Evaluation in the Age of AI: Output as Evidence of Learning

एक सदी से अधिक समय से, विश्वविद्यालय एक सरल, मौन समझौते पर काम कर रहे हैं: छात्र जो कार्य प्रस्तुत करता है, वह इस बात का प्रमाण है कि उसने क्या सीखा है। चाहे वह एक निबंध हो, गणित का कोई प्रमाण हो, या कंप्यूटर प्रोग्राम, अंतिम उत्पाद को उसे बनाने के लिए आवश्यक मानसिक प्रयास के प्रत्यक्ष प्रतिबिंब के रूप में माना जाता था। यह प्रणाली इसलिए काम करती थी क्योंकि यह व्यावहारिक थी; इसने स्कूलों को आउटपुट की गुणवत्ता के आधार पर कौशल को प्रमाणित करने और उपलब्धि को रैंक देने की अनुमति दी। अंतर्निहित विश्वास यह था कि यदि किसी छात्र ने उच्च-गुणवत्ता वाला कार्य प्रस्तुत किया है, तो उसने आवश्यक सोच के माध्यम से अनिवार्य रूप से संघर्ष किया होगा। अंतिम उत्पाद और आंतरिक सीखने की प्रक्रिया के बीच यह संबंध उच्च शिक्षा में सफलता को मापने का आधार रहा है।

वह कड़ी टूट गई है। शक्तिशाली कृत्रिम बुद्धिमत्ता (AI) प्रणालियों के उदय ने, विशेष रूप से वे जो मानव जैसी भाषा और कोड उत्पन्न करने में सक्षम हैं, परिदृश्य को रातों-रात बदल दिया है। ये उपकरण अब सेकंडों में परिष्कृत शैक्षणिक कार्य उत्पन्न कर सकते हैं, एक ऐसा कार्य जिसके लिए कभी मानव विचार और संघर्ष की घंटों आवश्यकता होती थी। एक नौसिखिए और एक विशेषज्ञ के बीच की बाधा प्रभावी रूप से समाप्त हो गई है, जिसका अर्थ है कि एक छात्र बिना स्वयं मानसिक श्रम किए एक प्रभावशाली निबंध या एक जटिल कंप्यूटर स्क्रिप्ट तैयार कर सकता है। यह शिक्षा के लिए एक संकट पैदा करता है: यदि अंतिम उत्पाद अब यह सिद्ध नहीं करता कि छात्र विषय को समझता है, तो स्कूल सीखने का मूल्यांकन कैसे कर सकते हैं? ग्रेडिंग करने का पुराना तरीका अब सीखने के "इनपुट" का विश्वसनीय प्रमाण नहीं रह गया है।

वर्जीनिया टेक के शोधकर्ताओं ने इस व्यवधान की जांच की है, जो केवल शैक्षणिक अखंडता के सरल प्रश्न से आगे बढ़कर इस गहरे प्रश्न पर विचार कर रहे हैं कि एक स्वचालित युग में शिक्षा को कैसे काम करना चाहिए। उनका तर्क है कि समस्या केवल यह नहीं है कि छात्र इन उपकरणों का बेईमानी से उपयोग कर रहे हैं, बल्कि पूरी समस्या यह है कि मूल्यांकन की पूरी प्रणाली उस चीज़ के साथ असंगत है जिसे उसे मापना चाहिए। जब स्कूल सीखने के एकमात्र प्रमाण के रूप में अंतिम उत्पाद पर निर्भर रहते हैं, तो वे वास्तव में छात्र की समझ, तर्क या निर्णय के बजाय उनकी AI के उपयोग को छिपाने की क्षमता या महंगी तकनीक तक उनकी पहुंच को माप रहे होते हैं। शोधकर्ता सुझाव देते हैं कि धोखाधड़ी पकड़ने पर वर्तमान ध्यान केंद्रित करना एक निरर्थक प्रयास है और स्कूलों को अपना ध्यान सीखने की प्रक्रिया स्वयं पर केंद्रित करना चाहिए।

इस स्थिति की वास्तविकता को समझने के लिए, शोधकर्ताओं ने उत्तरी अमेरिका और बांग्लादेश के विश्वविद्यालयों के बीस उच्च शिक्षा पेशेवरों और छात्रों का सर्वेक्षण किया। वे यह देखना चाहते थे कि जो लोग वास्तव में शिक्षण कर रहे हैं, वे इन नए उपकरणों और उन्हें रोकने के लिए बनाई गई नीतियों के बारे में कैसा महसूस करते हैं। परिणामों ने एक गहरा अंतर प्रकट किया जो स्कूलों द्वारा किए जा रहे कार्यों और शिक्षकों के विश्वास के बीच है। जबकि अधिकांश संस्थानों ने AI-जनित कार्य का पता लगाने के लिए सॉफ्टवेयर के उपयोग को अनिवार्य किया है, शिक्षक स्वयं इन उपकरणों पर बहुत कम विश्वास रखते हैं। सर्वेक्षण में, बीस में से पंद्रह उत्तरदाताओं ने कहा कि उनके संस्थान AI का पता लगाने वाले सॉफ्टवेयर पर बहुत अधिक निर्भर हैं, फिर भी बीस में से केवल चार ने ही इन उपकरणों की सटीकता या निष्पक्षता पर विश्वास व्यक्त किया। यह अंतर बताता है कि स्कूल प्रक्रिया की अखंडता में विश्वास किए बिना केवल अनुपालन की औपचारिकताएं पूरी कर रहे हैं।

अध्ययन में पाया गया कि यह समस्या कंप्यूटर विज्ञान जैसे क्षेत्रों में विशेष रूप रूप से गंभीर है, जहाँ कोड की "सत्यता" अक्सर बाइनरी (दो-आयामी) होती है। इन क्षेत्रों में, कृत्रिम बुद्धिमत्ता कोड लिखने में असाधारण रूप से कुशल है, जिससे सही उत्तरों की जाँच करने वाली पारंपरिक ग्रेडिंग विधियाँ छात्र की समझ को मापने के लिए बेकार हो जाती हैं। शोधकर्ताओं ने एक परेशान करने वाला नया असमानता का स्तर भी खोजा। जो छात्र इन प्रीमियम AI संस्करणों के लिए भुगतान करने में सक्षम थे, उन्होंने उन छात्रों की तुलना में अधिक स्पष्ट और तार्किक कार्य प्रस्तुत किया जो मुफ्त संस्करणों का उपयोग कर रहे थे। इसका अर्थ है कि वर्तमान मूल्यांकन अनजाने में छात्र की जन्मजात शैक्षणिक क्षमता के बजाय बेहतर तकनीक के लिए भुगतान करने की उनकी क्षमता को ग्रेड दे रहे हैं। इसके अलावा, कम आय वाले पृष्ठभूमि के छात्र जो मुफ्त उपकरणों पर निर्भर हैं, उन्हें दोहरा दंड झेलना पड़ता है: वे कम-गुणवत्ता वाली सहायता प्राप्त करते हैं और उन डिटेक्शन टूल्स के अधिक संदेह का सामना करते हैं जो कच्चे AI आउटपुट को पहचानने के लिए कैलिब्रेट किए गए हैं।

निगरानी-प्रधान दृष्टिकोण की मानवीय लागत भी महत्वपूर्ण है। शोधकर्ताओं ने पाया कि कई शिक्षक बर्नआउट (मानसिक थकान) महसूस कर रहे हैं, वे एक "मेंटर" (परामर्शदाता) से बदलकर "डिजिटल अभियोजक" बनने के बदलाव का वर्णन करते हैं। पाठों को डिजाइन करने या छात्रों की मदद करने में समय बिताने के बजाय, शिक्षकों को अपने ही छात्रों के खिलाफ मामले बनाने में घंटों बिताने के लिए मजबूर होना पड़ता है, यह साबित करने के लिए कि AI का उपयोग किया गया था, जो कि अविश्वसनीय संकेतों पर आधारित होता है। यह संदेह का वातावरण बनाता है जो शिक्षक और छात्र के बीच के संबंध को नुकसान पहुँचाता है। पकड़े जाने का डर एक "प्रकटीकरण जाल" (डिस्क्लोजर ट्रैप) की ओर ले जाता है, जहाँ छात्र यह स्वीकार करने से डरते हैं कि उन्होंने AI का उपयोग किया है, भले ही इसकी अनुमति हो, क्योंकि उन्हें डर है कि उन्हें दंडित किया जाएगा। यह डर इन उपकरणों के उपयोग को भूमिगत (गुप्त) बना देता है, जिससे सीखने की प्रक्रिया कम पारदर्शी और कम ईमानदार हो जाती है।

शोधकर्ताओं का तर्क है कि बेहतर डिटेक्शन सॉफ्टवेयर के खिलाफ हारने वाली लड़ाई लड़ने के बजाय, जो मापा जा रहा है उसे बदलने की आवश्यकता है। वे अंतिम उत्पाद के मूल्यांकन से हटकर सीखने की यात्रा के मूल्यांकन की ओर बढ़ने का प्रस्ताव करते हैं। इसका अर्थ है ऐसे मूल्यांकन डिजाइन करना जो सोचने की प्रक्रिया को दृश्यमान बनाएं, जैसे कि छात्रों को कक्षा में अपने तर्क समझाने की आवश्यकता हो, एनोटेटेड (टिप्पणी युक्त) ड्राफ्ट जमा करने हों, या मौखिक परीक्षा में भाग लेना हो जहाँ उन्हें अपने विचारों का बचाव करना हो। ये विधियाँ, जिन्हें शोधकर्ता "वांछनीय कठिनाइयाँ" (डेसिरेबल डिफिकल्टीज़) कहते हैं, यह सुनिश्चित करती हैं कि संज्ञानात्मक श्रम शिक्षक के सामने ही हो। केवल उत्तर के बजाय इस बात पर ध्यान केंद्रित करके कि छात्र उत्तर तक कैसे पहुँचा, स्कूल वास्तविक समझ और आलोचनात्मक निर्णय को बेहतर ढंग से माप सकते हैं।

यह शोध निष्कर्ष निकालता है कि सीखने के एकमात्र प्रमाण के रूप में अंतिम उत्पाद का युग समाप्त हो रहा है। जो संस्थान पुराने तरीकों पर निर्भर रहना जारी रखेंगे, वे निगरानी के अंतहीन चक्र में फंस जाएंगे, जो एक ऐसी सीमा को नियंत्रित करने के लिए अधिक संसाधन खर्च करेंगे जिसे मॉनिटर करना असंभव होता जा रहा है। शोधकर्ताओं का सुझाव है कि यह व्यवधान केवल एक खतरा नहीं है, बल्कि एक अधिक निष्पक्ष और सार्थक प्रणाली बनाने का एक अवसर है। सीखने की प्रक्रिया को प्राथमिकता देकर और संदेह की संस्कृति से दूर हटकर, विश्वविद्यालय एक ऐसा वातावरण बना सकते हैं जहाँ छात्र और शिक्षक वास्तविक समझ प्रदर्शित करने के लिए मिलकर काम कर सकें। आगे का मार्ग शिक्षण और मूल्यांकन के नए तरीकों में निवेश करने की इच्छा रखने में निहित है, यह सुनिश्चित करते हुए कि शिक्षा विचार की मानवीय क्षमता के बजाय एक पॉलिश किए हुए उत्पाद (आर्टिफैक्ट) को बनाने पर केंद्रित न रहे।