Когато ИИ агентите могат да изпълнят заданието: Какво се променя при оценяването?
| Podcast | Подкаст |
| Generative AI already forced universities to reconsider assessment. Agentic AI raises the pressure further. Before agentic AI, a student using ChatGPT or another generative AI system still had to manage much of the assignment workflow. The student opened the learning platform, interpreted the instructions, copied information into the AI system, selected outputs, moved them between applications, prepared the final file, and submitted the assignment. AI might generate an essay, solve a problem, summarize readings, or write code, but a human usually coordinated the process. Agentic AI changes this division of work. AI agents can increasingly inspect files, navigate digital environments, follow multi-step instructions, revise outputs, perform checks, and complete connected workflows. Tina Austin describes the educational consequence in her recent article, When AI Agents Can Complete the Assignment: Practical Strategies for Designing Tasks That Still Require Human Thinking. The concern is less whether AI can write the essay, but whether an AI agent can complete most of the assignment workflow while the student contributes little intellectual effort. ([joidat.scholasticahq.com][1]) This makes an existing assessment problem increasingly difficult to ignore. A polished submission is becoming a weaker indicator of learning. A familiar message, but a new level of urgency This conclusion closely matches arguments discussed repeatedly in the Science & Research blog. In From Control to Evidence of Learning, the central recommendation was to move away from trying to prevent or detect AI use and toward collecting credible evidence of what students know and can do. Secure assessments can demonstrate independent performance, while AI-enabled assessments can require students to document and justify how they worked with AI. Assessment, Academic Integrity, and AI: From Tyler to Dawson placed the same issue within a longer tradition of assessment theory. Tyler connected evaluation with educational objectives. Wiggins and McTighe emphasized evidence of understanding and transfer. Dawson brings assessment validity to the AI discussion: if an assignment cannot distinguish between student understanding and AI-generated performance, we need to reconsider the assessment rather than rely primarily on surveillance. More recently, Validity of Assessment Design Lessons argued for combining different forms of evidence. A written analysis might be accompanied by a research trail, explanation of important decisions, documentation of AI use, and a short oral defence. The objective stops being an “AI-proof” assignment. The objective is sufficient evidence for a defensible judgment about learning. Austin therefore reinforces an emerging consensus: assessment must move from product toward product plus process, reasoning, judgment, and verification. What does agentic AI add to this conversation? Austin introduces several ideas that deserve more attention in our previous discussions. – The first is pre-commitment. Students formulate an initial position, hypothesis, solution, interpretation, or set of assumptions before asking AI for assistance. This creates a visible starting point from which instructors can evaluate subsequent changes. – The second is constraint injection. Instead of assigning generic tasks, instructors introduce course-specific, local, disciplinary, or contextual constraints. Students must interpret conditions that cannot be addressed adequately through a generic response. Austin argues that information-retrieval assignments, polished-output tasks, and assignments without decision histories are especially vulnerable to agentic completion. ([joidat.scholasticahq.com][1]) – The third is decision tracing. Students document what changed during the workflow and explain why. Rather than submitting only “the answer,” they expose important choices, rejected alternatives, corrections, and revisions. Austin also proposes counterfactual reflection and confidence calibration. Students can be asked what they would have done differently without AI, what evidence changed their position, how confident they are in a conclusion, and what uncertainty remains. These requirements move reflection away from the generic question “How did you use AI?” toward specific evidence of metacognition. This points toward another change. We may need to rethink the syllabus, not only individual assignments. A syllabus written before widespread agentic AI may define learning outcomes appropriately while relying on assessment tasks designed for a different technological environment. Faculty can begin with a simple review. For each major assignment, ask: What learning outcome am I assessing? Can an AI agent complete most of this workflow? What part requires the student to make a meaningful decision? What evidence will show me the student’s reasoning? What should happen before AI enters the process? What must the student verify, critique, revise, or defend? You do not need to redesign every course immediately. Start with one important assignment. Examine the rubric, instructions, permitted AI use, required evidence, and relationship with your learning outcomes. Agentic AI gives faculty another reason to open their syllabi before the new semester and ask a different question: not “How do I stop AI from completing this assignment?” but “How do I design this assignment so completing it still requires the student to think?” | Генеративният ИИ вече принуди университетите да преосмислят оценяването. Агентният ИИ увеличава натиска още повече. Преди агентния ИИ студент, който използва ChatGPT или друга система с генеративен ИИ, все още трябваше да управлява голяма част от работния процес по изпълнение на заданието. Студентът отваряше платформата за обучение, интерпретираше инструкциите, копираше информация в ИИ системата, избираше резултатите, прехвърляше ги между различни приложения, подготвяше крайния файл и предаваше заданието. ИИ можеше да генерира есе, да реши задача, да обобщи текстове или да напише код, но обикновено човекът координираше процеса. Агентният ИИ променя това разпределение на работата. ИИ агентите все по-често могат да преглеждат файлове, да се ориентират в дигитални среди, да следват многостъпкови инструкции, да преработват резултати, да извършват проверки и да изпълняват свързани работни процеси. Tina Austin описва образователните последици в своята скорошна статия When AI Agents Can Complete the Assignment: Practical Strategies for Designing Tasks That Still Require Human Thinking. Притеснението вече е в по-малка степен дали ИИ може да напише есето и в по-голяма степен дали ИИ агент може да изпълни по-голямата част от работния процес по заданието, докато студентът участва с минимално интелектуално усилие. ([joidat.scholasticahq.com][1]) Това прави един вече съществуващ проблем при оценяването все по-труден за пренебрегване. Добре оформената крайна работа се превръща във все по-слаб показател за ученето. Познато послание, но с нова степен на спешност Този извод до голяма степен съвпада с аргументи, които многократно сме обсъждали в блога Science & Research. В From Control to Evidence of Learning основната препоръка беше да се отдалечим от опитите да предотвратяваме или откриваме използването на ИИ и да се насочим към събиране на надеждни доказателства за това какво знаят и могат студентите. Контролираните форми на оценяване могат да покажат самостоятелното представяне на студентите, докато оценяванията с разрешено използване на ИИ могат да изискват от тях да документират и аргументират как са работили с ИИ. Assessment, Academic Integrity, and AI: From Tyler to Dawson постави същия въпрос в по-дългата традиция на теорията на оценяването. Tyler свързва оценяването с образователните цели. Wiggins и McTighe подчертават доказателствата за разбиране и трансфер на знания. Dawson поставя валидността на оценяването в центъра на дискусията за ИИ: ако едно задание не може да разграничи разбирането на студента от представянето, генерирано от ИИ, трябва да преосмислим самото оценяване, вместо да разчитаме основно на наблюдение и контрол. По-скорошният Validity of Assessment Design Lessons предложи комбиниране на различни видове доказателства. Писменият анализ може да бъде придружен от проследимост на изследователския процес, обяснение на важни решения, документация за използването на ИИ и кратка устна защита. Целта престава да бъде създаването на „устойчиво на ИИ“ задание. Целта е да разполагаме с достатъчно доказателства, за да направим обоснована преценка за ученето. Следователно Austin подкрепя оформящия се консенсус: оценяването трябва да се премести от крайния продукт към комбинация от продукт, процес, разсъждение, преценка и проверка. Какво добавя агентният ИИ към този разговор? Austin представя няколко идеи, които заслужават повече внимание в сравнение с предишните ни дискусии. – Първата е предварителното ангажиране с позиция. Студентите формулират начална позиция, хипотеза, решение, интерпретация или набор от допускания, преди да поискат помощ от ИИ. Това създава видима начална точка, спрямо която преподавателите могат да оценяват последващите промени. – Втората е въвеждането на ограничения. Вместо да задават общи задачи, преподавателите включват специфични за курса, местния контекст, дисциплината или конкретната ситуация ограничения. Студентите трябва да интерпретират условия, които не могат да бъдат адекватно адресирани чрез общ отговор. Austin твърди, че заданията, основани основно на извличане на информация, задачите, фокусирани върху добре оформен краен продукт, както и заданията без история на взетите решения, са особено уязвими към изпълнение от ИИ агенти. – Третата е проследяването на решенията. Студентите документират какво се е променило в хода на работата и обясняват защо. Вместо да предават единствено „отговора“, те показват важните избори, отхвърлените алтернативи, корекциите и преработките. Austin предлага също контрафактуална рефлексия и калибриране на увереността. Студентите могат да бъдат попитани какво биха направили различно без ИИ, какви доказателства са променили позицията им, доколко са уверени в даден извод и каква несигурност остава. Тези изисквания изместват рефлексията от общия въпрос „Как използвахте ИИ?“ към конкретни доказателства за метакогнитивни процеси. Това насочва към още една промяна. Може да се наложи да преосмислим не само отделните задания, а и самата учебна програма. Учебна програма, създадена преди широкото разпространение на агентния ИИ, може да дефинира подходящи резултати от обучението, но да разчита на задачи за оценяване, разработени за различна технологична среда. Преподавателите могат да започнат с прост преглед. За всяко основно задание си задайте следните въпроси: Какъв резултат от обучението оценявам? Може ли ИИ агент да изпълни по-голямата част от този работен процес? Коя част изисква студентът да вземе смислено решение? Какви доказателства ще ми покажат начина на разсъждение на студента? Какво трябва да се случи преди включването на ИИ в процеса? Какво трябва студентът да провери, критикува, преработи или защити? Не е необходимо веднага да преработвате всеки курс. Започнете с едно важно задание. Прегледайте рубриката за оценяване, инструкциите, разрешеното използване на ИИ, изискваните доказателства и връзката им с резултатите от обучението. Агентният ИИ дава на преподавателите още една причина да отворят учебните си програми преди началото на новия семестър и да си зададат различен въпрос: не „Как да попреча на ИИ да изпълни това задание?“, а „Как да проектирам това задание така, че изпълнението му все още да изисква студентът да мисли?“ |
[1]: https://joidat.scholasticahq.com/article/164952-when-ai-agents-can-complete-the-assignment-practical-strategies-for-designing-tasks-that-still-require-human-thinking “When AI Agents Can Complete the Assignment: Practical Strategies for Designing Tasks That Still Require Human Thinking | Published in Journal of Instructional Design and Technology”
[2]: https://scienceandresearch.ue-varna.bg/2026/04/03/from-control-to-evidence-of-learning-assessment-strategies-in-the-age-of-gen-ai/ “From control to evidence of learning: assessment strategies in the age of Gen AI – Science and Research”
[3]: https://scienceandresearch.ue-varna.bg/2026/05/18/assessment-academic-integrity-and-ai-from-tyler-to-dawson/ “Assessment, Academic Integrity, and AI: From Tyler to Dawson – Science and Research”
[4]: https://scienceandresearch.ue-varna.bg/2026/08/05/validity-of-assessment-design-lessons/ “Validity of Assessment Design Lessons – Science and Research”