Как оценивать знания студентов в эпоху ИИ Искусственный интеллект меняет обучение, особенно в компьютерных науках. Генеративные модели используют, чтобы писать и исправлять код, решать учебные задачи и объяснять решения, что затрудняет оценку самостоятельного усвоения материала студентами по итоговым работам. Исследователь НИУ ВШЭ в Санкт-Петербурге Андрей Терников проанализировал современные способы оценки знаний студентов и предложил на их основе дерево решений (блок-схему). С его помощью можно подобрать более подходящие рекомендации и задания для обучения и проверки студентов. При выборе учитываются тип задания, уровень подготовки студентов, возможность автоматической проверки и ограничения по времени. Например, на младших курсах автор предлагает сильнее ограничивать использование ИИ. На базовых курсах у студентов должны сформироваться фундаментальные знания, поэтому контрольные точки лучше проводить с ограниченным доступом к ИИ или без него. А когда эти знания уже есть, можно оценивать и то, насколько осмысленно студент использует ИИ-инструменты. При этом, по мнению ученого, полный запрет на использование нейросетей нецелесообразен, поскольку от разработчиков в профессиональной среде уже ожидается владение ИИ-инструментами. Поэтому на старших курсах автор предлагает включать нейросети в задания и отдельно оценивать, насколько осмысленно студент с ними работает. Например, просить студентов показывать, как именно они использовали ИИ в заданиях, и вместе оценивать получившиеся работы. Такой формат учит не просто обращаться к нейросети за помощью, а понимать ее вклад, объяснять свои решения и критически проверять результат. Этот подход в целом совпадает с тем, что уже обсуждается и развивается в университете: рекомендациями по работе с ИИ и экспериментами на отдельных факультетах. При этом часть контрольных точек должны проходить без помощи ИИ: в формате устного экзамена или задания в контролируемой среде. Так преподаватель может одновременно учить работе с современными инструментами и проверять, сформировались ли у студента необходимые знания и навыки. Отдельно автор отмечает, что часть методик проверялась на небольшой выборке, поэтому, насколько хорошо они работают на разных курсах, в разных вузах и в долгосрочной перспективе, нужно проверять дополнительно. Главная задача при этом остается прежней: сделать так, чтобы оценка отражала реальные знания и навыки студента, даже если в процессе обучения он пользуется ИИ. Статья опубликована в журнале IT Professional.