Ocenianie wiedzy w epoce ChatGPT: co prowadzący muszą zmienić

Jeszcze kilka lat temu prowadzący mógł dość pewnie założyć: jeśli uczestnik oddał esej, rozwiązał zadanie lub przygotował raport analityczny, znaczną część pracy wykonał samodzielnie. Generatywna sztuczna inteligencja zmieniła tę logikę. Dziś dobrze uporządkowany tekst, kod, prezentacja lub nawet uzasadniona analiza mogą powstać w kilka minut.

Nie oznacza to, że tradycyjne ocenianie straciło sens. Przestało jednak być wiarygodne tam, gdzie ocenia się tylko końcowy produkt, a nie drogę do niego. Jeśli system potrafi stworzyć rezultat przypominający pracę uczestnika, prowadzący musi dokładniej określić przedmiot pomiaru: pamięć, rozumienie, stosowanie wiedzy, argumentację, twórczość, decyzję zawodową czy zdolność wyjaśnienia własnego wyboru.

W 2026 roku problem stał się już systemowy. EDUCAUSE przeprowadziło ankietę wśród 438 prowadzących i pracowników uczelni bezpośrednio projektujących lub przeprowadzających ocenianie. Jeden z kluczowych wniosków: AI coraz częściej używają zarówno prowadzący, jak i uczestnicy, ale zasady pozostają nierówne, a uczącym się brakuje jasnych zaleceń, kiedy AI jest dopuszczalna, a kiedy nie.

Dlatego główne pytanie dziś brzmi nie „jak zakazać ChatGPT”, lecz „jak zbudować ocenianie, aby znów pokazywało rzeczywistą wiedzę i umiejętności człowieka”.

Dlaczego ChatGPT zmienił samą logikę oceniania

Klasyczny system często opiera się na wytworze: eseju, pracy domowej, referacie, prezentacji, teście lub kodzie. Prowadzący ocenia produkt i na tej podstawie wnioskuje o poziomie uczestnika.

Problem polega na tym, że generatywna AI przerywa bezpośredni związek jakości produktu z kompetencją autora. Słaby uczestnik może uzyskać mocny tekst, jeśli dobrze sformułuje zapytanie. I odwrotnie: mocny uczestnik może napisać krótszą lub mniej „wypolerowaną” pracę, ale znacznie lepiej rozumieć materiał.

OECD w Digital Education Outlook 2026 zwraca uwagę na różnicę między wykonaniem a uczeniem się. Generatywna AI może podnieść jakość wykonania zadania, ale nie oznacza to, że nastąpiła nauka. W części badań przewaga użytkowników AI znikała, gdy przy kolejnej kontroli odbierano dostęp do narzędzia.

Dla oceniania to zasadniczy sygnał. Mierząc tylko jakość końcowego rezultatu, możemy w rzeczywistości oceniać nie wiedzę uczestnika, lecz jakość połączenia uczestnika z AI.

Dlatego współczesne ocenianie powinno zbierać więcej dowodów nauki: nie tylko „co stworzono”, ale także „jak stworzono”, „dlaczego wybrano to podejście” i „czy uczestnik potrafi samodzielnie powtórzyć kluczowe działanie”.

Nie każde zadanie trzeba ratować

Pierwszą reakcją na ChatGPT była często ochrona starych zadań: zakaz AI, sprawdzanie tekstów detektorami lub powrót do prac odręcznych.

AI postawiła jednak przydatniejsze pytanie: czy wszystkie stare zadania w ogóle dobrze mierzyły naukę?

Jeśli uczestnik może uzyskać wysoką ocenę za streszczenie kilku źródeł, być może problem nie tkwi tylko w ChatGPT. Takie zadanie już wcześniej mogło lepiej sprawdzać zdolność szybkiego zebrania informacji niż głębokie zrozumienie.

W dyskusjach EDUCAUSE z 2026 roku pojawia się właśnie ta myśl: AI szczególnie uwidoczniła słabości modeli oceniania od lat opartych na skalowalnych wytworach — esejach, testach i standardowych zadaniach — jako pośrednich sygnałach wiedzy.

Zanim więc prowadzący zacznie chronić konkretny format, powinien zapytać: jaką kompetencję zadanie ma pokazać? Jeśli odpowiedź jest niejasna, zadanie prawdopodobnie wymaga przeróbki niezależnie od AI.

Zacząć trzeba od efektu uczenia się

Dobre ocenianie w epoce AI zaczyna się od jasnego efektu nauki, a nie pytania „czy pozwolić na ChatGPT”.

Na przykład jeśli celem jest znajomość kluczowych terminów, krótki test może nadal być całkowicie właściwy. Jeśli celem jest zdolność argumentowania stanowiska, jeden gotowy esej już nie wystarcza. Jeśli kurs uczy podejmowania decyzji zawodowych, uczestnik powinien zademonstrować właśnie proces decyzyjny.

Warto rozdzielać kompetencję na składniki.

Co uczestnik powinien wiedzieć bez pomocy zewnętrznej?

Co powinien umieć robić z dostępem do narzędzi?

Co ma potrafić sprawdzać w wyniku AI?

Za co powinien ponosić osobistą odpowiedzialność?

Ten podział pozwala tworzyć różne tryby oceniania do różnych celów, zamiast abstrakcyjnie walczyć z technologią.

Oceniać nie tylko rezultat, ale także proces

Jedną z najważniejszych zmian jest przejście od jednego pliku końcowego do sekwencji etapów.

Zamiast zadania „napisz esej na 2000 słów” można oceniać pytanie badawcze, wstępną tezę, wybór źródeł, strukturę argumentacji, szkic, tekst końcowy i krótką refleksję.

Nie oznacza to konieczności wystawiania siedmiu osobnych ocen. Część etapów można wykorzystać jako punkty kontrolne pokazujące rozwój pracy.

Podejście ma dwie zalety. Po pierwsze daje więcej informacji o myśleniu uczestnika. Po drugie zmniejsza wartość w pełni automatycznie wygenerowanego wyniku końcowego.

Jeśli uczestnik musi wyjaśnić zmianę tezy po pracy ze źródłami, pokazać odrzucone argumenty i obronić ostateczną decyzję, samo skopiowanie odpowiedzi AI już nie wystarcza.

W kursie cyfrowym proces ten można zapisywać przez krótkie zadania pośrednie. W środowisku WeStudy, na przykład, logicznie jest podzielić rozbudowane ocenianie na kilka punktów kontrolnych, aby widzieć nie tylko końcową punktację, ale także przebieg wykonania.

Obrona ustna przywraca autorstwo

Krótka rozmowa często pokazuje poziom rozumienia lepiej niż kilka stron starannie opracowanego tekstu.

Prowadzący może poprosić uczestnika o wyjaśnienie głównego wniosku, wskazanie najsłabszego miejsca pracy, uzasadnienie wyboru źródła lub zastosowanie tej samej zasady w nowej sytuacji.

Nie wymaga to pełnego godzinnego egzaminu ustnego. Czasem wystarczy pięć minut.

Szczególnie przydatne są pytania, których odpowiedzi nie da się po prostu wyuczyć z tekstu: „Dlaczego odrzucono pierwszy wariant?”, „Który argument był najtrudniejszy?”, „Co zmieni się, jeśli jeden z warunków przypadku będzie inny?”.

EDUCAUSE w dyskusji o ocenianiu z 2026 roku zwraca uwagę na dialogic assessment — ocenianie przez dialog o tym, jak powstała praca i dlaczego podjęto konkretne decyzje.

W dużych grupach format jest trudniejszy organizacyjnie, ale nawet wyrywkowa obrona ustna istotnie zwiększa wiarygodność oceny.

Zadania autentyczne stają się ważniejsze

Im zadanie bliższe rzeczywistej sytuacji zawodowej, tym trudniej sprowadzić je do wygenerowania szablonowej odpowiedzi.

Przyszłemu marketerowi można dać dane konkretnej kampanii i poprosić o uzasadnienie decyzji. Inżynierowi — kilka wariantów konstrukcji z ograniczeniami. Menedżerowi — konflikt do analizy z niepełną informacją. Prowadzącemu — zaprojektowanie fragmentu zajęć dla konkretnych odbiorców.

AI może pomóc również w takich zadaniach, ale uczestnik będzie musiał oceniać alternatywy, pracować z kontekstem i odpowiadać za wybór.

Dobre autentyczne ocenianie często dopuszcza kilka odpowiedzi. Liczy się nie odgadnięcie „poprawnej”, lecz pokazanie logiki, kryteriów i jakości decyzji.

To czyni je odporniejszym na generatywną AI: system może proponować warianty, ale uczestnik musi wykazać, dlaczego konkretny jest właściwy w danym kontekście.

ChatGPT można zmienić z problemu w część zadania

Jedno z ciekawszych podejść polega na uczynieniu pracy z AI przedmiotem oceny, zamiast ukrywaniu jej przed ocenianiem.

Na przykład uczestnik otrzymuje odpowiedź ChatGPT na pytanie zawodowe i musi znaleźć błędy, sprawdzić źródła i stworzyć lepszą wersję.

Inny wariant to porównanie dwóch odpowiedzi AI i wyjaśnienie, która jest mocniejsza według określonych kryteriów.

Można też poprosić uczestnika o użycie AI do burzy mózgów, a potem pokazanie odrzuconych pomysłów i powodów ich odrzucenia.

Takie zadania sprawdzają już zdolność profesjonalnej pracy obok AI, a nie istnienia w świecie bez niej.

To szczególnie ważne w dyscyplinach, w których absolwent niemal na pewno użyje AI w pracy. Całkowity zakaz przez cały kurs może tworzyć równie sztuczne środowisko jak całkowity brak ograniczeń.

Podstawowe umiejętności nadal jednak trzeba sprawdzać bez AI

Integracja AI nie oznacza, że wszystkie oceny powinny dopuszczać technologię.

Człowiek potrzebuje podstawowej kompetencji, aby kontrolować automatyczny rezultat. Lekarz musi rozumieć fundamentalne zasady nawet przy użyciu systemu wspomagania decyzji. Programista musi widzieć błąd w kodzie, nawet jeśli AI pomaga pisać funkcje. Finansista ma rozumieć obliczenie, a nie tylko kopiować gotowy wskaźnik.

Dlatego warto mieć w kursie etapy „zamknięte”: krótkie sprawdziany ustne, prace kontrolne bez AI, podstawowe ćwiczenia praktyczne lub inne formaty samodzielnej demonstracji fundamentalnej umiejętności.

OECD zaleca zachowanie rozwoju podstawowej wiedzy i niezależnego myślenia obok użycia edukacyjnej i uniwersalnej GenAI.

To nie powrót do przeszłości. To sposób upewnienia się, że osoba potrafi ocenić wynik automatyzacji, zamiast ślepo od niego zależeć.

Zasady korzystania z AI muszą być konkretne

Jednym z największych problemów uczestników jest niejasna polityka.

Zdanie „AI jest dozwolona odpowiedzialnie” prawie niczego nie wyjaśnia. Czy można stworzyć strukturę eseju? Przetłumaczyć akapit? Sprawdzić gramatykę? Wygenerować kod? Poprosić system o kontrargumenty?

EDUCAUSE wśród kluczowych wniosków z 2026 roku wymienia potrzebę jaśniejszych polityk i zaleceń dla uczestników dotyczących AI podczas oceniania.

Wygodne podejście to ustalanie zasad osobno dla każdego dużego zadania.

Na przykład AI może być zabroniona podczas testu indywidualnego. W innym zadaniu dozwolona do szukania pomysłów, lecz końcowa argumentacja musi być własna. W trzecim dozwolona do redakcji językowej pod warunkiem ujawnienia. W czwartym AI jest obowiązkowa, bo sprawdzana jest umiejętność profesjonalnej pracy z systemem generatywnym.

Im konkretniejsza zasada, tym mniej miejsca na nieporozumienia.

Ujawnianie użycia AI jest lepsze niż polowanie na AI

Jeśli narzędzia generatywne są częściowo dozwolone, warto nauczyć uczestników dokumentowania ich użycia.

Może to być krótki przypis na końcu pracy: jakiego narzędzia użyto, do jakich zadań i co uczestnik zmienił samodzielnie.

W bardziej złożonych projektach można prosić o kilka kluczowych promptów lub krótką refleksję, gdzie AI pomogła, a gdzie dała słaby wynik.

Celem podejścia nie jest biurokracja. Uwidacznia proces i rozwija odpowiedzialność zawodową.

W pracy specjalista również będzie wyjaśniać, które części decyzji zautomatyzowano, jakich danych użyto i kto sprawdził wynik. Przejrzystość pracy z AI sama staje się więc ważną kompetencją.

Dlaczego detektory AI nie rozwiązują problemu

Pomysł automatycznego wykrywania tekstu AI wydaje się atrakcyjny: uczestnik oddaje pracę, serwis pokazuje procent, prowadzący podejmuje decyzję.

Detektor probabilistyczny nie jest jednak dowodem autorstwa.

Tekst człowieka może błędnie zostać uznany za maszynowy, a tekst AI po redakcji przejść kontrolę. Styl językowy zależy też od znajomości języka, dyscypliny i gatunku, więc ryzyko błędnej interpretacji pozostaje.

Jeszcze ważniejsze, że detektor nie odpowiada na pytanie pedagogiczne. Nawet jeśli dokładnie wiemy, że użyto AI, trzeba zrozumieć, czy było to dozwolone, jaką część pracy wykonała i czy uczestnik rozwinął potrzebną kompetencję.

Zamiast opierać się na jednym wskaźniku technicznym, pewniej zbierać zbiór dowodów: wersje pośrednie, źródła, obronę, zastosowanie praktyczne i wyjaśnienie procesu.

Testy również wymagają przeglądu

Wydaje się, że tradycyjny test wyboru jest automatycznie chroniony przed AI, jeśli odbywa się w kontrolowanym środowisku. Jest tu jednak inny problem: czy mierzy to, co rzeczywiście ważne?

Pytania wymagające prostego odtworzenia faktów pozostają przydatne do kontroli podstawowej wiedzy. Jeśli jednak cały system oceny składa się tylko z nich, słabo pokazuje zdolność zastosowania wiedzy.

AI zachęca do większego użycia pytań scenariuszowych, analizy błędów, porównania podejść i zadań wymagających wyjaśnienia przyczyny wyboru.

Można też połączyć automatyczny test z krótkim zadaniem po nim: wyjaśnić jedną odpowiedź, zastosować zasadę w nowym przypadku lub znaleźć błąd w gotowym rozwiązaniu.

Test staje się wtedy jedną z warstw dowodów nauki, a nie punktem końcowym.

Ocenianie pracy grupowej staje się trudniejsze

AI dodaje kolejną warstwę do od dawna znanego problemu projektów grupowych: kto dokładnie wykonał pracę?

Zespół może mieć czworo uczestników i kilka narzędzi AI. Końcowa prezentacja będzie wyglądać profesjonalnie, ale wkład jednostki trudno zobaczyć.

Warto więc oceniać nie tylko produkt grupowy, ale także komponent indywidualny. Może to być krótka refleksja, osobista obrona własnej części, dziennik decyzji lub odpowiedź o wkładzie w projekt.

Warto też oceniać interakcję z AI jako część procesu zespołowego: kto sprawdzał wygenerowane dane, kto odpowiadał za źródła, jakie automatyczne rekomendacje zespół odrzucił.

Praca grupowa zbliża się wtedy do rzeczywistej praktyki zawodowej, gdzie odpowiedzialność również dzieli się między ludzi i technologie.

Rubryki powinny oceniać myślenie, a nie tylko opracowanie

Jeśli kryteria nagradzają głównie płynność tekstu, strukturę i brak błędów językowych, generatywna AI zyskuje naturalną przewagę.

Dlatego rubryki trzeba przeglądać.

Większą wagę można nadać zasadności decyzji, jakości dowodów, pracy ze źródłami, dostrzeganiu ograniczeń, wyjaśnieniu wyboru i transferowi wiedzy do nowego kontekstu.

Nie oznacza to, że jakość pisania przestaje być ważna. Należy jednak oddzielać formę komunikacyjną od kompetencji merytorycznej.

Na przykład w przypadku biznesowym pięknie opracowana rekomendacja nie powinna otrzymać wysokiej oceny, jeśli opiera się na słabych założeniach.

Takie kryteria trudniej „spełnić” jednym udanym promptem, bo wymagają związku dowodów, kontekstu i własnej decyzji.

Informacja zwrotna również może się zmienić

AI wpływa nie tylko na to, jak uczestnicy wykonują zadania, ale także na to, jak prowadzący je sprawdzają.

Systemy generatywne mogą pomagać grupować typowe błędy, tworzyć pierwszy szkic komentarza lub zestawiać pracę z rubryką. Może to oszczędzać czas.

Ostatecznej decyzji pedagogicznej nie warto jednak w pełni delegować systemowi.

Ocena często zależy od kontekstu: wcześniejszego postępu, specyfiki zadania, niejednoznaczności argumentacji i tego, co prowadzący chciał sprawdzić.

Najlepszy scenariusz: AI pomaga w części rutynowej, a człowiek odpowiada za decyzję merytoryczną.

Szczególnie ważne jest, aby nie przekazywać prac uczestników z danymi osobowymi lub poufnymi do zewnętrznego serwisu bez jasnej polityki przetwarzania informacji.

Co robić z dużymi grupami

Wszystkie zalecenia dotyczące obrony ustnej i indywidualnej informacji zwrotnej brzmią dobrze, dopóki grupa nie liczy dwustu uczestników.

Nowy system oceniania musi więc pozostać skalowalny.

Można łączyć elementy automatyczne i ludzkie. Podstawową wiedzę sprawdzają testy. Trudniejsze zadania przechodzą kilka krótkich punktów kontrolnych. Obrona ustna może być wyrywkowa lub dotyczyć kluczowych projektów.

Inne podejście to ocena koleżeńska według jasnych kryteriów, gdy uczestnicy analizują wzajemnie swoje prace. Jednocześnie ogranicza obciążenie i rozwija zdolność oceny jakości.

Na platformie WeStudy warto budować tę logikę jako system różnych formatów oceniania, a nie jeden duży test końcowy. Daje to prowadzącemu więcej sygnałów postępu i pozwala rozłożyć sprawdzanie w trakcie kursu.

Portfolio i ocenianie narastające przywracają kontekst

Inny format zyskujący na wartości w epoce generatywnej AI to portfolio. Zamiast jednego końcowego wytworu uczestnik stopniowo zbiera dowody rozwoju: wczesne próby, szkice, poprawki po informacji zwrotnej, prace praktyczne, krótkie refleksje i wynik końcowy.

Zaletą portfolio jest pokazywanie zmiany kompetencji w czasie. Prowadzący widzi nie tylko „mocną pracę na końcu”, ale też to, jak uczestnik nauczył się formułować problem, sprawdzać źródła, poprawiać błędy i wyjaśniać decyzje.

Nie trzeba tu koniecznie zakazywać AI. Przeciwnie, można wymagać oznaczania jej użycia i krótkiego wyjaśnienia: jaką rekomendację dał system, co uczestnik przyjął, co odrzucił i dlaczego.

Format szczególnie przydaje się w kursach projektowych i zawodowych, gdzie kompetencja rozwija się stopniowo. Zmniejsza też ryzyko, że jeden błyskotliwy plik końcowy ukryje słabe rozumienie materiału.

Trzeba oceniać również umiejętność pracy z AI

W wielu zawodach całkowita rezygnacja z AI już nie odpowiada rzeczywistemu środowisku pracy.

Dlatego obok zadań bez AI warto mieć zadania wymagające pokazania kompetentnego użycia AI.

Na przykład: sformułować dobre zapytanie, sprawdzić odpowiedź, znaleźć błąd, porównać kilka wariantów, ochronić dane poufne lub wyjaśnić granice automatycznej rekomendacji.

Ocena sprawdza wtedy kompetencje AI — zdolność krytycznego i odpowiedzialnego użycia narzędzia — a nie „czy uczestnik umie nacisnąć przycisk”.

EDUCAUSE wprost nazywa AI literacy, w tym rozumienie, kiedy nie należy używać AI, ważną kompetencją uczestników, prowadzących i pracowników placówek edukacyjnych.

Model praktyczny: trzy tryby oceniania

Zamiast jednej zasady dla całego kursu wygodnie stosować trzy tryby.

Pierwszy to bez AI. Potrzebny tam, gdzie sprawdza się podstawową kompetencję indywidualną. Uczestnik musi pokazać, że samodzielnie wykona kluczowe działanie.

Drugi to AI dozwolona jako narzędzie pomocnicze. Na przykład do burzy mózgów, redakcji językowej lub uzyskiwania kontrargumentów. Użycie jest ujawniane, a kryteria skupiają się na własnej decyzji uczestnika.

Trzeci to AI jest częścią zadania. Uczestnik musi profesjonalnie pracować z modelem: sprawdzać, redagować, porównywać, znajdować ryzyka i wyjaśniać własny wybór.

Ten model jest znacznie jaśniejszy niż uniwersalne „można” lub „nie można”.

Pozwala też stopniowo zwiększać autonomię. Na początku kursu więcej zadań podstawowych wykonuje się bez AI. Później uczestnik uczy się używać narzędzia bez utraty kontroli.

Jak przebudować istniejące zadanie w 15 minut

Nie każdy kurs trzeba przepisywać od zera.

Do tradycyjnego eseju można dodać krótką obronę ustną i wymóg pokazania dwóch kluczowych źródeł.

Do raportu analitycznego — część „alternatywy, które rozważałem” i pytanie o ograniczenia rekomendacji.

Do zadania — po rozwiązaniu nowy warunek i prośbę o wyjaśnienie, co się zmieni.

Do prezentacji — jedno niespodziewane pytanie po wystąpieniu, wymagające zastosowania materiału.

Jeśli AI jest dozwolona — krótkie ujawnienie jej roli.

Niewielkie zmiany często istotnie podnoszą jakość dowodów nauki bez gwałtownego zwiększania obciążenia prowadzącego.

Jak poznać, że nowe ocenianie działa

Dobry system oceniania powinien odpowiadać na kilka prostych pytań.

Czy uczestnik potrafi wyjaśnić własny wynik?

Czy umie zastosować wiedzę w nieco innej sytuacji?

Czy widać proces rozwoju pracy?

Czy wiadomo, gdzie AI jest dozwolona?

Czy ocena nie zależy wyłącznie od pięknego opracowania?

Czy można przeprowadzić sprawdzanie w rzeczywistych warunkach grupy?

Czy oceniana jest właśnie kompetencja deklarowana w efektach kursu?

Jeśli większość odpowiedzi brzmi „tak”, pojawienie się następnego modelu AI nie powinno całkowicie zniszczyć systemu.

Technologie będą się zmieniać. Wiarygodne ocenianie musi opierać się na tym, co pozostaje stałe: rozumieniu, argumentacji, zastosowaniu, odpowiedzialności i zdolności wyjaśnienia własnej decyzji.

Ocenianie po ChatGPT nie staje się prostsze — staje się uczciwsze

Generatywna AI stworzyła niewygodną sytuację dla edukacji. Wiele zadań uznawanych przez lata za normalne nie daje już wystarczających informacji o rzeczywistej wiedzy uczestnika.

Jest w tym jednak także możliwość.

Zamiast mierzyć głównie zdolność stworzenia poprawnego wytworu, edukacja może bardziej skupiać się na procesie myślenia, zastosowaniu praktycznym, wyjaśnieniu ustnym, pracy z dowodami i odpowiedzialności za decyzję.

To trudniejsze niż sprawdzenie pliku i wystawienie punktów. Właśnie tak ocenianie wraca jednak do głównej funkcji — pokazania, co człowiek rzeczywiście wie i potrafi.

ChatGPT nie znosi oceniania. Zmusza do precyzyjniejszej odpowiedzi na pytanie, które zawsze powinno być centralne: co dokładnie chcemy zobaczyć w pracy uczestnika — piękny rezultat czy rzeczywiste uczenie się?

Źródła

OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education, OECD, 19 stycznia 2026 roku.

The Impact of AI on Learning Assessment, EDUCAUSE, 1 czerwca 2026 roku.

The Assessment Debate in an AI World, EDUCAUSE, 22 czerwca 2026 roku.

The Current State of Play: AI in Higher Education and the Road Ahead, EDUCAUSE, 16 czerwca 2026 roku.

Seeing Learning Differently: What Generative AI Reveals About Human Capability Development, EDUCAUSE, 17 sierpnia 2026 roku.