepuka alama kali (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback). Kuboresha rubriki kwa kurudia kunaweza kusukuma upataji pointi wa LLM wa kazi za wazi kuelekea uaminifu wa karibu-binadamu katika miktadha ya matibabu yenye hisa kubwa: Olvet et al. (2026) waligundua kuwa mara walimu walipoboresha mara kwa mara rubriki za kichanganuzi na za jumla juu ya uchanganuzi wa mifumo ya makosa, GPT-4 ilifikia makubaliano makubwa-hadi-karibu-kamilifu na wagawa-alama wa walimu katika maswali matatu kati ya manne ya awali ya mafunzo ya kliniki (weighted kappa hadi 0.94), wakati kipengele kilichosalia cha rubriki ya jumla kilibaki kwa makubaliano ya wastani tu (κw = 0.54) — ikionyesha faida ya uhandisi wa rubriki ya binadamu katika mzunguko na mipaka yake kwenye kazi za uzushi na za jumla.
• Tathmini ya mdomo na ya utendaji inayosaidiwa na AI. Utafiti wa kubuni wa TVET unaondoa tathmini mbali na mifumo inayotegemea maandishi kuelekea Tathmini ya Mdomo shirikishi inayosaidiwa na LLM: katika makundi manne, wanafunzi 21 kati ya 33 walihitimisha kuwa kazi ya sauti ilikuwa halisi na hakuna aliyekataa kwamba kuzungumza kwa wakati halisi kulionyesha uwezo bora zaidi ya kwingineko ya maandishi, wakati idadi ya maneno kwa maswali yale yale ilitofautiana mara tano hadi nane kati ya makundi na wanafunzi tisa walijibu kwa maneno mawili hadi kumi na mitatu na wote walikuwa sahihi. Mfumo uliendeshwa bila mtandao kwenye kompyuta ndogo moja inayohudumia wanafunzi hadi 12 kwa wakati mmoja kwa Mistral 7B na faster-whisper, ulifuta rekodi baada ya siku 90, na ukaacha hukumu za kupata pointi kwa watoaji alama — mfano wa muundo wa tathmini wa Binadamu Katika Mzunguko unaoelekea sifa za mahali pa kazi. (Designing AI-Supported Oral Assessment in TVET)

Changamoto za uhalali na upimaji

AI inainua maswali ya msingi ya uhalali: je, tathmini zinazopangwa alama na AI zinapima kujifunza kwa mwanafunzi au ujuzi wa kutoa ilani kwa AI? Je, matumizi ya AI na mwanafunzi yanabatilisha tathmini za kawaida? Changamoto kuu ni pamoja na:

• Uhalali wa ujenzi: Utafiti juu ya elimu inayotegemea ujenzi unaonyesha AI inayozalisha imekata uhusiano kati ya utendaji na uwezo wa msingi — mwanafunzi anaweza kuwasilisha kazi ya kiwango cha kitaalamu ambayo hawezi kuizalisha tena bila zana. Hii inachochea kufikiria upya kile ambacho ujenzi unathminiwa.
• Uandishi-wote na uadilifu: Uadilifu wa uandishi-wote unapendekeza chanzo kipya cha ushahidi wa uhalali unaporomolewa wanafunzi wanapowasilisha maudhui yaliyozalishwa na AI ambayo hawaelewi, na kuchunguza "Viva za AI" za mazungumzo kama jibu.
• Ubora wa kipsikometriki: AI yenye Ufahamu wa Kisaikometriki na tathmini yenye ufahamu wa kiwango cha kujiamini hufanya kazi kudumisha upataji pointi wa AI kuwa wa kuaminika, bila upendeleo, na wa kutafsirika.
• Tathmini ya watoaji alama wa AI: Tathmini ya AIEd hutoa mbinu na viwango vya kulinganisha vya kubaini kama watoaji alama wa kiotomatiki wanafanya kazi kweli — kwa uaminifu, Mbinu za Kufundisha na Mikakati ya Kufundisha, na Usawa — badala ya usahihi wa kichwa tu.
• Uaminifu wa kugawa alama kwa AI na kwa marika unaotegemea ubora (2026): Kwa kulinganisha kugawa alama kwa ChatGPT, marika, na mkufunzi kwa miradi ya wanafunzi wa shahada ya kwanza ya vikundi vile vile, Usher na Faraon (2026) walionyesha kuwa kulingana kwa kugawa alama na mkufunzi ni kunategemea ubora wa kazi ya mwanafunzi: ChatGPT ilipandisha zaidi kazi za ubora wa chini na ililingana vizuri zaidi na mkufunzi kwenye kazi za ubora wa juu, wakati marika walilingana vizuri zaidi kwenye kazi dhaifu na kupunguza alama za miradi yenye nguvu. Ugonjwa huu unapinga mfumo wa "wa kuaminika dhidi ya wasio wa kuaminika," na unaelekea mifano ya uaminifu wa kisharti ambayo watoaji alama mbadala wanalinganishwa na kazi na kiwango cha utendaji.
• Kugawa alama kwa binadamu ni chenyewe chenye thamani (2026): Luo na Dawson (2026) wanaonyesha kuwa hata kugawa alama kwa binadamu kwa kazi zilizosaidiwa na GenAI si kitendo cha upendeleo na kisichana kanuni. Mahojiano yanayotegemea hali na walimu 33 wa chuo kikuu yalibainisha maamuzi ya kugawa alama yakiongozwa na thamani zinazoelekea mtu (ukweli, bidii), zinazoelekea uwezo (ujitegemezi, ujuzi wa GenAI, utaalamu wa taaluma), zinazoelekea uhusiano (uaminifu), na zinazoelekea haki (usawa, wema) — zikipita zaidi ya kazi hadi nadharia ya mwalimu kuhusu mwanafunzi. Utafiti unabadilisha swali la tathmini kutoka "je, matumizi ya GenAI ni wizi?" hadi "je, hukumu za thamani za walimu zinaunda alama vipi, na je, thamani hizo zina umaanisha gani kwa matokeo yanayotathminiwa?" — na kuweka mbele uhalali na "uwazi wa pande mbili" kuhusu jinsi matumizi ya GenAI yatakavyoathiri alama.

Uadilifu na mjadala kuhusu ugunduzi

AI katika tathmini imeimarisha mazungumzo ya uadilifu. Mwelekeo mmoja unazingatia kugundua maandishi yaliyozalishwa na AI, wakati kundi linalokua la utafiti unadai kuwa ugunduzi ni zana ya muda na ya hali — si mkakati wa kwanza. Beyond Detection na Responsible Assessment wanadai kuwa uhalisi hauwezi kudhibitiwa ili kupatikana; lazima ibuniwe upya, ikiwa AI inawekwa kama mshirika aliyehusishwa na kipaumbele cha halisi, tathmini ya mchakato badala ya ufuatiliaji. Walton et al. (2025) wanaweka msingi huu kwa ushahidi wa jinsi wanafunzi wanavyohukumu kweli njia yao katika tathmini na GenAI: mahojiano ya kurudia nyuma na wanafunzi 26 yalibainisha safu ya matukio sita ya hukumu — kutoka kutathmini kwa njia mahususi maarifa ya AI na kujifunza kupitia mapungufu ya AI, hadi kupitisha mawazo bila kukagua na kuhukumu vibaya michango ya AI kama yao wenyewe. Stamatoulis et al. (2026) wanaongeza mwenzake wa kiidadi: katika wanafunzi 157, jinsi GenAI inavyotumika (muunganisho wa kutathmini kusaidia uelewa dhidi ya kupitisha bila uhakiki wa kiwango cha chini) ulitabiri utendaji, wakati mara ya matumizi haikutabiri utendaji wala Uwezo Binafsi ya kitaaluma. Pamoja, masudio haya yanabadilisha swali la tathmini kutoka kama wanafunzi wanatumia AI hadi jinsi wanavyohukumu na kupanga matumizi hayo. Bassett et al. (2026) wanaenda mbali zaidi, wakidai ugunduzi haupaswi kutumika kabisa: matokeo yake ya uwezekano hayawezi kuthibitishwa kwa njia huru kwa sababu asili ya maandishi ya ulimwengu halisi haijulikani, na alama za kigunduzi — peke yao au pamoja na alama za kisarufi, kulinganisha mitindo, dai la LLM, au ukimya wa mwanafunzi — hazitimizi viwango vya uwiano wa uwezekano ambavyo uchunguzi wa uadilifu unahitaji.

Mapitio ya PRISMA ya masudio 25 yanaongeza kigezo cha hatari ambacho mjadala wa ugunduzi unaacha: wasemaji wasio wenyeji wa Kiingereza walionyesha mwelekeo mkubwa wa kuvunja uadilifu walipokuwa na shida kuandika kwa Kiingereza, hivyo matarajio ya uadilifu yanapaswa kuungwa na msaada halisi wa uandishi wa kitaaluma badala ya utekelezaji tu (Balalle na Pannilage (2025)).

Kubuni upya tathmini katika zama za AI

Swali la kujenga katika fasihi ya tathmini ya hifadhi ya maarifa si "tuzuie wanafunzi wasitumie AI?" bali "tuwawezeshe waitumie kwa makini katika miktadha inayoakisi kazi zao za baadaye?" Hii inabadilisha tathmini kuzunguka:

• Kazi halisi na za msingi wa mchakato zinazofanya matumizi ya AI yaonekane na yathminiwe. Tathmini Halisi — kuchunguza utendaji wa mwanafunzi katika kazi zenye thamani na halisi — ni jibu kuu la changamoto ya AI: kazi yoyote ambayo Mifano Mikubwa ya Lugha (LLM) inaweza kuiga kwa uaminifu inapoteza uhalali wake, hivyo uhalisi lazima ibuniwe upya kuzunguka ushirikiano wa wakati halisi, mchango wa kidijitali na wa kijamii, na uundaji wa maana binafsi. Hii inaungana na mifumo ya kubuni kwa tathmini halisi, bidhaa halisi na michakato iliyothibitishwa, na tathmini ya mchakato isiyotegemea zana.
• Ubuni wa tathmini yenye uwajibikisho unaotegemea ushahidi wa uhalali (Responsible Assessment in the AI Era: Key Insights from a Future-Focused Conference)
• Ruhusa za AI za kiwango cha kazi zinazotokana na malengo ya tathmini: McCorkle (2025) anaonyesha kazi ya kubuni ya tathmini inayotangulia sera ya AI — kuorodhesha kila kazi katika mradi, kubainisha kile kinachotathminiwa na dhidi ya lengo lipi, na kuruhusu au kupiga marufuku AI kwa kila kazi kwa msingi huo (kuzua mawazo na kukusanya picha zinaruhusiwa; kuandika malengo ya kujifunza na kubuni slaidi haziruhusiwi). Zoezi lile lile la kulinganisha hufanya kazi maradufu kama ukaguzi wa uhusiano ambao tathmini inausaidia, kwa sababu unamlazimisha mkufunzi kutaja utendaji ambao alama inakusudiwa kuthibitisha (Uhalali wa Tathmini).
• Tathmini inayopita hali ya kisarufi: Jiang et al. (2026) wanafafanua ujuzi wa tathmini ya hali nyingi kwa walimu wa lugha ya pili kama maarifa, thamani na uwezo kwa kazi zinazovutia majibu katika hali za kisarufi, za kuona, za kusikia, za ishara na za nafasi. Programu ya mwaka mmoja na walimu 30 wa Kiingereza wa Hong Kong ilipandisha maarifa ya mbinu za tathmini kutoka 3.13 hadi 4.15 kati ya 5 (partial η² = 0.571) na uwezo wa kusaidia wanafunzi kutoka 3.05 hadi 3.98 (0.482), wakati sehemu zote tatu za thamani zilibaki zisizobadilika. Uzoefu wa walimu wenyewe uliongeza vipimo viwili kwenye mfumo: kudumisha mazoezi dhidi ya vipaumbele vinavyoshindana na mitaala, na kutumia GenAI kwa njia mahususi (Jiang et al. (2026)).
• Uandishi-wote na utangazaji kama sehemu ya mkataba wa tathmini
• Uzalishaji kama ujenzi — kutathmini uwezo wa wanafunzi wa kuongoza zana na kuzalisha kazi ya kiwango cha kitaalamu (Knowledge, Skills, Attitudes, Production: Competency-Based Education After Generative AI)
• Kutathmini mchakato wa mwingiliano, si kitu kilichozalishwa tu — mfumo wa DRIVE (Directive Reasoning Interaction + Visible Expertise) unachukulia ubora wa ushiriki wa mwanafunzi na GenAI kama ujenzi unaotathminiwa. Unatofautisha matumizi ya juu ya ngozi na mwingiliano wa kina na wa kutafakari kwa kuangalia kama wanafunzi wanaongoza ilani kwa mkakati (DRI) na kuunganisha na kukuza mawazo yao wenyewe ya taaluma kupitia mabadilishano (VE), na kuweka vigezo vinavyozingatia mchakato katika nadharia za Kujifunza kwa Kujiongoza Mwenyewe na ushiriki wa kiakili kwa namna ya mpangilio wa ICAP. Hii inafanya DRIVE kuwa mfano wa tathmini halisi inayoendeshwa na AI — rubriki ya kutathmini jinsi wanafunzi wanavyoshirikiana na GenAI badala ya zana ya kugundua.

Mapendekezo katika fasihi hii yanasukuma zaidi ya kubuni-upya-ndani-ya-mfumo-wa-sasa. El Khoury na Ma (2026) wanadai kuwa mabadiliko yanayoandaliwa kuzunguka kuzuia makosa au kugundua matumizi ya AI yanabana mazoea ya kielimu hadi udhibiti na utiifu, na wanapendekeza tathmini ya furaha badala yake: tathmini ambayo ni salama, yenye majibu ya kihisia, inayowezesha na inayounga mkono wakala wa mwanafunzi, ikiwa usalama ni hali inayobeba mzigo kwa sababu bila huo uakisi wa kihisia unakuwa utendaji, uwezeshaji unakuwa shinikizo na wakala unakuwa hatari. Mfumo wao unageuza mpango wa ugunduzi — uadilifu unakuwa matokeo ya kubuni tathmini ambazo wanafunzi wanataka kushiriki badala ya sehemu yake ya kuanzia — na wanaweka mawakala wa AI waliyojengwa na mkufunzi (GPT maalum, Gems, mawakala wa Copilot Studio) kama nafasi ya mazoezi ya hisa ndogo ambapo wanafunzi wanazoezi kabla ya hukumu, ikiwa na dai kuwa AI inaandaa ushahidi wakati mkufunzi anautafsiri.

Athari kwa AI katika elimu

• Tathmini na kujifunza havitenganiki: tathmini nzuri ya AI inapaswa kusaidia kujifunza (maoni ya mchakato) kiasi kile inavyotathmini.
• Uhalali lazima ufikiriwe upya: wakati AI inaweza kuzalisha kazi ya mwanafunzi, tathmini lazima zipime michakato, hukumu, na uzalishaji halisi, si matokeo tu.
• Uendeshaji kiotomatiki lazima uthaminiwe kwa ukali: watoaji alama wa kiotomatiki wanahitaji tathmini ya kipsikometriki na ya usawa, si madai ya usahihi tu.
• Uadilifu unahama kutoka ugunduzi hadi ubuni: jibu imara zaidi kwa AI katika tathmini ni kubuni kazi ambapo matumizi ya AI yanatarajiwa, yanatengenezwa, na yanachunguzwa.
• Mazoezi ya ubunifu yanaweza kushughulikia matatizo mengi kwa wakati mmoja. Mesny, Roberge-Maltais na Galy (2026) wanadai kuwa seti ya mazoezi matano yanayoimarisha kwa pande zote — Tathmini Halisi, tathmini binafsi na Tathmini ya Marika, tathmini upya, kugawa alama kulingana na viwango, na kutogawa alama — yanayolingana na falsafa ya "tathmini kwa ajili ya kujifunza" yanaweza kupinga madhara ya kugawa alama ya kawaida, yenye mkazo wa jumla, na inayorejelea viwango (ujifunzaji wa juu wa ngozi, motisha ya ndani iliyopungua, msongo na wasiwasi, ukosefu wa usawa, na uadilifu uliodhoofishwa) katika zama za AI inayozalisha. Wanagundua kuwa kupitishwa hakuwani sawa katika miktadha tofauti — tathmini binafsi na ya marika zinatawala wakati maboresho yanayozingatia kugawa alama yanabaki ya kando — na wanahimiza waelimishaji kushiriki kikamilifu na kwa njia ya pande mbili na ubunifu wa tathmini na kugawa alama, yakisaidiwa na majaribio ya hatua kwa hatua na msaada wa taasisi.
• Tathmini inayoendeshwa na AI inaendelea kupanuka. AIvaluate inaonyesha wakala wa mazungumzo unaongezwa na LLM ulipunguza wasiwasi wa mwanafunzi katika tathmini zinazotegemea utendaji; Pentland (2026) anagundua tathmini za mdomo za asynchronous zilitoa ushiriki mkubwa na zilieleweka kuwa muhimu kitaalamu; ITS inayotegemea graf inatumia ufuatiliaji wa hali ya maarifa unaobadilika kuongoza tathmini.

Dhana Zilizounganishwa

• Wanafunzi — Wanafunzi: muundo mkuu wa dhana za upande wa mwanafunzi
• Ushirikiano wa Mbinu za Kufundisha — Ushirikiano wa mbinu za kufundisha
• Tathmini ya Mchakato — Tathmini ya mchakato: maswali yaliyozalishwa, yaliyothibitishwa na yanayobadilika kwa kiwango kikubwa
• Tathmini ya Kiotomatiki — Kugawa alama na kupata pointi kiotomatiki katika hali mbalimbali za tathmini
• Tathmini Halisi — Kazi halisi za msingi wa mchakato zinazostahimili AI
• Uhalali wa Tathmini — Uhalali wa tathmini chini ya AI inayozalisha
• Upimaji wa Kielimu — Nadharia ya upimaji inayoimarisha tathmini ya AI
• Kupima Insha kwa Kiotomatiki (AES) — Upataji pointi wa kiotomatiki wa insha
• Uundaji wa Maswali wa Kiotomatiki — Uzalishaji wa kiotomatiki wa maswali
• Tathmini ya Mdomo — Tathmini ya mdomo: mifumo ya moja kwa moja na iliyorekodiwa inayopinga kubadilishwa kwa AI
• Tathmini ya Mwisho — Tathmini ya jumla: mifumo inayopinga AI (mdomo, inayofuatiliwa, mitihani ya bila vitabu)
• Nadharia ya Majibu ya Kipengele — IRT kwa kutafsiri majibu ya tathmini katika zama za AI
• AI yenye Ufahamu wa Kisaikometriki — Upataji pointi wa AI wenye ufahamu wa kipsikometriki
• Takwimu za Kujifunza — Uchanganuzi unaounganisha data ya tathmini na kujifunza
• Maoni — Mizunguko ya maoni inayofunga mzunguko wa tathmini-hadi-kujifunza
• Ujuzi wa Maoni — Ujuzi wa maoni wa mwanafunzi
• Uadilifu wa Kitaaluma — Uadilifu na mjadala kuhusu ugunduzi wa AI
• Kugundua Maudhui ya AI — Kugundua maandishi yaliyozalishwa na AI
• Tathmini ya AIEd — Mbinu na viwango vya kulinganisha vya kutathmini watoaji alama wa kiotomatiki
• Kasha la Kielektroniki (E-Portfolio) — Tathmini ya kwingineko ya kielektroniki ya msingi wa mchakato
• Teknolojia za Hotuba na Sauti
• Tathmini ya Marika

Makala Zilizounganishwa

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — Programu ya mwaka mmoja inayofafanua ujuzi wa tathmini ya hali nyingi na kupima kile kilichosogea, na kile hakikusogea
• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — Mawakala wa AI, tathmini ya furaha, na nafasi ya tatu
• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Ruhusa za AI za kiwango cha kazi zinazotokana na kile kinachotathminiwa (McCorkle 2025)
• Who grades best? Comparing ChatGPT, peer, and instructor evaluations across varying levels of student project quality — Kulinganisha kugawa alama kwa ChatGPT, marika, na mkufunzi katika viwango tofauti vya ubora wa mradi (Usher & Faraon 2026)
• Responsible Assessment in the AI Era: Key Insights from a Future-Focused Conference — Tathmini yenye uwajibikisho katika zama za AI
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Zaidi ya ugunduzi: tathmini halisi
• Coauthorship integrity: Reconceptualising assessment validity for the age of generative artificial intelligence — Uadilifu wa uandishi-wote na uhalali wa tathmini
• Knowledge, Skills, Attitudes, Production: Competency-Based Education After Generative AI — Elimu inayotegemea ujenzi baada ya AI inayozalisha
• Generative AI as a Design Variable: An Evidence-Centered Framework for Principled Governance in STEM Assessment — Utawala unaozingatia ushahidi wa AI inayozalisha katika tathmini
• Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity — Mapitio ya uadilifu wa AI: ugunduzi lazima uunganishwe na kubuni upya tathmini
• Heads We Win, Tails You Lose: AI Detectors in Education — Heads we win, tails you lose: AI detectors in education (Bassett et al. 2026)
• Exploring student anxiety and experience in performance-based assessments using AIvaluate: an LLM-augmented emotionally — AIvaluate: LLM-Augmented Assessment of Student Anxiety (2026)
• Intelligent tutoring in dynamic domains: a graph-based system for comparative analysis of adaptive algorithms — Graph-Based Intelligent Tutoring for Dynamic Domains (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: kuthmini kujifunza kupitia mwingiliano wa GenAI (DRI + Utaalamu Unaoonwa)
• How university students work on assessment tasks with generative AI: matters of judgement — Hukumu katika kazi ya wanafunzi na GenAI katika kazi za tathmini (wanafunzi 26, kurudia nyuma)
• Same tool, different work: patterns of generative AI use and academic outcomes — Mifumo ya matumizi ya GenAI (muunganisho wa kutathmini dhidi ya kupitisha bila uhakiki) na matokeo
• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — Hukumu za thamani katika kugawa alama kazi zilizosaidiwa na GenAI: ukweli, uaminifu, uhalali, na uwazi wa pande mbili (Luo & Dawson 2026)
• Estimating Item Difficulty Using Large Language Models and Tree-Based Machine Learning Algorithms — Kukadiria ugumu wa swali kwa kutumia LLM na ML inayotegemea mti
• Automated Grading of Open-Ended Questions in Higher Education Using GenAI Models
• Innovative assessment and grading practices in higher education: A critical exploration for management educators
• Can Generative Artificial Intelligence Reliably Score Open-Ended Question Assessments in Undergraduate Medical Education?
• Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback
• AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI — AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI