A mesterséges intelligencia megjelenése óta egyre gyakrabban kerül elő ugyanaz a kérdés: hogyan értékeljük a tanulók munkáját úgy, hogy közben valóban a tanulást lássuk?

Sokszor az első reakció a félelem.

• Mi lesz a házi dolgozatokkal?
• Honnan tudjuk, hogy ki írta?
• Mit kezdünk azzal, ha egy AI-eszköz néhány másodperc alatt elkészít egy esszét, vázlatot, prezentációt vagy akár projekttervet?

Ezek jogos kérdések. Mégis azt gondolom, hogy az AI nem egyszerűen „elrontotta” az értékelést. Inkább nagyon gyorsan és nagyon látványosan megmutatta, hogy sok értékelési helyzetünk eddig is sérülékeny volt.

Ha egy feladat lényege annyi, hogy a tanuló adjon le egy szépen megfogalmazott, általános szöveget egy témáról, akkor valóban nehéz dolgunk van. Ilyenkor nemcsak az a kérdés, használt-e mesterséges intelligenciát. Legalább ennyire fontos kérdés az is: mit szerettünk volna valójában látni a tanulásból?

Ezért szeretném, hogy itthon is szélesebb körben ismertté váljon a SHIELD keretrendszer.

Számomra ez a keretrendszer nem egy újabb divatos betűszót takar, hanem egy nagyon jól használható kapaszkodót kaphatunk általa ahhoz, hogy az AI-ról ne csak tiltás, lebuktatás és ellenőrzés jusson eszünkbe.

A SHIELD abban segít, hogy visszatérjünk az értékelés lényegéhez: ne csak a kész produktumot nézzük, hanem a tanulót, a gondolkodását, a döntéseit, a fejlődését és azt, hogy mit tud kezdeni a tudásával.

Nekem ez azért fontos, mert pedagógusként nem azt szeretném látni, hogy egy tanuló tökéletesen leadott-e egy fájlt, és kipipált egy feladatot. Sokkal inkább az érdekel, hogy érti-e, amit csinál.

• Tud-e róla beszélni?
• Tudja-e indokolni a döntéseit?
• Látszik-e a munkájában a saját útja, a saját gondolkodása, a saját jelenléte?

A SHIELD nem tiltásból indul ki.

Nem azt mondja, hogy zárjunk ki mindent, ami digitális.

Nem azt mondja, hogy mindenáron kapjuk rajta a diákot.

Hanem azt kérdezi:

Hogyan tervezzünk olyan feladatokat, amelyekben láthatóvá válik az ember a produktum mögött?

Mit jelent a SHIELD?

A SHIELD hat szempontot ad az értékelés újragondolásához.

S – Situational: legyen helyzetbe ágyazott

A feladat ne lebegjen a levegőben.

Nem mindegy, hogy azt kérjük:

„Írj esszét a fenntarthatóságról!”

Vagy azt:

„Vizsgáld meg, hogyan lehetne az iskolátokban csökkenteni az ételpazarlást, majd készíts megvalósítható javaslatot!”

Az elsőre lehet nagyon szép, nagyon általános, mégis személytelen választ adni. A másodiknál már helyzetet kell értelmezni,. adatot kell gyűjteni, döntéseket kell hozni, mérlegelni kell, és kapcsolódni kell a valósághoz.

Nekem ebben az a fontos, hogy a tanulás ne váljon elszakított, iskolai „műfeladattá”. A jó feladatban van élet: Van helyzet, van tét, van kapcsolódás ahhoz a világhoz, amelyben a tanuló valóban mozog.

H – Human-centered: legyen benne ember

Ez talán a keretrendszer legfontosabb része.

Az AI tud korrekt szöveget írni. Tud érvelni. Tud összefoglalni. Tud listát készíteni. Tud segíteni ötletelni.

De nincs saját tanulási útja;

• Nincs benne az a bizonytalanság, amikor egy diák először nem érti.
• Nincs benne az a felismerés, amikor valami egyszer csak összeáll.
• Nincs benne személyes döntés, értékválasztás, megküzdés, változás.
• Ezért kell az értékelésbe beengedni az embert. Nem elég azt kérdezni:”Mi a válasz?”

Kérdezzük azt is:

• „Miért így gondoltad?”
• „Mi volt számodra a legnehezebb?”
• „Miben változott a véleményed?”
• „Milyen döntést hoztál a munka során?”
• „Mit csinálnál másképp legközelebb?”
• „Mi az, amit most már jobban értesz?”

Ezek nem  plusz körök, hanem ezekből derül ki, hogy történt-e tanulás.

Nem a hibát keresi először, hanem az embert. Nem azt kérdezi, hogyan lehet bizonyítani, hogy mit nem a gép csinált, hanem azt, hogyan lehet láthatóvá tenni, mit tett hozzá a tanuló.

I – Interactive: legyen benne párbeszéd

Sokáig az értékelés gyakran így nézett ki: a tanuló beadott valamit, a pedagógus elolvasta, kijavította, majd adott rá egy jegyet.

Ez bizonyos helyzetekben működik., önmagában viszont kevés.

A tanulás, jól tudjuk, nem a kész dokumentumból látszik a legjobban, hanem abból, amikor a diák beszél róla, amikor kérdeznek tőle,  amikor meg kell védenie egy döntését, amikor reagál egy társára, vagy amikor el kell magyaráznia valamit úgy, hogy más is megértse.

Ez lehet rövid szóbeli védés, tanulói magyarázat, vita, társértékelés, prezentáció vagy egy egyszerű beszélgetés a munkáról.

Néha három jól feltett kérdés többet mutat, mint egy hosszú beadandó.

Például:

• „Miért ezt a megoldást választottad?”
• „Milyen más lehetőséget vetettetek el?”
• „Mit változtatnál rajta, ha újrakezdhetnéd?”

Ezekben a helyzetekben a tanuló már nemcsak lead valamit, hanem jelen van a saját munkájában.

E – Evidence-based: ne csak a végeredményt nézzük

Az AI korában különösen fontos, hogy ne csak a végső produktumot értékeljük.

A végső produktum sok mindent elfedhet. Lehet szép, kerek, jól szerkesztett — miközben nem látjuk mögötte a tanulási folyamatot.

Ezért érdemes tanulási bizonyítékokat kérni: vázlatot, jegyzetet, forráslistát, első verziót, javított változatot, döntési pontokat, rövid munkanaplót vagy reflexiót.

Nem azért, hogy még több adminisztráció legyen. Hanem azért, mert ezekből látszik, hogyan gondolkodott a tanuló.

• Hol indult?
• Miben akadt el?
• Mit javított?
• Mit vett észre?
• Hogyan alakult a munkája?

A tanulás sokszor nem a kész válaszban van, hanem az odavezető úton.

Ez a szemlélet az AI-használatot is árnyaltabbá teszi. Nem az lesz az egyetlen kérdés, hogy „használt-e eszközt?”, hanem az, hogy tudja-e vállalni, értelmezni, megmagyarázni és továbbfejleszteni a saját munkáját.

L – Layered: több rétegből álljon össze az értékelés

Egyetlen beadandó ritkán mond el mindent.

• Lehet, hogy valaki jól ír, de nehezebben beszél.
• Lehet, hogy valaki bizonytalanul fogalmaz, de nagyon jó ötletei vannak.
• Lehet, hogy valaki erős a kutatásban, más pedig a megvalósításban.
• Lehet, hogy a végtermék nem tökéletes, de a fejlődés óriási.

Ezért jó, ha az értékelés több rétegből épül fel.

Lehet benne produktum, rövid reflexió, szóbeli bemutatás, folyamatdokumentáció, társértékelés vagy gyakorlati alkalmazás.

Így nem egyetlen pillanat alapján döntünk. Több oldalról látjuk a tanulót. Ez nemcsak AI-rezilisebbé, hanem igazságosabbá is teheti az értékelést.

Szerintem ez különösen fontos. Mert a tanulók nem egyformán mutatják meg magukat. Van, aki írásban erősebb. Van, aki szóban. Van, aki a folyamatban. Van, aki az ötletben. Van, aki a végső megvalósításban. A több rétegből álló értékelés emberibb képet ad róluk.

D – Demonstration of Learning: mutassa meg, mire képes a tudásával

A végén talán ez a legfontosabb kérdés:

Mit tud kezdeni a tanuló azzal, amit megtanult?

• Nemcsak fel tudja-e mondani.
• Nemcsak le tudja-e írni, hanem tudja-e használni?
• Tud-e problémát megoldani?

• Tud-e döntést hozni?
• Tud-e érvelni?
• Tud-e másoknak segíteni a megértésben?
• Tud-e valamit létrehozni?
• Tud-e felelősen választani?

Ez lehet kampány, prototípus, ajánlás, vita, mini tanítási helyzet, döntési javaslat, projektproduktum vagy akár egy jól felépített magyarázat.

A lényeg, hogy a tudás ne csak papíron létezzen.

Miért válik ez egyre fontosabbá?

Az AI nemcsak új eszközöket hozott az oktatásba, hanem új tükröt is tartott elénk.

Megmutatta, hogy sok értékelési gyakorlatunk túlzottan produktumközpontú.
Megmutatta, hogy gyakran a kész választ értékeljük, nem a gondolkodást.
Megmutatta, hogy a tanulói munka mögötti folyamat sokszor láthatatlan marad.

Közben nagyon könnyű lenne elcsúszni a kontroll irányába.

• Tiltsuk.
• Ellenőrizzük.
• Szankcionáljuk.
• Kapjuk rajta.

Hosszú távon szerintem nem ez lesz a legerősebb válasz.

A legerősebb válasz az, ha olyan tanulási és értékelési helyzeteket tervezünk, amelyekben nem elég „leadni valamit”, hanem ahol gondolkodni kell, kapcsolódni, dönteni kell. Meg persze beszélni róla, és  vállalni kell a folyamatot. Igy tehát meg kell mutatni, mi ment végbe a tanulóban a tanulási folyamat során

Ebben akár az AI is lehet eszköz, de nem lehet a tanuló helyett jelen.

Azt szeretném,.hogy a SHIELD itthon is szélesebb körben bekerüljön a pedagógiai gondolkodásba, mert összességében jó irányba fordítja a kérdéseinket, hiszen

• Nem azt kérdezi először, hogyan tiltsunk.
• Nem azt kérdezi először, hogyan ellenőrizzünk.
• Hanem azt kérdezi: hogyan tervezzünk értékelést úgy, hogy abban a tanulás valóban látható legyen?

Álljon itt egy egyszerű példa

Hagyományos feladat:

„Írj dolgozatot arról, milyen hatással van a mesterséges intelligencia az oktatásra.”

SHIELD-szemléletű változat:

„Válassz egy konkrét iskolai helyzetet, ahol a diákok már most is használhatnak AI-t. Mutasd be, milyen előnyei és kockázatai vannak ennek. Készíts ajánlást diákoknak vagy pedagógusoknak, dokumentáld, hogyan alakult a gondolkodásod, majd röviden mutasd be és védd meg az álláspontodat.”

A különbség érzékelhető.

Az első feladatból könnyen születhet egy általános, szépen megfogalmazott szöveg. A másodikban már ott van a helyzet, a döntés, a felelősség, a saját gondolkodás, a bemutatás és a reflexió. Vagyis aktívan jelen van a tanuló, nem pedig passzív, metakognitív lustaságban szenvedö alany.

Mit vihetünk ebből a pedagógiai gyakorlatba?

A SHIELD nem egy bonyolult modell, hanem jól használható ellenőrzőlista a tervezéshez.

Amikor feladatot, projektet, beadandót vagy vizsgahelyzetet tervezünk, érdemes végiggondolni:

• Van benne valós vagy személyes kontextus?
• Kéri a tanuló saját gondolkodását és reflexióját?
• Megjelenik benne párbeszéd vagy interakció?
• Láthatóvá válik a tanulási folyamat?
• Többféle bizonyíték alapján értékelünk?
• A tanuló meg tudja mutatni, mire képes a tudásával?

Ha ezek közül több kérdésre igen a válasz, akkor már nemcsak az AI-használat miatt lesz erősebb a feladat, hanem azért is, mert közelebb kerülünk ahhoz, amit valójában értékelnünk kellene.

Nem az AI ellen kell feladatot tervezni, hanem az aktív tanulás mellett. 

Ehhez pedig át kell gondolnunk, és újra kell tervezni az értékelést:

• ahol nemcsak a kész produktum számít,
• ahol a tanuló nem eltűnik a beadott munka mögött, hanem láthatóvá válik.
• ahol nemcsak az látszik, mit adott le, hanem azt is, hogyan gondolkodott, hogyan fejlődött, hogyan alkalmazta a tudását.

Ez azért fontos, mert az AI korában még inkább szükségünk van emberi, hiteles, folyamatra épülő, gondolkodást láthatóvá tevő értékelésre.

Hiszen így nem az lesz a cél, hogy mindenáron bizonyítsuk, mit nem csinált a gép,

hanem az, hogy megmutassuk, mit csinált a tanuló, mert valójában ez a pedagógiai kérdés.

Forrás:

Sawan, M. (2026). The SHIELD Framework: Designing AI-Resilient and Human-Centered Assessment in the Age of Generative Artificial Intelligence. Zenodo. https://doi.org/10.5281/zenodo.20756786

Az illusztrációk ChatGPT 5.5 modellel készültek