Mesterséges intelligencia az egyetemi értékelésben: lehetőségek, kockázatok és az európai jogi keret

 

Az elmúlt évtizedben a mesterséges intelligencia az egyik legmeghatározóbb technológiai jelenséggé vált a felsőoktatás területén. Az automatikus szövegelemzés, a személyre szabott visszajelzés, a tanulási analitika és különösen a generatív MI megjelenése egyszerre kínál hatékonyságnövekedést és teremt új jogi, etikai, valamint pedagógiai kockázatokat. Az egyetemek ma már nem pusztán azzal a kérdéssel szembesülnek, hogy használható-e az MI az értékelésben, hanem azzal is, hogy milyen feltételek mellett használható jogszerűen, átláthatóan, méltányosan és a tudományos integritás sérelme nélkül.

A hagyományos értékelési módszerek – a kézi javítás, a szubjektív pontozás, az időigényes visszajelzési folyamatok – régóta ismert korlátokkal rendelkeznek. Nagy létszámú kurzusokon az oktatók fizikailag képtelenek minden hallgató munkájára mélyreható, egyéni visszajelzést adni. Ahogy egy magyar egyetemi tanár fogalmazott: munkaideje nagyobb részében már most is inkább saját maga titkárnőjeként dolgozik, az érdemi oktatói feladatokra, a tananyagfejlesztésre és a tudományos publikációra csak ennek töredéke marad. Az MI ezeket az egyensúlytalanságokat részben orvosolni képes.

A fordulatot azonban nemcsak az értékelést támogató MI, hanem a hallgatók által használt generatív rendszerek terjedése hozta el. A nagy nyelvi modellek másodpercek alatt képesek szakdolgozat-fejezeteket, esszéket, programkódot vagy vizsgára alkalmasnak tűnő válaszokat előállítani, amelyekre a hagyományos plagizálás-detekciós eszközök már nem adnak kielégítő választ. Az, hogy a hazai egyetemek jelentős része rendelkezik az MI-használatra vonatkozó, az egyes magatartásokat tiltó belső szabályzattal vagy hivatkozási mutatóval, a problémát önmagában aligha oldja meg – az ellenőrzéshez és szankcióérvényesítéshez szükséges eszközök és zárt intézményi informatikai rendszerek ma még hiányoznak. Fontos, hogy a tervezés és felkészülés időszakában már most átfogó képünk legyen az MI-alapú értékelés jelenlegi állásáról, a fő technológiákról, az integrációs kihívásokról, az akadémiai integritásra gyakorolt hatásokról és az új etikai–jogi keret szükségességéről.

A hagyományos értékelés korlátai és az MI-alapú megközelítések előnyei

A hagyományos, kézzel végzett értékelés három alapvető gyengesége az időigényesség, a szubjektivitás és a skálázhatóság hiánya. A szubjektív elemek – az értékelő hangulatától, előítéleteitől, a hallgatóhoz fűződő korábbi tapasztalatoktól való függőség – rontják a mérési egyenértékűséget. Az MI-alapú értékelési rendszerek ezzel szemben konzisztens, skálázható és gyors visszajelzést képesek nyújtani. A kutatások megerősítik, hogy az automatizált esszéértékelő rendszerek az emberi értékelők ítéleteivel szoros korrelációt mutatnak – egyes mérések szerint a korrelációs együttható 0,829 körül van jól strukturált feladatoknál, a négyzetes súlyozott kappa értéke 0,68 körül mozog. Egy 51 vizsgálatot összefoglaló metaanalízis kimutatta, hogy a ChatGPT-hez hasonló rendszerek szignifikánsan pozitív hatással vannak a tanulási teljesítményre (hatásméret: g = 0,867), mérsékelt pozitív hatással a tanulással kapcsolatos észlelésre (g = 0,456) és a magasabb rendű gondolkodás fejlődésére (g = 0,457).

Az MI három fő technológiai alrendszeren keresztül érvényesül az értékelésben. A gépi tanulás (ML) algoritmusai a korábbi értékelési adatokból tanulnak, és idő múlásával pontosabbá válnak; a természetes nyelvfeldolgozás (NLP) a szövegek grammatikai, szintaktikai és szemantikai elemzésére alkalmas, lehetővé téve az esszék koherenciájának és érvelési struktúrájának automatikus értékelését; a számítógépes látás (CV) pedig kézzel írott és nyomtatott dokumentumok digitalizálására és értékelésére képes. A három technológia szinergikusan is alkalmazható: egy kézzel írt laboratóriumi jelentés értékelése esetén a CV digitalizálja a szöveget, az NLP elemzi a tartalmát, az ML pedig a rubrika-alapú pontozást végzi.

Fontos különbséget tenni az alacsony kockázatú támogatás és az érdemi értékelési befolyás között. Más megítélés alá esik, ha egy rendszer csupán nyelvi visszajelzést ad vagy a rubrika szerinti előszűrésben segít, és megint más, ha az osztályzatot, a tantárgyi előrehaladást vagy a tiltott vizsgamagatartás megállapítását közvetlenül alakítja. Az értékelési típusok tekintetében megkülönböztetünk automatizált feleletválasztós értékelést – amely azonnali visszajelzést biztosít –, automatizált esszéértékelést (AEG) – amely szöveges válaszok szisztematikus elemzésére képes –, valamint a kreatív és szubjektív feladatok értékelését, ahol az MI még kezdeti stádiumban jár, de multimodális gépi tanulásra épülő kísérletező rendszerek már megjelentek.

Az MI integrációjának kihívásai a felsőoktatásban

Az MI-alapú értékelési rendszerek implementálása számos komoly kihívást vet fel, amelyek közül a legfontosabbak az algoritmikus elfogultság, az adatvédelem, az átláthatóság hiánya és az emberi felügyelet szükségessége. Az algoritmikus elfogultság problémája különösen aggasztó: ha egy automatizált értékelő rendszer nem kellően reprezentatív, sokszínű adatbázison tanul, hajlamos lesz reprodukálni a meglévő társadalmi egyenlőtlenségeket. Kutatások igazolják, hogy egyes automatizált rendszerek alacsonyabb pontszámot adnak meghatározott hátterű hallgatók munkáira. Egy esszé magas nyelvi minőségét könnyebben felismerik, mint az eredeti, de szokatlan gondolatvezetést; a nem standard nyelvi mintázatokat vagy hozzáférési hátrányokat akár rendszerszinten is büntethetik. Ilyen esetekben az MI nem semleges eszköz, hanem a mérési folyamatot érdemben alakító szereplő.

Az átláthatóság problémája szorosan összefügg az úgynevezett „fekete doboz” jelenséggel: a komplex gépi tanulási modellek sokszor nem képesek érthető magyarázatot adni arra, miért adtak egy adott pontszámot. Ez bizalmatlanságot kelthet mind a hallgatókban, mind az oktatókban, és megnehezíti az értékelési döntések felülvizsgálatát. A rendszereket emberi felügyelet nélkül működtetni nem etikus: az MI javaslatait embernek kell validálnia és szükség esetén felülbírálnia. Az integrációs kihívások között meg kell említeni a tanulásirányítási rendszerekkel (LMS) való együttműködés technikai nehézségeit is. Az MI-eszközök és az LMS-platformok közötti szabványosított protokollok hiánya megnehezíti a zökkenőmentes bevezetést. Mindezt súlyosbítja a globális egyenlőtlenség: a nyugati paradigmákra épülő MI-rendszerek nem feltétlenül adaptálhatók más kultúrák oktatási hagyományaira.

Az európai uniós jogi keret: az AI Act és a GDPR együttes érvényesülése

Az Európai Unióban két alapvető szabályozási pillér együtt határozza meg a kereteket: egyrészt a GDPR, amely a személyes adatok kezelésének általános rendjét rögzíti, másrészt az EU AI Act, amely kifejezetten a mesterséges intelligencia rendszereire ír elő kötelezettségeket. A két rezsim nem váltja ki egymást, hanem egymásra épül. Az, hogy egy MI-rendszer az AI Act szerint megfelelően dokumentált, még nem jelenti automatikusan azt, hogy a használata adatvédelmi szempontból is jogszerű – és fordítva: a GDPR-nak megfelelő adatkezelés sem mentesít az AI Act szerinti kockázati és átláthatósági követelmények alól.

Az AI Act kockázatalapú logikára épül: minél nagyobb egy rendszer hatása a természetes személyek jogaira és életpályájára, annál szigorúbb szabályok vonatkoznak rá. Az oktatás és képzés világában bizonyos MI-használatok jogilag is magas kockázatúnak minősülhetnek – különösen azok, amelyek a felvételi vagy hozzáférési döntéseket, a tanulási eredmények értékelését vagy a tiltott vizsgamagatartás felismerését befolyásolják. Ezek a felhasználások közvetlenül hathatnak a hallgató tanulmányi pályájára, esélyeire, foglalkoztathatóságára és alapjogaira. Az AI Act emellett bizonyos gyakorlatokat eleve tilt: az oktatási intézményekben tilos a természetes személyek érzelemfelismerése, vagyis azok a megoldások, amelyek arckifejezésből, hangból vagy viselkedési mintázatból következtetnek a hallgató érzelmi állapotára, és ezt oktatási célból hasznosítják. Ez komoly figyelmeztetés mindazokkal a technológiai ígéretekkel szemben, amelyek a figyelem vagy motiváció gépi olvasatát kívánják az értékelés részévé tenni.

Az AI Act további sajátossága, hogy nemcsak a fejlesztőkre vonatkozik. A felsőoktatási intézmény a konkrét helyzettől függően lehet üzemeltető, sőt bizonyos esetekben – ha saját név alatt vezet be, lényegesen átalakít egy rendszert, vagy általános célú modellt állít át magas kockázatú felhasználásra – kvázi szolgáltatóvá is válhat, és felelősségi köre jelentősen kitágul. Az intézményi döntéshozóknak ezért nem elég tudniuk, hogy milyen eszközt vásárolnak; azt is fel kell mérniük, hogy a bevezetés és a konfiguráció révén milyen jogi szerepbe kerülnek.

A GDPR szemszögéből az egyetemi értékelésben alkalmazott MI azért különösen érzékeny, mert az értékelés tipikusan olyan adatkezelési műveleteket foglal magában, amelyek közvetlen hatást gyakorolnak az érintett személy tanulmányi helyzetére. A dolgozatok feltöltése, a platformokon végzett műveletek naplózása, a vizsgafelügyeleti képfelvételek elemzése vagy az MI által készített teljesítményprofilok előállítása is személyes adatok kezelését jelenti. Ilyenkor világos jogalapra van szükség, a feldolgozás célját pontosan meg kell határozni, és a rendszer nem gyűjthet az értékelési célhoz képest szükségtelen vagy aránytalan adatokat.

Az automatizált döntéshozatal tilalma és korlátozása az egyetemi értékelésben különösen fontos. Ha a hallgatóra nézve jelentős következménnyel járó döntés – osztályzat, vizsgakizárás, fegyelmi következtetés – kizárólag automatizált módon születik, az komoly GDPR-kockázatot vet fel. A biztonságos és jogszerű intézményi gyakorlat ezért az, hogy az MI legfeljebb döntéstámogató szerepet töltsön be, a végső értékelési döntést pedig mindig ember hozza meg, indokolható módon. A beépített adatvédelem elve megköveteli, hogy a rendszert már a beszerzés és tervezés szakaszától úgy alakítsák ki, hogy a lehető legkevesebb adatot kezelje, és az oktatói felülvizsgálat valós, ne csak látszólagos legyen. A hallgatónak tudnia kell, hogy milyen rendszer vesz részt az értékelési folyamatban, milyen adatokat használ, és milyen felülvizsgálati lehetőség áll rendelkezésre.

Az akadémiai integritás veszélyeztetése a generatív MI korában

A generatív MI – elsősorban a nagy nyelvi modellek (LLM-ek), mint a ChatGPT – tömeges elterjedése az egyik legsúlyosabb kihívást jelenti az akadémiai integritás számára. Ezek az eszközök szakmailag elfogadható minőségű szövegeket képesek előállítani, amelyeket a hagyományos plagizálásdetekciós szoftverek – köztük a széles körben alkalmazott Turnitin – nem tudnak megbízhatóan azonosítani. A vizsgálatok azt is igazolták, hogy a ChatGPT az MI-generált tartalmat pontosabban azonosítja, mint a Turnitin. Az ilyen detektorok megbízhatósága önmagában nem elegendő alap magas kockázatú értékelési következtetések levonásához.

Az akadémiai integritás fogalma magában foglalja az őszinteséget, a bizalmat, az intellektuális tulajdon tiszteletét és az etikai standardokat. A generatív MI alkalmazása ezeket az értékeket alapjaiban veszélyezteti: ha a hallgató egy MI által létrehozott szöveget nyújtja be saját munkájaként, az nemcsak a plagizálás tilalmát sérti, hanem az intézmény által kiállított képesítés hitelességét is megkérdőjelezi. A valódi kihívás az, hogy az intézmény miként definiálja újra az önálló teljesítményt, a segédeszköz-használat határát és a szerzőiség fogalmát. A hallgató munkája ma gyakran együttműködés eredménye: saját gondolkodás, külső források, digitális szerkesztőeszközök és esetenként MI-támogatás találkozik benne. Az integritás szabályozása akkor hiteles, ha ezt a valóságot nem tagadja, hanem világos határokkal keretezi.

A kutatások rámutatnak, hogy a generatív MI-eszközöket különösen azok a hallgatók hajlamosak félrehasználni, akik nem anyanyelvűként küzdenek az idegen nyelvű írásbeli feladatokkal, vagy akik teljesítménykényszer alatt állnak. Velük szemben a növekedésorientált gondolkodásmóddal rendelkező hallgatók inkább tanulástámogató eszközként tekintenek az MI-re. A detekciós eszközök elégtelensége mindenki által elismert probléma: egyes kutatók kétlépéses folyamatot javasolnak – először a tartalom eredetének ellenőrzése, majd a hasonlóságvizsgálat –, de az úgynevezett fegyverkezési verseny a tartalom-generálás és a detekciós technológia között folyamatosan zajlik.

Intézményi válaszstratégiák, az AI literacy és az értékelés újratervezése

Az európai szabályozás nem csupán tilt és kötelez, hanem egy szélesebb szakpolitikai irányt is kijelöl. Ennek központi eleme az AI literacy, vagyis az a kompetenciakészlet, amelynek révén az oktatók, hallgatók és intézményi szereplők képesek felismerni az MI lehetőségeit, kockázatait és jogi következményeit. Az AI Act nyomán egyre világosabb, hogy a megfelelés nem pusztán informatikai vagy adatvédelmi feladat, hanem képzési feladat is. Az AI literacy fejlesztése egyrészt az Európai Bizottság oktatási iránymutatásaiban is kötelezettségként jelenik meg, másrészt az intézményi felelős MI-alkalmazás alapfeltétele.

Az intézményi felelősség három szinten értelmezhető. Jogi szinten: csak olyan rendszert szabad bevezetni, amelynek kockázati minősítése, adatkezelési háttere és felügyeleti modellje tisztázott. Szervezeti szinten: jóváhagyott eszközlista, felelősségi lánc, incidenskezelés és dokumentáció szükséges. Pedagógiai szinten: az intézménynek döntenie kell arról, mit vár el saját teljesítményként, mit enged meg támogató használatként, és mit tekint tiltott közreműködésnek. A szabályozási keretek kialakítása terén pontosan definiálni kell, mi minősül akadémiai vétségnek: a plagizálás, a szellemírás (ghostwriting), az MI-alapú fogalmazás és a kötelezően megjelölendő MI-segítség határait rögzíteni kell a tantárgyi követelményekben. Egy becsületkódex kidolgozása – amelyet mind a hallgatók, mind az oktatók írásban elfogadnak – az integritáskultúra ápolásának alapeszköze.

Az értékelést érdemes úgy újratervezni, hogy a hallgatói gondolkodás folyamata is ellenőrizhető legyen. A szóbeli elemek, a reflektív kommentárok, a draftok és verziók láthatósága, a projektmunkák, a portfóliók és a személyes védés mind olyan eszközök, amelyek megnehezítik a pusztán generált teljesítmény elfogadását – nem azért, mert kizárják az MI-t, hanem azért, mert láthatóvá teszik, miként jutott el a hallgató a végső eredményig. A jövőképes modell a szabályozott, dokumentált és differenciált használat: másképp kell kezelni az ötletelést, a nyelvi stilizálást, a kódhibák keresését és a teljes tartalomgenerálást. Az értékelési módszertan magasabb rendű gondolkodást – elemzést, szintézist, értékelést – igénylő feladatok felé való elmozdulása egyszerre védi az integritást és fejleszti a valódi kompetenciákat.

Az MI és az oktatói szerep átalakulása: a hibrid modell

Az MI-alapú értékelés terjedése mélyreható következményekkel jár az oktatói szerepre nézve. Az automatizált rendszerek átvállalják a rutinértékelési feladatok jelentős részét, felszabadítva az oktatókat az adminisztratív terhek alól, és lehetővé téve, hogy több időt fordítsanak a személyes konzultációra és a komplex problémamegoldáshoz szükséges készségek fejlesztésére. Az oktatóknak azonban érteniük kell az MI-rendszerek működési elvéhez, képesnek kell lenniük a gépi értékelési kimenet kritikus értékelésére, és tudniuk kell, mikor kell felülbírálni az algoritmus javaslatát. Az MI-generált adatok az oktatói döntéshozatalt informálhatják – például a hátrányos helyzetű hallgatók korai azonosításában, az egyéni tanulási hiányosságok feltárásában –, de nem helyettesíthetik az emberi pedagógiai ítéletet.

A hibrid értékelési modell – amelyben az MI és az emberi szakértő egymást kiegészítve működik – az a megközelítés, amely a legtöbb kutatás szerint optimális eredményeket ígér. Az MI biztosítja a konzisztenciát, a sebességet és a skálázhatóságot; az emberi oktató az árnyalt megértést, a kontextuális tudást és az etikai felelősséget. Az MI azonosíthatja a szöveg formai hiányosságait, az emberi értékelő pedig a mögöttes tartalmi és gondolkodási minőséget méri fel. A prediktív analitika lehetővé teszi a kockázatban lévő hallgatók korai azonosítását, az adaptív tanulási technológiák egyre inkább képesek a visszajelzést az egyes hallgató fejlődési trajektóriájához igazítani. Az AGI lehetséges szerepe a személyre szabott oktatásban egyelőre spekulatív és hosszú távú kérdés, de a kutatói figyelem már ráirányult erre a perspektívára.

Összegzés

A mesterséges intelligencia az egyetemi értékelésben egyszerre jelent korszakos lehetőséget és komoly felelősséget. Az MI-alapú rendszerek képesek lényegesen javítani az értékelési folyamat hatékonyságát, konzisztenciáját és személyre szabottságát, miközben az oktatókat felszabadítják a rutinfeladatok terhe alól. Ugyanakkor a generatív MI-eszközök tömeges elterjedése az akadémiai integritás legalapvetőbb kérdéseit veti fel, amelyekre sem a technológia, sem az intézményi szabályozás önmagában nem ad kielégítő választ. A felsőoktatás számára ezért nem az a helyes kérdés, hogyan lehetne a korábbi értékelési modellt érintetlenül megőrizni, hanem az, hogyan lehet az értékelést úgy átalakítani, hogy egyszerre maradjon pedagógiailag érvényes, jogilag megfelelő, etikailag védhető és intézményileg működőképes.

A felelős integráció három pillérre épül. Az etikai és jogi keretek – az AI Act kockázati logikája és a GDPR adatvédelmi kötelezettségei – nem külső adminisztratív tehertételt jelentenek, hanem olyan normatív alapot, amely egyértelművé teszi: az értékelésben használt MI nem lehet kontrollálatlan, átláthatatlan és kizárólag gépi döntésekre épülő technológia. Az emberi felügyelet fenntartása azt jelenti, hogy az MI partnerként, nem helyettesítőként működik: a végső értékelési döntés jogát és felelősségét az oktatónak meg kell őriznie. A folyamatos validálás és az AI literacy intézményi kultúrájának fejlesztése teszi lehetővé, hogy a technológia ne rombolja, hanem erősítse a felsőoktatás egyik alapértékét: a hitelesen bizonyított tudást. Az MI bevezetése az oktatásba pedagógiai céllal vezérelt döntés kell legyen – ha mindez tudatos, befogadó és etikus megközelítéssel történik, valóban hozzájárulhat egy igazságosabb, gyorsabban reagáló és adatalapú oktatási rendszer megteremtéséhez.