Оцінювання знань в епоху ChatGPT: що потрібно змінити викладачам

Ще кілька років тому викладач міг досить впевнено припустити: якщо студент подав есе, розв'язав задачу або підготував аналітичний звіт, значна частина цієї роботи була виконана ним самостійно. Генеративний штучний інтелект змінив цю логіку. Сьогодні добре структурований текст, код, презентація або навіть аргументований аналіз можуть бути створені за кілька хвилин.

Це не означає, що традиційне оцінювання втратило сенс. Але воно перестало бути надійним там, де оцінюється лише кінцевий продукт, а не шлях до нього. Якщо система здатна створити результат, схожий на роботу студента, викладачеві потрібно точніше визначити, що саме він хоче виміряти: пам'ять, розуміння, уміння застосовувати знання, аргументацію, творчість, професійне рішення чи здатність пояснити власний вибір.

У 2026 році ця проблема вже стала системною. EDUCAUSE опитав 438 викладачів і працівників закладів вищої освіти, які безпосередньо розробляють або проводять оцінювання. Один із ключових висновків дослідження: AI дедалі частіше використовується і викладачами, і студентами, але правила залишаються нерівномірними, а учасникам навчання бракує чітких рекомендацій щодо того, коли AI допустимий, а коли ні.

Саме тому головне питання сьогодні звучить не «як заборонити ChatGPT», а «як побудувати оцінювання так, щоб воно знову показувало реальні знання й уміння людини».

Чому ChatGPT змінив саму логіку оцінювання

Класична система часто спирається на артефакт: есе, домашню роботу, реферат, презентацію, тест або програмний код. Викладач оцінює продукт і на його основі робить висновок про рівень студента.

Проблема в тому, що генеративний AI розриває прямий зв'язок між якістю продукту та компетентністю автора. Слабкий студент може отримати сильний текст, якщо правильно сформулює запит. І навпаки, сильний студент може написати коротшу або менш «відполіровану» роботу, але значно краще розуміти матеріал.

OECD у Digital Education Outlook 2026 звертає увагу на цю різницю між performance і learning. Генеративний AI може підвищити якість виконання завдання, але це не означає, що відбулося навчання. У частині досліджень перевага користувачів AI зникала, коли під час наступної перевірки доступ до інструменту прибирався.

Для оцінювання це принциповий сигнал. Якщо ми вимірюємо лише якість фінального результату, можемо насправді оцінити не знання студента, а якість поєднання студента з AI.

Тому сучасне оцінювання має збирати більше доказів навчання: не тільки «що створено», а й «як створено», «чому обрано саме цей підхід» і «чи може студент повторити ключову дію самостійно».

Не кожне завдання потрібно рятувати

Перша реакція на появу ChatGPT часто полягала в тому, щоб захистити старі завдання: заборонити AI, перевіряти тексти детекторами або повернутися до рукописних робіт.

Але AI поставив корисніше питання: чи всі старі завдання взагалі добре вимірювали навчання?

Якщо студент може отримати високу оцінку за переказ кількох джерел, можливо, проблема не лише в ChatGPT. Таке завдання й раніше могло перевіряти здатність швидко зібрати інформацію краще, ніж глибоке розуміння.

У дискусіях EDUCAUSE 2026 року звучить саме ця думка: AI зробив особливо помітними слабкі місця моделей оцінювання, що роками спиралися на масштабовані артефакти — есе, тести та стандартні задачі — як непрямі сигнали знань.

Тому перед тим як захищати конкретний формат, викладачеві варто запитати: яку компетентність це завдання повинно показати? Якщо відповідь нечітка, завдання, ймовірно, потребує переробки незалежно від AI.

Починати потрібно з навчального результату

Сильне оцінювання в епоху AI починається не з питання «чи дозволяти ChatGPT», а з чіткого навчального результату.

Наприклад, якщо мета — перевірити знання ключових термінів, короткий тест може залишатися цілком доречним. Якщо мета — оцінити здатність аргументувати позицію, одного готового есе вже недостатньо. Якщо курс навчає приймати професійні рішення, студент повинен продемонструвати саме процес прийняття рішення.

Корисно розділяти компетентність на складові.

Що студент повинен знати без зовнішньої допомоги?

Що він повинен уміти робити з доступом до інструментів?

Що він має вміти перевіряти в результаті AI?

За що він повинен нести персональну відповідальність?

Такий поділ дозволяє не боротися з технологією абстрактно, а створити різні режими оцінювання для різних цілей.

Оцінювати не тільки результат, а й процес

Одна з найсильніших змін — перехід від одного фінального файлу до послідовності етапів.

Замість завдання «написати есе на 2000 слів» можна оцінювати дослідницьке питання, попередню тезу, вибір джерел, структуру аргументації, чернетку, фінальний текст і коротку рефлексію.

Це не означає, що викладач повинен виставляти сім окремих оцінок. Частину етапів можна використовувати як контрольні точки, які показують розвиток роботи.

Такий підхід має дві переваги. По-перше, він дає більше інформації про мислення студента. По-друге, зменшує цінність повністю автоматично згенерованого фінального результату.

Якщо студент повинен пояснити, чому змінив тезу після роботи з джерелами, показати, які аргументи відкинув, і захистити остаточне рішення, простого копіювання AI-відповіді вже недостатньо.

У цифровому курсі цей процес можна фіксувати через короткі проміжні завдання. У середовищі WeStudy, наприклад, логічно розділяти велике оцінювання на кілька контрольних точок, щоб бачити не лише фінальний бал, а й траєкторію виконання.

Усний захист повертає авторство

Коротка розмова часто показує рівень розуміння краще, ніж кілька сторінок добре оформленого тексту.

Викладач може попросити студента пояснити головний висновок, назвати найслабше місце власної роботи, аргументувати вибір джерела або застосувати той самий принцип до нової ситуації.

Для цього не потрібен повноцінний усний іспит на годину. Іноді достатньо п'яти хвилин.

Особливо корисними є питання, відповідь на які неможливо просто вивчити з тексту: «Чому ви відмовилися від першого варіанта?», «Який аргумент був найскладнішим?», «Що зміниться, якщо одна з умов кейсу буде іншою?».

EDUCAUSE у дискусії про оцінювання 2026 року звертає увагу на dialogic assessment — оцінювання через діалог про те, як було створено роботу й чому були прийняті конкретні рішення.

Для великих груп цей формат складніший організаційно, але навіть вибірковий усний захист суттєво підвищує надійність оцінювання.

Автентичні завдання стають важливішими

Чим ближче завдання до реальної професійної ситуації, тим складніше звести його до генерації шаблонної відповіді.

Майбутньому маркетологу можна дати дані конкретної кампанії й попросити обґрунтувати рішення. Інженеру — запропонувати кілька варіантів конструкції з обмеженнями. Менеджеру — розібрати конфлікт із неповною інформацією. Викладачеві — спроєктувати фрагмент заняття для конкретної аудиторії.

AI може допомогти і в таких завданнях, але студенту доведеться оцінювати альтернативи, працювати з контекстом і нести відповідальність за вибір.

Сильне автентичне оцінювання часто має кілька допустимих відповідей. Важливо не вгадати «правильну», а показати логіку, критерії та якість рішення.

Саме це робить його стійкішим до генеративного AI: система може запропонувати варіанти, але студент повинен довести, чому конкретний варіант доречний у заданому контексті.

ChatGPT можна перетворити з проблеми на частину завдання

Один із найцікавіших підходів — не приховувати AI від оцінювання, а зробити роботу з ним предметом оцінювання.

Наприклад, студент отримує відповідь ChatGPT на професійне питання і повинен знайти в ній помилки, перевірити джерела та створити кращу версію.

Інший варіант — порівняти дві AI-відповіді й пояснити, яка з них сильніша за визначеними критеріями.

Можна також попросити студента використати AI для мозкового штурму, а потім показати, які ідеї він відкинув і чому.

Такі завдання перевіряють уже не здатність існувати у світі без AI, а здатність професійно працювати поруч із ним.

Це особливо важливо для дисциплін, де випускник майже напевно користуватиметься AI на роботі. Повна заборона під час усього курсу може створити не менш штучне середовище, ніж повна відсутність обмежень.

Але базові навички все одно потрібно перевіряти без AI

Інтеграція AI не означає, що всі оцінювання повинні дозволяти технологію.

Людині потрібна базова компетентність, щоб контролювати автоматизований результат. Лікар повинен розуміти фундаментальні принципи, навіть якщо використовує систему підтримки рішень. Програміст повинен бачити помилку в коді, навіть якщо AI допомагає писати функції. Фінансист має розуміти розрахунок, а не лише копіювати готовий показник.

Тому в курсі корисно мати «закриті» етапи: короткі усні перевірки, контрольні без AI, базові практичні вправи або інші формати, де студент демонструє фундаментальне вміння самостійно.

OECD рекомендує зберігати розвиток базових знань і незалежного мислення поряд із використанням освітнього та універсального GenAI.

Це не повернення в минуле. Це спосіб переконатися, що людина здатна оцінити результат автоматизації, а не сліпо залежить від нього.

Правила використання AI повинні бути конкретними

Одна з найбільших проблем для студентів — нечітка політика.

Фраза «AI дозволено відповідально» майже нічого не пояснює. Чи можна створити структуру есе? Перекласти абзац? Перевірити граматику? Згенерувати код? Попросити систему про контраргументи?

EDUCAUSE серед ключових висновків 2026 року називає потребу в більш чітких політиках і рекомендаціях для студентів щодо використання AI під час оцінювання.

Зручний підхід — визначати правила для кожного великого завдання окремо.

Наприклад, AI може бути заборонений під час індивідуального тесту. В іншому завданні його дозволено для пошуку ідей, але фінальна аргументація має бути власною. У третьому — дозволено мовне редагування за умови декларування. А в четвертому AI є обов'язковим, тому що перевіряється вміння професійно працювати з генеративною системою.

Чим конкретніше правило, тим менше простору для непорозумінь.

Декларування AI краще за полювання на AI

Якщо використання генеративних інструментів частково дозволене, доцільно навчити студентів його документувати.

Це може бути коротка примітка в кінці роботи: який інструмент використовувався, для яких задач і що студент змінив самостійно.

Для складніших проєктів можна просити додати кілька ключових промптів або коротку рефлексію про те, де AI допоміг, а де дав слабкий результат.

Мета такого підходу — не бюрократія. Він робить процес прозорим і розвиває професійну відповідальність.

На роботі фахівцеві також доведеться пояснювати, які частини рішення були автоматизовані, які дані використані й хто перевірив результат. Тому прозорість роботи з AI сама стає важливою компетентністю.

Чому AI-детектори не вирішують проблему

Ідея автоматично визначати AI-текст здається привабливою: студент подає роботу, сервіс показує відсоток, викладач приймає рішення.

Але ймовірнісний детектор не є доказом авторства.

Людський текст може бути помилково визначений як машинний, а AI-текст після редагування — пройти перевірку. Мовний стиль також залежить від рівня володіння мовою, дисципліни та жанру, тому ризик хибної інтерпретації залишається.

Ще важливіше те, що детектор не відповідає на педагогічне питання. Навіть якщо ми точно знаємо, що AI використовувався, потрібно зрозуміти: чи було це дозволено, яку частину роботи він виконав і чи сформував студент потрібну компетентність.

Тому замість опори на один технічний індикатор надійніше збирати сукупність доказів: проміжні версії, джерела, захист, практичне застосування й пояснення процесу.

Тести теж потребують перегляду

Здається, що традиційний тест із варіантами відповідей автоматично захищений від AI, якщо проводиться в контрольованому середовищі. Але тут є інша проблема: чи вимірює тест те, що справді важливо?

Питання на просте відтворення фактів залишаються корисними для перевірки базових знань. Проте якщо вся система оцінювання складається лише з них, вона слабо показує здатність застосувати знання.

AI підштовхує до більшого використання сценарних питань, аналізу помилок, порівняння підходів і завдань, де потрібно пояснити причину вибору.

Можна також комбінувати автоматичний тест із коротким завданням після нього: пояснити одну відповідь, застосувати принцип до нового кейсу або знайти помилку в готовому рішенні.

Тоді тест стає не кінцевою точкою, а одним із шарів доказів навчання.

Оцінювання групової роботи стає складнішим

AI додає ще один рівень до давно відомої проблеми групових проєктів: хто саме виконав роботу?

У команді може бути чотири студенти й кілька AI-інструментів. Фінальна презентація виглядатиме професійно, але внесок окремої людини буде складно побачити.

Тому варто оцінювати не лише груповий продукт, а й індивідуальний компонент. Це може бути коротка рефлексія, персональний захист своєї частини, журнал рішень або відповідь на питання про внесок у проєкт.

Корисно також оцінювати взаємодію з AI як частину командного процесу: хто перевіряв згенеровані дані, хто відповідав за джерела, які автоматичні рекомендації команда відкинула.

Так групова робота стає ближчою до реальної професійної практики, де відповідальність теж розподілена між людьми й технологіями.

Рубрики мають оцінювати мислення, а не тільки оформлення

Якщо критерії винагороджують переважно гладкість тексту, структуру й відсутність мовних помилок, генеративний AI отримує природну перевагу.

Тому рубрики потрібно переглядати.

Більше ваги можна надати обґрунтованості рішення, якості доказів, роботі з джерелами, здатності бачити обмеження, поясненню вибору й перенесенню знань у новий контекст.

Це не означає, що якість письма більше не важлива. Але слід відокремлювати комунікаційну форму від предметної компетентності.

Наприклад, у бізнес-кейсі красиво оформлена рекомендація не повинна отримувати високу оцінку, якщо вона побудована на слабких припущеннях.

Такі критерії складніше «закрити» одним вдалим промптом, тому що вони вимагають зв'язку між доказами, контекстом і власним рішенням.

Зворотний зв'язок теж може змінитися

AI впливає не лише на те, як студенти виконують завдання, а й на те, як викладачі їх перевіряють.

Генеративні системи можуть допомагати групувати типові помилки, створювати першу чернетку коментаря або зіставляти роботу з рубрикою. Це потенційно економить час.

Але фінальне педагогічне рішення не варто повністю делегувати системі.

Оцінка часто залежить від контексту: попереднього прогресу, особливостей завдання, неоднозначності аргументації та того, що саме викладач хотів перевірити.

Найкращий сценарій — AI допомагає з рутинною частиною, а людина відповідає за змістовне рішення.

Особливо важливо не передавати зовнішньому сервісу студентські роботи з персональними або конфіденційними даними без зрозумілої політики обробки інформації.

Що робити з великими групами

Усі рекомендації про усний захист і персональний зворотний зв'язок звучать добре, поки в групі не двісті студентів.

Тому нова система оцінювання має залишатися масштабованою.

Один із варіантів — комбінувати автоматизовані й людські елементи. Базові знання перевіряються тестами. Складніші завдання проходять через кілька коротких контрольних точок. Усний захист може проводитися вибірково або для ключових проєктів.

Інший підхід — використовувати peer assessment за чіткими критеріями, коли студенти аналізують роботи одне одного. Це одночасно зменшує навантаження та розвиває здатність оцінювати якість.

На платформі WeStudy таку логіку доцільно будувати як систему різних форматів оцінювання, а не один великий фінальний тест. Це дає викладачеві більше сигналів про прогрес і дозволяє розподілити перевірку протягом курсу.

Портфоліо та накопичувальне оцінювання повертають контекст

Ще один формат, який стає ціннішим у добу генеративного AI, — портфоліо. Замість одного фінального артефакту студент поступово збирає докази розвитку: ранні спроби, чернетки, виправлення після зворотного зв'язку, практичні роботи, короткі рефлексії та фінальний результат.

Перевага портфоліо в тому, що воно показує зміну компетентності в часі. Викладач бачить не лише «сильну роботу наприкінці», а й те, як студент навчився формулювати проблему, перевіряти джерела, виправляти помилки та пояснювати рішення.

AI тут не обов'язково забороняти. Навпаки, можна вимагати позначати, де він використовувався, і додавати коротке пояснення: яку рекомендацію система дала, що студент прийняв, що відкинув і чому.

Такий формат особливо корисний для проєктних і професійних курсів, де компетентність формується поступово. Він також зменшує ризик ситуації, коли один блискучий фінальний файл приховує слабке розуміння матеріалу.

Потрібно оцінювати і вміння працювати з AI

У багатьох професіях повна відмова від AI уже не відповідає реальному робочому середовищу.

Тому поряд із завданнями без AI варто мати завдання, де студент повинен показати компетентне використання AI.

Наприклад: сформувати якісний запит, перевірити отриману відповідь, знайти помилку, порівняти кілька варіантів, захистити конфіденційні дані або пояснити межі автоматизованої рекомендації.

Так оцінювання перевіряє не «чи вміє студент натиснути кнопку», а AI literacy — здатність використовувати інструмент критично й відповідально.

EDUCAUSE прямо називає AI literacy, включно з розумінням того, коли AI не слід використовувати, важливою компетентністю для студентів, викладачів і працівників закладів освіти.

Практична модель: три режими оцінювання

Замість одного правила для всього курсу зручно використовувати три режими.

Перший — без AI. Він потрібен там, де перевіряється базова індивідуальна компетентність. Студент повинен показати, що може виконати ключову дію самостійно.

Другий — AI дозволений як допоміжний інструмент. Наприклад, для мозкового штурму, мовного редагування або отримання контраргументів. Використання декларується, а критерії оцінювання фокусуються на власному рішенні студента.

Третій — AI є частиною завдання. Студент повинен працювати з моделлю професійно: перевіряти, редагувати, порівнювати, знаходити ризики й пояснювати власний вибір.

Така модель набагато зрозуміліша за універсальне «можна» або «не можна».

Вона також дозволяє поступово підвищувати рівень автономності. На початку курсу більше базових завдань виконується без AI. Пізніше студент вчиться користуватися інструментом, не втрачаючи контролю.

Як перебудувати існуюче завдання за 15 хвилин

Не кожен курс потрібно переписувати з нуля.

Якщо є традиційне есе, можна додати короткий усний захист і вимогу показати два ключові джерела.

Якщо є аналітичний звіт — додати розділ «альтернативи, які я розглядав» і питання про обмеження рекомендації.

Якщо є задача — після розв'язання запропонувати студенту нову умову та попросити пояснити, що зміниться.

Якщо є презентація — після виступу поставити одне несподіване питання, яке вимагає застосування матеріалу.

Якщо AI дозволений — додати коротке декларування його ролі.

Невеликі зміни часто значно підвищують якість доказів навчання без різкого збільшення навантаження на викладача.

Як зрозуміти, що нове оцінювання працює

Сильна система оцінювання повинна відповідати кільком простим питанням.

Чи може студент пояснити власний результат?

Чи здатен застосувати знання в трохи іншій ситуації?

Чи видно процес розвитку роботи?

Чи зрозуміло, де використання AI дозволене?

Чи не залежить оцінка лише від красивого оформлення?

Чи можна виконати перевірку в реальних умовах групи?

Чи оцінюється саме та компетентність, яку заявлено в результатах курсу?

Якщо на більшість цих питань відповідь «так», поява наступної AI-моделі не повинна повністю зруйнувати систему.

Технології будуть змінюватися. Надійне оцінювання повинно бути побудоване навколо того, що залишається стабільним: розуміння, аргументації, застосування, відповідальності та здатності людини пояснити власне рішення.

Оцінювання після ChatGPT не стає простішим — воно стає чеснішим

Генеративний AI створив для освіти незручну ситуацію. Багато завдань, які роками вважалися нормальними, більше не дають достатньо інформації про реальні знання студента.

Але в цьому є й можливість.

Замість того щоб вимірювати переважно здатність створити правильний артефакт, освіта може більше уваги приділяти процесу мислення, практичному застосуванню, усному поясненню, роботі з доказами та відповідальності за рішення.

Це складніше, ніж перевірити файл і виставити бал. Проте саме так оцінювання повертається до своєї головної функції — показати, що людина справді знає й уміє.

ChatGPT не скасовує оцінювання. Він змушує точніше відповісти на питання, яке мало бути центральним завжди: що саме ми хочемо побачити в роботі студента — красивий результат чи реальне навчання?

Джерела

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

The Impact of AI on Learning Assessment, EDUCAUSE, 1 червня 2026 року.

The Assessment Debate in an AI World, EDUCAUSE, 22 червня 2026 року.

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

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