От контрол към доказателства за учене: стратегии за оценяване в ерата на генеративния изкуствен интелект 

The Chronicle of Higher Education is one of the most influential sources of analysis and reporting in global higher education. Since its founding in 1966, it has informed university leaders, faculty, and policymakers about trends, risks, and reforms that shape academic systems. When institutions engage with The Chronicle, they gain access to early signals about structural change in teaching, research, and governance. However, the following article is a journalistic feature, not an academic study, Yet it offers grounded insights based on institutional practice and expert perspectives.

AI Broke College Assessment. One University Believes It’s Got a Fix, presents a fundamental weakness in universities’ assessment of learning exposed by the advent of Gen AI. According to the University of Sydney, https://www.sydney.edu.au/, around 90 percent of their existing assessments were no longer reliable because AI tools can complete them at a passing level. 

The model reframes the question from “How do we catch cheating?” to “What assessment shows learning?”

Instead of focusing on detecting AI use, University of Sydney redesigned its assessment system. The university introduced a “two-lane approach.” In the first lane, secure assessments require students to demonstrate knowledge independently. These include in-person exams, oral defenses, and live presentations. In the second lane, open assessments allow students to use AI, but they must explain how they used it and why. 

This shift changes the core question. Faculty no longer seek methods to prevent cheating. They seek to find tasks proving real learning. This approach aligns assessment with demonstrated capability and shifts attention away from control mechanisms.

 U.S. institutions often leave AI policy to individual faculty, which creates inconsistency, student confusion, and extra strain on staff

The piece compares the Australian model with U.S. higher education norms around faculty autonomy and decentralized governance. In the United States, institutional policies often provide general guidance, while individual instructors define rules at course level. This reflects strong traditions of academic freedom but leads to variation across courses and programs. In contrast, the Australian case shows a coordinated, institution-wide framework that structures assessment design while still allowing disciplinary adaptation. 

These differences also highlight broader contrasts between educational systems. Australia demonstrates a more centralized approach to curriculum and assessment reform, supported by national-level expectations and institutional coordination. The United States emphasizes decentralization and instructor autonomy, which can slow systemic change. Bulgaria operates within a more regulated framework at national level, yet assessment practices often remain traditional and course-based. This creates an opportunity to combine clarity from centralized models with flexibility at program level.

For the University of Economics, this case offers concrete directions.

For faculty:

• Review current assignments and identify which ones AI can complete with minimal effort.
• Redesign at least one key assessment per course as a secure task to independent performance.
• In AI-allowed tasks, require students to document their process through prompts, iterations, and justification.
• Use oral follow-up or in-class validation tasks to confirm understanding.

For students:

• Approach AI as a support tool within clearly defined assessment conditions.

• Develop the ability to explain and justify AI use as part of academic work.

• Focus on skills that require independent reasoning and real-time application.

• Prepare for increased use of interactive and performance-based assessment.

For administration:

• Move from fragmented guidelines to a coordinated assessment framework at program or faculty level.

• Provide instructional design support through workshops, consultations, and shared resources.

• Standardize communication through clear indicators in the learning platform for AI use.

• Define institutional expectations for AI disclosure and academic integrity.

Assessment design currently carries strategic importance. It affects learning outcomes, institutional credibility, and alignment with labor market expectations.

To support this transition, the Science and Research Institute at the University of Economics offers a dedicated workshop on assessment in the age of AI. The workshop focuses on practical redesign of assignments, integration of AI in learning, and methods for verifying student performance. Work with concrete examples and leave with ready-to-use assessment formats. Access the self-paced materials here: https://e-learn.ue-varna.bg/course/view.php?id=10011

---

The Chronicle of Higher Education е един от най-влиятелните източници за анализ и новини в глобалното висше образование. От създаването си през 1966 г. той информира университетски ръководства, преподаватели и политици за тенденции, рискове и реформи, които оформят академичните системи. Когато институциите се ангажират със съдържанието на The Chronicle, те получават достъп до ранни сигнали за структурни промени в преподаването, научните изследвания и управлението. Настоящият материал е журналистически анализ, а не академично изследване, но предлага обосновани изводи, базирани на институционална практика и експертни мнения.

Статията AI Broke College Assessment. One University Believes It’s Got a Fix разглежда фундаментален проблем в оценяването на обучението, изведен на преден план с навлизането на генеративния изкуствен интелект. Според Университета в Сидни ([https://www.sydney.edu.au/](https://www.sydney.edu.au/)), около 90 процента от съществуващите форми на оценяване вече не са надеждни, тъй като AI инструменти могат да ги изпълнят на ниво, достатъчно за успешно преминаване.

Вместо да се фокусира върху откриването на използване на AI, университетът преработва своята система за оценяване. Въвежда се т.нар. „двулентов подход“. В първата категория попадат защитени форми на оценяване, при които студентите трябва самостоятелно да демонстрират знания и умения. Това включва присъствени изпити, устни защити и презентации с въпроси в реално време. Във втората категория са отворените форми, при които използването на AI е позволено, но студентите трябва да обяснят как и защо са го използвали.

Тази промяна води до нов основен въпрос. Преподавателите вече не търсят начини за предотвратяване на измами, а се фокусират върху създаването на задачи, които доказват реално учене. Подходът свързва оценяването с демонстрирани компетентности и измества вниманието от контрол към доказателства за усвояване.

Анализът прави сравнение между модела на Университета в Сидни и практиките във висшето образование в САЩ, където се наблюдава силно изразена автономия на преподавателите и децентрализирано управление. В САЩ институционалните политики често дават общи насоки, докато конкретните правила се определят на ниво курс. Това отразява академичната свобода, но води до значителни различия между дисциплини и програми. В Австралия се наблюдава по-координиран, институционален подход към дизайна на оценяването, който същевременно допуска адаптация според спецификата на дисциплините.

Тези различия очертават и по-широки контрасти между образователните системи. Австралия демонстрира по-централизиран подход към реформи в учебните планове и оценяването, подкрепен от институционална координация. САЩ залагат на децентрализация и автономия, което може да забави системните промени. България функционира в по-регулирана рамка на национално ниво, но практиките на оценяване често остават традиционни и базирани на отделни дисциплини. Това създава възможност за комбиниране на яснота от централизираните модели с гъвкавост на ниво програма.

За Икономически университет – Варна този случай предлага конкретни насоки.

За преподаватели:

• Преглед на текущите задания и идентифициране на тези, които могат да бъдат изпълнени от AI с минимално усилие.

• Преработване на поне една ключова форма на оценяване във всеки курс като защитена задача, изискваща самостоятелно представяне.

• Изискване за документиране на процеса при задачи с позволено използване на AI, включително подадени заявки, итерации и аргументация.

• Използване на устни елементи или проверка в аудитория за потвърждение на разбирането.

За студенти:

• Използване на AI като подпомагащ инструмент при ясно дефинирани условия.

• Развитие на умения за обяснение и аргументиране на използването на AI.

• Фокус върху компетентности, изискващи самостоятелно мислене и прилагане в реално време.

• Подготовка за по-широко използване на интерактивни и практически форми на оценяване.

За администрация:

• Преход от фрагментирани насоки към координирана рамка за оценяване на ниво програма или факултет.

• Осигуряване на подкрепа чрез обучения, консултации и споделени ресурси.

• Стандартизиране на комуникацията чрез ясни обозначения в учебните платформи относно използването на AI.

• Дефиниране на институционални изисквания за деклариране на използването на AI и академична почтеност.

Дизайнът на оценяването вече има стратегическо значение. Той влияе върху резултатите от обучението, доверието в институцията и съответствието с изискванията на пазара на труда.

В подкрепа на този процес Научноизследователският институт към Икономически университет – Варна предлага специализиран уъркшоп, посветен на оценяването в условията на изкуствен интелект. Обучението е насочено към практическо преработване на задания, интегриране на AI в обучението и методи за проверка на реалното представяне на студентите. Работи се с конкретни примери и се предоставят готови формати за оценяване. Самостоятелните материали са достъпни тук: [https://e-learn.ue-varna.bg/course/view.php?id=10011](https://e-learn.ue-varna.bg/course/view.php?id=10011)