feedback in higher education

This article examines the theoretical and methodological foundations for improving the development of students’ communicative competence in Russian as a foreign language through interactive and digital technologies. The study draws on communicative language teaching, the action-oriented approach, constructivism, collaborative learning, and the updated CEFR model. The CEFR Companion Volume conceptualizes language use through reception, production, interaction, and mediation and gives explicit attention to online interaction and collaborative meaning-making. On this basis, the article proposes a cyclical methodology consisting of diagnostic assessment, linguistic scaffolding, an authentic communicative task, role-play or problem-based interaction, collaborative mediation, reflection, and criteria-based formative assessment. The analysis suggests that the effectiveness of interactive technology depends less on the tool itself than on its pedagogically coherent connection to communicative goals, learners’ proficiency, language material, and feedback. In higher education, a systematic combination of role-play, debate, jigsaw tasks, case studies, project work, peer feedback, LMS forums, collaborative documents, and video/audio assignments can shift students from passive knowledge reception toward active participation as social agents.

این مقاله به بررسی مبانی نظری و روش‌شناختی بهبود توسعه شایستگی ارتباطی دانشجویان در زبان روسی به عنوان زبان خارجی از طریق فناوری‌های تعاملی و دیجیتال می‌پردازد. این پژوهش بر آموزش زبان مبتنی بر ارتباط، رویکرد کنش‌محور، سازنده‌گرایی، یادگیری مشارکتی و مدل به‌روزشده CEFR تکیه دارد. جلد همراه CEFR استفاده از زبان را از طریق دریافت، تولید، تعامل و میانجی‌گری مفهوم‌سازی می‌کند و توجه صریحی به تعامل آنلاین و ساخت مشترک معنا دارد. بر این اساس، مقاله یک روش‌شناسی چرخه‌ای شامل ارزیابی تشخیصی، حمایت زبانی، یک تکلیف ارتباطی اصیل، ایفای نقش یا تعامل مبتنی بر مسئله، میانجی‌گری مشارکتی، بازتاب و ارزیابی تکوینی مبتنی بر معیارها پیشنهاد می‌کند. تحلیل‌ها نشان می‌دهد که اثربخشی فناوری تعاملی کمتر به خود ابزار وابسته است و بیشتر به پیوند منسجم آموزشی آن با اهداف ارتباطی، سطح مهارت زبان‌آموزان، مواد زبانی و بازخورد بستگی دارد. در آموزش عالی، ترکیب نظام‌مند ایفای نقش، مناظره، تکالیف جورچین، مطالعات موردی، کار پروژه‌ای، بازخورد همتایان، انجمن‌های LMS، اسناد مشارکتی و تکالیف ویدئویی/صوتی می‌تواند دانشجویان را از دریافت منفعلانه دانش به سوی مشارکت فعال به عنوان عاملان اجتماعی سوق دهد.

Artificial intelligence (AI) is now part of everyday academic work in higher education, including feedback. However, AI feedback does not automatically lead to learning. It can help students rethink a concept, improve a draft, and notice gaps in their work, but it can also create a false sense of progress when students accept suggestions without understanding them. This Perspective article argues that responsible AI feedback depends on faculty readiness and students’ evaluative judgement. Readiness is not mainly technical. It involves pedagogical judgement: knowing how to design tasks in which students work with feedback, compare it with evidence, revise with purpose, explain their choices, and remain responsible for the final submission. The article focuses on generative AI feedback and uses metacognitive calibration as a central concept. Calibration refers to the relationship between students’ confidence or self-judgement and independently evaluated evidence of performance. Evaluative judgement concerns students’ capacity to judge the quality and relevance of feedback and work, whereas calibration concerns the accuracy of their judgements relative to independently evaluated performance evidence. The article shows how ideas from feedback literacy, evaluative judgement, and self-regulated learning need to be adapted when feedback comes from systems whose accuracy and educational value cannot be assumed. It proposes a conceptual responsible AI feedback design cycle linked to assessment integrity, university policy, and faculty development. Although the cycle requires empirical testing, it offers a practical way to support reflection, calibrated judgement, and accountability without replacing students’ thinking.

هوش مصنوعی (AI) اکنون بخشی از فعالیت‌های روزمره دانشگاهی در آموزش عالی، از جمله بازخورد، است. با این حال، بازخورد هوش مصنوعی به طور خودکار منجر به یادگیری نمی‌شود. این بازخورد می‌تواند به دانشجویان کمک کند تا یک مفهوم را بازاندیشی کنند، پیش‌نویسی را بهبود دهند و شکاف‌های موجود در کار خود را تشخیص دهند، اما همچنین ممکن است حس کاذبی از پیشرفت ایجاد کند زمانی که دانشجویان پیشنهادها را بدون درک آن‌ها می‌پذیرند. این مقاله دیدگاه بیان می‌کند که بازخورد مسئولانه هوش مصنوعی وابسته به آمادگی اعضای هیئت علمی و قضاوت ارزشیابانه دانشجویان است. آمادگی عمدتاً فنی نیست، بلکه شامل قضاوت آموزشی است: دانستن اینکه چگونه وظایفی طراحی شوند که در آن دانشجویان با بازخورد کار کنند، آن را با شواهد مقایسه کنند، با هدف بازنگری کنند، انتخاب‌های خود را توضیح دهند و همچنان مسئولیت ارسال نهایی را بر عهده داشته باشند. این مقاله بر بازخورد مولد هوش مصنوعی تمرکز دارد و از کالیبراسیون فراشناختی به عنوان یک مفهوم مرکزی استفاده می‌کند. کالیبراسیون به رابطه بین اعتماد به نفس یا خودقضاوت دانشجویان و شواهد ارزیابی‌شده مستقل از عملکرد اشاره دارد. قضاوت ارزشیابانه به ظرفیت دانشجویان برای قضاوت درباره کیفیت و ارتباط بازخورد و کار مربوط است، در حالی که کالیبراسیون به دقت قضاوت‌های آن‌ها نسبت به شواهد عملکرد ارزیابی‌شده مستقل مربوط می‌شود. مقاله نشان می‌دهد که چگونه ایده‌های سواد بازخورد، قضاوت ارزشیابانه و یادگیری خودتنظیمی باید زمانی که بازخورد از سیستم‌هایی می‌آید که دقت و ارزش آموزشی آن‌ها مفروض نیست، تطبیق یابد. این مقاله یک چرخه مفهومی طراحی بازخورد مسئولانه هوش مصنوعی را پیشنهاد می‌کند که به سلامت ارزیابی، سیاست دانشگاه و توسعه اعضای هیئت علمی مرتبط است. اگرچه این چرخه نیازمند آزمون تجربی است، اما راهکاری عملی برای حمایت از تأمل، قضاوت کالیبره‌شده و پاسخگویی بدون جایگزینی تفکر دانشجویان ارائه می‌دهد.

Student evaluations of teaching (SET) remain the most widely used—and most contested—form of feedback in U.S. higher education. Evidence documents validity threats, including confounding from course difficulty, grading, modality, and student and instructor demographics, plus a persistent gap between in-the-moment experience and longer-horizon learning. Yet SET still anchor consequential personnel decisions and function within market logics that shape course selection and branding. Rather than abandoning SET, this paper asks how the instrument can be redesigned to serve assessment for learning. Using design-based research, the authors synthesized peer-reviewed and grey literature, audited an existing instrument in a graduate business-leadership course, and iteratively developed a revised SET built on learning-centered teaching, customizable course-level items, and a common cross-disciplinary core. The paper presents the redesign process, early implementation evidence, and a transferable toolkit. A redesigned instrument is necessary but insufficient; lasting change also requires aligning instruments with institutional incentives.

ارزیابی‌های دانشجویی تدریس (SET) همچنان رایج‌ترین و در عین حال بحث‌برانگیزترین شکل بازخورد در آموزش عالی ایالات متحده هستند. شواهد، تهدیدهای روایی را مستند می‌کنند، از جمله تداخل با دشواری درس، نمره‌دهی، شیوه ارائه، و ویژگی‌های جمعیت‌شناختی دانشجویان و مدرسان، به‌علاوه شکاف ماندگار میان تجربه لحظه‌ای و یادگیری بلندمدت. با این حال، SET همچنان مبنای تصمیم‌گیری‌های مهم پرسنلی است و در منطق بازار که انتخاب و برندینگ درس‌ها را شکل می‌دهد، ایفای نقش می‌کند. این مقاله به جای کنار گذاشتن SET، می‌پرسد چگونه می‌توان این ابزار را برای خدمت به ارزیابی در جهت یادگیری بازطراحی کرد. نویسندگان با استفاده از پژوهش مبتنی بر طراحی، ادبیات داوری‌شده و خاکستری را سنتز کردند، یک ابزار موجود را در یک درس رهبری کسب‌وکار در مقطع تحصیلات تکمیلی ممیزی کردند و به‌صورت تکراری یک SET بازطراحی‌شده مبتنی بر تدریس یادگیری‌محور، آیتم‌های قابل تنظیم در سطح درس، و یک هسته مشترک بین‌رشته‌ای توسعه دادند. مقاله فرایند بازطراحی، شواهد اولیه پیاده‌سازی و یک جعبه‌ابزار قابل انتقال را ارائه می‌کند. یک ابزار بازطراحی‌شده لازم اما ناکافی است؛ تغییر پایدار همچنین مستلزم همسویی ابزارها با مشوق‌های نهادی است.

Artificial intelligence (AI) is often presented as solving longstanding challenges of feedback in higher education. Research and commentary tend to focus on how AI can replace educator labour by providing feedback information at scale but this substitution risks simplifying a complex and interconnected set of practices. We draw from Barnett’s work on the ecological university to offer a dynamic, relational view of an ecosystem – where the whole is greater than the sum of its parts. This perspective of the feedback ecosystem sensitised a qualitative study, where data was constituted through participant discussion within two-hour online workshops. Twelve students and 18 educators participated across three workshops; analysis of participant feedback experiences illustrated how feedback relations shift in the presence of AI. To conclude, we suggest that in response to AI, educators can seek to strengthen their feedback relationships with students over time – what we call humans-as-the-loop – in the feedback ecosystem.

هوش مصنوعی (AI) اغلب به عنوان راه‌حلی برای چالش‌های دیرینه بازخورد در آموزش عالی مطرح می‌شود. پژوهش‌ها و دیدگاه‌ها عمدتاً بر این تمرکز دارند که چگونه هوش مصنوعی می‌تواند جایگزین نیروی کار آموزشی شده و اطلاعات بازخورد را در مقیاس وسیع ارائه دهد، اما این جایگزینی خطر ساده‌سازی مجموعه‌ای پیچیده و به‌هم‌پیوسته از رویه‌ها را به همراه دارد. ما با بهره‌گیری از آثار Barnett درباره دانشگاه بوم‌شناختی، دیدگاهی پویا و رابطه‌مند از یک اکوسیستم ارائه می‌دهیم؛ جایی که کل، فراتر از مجموع اجزای آن است. این رویکرد نسبت به اکوسیستم بازخورد، مطالعه‌ای کیفی را جهت‌دهی کرد که داده‌های آن از طریق بحث شرکت‌کنندگان در کارگاه‌های آنلاین دو ساعته گردآوری شد. دوازده دانشجو و هجده مدرس در سه کارگاه شرکت کردند؛ تحلیل تجارب بازخورد شرکت‌کنندگان نشان داد که چگونه روابط بازخورد در حضور هوش مصنوعی دچار تغییر می‌شود. در پایان، پیشنهاد می‌کنیم که در واکنش به هوش مصنوعی، مدرسان می‌توانند در طول زمان روابط بازخوردی خود را با دانشجویان تقویت کنند؛ چیزی که ما آن را «انسان‌ها به‌عنوان حلقه» در اکوسیستم بازخورد می‌نامیم.