Det er tidkrevende å utarbeide gode vurderingsrubrikker, og ofte blir beskrivelsene for de lavere karakterene preget av fokus på mangler fremfor mestring.
Du kan bruke KI til å generere en matrise for måloppnåelse basert på en spesifikk oppgavebeskrivelse du har laget. Lim oppgaveteksten inn i språkmodellen sammen med en instruks der du ber den innta en faglig rolle (f.eks. en professor) som er interessert i hva elevene faktisk får til. Spesifiser at språket skal være positivt formulert, også for de laveste karakterene (f.eks. ved å bruke "kommer ikke så godt frem" i stedet for "mangler"). Be om å få kriteriene presentert i en tabell som starter med høyeste karakter (6) og går nedover, slik at elevene presenteres for målet først. Den ferdige tabellen limes deretter inn i læringsplattformens vurderingsverktøy.
Under kan du høre Yngve sin erfaring med dette.
It is time-consuming to develop good assessment rubrics, and the descriptions for the lower grades often end up focused on what's missing rather than on what students have mastered.
You can use AI to generate a mastery matrix based on a specific task description you've written. Paste the task text into the language model together with an instruction asking it to take on a subject-matter role (e.g. a professor) who is interested in what the students actually manage to do. Specify that the language should be positively phrased, even for the lowest grades (e.g. using "isn't yet fully evident" instead of "is missing"). Ask for the criteria to be presented in a table starting with the highest grade (6) and working downward, so students are shown the goal first. The finished table is then pasted into the learning platform's assessment tool.
Below you can hear Yngve's experience with this.