Automatizirano vrednovanje u visokom obrazovanju

1. Uvod

U središtu su pitanja:

• Može li tehnologija zamijeniti ili poboljšati nastavničko vrednovanje?
• U kojim slučajevima i kako može tehnologija pomoći da vrednovanje bude učinkovitije ili pouzdanije?

2. Automatizirano vrednovanje u visokom obrazovanju

U ovom obrazovnom materijalu predstavljaju se suvremene tehnologije i metode automatiziranog vrednovanja u visokom obrazovanju. Naglasak je na analizi sustava poput:

• automatskih kvizova
• softvera za provjeru eseja
• alata za analizu portfelja
• primjene umjetne inteligencije u vrednovanju.

Prikazane su i dvije studije slučaja koje uključuju automatizirano vrednovanje. U ovom se sadržaju upoznajete s prednostima i izazovima automatizacije vrednovanja, a zatim promislite o mogućnostima primjene u vlastitoj praksi.

3. Primjeri tehnologija i pristupa

• Automatski testovi – najčešće se koriste pitanja višestrukog izbora, točno/netočno, sparivanja i numerički odgovori. Ovakav tip zadataka omogućuje trenutačnu povratnu informaciju i široku primjenu u formativnom i sumativnom vrednovanju, posebno u velikim grupama (Divjak i sur., 2022; Clark, 2012).
• Alati za analizu eseja – softveri poput GrammarlyGO i alati temeljeni na velikim jezičnim modelima (LLM), poput ChatGPT-a, sve češće se koriste za automatsku analizu gramatike, koherencije, argumentacije i stila. Ti alati podržavaju samoprocjenu i pružaju prilagođenu povratnu informaciju studentima (Kumar i sur., 2024).
• Automatsko vrednovanje portfelja – suvremeni sustavi integrirani u LMS okruženja koriste rubrike i kontrolne popise (checkliste) za strukturiranu procjenu studentskih uradaka. Tako se automatizira dodjela bodova prema unaprijed definiranim kriterijima (npr. postojanje dokaza o refleksiji, kvaliteta argumentacije, jasnoća prezentacije) (Khasawneh i sur., 2025). Na primjer, u sustavu Mahara ili u Moodle aktivnosti Zadatak student prilaže više artefakata (esej, infografiku, videozapis), a nastavnik odabire rubriku koja automatski dodjeljuje bodove ovisno o razini postignuća. Sustav zatim generira sažetak ocjena i grafički prikaz napretka za svakog studenta.
• UI i LLM sustavi – nova generacija alata koja se temelji na umjetnoj inteligenciji, uključujući LLM-ove poput ChatGPT-a, omogućuje pružanje personalizirane povratne informacije, poticanje samorefleksije i razvoj metakognicije. U nedavnom istraživanju LLM-ovi su se pokazali učinkovitima ocjenjivanju radova studenata (Floden, 2024), ali i kao pomoć u rješavanju problemskih i projektno orijentiranih zadataka (Divjak i sur. 2025).

4. Prednosti automatiziranog vrednovanja

5. Ograničenja i izazovi

6. Studije slučaja

U nastavku su prikazane dvije studije slučaja koje uključuju automatizirano vrednovanje, a pripremljene su na temelju znanstvenih radova.

7. Može li ChatGPT ocjenjivati studentske ispite?

Kontekst

U sve većem opterećenju visokoškolskih nastavnika administrativnim i evaluacijskim zadacima raste interes za automatizaciju vrednovanja. U toj situaciji švedski istraživač Jonas Flodén (2025) postavlja praktično pitanje: može li umjetna inteligencija – konkretno ChatGPT – pouzdano ocjenjivati studentske ispite u visokom obrazovanju?

Na jednom kolegiju u Švedskoj Flodén je analizirao 463 odgovora studenata na otvorena ispitna pitanja, koji su zatim ocijenili ljudski ocjenjivači i ChatGPT-om (verzija 3.5). Svaki odgovor ocijenjen je više puta, a ukupno je prikupljeno 1389 ocjena. Cilj je bio usporediti točnost, konzistentnost i tendencije ocjenjivanja između ljudi i umjetne inteligencije.

Ključni nalazi

• ChatGPT je u 70 % slučajeva dao ocjenu unutar ±10 % od očekivane ljudske ocjene, a u 31 % slučajeva bio je unutar ±5 %.
• UI je izbjegavao krajnje ocjene (vrlo visoke ili vrlo niske) i blago favorizirao ocjene malo više od prosjeka.
• UI je bolje ocjenjivao općenita pitanja, dok je imao više poteškoća s pitanjima povezanima s detaljima s predavanja.
• Nastavnici su se iznenadili podudarnošću ocjena, no istaknuli su zabrinutost oko netransparentnosti kriterija kojima se UI koristi.

Pitanja za promišljanje:

• U kojim slučajevima bi korištenje UI-a za ocjenjivanje bilo prihvatljivo na vašem kolegiju?
• Možete li zamisliti upotrebu UI-a za prvu procjenu studentskih eseja, uz kasniju ljudsku provjeru?
• Kako biste studentima objasnili kriterije ako ocjenu djelomično daje UI?

8. E‑vrednovanje u matematici – kakvi su stavovi studenata?

Kontekst

S obzirom na rastuće korištenje digitalnih alata u nastavi, pitanje transparentnog i pouzdanog ocjenjivanja postaje ključno. U radu „E‑assessment in mathematics in higher education: a student perspective" istraživači Divjak, Žugec i Pažur Aničić (2022) istražuju stavove studenata o automatiziranom sustavu e-vrednovanja na kolegijima iz matematike.

Istraživanje je provedeno s 631 studentom tijekom tri različite faze semestra. Korištene su ankete i online evaluacije unutar kolegija matematike u visokom obrazovanju. Naglasak je bio na četiri ključna aspekta:

• transparentnost i pravednost u vrednovanju
• transparentnost u dvofaznom vrednovanju – formativno + sumativno uz povratne informacije
• smislenost tehnologije, tj. koliko je alat pedagoški vrijedan
• prilagođenost kompleksnosti ishoda učenja.
  

Studenti su općenito podržali e-vrednovanje, pod uvjetom da su kriteriji jasni, komunikacija strukturirana i tehnologija smišljeno integrirana.

Ključni nalazi

• Percepcija pravednosti i transparentnosti: Studenti su procijenili e-vrednovanje pravednim i pouzdanim, posebno kad su razumjeli kriterije i vidjeli strukturu sustava.
• Formativna potpora: Sustavi su omogućili kontinuiranu povratnu informaciju, smanjujući stres povezan s ispitnim rokovima.
• Pedagoška svrhovitost: Alati su poboljšali razumijevanje gradiva, ali samo kad su rezultati imali obrazovni smisao, ne kad su bili 

  „samo još jedna ocjena".

• Suočavanje sa složenim ishodima: Sustavi su dobro obradili rutinske zadatke, no studenti su navodili nedovoljno podrške kod višestrukih koraka i kompleksnih rješenja.

Pitanja za razmišljanje:

Kako biste osigurali da digitalni alati budu transparentni i razumljivi studentima?

Kako možete koristiti formativnu povratnu informaciju unutar automatskih sustava?

Kako pratiti i vrednovati složenije zadatke u matematici ili sličnim disciplinama?

9. Aktivnost za sudionike

Tijekom čitanja ove knjige i pratećih materijala:

• izradite kratke bilješke s ključnim prednostima i izazovima automatiziranog vrednovanja
• pripremite jedno kritičko pitanje ili komentar za raspravu (npr. „Može li automatski sustav točno procijeniti kreativni doprinos u pisanju eseja?")

10. Zaključak i preporuke za nastavnike

Automatizirano vrednovanje može znatno olakšati organizaciju nastave i pružiti korisne uvide.

Ipak, važno je da:

• tehnologija bude pedagoški opravdana i svrhovita
• vrednovanje bude usklađeno s ishodima učenja
• studenti trebaju razumjeti kriterije i postupke vrednovanja
• alati temeljeni na LLM-ovima mogu budu dodatak, a ne zamjena nastavničkoj procjeni.

Uključivanjem automatiziranih metoda u nastavu povećava se učinkovitost i angažman, ali istodobno treba ostati kritičan i etički odgovoran u primjeni automatiziranog vrednovanja.

11. Pitanja za samoprocjenu i promišljanje

Pitanja za samoprocjenu

1. Objasnite što se podrazumijeva pod pojmom automatizirano vrednovanje.

2. Navedite primjer tehnologije ili alata koji se koristi za automatizirano vrednovanje i opišite njegovu osnovnu funkciju.

3. Opišite glavne prednosti automatiziranog vrednovanja za nastavnike i studente.

4. Nabrojite najčešće izazove i ograničenja automatiziranog vrednovanja u visokom obrazovanju.

5. Objasnite kako se automatizirano vrednovanje može koristiti u formativne svrhe, a ne samo za sumativno ocjenjivanje.

Pitanja za promišljanje

1. Razmislite u kojim bi situacijama automatizirano vrednovanje bilo korisno u vašem kolegiju, a kada bi ljudska procjena i dalje trebala imati ključnu ulogu.

2. Opišite kako biste studentima objasnili kriterije i način rada automatiziranog sustava vrednovanja kako bi se osigurala transparentnost i povjerenje.

3. Predložite primjer kako biste mogli kombinirati automatizirano i nastavničko vrednovanje u jednoj aktivnosti (npr. test + esej s rubrikom).

4. Razmislite kako biste mogli koristiti analitiku učenja i vizualizacije (npr. izvješća o napretku u Moodleu) za praćenje i podršku studentima.

5. Procijenite koje etičke i pedagoške mjere biste poduzeli ako koristite UI alat (npr. ChatGPT) u procesu vrednovanja studentskih radova.

12. Literatura za daljnje istraživanje

 Clark, I. (2012). Formative assessment: Assessment is for self-regulated learning. Educational Psychology Review, 24(2), 205–249. 

Divjak, B., Žugec, B., Pažur Aničić, K. (2022). E-assessment in mathematics in higher education: A student perspective. International Journal of Mathematical Education in Science and Technology. 

Divjak, B., Svetec, B., Horvat, D. (2025). Generative AI in Mathematics Education: Analysing Student Performance and Perceptions over Three Academic Years. International Journal of Technology Enhanced Learning. U procesu objave

Ifenthaler, D. (2023). Investigating self-assessment use in higher education with learning analytics. Journal of Computer Assisted Learning, 39(1), 222–233. 

Flodén, J. (2025). Grading exams using large language models: A comparison between human and AI grading of exams in higher education using ChatGPT. British Educational Research Journal. 

Khasawneh, M. A. S., Aladini, R., Assi, N., Rawashdeh, H. (2025). The effect of using artificial intelligence-based feedback in electronic portfolios on EFL students’ academic emotion regulation and mindfulness. Language Testing in Asia, 15(1), 10. 

Kumar, H., Xiao, R., Lawson, B., Musabirov, I., Shi, J., Wang, X., Luo, H., Williams, J., Rafferty, A., Stamper, J., Liut, M. (2024). Supporting self-reflection at scale with large language models: Insights from randomized field experiments in classrooms. 

Panadero, E., Jonsson, A. (2013). The use of scoring rubrics for formative assessment purposes revisited: A review. Educational Research Review, 9, 129–144. 

Ramesh, D., Sanampudi, S. K. (2021). An automated essay scoring systems: A systematic literature review. Artificial Intelligence Review, 55, 2495–2527.