बेल (वक्र) टोल कोणासाठी? अनेक A च्या उत्पन्न देणारे वर्ग!

महाविद्यालयीन वर्गात A आणि F ची जवळपास समान संख्या मिळवण्याचा प्रयत्न करणे हे एक घोर चुकीचे उद्दिष्ट आहे असा माझा दीर्घकाळचा विश्वास आहे. असेंब्ली-लाइन मॅन्युफॅक्चरिंगसाठी सॉर्टिंग मार्गदर्शक तत्त्वावर हे मला नेहमी चांगले लागू केले गेले असे वाटले. मला असे वाटते की दर्जेदार ग्रेडिंग रुब्रिक वापरून सु-डिझाइन केलेल्या वर्गात जितके जास्त A मिळवले जाईल तितके चांगले. व्यवहार्य, संबंधित, अद्ययावत शिक्षण परिणामांचे चांगले मूल्यांकन केले असल्यास, सरासरी उच्च श्रेणी प्रशंसनीय आहेत.

तरीही, अलिकडच्या आठवड्यात, आम्हाला कळले आहे की आमच्या काही उच्च शिक्षण संस्था, आदरणीय हार्वर्ड आणि येल विद्यापीठे, दिलेल्या वर्गात मिळू शकणाऱ्या A ची टक्केवारी कमी करण्यासाठी डिझाइन केलेल्या धोरणांचा विचार करत आहेत. मध्ये लेखन न्यूयॉर्क टाइम्समार्क आर्सेनॉल्टने अहवाल दिला, “बऱ्याच अ साठी एक उपाय? हार्वर्ड A+ ग्रेड देण्याचा विचार करते.” ते थोडेसे अवास्तव वाटते—वर्गात पोस्ट केलेल्या A ची अप्रतिष्ठित संख्या कमी करण्यासाठी प्लस चिन्ह जोडून ग्रेडचे शीर्षक बदलणे.

द वेळा लेखात पदवीपूर्व शिक्षणाच्या डीनचा उल्लेख केला जातो: “’तुमच्यापैकी अनेकांनी या घसरणीत तुमची ग्रेडिंग घट्ट केली आहे आणि तुमच्या प्रयत्नांनी अर्थपूर्ण फरक पडला आहे,’ डीन, अमांडा क्लेबॉग यांनी सोमवारी दुपारी प्राध्यापकांना दिलेल्या ईमेलमध्ये लिहिले. A चे ग्रेड फॉल सेमिस्टरमध्ये मिळालेल्या ग्रेडच्या 53.4 टक्क्यांवर घसरले. 2 वर्षाच्या 6 वर्षात, डॉ. क्लेबॉगने अहवाल दिला, ‘मला माहित आहे की हा बदल सोपा नव्हता,’ तिने पुढे नमूद केले की काही प्राध्यापक सदस्यांनी सांगितले होते की त्यांना विद्यार्थ्यांकडून कमी अनुकूल अभ्यासक्रमाचे मूल्यांकन मिळत आहे.

येल येथील चिंता सारखीच दिसते. जेहा जंग मध्ये लिहितात येल दैनिक बातम्या,

हा मुद्दा पूर्णपणे नवीन विषय नाही किंवा काही आयव्ही लीग शाळांपुरता मर्यादित नाही. जेन नमने मे २०२४ च्या अहवालात सर्वोत्कृष्ट महाविद्यालयांच्या वेबसाइटवर आवश्यक डेटा शेअर केला आहे.कॉलेजमध्ये ग्रेड इन्फ्लेशन: ट्रेंड आणि का ते होते“:

संस्थात्मक आणि वैयक्तिक संकाय सदस्य या दोन्ही स्तरांवर प्रतवारी वाढवणारे अनेक बिंदू आहेत. उच्च श्रेणींमध्ये वाढीव वाढीसह, सायकल वर्षानुवर्षे स्वतःवर तयार होते.

तरीही, माझा विश्वास आहे की, आम्ही त्याच्या पायावर सदोष असलेल्या प्रणाली अंतर्गत कार्य करत आहोत. खराब मूल्यांकनांच्या या इमारतीच्या संकटातून आपली सुटका करू शकणारे साधन, AI, अंतिम कागदपत्रे आणि प्रकल्पांच्या वाढीव मूल्यमापनासाठी जबाबदार आहे. दोष AI मध्ये मूळचा नाही; त्याऐवजी, सर्व विद्यार्थ्यांमध्ये शिकण्याची जोपासना होईल आणि अभ्यासक्रमाच्या सामग्रीचे अचूक मूल्यांकन होईल अशा पद्धतीने तंत्रज्ञान लागू करण्यात प्राध्यापक सदस्यांचे अपयश आहे. तांत्रिक कलाकृतीपेक्षा हे मूल्यांकनामध्ये अध्यापनशास्त्रीय विघटन आहे.

आमची सध्याची वर्ग प्रणाली 20, 30 किंवा त्याहून अधिक विद्यार्थ्यांना विषयातील ज्ञानाची खोली आणि रुंदी, विश्लेषणात्मक आणि संश्लेषण साधनांसह विविध कौशल्य पातळी आणि असमान गंभीर आणि सर्जनशील क्षमता असलेल्या वर्गात ठेवते. एका सेमिस्टरमध्ये अनेक वर्गांना शिकवणारा एक शिक्षक सदस्य विद्यार्थ्यांच्या विविध गटांना यश मिळवण्यासाठी सहज मार्गदर्शन करू शकत नाही, कारण त्यासाठी प्रत्येक विद्यार्थ्याच्या भिन्न गरजांना प्रतिसाद देणारे अधिक वैयक्तिकृत शिक्षण पद्धती आवश्यक असते. सध्याचे मॉडेल विद्यार्थ्यांच्या मेंदूमध्ये माहिती, ज्ञान आणि कौशल्ये ओतण्याच्या असेंब्ली लाइनवर आधारित आहे कारण ते कठोर कॅलेंडर-चालित वेगाने एकत्र फिरतात. आशा आहे की ते सर्व बुद्धी प्राप्त करतील. तरीही, वैयक्तिक विद्यार्थ्यांच्या वेगवेगळ्या गरजांशी जुळवून न घेता, लक्षणीय संख्या जवळजवळ नेहमीच मागे राहते, ज्यांना मूल्यांकनात कमी गुण मिळतात आणि टर्मच्या शेवटी C, D किंवा त्याहूनही वाईट.

सुदैवाने, आम्ही आता AI द्वारे मास्टरी लर्निंग प्रभावीपणे आणि कार्यक्षमतेने अंमलात आणण्यासाठी आणि जुन्या असेंब्ली-लाइन मॉडेलला एका फ्रेमवर्कसह बदलण्यासाठी सुसज्ज आहोत, ज्याची रचना सर्व विद्यार्थ्यांना, कालांतराने, इच्छित शिक्षण परिणामांवर प्रभुत्व मिळवण्यास सक्षम करण्यासाठी केली आहे. सध्याच्या कालबाह्य प्रणालीमध्ये असे गृहीत धरले जाते की विद्यार्थी त्यांची कामगिरी प्रावीण्य पातळीपेक्षा कमी असतानाही प्रगती करू शकतात. ज्ञान आणि कौशल्य-निर्मितीचे मचान स्वरूप लक्षात घेता, आम्ही आमच्या अनेक विद्यार्थ्यांमध्ये एक सदोष मचान तयार करण्याचा धोका पत्करतो ज्यांना पूर्णपणे समजत नाही आणि सर्व आवश्यक तत्त्वे, पद्धती, कौशल्ये आणि ज्ञान वर्ग किंवा पदवी कार्यक्रमात लागू करू शकत नाहीत. काही जण निकृष्ट दर्जाच्या सरासरी गुणांसह पदवीधर झाले आहेत आणि विषयावर प्रभुत्व नसतात आणि त्यांच्या पुढील करिअरमध्ये त्यांच्या शिक्षणाचा मचान अयशस्वी होण्याची शक्यता आहे.

द त्याऐवजी मास्टरी लर्निंग मॉडेल प्रत्येक मॉड्युलवर प्रभुत्व मिळवल्याशिवाय विद्यार्थी अभ्यासक्रमात प्रगती करत नाहीत याची खात्री करते:

AI चा वापर करून, आम्ही विद्यार्थ्यांच्या वारंवार होणाऱ्या प्राथमिक मूल्यांकनाद्वारे प्रत्येक विद्यार्थ्याच्या प्रगतीचे सतत निरीक्षण करू शकतो. हे मूल्यांकन AI द्वारे वितरित केले जाऊ शकते. जर एखादा विद्यार्थी 90 टक्क्यांपेक्षा कमी असेल (किंवा कोणतीही पातळी नियुक्त केली असेल), तर AI विद्यार्थ्यांना गुंतवून ठेवण्यासाठी सर्वोत्तम सामग्री आणि शैक्षणिक मॉडेल लिहून देण्यासाठी सबमिट केलेल्या चुकीच्या उत्तरांचे मूल्यांकन करू शकते.

पुढील मॉड्यूलवर जाण्यापूर्वी खरे प्रभुत्व मिळविण्यासाठी आवश्यक तितक्या वेळा याची पुनरावृत्ती केली जाते, अनंत धैर्याने AI प्रोग्राम वैयक्तिक शिकणाऱ्यासाठी सर्वोत्तम शिक्षण संदर्भात सामग्री सादर करतो. समर्थित स्कॅफोल्डिंग मॉडेल हे सुनिश्चित करते की विद्यार्थी वाटेत हरवले जाणार नाहीत. सर्व मॉड्युल्स पूर्ण करण्याची वेळ किंवा कॅलेंडर आणि मास्टरी स्तरावर अंतिम मूल्यांकन काय बदलते. प्रशिक्षक प्रगतीचे निरीक्षण करतो आणि आवश्यकतेनुसार वैयक्तिक विद्यार्थ्यांमध्ये हस्तक्षेप करतो. म्हणून, मास्टरी लर्निंग मॉडेलमध्ये, सर्व विद्यार्थी प्रभावीपणे A मिळवतात, तथापि, ते 18-आठवड्यांच्या सेमिस्टरमध्ये प्रत्येक वर्ग एकसमानपणे पूर्ण करत नाहीत.

AI च्या आधी, प्रत्येक मॉड्युलमधील वैयक्तिक विद्यार्थ्यांच्या मूलभूत कमतरतांचे कार्यक्षमतेने मूल्यांकन करण्यासाठी आणि त्यांचे निराकरण करण्यासाठी आमच्याकडे साधनांचा अभाव होता. आता, आम्ही हे सुनिश्चित करू शकतो की वर्ग पूर्ण करणाऱ्या प्रत्येक विद्यार्थ्याने सामग्रीमध्ये प्रभुत्व मिळवले आहे. तथापि, काही विद्यार्थी एका महिन्यात साहित्यात प्रभुत्व मिळवू शकतात, तर काही सहा महिन्यांत. मला असे वाटते की अभ्यासक्रमाच्या सामग्रीचे अपूर्ण किंवा चुकीचे आकलन करण्याऐवजी प्रभुत्व मिळविण्यासाठी लागणारा वेळ चांगला खर्च केला जातो. आपण या विषयावर अधिक संसाधने तपासू शकता:

शेवटी, कदाचित बेल वक्र जॉन डोनच्या निष्कर्षापर्यंत येईल: “म्हणून घंटा कोणासाठी वाजते हे जाणून घेण्यासाठी कधीही पाठवू नका; ती तुमच्यासाठी टोल करते.”