AIEd Hifadhi ya MaarifaAIEd KB
Kwenye ukurasa huu

Soma ukurasa huu kwa Kiingereza

Madhana

Usimamizi wa Mitihani wa Nje ya Awamu ya Mwili

Imeundwa 2026-10-13

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

Usimamizi wa mitihani ya nje ya awamu ya mwili — ufuatiliaji wa mitihani wanapofanya wanafunzi mbali na mahali halisi paliposimamiwa, kuanzia msimamizi wa binadamu anayetazama kupitia kamera ya mtandao au kituo cha kudhibiti hadi mifumo kamili ya usimamizi ya otomatiki inayotegemea AI (AIPS) inayotumia kujifunza kwa mashine/kujifunza kwa kina kuthibitisha utambulisho na kuashiria tabia ya kutiliwa shaka. Ni njia kuu ya kuhifadhi uhalali wa Tathmini ya Mwisho na uadilifu wa kitaaluma katika kujifunza mtandaoni na kwa umbali, ambapo uangalizi wa ana kwa ana mara nyingi hauwezi kufanyika — lakini inainua wasiwasi makubwa kuhusu Faragha, ufuatiliaji wa kitaaluma, usawa, haki, na mmomonyoko wa Uaminifu, gharama ambazo zinaweza kudhuru mazingira ya kujifunza ambayo inakusudiwa kulinda.

Maswali ya Kutafakari

  • Kabla ya kusoma, unapopitia picha ya 'uadilifu wa kitaaluma katika mitihani mtandaoni,' hisia yako ya kwanza ya kulihifadhi ni ipi — na je, hisia hiyo ni kuhusu kugundua wadanganyifu au kuhusu kujenga uaminifu? Ukurasa unadai hizi zinaakisi falsafa mbili tofauti sana.
  • Usimamizi wa mitihani ya nje unatofautiana kuanzia binadamu anayetazama kupitia kamera ya mtandao hadi mifumo ya AI inayochanganua miendo ya macho, mkao wa kichwa, na mielekeo ya uso. Mfumo wa AI unatazama nini kweli unapoashiria 'tabia ya kutiliwa shaka,' na una uhakika kiasi gani kuwa kuangalia mbali ya skrini ni sawa na udanganyifu?
  • Ukurasa unaonya kuwa ufuatiliaji unaweza kupunguza tija: kutazamwa kunainua wasiwasi wa mtihani, na wanafunzi wenye mkazo wanaweza kuwa na uwezekano mkubwa zaidi wa kudanganya. Unaweza kufikiria wakati ambao mkazo au ufuatiliaji uliathari utendaji wako mwenyewe? Je, uzoefu huo unadhoofisha hoja ya usimamizi?
  • Usimamizi wa otomatiki hurekodi nafasi ya kuishi ya mwanafunzi, uso, na sauti, mara nyingi bila chaguo halisi isipokuwa ridhaa. Mstari uko wapi kati ya usimamizi wa mtihani wa busara na ufuatiliaji unaowadhani wanafunzi wahalifu hadi wathibitishe uaminifu — na nani anapaswa kuuchora?
  • Utafiti unaonyesha usimamizi unaweza kuashiria tabia zisizo na madhara kuwa za kutiliwa shaka, na kuzalia mashtaka ya uongo, na kuwa usahihi wa mfano unatofautiana katika demografia na mazingira. Kama wewe ni Wasimamizi, unapima vipi uadilifu unaorejeshwa dhidi ya usawa na uaminifu unaoweza kupungua?
  • Ukurasa unaelekeza usimamizi kama chombo kimoja, si suluhisho — mbadala kama tathmini ya mdomo na tathmini ya mchakato zipo. Kabla ya kusoma, ni mbinu ipi ambayo ungetetea kwa tathmini ya hatua kubwa katika muktadha wa nje, na ni ushahidi upi unaweza kubadilisha mawazo yako?

Utangulizi

Usimamizi wa mitihani wa nje upo kwenye wigo. Usimamizi mtandaoni kwa kawaida unahusisha msimamizi wa binadamu anayefuatilia mwanafunzi kupitia kamera ya mtandao au kutoka kituo cha kudhibiti. Usimamizi wa otomatiki/unaotegemea AI (AIPS) unabadilisha au kuongeza binadamu na mifumo ya Kujifunza kwa Mashine na kujifunza kwa kina (CNN, RNN, LSTM) inayochanganua ishara za kuona — miendo ya macho, mkao wa kichwa, mielekeo ya uso, na lugha ya mwili — kugundua tabia ya kutiliwa shaka katika muda halisi. Mifumo ya kawaida inajumuisha ProctorU na Kryterion. AIPS kwa kawaida inaunganisha kazi nne: (1) uthibitishaji wa utambulisho (mfano, uthibitishaji wa uso kwa kamera), (2) vikomo vya kuvinjari, (3) uidhinishaji/udhibiti wa mbali wa mtihani, na (4) uzalishaji wa ripoti kutoka vipindi vilivyorekodiwa.

Faida na fursa

  • Inarejesha uhalali na uadilifu katika tathmini mtandaoni. Usimamizi wa mitihani wa nje unajibu tatizo halisi la uhalali. Katika tathmini mtandaoni, AI ya kizalishaji inafanya kazi zisizosimamiwa ziwe za kutegemewa kama kipimo cha kujifunza: vipimo visivyosaidiwa, vilivyosimamiwa, vya kitabu kimefungwa ni ishara yenye nguvu zaidi ya kile wanafunzi wanajua kweli (ona Tathmini ya Mwisho, ushahidi wa kuhifadhi uliosimamiwa). Bila aina fulani ya usimamizi, mitihani mtandaoni inaweza kupiga bei kupata utendaji unaosaidiwa na AI badala ya huria.
  • Upanuzi na gharama. Usimamizi wa otomatiki unapunguza hitaji la maeneo halisi maalum na waangalizi wa binadamu, na kufanya ufuatiliaji uwezekane kwa wigo — faida kwa MOOC na programu kubwa mtandaoni ambapo usimamizi wa jadi hauwezekani kwa mantiki na kifedha.
  • upatikanaji na ufikiaji. Usimamizi unawaruhusu wanafunzi katika maeneo ya mbali kufanya mitihani kutoka mahali popote, na kuondoa vikomo vya kijiografia na vya ratiba kwa vyeti.
  • Uwezo wa kugundua. Mifumo ya juu ya ML/DL inaweza kugundua udanganyifu (miendo ya macho, mkao wa kichwa, mielekeo ya uso) kwa uaminifu zaidi kuliko uangalizi wa mikono, na inaweza kufuatilia kwa mfululizo badala ya kwa vipindi.

Hasara, hatari, na madhara

  • Madhara kwa uaminifu na uhusiano wa mwanafunzi-mkufunzi. Gharama yenye athari zaidi ya usimamizi wa mitihani wa nje mara nyingi ni ya kihusiano. Ufuatiliaji wa mfululizo unawasilisha kuwa wanafunzi wanadhaniwa si waaminifu, ambao unaweza kupunguza Uaminifu, kuharibu uhusiano wa mwanafunzi–mkufunzi, na kudhoofisha hisia ya kusudi la pamoja linalounga mkono uadilifu wa kitaaluma. Ufuatiliaji-kama-utekelezaji unaweza kusukuma nje mbinu ya kielimu ya uaminifu ya uadilifu inayojenga matumizi yenye uwajibikisho.
  • Ufuatiliaji wa kitaaluma. Usimamizi wa mitihani wa nje ni aina ya ufuatiliaji wa kitaaluma ambao unapanua ufuatiliaji wa taasisi kuingia katika mazingira ya nyumba ya kibinafsi ya mwanafunzi. Zaidi ya mtihani yenyewe, mifumo hii inarekodi nafasi ya kuishi ya mwanafunzi, uso, sauti, na tabia kwa mfululizo — kiwango cha uchunguzi chenye mifano michache katika elimu ya juu. Wanakosoa wanadai hili linazoea utamaduni wa ufuatiliaji ambao wanafunzi wanadhaniwa wahalifu hadi wathibitishe uaminifu, na kuunda upya uhusiano kati ya taasisi na wenye kujifunza na kuinua maswali kuhusu uwiano: kama mapato ya uadilifu yanahalalisha kuwatia wanafunzi wote chini ya ufuatiliaji wa kina kwa makosa ya wachache.(Faragha), Uaminifu
  • Faragha na ridhaa. AIPS hufikia taswira ya uso, mifumo ya sauti, mtazamo, na nguvu za kibonyezo kwa mfululizo, mara nyingi kupitia ufuatiliaji wa sauti-na-kuona unaoendelea. Usimamizi wa data lazima uzoezi mifumo kama GDPR na Sheria ya PDP ya India, na unahitaji ridhaa wazi na usimamizi salama wa data ya biometriki. Wanafunzi mara nyingi hawana chaguo isipokuwa kukubali ufuatiliaji kama wanataka kufanya mtihani, na kuinua maswali kama ridhaa ni ya kujitolea kweli.(Faragha)
  • Chanya za uongo, mashtaka ya uongo, na wasiwasi. Mifumo inaweza kuashiria tabia zisizo na madhara (kuangalia mbali, kurekebisha mkao) kuwa za kutiliwa shaka, kupunguza uaminifu wa mwanafunzi na kuzalisha mashtaka ya uongo ya uvunjifu — hasa ambapo wasimamizi au wanaojaribu mtihani hawana ujuzi.
  • Mkazo na wasiwasi wa mtihani. Kufanya mtihani uliosimamiwa yenyewe ni chanzo cha mkazo na wasiwasi mkubwa. Ufuatiliaji wa mfululizo, hofu ya kuashiriwa kwa uongo, na mkazo wa kutazamwa unaweza kuinua wasiwasi wa mtihani na kupunguza utendaji — na, kulingana na ushahidi, wanafunzi wenye mkazo wanaweza kuwa na uwezekano mkubwa zaidi wa kugeukia tabia isiyo ya maadili, ambayo inamaanisha ufuatiliaji unaweza kupunguza tija. Kufuatiliwa ni kwa mkazo na kinaweza kusababisha tabia isiyo ya maadili inayokusudiwa kuzuia.
  • Misingi ya uadilifu haikustahimili jaribio kubwa zaidi. Katika wimbo nne na wanafunzi 1,760 katika kozi 105, usimamizi uliinua wasiwasi wa mtihani (β = 0.60, p < 0.001) lakini haikuwa na athari juu ya majaribu ya kudanganya, ugumu unaohisiwa, au alama, hivyo gharama ya ufuatiliaji haikufidiwa na kuzuia (Conijn et al. (2022)).
  • Usawa na mgawanyo wa kidijitali. Utegemezi wa vifaa, mtandao usio imara, mwanga, na tofauti za vifaa vinawadhuru wanafunzi wa vijijini na wenye bendi ndogo kwa uwiano mkubwa; usahihi wa mfano unaweza kutofautiana katika demografia na mazingira, na kuhatarisha kuashiriwa kwa njia isiyo ya haki.(Mgawanyo wa Kidijitali), Usawa Mapitio ya upeo wa usimamizi katika ueugani ya tathmini yanaonyesha hii si kisa cha pembeni: nne kati ya masudio yake sita yaliyojumuishwa yaliripoti matatizo ya muunganisho wa mtandao, moja liliripoti kupungua kwa mzako pamoja na vifurushi vya data vilivyopunguzwa, na kutokubaliana kwa vifaa, kasoro za viendelezi vya kivinjari na uchanganuzi wa mazingira ulioshindwa vilikuwa ya kawaida — hivyo kutokuwa na usawa wa miundombinu, si upendeleo wa mfano tu, unaamua nani anaweza kutathminiwa kabisa.(Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review)
  • Pengo la kugundua na mbio za silaha. Udanganyifu wa utambulisho (picha/video za kuficha), matumizi ya kivinjari, na nakala-bandika bado ni vigumu kugundua kwa uaminifu; usahihi wa kugundua unazuiliwa na vikomo vya seti ya data, tathmini ya mfano mmoja, na mapengo ya kurudia. Usimamizi hautatui uadilifu kikamilifu, na unaweza kuunda hisia ya uongo ya usalama.
  • Swali la utawala. Kama ufuatiliaji ni jibu sahihi dhidi ya kubuni upya tathmini (mdomo, msingi wa mchakato, kwingineko) ni uamuzi wa taasisi wazi; usimamizi wa mitihani wa nje ni chombo kimoja, si suluhisho kamili.(Utawala wa AI) Mwanga unaofuata wakati utekelezaji unapokwenda vibaya — mashtaka yanayotegemea alama na kumbukumbu za matukio, kuhifadhi na usindikaji wa mbele wa data iliyorekodiwa, na kanuni zinazoangukia wanafunzi walio na ulemavu au wasio wazungumzaji wa asili kwa uwiano tofauti — imeainishwa katika Masuala ya Kisheria na Hatari.

Msingi wa ushahidi

  • Mapitio ya kimfumo ya mwendo wa muongoja wa masudio 80 yaliyopitiwa mapitio (2014–2024) yanagundua usimamizi wa juu wa ML/DL unagundua udanganyifu kwa uaminifu zaidi kuliko mbinu za jadi, lakini unazuiliwa na mapengo ya seti ya data (35% hayakufichua data kikamilifu), tathmini ya mfano mmoja (40%), masuala ya kurudia (30%), kuripoti kwa ufupi kwa maadili (25% tu), na vipimo visivyopatana (20%). Chanya za uongo/hasi — kuashiria tabia ya kawaida kuwa ya kutiliwa shaka au kuposa udanganyifu wa kina — zinadhoofisha uaminifu na uaminifu.(Ensuring Academic Integrity through Automated Online Exam Proctoring: A Decade-Long Systematic Review)
  • Mapitio ya kigeni yanarekodi mbinu za udanganyifu ambazo AI lazima ikabiliane (udanganyifu wa utambulisho kupitia picha/video, matumizi ya kivinjari/kifaa, nakala-bandika) na vikomo vya vitendo: wasiwasi wa wanaojaribu mtihani, mapengo ya ujuzi yanayosababisha mashtaka ya uongo, na miundombinu (kamera ya mtandao, maikrofoni, mtandao) ambayo haipatikani kwa uaminifu au bei kwa kila mtu. Inaripoti ~37.8% ya wanafunzi wa chuo na ~41.8% ya wanafunzi wa shule ya sekondari wanakiri udanganyifu — motisha ya ufuatiliaji.(A Comprehensive Review of the Changing Landscape of Academic Dishonesty in Automated Proctoring in the Era of Artificial Intelligence)
  • Wakufunzi hawana faida yoyote kutoka mitihani iliyosimamiwa inayofanywa nje ya darasa. Chan et al. (2026) waliwashindilia wakufunzi 56 (kiwango cha majibu 47%) katika idara moja ya biolojia baada ya kuweka kodi silabasi 38 zote za kozi zake za msingi zinazohitajika, na kuwauliza wakadirie kila kategoria ya alama wanayotumia kwa udhaifu wake kwa udanganyifu wa kitaaluma (0 = mdogo kabisa hadi 4 = mdogo sana). Mitihani ya nje ya darasa iliyosimamiwa na isiyosimamiwa ilikadiriwa kwa usawa katika wastani wa 3 (ya wastani kuathirika), wakati mitihani iliyosimamiwa ya ana kwa ana ilikuwa kategoria pekee iliyokadiriwa kudumu (wastani 0) na ilikuwa na udhaifu mdogo zaidi kwa kiwango kinachoweza kuthibitishwa kuliko kila kategoria nyingine (p_adj < .01). Kwa sababu vivinjari vya kufunga vilikuwa vimepatikana kwa mitihani ya nje ya darasa, matokeo ni mtazamo kuwa zana hazikupunguza mwanga — unaopatana na ushahidi wa mapitio hapo juu kuwa usimamizi mtandaoni unafaa kazi kwa uwiano usio sawa tu, na na gharama za wasiwasi, faragha, na mashtaka ya uongo zilizorekodiwa ambazo zinafanya ubadilishaji kuwa wa kubishana. Hatua zinaonekana katika hesabu ya pointi ya utafiti huo: mitihani ya nje ya darasa ilibeba wastani wa 54.2% ya alama katika kozi za ana kwa ana zilizotumia na 59.2% katika kozi mtandaoni, ambapo kila toleo liliitegemea.
  • Mapitio ya upeo ya usimamizi wa mitihani wa nje katika ueugani ya tathmini ya mwanafunzi huelekeza wigo wa modaliti badala ya mazoezi moja — uangalizi wa binadamu wa moja kwa moja (ProctorU), usimamizi wa otomatiki wa viendelezi vya kivinjari wenye kamera ya mtandao, maikrofoni na kuashiria tabia (Honorlock), ufuatiliaji wa kamera ya mtandao-pamoja-kivinjari cha kufunga (Respondus Monitor), programu ya simamizi ya mkononi iliyowekwa na taasisi, na eneo-desktoop za kituo cha mtihani chini ya ufuatiliaji wa kituo — na inadai uanuwai unaakisi kutokuwepo kwa usawa wa miundombinu na uwezo wa taasisi badala ya kiwango cha pamoja. Masudio sita tu yalitimiza vigezo vyake vya kujumuisha (wanafunzi 1,567 wa uuguzi katika Marekani, Uingereza, Afrika ya Kusini na Misri), na hakuna lilichapishwa kabla ya 2021. Kile mapitio yanathibitisha ni kuwa ufuatiliaji huzalia mitazamo ya kuzuia na mzigo mkubwa wa mapitio ya wataalam: makubaliano ya 98–100% kuwa ufuatiliaji wa kamera ya mtandao na vivinjari vya kufunga vinazuia udanganyifu ni kujitangaza kutoka programu moja ya mhandisi wa kitabibu wa chuo kikuu, tahadhari za AI za hatari kubwa zilikuwa nadra na hazikuzidi 5%, lakini tahadhari ndogo za mara kwa mara zilizalisha chanya za uongo zinazohitaji mapitio ya muda mkubwa, na wakufunzi wa Afrika ya Kusini waliripoti udanganyifu unaoendelea chini ya ufuatiliaji amilifu. Utafiti mmoja wa kulinganisha utendaji unaelekea njia nyingine — kikundi kilichosimamiwa kwa ana kwa na kwa ana kilipata alama za juu zaidi kwa kiwango kinachoweza kuthibitishwa katika Mtihani wa Kutoka HESI na utayari wa NCLEX kuliko kikundi cha ProctorU — na mapitio yanatendea uhusiano kati ya ufuatiliaji na kujifunza kwa uaminifu zaidi kuwa swali wazi badala ya faida iliyothibitishwa.(Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review)
  • Mtihani uliosimamiwa wa ana kwa ana bado ulizalisha wanafunzi 44.2% wenye hatari kubwa. Katika kozi ya Utangulizi wa Upangaji Programu katika chuo kikuu cha umma cha Kituruki, 23 kati ya wanafunzi 52 wa mwaka wa kwanza walichukuliwa kuwa wenye hatari kubwa kutoka kumbukumbu za mtihani zilizorekodi nakala, kupoteza mtazamo na matukio ya bofya-kulia, ingawa mtihani ulikuwa umesimamiwa na ulifanywa katika maabara ya kompyuta; utafiti huo huo unatabiri hatari kutoka alama za mapema za LMS za muhula badala ya tabia ya ndani ya mtihani.(Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics)

Miongozo iliyopendekezwa

  • Usimamizi wa pamoja wa binadamu–AI. Unganisha kuashiria kwa otomatiki na mapitio ya binadamu kupunguza chanya za uongo na kuweka hukumu katika muktadha.
  • Mifumo inayohifadhi faragha. Usindikaji wa ukingo, kutofautisha, na usimamizi wa kifaa hupunguza uvamizi wa kukamata data ya mfululizo.
  • Uwekaji unaozingatia usawa. Seti za data zinazojumuisha kijiografia na mifumo nyepesi kwa mazingira yenye rasilimali ndogo; mbadala zinazopatikana kwa wanafunzi bila vifaa/muunganisho wa kuaminika.
  • Fundisha kabla ya kufuatilia. Pendelea kukuza Ujuzi wa AI na matumizi yenye uwajibikisho kupitia utamaduni na kujenga uaminifu, na kuhifadhi usimamizi kwa matukio ya hatua kubwa yanayohitaji kweli.

Dhana Zilizounganishwa

Makala Zilizounganishwa

Metadata

NgaziHigher Ed
Kujifunza na UfundishajiUfundishaji na Kujifunza Mtandaoni
Tathmini na UpimajiTathmini Inayozingatia Mchakato, Usimamizi wa Mitihani wa Nje ya Awamu ya Mwili, Tathmini ya Mwisho
Usawa, Maadili, na Matumizi ya UwajibikajiUsawa, Faragha
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.