Η χρήση της τεχνητής νοημοσύνης στη βαθμολόγηση μαθητικών εργασιών απασχολεί όλο και περισσότερο την εκπαιδευτική κοινότητα, καθώς τα νέα εργαλεία υπόσχονται ταχύτερη και πιο συνεπή αξιολόγηση. Νέα επιστημονική μελέτη του Πανεπιστημίου Πατρών που δημοσιεύθηκε στο διεθνές επιστημονικό περιοδικό Education Sciences.εξέτασε κατά πόσο οι βαθμολογίες που δίνουν διαφορετικά συστήματα τεχνητής νοημοσύνης συμφωνούν με εκείνες των εκπαιδευτικών.
Για τις ανάγκες της μελέτης αξιολογήθηκαν 139 γραπτά μαθητών της Ε΄ και ΣΤ΄ Δημοτικού στα μαθηματικά. Τα ίδια γραπτά βαθμολογήθηκαν ανεξάρτητα από 12 εκπαιδευτικούς από 7 δημόσια δημοτικά σχολεία και από τρία διαφορετικά συστήματα τεχνητής νοημοσύνης: το GPT-5, το Gemini και το DeepSeek. Όλοι χρησιμοποίησαν τα ίδια ακριβώς κριτήρια αξιολόγησης, ώστε η σύγκριση να είναι όσο το δυνατόν πιο αντικειμενική. Παράλληλα, 95 εκπαιδευτικοί συμμετείχαν σε έρευνα καταγράφοντας τις απόψεις τους για τη χρήση της τεχνητής νοημοσύνης στη βαθμολόγηση.
Τα αποτελέσματα έδειξαν ότι τα τρία συστήματα δεν συμπεριφέρθηκαν με τον ίδιο τρόπο. Το Gemini έδωσε, κατά μέσο όρο, σχεδόν τις ίδιες βαθμολογίες με τους εκπαιδευτικούς. Αντίθετα, το GPT-5 και το DeepSeek παρουσίασαν στατιστικά σημαντικές διαφορές, με το GPT-5 να εμφανίζει τη μεγαλύτερη απόκλιση από τις ανθρώπινες βαθμολογίες.
Οι ερευνητές διαπίστωσαν επίσης ότι τα συστήματα τεχνητής νοημοσύνης έχουν υψηλή εσωτερική συνέπεια στη βαθμολόγηση (δηλαδή αν βάλεις το ίδιο γραπτό ξανά, θα δώσει το ίδιο αποτέλεσμα), από τους ανθρώπους. Αυτό σημαίνει ότι εφάρμοζαν τα ίδια κριτήρια με μεγαλύτερη συνέπεια, χωρίς να επηρεάζονται από παράγοντες όπως η κόπωση ή η υποκειμενική κρίση. Ένα από τα πιο ενδιαφέροντα ευρήματα αφορούσε το GPT-5. Η μελέτη έδειξε ότι όσο καλύτερη ήταν η επίδοση ενός μαθητή, τόσο μεγαλύτερη γινόταν η διαφορά ανάμεσα στη βαθμολογία του GPT-5 και εκείνη των εκπαιδευτικών. Αντίθετα, το Gemini και το DeepSeek διατηρούσαν πιο σταθερή συμφωνία με τις ανθρώπινες αξιολογήσεις σε όλο το εύρος των βαθμολογιών. Οι συγγραφείς διευκρινίζουν ότι το συγκεκριμένο εύρημα δεν σημαίνει πως το GPT-5 έκανε λανθασμένη βαθμολόγηση. Η μελέτη κατέγραψε τις διαφορές μεταξύ ανθρώπων και τεχνητής νοημοσύνης, χωρίς να εξετάζει ποια αξιολόγηση ήταν η σωστή.
Η έρευνα κατέγραψε και τις απόψεις των εκπαιδευτικών. Οι περισσότεροι θεωρούν ότι η τεχνητή νοημοσύνη μπορεί να βοηθήσει στη μείωση του χρόνου που απαιτείται για τη βαθμολόγηση και αναγνωρίζουν τη συνέπειά της στην εφαρμογή των κριτηρίων αξιολόγησης. Παράλληλα όμως, εκφράζουν επιφυλάξεις για την ικανότητά της να αξιολογεί στοιχεία όπως η δημιουργικότητα, η κριτική σκέψη και η συνολική ποιότητα της μαθητικής απάντησης.
Σύμφωνα με τα αποτελέσματα, οι περισσότεροι εκπαιδευτικοί προτιμούν η τεχνητή νοημοσύνη να χρησιμοποιείται ως εργαλείο υποστήριξης και η τελική βαθμολογία να παραμένει στην ευθύνη του εκπαιδευτικού. Οι ερευνητές σημειώνουν ότι τα ευρήματα αφορούν τη συγκεκριμένη έρευνα, η οποία πραγματοποιήθηκε σε γραπτά μαθηματικών μαθητών της πρωτοβάθμιας εκπαίδευσης και με τις εκδόσεις των συστημάτων τεχνητής νοημοσύνης που ήταν διαθέσιμες κατά τη διάρκεια της μελέτης.
Σύνδεσμος για την επιστημονική δημοσίευση https://www.mdpi.com/2227-7102/16/7/1147
Papageorgiou, Konstantinos, and Christos Pierrakeas. 2026. “Do AI Grading Systems Systematically Differ from Human Teachers’ Grading? Evidence of Bias and Consistency in Educational Assessment” Education Sciences 16, no. 7: 1147. https://doi.org/10.3390/educsci16071147.
