When Coursework and Exams Disagree: Navigating Assessment in the Age of AI
Generative AI is reshaping how students engage with statistics and data science coursework, complicating traditional assessment. This case study examines a course structure in which 75% of the grade was based on out-of-class work and 25% on a proctored exam. A significant disconnect emerged: students performed strongly on term work but struggled to demonstrate comparable understanding in the proctored setting.
This gap raises critical concerns regarding fairness, grade inflation, and the validity of assessments when out-of-class performance may no longer reflect individual mastery. We reflect on the challenges this posed for both the instructor and program leadership and discuss institutional strategies for redesigning assessments in an AI-rich environment. Our goal is to better align learning outcomes with demonstrated understanding, ensuring degrees remain a credible proxy for individual competence.
This gap raises critical concerns regarding fairness, grade inflation, and the validity of assessments when out-of-class performance may no longer reflect individual mastery. We reflect on the challenges this posed for both the instructor and program leadership and discuss institutional strategies for redesigning assessments in an AI-rich environment. Our goal is to better align learning outcomes with demonstrated understanding, ensuring degrees remain a credible proxy for individual competence.
Quand les travaux pratiques et les examens divergent : gérer l'évaluation à l'ère de l'IA
L'IA générative est en train de transformer la manière avec laquelle les étudiants abordent les cours de statistique et de science des données, ce qui complique l'évaluation traditionnelle. Cette étude de cas examine la structure d'un cours dans lequel 75 % de la note était basée sur le travail hors classe et 25 % sur un examen surveillé. Un écart significatif est apparu : les étudiants obtiennent de bons résultats dans le cadre du contrôle continu, mais ont du mal à démontrer une compréhension comparable dans le cadre d'un examen surveillé.
Cet écart soulève des questions cruciales concernant l'équité, l'inflation des notes et la validité des évaluations lorsque les performances hors classe ne reflètent plus nécessairement la maîtrise individuelle. Nous réfléchissons aux défis que cela pose tant pour les enseignants que pour les responsables de programmes et discutons de stratégies institutionnelles permettant de repenser les évaluations dans un environnement riche en IA. Notre objectif est de mieux aligner les résultats d'apprentissage sur la compréhension démontrée, afin de garantir que les diplômes restent un indicateur fiable des compétences individuelles.
Cet écart soulève des questions cruciales concernant l'équité, l'inflation des notes et la validité des évaluations lorsque les performances hors classe ne reflètent plus nécessairement la maîtrise individuelle. Nous réfléchissons aux défis que cela pose tant pour les enseignants que pour les responsables de programmes et discutons de stratégies institutionnelles permettant de repenser les évaluations dans un environnement riche en IA. Notre objectif est de mieux aligner les résultats d'apprentissage sur la compréhension démontrée, afin de garantir que les diplômes restent un indicateur fiable des compétences individuelles.
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English