Mfumo wa Uwekaji Alama wa Tasnifu ya Uzamili (Master’s Dissertation Marking Framework, MDMF) ni mfumo wa tathmini wa kijamii na kiteknolojia unaochanganya hukumu ya kitaaluma ya kitaalamu, kalibresheni, sera za taasisi, upangaji wa wakadiriaji, utamaduni wa tathmini na miundombinu ya kiteknolojia ili kusaidia tasnifu za uzamili kutathminiwa kwa njia ya haki zaidi, yenye uthabiti na inayoweza kutetewa. Utafiti uliendeleza MDMF kwa marudio katika awamu sita za Design-Based Research kati ya 2022–2025 kwa mapitio ya fasihi, hojaji, mahojiano yaliyoundwa nusu na data za wafanyakazi zilizokusanywa kwa mbinu mseto. MDMF Version 5 ya mwisho huiweka akili bandia zalishi si kama mwamuzi anayechukua nafasi ya tathmini ya kitaaluma, bali kama kipengele cha mazingira na miundombinu kinachoweza kutumiwa ndani ya mipaka iliyo wazi ya kimaadili.

Matokeo ya kiasi ya mwisho wa 2025 yanaonyesha kuwa wafanyakazi wa kitaaluma wanaona zana za AI kuwa na uwezo mdogo wa kutatua matatizo ya msingi ya haki na mchakato katika uwekaji alama wa tasnifu. Ufanisi unaotambuliwa wa AI katika kutatua matatizo ya upendeleo ulikuwa wastani wa 2,08/7, ufanisi wake katika matatizo ya mzigo wa kazi na mchakato ulikuwa 2,20/7, huku wastani wa wasiwasi kuhusu AI ukiwa 5,60/7. Uungaji mkono wa kubadilisha kabisa mazoea yaliyopo ya uwekaji alama wa tasnifu kwa AI ulikuwa katika kiwango cha 1,27/7.

Wasiwasi mkuu wa washiriki ulikuwa ukomo wa AI katika kutathmini uasili, hatari ya utegemezi kupita kiasi, upendeleo unaoweza kutokea katika uwekaji alama unaotegemea AI, faragha ya data, ukosefu wa muktadha na kupotea kwa kipengele cha kibinafsi/kitaalamu katika tathmini ya binadamu. Kwa upande mwingine, baadhi ya washiriki walikuwa tayari kukubali matumizi machache ya usaidizi wa AI yasiyotoa alama moja kwa moja, kama kufupisha maandishi, kukagua uthabiti au kupata muktadha kuhusu mada ya kiufundi isiyofahamika.

Kikomo kikuu cha ufafanuzi wa utafiti ni kwamba MDMF bado haijatekelezwa kikamilifu na kutathminiwa kwa majaribio kama afua iliyounganishwa. Data zinatokana na sampuli ndogo na zilizochaguliwa kimakusudi za wafanyakazi wa kitaaluma katika taasisi moja ya elimu ya juu nchini Uingereza. Kwa hivyo utafiti hauthibitishi kwamba MDMF imeongeza uthabiti wa tathmini kwa kiwango fulani; unatoa mfumo uliotengenezwa kwa msingi wa ushahidi wa kimajaribio ili kupanga hukumu ya binadamu kwa njia ya haki zaidi na inayoweza kutetewa katika tathmini ya tasnifu yenye athari kubwa.

MDMF ni Nini na Inalenga Kutatua Tatizo Gani la Tathmini?

Master’s Dissertation Marking Framework (MDMF) si algoriti inayohesabu ubora wa tasnifu kiotomatiki; ni mfumo wa tathmini wa kijamii na kiteknolojia unaopanga masharti ambayo ndani yake hukumu ya kitaaluma ya wakadiriaji inaweza kutumiwa kwa uthabiti zaidi, kwa uwazi na kwa namna inayoweza kutetewa. Lengo la MDMF si kuondoa hukumu ya binadamu, bali kupanga kwa uwazi mahusiano kati ya rubriki, kalibresheni, utaalamu wa mkadiriaji, usawazishaji wa tathmini, sera za taasisi, mzigo wa kazi na teknolojia.

Kwa nini ni vigumu kuweka alama tasnifu za uzamili?

Tasnifu za uzamili ni tofauti na maswali ya kawaida ya mtihani. Zinaweza kuwa katika mifumo tofauti kama utafiti, uundaji wa programu, kazi ya majaribio au mradi mseto; ugumu wa kiufundi wa mada unaweza kutofautiana na utaalamu wa mada wa wakadiriaji unaweza usiwe sawa. Ujuzi wa karibu wa msimamizi wa tasnifu kuhusu mwanafunzi na mchakato wa utafiti hutoa muktadha muhimu, lakini ukaribu huohuo pia unaweza kuwa jambo linaloathiri hukumu ya tathmini.

Fasihi na data za awali za uga katika utafiti zinaonyesha kuwa rubriki pekee haziondoi tatizo hili. Wakadiriaji wanaotumia vigezo sawa wanaweza kutafsiri tofauti maneno kama “nzuri”, “bora”, “asilia” au “ya kina”. Wakadiriaji wenye uzoefu pia wanaweza kutumia maarifa fiche ya taaluma na hukumu ya kitaaluma ya jumla zaidi ya rubriki rasmi.

Haki na uthabiti si kitu kimoja

Uthabiti unamaanisha kuwa utendaji wa kitaaluma unaofanana katika mazingira yanayofanana unatathminiwa kwa namna inayofanana. Haki, hata hivyo, haiishii katika kuwa na matokeo yaliyo karibu; inajumuisha pia mambo ya kimuktadha kama utaalamu wa mkadiriaji, mchango halisi wa mwanafunzi, tofauti za lugha na utamaduni, aina ya mradi, mchakato wa usawazishaji wa tathmini na mazingira ya tathmini.

Kwa sababu hiyo, mwelekeo wa kinadharia wa MDMF haujaribu tu kutatua tatizo la “wakadiriaji wawili kutoa alama ileile”. Mfumo pia huchukulia masharti ya kitaasisi, kimahusiano na kiteknolojia ambamo hukumu ya kitaaluma huzalishwa kuwa sehemu ya mfumo wa tathmini.

Kwa nini rubriki hazitoshi?

Rubriki na mipango ya uwekaji alama zinaweza kufanya matarajio yaonekane, kuunganisha kazi za mfano na kiwango cha pamoja na kutoa muundo kwa wakadiriaji wapya. Hata hivyo, chanzo kinaonyesha kuwa tofauti za tafsiri zinaweza kuendelea wakati vigezo vya jumla na dhahania vinapotumiwa kwa aina tofauti za tasnifu.

Kwa sababu hiyo MDMF haitumii rubriki kama suluhisho pekee. Mifano inayotumiwa kuifafanua rubriki, namna wakadiriaji wanavyoitafsiri, ikiwa kalibresheni hufanyika kabla ya tathmini na jinsi migogoro inavyotatuliwa wakati wa usawazishaji wa tathmini pia ni sehemu ya ubora wa tathmini.

Nafasi ya usawazishaji wa tathmini

Usawazishaji wa tathmini ni mchakato wa uhakikisho wa ubora unaoimarisha uthabiti na uwajibikaji kwa kupitia upya maamuzi ya wakadiriaji tofauti. Hata hivyo, utafiti unasisitiza kuwa usawazishaji wa tathmini kimsingi ni wa kurekebisha: unaweza kupunguza tofauti za alama baada ya tathmini kukamilika, lakini hautatui kiotomatiki kwa nini wakadiriaji walifikia hukumu tofauti tangu mwanzo.

Kwa hiyo MDMF huweka safu ya kalibresheni kabla ya usawazishaji wa tathmini. Lengo ni kwamba wakadiriaji wajenge msingi wa pamoja wa tafsiri kuhusu viwango, mifano na hali ngumu za mipakani kabla uwekaji alama haujaanza.

MDMF ilikua vipi?

Ukuaji wa mfumo unategemea mantiki ya Design-Based Research. Katika hatua ya kwanza, matatizo na mahitaji yalichanganuliwa; katika hatua zilizofuata mfumo ulibuniwa, ukatathminiwa kwa kutumia uzoefu halisi wa wafanyakazi wa kitaaluma na ukarekebishwa upya.

MDMF v1: michakato mitatu ya msingi

Toleo la kwanza lilitoa vipengele vitatu vikuu kutoka katika fasihi: kazi za kabla ya tathmini, ugawaji wa tasnifu kulingana na sifa za mkadiriaji na mchakato wa tathmini/usawazishaji.

Kazi za kabla ya tathmini zinajumuisha maandalizi kama mipango ya wazi ya uwekaji alama, tasnifu za mfano na mafunzo ya wakadiriaji. Kipengele cha ugawaji wa tasnifu huzingatia nafasi ya msimamizi na mkadiriaji wa pili, utaalamu wa taaluma na wasifu wa kiutambuzi. Mchakato wa mwisho unajumuisha mifumo ya uthabiti na usawazishaji.

MDMF v2 na v3: haki, teknolojia na utamaduni wa tathmini

Kwa hojaji ya 2022, utambuzi wa kimfumo wa matatizo ya haki/usawa na nafasi ya teknolojia kama mwezeshaji viliongezwa kwenye mfumo. Wanataaluma waliripoti kuwa vigezo kama mzigo mkubwa wa kazi, kutolingana kwa utaalamu wa mada, kutokuwa wazi kwa rubriki za jumla, matatizo ya kutotambulika na ustawi wa mkadiriaji vinaathiri maamuzi ya tathmini.

Mahojiano ya 2022 na wanataaluma saba yaliimarisha kipengele cha “utamaduni wa tathmini” katika MDMF v3. Masuala kama mijadala ya pamoja, usawazishaji usio na utambulisho, mkadiriaji wa tatu, tofauti za taaluma na upendeleo wa lugha yaliwekwa kwa uwazi zaidi ndani ya mfumo.

Je, AI Zalishi Imefanya Uwekaji Alama wa Tasnifu Kuwa wa Haki au wa Kimaudhui Zaidi?

Data za wafanyakazi wa kitaaluma katika utafiti huu haziungi mkono hitimisho hilo. Washiriki waliona zana za AI kuwa na athari ndogo katika matatizo ya msingi kama upendeleo wa msimamizi, upendeleo wa mkadiriaji wa pili, upendeleo wa lugha, ugumu wa mradi, kutotambulika au kutambua mchango halisi wa mwanafunzi; kwa upande mwingine waliripoti wasiwasi mkubwa kuhusu uasili, utegemezi kupita kiasi, ukosefu wa muktadha, faragha ya data na upendeleo unaosababishwa na AI.

2023: mwitikio wa kwanza baada ya ChatGPT

Tafiti mbili zilizofanywa muda mfupi baada ya ChatGPT kufunguliwa kwa umma zilionyesha kuwa wafanyakazi wa kitaaluma hawakuikubali AI kwa haraka katika mchakato wa tathmini. Katika hojaji ya kwanza ya 2023, watu 16 kati ya 19, yaani %84, waliripoti kwamba hawakutumia ChatGPT katika sehemu yoyote ya tathmini ya tasnifu. Katika hojaji ya pili ya mwaka huo, watu watano kati ya wanane walisema hawakutumia ChatGPT katika tathmini; watu watatu hawakujibu swali.

Washiriki walitenganisha wazi matumizi kama kuandaa rasimu ya maandishi kwa matumizi binafsi au ya ufundishaji, kuzalisha mifano na kuboresha lugha na jukumu la kutoa hukumu ya kitaaluma kuhusu tasnifu. Uwekaji alama wa tasnifu ulihusishwa na utaalamu wa taaluma, tafsiri ya kimuktadha na uwajibikaji wa kitaaluma.

AI zalishi inaleta tatizo jipya la “uasili”

Mahojiano ya 2025 yanaonyesha kuwa wakadiriaji sasa wanahoji zaidi si tu ubora wa maandishi ya tasnifu, bali pia kiasi gani cha maandishi hayo kinamhusu mwanafunzi mwenyewe. Lugha yenye mtindo mmoja, kupotea kwa sauti binafsi ya kitaaluma ya mwanafunzi au marejeo yaliyobuniwa yanaweza kuzua shaka.

Hata hivyo, chanzo hakiwasilishi viashiria hivi kama algoriti ya kuaminika ya kugundua AI. Kinyume chake, kinasisitiza kwamba tofauti kati ya shaka na ushahidi lazima ihifadhiwe. Kazi ya mwanafunzi haipaswi kuadhibiwa kwa sababu tu inadhaniwa kuwa huenda AI ilitumika.

Ufasaha wa lugha unaweza kuchanganywa na ubora

AI zalishi inaposaidia kutengeneza tasnifu yenye lugha iliyosawazika, uhusiano kati ya ufasaha wa muundo na ubora wa kiakili huwa mgumu zaidi. Washiriki waliripoti kwamba maandishi yaliyopigwa msasa kwa AI yanaweza kufanya maudhui dhaifu ya utafiti yaonekane kuwa yenye nguvu zaidi kuliko yalivyo na yanaweza kusababisha tofauti za alama kati ya msimamizi na mkadiriaji wa pili.

MDMF v5 inalishughulikia tatizo hili chini ya AI-mediated grade distortion, yaani upotoshaji wa mtazamo wa alama kupitia AI. Lengo la mfumo si “kuadhibu maandishi yenye ufasaha”; ni kuimarisha kalibresheni ya binadamu inayoweza kutenganisha ubora wa juu juu wa lugha na fikra asilia, umahiri wa kimetodolojia, ushahidi na ushiriki wa kina.

Kubanwa kwa alama / grade compression

Baadhi ya washiriki waliripoti kuwa AI inaweza kufanya mwonekano wa lugha wa tasnifu ufanane na kusababisha kazi kujikusanya karibu na “ustadi wa wastani”. Chanzo hakichukulii hili kama uchambuzi wa moja kwa moja wa mgawanyo wa alama uliopimwa, bali kama mada iliyotokana na uzoefu wa wafanyakazi wa kitaaluma.

Kwa hiyo simulizi ya Verianla haitoi hitimisho la kisababishi kwamba “AI ilibana alama kitakwimu kuelekea B”. Chanzo hakikufanya ulinganisho wa kiasi wa mgawanyo wa alama.

Kwa nini kalibresheni ya binadamu inakuwa muhimu zaidi?

Lugha ya juu juu iliyorekebishwa kwa AI inaweza kumpa msimamizi na mkadiriaji wa pili ishara tofauti. Msimamizi anajua mchakato wa mradi wa mwanafunzi; mkadiriaji wa pili mara nyingi huona tu bidhaa iliyowasilishwa. Kutolingana huku kwa taarifa kunaweza kuwa wazi zaidi chini ya ufasaha unaosaidiwa na AI.

MDMF haioni suluhisho katika kukabidhi uamuzi wa tathmini kwa mfumo wa kiotomatiki, bali katika wakadiriaji kujenga tafsiri ya pamoja kupitia mifano, rubriki na hali za mipakani. Hivyo kalibresheni inakuwa si mafunzo ya mwanzo tu, bali mchakato wa kitaalamu ambamo kiwango cha kitaaluma kinatafsiriwa kwa pamoja katika enzi ya AI.

Teknolojia ni suluhisho au ni miundombinu?

Katika MDMF v5, teknolojia si mmiliki wa uamuzi wa tathmini. Nafasi yake kuu ni kurahisisha upatikanaji wa taarifa, kusaidia ulinganishaji wa tasnifu na mkadiriaji, kuunganisha rubriki, kutoa kumbukumbu na njia ya ukaguzi na kupunguza msuguano usio wa lazima wa kiutawala.

Tofauti hii ni muhimu: kuongeza vipengele zaidi vya AI hakumaanishi tathmini yenye haki zaidi. Katika chanzo, sehemu kubwa ya wafanyakazi inaona matatizo yaliyopo ya miundombinu —sehemu zilizotawanyika za kuwasilisha kazi, metadata isiyotosha, video ndefu za ziada, mifumo isiyounganishwa— kuwa mambo yanayoathiri moja kwa moja ufanisi na haki ya tathmini.

Mbinu na Matokeo ya Utafiti

Maswali ya utafiti

Utafiti una maswali matatu ya utafiti:

1. Ni matatizo gani yanayoathiri haki, uthabiti na hukumu ya kitaaluma katika uwekaji alama wa tasnifu za uzamili?
2. Matatizo haya yanabadilika vipi katika muktadha wa akili bandia zalishi?
3. Mfumo uliopangwa na wenye msingi wa ushahidi wa kimajaribio unaweza kusaidia vipi mazoea ya tathmini ya tasnifu yenye haki zaidi na inayoweza kutetewa?

Mbinu ya Design-Based Research

Design-Based Research ni mbinu ya utafiti inayounganisha maarifa ya kinadharia na uzoefu wa watendaji katika mizunguko ya ubunifu inayojirudia badala ya kueleza matatizo changamano katika mazingira halisi ya elimu kutoka mbali tu. Katika utafiti huu, mizunguko ya uchambuzi na uchunguzi, ubunifu na ujenzi, tathmini na tafakari ilizalisha matoleo yanayofuatana ya MDMF.

Kielelezo 1 katika ukurasa wa 6 wa chanzo kinaonyesha mzunguko huu kwa mielekeo mitatu mikuu: kuchunguza matatizo na mahitaji, kuendeleza mfumo, kisha kurudi kwenye ubunifu kutoka katika tathmini na tafakari katika muktadha halisi. Kusonga kwa mfumo kutoka v1 hadi v5 si mchakato wa moja kwa moja wa kuunda bidhaa, bali ni matokeo ya mantiki hii ya DBR inayojirudia.

Washiriki

Awamu zote za kimajaribio zilifanywa ndani ya taasisi hiyo hiyo ya elimu ya juu nchini Uingereza. Washiriki walikuwa hasa wafanyakazi wa kitaaluma wanaofanya usimamizi wa tasnifu za uzamili, tathmini ya pili au kazi za usawazishaji katika Computing Science na taaluma zinazohusiana.

Kulikuwa na viwango tofauti vya uzoefu kuanzia wanataaluma wa mwanzo wa taaluma hadi wafanyakazi wenye uzoefu mkubwa wa tathmini. Hata hivyo, kwa sababu ya sampuli ndogo na iliyochaguliwa kimakusudi, utafiti haudai kuwakilisha kitakwimu maoni ya wanataaluma wote wa elimu ya juu.

Uchambuzi wa ubora

Mahojiano na majibu ya wazi ya hojaji yalichanganuliwa kwa mbinu za mada. Katika mahojiano ya mwanzo wa 2025, uchambuzi wa mada wa kutafakari unaotegemea mkabala wa hatua sita wa Braun na Clarke ulitumika.

Data za ubora zilifichua hasa mada kama mipaka ya kimaadili ya matumizi ya AI, kutokuwa na uhakika kuhusu uasili na uandishi, upendeleo wa lugha, uchovu wa mkadiriaji, mgogoro wa usawazishaji na wajibu wa kitaalamu.

Uchambuzi wa kiasi

Vipengee vya kiasi vya mwisho wa 2025 vilipimwa kwa mizani ya 1–7. Kwa sababu ya sampuli ndogo na iliyochaguliwa kimakusudi, data zilifasiriwa hasa kwa takwimu elezi kama wastani, mkengeuko sanifu na mediani.

Vipimo vidogo vinne vilivyounganishwa viliundwa: ufanisi unaotambuliwa wa AI katika kutatua matatizo ya upendeleo, ufanisi katika kutatua matatizo ya mzigo wa kazi/mchakato, wasiwasi/vikwazo vya AI na uungaji mkono wa matumizi ya AI. Cronbach's alpha iliripotiwa kwa vipimo vidogo, na baadhi ya mienendo ilichunguzwa kwa namna ya kiuchunguzi kwa uwiano wa Spearman, Friedman na majaribio ya post-hoc Wilcoxon.

Matokeo maalumu yaliyochaguliwa ya kiasi

Matokeo ya Friedman na Wilcoxon

Usambazaji wa viwango vya vipimo vidogo vinne vikuu ulilinganishwa kwa jaribio la Friedman. Matokeo:

\[ \chi^2(3)=11.73,\quad p=0.008,\quad n=11 \]

Jaribio hili linatoa ushahidi wa kiuchunguzi kwamba viwango vinavyotambuliwa vya vipimo vidogo vinne havina usambazaji sawa. Kwa sababu ya sampuli ndogo na iliyochaguliwa kimakusudi, chanzo hutumia hili si kwa ujanibishaji wa idadi ya watu, bali kuchunguza muundo wa kulinganisha kati ya vipimo vidogo.

Katika majaribio ya post-hoc Wilcoxon, wasiwasi kuhusu AI ulikuwa mkubwa kuliko ufanisi unaotambuliwa wa AI katika matatizo ya upendeleo:

\[ Z=-2.49,\quad p=0.013 \]

Wasiwasi kuhusu AI pia ulikuwa mkubwa kuliko ufanisi unaotambuliwa wa kutatua matatizo ya mzigo wa kazi/mchakato:

\[ Z=-2.85,\quad p=0.004 \]

Mifumo ya uwiano

Washiriki waliotoa alama za juu zaidi kwa ufanisi wa AI katika kutatua matatizo ya upendeleo pia walielekea kutoa alama za juu zaidi kwa ufanisi wa mzigo wa kazi/mchakato:

\[ \rho=0.683,\quad p=0.010 \]

Uhusiano kati ya ufanisi wa kutatua matatizo ya upendeleo na uungaji mkono wa jumla wa AI ulikuwa mkubwa zaidi:

\[ \rho=0.914,\quad p<0.001 \]

Uhusiano wa kinyume uliripotiwa kati ya wasiwasi kuhusu AI na uungaji mkono wa AI:

\[ \rho=-0.742,\quad p=0.009 \]

Uwiano huu unaonyesha uhusiano kati ya miundo ya mitazamo; hauthibitishi kwamba mtazamo mmoja unasababisha mwingine.

Vipengele Sita vya Msingi vya MDMF Version 5 ni Vipi?

Badala ya kuunda orodha mpya ya vipengele, MDMF Version 5 inapima upya miundo sita ya Version 4: mipaka ya kimaadili na uwazi wa sera za AI; matatizo ya haki na usawa; kazi za kabla ya tathmini na kalibresheni ya binadamu; ugawaji wa tasnifu kulingana na sifa za mkadiriaji; mchakato wa tathmini, utamaduni na ustawi wa mkadiriaji; teknolojia, miundombinu na usanifu wa mfumo. Vipengele hivi sita kwa pamoja hupanga masharti ambayo ndani yake hukumu ya kitaaluma ya kitaalamu inaweza kuwa ya haki zaidi na inayoweza kutetewa.

1. Mipaka ya kimaadili na uwazi wa sera za AI

Katika MDMF v5, kipengele hiki kinakuwa uti wa mgongo wa kikanuni wa mfumo mzima. Swali la msingi kabla ya “AI inaweza kutumiwa wapi?” ni “ni hukumu gani za kitaaluma ambazo hazipaswi kukabidhiwa AI?”

2. Matatizo ya haki na usawa

Version 5 inashughulikia wazi kwamba uandishi unaosaidiwa na AI unaweza kuleta hatari mpya za haki. Hizi ni pamoja na alama kukaribiana, lugha yenye ufasaha kuficha udhaifu wa kiakili, mchango halisi wa mwanafunzi kutokonekana na ufasaha wa lugha ulioimarishwa na AI kuwa chanzo kipya cha ukosefu wa usawa.

3. Kazi za kabla ya tathmini na kalibresheni

Katika MDMF v5, kalibresheni inakuwa utaratibu mkuu wa kibinadamu wa kudhibiti kutokuwa na uhakika kunakotokana na AI. Wakadiriaji wanapaswa kujadili pamoja tasnifu za mfano, hali za mipakani na maana ya vigezo vya tathmini.

Inapendekezwa mifano ionyeshe si maandishi yaliyoandikwa vizuri tu, bali pia hali zenye lugha fasaha lakini dhaifu kwa upande wa uchambuzi wa kina. Hivyo kina cha kitaaluma na ubora wa juu juu wa lugha vinaweza kutenganishwa kwa ufahamu zaidi.

4. Ugawaji wa tasnifu kulingana na sifa za mkadiriaji

Msimamizi anajua mchakato wa utafiti wa mwanafunzi; mkadiriaji wa pili mara nyingi hufikia bidhaa iliyowasilishwa. Maandishi yaliyopigwa msasa kwa AI yanaweza kuongeza tofauti hii ya taarifa. Kwa hiyo MDMF v5 inasisitiza muhtasari uliopangwa wa msimamizi, kushirikisha muktadha wa mradi na ulinganishaji bora na utaalamu wa mada.

Uelewa wa AI unaweza kuonekana kama ujuzi muhimu wa kimuktadha; lakini hauchukui nafasi ya utaalamu wa taaluma au hukumu ya kitaaluma.

5. Mchakato wa tathmini, utamaduni na ustawi

MDMF v5 huchukulia uchovu wa mkadiriaji na kazi ya kihisia si kama tatizo la pili la rasilimali watu, bali kama mojawapo ya masharti ya tathmini ya haki.

Mzigo mkubwa wa kazi, shinikizo la muda, mifumo ya lugha inayojirudia inayofanana na AI, shaka ya AI isiyoweza kuthibitishwa na kutokuwa na uhakika wa kimaadili vinaweza kuathiri umakini na uzoefu wa tathmini wa mwanataaluma. Kama suluhisho, badala ya uamuzi wa kiotomatiki, mzigo wa kazi halisi zaidi, usawazishaji unaotegemea majadiliano, kalibresheni na usaidizi wa taasisi vinapendekezwa.

6. Teknolojia, miundombinu na usanifu wa mfumo

Kipengele cha mwisho hakilinganishi teknolojia na “akili bandia zaidi”. Kipaumbele cha Version 5 ni miundombinu inayopunguza msuguano katika mchakato wa tathmini, kutoa kumbukumbu na njia ya ukaguzi na kurahisisha hukumu ya mwanataaluma.

Je, MDMF Inaonyesha Kwamba AI Inaweza Kuchukua Nafasi ya Mkadiriaji wa Binadamu?

Hapana. Hitimisho kuu la kinadharia la MDMF ni kinyume chake: katika tathmini ya tasnifu yenye athari kubwa, hukumu ya kitaaluma ya kitaalamu ndiyo msingi wa tathmini halali, na AI zalishi inapaswa kuchukuliwa si kama suluhisho la kuifanya hukumu hiyo kuwa ya kiotomatiki, bali kama muktadha wa kijamii na kiteknolojia unaozalisha kutokuwa na uhakika mpya wa kimaadili na kiepistemolojia. Chanzo hakiondoi matumizi machache ya AI ya kusaidia; hata hivyo, kutoa alama, kutoa uamuzi wa mwisho kuhusu uasili na kuchukua kutoka kwa binadamu hukumu ya kitaaluma yenye athari kubwa si nafasi inayopendekezwa na MDMF v5.

Hukumu ya kitaaluma ya kitaalamu

MDMF inakubali mtazamo kwamba ubora wa kazi changamano ya kitaaluma hauwezi kuamuliwa kwa kutumia tu kwa njia ya kimakanika kanuni zilizofafanuliwa mapema. Maarifa ya taaluma, muktadha, umahiri wa kimetodolojia, ubora wa ushahidi, mchango asilia na fikra ya kina lazima zitafsiriwe kwa pamoja.

Badala ya kupunguza hitaji hili, AI zalishi inaweza kuliongeza katika baadhi ya hali; kwa sababu inaweza kufanya uhusiano kati ya ufasaha wa lugha na mchango halisi wa kiakili usionekane wazi.

Kutoka haki ya kiutaratibu hadi usawa wa kimuktadha

Tathmini isiyotambulisha, tathmini mbili na usawazishaji bado ni muhimu. Hata hivyo, mchango wa kinadharia wa MDMF ni kwamba haiangalii haki kama utekelezaji sawa wa taratibu pekee.

Upatikanaji wa AI, kiwango cha usaidizi wa lugha, kuonekana kwa mchango halisi wa mwanafunzi, utaalamu wa mada na sera ya taasisi pia vinaweza kuunda masharti ya tathmini. Kwa hiyo, mkabala wa “tumia utaratibu uleule kwa kila mwanafunzi” unaweza usitoe matokeo sawa katika kila hali.

Tathmini ni mfumo wa kijamii na kiteknolojia

MDMF huangalia uwekaji alama wa tasnifu kama mfumo wa kijamii na kiteknolojia unaoundwa kwa pamoja na binadamu, sera, taasisi, teknolojia na miundombinu ya shirika. Usanifu wa zana ya teknolojia au kutokuwa wazi kwa sera ya AI ya taasisi kunaweza kuathiri tabia ya tathmini.

Kwa hiyo usimamizi wa kimaadili wa AI si tu kujenga modeli bora zaidi. Nani anafanya uamuzi gani, ni uamuzi upi unaweza kukaguliwa, ni data zipi za mwanafunzi zinaweza kutumiwa na migogoro inatatuliwa vipi pia ni sehemu ya usanifu wa tathmini.

Hitimisho linaloungwa mkono na lisiloungwa mkono na utafiti

Vikwazo vya utafiti

Kikwazo cha kwanza ni kwamba awamu zote za kimajaribio zilifanywa katika muktadha mmoja wa taasisi. Utamaduni wa tathmini, sera za AI, mazoea ya usawazishaji na miundo ya taaluma ya vyuo vikuu tofauti si sawa.

Kikwazo cha pili ni sampuli ndogo na zilizochaguliwa kimakusudi. Hasa awamu ya mahojiano ya n=3 na vipimo vidogo vya mwisho vya kiasi vya takribani n=10–13 havikuundwa kwa ujanibishaji mkubwa katika kiwango cha idadi ya watu.

Kikwazo cha tatu ni kwamba ingawa vipengele tofauti vya MDMF vimeendelezwa kwa data za kimajaribio kwa miaka mingi, MDMF v5 ya mwisho bado haijapitia utekelezaji kamili na tathmini ya athari kama afua iliyounganishwa.

Kikwazo cha nne ni mabadiliko ya haraka ya mazingira ya AI zalishi. Uwezo wa modeli, sera za taasisi na namna wanafunzi wanavyotumia zana zinapobadilika, matatizo yaliyoainishwa leo yanaweza pia kubadilika.

Chanzo kinapendekeza kuwa baadaye zichunguzwe athari za MDMF katika matumizi halisi, matokeo yake kwa uthabiti wa uwekaji alama na mitazamo ya haki, uwezekano wa kuhamishwa katika taaluma na taasisi tofauti na mitazamo ya wanafunzi.

Dokezo la rejeleo la jedwali ndani ya chanzo

Kwenye ukurasa wa 31 wa chanzo, inaelezwa kwamba maboresho ya kimajaribio ya vipengele vya MDMF v5 yameandikwa katika “Tables 9–14”. Hata hivyo, katika muundo wa chanzo, Jedwali 9 lina takwimu elezi za vipimo vidogo vinne vya kiasi, huku majedwali ya marekebisho ya vipengele sita vya MDMF v5 yakiwa Majedwali 10–15. Simulizi ya Verianla haisahihishi kimya tofauti hii ya rejeleo kana kwamba inabadilisha chanzo; inatenganisha majedwali kulingana na maudhui yake.

Maelezo ya Chanzo na Mbinu

Dokezo la mbinu: Lengo kuu la utafiti si kufanya ujanibishaji wa kitakwimu katika kiwango cha idadi ya watu. Matokeo ya ubora na ya kiasi hutumiwa kama ushahidi unaotegemea mazoezi unaosaidia maamuzi ya ubunifu na ubunifu upya wa MDMF. Chanzo kinasema kuwa kwa sababu ya sampuli ndogo na iliyochaguliwa kimakusudi, matokeo yasiyo ya kiparameta pia yanapaswa kufasiriwa kwa tahadhari na kwa namna ya kiuchunguzi.

Dokezo la Version 5: Hakuna kielelezo kipya tofauti kilichochapishwa kwa MDMF v5. Chanzo kinahifadhi usanifu wa kimuundo wa Version 4 katika Kielelezo 5 na kinafafanua upya uzani wa vipengele vya Version 5 kupitia Majedwali 10–15. Kwa hiyo taswira ya MDMF v5 itakayotayarishwa kwa Verianla haipaswi kuwa nakala ya pikseli ya Kielelezo 5 cha chanzo, bali mchoro asilia wa maelezo uliotokana na mahusiano ya maudhui katika majedwali ya Version 5.

Kikomo kikuu cha kisayansi: Utekelezaji jumuishi wa MDMF v5 katika taasisi na athari yake kwa uthabiti wa tathmini havijajaribiwa kwa majaribio katika makala hii. Kauli “MDMF iliongeza haki” si matokeo ya athari yaliyopimwa; lengo la mfumo ni kupanga masharti ya hukumu ya haki zaidi na inayoweza kutetewa.