AI in teaching

Abstract Authentic assessment has been a recognized aspiration in higher education for nearly four decades, yet its implementation at the undergraduate level has remained constrained by the procedural demands of professional-level work. Generative artificial intelligence reshapes the implementation calculus by lowering the entry barriers that previously confined authentic assessment to capstone courses, professional programs, and elite institutional contexts. This paper presents a single-semester case study of an AI-integrated qualitative research methods course taught to undergraduates in a child and adolescent development program at a regional public university. Twenty-one students used a custom AI class companion without restriction to produce full-length qualitative research manuscripts. The analytic backbone is a five-dimensional model of authentic assessment, with its physical-context dimension extended to require AI inclusion in fields where professional practice now incorporates the technology. Three rubric-proximal proxy indicators were estimated across the corpus: methods specificity, claim-evidence coupling, and theory-interpretation linkage density. The methods specificity proxy compresses toward the upper bound of its scale, indicating that AI scaffolding supports structural elements of qualitative writing effectively. The two judgment-dependent proxies retain wide dispersion. Process tracing of four contrasting cases identifies three pathways that distinguish stronger from weaker outcomes: criteria-based orchestration, irreducible input supply, and substantive iteration. The boundary-condition pattern indicates that authentic assessment in AI-integrated courses remains diagnostic where it needs to be and is supported where it needed support.

چکیده ارزشیابی اصیل نزدیک به چهار دهه است که به عنوان یک آرمان شناخته‌شده در آموزش عالی مطرح بوده است، اما اجرای آن در سطح کارشناسی به دلیل الزامات رویه‌ای کار حرفه‌ای محدود باقی مانده است. هوش مصنوعی مولد با کاهش موانع ورود، محاسبات اجرایی را دگرگون می‌کند؛ موانعی که پیش‌تر ارزشیابی اصیل را به دروس پایانی، برنامه‌های حرفه‌ای و زمینه‌های نهادی ممتاز محدود می‌کردند. این مقاله مطالعه موردی یک‌ترمی از یک درس روش‌های تحقیق کیفی با ادغام هوش مصنوعی را ارائه می‌دهد که برای دانشجویان کارشناسی رشته رشد کودک و نوجوان در یک دانشگاه دولتی منطقه‌ای تدریس شده است. بیست‌ویک دانشجو بدون محدودیت از یک همراه هوش مصنوعی سفارشی در کلاس برای تولید مقالات کامل تحقیق کیفی استفاده کردند. ستون فقرات تحلیلی پژوهش، مدل پنج‌بعدی ارزشیابی اصیل است که بعد زمینه فیزیکی آن به گونه‌ای گسترش یافته است که گنجاندن هوش مصنوعی را در حوزه‌هایی که اکنون عمل حرفه‌ای فناوری را دربرمی‌گیرد، الزامی می‌سازد. سه شاخص جانشین نزدیک به روبریک در کل مجموعه برآورد شد: ویژگی روش‌ها، پیوند ادعا-شواهد و تراکم پیوند تفسیر-نظریه. شاخص جانشین ویژگی روش‌ها به سمت حد بالایی مقیاس خود فشرده می‌شود که نشان می‌دهد چارچوب‌دهی هوش مصنوعی به طور مؤثری از عناصر ساختاری نوشتار کیفی حمایت می‌کند. دو شاخص مبتنی بر قضاوت دامنه پراکندگی وسیعی را حفظ می‌کنند. ردیابی فرایند چهار مورد متضاد سه مسیر را شناسایی می‌کند که نتایج قوی‌تر را از نتایج ضعیف‌تر متمایز می‌سازد: سازماندهی مبتنی بر معیار، تأمین ورودی غیرقابل تقلیل و تکرار معنادار. الگوی شرایط مرزی نشان می‌دهد که ارزشیابی اصیل در دروس ادغام‌شده با هوش مصنوعی همچنان در جایی که باید تشخیصی باشد، تشخیصی باقی می‌ماند و در جایی که نیاز به حمایت دارد، حمایت می‌شود.