💻 computer science

Toward AI-Resilient Assessment in Computer Science Courses in an AI-Native World

यह शोधपत्र कंप्यूटर विज्ञान में एआई-लचीले (AI-resilient) मूल्यांकन के लिए एक औपचारिक ढांचे का प्रस्ताव करता है जो छात्रों को उनके "पारेटो अधिशेष" (Pareto surplus) के आधार पर ग्रेड देता है—जो एक घोषित एआई आधार रेखा से परे उनके द्वारा प्राप्त मापने योग्य प्रदर्शन सुधार है—जबकि निर्बाध एआई उपयोग की अनुमति देता है और वास्तविक कौशल को सत्यापित करने के लिए पूरक प्रोटोकॉल की आवश्यकता रखता है।

मूल लेखक: Anshumali Shrivastava

प्रकाशित 2026-07-01

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Anshumali Shrivastava

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ सरल भाषा और रचनात्मक उपमाओं का उपयोग करके पेपर का स्पष्टीकरण दिया गया है।

बड़ी तस्वीर: खेल को क्यों बदलें?

कल्पना कीजिए कि आप एक गणित की परीक्षा ले रहे हैं। अतीत में, आप छात्रों से हाथ से भाग (long division) करने के लिए कहते थे। आज, हर छात्र की जेब में एक सुपर-कैलकुलेटर है जो गणित को तुरंत कर सकता है।

यदि आप अभी भी उनसे हाथ से भाग करने के लिए कहते हैं, तो आप अब उनके गणित कौशल का परीक्षण नहीं कर रहे हैं; आप केवल यह परीक्षण कर रहे हैं कि कौन अपना कैलकुलेटर छिपाने में बेहतर है। यदि आप कैलकुलेटर को प्रतिबंधित करते हैं, तो आप एक ऐसी लड़ाई लड़ रहे हैं जिसे हारना तय है क्योंकि तकनीक बहुत उन्नत है।

लेखक का विचार: कैलकुलेटर (या इस मामले में, AI) को प्रतिबंधित करने के बजाय, हमें टेस्ट को बदलना चाहिए। नया टेस्ट यह नहीं पूछना चाहिए, "क्या आप गणित कर सकते हैं?" बल्कि यह पूछना चाहिए, "क्या आप कैलकुलेटर का उपयोग उस समस्या को हल करने के लिए कर सकते हैं जिसे कैलकुलेटर अकेले हल नहीं कर सकता था?"

यह पेपर "AI-नेटिव" दुनिया में कंप्यूटर साइंस के छात्रों को ग्रेड देने का एक नया तरीका प्रस्तावित करता है। लक्ष्य चीटिंग की चिंता करना बंद करना और कौशल को मापना शुरू करना है।

मुख्य अवधारणा: "फ्रंटियर" (सीमा) और "सरप्लस" (अधिशेष)

लेखक के समाधान को समझने के लिए, एक वीडियो गेम की कल्पना करें जिसमें हाई-स्कोर लीडरबोर्ड है।

1. AI बेसलाइन (द "गोल्ड स्टैंडर्ड" लीडरबोर्ड)

छात्रों के शुरू करने से पहले ही, शिक्षक उपलब्ध सबसे शक्तिशाली AI का उपयोग करके असाइनमेंट को हल करता है। AI अपने कोड में बदलाव करते हुए हजारों बार प्रयास करता है, जब तक कि वह सर्वोत्तम संभव समाधान न खोज ले।

रूपक (Metaphor): यह एक "गोल्ड स्टैंडर्ड" लीडरबोर्ड बनाता है। मान लीजिए कि AI एक डिजिटल वेयरहाउस बना सकता है जो 90% भरा हुआ है, प्रति सेकंड 100 आइटम प्रोसेस करता है, और इसे चलाने की लागत $10 है।
नियम: कोई भी छात्र जो केवल AI का उत्तर कॉपी करता है, उसे "B" (या बेसलाइन ग्रेड) मिलता है। उन्होंने कुछ नया नहीं सीखा है; उन्होंने बस मशीन के बराबर प्रदर्शन किया है।

2. पारेटो फ्रंटियर (The "Pareto Frontier" - मानचित्र का किनारा)

कंप्यूटर विज्ञान में, आपको अक्सर समझौते (trade-offs) करने पड़ते हैं। आप सिस्टम को तेज़ बना सकते हैं, लेकिन हो सकता है कि इसमें अधिक पैसा लगे। आप इसे सस्ता बना सकते हैं, लेकिन यह धीमा हो सकता है।

रूपक: एक मानचित्र की कल्पना करें जहाँ "फ्रंटियर" खोजे गए विश्व का किनारा है। AI ने जितना संभव हो सके उतना अन्वेषण कर लिया है। इसने गति, लागत और सटीकता के बीच सबसे अच्छा संतुलन खोज लिया है।
लक्ष्य: छात्र का काम उस किनारे के परे एक स्थान खोजना है।

3. पारेटो सरप्लस (The "Pareto Surplus" - नया क्षेत्र)

यह सबसे महत्वपूर्ण हिस्सा है। छात्र को अतिरिक्त क्रेडिट (उच्च ग्रेड) तभी मिलता है जब उनका समाधान कुछ ऐसा करता है जो AI नहीं कर सका।

रूपक: यदि AI ने 10 मील लंबा रास्ता खोजा है, और छात्र 9 मील लंबा रास्ता खोजता है, तो छात्र ने "सरप्लस" खोजा है। उन्होंने मानचित्र का विस्तार किया है।
शर्त: यदि छात्र का समाधान AI के समाधान जितना ही अच्छा है, तो उन्हें बेसलाइन ग्रेड मिलता है। यदि यह उससे खराब है, तो वे फेल हो जाते हैं। यदि यह बेहतर है (एक ऐसे तरीके से जो AI की वर्तमान सीमाओं को तोड़ देता है), तो उन्हें "सरप्लस" ग्रेड मिलता है।

यह "AI-रेज़िलिएंट" (AI-प्रतिरोधी) क्यों है?
क्योंकि इससे कोई फर्क नहीं पड़ता कि छात्र ने कोड लिखने के लिए AI का उपयोग किया या नहीं। यदि AI वह कोड लिख सकता था, तो छात्र को बेसलाइन ग्रेड मिलेगा। "A" प्राप्त करने के लिए, छात्र को AI को एक ऐसे समाधान की ओर निर्देशित करने के लिए अपने मानवीय निर्णय का उपयोग करना होगा जिसे AI अपने आप नहीं खोज सकता था।

यह प्रणाली कैसे काम करती है (द "ब्लैक बॉक्स" टीचर)

पेपर में इस प्रक्रिया को निष्पक्ष बनाने के लिए एक विशिष्ट तरीका सुझाया गया है:

छिपी हुई परीक्षा (The Hidden Exam): शिक्षक एक "ब्लैक बॉक्स" इवैल्यूएटर बनाता है। छात्र अंतिम टेस्ट डेटा नहीं देखते। वे केवल एक सारांश देखते हैं (जैसे, "आपका सिस्टम 5% बहुत धीमा है")।
बजट सीमा (The Budget Limit): शिक्षक आधिकारिक फीडबैक लूप में कितने "AI सहायता" की अनुमति है, इसकी एक सीमा निर्धारित करता है। यह छात्रों को उत्तर पाने के लिए केवल एक महंगा AI सब्सक्रिप्शन खरीदने से रोकता है।
"रेड टीम" चेक (The "Red Team" Check): क्लास शुरू होने से पहले, शिक्षक टेस्ट को "तोड़ने" की कोशिश करता है। वे पूछते हैं, "क्या एक मंदबुद्धि AI बस उत्तर का अनुमान लगा सकता है?" यदि उत्तर हाँ है, तो शिक्षक टेस्ट को तब तक बदलता रहता है जब तक कि उत्तर नहीं मिल जाता।

ठोस उदाहरण: "ब्लूम फ़िल्टर" की दौड़ (The "Bloom Filter" Race)

पेपर एक वास्तविक उदाहरण देता है कि राइस यूनिवर्सिटी में "COMP 480/580" नामक क्लास में यह कैसा दिखता है।

कार्य: एक "ब्लूम फ़िल्टर" बनाना। इसे एक अत्यधिक कुशल डिजिटल बाउंसर (द्वारपाल) के रूप में सोचें। यह जाँचता है कि क्या कोई नाम गेस्ट लिस्ट में है। इसे छोटी गलती करने की अनुमति है (किसी ऐसे व्यक्ति को "हाँ" कहना जो वहां नहीं है), लेकिन यह कभी भी उस व्यक्ति को "नहीं" नहीं कह सकता जो वहां है।
चुनौती: शिक्षक दो संस्करणों वाले क्लब देता है:
- छोटा क्लब (MB Scale): एक कॉफी शॉप के लिए छोटा बाउंसर।
- मेगा क्लब (GB Scale): एक स्टेडियम के लिए विशाल बाउंसर।
AI बेसलाइन: शिक्षक दोनों क्लबों के लिए सर्वश्रेष्ठ बाउंसर बनाने के लिए एक AI चलाता है।
छात्र का काम: छात्र को कंप्यूटर सिस्टम (मेमोरी कैसे काम करती है, डेटा कैसे व्यवस्थित किया जाता है) के अपने ज्ञान का उपयोग करके एक ऐसा बाउंसर बनाना होगा जो AI के संस्करण से तेज़ या सस्ता हो।
- शायद AI ने एक तेज़ बाउंसर बनाया जो बहुत अधिक मेमोरी का उपयोग करता है।
- शायद छात्र डेटा को व्यवस्थित करने का एक तरीका खोज लेता है ताकि वह कंप्यूटर के "कैशिंग" (जैसे कि जेब) में फिट हो सके, जिससे यह 10 गुना तेज़ हो जाए।
ग्रेड: यदि छात्र का बाउंसर AI के मुकाबले बेहतर है, तो उन्हें "सरप्लस" ग्रेड मिलता है। यदि वे केवल AI को कॉपी करते हैं, तो उन्हें बेसलाइन मिलता है।

यह एक बड़ी बात क्यों है

यह "कॉपी-पेस्ट" की दौड़ को रोकता है: शिक्षकों को छात्रों द्वारा AI का उपयोग करने को पकड़ने के लिए अपना सारा समय खर्च करने की आवश्यकता नहीं है। ग्रेडिंग प्रणाली स्वचालित रूप से AI-जनरेटेड कोड को अनदेखा कर देती है जब तक कि वह वास्तव में AI के सर्वोत्तम प्रयास से बेहतर न हो।
यह मानवीय निर्णय को पुरस्कृत करता है: सिस्टम AI के उपयोग के बजाय मानवीय क्षमता को महत्व देता है कि "AI यहाँ धीमा क्यों है?" और "मैं इसे कैसे ठीक कर सकता हूँ?" यह वह कौशल है जो भविष्य में मूल्यवान होगा।
यह निष्पक्ष है: यह समान अवसर प्रदान करता है। इससे कोई फर्क नहीं पड़ता कि एक छात्र के पास $20/महीना का AI सब्सक्रिप्शन है और दूसरे के पास मुफ्त वाला, क्योंकि "सरप्लस" को एक निश्चित, फ्रीज्ड AI बेसलाइन के विरुद्ध मापा जाता है। यदि मुफ्त AI बेसलाइन को नहीं हरा सकता, तो महंगा AI भी अतिरिक्त क्रेडिट नहीं पाएगा।

निचोड़ (The Bottom Line)

लेखक का तर्क है कि हमें यह पूछना बंद कर देना चाहिए कि, "क्या आपने AI का उपयोग किया?" और यह पूछना शुरू करना चाहिए कि, "क्या आपने AI का उपयोग AI से भी आगे जाने के लिए किया?"

यदि एक छात्र एक AI टूल ले सकता है और उसे कुछ नया करने के लिए प्रेरित कर सकता है, तो यही भविष्य के कुशल कंप्यूटर वैज्ञानिक की परिभाषा है। यह पेपर ठीक उसी कौशल को ग्रेड देने के लिए एक गणितीय और व्यावहारिक ब्लूप्रिंट प्रदान करता है।

तकनीकी सारांश: कंप्यूटर साइंस पाठ्यक्रमों में AI-प्रतिरोधी मूल्यांकन की ओर (एक AI-नेटिव दुनिया में)

समस्या विवरण
यह शोध पत्र जेनरेटिव AI के कारण कंप्यूटर विज्ञान शिक्षा में आए मौलिक बदलाव को संबोधित करता है, जहाँ छात्र ऐसे कोड, प्रमाण और रिपोर्ट तैयार कर सकते हैं जो मानव कार्य से अलग नहीं पहचाने जा सकते। लेखक का तर्क है कि संस्थागत ध्यान वर्तमान निषेध (prohibition), पहचान (detection) और प्रॉक्टरिंग (proctoring) पर केंद्रित है, जो मूल शैक्षिक प्रश्न को संबोधित करने में विफल रहता है: वह कौन सा कौशल है जो एक छात्र को उस व्यक्ति की तुलना में बेहतर परिणाम प्राप्त करने की अनुमति देता है जिसके पास केवल AI तक पहुँच है? यह पत्र तर्क देता है कि सीनियर-लेवल पाठ्यक्रमों के लिए, AI को एक वर्जित उपकरण के बजाय एक आधारभूत सहयोगी (baseline collaborator) के रूप में माना जाना चाहिए। चुनौती ऐसे मूल्यांकन डिजाइन करने की है जो "AI-प्रतिरोधी कौशल" (AI-resilient skills) को ग्रेड दे सकें—अर्थात, उन ट्रेड-ऑफ्स (tradeoffs) को प्राप्त करने के लिए AI को निर्देशित करने की क्षमता जो स्वयं AI बेसलाइन द्वारा उपलब्ध नहीं कराए गए हैं—बिना लेखकत्व पहचान (authorship detection) पर निर्भर रहे या यह मान लिए बिना कि छात्र AI का उपयोग नहीं करेंगे।

कार्यप्रणाली: AI-प्रतिरोधी ग्रेडिंग के लिए एक औपचारिक ढांचा
यह शोध पत्र एक न्यूनतम औपचारिक ढांचे का प्रस्ताव करता है जहाँ मूल्यांकन लेखकत्व के बजाय निष्पादनीय व्यवहार (executable behavior) द्वारा परिभाषित होता है। मुख्य कार्यप्रणाली चार वस्तुओं पर आधारित है: एक वास्तविक कार्य, एक निष्पादनीय इवैल्यूएटर (evaluator), एक घोषित AI-नेटिव पारेटो फ्रंटियर (Pareto frontier), और पारेटो सरप्लस (Pareto surplus) पर आधारित ग्रेडिंग नियम।

वास्तविक कार्य और इवैल्यूएटर: एक कार्य को केवल एक प्रॉम्प्ट द्वारा नहीं, बल्कि एक टुपल (tuple) द्वारा परिभाषित किया जाता है जिसमें एक सबमिशन स्पेस, एक बेंचमार्क प्रोटोकॉल (सार्वजनिक विकास और गुप्त मूल्यांकन), कठोर शुद्धता बाधाएं (hard correctness constraints), और एक पूर्ण निष्पादक इवैल्यूएटर ( $E_T$ ) शामिल है जो सबमिशन को स्कोर के वेक्टर ( $R^d$ ) में मैप करता है।
AI-नेटिव पारेटो फ्रंटियर: ग्रेडिंग से पहले, एक पुनरुत्पादित (reproducible) AI-एजेंट प्रोटोकॉल (जिसमें विशिष्ट मॉडल, प्रॉम्प्ट, बजट और चयन नियम शामिल हैं) का उपयोग करके एक "घोषित AI-नेटिव बेसलाइन" उत्पन्न की जाती है। इन AI-जनित सबमिशन के स्कोर का सेट $S_{AI}$ है। AI-नेटिव पारेटो फ्रंटियर ( $F_{AI}$ ) गैर-प्रभावी (nondominated) स्कोर वेक्टर्स का सेट है जो इस सेट के भीतर हैं। यह फ्रंटियर द्वारा प्राप्त सर्वोत्तम ज्ञात ट्रेड-ऑफ्स का प्रतिनिधित्व करता है जो घोषित AI बेसलाइन द्वारा संभव हैं।
पारेटो सरप्लस: एक छात्र के सबमिशन $\pi$ $π$ का मूल्यांकन उसके पारेटो सरप्लस ( $\delta_T(\pi)$ $δ_{T} (π)$ ) द्वारा किया जाता है, जिसे एक संदर्भ बिंदु $r$ $r$ के सापेक्ष डोमिनेटेड हाइपरवॉल्यूम (dominated hypervolume) में होने वाली वृद्धि के रूप में गणना किया जाता है जब $\pi$ $π$ को फ्रंटियर में जोड़ा जाता है।
- यदि $\delta_T(\pi) = 0$ , तो सबमिशन AI बेसलाइन द्वारा डोमिनेट (अधिग्रहित) किया गया है और कोई नया ट्रेड-ऑफ प्रदान नहीं करता है।
- यदि $\delta_T(\pi) > 0$ , तो यह एक ऐसा मापा गया ट्रेड-ऑफ प्राप्त करता है जो AI बेसलाइन द्वारा कवर नहीं किया गया है।
ग्रेडिंग नियम: ग्रेड पारेटो सरप्लस के आधार पर दिए जाते हैं। एक AI-नेटिव सबमिशन को एक बेसलाइन ग्रेड ( $g_{AI}$ ) प्राप्त होता है। $g_{AI}$ से ऊपर का कोई भी ग्रेड एक सकारात्मक पारेटो सरप्लस की मांग करता है।
निष्पक्षता के लिए विस्तार: निजी AI बजट (जैसे, अधिक शक्तिशाली मॉडल या अधिक कंप्यूट तक पहुँच) को ग्रेड का एकमात्र निर्धारक बनने से रोकने के लिए, ढांचा निम्नलिखित पेश करता है:
- सर्वर-मध्यस्थ फीडबैक (Server-Mediated Feedback): एक फीडबैक ओरेकल जो केवल समग्र, मोटे तौर पर जानकारी (जैसे, पास/फेल, स्कोर बिन्स) जारी करता है न कि छिपे हुए इनपुट या प्रति-मामला त्रुटियां, जिससे छात्रों को निजी AI लूप के माध्यम से छिपे हुए बेंचमार्क पर ओवरफिट होने से रोका जा सके।
- थ्रेशोल्ड आधारित ग्रेडिंग (Thresholded Grading): रेड-टीमिंग परिणामों ( $\epsilon_{red}^{bud}$ ) और इवैल्यूएटर शोर ( $\epsilon_{eval}$ ) के आधार पर एक थ्रेशोल्ड $\eta_T$ निर्धारित किया जाता है। केवल वह सरप्लस जो इस थ्रेशोल्ड ( $\delta > \eta_T$ ) से अधिक है, उसे पुरस्कृत किया जाता है, जो एक "बजट-तटस्थ मार्जिन" (budget-neutrality margin) बनाता है जहाँ घोषित एनवेलप के भीतर निजी AI-मात्र सुधार ग्रेड देने योग्य सरप्लस प्रदान नहीं करते हैं।
- प्रॉम्प्ट-स्किल रेड-टीमिंग: ढांचा "जेनेरिक डेलिगेशन" (जिसे बेसलाइन का हिस्सा माना जाना चाहिए) और "फ्रंटियर-इम्प्रूवमेंट रैशनल्स" (जहाँ छात्र एक विशिष्ट बाधा की पहचान करता है और समाधान का अनुमान लगाता है) के बीच अंतर करता है। बाद वाले को कौशल के प्रमाण के रूप में माना जाता है।

ठोस उदाहरण: ब्लूम फ़िल्टर असाइनमेंट
इस ढांचे को राइस यूनिवर्सिटी में COMP 480/580 के लिए एक सीनियर-लेवल असाइनमेंट के रूप में लागू किया गया है, जो अनुमानित-सदस्यता संरचनाओं (Bloom filters) पर केंद्रित है।

दो शासन (Two Regimes): असाइनमेंट दो स्केल का उपयोग करता है: MB-स्केल (मेगाबाइट्स) जो पैरामीटर ट्यूनिंग और लो-ओवरहेड हैशिंग पर केंद्रित है, और GB-स्केल (गीगाबाइट्स) जो मेमोरी बैंडविडविड्थ, कैश लोकैलिटी, पैरेललिज्म और वेक्टराइजेशन पर केंद्रित है।
मूल्यांकन: छात्रों को ऐसी प्रणालियाँ लागू करनी होती हैं जो कठोर शुद्धता बाधाओं (कोई फॉल्स नेगेटिव नहीं) को संतुष्ट करती हैं जबकि उद्देश्यों के एक वेक्टर (जैसे, कम्प्रेशन रेशियो, फॉल्स-पॉजिटिव रेट, बिल्ड/क्वेरी थ्रूपुट) को अनुकूलित करती हैं।
प्रक्रिया: छात्रों को दोनों स्केल के लिए एक फ्रीज्ड AI-नेटिव फ्रंटियर प्राप्त होता है। वे स्वतंत्र रूप से AI का उपयोग कर सकते हैं लेकिन एक निश्चित सर्वर फीडबैक बजट तक सीमित हैं। बेसलाइन से ऊपर का ग्रेड अर्जित करने के लिए, उन्हें एक ऐसी प्रणाली बनानी होगी जो गणना किए गए थ्रेशोल्ड से अधिक हाइपरवॉल्यूम को फ्रंटियर से आगे बढ़ा दे।

प्रमुख योगदान

औपचारिक मॉडल: एक न्यूनतम गणितीय मॉडल जहाँ पारेटो फ्रंटियर विस्तार, AI बेसलाइन से परे प्रदर्शन के प्रमाण के रूप में कार्य करता है।
सैद्धांतिक गारंटी: एक प्रमाण कि पारेटो-सरप्लस ग्रेडिंग घोषित फ्रंटियर के संबंध में AI-प्रतिरोधी है; AI-नेटिव सबमिशन केवल बेसलाइन ग्रेड प्राप्त करते हैं, और बेसलाइन से ऊपर का कोई भी ग्रेड मापे गए फ्रंटियर विस्तार को प्रमाणित करता है।
प्रोटोकॉल विस्तार: सेल्फ-इम्प्रूविंग AI लूप, बजट तटस्थता (थ्रेशोल्डिंग के माध्यम से), सर्वर-मध्यस्थ फीडबैक, और उत्पादक AI सक्षमता बनाम असमान निजी संसाधनों के बीच अंतर को संभालने के लिए एक ढांचा।
स्वचालन और प्रोत्साहन: यह स्पष्टीकरण कि निष्पादनीय सरप्लस ग्रेडिंग कैसे मूल्यांकन को स्वचालित करती है और मिलीभगत (collusion) के विरुद्ध प्रोत्साहन को बदल देती है (फ्रंटियर-मूविंग समाधान लीक करना पर्सेंटाइल-कैलिब्रेटेड सिस्टम में लीकर के सापेक्ष ग्रेड को कम कर देता है)।
ठोस डिज़ाइन: Fall 2026 में तैनाती के लिए इच्छित एक विशिष्ट दो-शासन वाला ब्लूम फ़िल्टर असाइनमेंट डिज़ाइन।

परिणाम और दावे
यह शोध पत्र छात्र तैनाती से कोई अनुभवजन्य (empirical) परिणाम रिपोर्ट नहीं करता है, क्योंकि यह ढांचा भविष्य के कार्यान्वयन के लिए प्रस्तावित है। इसके बजाय, यह डिज़ाइन गारंटी और तार्किक प्रमेय (logical theorems) प्रस्तुत करता है:

प्रमेय 1: पारेटो सरप्लस फ्रंटियर विस्तार का एक मापने योग्य प्रमाण है; एक सकारात्मक सरप्लस का अर्थ है कि आर्टिफैक्ट AI बेसलाइन द्वारा डोमिनेट नहीं किया गया है।
प्रमेय 2: पारेटो-सरप्लस ग्रेडिंग के तहत, AI-नेटिव सबमिशन ठीक बेसलाइन ग्रेड प्राप्त करते हैं, और बेसलाइन से ऊपर का कोई भी ग्रेड मापे गए सुधार को प्रमाणित करता है।
प्रमेय 3: थ्रेशोल्ड आधारित ग्रेडिंग, निजी AI बजट और इवैल्यूएटर शोर को अलग करती है। यदि फ्रंटियर एक घोषित निजी AI एनवेलप के विरुद्ध $\epsilon$ -सैचुरेटेड है, तो उस एनवेलप के भीतर AI-मात्र सबमिशन बेसलाइन से ऊपर कोई सरप्लस ग्रेड प्राप्त नहीं करते हैं।
नल-फ्रंटियर परिणाम (Null-Frontier Outcome): पेपर नोट करता है कि यदि कोई छात्र सकारात्मक सरप्लस उत्पन्न नहीं करता है, तो यह एक नैदानिक संकेत (diagnostic signal) है कि कार्य या इवैल्यूएटर ने AI-प्रतिरोधी कौशल को पकड़ने में विफल रहा, जो असाइनमेंट के संशोधन को प्रेरित करता है।

महत्व और स्थिति
यह शोध पत्र "अनुमान और चिंता" से हटकर "ऐसे ठोस ऑब्जेक्ट्स की ओर जो निरीक्षण और बहस के योग्य हैं" जाने की दिशा में एक कदम के रूप में खुद को स्थापित करता है। इसका महत्व इस बात में है कि यह AI-प्रतिरोधी मूल्यांकन को पहचान की समस्या के रूप में नहीं, बल्कि स्पष्ट लक्ष्यों और मापने योग्य फ्रंटियर्स को परिभाषित करने की एक डिज़ाइन समस्या के रूप में पुनर्परिभाषित करता है।

यह तर्क देता है कि एक बार लक्ष्य स्पष्ट हो जाने के बाद, AI-प्रतिरोधी मूल्यांकन एक प्रोटोकॉल-सापेक्ष प्रमाण बन जाता है।
यह दावा करता है कि यह दृष्टिकोण संकाय (faculty) को मैन्युअल रूप से आर्टिफैक्ट बनाने के बजाय उद्देश्यों को निर्दिष्ट करने, इवैल्यूटर्स को मान्य करने और क्या 'फ्रंटियर मूवमेंट' को परिभाषित करने में अपनी भूमिका बदलने की अनुमति देता है।
लेखक सीमाओं को स्वीकार करता है: यह ढांचा निष्पादनीय कार्यों और बहु-आयामी इवैल्यूटर्स को परिभाषित करने की क्षमता पर निर्भर करता है, जो सभी शैक्षिक उद्देश्यों (जैसे, नैतिक तर्क या संचार) पर लागू नहीं हो सकता है। यह यह भी स्वीकार करता है कि "बजट तटस्थता" एक डिज़ाइन लक्ष्य है जिसे रेड-टीम किया जाना है, न कि एक आध्यात्मिक गारंटी।
अंतिम लक्ष्य Fall 2026 में राइस यूनिवर्सिटी में नियोजित तैनाती से पहले आलोचना और परिशोधन के लिए एक ढांचे के रूप में इसे प्रस्तुत करना है, ताकि समुदाय को बेसलाइन, फीडबैक नीतियों और थ्रेशोल्ड की मजबूती का परीक्षण करने के लिए आमंत्रित किया जा सके।