Оцінювання

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Оцінювання — процес збирання й інтерпретації доказів про те, що знають і що вміють здобувачі, і методи, якими оцінюється навчання. ШІ в освіті фундаментально перебудував оцінювання: воно живить automated grading and scoring, генерує та адаптує завдання оцінювання й породжує глибокі питання про те, що оцінювання справді вимірює, коли студенти можуть користуватися ШІ. Оцінювання — поняття-парасолька, що організовує висвітлення в базі знань Формативне оцінювання, automated grading, validity та Освітнє вимірювання.

Питання для роздумів

• Оцінювання тут визначено як збирання й інтерпретація доказів про те, що знають і що вміють здобувачі. Перш ніж читати, як би ви завершили речення «оцінювання є валідним, якщо…» — і що змінилося б у цій відповіді, якби кожен студент міг таємно користуватися ШІ, щоб створити свою роботу?
• Сторінка стверджує, що те, як студент використовує генеративний ШІ (оцінна інтеграція проти некритичного засвоєння скорочень), передбачало результати, тоді як те, як часто він його використовував, не передбачало нічого. Що це натякає про поширений інстинкт регулювати ШІ, обмежуючи його використання?
• Здобувач може видати роботу професійного рівня, яку він не здатен відтворити без інструмента, — розриваючи висновок між виконанням і базовою здатністю. Чи стикалися ви з тим, що «компетентність» привласнювалася за роботу, яку студент насправді не міг виконати самостійно? Що це виявило?
• Конструктивне питання, яке пропонує сторінка, — не «як заборонити студентам користуватися ШІ?», а «як уможливити обдумане використання в контекстах, що віддзеркалюють їхню майбутню роботу?» Яким було б оцінювання у вашій галузі, якби це було метою?
• Рамка DRIVE пропонує оцінювати якість engagement студента з генеративним ШІ — не лише артефакт, — дивлячись на те, чи стратегічно він скеровує підказки та інтегрує власні ідеї. На що ви дивилися б, щоб відрізнити глибку, рефлексивну AI interaction від поверхневого споживання?
• Опосередковане ШІ оцінювання диверсифікується в oral exams, портфоліо та розмовні формати, які зменшують тривожність і відчуваються професійно релевантними. Який формат оцінювання з власного досвіду ви вважаєте найбільш «стійким до ШІ» — і чи є стійкість тим самим, що освітня цінність?

Вступ

Оцінювання є центральним для ШІ в освіті з двох причин. По-перше, сам ШІ використовується для оцінювання студентів — есеїв, коду, коротких відповідей та іспитів у масштабі. По-друге, ШІ в аудиторії змінює те, що оцінювання може валідно вимірювати, оскільки студенти можуть використовувати Генеративний ШІ для створення роботи. Тому поле охоплює і інструменти, що автоматизують оцінювання, і питання валідності та доброчесності, які підносить ШІ.

Як ШІ використовується в оцінюванні

• Автоматизоване оцінювання: AI-based assessment охоплює кілька модальностей — множинний вибір, коротку відповідь, есе, код і оцінювання на основі виконання — через automated grading, Автоматизоване оцінювання есе та Автоматизована генерація питань.
• Формативне оцінювання: AI systems генерують, валідують і адаптують завдання формативного оцінювання в масштабі, інформуючи поточне викладання, а не лише summative оцінювання.
• Аналітика навчання та вимірювання: Аналітика навчання і Освітнє вимірювання пов’язують дані оцінювання з процесами навчання, використовуючи Теорія відгуку завдань, Відстеження знань і Моделювання здобувача та адаптивне навчання, щоб інтерпретувати результати. Razavi and Powers (2026) демонструють оцінювання складності завдань на основі LLM як вхід вимірювання: на 5 170 завданнях з математики й читання для K-5, каліброваних за моделлю IRT Раша, оцінки GPT-4o в режимі zero-shot корелювали помірно-сильно зі справжньою складністю (r = 0,83 математика, r = 0,81 читання), але варіювали за класами, тоді як підхід на основі ознак (ознаки, вилучені LLM, у моделях на деревах) досягав кореляцій до r = 0,87. Дослідження пропонує практичний семикроковий робочий процес для професіоналів з тестування, застерігаючи водночас, що генералізовність за межі математики й читання для K-5 неясна.
• Цикли зворотного зв’язку: оцінювання за допомогою ШІ дедалі частіше живить feedback loops, що замикають цикл від оцінювання до навчання.
• Оцінювання через е-портфоліо: e-portfolios збирають роботи студентів і рефлексії з часом як засновану на процесі, стійку до ШІ форму оцінювання. Генеративний ШІ може допомагати портфолійному процесу — генеруючи зворотний зв’язок, Скаффолдинг рефлексію та (при доречному проєктуванні рубрики) підтримуючи оцінювання, — тоді як наголос портфоліо на слідах міркування та чернетках опирається фабрикації ШІ. AI-assisted portfolio assessment та ChatGPT + e-portfolio for EFL speaking показують, що ШІ може посилювати й портфолійний досвід, і Грамотність у зворотному зв’язку здобувача.
• Надійність оцінювання відкритих завдань залежить від моделі: Pecuchova, Benko & Drlik (2025) зіставляли одинадцять моделей генеративного ШІ та вбудовування речень з двома експертними оцінювачами на 1 885 відповідях із відкритих завдань з програмної інженерії: лише GPTo1 досяг майже досконалої погодженості (каппа Флейса 0,82), тоді як орієнтовані на еталон моделі знижували бали за правильні, але інакше сформульовані відповіді. Оскільки GPTo1 була єдиною моделлю, визнаною придатною до розгортання без нагляду, але несе власні витрати на API, автори рекомендують гібридні стратегії, що поєднують передові моделі з доступними варіантами або human oversight в умовах обмежених ресурсів. Керований PRISMA systematic review 42 емпіричних досліджень (2023–2025) підтверджує цю картину умовної надійності в усьому полі оцінювання: LLM зрівнюються з людськими оцінювачами на завданнях із закритими й короткими відповідями, але не можуть повністю замінити людське судження на складній, відкритій чи суб’єктивній роботі, і жодного рівномірного упередження в оцінюванні не виявилося — моделі були іноді поблажливіші, іноді суворіші й часто уникали крайніх балів (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback). Ітеративне уточнення рубрики може підштовхнути оцінювання відкритих завдань за допомогою LLM до майже людської надійності в умовах високих ставок medical освіти: Olvet et al. (2026) виявили, що коли викладачі неодноразово переглядали аналітичні та цілісні рубрики на аналізі зразків помилок, GPT-4 досягла суттєво-майже-досконалої погодженості з викладацькими оцінювачами за трьома з чотирьох передклірських завдань (зважена каппа до 0,94), тоді як залишкове завдання з цілісної рубрики залишалося лише на помірній погодженості (κw = 0,54), — показуючи водночас віддачу інженерії рубрик із людиною в циклі та її межі на синтетичних, цілісних завданнях.
• Усне й виконавське оцінювання з підтримкою ШІ. Дослідження проєктування в TVET відводить оцінювання від форматів, навантажених текстом, до інтерактивного Усне оцінювання з підтримкою LLM: за чотирьох когорт 21 із 33 здобувачів оцінили голосове завдання реалістичним, і жоден не заперечив, що говоріння в реальному часі віддзеркалює компетентність краще за письмове портфоліо, тоді як кількість слів на ідентичні завдання варіювалася вп’ятеро-ввосьмеро між когортами, а дев’ятьох здобувачів відповіли двома–тринадцятьма словами, і всі відповіді були правильними. Система працювала офлайн на одному ноутбуці, обслуговуючи до 12 одночасних здобувачів за допомогою Mistral 7B і faster-whisper, видаляла записи через 90 днів і залишала судження про бали в оцінювачів — приклад Людина в циклі-проєктування оцінювання для кваліфікацій, орієнтованих на робоче місце. (Designing AI-Supported Oral Assessment in TVET)

Валідність і виклики вимірювання

ШІ породжує фундаментальні питання validity: чи вимірює оцінювання, оцінене ШІ, навчання студентів чи AI-prompting skill? Чи зневаліднює використання ШІ студентами традиційні оцінювання? Ключові виклики:

• Валідність конструкту: Research on competency-based education показує, що генеративний ШІ розірвав висновок між виконанням і базовою здатністю — здобувач може видати роботу професійного рівня, яку він не здатен відтворити без інструмента. Це мотивує переконцептуалізацію того, які компетентності оцінюються.
• Співавторство та доброчесність: Coauthorship integrity пропонує нове джерело доказів валідності, яке порушується, коли студенти подають згенерований ШІ контент, якого вони не розуміють, і досліджує розмовні «ШІ-віви» як відповідь.
• Психометрична якість: Психометрично обізнаний ШІ і confidence-aware assessment працюють над тим, щоб оцінювання ШІ залишалося надійним, невпередженим та інтерпретованим.
• Оцінювання оцінювачів ШІ: Оцінювання ШІ в освіті дає методи та benchmarks для визначення, чи автоматизовані оцінювачі справді працюють — за надійністю, Педагогіки та стратегії викладання та Справедливість — а не лише за помітною точністю.
• Залежна від якості надійність оцінювання ШІ та однолітками (2026): Порівнюючи оцінювання ChatGPT, однолітків і instructor тих самих undergraduate group projects, Usher & Faraon (2026) показали, що узгодженість оцінювання з викладачем залежить від якості роботи студента: ChatGPT найбільше завищувало оцінки слабких робіт і краще узгоджувалося з викладачем на сильних роботах, тоді як однолітки узгоджувалися найкраще на слабших роботах і знижували бали сильним проєктам. Висновок кидає виклик бінарному фреймуванню «надійний проти ненадійного», вказуючи на моделі умовної надійності, у яких альтернативні оцінювачі узгоджуються із завданням і рівнем виконання.
• Людське оцінювання саме несе в собі цінності (2026): Luo & Dawson (2026) показують, що навіть людське оцінювання підтриманої ШІ роботи не є нейтральним, заснованим на критеріях актом. Інтерв’ю на основі сценаріїв із 33 викладачів університетів виявили, що рішення про бали рухалися цінностями, орієнтованими на особу (чесність, старанність), на здатність (незалежність, навичка користування генеративним ШІ, дисциплінарна майстерність), на стосунок (довіра) і на справедливість (чесність, благодійність) — виходячи за межі завдання до здогадів викладачів про студента. Дослідження перерамковує питання оцінювання з «чи є використання генеративного ШІ списуванням?» на «як ціннісні судження викладачів формують бали, і чи є ці цінності релевантними тим результатам, що оцінюються?», — висуваючи на передній план validity і «двосторонню transparency» щодо того, як використання генеративного ШІ впливатиме на бали.

Доброчесність і дебати довкола виявлення

ШІ в оцінюванні посилив розмову про integrity. Одна нитка фокусується на detecting AI-generated text, тоді як зростаюче тіло research стверджує, що виявлення — обмежений, ситуативний інструмент, а не стратегія першого вжитку. Beyond Detection та Responsible Assessment стверджують, що автентичність не можна ввести примусом; її треба перепроєктувати, позиціонуючи ШІ як задекларованого співучасника й надаючи пріоритет authentic, process-based оцінюванню над спостереженням. Walton et al. (2025) заземлюють це на доказах того, як студенти справді судять свій шлях через оцінювання з генеративним ШІ: інтерв’ю з прокручуванням із 26 студентів виявили спектр із шести подій судження — від критичного оцінювання знань ШІ й навчання через обмеження ШІ до некритичного засвоєння ідей і хибного приписування внесків ШІ власним. Stamatoulis et al. (2026) додають quantitative аналог: на 157 студентах те, як використовувався генеративний ШІ (оцінна інтеграція для підтримки розуміння проти засвоєння скорочень із низькою перевіркою), передбачало результати, тоді як проста частота використання не передбачала ні результатів, ні академічної Самоефективність. Разом ці дослідження перерамковують питання оцінювання з того, чи студенти користуються ШІ, на те, як вони судять і структурують це використання. Bassett et al. (2026) йдуть далі, стверджуючи, що виявлення не слід використовувати взагалі: його ймовірнісний результат не може бути незалежно перевірений, бо справжнє походження тексту невідоме, а бали детекторів — самі по собі чи з мовними маркерами, порівняннями стилю, твердженням LLM або мовчанням студента — не відповідають стандарту балансу ймовірностей, якого вимагають розслідування щодо доброчесності.

Огляд PRISMA 25 досліджень додає фактор ризику, який дебати про виявлення залишають поза увагою: носії іншої мови, ніж англійська, виявляли високу схильність порушувати доброчесність, коли мали труднощі писати англійською, тому очікування щодо доброчесності слід поєднувати з конкретною підтримкою академічного письма, а не лише з примусом (Balalle and Pannilage (2025)).

Перепроєктування оцінювання в епоху ШІ

Конструктивне питання в літературі бази знань про оцінювання — не «як запобігти використанню ШІ студентами?», а «як уможливити їм обдумано користуватися ним у контекстах, що віддзеркалюють їхню майбутню роботу?» Це перерамковує оцінювання довкола:

• Автентичні та засновані на процесі завдання, що роблять використання ШІ видимим і оціненим. Аутентичне оцінювання — дослідження виконання студентами гідних, реалістичних завдань — є провідною відповіддю на виклик ШІ: будь-яке завдання, яке Великі мовні моделі (LLM) може переконливо змоделювати, втрачає свою валідність, тому автентичність треба перепроєктувати довкола реальночасної collaboration, цифрового та соціального внеску та індивідуального смислотворення. Це пов’язується з design frameworks for authentic assessment, authentic products and authenticated processes та tool-invariant assessment of process.
• Проєктування відповідального оцінювання, заземлене в доказах валідності (Responsible Assessment in the AI Era: Key Insights from a Future-Focused Conference)
• Дозволи на використання ШІ на рівні завдання, виведені з цілей оцінювання: McCorkle (2025) показує роботу з проєктування оцінювання, що передує AI policy — інвентаризацію кожного завдання в проєкті, зазначення того, що оцінюється і за якою метою, і дозвіл або заборону ШІ на кожне завдання на цій основі (мозковий штурм і курування зображень дозволено; формулювання цілей навчання й дизайн слайдів — ні). Те саме вправу на узгодженість подвоюється як перевірка висновку, який підтримує оцінювання, бо змушує викладача назвати виконання, яке має гарантувати бал (Валідність оцінювання).
• Оцінювання, що виходить за межі мовного режиму: Jiang et al. (2026) визначають мультимодальну грамотність оцінювання для викладачів другої мови як знання, цінність і компетентність для завдань, які викликають відповіді в мовних, візуальних, слухових, жестових і просторових режимах. Річна програма з 30 викладачами англійської в Гонконзі підвищила знання стратегій оцінювання з 3,13 до 4,15 із 5 (часткове η² = 0,571) і компетентність у підтримці студентів з 3,05 до 3,98 (0,482), тоді як усі три ціннісні субдомени залишалися плоскими. Власний досвід викладачів додав рамці два виміри: підтримання практики всупереч конкуруючим навчальним пріоритетам і критичну мобілізацію генеративного ШІ (Jiang et al. (2026)).
• Співавторство і декларація як частина договору про оцінювання
• Продукування як компетентність — оцінювання здатності здобувачів керувати інструментами й створювати роботу професійного рівня (Knowledge, Skills, Attitudes, Production: Competency-Based Education After Generative AI)
• Оцінювання процесу взаємодії, а не лише артефакту — DRIVE framework (Directive Reasoning Interaction + Visible Expertise — спрямовуюча міркуванням взаємодія + видима експертиза) трактує якість взаємодії студента з генеративним ШІ як оцінюваний конструкт. Вона відрізняє поверхневе споживання від глибокої, рефлексивної взаємодії, дивлячись на те, чи стратегічно студенти скеровують підказки (DRI) та чи інтегрують і розвивають власні дисциплінарні ідеї через обмін (VE), заземлюючи зосереджені на процесі критерії в теоріях Самоспрямоване навчання і когнітивної залученості в дусі ієрархії ICAP. Це робить DRIVE прикладом автентичного оцінювання, опосередкованого ШІ, — рубрики для оцінювання того, як здобувачі партнерять із генеративним ШІ, а не інструментом виявлення.

Пропозиція в цій літературі просувається далі за перепроєктування в межах чинної рамки. El Khoury and Ma (2026) стверджують, що реформа, організована довкола попередження порушень або виявлення використання ШІ, звужує освітню уяву до контролю та дотримання, і пропонують замість цього радісне оцінювання: оцінювання, яке є безпечним, емоційно чуйним, розширювальним повноваження та підтримувальним для student agency, із безпекою як несущою умовою, бо без неї емоційна налаштованість стає перформансом, розширення повноважень — тиском, а агентність — ризиком. Їхнє рамкування інвертує порядок денний виявлення — доброчесність стає наслідком проєктування оцінювання, у яке студенти хочуть залучатися, а не його вихідною точкою, — і вони позиціонують створені викладачами AI agents (кастомні GPT, Gems, агенти Copilot Studio) як простір репетицій із низькими ставками, де студенти практикуються перед судженням, із твердженням, що ШІ організовує докази, тоді як викладач їх інтерпретує.

Наслідки для ШІ в освіті

• Оцінювання й навчання нероздільні: добре оцінювання за допомогою ШІ має підтримувати навчання (formative feedback) так само, як його оцінює.

• Валідність має бути переконцептуалізована: коли ШІ може створювати роботу студента, оцінювання мусить вимірювати процеси, судження та автентичне продукування, а не лише результати.

• Автоматизація має оцінюватися суворо: автоматизованим оцінювачам потрібна психометрична оцінка та оцінка fairness, а не лише твердження про точність.

• Доброчесність зміщується від виявлення до дизайну: найстійкіша відповідь на ШІ в оцінюванні — проєктувати завдання, де використання ШІ очікуване, задеклароване й ретельно розглянуте.

• Інноваційні практики можуть вирішувати кілька проблем водночас. Mesny, Roberge-Maltais & Galy (2026) стверджують, що набір із п’яти взаємно посилювальних практик — Аутентичне оцінювання, само- й Оцінювання однолітками, переоцінювання, standards-based grading і дебалізація (ungrading), — узгоджений із парадигмою «оцінювання для навчання», може протистояти шкодам традиційного, переважно підсумкового, нормно-орієнтованого виставлення балів (поверхневе навчання, роз’їдена intrinsic motivation, стрес і тривожність, нерівність і поступлена integrity) в епоху генеративного ШІ. Вони виявляють, що впровадження є нерівномірним за галузями — само- й оцінювання однолітками домінують, тоді як зосереджені на балах інновації залишаються маргінальними, — і закликають викладачів залучатися активніше й узаємно з інноваціями в оцінюванні та виставленні балів, спираючись на поступові експерименти та institutional підтримку.

• Опосередковане ШІ оцінювання диверсифікується. AIvaluate показує, що conversational agent, розширений LLM, зменшив тривожність студентів під час оцінювання на основі виконання; Pentland (2026) виявляє, що асинхронні усні оцінювання давали вищу залученість і сприймалися як професійно релевантні; graph-based ITS використовує адаптивне відстеження стану знань для інформування оцінювання.

Пов’язані поняття

• Здобувачі — Здобувачі: парасолька для понять на боці здобувача
• Педагогічне партнерство — Педагогічні партнерства
• Формативне оцінювання — Формативне оцінювання: згенеровані, валідовані, адаптивні завдання в масштабі
• Автоматизоване оцінювання — Автоматизоване оцінювання та виставлення балів у різних модальностях оцінювання
• Аутентичне оцінювання — Засновані на процесі, стійкі до ШІ автентичні завдання
• Валідність оцінювання — Валідність оцінювань в умовах генеративного ШІ
• Освітнє вимірювання — Теорія вимірювання, на якій спирається оцінювання ШІ
• Автоматизоване оцінювання есе — Автоматизоване оцінювання есеїв
• Автоматизована генерація питань — Автоматизована генерація завдань
• Усне оцінювання — Усне оцінювання: формати в реальному часі та з записом, які опираються заміщенню ШІ
• Підсумкове оцінювання — Підсумкове оцінювання: стійкі до ШІ формати (усні, із прокторингом, іспити без книг)
• Теорія відгуку завдань — IRT для інтерпретації відповідей в епоху ШІ
• Психометрично обізнаний ШІ — Психометрично обізнане оцінювання ШІ
• Аналітика навчання — Аналітика, що пов’язує дані оцінювання з навчанням
• Зворотний зв’язок — Цикли зворотного зв’язку, що замикають цикл від оцінювання до навчання
• Грамотність у зворотному зв’язку — Грамотність здобувача щодо зворотного зв’язку
• Академічна доброчесність — Доброчесність і дебати довкола виявлення ШІ
• Виявлення ШІ — Виявлення згенерованого ШІ тексту
• Оцінювання ШІ в освіті — Методи та бенчмарки для оцінювання автоматизованих оцінювачів
• Електронне портфоліо — Оцінювання через е-портфоліо, засноване на процесі
• Мовленнєві та голосові технології
• Оцінювання однолітками

Пов’язані статті

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — Річна програма, що визначає мультимодальну грамотність оцінювання й вимірює, що змістилося, а що ні
• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — Агенти ШІ, радісне оцінювання та третій простір
• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Дозволи на використання ШІ на рівні завдання, виведені з того, що оцінюється (McCorkle 2025)
• Who grades best? Comparing ChatGPT, peer, and instructor evaluations across varying levels of student project quality — Порівняння оцінювання ChatGPT, однолітків і викладача за рівнів якості проєкту (Usher & Faraon 2026)
• Responsible Assessment in the AI Era: Key Insights from a Future-Focused Conference — Відповідальне оцінювання в епоху ШІ
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Поза виявленням: автентичне оцінювання
• Coauthorship integrity: Reconceptualising assessment validity for the age of generative artificial intelligence — Доброчесність співавторства та валідність оцінювання
• Knowledge, Skills, Attitudes, Production: Competency-Based Education After Generative AI — Освіта на основі компетентностей після генеративного ШІ
• Generative AI as a Design Variable: An Evidence-Centered Framework for Principled Governance in STEM Assessment — Зосереджене на доказах управління генеративним ШІ в оцінюванні
• Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity — Огляд доброчесності в умовах ШІ: виявлення мусить поєднуватися з перепроєктуванням оцінювання
• 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: оцінювання навчання через взаємодію з генеративним ШІ (DRI + видима експертиза)
• How university students work on assessment tasks with generative AI: matters of judgement — Судження в роботах студентів із генеративним ШІ на завданнях оцінювання (26 студентів, прокручування)
• Same tool, different work: patterns of generative AI use and academic outcomes — Моделі використання генеративного ШІ (оцінна інтеграція проти засвоєння з низькою перевіркою) та результати
• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — Ціннісні судження в оцінюванні підтриманої ШІ роботи: чесність, довіра, валідність і двостороння прозорість (Luo & Dawson 2026)
• Estimating Item Difficulty Using Large Language Models and Tree-Based Machine Learning Algorithms — Оцінювання складності завдань за допомогою LLM і машинного навчання на деревах
• 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 — ШІ може зробити вашу домашню роботу. Що тепер? Звіт із онлайн-семінару з оцінювання в обчислювальних дисциплінах в епоху генеративного ШІ