AI στο πανεπιστήμιο: πώς αλλάζουν εξετάσεις, εργασίες και αξιολόγηση

Η generative AI —η τεχνητή νοημοσύνη που παράγει περιεχόμενο όπως κείμενο, κώδικα και εικόνες— έχει ήδη ενταχθεί στην ακαδημαϊκή καθημερινότητα. Χρησιμοποιείται στη βιβλιογραφική έρευνα, στην επεξεργασία κειμένων, στην ανάλυση δεδομένων, στον προγραμματισμό και στην προετοιμασία εργασιών.

Η παρουσία της αλλάζει πλέον και τον τρόπο αξιολόγησης στο πανεπιστήμιο.

Όταν ένα τελικό παραδοτέο έχει δημιουργηθεί με σημαντική υποστήριξη AI, το ερώτημα γίνεται πιο σύνθετο: τι δείχνει πραγματικά για όσα γνωρίζει, κατανοεί και μπορεί να εφαρμόσει ο φοιτητής;

Γιατί το τελικό αποτέλεσμα δεν λέει πλέον όλη την ιστορία

Μια καλογραμμένη εργασία, ένας λειτουργικός κώδικας ή μια ολοκληρωμένη ανάλυση εξακολουθούν να έχουν αξία. Από μόνα τους, όμως, αποκαλύπτουν λιγότερα για τη διαδικασία που προηγήθηκε.

Ένα άρτιο κείμενο δεν αποδεικνύει απαραίτητα ότι ο φοιτητής μπορεί να αναπτύξει το ίδιο επιχείρημα χωρίς υποστήριξη, να αξιολογήσει τις πηγές που χρησιμοποίησε ή να εφαρμόσει τη γνώση σε ένα διαφορετικό πρόβλημα.

Η αυστραλιανή αρχή ποιότητας για την τριτοβάθμια εκπαίδευση TEQSA συνδέει πλέον τη διασφάλιση της μάθησης σε περιβάλλον generative AI με δεξιότητες όπως η κριτική σκέψη, η αξιολογική κρίση και η ηθική λήψη αποφάσεων.

Η αξιολόγηση, επομένως, μετακινείται σταδιακά από το «τι παραδόθηκε» προς το «τι μπορεί να εξηγηθεί, να τεκμηριωθεί και να εφαρμοστεί».

Η χρήση AI δεν σημαίνει το ίδιο σε κάθε εργασία

Ένα από τα πιο πρακτικά ζητήματα είναι ότι δεν υπάρχει ένας ενιαίος κανόνας για κάθε μάθημα.

Σε μια εργασία η χρήση AI για brainstorming ή γλωσσική επεξεργασία μπορεί να θεωρείται αποδεκτή. Σε μια άλλη, η ίδια χρήση μπορεί να επηρεάζει άμεσα αυτό που προσπαθεί να αξιολογήσει η άσκηση.

Αν, για παράδειγμα, το ζητούμενο είναι η συγγραφή κώδικα, η παραγωγή του από AI αφορά την ίδια τη δεξιότητα που βαθμολογείται. Αντίστοιχα, σε μια εργασία ακαδημαϊκής γραφής, η εκτεταμένη παραγωγή τελικού κειμένου έχει διαφορετική βαρύτητα από μια γλωσσική διόρθωση.

Η βρετανική Quality Assurance Agency κατέγραψε το 2026 σημαντικές διαφορές στην εφαρμογή των πολιτικών generative AI μεταξύ ιδρυμάτων, σχολών, προγραμμάτων και μαθημάτων.

Αυτό σημαίνει ότι κάτι που επιτρέπεται σε ένα μάθημα δεν θεωρείται αυτομάτως αποδεκτό σε ένα άλλο.

Πότε χρειάζεται να δηλώνεται η χρήση AI;

Η διαφάνεια αποκτά μεγαλύτερη σημασία όσο τα εργαλεία AI εντάσσονται στις εργασίες.

Ανάλογα με το μάθημα, μπορεί να ζητείται να αναφέρεται:

• ποιο εργαλείο χρησιμοποιήθηκε,
• σε ποιο στάδιο της εργασίας,
• για ποιον σκοπό,
• ποιο μέρος του αποτελέσματος ελέγχθηκε ή τροποποιήθηκε.

Η λογική πίσω από αυτή την απαίτηση δεν αφορά μόνο την ακαδημαϊκή ακεραιότητα. Δίνει επίσης στον διδάσκοντα πιο καθαρή εικόνα για το πού σταματά η υποστήριξη του εργαλείου και πού αρχίζει η προσωπική εργασία.

Πώς αλλάζουν οι πανεπιστημιακές εργασίες;

Η πιο ουσιαστική αλλαγή βρίσκεται πιθανότατα στον τρόπο με τον οποίο σχεδιάζονται οι ίδιες οι εργασίες.

Εργασίες σε περισσότερα στάδια

Αντί για ένα μόνο τελικό αρχείο, μια εργασία μπορεί να περιλαμβάνει επιλογή θέματος, βιβλιογραφία, προσχέδιο, ανατροφοδότηση και τελική εκδοχή.

Έτσι, η αξιολόγηση δεν βασίζεται αποκλειστικά στο αποτέλεσμα της τελευταίας ημέρας. Υπάρχουν περισσότερα στοιχεία για το πώς εξελίχθηκε η σκέψη και η προσέγγιση του φοιτητή.

Προφορική υποστήριξη

Μια σύντομη παρουσίαση ή συζήτηση μετά την παράδοση αποκτά επίσης μεγαλύτερη αξία.

Ο φοιτητής μπορεί να κληθεί να αιτιολογήσει μια επιλογή, να εξηγήσει μια πηγή, να σχολιάσει έναν περιορισμό ή να αντιμετωπίσει μια διαφορετική εκδοχή του ίδιου προβλήματος.

Δεν χρειάζεται κάθε εργασία να μετατρέπεται σε προφορική εξέταση. Ακόμη και λίγα λεπτά συζήτησης δίνουν διαφορετικού τύπου πληροφορίες από ένα τελικό αρχείο.

Πιο συγκεκριμένα και αυθεντικά προβλήματα

Εργασίες που βασίζονται σε πραγματικά δεδομένα, συγκεκριμένες περιπτώσεις, εργαστηριακή εμπειρία ή τεκμηριωμένες αποφάσεις δυσκολεύουν την παραγωγή μιας γενικής απάντησης χωρίς ουσιαστική κατανόηση του θέματος.

Το Assessment Adaptation Model της TEQSA κινείται προς αυτή την κατεύθυνση, με μεγαλύτερη έμφαση στην αυθεντική εργασία, την ανώτερη σκέψη, την προσωπική εμπλοκή και την αξιολόγηση σε περισσότερα στάδια.

Θα επιστρέψουν οι εξετάσεις στην αίθουσα;

Οι επιτηρούμενες εξετάσεις προσφέρουν κάτι που έχει αποκτήσει ξανά ιδιαίτερη σημασία: πιο άμεση επιβεβαίωση της ατομικής επίδοσης.

Αυτό δεν σημαίνει επιστροφή όλων των μαθημάτων αποκλειστικά στις παραδοσιακές γραπτές εξετάσεις.

Πιο πιθανή είναι η συνύπαρξη διαφορετικών μορφών αξιολόγησης ανάλογα με τον στόχο του μαθήματος:

• γραπτές εξετάσεις για συγκεκριμένες γνώσεις,
• projects για εφαρμογή,
• εργασίες σε στάδια,
• παρουσιάσεις,
• εργαστηριακή απόδοση,
• συνδυασμός περισσότερων μεθόδων.

Μια μορφή αξιολόγησης μπορεί έτσι να συμπληρώνει την άλλη, αντί ένα μόνο παραδοτέο να προσπαθεί να αποδείξει τα πάντα.

Πού βρίσκεται το όριο στην ακαδημαϊκή ακεραιότητα;

Το βασικό κριτήριο είναι η δεξιότητα που προσπαθεί να αξιολογήσει κάθε εργασία.

Αν μια εργασία έχει σχεδιαστεί για να αξιολογήσει προσωπική ανάλυση, προγραμματισμό ή επίλυση προβλήματος, η ανάθεση ακριβώς αυτής της διαδικασίας στην AI αλλάζει ουσιαστικά το αντικείμενο της αξιολόγησης.

Από την ανίχνευση AI στην απόδειξη της μάθησης

Η συζήτηση γύρω από την AI ξεκίνησε σε μεγάλο βαθμό από το ερώτημα αν μπορεί να εντοπιστεί ένα κείμενο που δημιουργήθηκε από κάποιο εργαλείο.

Το πρόβλημα είναι ότι η ανίχνευση από μόνη της δεν λύνει το βασικό ζήτημα. Τα εργαλεία εξελίσσονται γρήγορα και, σε αρκετές περιπτώσεις, η χρήση AI επιτρέπεται ήδη υπό συγκεκριμένους όρους.

Η πιο ουσιαστική κατεύθυνση είναι διαφορετική: η αξιολόγηση να δίνει περισσότερες ευκαιρίες να φανεί η κατανόηση πίσω από το αποτέλεσμα.

Αυτό εξηγεί γιατί αποκτούν μεγαλύτερη σημασία τα προσχέδια, η προφορική υποστήριξη, οι εφαρμογές σε νέα προβλήματα και οι εργασίες που εξελίσσονται σε περισσότερα στάδια.

Τι αλλάζει τελικά για τον φοιτητή;

Ένα καλό τελικό αποτέλεσμα παραμένει σημαντικό. Απλώς δεν είναι πλέον το μοναδικό στοιχείο που έχει αξία.

Μεγαλύτερο βάρος αποκτούν σταδιακά η δυνατότητα να:

• εξηγείται η λογική πίσω από μια απάντηση,
• ελέγχεται η ακρίβεια ενός αποτελέσματος AI,
• επιβεβαιώνονται οι πηγές,
• αιτιολογούνται οι επιλογές,
• εφαρμόζεται η γνώση σε διαφορετικό πλαίσιο.

Αυτό είναι ίσως και η σημαντικότερη αλλαγή που φέρνει η generative AI στο πανεπιστήμιο. Δεν μεταβάλλει μόνο τα εργαλεία με τα οποία παράγεται μια εργασία. Μεταβάλλει και τα στοιχεία που θεωρούνται πειστική απόδειξη ότι η γνώση έχει πραγματικά κατακτηθεί.

Για απαιτητικά πανεπιστημιακά μαθήματα, στο idietera.gr μπορείτε να βρείτε καθηγητές για εξατομικευμένη υποστήριξη στην κατανόηση της ύλης και την προετοιμασία του μαθήματος.

Δείτε ακόμη

• AI στις σχολικές εργασίες: βοήθεια ή εύκολη λύση;
• Οργάνωση μελέτης στο πανεπιστήμιο: πρόγραμμα, σύστημα και στρατηγική
• Πώς να περάσετε την εξεταστική: αποτελεσματικές στρατηγικές μελέτης για φοιτητές
• AI στις Πανελλήνιες: πώς να το χρησιμοποιήσετε σωστά στο διάβασμα

Πηγές

• TEQSA – Assuring quality learning in a gen AI-integrated future: The role of adaptive capabilities, 2026
• TEQSA – Enacting assessment reform in a time of artificial intelligence
• TEQSA – Adapting assessment in the age of generative AI: The Assessment Adaptation Model
• Quality Assurance Agency – State of the Nation: AI and assessment