AIEd Hifadhi ya MaarifaAIEd KB
Kwenye ukurasa huu

Soma ukurasa huu kwa Kiingereza

Madhana

Upimaji wa Kielimu

Imeundwa 2026-10-13

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

Upimaji wa kielimu — nadharia na mbinu za kimetri za kupima kwa kiasi na kuthibitisha kujifunza na dhana zake — zinapitia kurasa za Nadharia ya Majibu ya Kipengele, Ufuatiliaji wa Maarifa, na Uhalali wa Tathmini za hifadhi ya maarifa. Zama za Mifano Mikubwa ya Lugha (LLM) zinalazimisha upimaji kupatanisha kimetri ya kikale na mitiririko mpya ya majibu yanayotengenezwa na AI: alama za kiotomatiki, ugumu unaotabiriwa na AI, na alama za AI ya Modaliti Nyingi zinapaswa kuthibitishwa dhidi ya kanuni zilizokwishaanzishwa za upimaji ili kuhifadhi uaminifu na uhalali.

Maswali ya Kutafakari

  • LLM inatabiri kuwa kipengele cha mtihani ni rahisi, lakini data ya jaribio ya kweli inasema wanafunzi wanakiona ni ngumu. UngeUaminifu ipi, na nini kingekuhakikishia kuaminia kadirio la mashine?
  • Upimaji wa kielimu unahusu kubadilisha uchunguzi wa kujifunza kuwa madai ya kiasi yanayoweza kutetea. AI inapotoa alama kwa insha au kukadiria jibu, je, 'alama' ni upimaji kiotomatiki — au kitu kinapaswa kuthibitishwa kwanza? Nini?
  • Utafiti fulani unaonyesha vyombo vya tathmini vinaweza kupima kitu kimoja kwa wanadamu na kitu tofauti kwa LLM — muundo wa dhana unatofautiana. Ikiwa dhana zinatofautiana kweli kati ya wanadamu na AI, hilo linamaanisha nini kuhusu alama au viwango vya ugumu vinavyotengenezwa na AI?
  • AI inaweza kutoa alama, kutengeneza vipengele, na kutabiri ugumu katika kiwango kisichokuwepo. Je, 'upimaji zaidi' ni sawa na 'upimaji bora'? Nini hufanya alama iwe ya kuaminika na yenye uhalali, na je, viwango hivyo vinaweza kuhifadhiwa wakati upimaji unafanywa na mfano wa kizalishaji?
  • Vigezo na alama zinazotengenezwa na AI zipo kila sasa. Ungehitaji kuona nini kabla ya kuitendea tathmini inayotegemea AI kama ushahidi kuhusu ufahamu halisi wa mwanafunzi badala ya namba tu?

Utangulizi

Upimaji wa kielimu ni somo la kubadilisha uchunguzi kuhusu kujifunza — majibu, tabia, alama — kuwa madai ya kiasi yanayoweza kutetea. Unajumuisha ufafanuzi wa dhana, kubuni kipengele/jaribio, kupima kiwango, uaminifu, na uhalali. Katika AI katika elimu, maswali ya upimaji yapo kila mahali: je, alama ya vigezo inapima tunachofikiri? Alama inayotengenezwa na AI ni ya kuaminika na yenye uhalali? Je, viwango vya ugumu vilivyotabiriwa na AI vinakubaliana na vile vilivyo kadiriwa kwa uzoefu?

Jinsi upimaji wa kielimu unavyoonekana katika utafiti

  • Mabadiliko ya AI katika uwanja kwa miongo kadhaa: Xiong and Li (2026) wanachora athari ya AI katika zama tatu (Formative 2015–2018, Expansion 2019–2022, Generative 2023–present) kupitia mfumo wa Ufanisi–Uboreshaji–Mabadiliko, ukienea kwenye AI katika kuweka alama na kutengeneza vipengele, uundaji wa kimetri, ubunifu wa tathmini na data ya michakato, na usawa/maadili/usawa. Wanatoa hoja kwa mfano mpya unaounganisha nadharia ya upimaji na mbinu za AI na kwa kufikiria upya dhana katika muktadha wa mwingiliano wa binadamu–AI — mpaka ule ule ambao ulinganisho wa muundo wa dhana unaochunguza kwa uzoefu.
  • Ugumu unaotabiriwa na AI na kurekebisha kadirio: Kurekebisha kadirio ya ugumu wa LLM na utabiri wa ugumu wa kipengele hutumia LLM kadirio ugumu wa kipengele, ambao unapaswa kuthibitishwa dhidi ya kadirio za kimetri (ona Nadharia ya Majibu ya Kipengele). Razavi and Powers (2026) wanaongeza jaribio kubwa la K-5 la dhana hii: katika vipengele 5,170 vya hisabati na kusoma vilivyorekebishwa kadirio chini ya mfano wa IRT wa Rasch, viwango vya ugumu vya GPT-4o bila mafunzo yalihusishwa kwa kiasi cha kati hadi nguvu na ugumu halisi (r = 0.83 hisabati, r = 0.81 kusoma) lakini vilikuwa visivyo sawa kati ya madarasa na havikuwa bora zaidi ya regresa ya udanganyifu ya wastani wa darasa kwa madarasa K na 1. Mbinu inayotegemea sifa — sifa za kiakili na za lugha zilizotolewa na LLM zilizowekwa katika mifano ya mti — ilifikia uhusiano hadi r = 0.87, huku kiwango cha darasa na idadi ya maneno vikiwa watabiri wa juu. Utafiti unaonyesha ahadi na mipaka ya ugumu unaotabiriwa na AI kama kiingilio cha upimaji, na unatoa mtiririko wa vitendo wa hatua saba kwa wataalam wa majaribio.
  • Lebo ya taksonomia haitabiri tabia ya kipengele. Katika vipengele 265 vya hisabati, kiwango cha Bloom kilichokusudiwa kilieleza chini ya 5% ya tofauti katika ugumu (ε² = .043) na hakuna kwenye ubaguzi (Kruskal–Wallis H = 0.54, p = .77), huku uainishaji wa LLM ukikubaliana na wanaoweza kodi ya wataalam kwa uwiano tu (Cohen's κ = .22) na kukuvuta vipengele kuelekea bendi ya tumia/changanua (Altaweel & Moussa (2026)).
  • Wakati lebo za ugumu zilizotengenezwa hazipimi ugumu. Ukaguzi wa uhalali wa dhana wa maswali 311 yaliyotumika yanayotengenezwa na LLM ulipata lebo ya ugumu iliyotengenezwa ikihusishwa na kiwango chake cha Bloom kilichotengenezwa kwa pamoja kwa ρ=0.90 lakini na ugumu wa uzoefu (kielelezo cha Nadharia ya Jaribio la Kikale 1−p) kwa ρ=0.06 tu, huku urefu wa chaguo ukienda nyuma (ρ=−0.18) — tokeo la lebo-kama-umbo la nje ambalo linaweka mipaka kwa masomo ya matumaini ya ugumu unaotabiriwa na AI yaliyo juu (An & Wang (2026)).
  • Hukumu vipengele vilivyotengenezwa kwenye njia ya suluhisho, si kwa maneno. Kuweka kodi mti wa hoja uliyothibitishwa wa kila kipengele kulipandisha utendaji juu ya mbinu ya pili bora kwa 7.5% katika tathmini ya dhana, 6.3% katika kadirio la ugumu na 19.5% katika tathmini ya uwezo, ambapo msingi wa hatua moja ulilebeya kipengele kinachofuata kigezo kuwa "Hoja" na kipengele cha jiometri kuwa "Kujua" (Tong et al. (2026)).
  • Ufahamu wa kimetri katika Tathmini ya AI: AI inayo julikana kimetri ni kiwango kwamba tathmini inayotegemea AI ilingane na nadharia ya upimaji — iliyorekebishwa kadirio, inayojua kutokuwa na uhakika, na inahifadhi uhalali (ona Tathmini ya AI Inayojua Uhakika).
  • Lebo za umahiri hujengwa, hazionekani. Pale utambuzi unahitaji ukweli wa msingi, Jia and Dong (2026) walijenga kupitia utaratibu wa kudhibiti uhalali — ramani za dhana za mtaala, ramani za pointi za maarifa zilizokaguliwa na mkufunzi na ushahidi wa tathmini unaokutana — badala ya kubadilisha alama za tabia moja kwa moja, na utambuzi wao ulilingana na wataalam wa kisaikolojia katika Cohen's kappa 0.78 dhidi ya 0.65 kwa IRT.
  • Kuweka alama kiotomatiki na uhalali: Kuweka alama na AI na upendeleo wa lugha na kadirio la parameta ya kipengele ya multimodal huchunguza jinsi kuweka alama kiotomatiki na data ya multimodal vinaathiri ubora wa upimaji.
  • Miundo ya uhalali: Uhalali wa Tathmini na NLP Katika Elimu hutoa viwango na zana za kuthibitisha upimaji unaotegemea LLM.
  • Ulinganisho wa muundo wa dhana: Strugatski et al. (2026) wanapanua upimaji wa kielimu kwenye mpangilio wa LLM kwa kujaribu iwapo vyombo vya tathmini vinaonyesha muundo ule ule wa kipengele kwa wanadamu na LLM. Kwa kutumia EFA, muafaka wa kipengele, na sampuli upya, wanaonyesha miundo ya dhana ya LLM–binadamu inatofautiana kwa mfumo katika vyombo vya kemia na vya hoja za kiasi, ikimaanisha dhana zinazopimwa zinatofautiana kati ya watu — ukaguzi unaohitajika kabla ya ushahidi wa uhalali wa binadamu kudhaniwa kuhamia kwa AI.
  • AI kama mtathmini mwenye hitilafu inayoweza kupimwa: Cvengros & Kortemeyer wanatendea pointi zilizotolewa na AI kama uchunguzi unaoweza kukosea wenye vyanzo vingi vya hitilafu (vipengele, matukio, kazi) chini ya nadharia ya uwezo wa kujumlisha na uhalali unaotegemea hoja wa Kane. Uchanganuzi wa uaminifu wa mtihani wa kemia ya jumla ulioandikwa kwa mkono wa wanafunzi 296 ulionyesha uthabiti mkubwa wa alama za jumla katika matukio matano ya AI (ICC(A,1) = 0.967, Kendall's W = 0.959, koeffisheni ya kurudia ya 95% ya 5.33 kati ya pointi 60) pamoja na uthabiti wa chini wa kiwango cha kipengele (ICC(A,1) = 0.836) — hitilafu zisizo za mfumo hujitokeza kiasi wakati zimejumuishwa (athari ya kupunguza mzigo ya Spearman–Brown ambayo hupandisha makubaliano ya alama ya jumla hadi R² = 0.91), huku mchezo mdogo chanya wenye mteremko < 1 ukifichua upendeleo wa kubana alama wa "mtathmini mwoga." Hii inaweka kupanga wastani wa matukio na kupunguza mzigo kama maamuzi ya kubuni upimaji, na inahamasisha vichujio vya kujiamini vilivyorekebishwa kadirio kwa hatari ya IRT kama ulinzi wa uhalali kabla ya vipimo vya kiotomatiki kuaminiwa.
  • Toleo la mfano ni hali ya upimaji. Hao (2026) alipata kufanana kwa majibu ndani ya mfano (0.715–0.795) kwa kiasi kikubwa kukizidi kufanana kati ya mifano (0.443–0.604) katika LLM nne, kwa hivyo hoja ya kuweka alama iliyoanzishwa kwa utumiaji mmoja haihamii kiotomatiki kwa mrithi wake.
  • Tokeo lisilo na athari si ushahidi wa kufanana isipokuwa limewekewa mipaka. StudentBench ilijaribu iwapo mafunzo ya AI yaliyounganishwa yalilingana na mafunzo ya binadamu ya wataalam kwa majaribio mawili ya upande mmoja dhidi ya ±0.25 ya wastani uliopanganywa zaidi ya jaribio la tofauti, ikiripoti tofauti iliyorekebishwa ya -0.58 ya pointi za asilimia (90% CI [-2.18, 1.03]) - chaguo ambalo hubadilisha tokeo lisilo na nguvu ya kutosha kuwa dai la kufanana (Northcutt et al. (2026)).
  • Kurekebisha kadirio kinachoongezeka na data mpya badala ya historia yote: Jewsbury et al. (2026) wanakabiliana na matokeo ya uendeshaji wa kutengeneza vipengele na AI — benki kubwa zaidi, zenye nafasi ndogo na zilizosasishwa mara nyingi zaidi ya zile za kawaida, ambapo kurekebisha data yote iliyokusanywa kwa kila sasisho ni ghali na inaweza kuzidi kumbukumbu inayopatikana. Kurekebisha kadirio kwa makubaliano kwao kunaunganisha vipindi vilivyorekebishwa kadirio kwa uhuru kwa kuweka kila kipindi cha posterior draws juu ya kipimo cha pamoja na uunganisho thabiti wa Haebara wa kila draw (kwa hivyo kutokuwa na uhakika wa kuunganisha huenezana badala ya kutendewa kama mabadiliko yasiyobadilika), kisha kukusanya kama bidhaa ya posterior za Gaussian ambapo prior ya kila kipindi iliyo kadiriwa, ya kihierarkia inatoa na prior ya makubaliano inarejeshwa. Juu ya data ya uendeshaji ya Duolingo English Test katika vipindi vinne, jumla ililingana na kigezo cha tukio moja lililopanganyika juu ya posterior means (r = .998 kwa ugumu, .991 kwa log-discrimination) na standard deviations (r = .970 na .920), pamoja na under-dispersion ya 0.91–0.98 katika uwiano wa consensus/pooled SD katika tertiles za mipangilio — iliyoungana katika tertile ya vipengele yenye nafasi ndogo zaidi, ambapo kuhesabu kupita kiasi kwa prior kinauma zaidi. Somo la upimaji ni la pande mbili: prior iliyokadiriwa haiwezi kushughulikiwa na vifaa vya kawaida vya prior subset ya hisabati ya Bayesian ya sambamba, na dispersion ya posterior — kutokuwa na uhakika ambao uteuzi unaobadilika na kuweka alama hutumia — ni lengo la marekebisho kiasi kile kama posterior mean.
  • Kutambua dispersion ya mfumo kutoka namba mbili zilizochapishwa: Restrepo Morales et al. (2026) wanaonyesha kuwa standard deviation ya usambazaji wa mafanikio inaweza kurejeshwa kutoka takwimu za muhtasari zilizochapishwa peke yake — wastani na sehemu ya wanafunzi walio katika au juu ya alama ya ukomo wa ustadi — kwa sababu chini ya dhana ya usambazaji σ = (c − μ) / z(1 − p). Zilizotumika kwa PISA 2025 ya El Salvador (wastani wa hisabati 346, 12.28% katika au juu ya ukomo wa kiwango-2 cha 420.07), σ iliyoashiriwa ni 63.8 (kusoma 76.8, sayansi 63.8), chini kabisa ya kigezo cha kimataifa cha 100, kama inavyotarajiwa kwa usambazaji uliosukumwa dhidi ya sakafu ya kiwango; kadirio tatu zilipatikana kutoka jozi za namba za uhuru na ziko katika takribani pointi 13 kutoka kila mmoja, ukaguzi mdogo wa uthabiti wa ndani. Sehemu katika Kiwango 2 inaripotiwa kwa kila mfumo wa PISA na inaimarisha kiashiria cha SDG 4.1.1, kwa hivyo utambuzi hauhitaji data ndogo, na karatasi hiyo hiyo inaonyesha shida ya msingi katika ukubwa wa athari kwa kuripoti pengo moja la hisabati kwa njia tatu — pointi 129, 1.29 standard deviations za kimataifa, au 2.02 standard deviations za usambazaji wa El Salvador wenyewe — kwenye hoja kwamba ukubwa wa athari uliosawazishwa uliogawanywa na dispersion ya sampuli yao wenyewe haufai kulinganishwa kati ya masudio.

Vyombo vya upimaji katika hifadhi ya maarifa

Kazi moja kuu ya upimaji wa kielimu ni maendeleo, uthibitisho, na matumizi ya vyombo — skela halisi, majaribio, na mipango ya kuweka kodi ambayo hufanya dhana ziwe za uendeshaji. Makala ya hifadhi ya maarifa yanarekodi mpana wa vyombo kwa dhana za AI katika elimu, ambavyo vinaweza kupangwa kwa kile wanachopima na kwa mbinu yao ya upimaji.

Vyombo vya ujuzi wa AI / GenAI

Ujuzi wa AI ni dhana yenye mifumo tajiri zaidi ya vyombo katika hifadhi ya maarifa. Familia mbili pana zipo: majaribio yanayotegemea utendaji (ya kisababu, yenye uwezekano mdogo wa kupendelea ripoti binafsi) na skela za kujitangaza (zilizochukuliwa kama dhana za kujitangaza, zinazopima uwezo unaohisika). Athari za kubadilisha za familia hiyo ya pili ni somo la Vipimo vya Kujitangaza: ripoti binafsi hufikia mitazamo na hisia kwa bei ndogo, lakini haiwezi kubeba dai kuhusu uwezo au tabia, na hifadhi ya maarifa inarekodi pengo la kadirio kupita kwa 40% wakati vipimo vya kujitangaza na vya utendaji vinalinganishwa.

Vyombo vya mitazamo, kukubalika, na motisha

Vyombo vya ubora wa tathmini na uhalali

Mbinu ya upimaji ni muhimu

Ushahidi wa hifadhi ya maarifa unaonyesha kwa marudio kwamba jinsi dhana inavyopimwa hubadilisha hitimisho. Ujuzi wa AI unaojitangaza unatofautiana kwa kiasi kikubwa na vipimo vinavyotegemea utendaji (How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures); uwekaji kodi wa LLM wa mahusiano unatofautiana na uwekaji kodi wa binadamu aliye funzwa (Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents); na miundo ya dhana inatofautiana kati ya wanadamu na LLM (Do Assessment Instruments Measure the Same Thing for Humans and LLMs? A Latent Structure Analysis). Uthibitisho mkali wa kifaa — uaminifu, uhalali wa muundo, uhalali wa nje/utabiri — kwa hivyo si suala la kawaida bali msingi wa ushahidi wa kuaminika wa AI katika elimu, ukihusiana na Uhalali wa Tathmini na AI yenye Ufahamu wa Kisaikometriki. Somo la hivi karibuni la kiwango cha nyenzo linaonyesha kazi ngapi ya uthibitisho zilizoko nyuma ya dai rahisi la kukubalika: Wang, Chuang na Wu (2026) walitumia kubuni cha nusu-nusu (EFA kwenye sampuli ya maendeleo, CFA kwenye nusu iliyowekwa kando) kwa vitabu viwili vya ujuzi wa AI vilivyo na kizingiti cha umri, wakiripoti KMO = .820, 67.3% ya tofauti iliyoelezewa, ufaafu unaokubalika wa wanafunzi (CFI = .943, RMSEA = .059, SRMR = .059), uaminifu wa muunganiko wa .84 hadi .90, na kutokubadilika kwa upimaji katika matoleo — kisha wakirekodi mahali kifaa kinavyozidi, na thamani za HTMT hadi .950 na uhusiano wa kuchezesha-nia uliowekewa mipaka ambao ulipaswa kujaribiwa kwa umoja. Ukaguzi wao wa ziada wa utendaji tofauti wa kipengele ni mfano wa ukweli ambao ukurasa huu unatoa hoja: kutokubadilika kulishikilia, lakini mifumo ya majibu yenye tofauti ndogo miongoni mwa wanafunzi wadogo ilimaanisha tofauti moja ya kikundi ilidhoofu mara wanaojibu hao walipotengwa, na karatasi inaripoti hilo kando ya tokeo kuu badala ya badala yake.

Oliveira et al. (2025) wanaonyesha mlolongo wa uthibitisho kwa kipimo kipya cha michakato: kuweka alama kwa kumbukumbu za mwingiliano wa wanafunzi na GenAI dhidi ya taksonomia ya vipimo 32 vilivyo chini vilifika makubaliano ya kati ya wawekao kodi (Cohen's κ = 0.44) lakini yalihusishwa r = 0.54 na alama za insha, huku kikipimo kipya kikipata msaada unaokutana.

  • Koeffisheni za makubaliano ni sifa za korpusi, na alama ni bidhaa za pamoja. Uthibitisho wa kuweka alama kiotomatiki wa machapisho 60 ya uuzaji uliripoti makubaliano kamili ICC(2,1) ya .435 kwa LLM, .266 kwa mseto wa kanuni-plus-LLM na .091 kwa kanuni za kudhamiria, na kutokuwa na uhakika kukikadiriwa kutoka sampuli 2,000 za bootstrap za kikundi cha mwandishi na MAE ya pointi 6.28-17.22; kuongeza viweko vilivyoandikwa na watafiti kulihamisha makubaliano ya wawekao kodi kutoka .338 hadi .902, ukionyesha jinsi kadirio hizi zinavyotegemea kwa nguvu seti ya rejea (Agreement and error in automated scoring of student marketing posts). Ukaguzi wa kurekebisha alama kwa wataalam wa vigezo vya fizikia unafanya hoja inayokamilisha kwenye kiwango cha kifaa: 95.20% ya kukataliwa kwa walio kaguliwa kulikuwa makosa ya kigezo au mtathmini badala ya kushindwa kwa mfano, kwa hivyo alama iliyopimwa inapaswa kuripotiwa kama sifa ya benki ya vipengele, rubriki na mtathimi pamoja (How Good Are Frontier Models at Physics? Expert Re-Grading Reveals Broken Evaluations and Near-Saturation of Leading Benchmarks).

Uaminifu kwa sehemu unarejeshwa kutoka mfano wenyewe. Organisciak na Acar (2026) wanatathmini vinasaba vitatu vya bei ndogo vya kuweka alama kwa LLM juu ya majibu zaidi ya 20,000 ya Alternative Uses Test: kusoma kujiamini kwa kiwango cha tokeni cha mfano wenyewe, kuchukua wastani uliopimwa wa uwezekano juu ya alama zake zilizotabiriwa za juu-n badala ya nadharia moja bora, na kuunganisha mifano. Kila moja iliboresha makubaliano na alama za binadamu (uhusiano ukipanda kutoka r = 0.781 hadi 0.823 na RMSE ikishuka kutoka 0.599 hadi 0.498 katika mpangilio bora), na utambuzi wao unaweka kushindwa mahususi kwa kuweka alama kwa kupitisha mara moja: kujiamini kunakoeleza mfano kulikuwa na uhusiano hasi na usahihi wake (β = −0.602). Hii ni tokeo la mbinu ya upimaji badala ya tokeo la mfano — mfano ule ule, uliowekewa alama kwa njia tofauti, ni kifaa cha kuaminika zaidi — na iko kando ya ushahidi wa makubaliano wa kiwango cha korpusi ulio juu.

Tathmini ya 2026 ya vyombo 33 vya ujuzi wa AI vya walimu inaonyesha mahali maendeleo ya kifaa yameiva na mahali hayajaiva. Zainal, Mohd Matore na Maat (2026) waliipa alama vyombo dhidi ya jedwali la maamuzi lililobadilishwa kutoka COSMIN na Terwee et al. (2007) na walipata uthabiti wa ndani kuwa kikoa lenye nguvu zaidi (28 ya 33 katika Daraja A, 84.8%) na usawa kuwa dhaifu zaidi, na vyombo vitano tu (15.2%) vikiripoti ushahidi wa kutokubadilika kwa upimaji au utendaji tofauti wa kipengele. Uhalali wa muundo ulikuwa na nguvu, na vyombo 24 (72.7%) katika Daraja A kupitia CFA, PLS-SEM au uundaji wa IRT, hata hivyo uhalali wa maudhui ulitegemea hasa ukaguzi wa ubora, na vyombo 21 (63.6%) katika Daraja B kwa kukosa takwimu za makubaliano ya wataalam wa kiasi.

Uteuzi wa kipengele kiotomatiki unaweza kupunguza kifaa bila kuunda upya: uboreshaji wa kungu wa chumvi juu ya sampuli iliyounganishwa ya wave mbili (N = 305, 342) ulizalisha fupi ya vipengele 12 vinavyohusishwa r = 0.910–0.944 na skela kamili katika kila kipimo, ingawa vipengele viwili kwa kila kipimo vinashika mpiana mwembamba wa maudhui (Wang, Zhang na Zhang (2026)).

Masuala na mipaka: kile upimaji unaweza kukosa au kupata vibaya

Upimaji wa kielimu ni wenye nguvu lakini unaweza kukosea. Kuelewa hali zake za kushindwa ni muhimu kwa kusoma kwa ukosoaji ushahidi wa AI katika elimu — na kutambua mahali faida inayoonekana ya kujifunza au dai la dhana inaweza kuwa kitu kilichotokana na upimaji badala ya athari halisi.

  • Mipaka ya uaminifu. Upimaji hauna kamili uaminifu; tofauti ya hitilafu ipo kila wakati. Wakati vyombo vina uthabiti mdogo wa ndani au uthabiti wa jaribio–kujaribia, tofauti zilizoonekana zinaweza kuwa kelele. Katika miktadha ya AI, hali mpya za kushindwa zinaongeza hili: majibu yanayotengenezwa na LLM yanaweza kuwekewa alama kwa makubaliano makubwa ya mashine huku yakitofautiana na kuwekewa alama kwa binadamu (Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents), na kuweka alama kiotomatiki kunaweza kuwa ya ndani thabiti huku kikiwa ni vibaya kwa mfumo — usahihi bila uhalali. Mipaka ya upimaji ya utafiti wa AIEd inarekodi vyambo visivyoaminika kama udhaifu wa kuvuka.

  • Kutokuwa na uhakika wa kuweka kodi kama hitilafu kunachanganya makosa mawili. Katika jaribio la maarifa ya afya ya akili la kauli 30, kuweka alama kwa usahihi kulihesabu sijui kuwa sio sahihi, hata hivyo 67.3% ya wanafunzi walichagua kwenye ukweli mmoja wakati 60.6% ya majibu ya mfano yalikuwa vibaya kwa chanya — umbo la kulazimisha sahihi/sio sahihi haiwezi kutenganisha kutokuwa na uhakika na imani isiyo sahihi (Richter et al., 2026).

  • Makubaliano ya mtathimi yanaweka kikomo cha vitendo. Uthibitisho mkubwa kwenye Acredita EB ya Uruguay (A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment) ulipata kuwa makubaliano ya mtathimi wa binadamu yenyewe yanaweka kikomo cha vitendo cha kuweka alama kwa AI: miongoni mwa wataalam kumi wakiweka alama kwa maandishi 50 kwa uhuru, hakuna kipengele cha rubriki kilifika makubaliano ya pamoja na makubaliano ya kusanyiko, mtathimi mwenye tofauti zaidi mara nyingi alikuwa chini ya 80% ya makubaliano huku bora zaidi akizidi 90%, na Cohen's Kappa ilikuwa ndogo tu au ya wastani kwa vipengele kadhaa vilivyo na uelewa ambao karibu majibu yote yanatimiza. Waandizi kwa hivyo wanahukumu alama za kiotomatiki dhidi ya kiwango cha rejea ambacho wenyewe si kamili — watathmini kumi, alama moja ya uendeshaji kwa majibu mengi, na vipengele kadhaa katika eneo la kukubalika la kawaida la 70% — tahadhari kwa dai lolote la upimaji lililojengwa juu ya lebo za uendeshaji za mtathimi mmoja.

  • Uhalali — kupima kitu kisichofaa. Uhalali huuliza kama kifaa kinapima dhana inayoitaka. Kushindwa kwa kawaida ni pamoja na udhihirishaji mdogo wa dhana (jaribio la ujuzi wa AI ambalo linasampuli maarifa ya kiufundi tu, likikosa maadili) na tofauti isiyohusiana na dhana (kipengele kinachozawadi ufasaha wa kusoma badala ya ujuzi lengwa). Kuweka alama na AI na upendeleo wa lugha kinaonyesha jinsi sifa za nje — lugha, mtindo wa kusema, mtindo — zinaweza kuendesha alama za kiotomatiki kwa njia zisizohusiana na dhana iliyokusudiwa. Uhalali wa Tathmini ni ulinzi dhidi ya vitisho hivi.

  • Skela inaweza kurejesha idadi iliyokusudiwa ya vipengele bila kupima dhana zilizokusudiwa. Kang, Lee na Kang (2026) walihifadhi vipengele sita kutoka skela ya huruma ya AI ya vipengele 42, lakini vipengele havikuweza kurejesha vipengele sita vilivyokusudiwa — Nia ya Kijamii haikubaini kipengele — kwa hivyo muundo unawasilishwa kama wa muda.

  • Pengo la kujitangaza. Vipimo vya kujitangaza hupima uwezo unaohisika, si uwezo halisi. Hifadhi ya maarifa inaonyesha kwa marudio ujuzi wa AI unaojitangaza unavyotofautiana kwa kiasi kikubwa na vipimo vinavyotegemea utendaji (How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures, kadirio kupita kwa ~40% na waalimu) na kuwa ripoti binafsi inashindwa kutabiri utendaji halisi unaosaidiwa na AI ambapo majaribio ya utendaji yanafanikiwa (GLAT). Vipimo vinavyotegemea ripoti binafsi vinaweza kupitisha dhana kwa mfumo na kuficha mapengo halisi ya ujuzi.

  • Kadirio lililopanganyika ni nyeti. Mapitio ya 2026 yaliyo na muundo yaliyopanga uhusiano wa kijitangaza–kisababu wa ujuzi wa AI katika sampuli zile zile tu (N = 2,765) yanatoa r = .055 (Hartung-Knapp 95% CI [−.047, .156]); katika k = 3, wakati waadhibishaji wa heterogeneity wanakubaliana na somo moja likibeba 77.2% ya uzito, haiwezi kuweka ukomo wa ustadi (Verí (2026)).

  • Dhana ambazo hazihami kati ya watu. Strugatski et al. wanaonyesha vyombo vya tathmini vinaweza kuwa na muundo tofauti wa kipengele kwa wanadamu na LLM — ikimaanisha vipengele vile vile vinaweza kupima dhana tofauti za kujificha kati ya watu. Hata kati ya wanadamu, vyombo vilivyothibitishwa kwa kikundi kimoja (mfano, Magharibi, yenye rasilimali za Elimu ya Juu) vinaweza kutojumuishwa kwa vingine (Kusini ya Dunia), wasiwasi kwa uwezo wa kujumlisha wa vipimo vya AI katika elimu.

  • Kile upimaji unaweza kukosa. Baadhi ya dhana za kati zaidi kwa kujifunza katika AI katika elimu ni ngumu zaidi kupimwa vizuri — na kwa hivyo ni rahisi zaidi kukosewa au kupotoshwa na vyombo:

    • Mchakato na mkakati. Vipimo vya kawaida vya matokeo hupima bidhaa ya kujifunza, si mchakato. Vinaweza kukosa jinsi wanafunzi wanavyojihusisha kweli na AI — kutegemea kupita kiasi, kukubali bila tafakari, au uhakiki mahususi. Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing inatumia alama za mwingiliano hasa kwa sababu ripoti binafsi na majaribio ya matokeo hukosa mienendo hii.
    • Kujifunza kwa muda mrefu na kudumu. Jaribio moja la baada linaweza kuonyesha utendaji uliopandishwa kutoka msaada wa AI huku likikosa uthabiti wa maarifa ya kudumu, yasiyosaidiwa (pengo la utendaji–kujifunza). Upimaji katika wakati mmoja unaweza kuwa unaopotofu kwa njia inayotenda kuhusu kujifunza.
    • Usawa na ufikiaji. Vyombo ambavyo vinadhani ufikiaji wa kifaa/mtandao sawa, au ambavyo vimewekwa kiwango juu ya sampuli za wenye upendeleo, vinaweza kukosa — au kupima chini kwa mfumo — uwezo wa wasiowajua Wanafunzi wenye rasilimali ndogo, huku ikisawazisha mapengo ya ufikiaji kama mapengo ya uwezo.
    • Hisia na hali za kimotisha. Mahusiano, motisha, na uwezo binafsi mara nyingi hupimwa kwa ripoti binafsi, zikirithi pengo la kujitangaza lililo juu; zinaweza kupungua kupata mienendo ya wakati na ya hali ambayo huendesha kujifunza.

  • Upimaji wa kiotomatiki unaweza kuwa na kujiamini na kuwa vibaya. Mchanganyiko wa kujiamini kikubwa cha mashine na kuweka alama kwa njia isiyo wazi ni hatari ya kipekee ya zama za AI: mtathimi au mwekaji kodi wa LLM anaweza kuzalisha alama zenye uthabiti mkubwa wa ndani ambazo ni zenye upendeleo kwa mfumo, na kuonekana kwa ustahmilivu (N kubwa, makubaliano makubwa kati ya LLM) kunaweza kuficha ubatili. Miundo ya Tathmini ya AIEd na AI yenye Ufahamu wa Kisaikometriki ni tiba — ikihitaji kurekebisha kadirio, ufahamu wa kutokuwa na uhakika, na ushahidi wa uhalali kabla ya vipimo vya kiotomatiki kuaminiwa.

Kwa ufupi, upimaji wa kielimu unaweza kukosa kile kisichosampuliwa (mchakato, udumu, ufikiaji, hisia) na unaweza kupata vibaya kile kinachosampuliwa vibaya (hisi binafsi, sifa za nje, dhana za kuvuka watu). Kusoma matokeo ya AI katika elimu kwa hivyo kunahitaji kuuliza si tu nini kilipimwa bali jinsi — na kile kifaa kinaweza kushindwa kupata.

  • Kuweka kodi kinachoweza kukaguliwa kinatenganisha hitilafu ya ufafanuzi na hitilafu ya mfano. EduBehaviors inagawa dhana kuwa tabia zinazoweza kuonekana zilizowekewa kodi kwa mbali pamoja na kanuni ya wazi ya kupunguza mzigo, kwa hivyo mkaguzi anaweza kuona ushahidi upi ulizalisha lebo na kurejesha lebo baada ya mabadiliko ya kanuni bila miito mipya ya mfano; ilifikia macro-F1 0.673 juu ya Teacher TalkMoves, yenye ushindani na kuweka ilani la moja kwa moja la LLM (Bernado et al., 2026).

Mahusiano

Upimaji wa kielimu ni msingi wa Nadharia ya Majibu ya Kipengele, Uhalali wa Tathmini, Ufuatiliaji wa Maarifa, na Uundaji wa Mifano ya Wanafunzi na Mafunzo Yanayobadilika. Inahusiana na Takwimu za Kujifunza (upimaji wa data ya kujifunza), NLP Katika Elimu (kupima lugha), na AI yenye Ufahamu wa Kisaikometriki (AI iliyoungana na nadharia ya upimaji). Wasiwasi wake wa uhalali na uaminifu vinaimarisha Tathmini ya AIEd na mipaka ya upimaji ya uwanja. Kwa dhana zinazopimwa, inakutana na Ujuzi wa AI, Miundo ya Kupokea Teknolojia, Uwezo Binafsi, Motisha, na Mahusiano ya Mwanafunzi.

  • Uundaji wa sababu na athari wa miingiliajo ya msaada (2026): itifaki ya uundaji wa sababu na athari wa muundo inahamisha tathmini ya kielimu mbali na kuboresha imani ya item-response-theory ya kuambatana kuelekea hoja za kuingilia na kupinga ukweli (mfano, athari ya dokezo), na misingi ya muundo iliyotolewa na wataalam kwa kutumia habari ya kimantiki tu — iliyowasilishwa juu ya kazi za ujuzi wa algoriti za lazima ya shule (Causal Modelling of Support Interventions for Student Competency Assessment).

Dhana Zilizounganzwa

Makala Zilizounganzwa

FAQ Zilizounganishwa

Metadata

Teknolojia na MbinuNLP Katika Elimu, Ufuatiliaji wa Maarifa, Takwimu za Kujifunza
Tathmini na UpimajiUhalali wa Tathmini, Nadharia ya Majibu ya Kipengele, AI yenye Ufahamu wa Kisaikometriki
Misingi ya Akili Bandia katika ElimuUjuzi wa AI
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.