Vzdělávání bylo po generace založeno na zásadním omylu: na předpokladu, že standardizované testy přesně měří schopnosti. Realita je mnohem složitější. Naše současné systémy často měří překážky spíše než kognitivní schopnosti, od Isaaca Newtona, který má potíže s vykonáním zkoušky z fyziky na tabletu, až po neurodivergentní studenty nespravedlivě trestané drsnými formáty. Vznik AI představuje hrozbu i příležitost. Pokud nevyřešíme základní nedostatky v hodnocení, umělá inteligence jednoduše zautomatizuje a posílí stávající předsudky a udrží škodlivé přesvědčení o potenciálu studentů.
Mýtus objektivního měření
Tradiční vzdělání se opírá o chybný předpoklad: že talent je vzácný, geny určují osud a schopnosti lze úhledně seřadit na křivce zvonu. Moderní věda o učení to vyvrací. Lidský potenciál je hluboce tvárný, dynamicky utvářený prostředím a hojně distribuovaný. Každé dítě se rodí, aby se učilo, ale naše systémy mu často říkají opak.
Tato nesrovnalost je způsobena špatnými měřeními. Standardizované testy často měří schopnost studenta procházet samotným testem spíše než jeho základní znalosti. To vytváří „patologická vysvětlení“ falešným obviňováním rozdílů v učení, spíše než uznáním omezení hodnocení. V oblasti psychometrie se tomu říká malá vnější variabilita : když test skutečnou schopnost spíše skrývá než odhaluje.
Tři principy reálného oceňování
Abychom oddělili signál od šumu, musíme přijmout tři základní principy:
- Spravedlnost neznamená identitu: Nutit každého studenta ke stejným podmínkám ignoruje samotnou podstatu neurodiverzity. Pravopisná včela, která vyžaduje ústní recitaci, penalizuje studenty s vadami řeči – překážka dusí skutečnou schopnost hláskování. Povolení vstupu z klávesnice odstraňuje tuto zbytečnou překážku, aniž by byla ohrožena přísnost.
- Rovnocenné podmínky nezaručují rovnocenné důkazy: Standardizované vyšetření zraku vyžaduje pevnou vzdálenost od mapy. Ale nutit zrakově postiženého studenta číst ze stejné vzdálenosti prostě testuje jeho zrak, nikoli znalost abecedy. Test pak měří zrak, nikoli učení.
- Hlavní variabilita poskytuje ekvivalentní důkazy: Záměrné přizpůsobení zadání úkolů různým studentům může přinést přesnější výsledky. I kdyby sám Isaac Newton dostal počítačovou simulaci fyziky, jeho genialita by byla skryta kvůli nedostatku digitální gramotnosti. Poskytování alternativních formátů zajišťuje, že měříme genialitu spíše než technologickou vymoženost.
Vidlice pro AI
Po desetiletí byl menší hluk na pozadí nevyhnutelnou nevýhodou papírových testů. Umělá inteligence nám nyní poskytuje bezprecedentní výpočetní výkon pro personalizaci hodnocení a odstraňování těchto překážek ve velkém měřítku. Ale umělá inteligence je inferenční motor. Zesílí všechna data, která mu poskytneme.
Stojíme před kritickou volbou:
- Cesta B: Scaling Harm: Slepé vkládání nefunkčních testů do algoritmů automatizuje špatné měření, urychluje zkreslenou distribuci a udržuje falešné přesvědčení o autoritě algoritmů.
- Cesta A: Plnění slibu: Vyladění umělé inteligence pro eliminaci šumu a zvýraznění signálu poskytne personalizovanou zpětnou vazbu, posílí postavení studentů a povede k neustálému zlepšování.
Pokud absolvování testu vyžaduje skok přes nesouvisející překážku, jedná se o neúspěšný test. Změnou našich psychometrických rámců se můžeme posunout od patologizace studentů k jejich posílení. Otázka nezní „Co je s tímto studentem špatně?“, ale „Co je třeba v tomto hodnocení zlepšit?“
Budoucnost učení závisí na naší schopnosti rozpoznat, že inteligence není pevná vlastnost, ale dynamický potenciál, a že naše nástroje se musí přizpůsobit, aby odhalily, spíše než skryly lidského génia.
