Assessment, Academic Integrity, and AI: From Tyler to Dawson

Оценяване, академична почтеност и ИИ: от Тайлър до Доусън

How do educators know students have truly learned? Generative AI systems can now produce essays, reports, presentations, summaries, code, and even explanations that often appear academically competent. This creates pressure on long-standing ideas about assessment, evaluation, cheating, and academic integrity. To understand why this matters, it is useful to compare three important perspectives in curriculum and assessment theory: Ralph Tyler, Grant Wiggins and Jay McTighe, and the recent work of Phillip Dawson and colleagues.

Ralph Tyler’s Basic Principles of Curriculum and Instruction (1947) helped establish the modern logic of curriculum planning. Tyler approached education systematically. He proposed for educators to start by defining educational objectives, then select learning experiences, organize instruction, and finally evaluate whether students achieved the intended outcomes. Evaluation in Tyler’s model serves as confirmation that objectives have been met.

Tyler’s framework shaped decades of curriculum and assessment design. Yet assessment within this model often became strongly connected with measurement, testing, and verification. In many educational systems, evaluation gradually shifted toward proving whether students had mastered content, often through exams and standardized assessment formats.

Grant Wiggins and Jay McTighe later expanded this thinking through the Understanding by Design framework. Their model preserved Tyler’s emphasis on alignment between goals and assessment, but introduced a stronger focus on understanding and transfer. For Wiggins and McTighe, students should not simply reproduce information. They should apply knowledge meaningfully in new situations.

This changed the role of assessment. Assessment became evidence of understanding rather than only proof of recall. The Understanding by Design framework introduced backward design through three stages:

  1. Identify desired results
  2. Determine acceptable evidence
  3. Plan learning experiences and instruction

This sequence now carries major importance in AI-supported education. If students can use AI to generate final products, then the quality of the final submission alone no longer guarantees understanding.

This is where Dawson and colleagues provide an important contemporary shift. In their article Validity Matters More Than Cheating (2024), they assert an ill-placed priority set by higher education on cheating itself instead of assessment validity. Their central point is highly relevant in the age of AI: a key issue has become students use of AI; however, even more important becomes whether assessment still provides trustworthy evidence of learning.

This changes the discussion around academic dishonesty. Earlier approaches often framed cheating as a moral problem or a disciplinary issue. Dawson reframes it as part of a broader assessment design problem. If an assessment cannot distinguish between student understanding and AI-generated performance, then the assessment itself requires redesign.

The evolution across these three perspectives is clear:

  • Tyler focused on alignment between objectives and evaluation
  • Wiggins and McTighe focused on understanding, transfer, and authentic evidence
  • Dawson focuses on assessment validity in AI-rich learning environments

Together, these frameworks suggest that educators must move away from assessment models based mainly on surveillance and detection. The stronger approach is redesign: assessments that require explanation, reflection, application, defense of reasoning, and visible learning processes.

This semester, the Science and Research Institute has offered multiple workshops connected to these themes, including:

The next blog post explores why Understanding by Design and backward design have become central frameworks for curriculum and assessment redesign in the age of AI, and why educators need to rethink what counts as valid evidence of learning.

Как преподавателите могат да разберат дали студентите наистина са научили нещо? Системите с генеративен изкуствен интелект вече могат да създават есета, доклади, презентации, резюмета, код и дори обяснения, които често изглеждат академично убедителни. Това поставя под натиск дългогодишни представи за оценяване, проверка, преписване и академична почтеност. За да разберем защо това е важно, е полезно да сравним три значими перспективи в теорията на учебната програма и оценяването: Ралф Тайлър, Грант Уигинс и Джей Мактай, както и по-новата работа на Филип Доусън и неговите колеги.

Книгата на Ралф Тайлър Basic Principles of Curriculum and Instruction (1947) помага за изграждането на съвременната логика на планиране на учебната програма. Тайлър подхожда систематично към образованието. Той предлага преподавателите да започнат с определяне на образователните цели, след това да изберат учебни преживявания, да организират преподаването и накрая да оценят дали студентите са постигнали желаните резултати. В модела на Тайлър оценяването служи като потвърждение, че целите са изпълнени.

Рамката на Тайлър оказва влияние върху десетилетия развитие на учебните програми и оценяването. Въпреки това оценяването в този модел често започва да се свързва силно с измерване, тестове и проверка. В много образователни системи оценяването постепенно се насочва към доказване дали студентите са усвоили съдържанието, често чрез изпити и стандартизирани форми на проверка.

По-късно Грант Уигинс и Джей Мактай разширяват тази логика чрез рамката Understanding by Design. Техният модел запазва акцента на Тайлър върху съгласуваността между цели и оценяване, но поставя по-силен фокус върху разбирането и трансфера на знание. За Уигинс и Мактай студентите не трябва просто да възпроизвеждат информация. Те трябва да могат да прилагат знанието смислено в нови ситуации.

Това променя ролята на оценяването. Оценяването започва да се разглежда като доказателство за разбиране, а не само като доказателство за запаметяване. Рамката Understanding by Design въвежда backward design чрез три етапа:

  • Определяне на желаните резултати
  • Определяне на приемливите доказателства
  • Планиране на учебните преживявания и преподаването

Тази последователност днес има особено значение в образованието, подпомагано от ИИ. Ако студентите могат да използват ИИ за създаване на крайни продукти, тогава качеството на крайното предаване само по себе си вече не гарантира разбиране.

Тук Доусън и неговите колеги предлагат важна съвременна промяна. В статията си Validity Matters More Than Cheating (2024) те твърдят, че висшето образование поставя погрешен приоритет върху самото преписване вместо върху валидността на оценяването. Техният основен аргумент е особено важен в епохата на ИИ: ключов проблем е използването на ИИ от студентите, но още по-важният въпрос е дали оценяването все още предоставя надеждни доказателства за учене.

Това променя разговора за академичната нечестност. По-ранните подходи често разглеждат преписването като морален или дисциплинарен проблем. Доусън го преформулира като част от по-широк проблем на дизайна на оценяването. Ако едно оценяване не може да различи студентското разбиране от представяне, генерирано от ИИ, тогава самото оценяване се нуждае от redesign.

Развитието между тези три перспективи е следното:

  • Тайлър се фокусира върху съгласуваността между цели и оценяване
  • Уигинс и Мактай се фокусират върху разбирането, трансфера и автентичните доказателства
  • Доусън се фокусира върху валидността на оценяването в среди, богати на ИИ

Заедно тези рамки показват, че преподавателите трябва да се отдалечат от модели на оценяване, основани основно на наблюдение и откриване на измама. По-силният подход е redesign: оценявания, които изискват обяснение, рефлексия, приложение, защита на аргументация и видими процеси на учене.

През този семестър Институтът за научни изследвания и докторантура предложи няколко уъркшопа, свързани с тези теми, включително:

Как преподавателите могат да разберат дали студентите наистина са научили нещо? Системите с генеративен изкуствен интелект вече могат да създават есета, доклади, презентации, резюмета, код и дори обяснения, които често изглеждат академично убедителни. Това поставя под натиск дългогодишни представи за оценяване, проверка, преписване и академична почтеност. За да разберем защо това е важно, е полезно да сравним три значими перспективи в теорията на учебната програма и оценяването: Ралф Тайлър, Грант Уигинс и Джей Мактай, както и по-новата работа на Филип Доусън и неговите колеги.

Книгата на Ралф Тайлър Basic Principles of Curriculum and Instruction (1947) помага за изграждането на съвременната логика на планиране на учебната програма. Тайлър подхожда систематично към образованието. Той предлага преподавателите да започнат с определяне на образователните цели, след това да изберат учебни преживявания, да организират преподаването и накрая да оценят дали студентите са постигнали желаните резултати. В модела на Тайлър оценяването служи като потвърждение, че целите са изпълнени.

Рамката на Тайлър оказва влияние върху десетилетия развитие на учебните програми и оценяването. Въпреки това оценяването в този модел често започва да се свързва силно с измерване, тестове и проверка. В много образователни системи оценяването постепенно се насочва към доказване дали студентите са усвоили съдържанието, често чрез изпити и стандартизирани форми на проверка.

По-късно Грант Уигинс и Джей Мактай разширяват тази логика чрез рамката Understanding by Design. Техният модел запазва акцента на Тайлър върху съгласуваността между цели и оценяване, но поставя по-силен фокус върху разбирането и трансфера на знание. За Уигинс и Мактай студентите не трябва просто да възпроизвеждат информация. Те трябва да могат да прилагат знанието смислено в нови ситуации.

Това променя ролята на оценяването. Оценяването започва да се разглежда като доказателство за разбиране, а не само като доказателство за запаметяване. Рамката Understanding by Design въвежда backward design чрез три етапа:

  • Определяне на желаните резултати
  • Определяне на приемливите доказателства
  • Планиране на учебните преживявания и преподаването

Тази последователност днес има особено значение в образованието, подпомагано от ИИ. Ако студентите могат да използват ИИ за създаване на крайни продукти, тогава качеството на крайното предаване само по себе си вече не гарантира разбиране.

Тук Доусън и неговите колеги предлагат важна съвременна промяна. В статията си Validity Matters More Than Cheating (2024) те твърдят, че висшето образование поставя погрешен приоритет върху самото преписване вместо върху валидността на оценяването. Техният основен аргумент е особено важен в епохата на ИИ: ключов проблем е използването на ИИ от студентите, но още по-важният въпрос е дали оценяването все още предоставя надеждни доказателства за учене.

Това променя разговора за академичната нечестност. По-ранните подходи често разглеждат преписването като морален или дисциплинарен проблем. Доусън го преформулира като част от по-широк проблем на дизайна на оценяването. Ако едно оценяване не може да различи студентското разбиране от представяне, генерирано от ИИ, тогава самото оценяване се нуждае от redesign.

Развитието между тези три перспективи е ясно:

  1. Тайлър се фокусира върху съгласуваността между цели и оценяване
  2. Уигинс и Мактай се фокусират върху разбирането, трансфера и автентичните доказателства
  3. Доусън се фокусира върху валидността на оценяването в среди, богати на ИИ

Заедно тези рамки показват, че преподавателите трябва да се отдалечат от модели на оценяване, основани основно на наблюдение и откриване на измама. По-силният подход е redesign: оценявания, които изискват обяснение, рефлексия, приложение, защита на аргументация и видими процеси на учене.

През този семестър Институтът за научни изследвания и докторантура предложи няколко уъркшопа, свързани с тези теми, включително:

Следващата публикация в блога разглежда защо Understanding by Design и backward design се превръщат в централни рамки за redesign на учебната програма и оценяването в епохата на ИИ и защо преподавателите трябва да преосмислят какво се счита за валидно доказателство за учене.Assessment in the Times of AI
https://e-learn.ue-varna.bg/course/view.php?id=10011

• The Metacognitive Triad
https://e-learn.ue-varna.bg/course/view.php?id=10013

• AI Cognitive Pyramid for Teaching
https://e-learn.ue-varna.bg/course/view.php?id=10038

• Thinking—Fast, Slow, and Artificial: How to Work with AI Without Losing Your Judgment
https://e-learn.ue-varna.bg/course/view.php?id=10017

• Designing Competence-Based Courses in an AI Enabled University
https://e-learn.ue-varna.bg/course/view.php?id=10018

• Workflow for Competency-based Learning
https://e-learn.ue-varna.bg/course/view.php?id=10020

• Teaching Series: 3 Swarming Agents
https://e-learn.ue-varna.bg/course/view.php?id=10016

Следващата публикация в блога разглежда защо Understanding by Design и backward design се превръщат в централни рамки за redesign на учебната програма и оценяването в епохата на ИИ и защо преподавателите трябва да преосмислят какво се счита за валидно доказателство за учене.