artificial intelligence in higher education

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.

Artificial intelligence (AI) is rapidly reshaping higher education assessment through applications such as automated feedback, adaptive testing, learning analytics, automated scoring, and generative support. Yet scholarship on AI-enabled assessment remains fragmented across technical, pedagogical, ethical, governance, and professional perspectives, limiting the field’s capacity to explain how these dimensions interact in practice and how misalignment among them affects educational legitimacy. This paper develops the AI-Assessment Ecosystem Model, a conceptual ecosystem framework for analysing AI in higher education assessment as a sociotechnical and institutional phenomenon rather than a discrete technical intervention. Drawing on a conceptual synthesis of literature published primarily between 2019 and 2024, and informed by foundational work on assessment validity, feedback, institutional legitimacy, organisational change, inclusive design, and computer-supported collaborative learning, the paper identifies five interdependent domains that shape AI-enabled assessment: technological innovation, pedagogical alignment and learner needs, institutional strategy and governance, faculty and professional readiness, and ethical and inclusive implementation. The paper theorises legitimacy as a relational and contested process through which AI-supported assessment must be justified to students, faculty, institutions, regulators, and other stakeholders as educationally valid, professionally defensible, ethically acceptable, inclusive, and organisationally accountable. The framework argues that AI in assessment cannot be adequately evaluated by technical capability, implementation success, or ethical compliance alone; it must be understood through the relations, tensions, and potential misalignments among educational purpose, organisational conditions, professional practice, student agency, and technological design. The model is offered as a conceptual ecosystem framework for guiding future research, critique, and institutional decision-making.

هوش مصنوعی (AI) به‌سرعت در حال بازشکل‌دهی ارزیابی در آموزش عالی از طریق کاربردهایی همچون بازخورد خودکار، آزمون‌های تطبیقی، تحلیل یادگیری، نمره‌دهی خودکار و پشتیبانی مولد است. با این حال، پژوهش‌ها درباره ارزیابی مبتنی بر هوش مصنوعی در میان دیدگاه‌های فنی، پداگوژیک، اخلاقی، حاکمیتی و حرفه‌ای پراکنده باقی مانده‌اند و این امر ظرفیت حوزه را برای تبیین نحوه تعامل این ابعاد در عمل و چگونگی تأثیر عدم‌همسویی میان آن‌ها بر مشروعیت آموزشی محدود می‌کند. این مقاله مدل اکوسیستم ارزیابی مبتنی بر هوش مصنوعی را توسعه می‌دهد؛ چارچوب مفهومی اکوسیستم برای تحلیل هوش مصنوعی در ارزیابی آموزش عالی به‌مثابه یک پدیده اجتماعی‌فنی و نهادی، نه صرفاً یک مداخله فنی مجزا. با اتکا به سنتز مفهومی ادبیات منتشرشده عمدتاً بین سال‌های ۲۰۱۹ تا ۲۰۲۴ و با الهام از آثار بنیادی درباره روایی ارزیابی، بازخورد، مشروعیت نهادی، تغییر سازمانی، طراحی فراگیر و یادگیری مشارکتی رایانه‌محور، مقاله پنج حوزه وابسته به‌هم را که شکل‌دهنده ارزیابی مبتنی بر هوش مصنوعی هستند شناسایی می‌کند: نوآوری فناورانه، همسویی پداگوژیک و نیازهای یادگیرنده، راهبرد و حاکمیت نهادی، آمادگی اعضای هیئت علمی و حرفه‌ای، و اجرای اخلاقی و فراگیر. مقاله، مشروعیت را به‌مثابه فرایندی رابطه‌ای و مورد مناقشه نظریه‌پردازی می‌کند که طی آن ارزیابی پشتیبانی‌شده با هوش مصنوعی باید برای دانشجویان، اعضای هیئت علمی، نهادها، ناظران و سایر ذی‌نفعان به‌عنوان آموزشی معتبر، حرفه‌ای قابل دفاع، اخلاقاً پذیرفتنی، فراگیر و سازمانی پاسخگو توجیه شود. این چارچوب استدلال می‌کند که هوش مصنوعی در ارزیابی را نمی‌توان صرفاً بر اساس قابلیت فنی، موفقیت اجرا یا انطباق اخلاقی به‌طور کافی ارزیابی کرد؛ بلکه باید آن را از رهگذر روابط، تنش‌ها و عدم‌همسویی‌های بالقوه میان هدف آموزشی، شرایط سازمانی، عمل حرفه‌ای، عاملیت دانشجو و طراحی فناورانه فهمید. این مدل به‌عنوان چارچوب مفهومی اکوسیستم برای هدایت پژوهش‌های آتی، نقد و تصمیم‌گیری نهادی ارائه می‌شود.