Искусственный интеллект меняет обучение, особенно в компьютерных науках. Генеративные модели используют, чтобы писать и исправлять код, решать задачи и объяснять решения. Это затрудняет оценку самостоятельного усвоения материала студентами.
Ученый Высшей школы экономики в Санкт-Петербурге Андрей Терников проанализировал современные способы оценки знаний и предложил дерево решений для преподавателей.
Блок-схема учитывает тип задания, уровень подготовки студентов, возможность автоматической проверки и ограничения по времени. На младших курсах автор предлагает сильнее ограничивать использование ИИ. На старших — включать нейросети в задания и оценивать, насколько осмысленно студент с ними работает.
На базовых курсах у студентов должны сформироваться фундаментальные знания, поэтому контрольные точки лучше проводить с ограниченным доступом к ИИ или без него. А когда эти знания уже есть, можно оценивать и то, насколько осмысленно студент использует ИИ-инструменты
При этом полный запрет на нейросети нецелесообразен: от разработчиков в профессиональной среде уже ожидают владения ИИ-инструментами. Поэтому часть контрольных точек должны проходить без помощи ИИ — в формате устного экзамена или задания в контролируемой среде. Так преподаватель одновременно учит работе с современными инструментами и проверяет сформированность знаний и навыков.
Отдельно автор отмечает, что часть методик нуждается в дополнительной проверке на разных курсах и в разных вузах. Главная задача остается прежней: оценка должна отражать реальные знания и навыки студента, даже если в процессе обучения он пользуется ИИ. Статья опубликована в IT Professional.
Ранее Наука Mail писала о том, что первый российский вуз отказался от дипломных работ из-за ИИ.