Before we automate WIL evaluation, we need to ask what we're actually measuring
پیش از خودکارسازی ارزیابی یادگیری تلفیقی با کار (WIL)، باید بپرسیم واقعاً چه چیزی را اندازه‌گیری می‌کنیم
چکیده
Community-engaged Work-Integrated Learning (WIL) is increasingly positioned as a mechanism for advancing graduate employability and social responsibility, yet the frameworks used to evaluate it remain anchored to countable proxies: employment rates, satisfaction scores, and placement completions. This provocation argues that these metrics are structurally misaligned with what WIL practitioners actually know about placement quality: knowledge that is relational, contextually rich, and routinely invisible in institutional reporting. As Generative AI enters WIL evaluation, this misalignment becomes urgent. Automating existing frameworks will not resolve their limitations, and risks further marginalising the evidence that most reliably signals whether community-engaged WIL is working. Drawing on research into practitioner agency in learning analytics, this provocation calls for evaluation frameworks that legitimise practitioner judgement, centre community partner perspectives, and deploy GenAI in service of relational knowledge rather than as a substitute for it. Effective WIL evaluation is not primarily a measurement problem, it is a question of whose evidence counts.
یادگیری تلفیقی با کار (WIL) مبتنی بر مشارکت جامعه، به طور فزاینده‌ای به عنوان سازوکاری برای ارتقای اشتغال‌پذیری فارغ‌التحصیلان و مسئولیت اجتماعی مطرح می‌شود، اما چارچوب‌هایی که برای ارزیابی آن به کار می‌روند همچنان به شاخص‌های قابل شمارش مانند نرخ اشتغال، امتیازات رضایت و تکمیل دوره‌های کارورزی متکی هستند. این مقاله استدلال می‌کند که این سنجه‌ها به طور ساختاری با آنچه متخصصان WIL درباره کیفیت دوره‌های کارورزی می‌دانند، ناسازگار است؛ دانشی که رابطه‌محور، غنی از زمینه و اغلب در گزارش‌های نهادی نامرئی است. با ورود هوش مصنوعی مولد به ارزیابی WIL، این ناسازگاری فوریت می‌یابد. خودکارسازی چارچوب‌های موجود، محدودیت‌های آن‌ها را رفع نخواهد کرد و خطر به حاشیه راندن بیشتر شواهدی را دارد که به طور قابل اعتماد نشان می‌دهد آیا WIL مبتنی بر جامعه مؤثر است یا خیر. با استناد به پژوهش‌ها درباره عاملیت متخصصان در تحلیل یادگیری، این مقاله خواستار چارچوب‌های ارزیابی است که داوری متخصصان را مشروعیت ببخشد، دیدگاه‌های شرکای جامعه را در مرکز قرار دهد و از هوش مصنوعی مولد در خدمت دانش رابطه‌ای بهره گیرد، نه به عنوان جایگزین آن. ارزیابی مؤثر WIL در درجه اول مسئله اندازه‌گیری نیست، بلکه پرسشی است درباره اینکه شواهد چه کسانی اهمیت دارد.