Формативне оцінювання

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Формативне оцінювання — оцінювання, що призначене для поінформування поточного навчання та викладання, на відміну від підсумкової оцінки. У сфері освіти зі ШІ формативне оцінювання водночас трансформується ШІ і є необхідним для нього: системи ШІ можуть генерувати, валідувати та адаптувати формативні завдання та зворотний зв’язок у великих масштабах, тоді як формативний зворотний зв’язок є основним механізмом, за допомогою якого штучні інтелект-тьютори та адаптивні системи підтримують навчання. Дослідження цієї бази знань розглядають створені ШІ формативні завдання, створений ШІ зворотний зв’язок, а також проєктування й оцінювання таких систем.

Запитання для роздумів

• Формативне оцінювання має замикати петлю — виявляти, чого студенти не знають, і давати зворотний зв’язок, на який вони можуть діяти поки навчання ще триває. Чим це принципово відрізняється від підсумкової оцінки та коли на практиці ці два види можуть бути переплутані?
• ШІ може генерувати завдання з вибором відповіді з вражаючою точністю за перевірними вимірами, проте найслабший за вимірами педагогічного судження. Якщо машина добра у правильних відповідях, але слабша в педагогічному судженні, то чому варто їй довіряти — і що мають і далі робити люди?
• Створений ШІ зворотний зв’язок допомагає лише тоді, коли студенти справді його втілюють — умова «втіленого зворотного зв’язку», за якої студенти обирають, оцінюють і застосовують пропозиції, перевершила просте отримання зворотного зв’язку. Якщо втілення важливіше за сам зворотний зв’язок, що це означає для проєктування формативного зворотного зв’язку?
• Зворотний зв’язок описується не як передача інформації, а як етична, реляційна практика. �о втрачається, коли формативне оцінювання масово виробляється як «ШІ-шлак» — і що можуть зберегти людські банки коментарів та реляційна турбота?

Вступ

Формативне оцінювання є центральним для ШІ в освіті, оскільки перебуває на перетині Оцінювання і навчального зворотного зв’язку. Його мета — замкнути петлю: виявити, що студенти знають і чого не знають, і дати зворотний зв’язок, на який вони можуть діяти для покращення. ШІ робить це можливим у масштабі — генеруючи завдання, оцінюючи відповіді й надаючи індивідуалізований зворотний зв’язок — але дослідження бази знань показують, що якість різко відрізняється за типами завдань і що зворотний зв’язок допомагає лише тоді, коли студенти справді його втілюють.

Створені ШІ формативні завдання

Системи ШІ генерують завдання формативного оцінювання в різних модальностях, і надійність залежить від типу:

• Завдання з вибором відповіді: CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation показує, що агентний ШІ може надійно генерувати завдання з вибором відповіді для розуміння коду за умови валідації за сімома педагогічними вимірами — показники успіху досягають 98.6% за узгодженістю понять і 79.9% за якістю зворотного зв’язку — що свідчить про те, що ШІ найсильніший за перевірними вимірами й найслабший за вимірами педагогічного судження. Це пов’язується з автоматичною генерацією запитань загалом.

• Легкий банк згенерованих завдань не дає формативного сигналу. У 10-тижневому впровадженні близько 70% згенерованих ШІ практичних завдань були правильно відповідені кожним студентом (p = 1.0), тому некваліфіковані вікторини, що проводилися кожні 15–20 хвилин, були добре сприйняті, але майже не несли розрізняльної інформації для адаптації викладання (An & Wang (2026)).

• Автоматизоване оцінювання есе: багатоагентні фреймворки (наприклад MASS) підвищують узгодженість порівняно з окремими ВММ для оцінювання есе, хоча інтерпретованість багатоагентних оцінювальних рішень залишається відкритою проблемою.

• Конвеєри формативного оцінювання: CoTAL поєднує підказки типу ланцюжок-роздумів з активним навчанням і Evidence-Centered Design, щоб отримати узагальнюване оцінювання формативного типу з підтримкою людини в циклі інженерії підказок.

• Високочастотні автоматизовано оцінювані перевірки: автоматизоване формативне оцінювання у науках рівня A розглядає вплив високочастотного автоматизовано оцінюваного формативного оцінювання на навчальні результати. Оглядове дослідження (scoping review) автоматичного оцінювання коротких відповідей у науці (2017 – початок 2024) підтверджує, що цей формативний сценарій із короткими відповідями є галуззю з реальною динамікою: моделі родини BERT домінували в автоматичному оцінюванні до 2021 року, перш ніж з ~2022 року їх змінили більші ВММ на підказках, а моделі з розширенням предметної області, орієнтовані на рубрики та з ланцюжками-роздумів показали найкращі результати — проте заклики огляду до комплексного оцінювання та невирішені прогалини в справедливості та пояснюваності попереджають проти поширення таких систем на неопосередковане підсумкове або високоставлене в ставку використання (Auto-marking short answer questions in science: The foundational years of transformer-based models from BERT to GPT-4).

Створений ШІ зворотний зв’язок

Значний масив досліджень бази знань розглядає створений ШІ формативний зворотний зв’язок:

• Проблема втілення: Making AI-Generated Feedback Matter (13 037 студентів; 51 296 ресурсів) показує, що цінність зворотного зв’язку залежить від того, чи студенти його втілюють — умова втіленого зворотного зв’язку, за якої студенти обирають, оцінюють і застосовують пропозиції ШІ, перевершила простий направлений зворотний зв’язок.

• Зворотний зв’язок ШІ може зрівнятися з відповіддю експертів-викладачів, коли рубрика несе критерії. Сліпий до джерела і рандомізований на 47 університетських проєктних групах експеримент із ВММ, якому дали спільно побудовану рубрику 0–30 та зразок, був не гіршим і еквівалентним експертному зворотному зв’язку (+0.23, 90% CI [−0.46, 0.91]) — калібрувала рубрика, а не модель (Grion et al. (2026)).

• Зворотний зв’язок — це не передача інформації: The care-full craft of feedback стверджує, що зворотний зв’язок є етичною, реляційною практикою, а не передачею інформації — він стає зворотним зв’язком лише тоді, коли студенти осмислюють його і діють відповідно до нього, і протиставляє масово вироблений «ШІ-шлак» людським скороченням у вигляді банків коментарів.

• Послідовний зворотний зв’язок може спрацювати навпаки: Sequenced AI feedback (підбадьорення → підказки → правильна відповідь, розроблений для підтримки автономії) насправді зашкодив навчанню в рандомізованому експерименті (N=199), попри підвищення залученості та позитивних сприйнять — це попереджаючий висновок щодо проєктування зворотного зв’язку.

• Інструменти, орієнтовані на здобувача: PolyFeed поєднує моделі пропозицій машинного навчання з практикою викладача, показуючи, як викладачі засвоюють і адаптують пропозиції щодо зворотного зв’язку від ШІ; AI-supported internal feedback допомагає студентам бакалаврату розвивати оцінювальне судження.

• Підказки за рубриками та зворотний зв’язок із врахуванням ролей: Yaşar et al. (2026) показали, що ітеративне спільне вдосконалення рубрики — уточнення дескрипторів продуктивності та явне визнання імпліцитних індикаторів навчання — підвищило узгодженість між ВММ і людиною щодо проєктних робіт студентів з 54.75% до 81.25% (альфа Кронбаха зросла з 0.393 до 0.798), з найбільшим приростом у когнітивно вимогливій категорії Iteration & Reflection. Підказки тій самій моделі в ролях викладача, рецензента-колеги та рецензента грантів давали різний оцінювальний зворотний зв’язок, а ВММ після ревізії були узгодженішими за деяких людських оцінювачів у застосуванні порогів продуктивності — що позиціонує керовані рубриками ВММ як партнерів із калібрування та спільного проєктування в середовищах формативного зворотного зв’язку, де нагляд із участю людини залишається необхідним.

• Цифри узгоденості приховують спрямованість: модель може ховатися в середню категорію. Оцінювач на основі ВММ, що позначав ходи діалогу в оцінюванні на основі розмови, збігався з людським кодуванням на 52.2% з 155 подій, але частіше за оцінювачів використовував приховану мітку PARTIAL_CORRECT (53.5% проти 41.3%) і позначив 5.4% ходів як IRRELEVANT, тоді як оцінювачі не позначили жодного (Hou et al., 2025).

• Зворотний зв’язок ШІ підтримує участь і дає здобутки в масштабі: семестровий польовий експеримент Geschwind et al. (2026) у семінарських заняттях бакалаврату виявив, що індивідуальний формативний зворотний зв’язок GPT-4 (що охоплював усі три виміри Хатті та Тімперлі — Feed-Back, Feed-Up, Feed-Forward) підтримував найвищу участь у восьми завданнях із відкритою відповіддю, подовжував відповіді студентів і давав найсильніші навчальні здобутки за змістом — ефект, зумовлений надійним і послідовним забезпеченням з боку ШІ, оскільки коли якісний текстовий зворотний зв’язок від колег справді отримували, результати колегів зрівнювалися з результатами ШІ.

• Майбутнє зворотного зв’язку: Feedback Futures синтезує спеціальний випуск і стверджує, що питання не в тому, чи генеративний ШІ може давати зворотний зв’язок, а в тому, як проєктувати зворотний зв’язок, що підтримує навчання, виокремлюючи повторювані напруги в усій галузі.

• Більшість формативного зворотного зв’язку є моментальною, а не стійкою. В оглядовому дослідженні 37 досліджень автентичного оцінювання 23 використовували формативний зворотний зв’язок для негайного покращення, але лише чотири використовували стійкий зворотний зв’язок, який студенти переносять у майбутні контексти — такий реактивний патерн відтворюють поточні інструменти зворотного зв’язку на основі ШІ (Zhan, Boud & Du (2025)).

• Зворотний зв’язок із діагностикою попереду для відкритих кількісних задач: Arthur (Yin et al. 2026) дає зворотний зв’язок у режимі реального часу та персоналізований формативний зворотний зв’язок щодо розрахункових формульних запитань з інженерної економіки — галузі, де раніше рукописні, неструктуровані рішення блокували підтримку з боку ШІ. Основа на рівні окремого запитання — XGBoost — діагностує ймовірні помилки за мітками рубрики з поданих студентами числових відповідей (середня точність 0.81, повнота 0.79), а діалогова схема запитує проміжні відповіді лише тоді, коли впевненість прогнозу низька — балансуючи точність зворотного зв’язку та ефективність збирання в межах вебінтерфейсу банку запитань.

• Масштаб і межі формативного зворотного зв’язку ВММ (систематичні дані): систематичний огляд за методикою PRISMA з 42 емпіричних досліджень (2023–2025) виявляє, що ВММ можуть зменшити навантаження викладачів і давати швидкий персоналізований зворотний зв’язок у масштабі — особливо у великих когортах вищої освіти — але зворотний зв’язок іноді є занадто загальним або розладнаним із призначеним рівнем, а надійність падає на довших, багатомовних або нюансованих задачах, що підкреслює: формативний зворотний зв’язок від ШІ найкраще впроваджувати під наглядом педагогів (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback).

• Адаптивність — окремий інгредієнт, а не оздоблення: Sukjaitham, Schaaf, Brod & Breitwieser (2026) дають прямий причинний тест, який більшість досліджень зворотного зв’язку ВММ припускають без доведення, зіставляючи зворотний зв’язок GPT-4, контингентний відповіді, з написаними експертами загальними вказівками, узгодженими за структурою, тоном, довжиною та мотиваційними формулюваннями (перевірено п’ятивимірною рубрикою якості, κ = .76–1.00). У пререєстрованому експерименті з мірою в середині суб’єкта 155 німецьких п’яти- й шестикласників (M = 12.08 років) переробляли шість планів «якщо—то»: якість плану зросла з медіани 2 → 5 за адаптивного зворотного зв’язку проти 2 → 3 за загальних вказівок (усередині особи V = 10 440, p < .001, r = .86; оцінка взаємодії умова × час = 1.68, SE = 0.14, p < .001, за відсутності відмінності до підтримки). Діти оцінили адаптивний зворотний зв’язок і як більш корисний (r = .67), і як більш мотивуючий (r = .74), а сприйняття на рівні спроби передбачали розмір приросту від переробки — роблячи сприйману корисність частиною шляху, а не емоційним побічним продуктом. Оскільки контрольна умова сама була добре спроєктована, дослідження показує додану вартість понад хороші неконтингентні вказівки, а не різницю між зворотним зв’язком і нічим: загальні вказівки — справжня, але обмежена заміна, що виходить на плато на власній медіані. Планування слугувало тестовим випадком як базова стратегія саморегульованого навчання з явними критеріями якості, що робить контингентність — властивість, яка відрізняє Скаффолдинг від статичної підтримки — безпосередньо вимірюваною на відповіді в одне речення. Автори визначають адаптивність вузько як адаптацію змісту зворотного зв’язку до конкретної відповіді здобувача, контингентну відповіді, відрізняючи її від розмовної інтерактивності, тону та стійкої риси адаптивного навчання.

• Сприймана корисність відстежує здійсненність: Mendonça et al. (2026) дали 144 студентам програмування оцінити 893 примірники створеного ВММ зворотного зв’язку за п’ятьма вимірами і 237 узагальнених звітів за шістьма, утримуючи постійними галузь, завдання та інструмент, змінюючи лише рівень освіти. Оцінки були сприятливими усюди: середні значення на рівні студента від 4.24 до 4.43 для окремих відповідей і від 4.11 до 4.38 для звітів, проте здійсненність і корисність отримали найнижчі оцінки, хоч здійсненність і сприймана точність несли найбільші відносні ваги (32.6% і 29.0%) у моделі, що пояснює 76% дисперсії сприйманої корисності, а мотивація і персоналізація очолили модель на рівні звіту для наміру використання, що пояснює 53%. Оскільки здійсненність є тим виміром, який Зворотний зв’язок-дослідження вважають найважчим для забезпечення, патерн читається як сприйняття технології, застосоване до зворотного зв’язку: корисність відстежує те, чи може здобувач діяти, а не те, наскільки відполіровано звучить зворотний зв’язок.

• Узгоденість офлайн перебільшує продуктивність наживо: конвеєр зворотного зв’язку GPT-4o Cruz et al. (2026) відтворював оцінку викладача з точністю до 0.5 бала на 83% із 362 поданих робіт, проте узгоденість із поправкою на випадковість була лише помірною (ICC(2,1) = 0.49) і падала з r = 0.92 на історичних роботах до 0.57 у живому використанні з наглядом викладача.

• Розуміння випереджає здійсненність на шляху до переробки: Yao and Fan (2026) відокремили діагностику на рівні проблеми від пропозицій і дали студентам письмовий аркуш тлумачення (перефразування, пояснення впливу, визначення невизначеності, план переробки) перед незалежною переробкою, структурованим переглядом викладача, переоцінюванням і рефлексією. У трьох письмових циклах у двох непорушених класах (96 студентів; 288 спостережень на рівні циклу) розуміння зворотного зв’язку мало найсильніший зв’язок із якістю переробки (r = 0.501, попереду здійсненності з 0.480 і точності діагностики з 0.445), а діагностична група здобула 5.92 письмових бала проти 3.58 (Hedges' g = 1.12), розташовуючи точку опори в розумінні студентами діагностики, а не лише в її здійсненності.

Проєктування, прив’язане до навчального плану, і з участю викладача в циклі

LearnLens вирішує три стійкі проблеми формативного оцінювання з ШІ: оцінювання з урахуванням помилок (фіксація нюансованих помилок мислення, а не лише поверхневих), ланцюги пам’яті, пов’язані з темами (заміна шумного пошуку за схожістю на RAG (генерація з доповненням пошуком) структурованим пошуком, прив’язаним до навчального плану) і проєктування з участю викладача в циклі (налаштування та нагляд з боку викладача, а не повна автоматизація). Це пов’язується з ширшою напругою в Людина в циклі: масштабована автоматизація з експертною валідацією.

Hoppe, Loibl & Leuders (2026) уточнюють, що означає участь викладача в циклі, коли інструмент дає власні твердження, а не сирі спостереження. Їхній концептуальний аналіз стверджує, що створені ШІ діагностичні висновки є якісно іншими доказами, оскільки вже є продуктом алгоритмічної інтерпретації, тому викладачам потрібен подальший шар, який автори називають метадіагностикою: свідоме прийняття, відхилення або зміна висновку та його інтеграція з власними контекстними знаннями. Специфікація фреймворку DiaCoM для цього розглядає створені ШІ висновки як характеристику ситуації, а рішення прийняти, відхилити або змінити — як діагностичну поведінку, розширючи при цьому характеристики особи, потрібні викладачам, щоб включити знання про те, як системи ШІ насправді працюють. Оскільки нинішні системи спираються переважно на дані про продуктивність, такі як правильність завдань і час їх виконання, мотиваційні стани та динаміка аудиторії залишаються переважно відсутніми, тому стаття зберігає викладачів, а не панель керування, як відповідальних рефлексивних агентів і розглядає оцінювання алгоритмічних тверджень як ціль професійного розвитку.

Відповідність ролі ШІ рівню досягнень — пов’язаний проєктувальний крок: майбутні викладачі природничих наук описували ChatGPT як Patient Tutor для слабких здобувачів, Personal Coach — для середніх і Intellectual Sparring Partner — для сильних, тоді як викладач зберігав за собою фінальне пояснення важкого змісту (Ratniyom et al., 2026).

Проєктувальні компроміси

Оцінювання, зворотний зв’язок і навчання

Формативне оцінювання в освіті зі ШІ пов’язане з самим процесом навчання:

• Петлі зворотного зв’язку: петлі зворотного зв’язку — це механізм, за допомогою якого формативне оцінювання поінформовує навчання; штучні інтелект-тьютори та адаптивні системи замикають ці петлі в масштабі.

• Саморегульоване навчання: формативний зворотний зв’язок підтримує саморегульоване навчання, коли студенти відстежують прогрес і коригують його; зворотний зв’язок від ШІ має розвивати оцінювальне судження, а не витісняти його.

• Автоматизоване оцінювання охоплює деякі фази циклу, але не всі: Chen & Liu (2026) провели 14-тижневий квазіексперимент, у якому 46 студентів із перекладу щотижня подавали роботи в систему автоматизованого оцінювання, що повертала негайну оцінку, транскрипт, позначені помилки та еталонний варіант, тоді як контрольна група отримувала лише зворотний зв’язок викладача на весь клас. Автоматизована група покращилася більше загалом (d = 1.03), але приріст зберігся там, де дефіцит був розкладним, сигнал надійним, а шкала чутливою: мовна точність і логічна узгодженість зросли, тоді як відповідність інформації (узгоденість із людськими оцінювачами r = 0.12) і плавність виконання не зрушили. Саморегульоване навчання було нерівним відповідним чином: виконання і моніторинг корелювали з приростом оцінок (r = 0.42), тоді як планування та емоційна мотивація перебували біля середини шкали, а кілька студентів відкладали залучення після низьких оцінок, замість аналізувати причини. Система дісталася фази виконання циклу, а не планування, що йому передує.

• Від автоматизованої діагностики до згенерованої практики: Zhu, Luo & Li (2026) вплітають узгодження аудіо та оцінки, квантифікацію помилок і шар Proximal Policy Optimization в одну замкнену петлю для музичної освіти, перетворюючи сигнали помилок ритму (91.2% повноти, 98.4% специфічності) у винагороди, що керують згенерованими практичними треками, і повідомляють про значиму взаємодію Група × Час на користь групи з системою (beta = 0.52) у 12-тижневому квазіексперименті з 120 студентами-музикантами бакалаврату. Автори розглядають це як технічну доцільність, і практичне прочитання — сортування, а не оцінювання: точність 89.7% означає, що приблизно одна позначена помилка ритму з десяти є хибним тривогою, а експертні рецензенти дослідження оцінили підтримку музичної виразовості найслабшою галуззю, тому автоматизовані петлі пасують технічним вправам, тоді як оцінювання виразовості залишається за викладачами.

• Скаффолдинг: Скаффолдинг і формативне оцінювання працюють разом — ШІ може давати підказки саме вчасно, хоча дослідження послідовного зворотного зв’язку попереджають проти надмірної структуризації.

• Якість рубрики рухає узгоденість автоматизованого оцінювання більше, ніж вибір моделі. На 1 200 відповідях із іспитів з Linux/bash Alonso-Carracedo et al. (2026) виявили, що додавання повної рубрики та еталонної відповіді підвищило результати кожної моделі (найкраща: Gemini 3.0 Pro, ICC(3,1) = 0.888 проти людського стелі 0.949), тоді як узгоденість падала монотонно зі зростанням когнітивного рівня запитання.

• Створені ШІ рубрики збігалися з людським оцінюванням лише в межах допуску. Чотири рубрики ШІ досягли узагальненої еквівалентності з людським базовим рівнем у межах ±5 балів на 308 відповідях із програмування (кореляції 0.948–0.973), але п’ять осередків «рубрика × завдання» перевищили її, і GPT-4.1/4o оцінювали систематично суворіше за структурованих рубрик (−4.46 проти −0.66 за вільної форми) (Mendonça et al., 2026).

• Валідність і якість: якість і валідність створених ШІ формативних завдань і зворотного зв’язку мають бути оцінені; Оцінювання ШІ в освіті дає методи.

• Оцінювання з боку ШІ додає загрозу валідності. Оскільки оцінювач на основі ШІ може винагороджувати конструктно нерелевантні риси, такі як мовна плавність, замість наукового мислення, білий документ Stanford/ETS, виготовлений за підсумками зустрічі близько 100 лідерів галузі, стверджує, що оцінювання має накопичувати безперервні, контекстно багаті докази, а не сертифікувати разові результати (McGee et al. (2026)).

• Збережіть уразливе завдання й додайте близнюка. Roe, Perkins & Giray (2026) стверджують, що есе та дослідницькі звіти, що виконуються поза аудиторією, несуть суттєву формативну цінність і мають зберігатися для навчання в парі з другим завданням, що оцінює ті ж результати і дає надійні підсумкові докази.

Ризик: оцінювання як нагляд

Системи формативного оцінювання можуть перейти від інструментів підтримки навчання до інфраструктури моніторингу поведінки. Ті самі потоки даних, що дозволяють адаптивне тьюторство, можуть дозволяти каральне відстеження, якщо Урядування ШІ слабке. Це пов’язується з Приватність і благополуччям студентів і вимагає формативних систем, що підтримують навчання, а не стежать за ним.

Наслідки для ШІ в освіті

• Відповідність типу завдання надійності ШІ: використовуйте ШІ для перевірних вимірів (узгодженість понять, правильність) і зберігайте людське судження для педагогічних вимірів (якість дистракторів, глибина зворотного зв’язку).

• Проєктуйте для втілення, а не лише для надання: зворотний зв’язок від ШІ допомагає лише тоді, коли студенти обирають, оцінюють і застосовують його — структуруйте робочі процеси, що підтримують втілення.

• Проєктування зворотного зв’язку важливіше за обсяг: послідовний або надмірно структурований зворотний зв’язок може спрацювати навпаки; надавайте пріоритет зворотному зв’язку, що підтримує осмислення студентами та їхню автономію.

• Зберігайте педагогів у циклі: системи, прив’язані до навчального плану і з участю викладача в циклі, підвищують релевантність і зменшують шум.

• Оцінюйте якість і валідність: оцінюйте створені ШІ завдання та зворотний зв’язок на якість, валідність і справедливість, а не лише на швидкість генерації.

• Розглядайте формативне оцінювання як філософію, а не як набір інструментів. Mesny, Roberge-Maltais & Galy (2026) синтезують ширшу літературу вищої освіти в парадигму «оцінювання для навчання», що розглядає формативний, безперервний та індивідуалізований Зворотний зв’язок як загальну філософію, а не просто набір інструментів — балансуючи формативні цілі з підсумковими й виносячи на передній план агентивність студентів, саморегуляцію та метакогнітивну вмілість. Вони виокремлюють п’ять взаємопідсилювальних практик (автентичне оцінювання, само- й Оцінювання однолітками, переоцінювання, стандартизоване оцінювання, ungrading), через які цю філософію можна втілювати, зазначаючи водночас, що її впровадження залишається вкрай нерівномірним між галузями вищої освіти.

• Безперервне оцінювання переосмислює сам формативний запис. Еталонна архітектура AIM-CAI (позиційний документ, а не реалізація) пропонує замінити епізодичне оцінювання як основну базу доказів шестишаровою інфраструктурою: генерація доказів між платформами, серіалізація зі збереженням контексту джерела, опосередкована ШІ семантична трансляція, психометрична інтерпретація, довготривалі профілі компетентностей і федеративне врядування. Її таблиця змін визначає перехід: зворотний зв’язок за окремим завданням стає довготривалим зворотним зв’язком, що підтримує консультування та рефлексію; оцінки стають профілями компетентностей, що розвиваються; документи про кваліфікацію стають прозорими записами розвитку. Шар врядування — це наполягання документу: сім названих напруг (інтероперабельність проти локальної автономії, приватність проти корисності, агентивність здобувача проти предиктивної автоматизації, нагляд проти підтримки тощо), кожна з яких відображена на ризики та відповіді, із попередженням, що некероване безперервне висновування надає переваги домінантним культурним нормам. Заява про новизну є інтегративною: компоненти існують; внеском є архітектура та карта врядування. (AI-Mediated Continuous Assessment Infrastructure (AIM-CAI): Connecting Learning Evidence Across Contexts and Time)

Пов’язані поняття

• Педагогічні патерни — Послідовні форми, яких набуває формативне оцінювання, коли ШІ постачає частину зворотного зв’язку
• Оцінювання
• Освітнє вимірювання
• Автоматизоване оцінювання
• Автоматизована генерація питань
• Валідність оцінювання
• Зворотний зв’язок
• Якість зворотного зв’язку ШІ
• Грамотність у зворотному зв’язку
• Самооцінювання
• Аналітика навчання
• Персоналізоване навчання
• Адаптивне навчання
• Скаффолдинг
• Саморегульоване навчання
• Людина в циклі
• Інтелектуальний тьюторінг
• Оцінювання ШІ в освіті
• Підсумкове оцінювання — Підсумкове оцінювання: стійкі до ШІ формати (усні, під наглядом, закриті іспити)

Пов’язані статті

• An LLM-Enhanced Multi-Agent Architecture for Conversation-Based Assessment — Архітектура з чотирьох агентів для оцінювання на основі розмови, оцінювач якої ховається в середню категорію (Hou et al. 2025)
• Causal Modelling of Support Interventions for Student Competency Assessment — Причинне моделювання втручань підтримки для оцінювання компетентностей студентів
• It Takes a Village... Program-Wide Approaches to Redesigning Assessment in a Time of Generative Artificial Intelligence (GenAI) — Програмні підходи до перепроєктування оцінювання в епоху генеративного ШІ
• Making AI-Generated Feedback Matter: From Provision to Student Enactment — Як зробити створений ШІ зворотний зв’язок значущим: від надання до втілення
• The care-full craft of feedback in an age of generative AI — The care-full craft of feedback in an age of GenAI
• Feedback futures: beyond the limits of human and GenAI capacities — Feedback futures: beyond the limits of human and GenAI capacities
• Assessing the Impact and Underlying Pathways of Sequenced AI Feedback on Student Learning — Impact and pathways of sequenced AI feedback
• Enhancing learner-centered feedback with AI: teachers'' practices and perceptions — Enhancing learner-centered feedback with AI
• From automated scoring to learning diagnosis: a mechanism study of AI-supported formative assessment in English writing — Від автоматизованого оцінювання до діагностики навчання: механічне дослідження підтримуваного ШІ формативного оцінювання в англійському письмі
• Unravelling undergraduates' development of evaluative judgments through AI-supported internal feedback — Розвиток оцінювальних суджень через підтримуваний ШІ внутрішній зворотний зв’язок
• CoTAL: Human-in-the-Loop Prompt Engineering for Generalizable Formative Assessment Scoring and Feedback — CoTAL: оцінювання формативного типу з підказками за участю людини в циклі
• The Effect of High-Frequency, Automatically-marked Formative Assessments on Student Outcomes in A-Level Sciences — Високочастотне автоматизоване формативне оцінювання
• Artificial intelligence and feedback in university education: effectiveness and student perceptions — Створений ШІ зворотний зв’язок у вищій освіті
• Designing Needs- and Attention-Aware AI Learning Tools for Engineering Education: Insights from Psychological Outcomes — LearnLens: прив’язаний до навчального плану зворотний зв’язок на основі ШІ
• Comparing Generative AI and teacher feedback: student perceptions of usefulness and trustworthiness — Порівняння зворотного зв’язку генеративного ШІ та викладача
• Students' engagement with ChatGPT feedback: implications for student feedback literacy in the context of generative artificial intelligence — Зворотний зв’язок ChatGPT і залученість
• CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation — CODE-GEN: валідована генерація завдань із вибором відповіді
• Responsible Assessment in the AI Era: Key Insights from a Future-Focused Conference — Відповідальне оцінювання в епоху ШІ
• Designing for Authentic Assessment: A Scoping Review — Проєктування автентичного оцінювання
• Automated Grading of Linux/Bash Examinations Using Large Language Models — Автоматизоване оцінювання іспитів із Linux/bash
• Instructor and AI Roles in the Chemistry Classroom: Future Science Teachers' Perceptions in a ChatGPT-Enhanced Formative Assessment — Ролі викладача та ШІ в підсиленому ChatGPT формативному оцінюванні
• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — Перегляд усних іспитів як автентичного, стійкого до ШІ оцінювання
• Assessment twins: An approach for strengthening assessment validity in the age of generative AI — Близнюки оцінювання для підсилення валідності оцінювання в епоху генеративного ШІ (Roe, Perkins & Giray 2026)
• A Hybrid Reasoning Framework for Artificial Intelligence Assessment Rubric Generation in Human and Automated Contexts: Evidence from an Undergraduate Programming Course — HARMOGEN-R: генерація рубрик оцінювання на основі ШІ
• AI-assisted, instructor-supervised grading and feedback in higher education: Design and evaluation of an end-to-end pipeline — Оцінювання та зворотний зв’язок із підтримкою ШІ під наглядом викладача
• Adaptive Scaffolding for Cognitive Engagement in an Intelligent Tutoring System — Адаптивний скаффолдинг за ICAP в ITS (BKT проти DRL)
• From evaluation to emulation: LLMs as agents of iterative pedagogical design — ВММ як агенти ітеративного педагогічного проєктування
• Auto-marking short answer questions in science: The foundational years of transformer-based models from BERT to GPT-4
• GPT-4 feedback increases student activation and learning outcomes in higher education
• Arthur: An artificial intelligence powered teaching assistant system for Engineering Economics class
• Innovative assessment and grading practices in higher education: A critical exploration for management educators
• Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback
• Adaptivity Makes Feedback Effective: Evidence From AI-Generated Feedback on Children's Plans — Адаптивність робить зворотний зв’язок ефективним: докази від створеного ШІ зворотного зв’язку на планах дітей
• Impact of automated scoring on interpreting performance and self-regulated learning: evidence from a pedagogical experiment — Автоматизоване оцінювання, тлумачення виконання та саморегульоване навчання (Chen & Liu 2026)
• Rethinking teachers’ diagnostic skills in AI-supported formative assessment: from diagnosis to meta-diagnosis — Діагностичні вмілість викладачів у підтримуваному ШІ формативному оцінюванні: від діагностики до метадіагностики
• Perceived usefulness and intention to use large language model-generated feedback across three educational levels: a user-centred study in programming — Сприймана корисність і намір використання створеного ВММ зворотного зв’язку в програмуванні на трьох рівнях освіти
• Adaptive teaching assistance model combining generative AI and big data analytics — Адаптивна допомога у викладанні, що поєднує генеративний ШІ та аналітику великих даних у музичній освіті
• Student Use of LLMs and the Limits of AI-Generated Question Difficulty in Data Science Courses — Використання студентами ВММ і межі створеної ШІ складності запитань у курсах науки про дані
• AI-Mediated Continuous Assessment Infrastructure (AIM-CAI): Connecting Learning Evidence Across Contexts and Time — AI-Mediated Continuous Assessment Infrastructure (AIM-CAI): Connecting Learning Evidence Across Contexts and Time (McNamara & Hasnine 2026)
• A Conversational AI Framework for Teacher Training — конверсаційний ШІ-діагностикум для виявлення педагогічних місконцепцій із діалогом, що спирається на докази (Miranda & Calvani 2026)