تحلیل چالش های ارزیابی یادگیری در عصر هوش مصنوعی؛ بررسی رابطه ارزیابی اصیل، تفکر انتقادی، صداقت علمی و استفاده مسئولانه از ابزارهای هوشمند

تحول سریع فناوری های هوش مصنوعی مولد، به ویژه گسترش ابزارهایی که قادر به تولید متن، حل مسئله، تحلیل داده، ترجمه، خلاصه سازی و ایجاد محتوای چندرسانه ای هستند، مفهوم سنتی ارزیابی یادگیری را با چالش های اساسی مواجه ساخته است. در الگوی متعارف، بخش قابل توجهی از قضاوت آموزشی بر محصول نهایی یادگیرنده، پاسخ های آزمون، تکالیف نوشتاری و میزان بازتولید دانش استوار بود؛ اما در شرایطی که ابزارهای هوشمند می توانند در زمانی کوتاه محصولی نسبتا منسجم و ظاهرا علمی تولید کنند، تمایز میان «آنچه دانش آموز یا دانشجو واقعا می داند» و «آنچه ابزار هوشمند برای او تولید کرده است» دشوارتر شده است. در چنین شرایطی، ارزیابی اصیل اهمیت مضاعفی پیدا می کند؛ زیرا این رویکرد به جای تمرکز صرف بر پاسخ نهایی، بر کاربرد دانش در موقعیت های واقعی، فرایند حل مسئله، استدلال، تصمیم گیری، تولید اثر، بازاندیشی و توانایی دفاع از عملکرد تاکید دارد. پژوهش های داخلی نیز بر ظرفیت ارزیابی اصیل، ارزیابی عملکردی و ارزشیابی تکوینی برای سنجش عمیق تر یادگیری تاکید کرده اند. هدف مقاله حاضر تحلیل چالش های ارزیابی یادگیری در عصر هوش مصنوعی و تبیین رابطه میان چهار مولفه اساسی، یعنی ارزیابی اصیل، تفکر انتقادی، صداقت علمی و استفاده مسئولانه از ابزارهای هوشمند است. تحلیل ادبیات پژوهشی نشان می دهد که این چهار مولفه را نمی توان به صورت جداگانه در نظر گرفت. ارزیابی اصیل زمانی اثربخش خواهد بود که فراگیر به تفکر انتقادی مجهز باشد؛ تفکر انتقادی زمانی در محیط آموزشی پایدار می شود که ساختار ارزیابی فرصت استدلال و قضاوت مستقل را فراهم آورد؛ و صداقت علمی زمانی تقویت می شود که استفاده از فناوری به جای ممنوعیت مطلق، در چارچوب مسئولیت پذیری، شفافیت و مالکیت فکری آموزش داده شود. از سوی دیگر، هوش مصنوعی نه صرفا تهدیدی برای اعتبار ارزیابی، بلکه ابزاری بالقوه برای شخصی سازی آموزش، ارائه بازخورد، تحلیل داده های یادگیری و طراحی سنجش های متنوع است. بر این اساس، راهبرد مناسب، حذف فناوری از فرایند ارزیابی نیست، بلکه بازطراحی ماهیت، فرایند و هدف ارزیابی است؛ به گونه ای که سنجش از محصول نهایی به فرایند یادگیری، از حفظ اطلاعات به کاربرد و استدلال، و از کنترل بیرونی به مسئولیت پذیری درونی حرکت کند.کلمات کلیدی : ارزیابی اصیل، هوش مصنوعی، تفکر انتقادی، صداقت علمی، ارزشیابی یادگیری