Вплив ШІ на освіту та ШІ-резистентне оцінювання

Звіт про систематичний відбір (PRISMA 2020 Flow)

Прозорий звіт про всі етапи воронки відбору статей: виявлення академічними реєстрами, скринінг префільтром LLM, повнотекстова оцінка придатності та включення до синтезу з експертною валідацією.

✓ Математичний баланс воронки PRISMA збережено (100% замикання стадій)

Повна відсутність витоку даних: n_вхід = n_вихід + ∑n_вилучено + n_очікує на кожному етапі виявлення, скринінгу, придатності та синтезу.

ID: 25 → Screen: 25 → Eligible: 25 → Included: 5

Експертна валідація та верифікація (Петля смаку / Expert Taste Loop)

Окремо від воронки формальних правил відбору PRISMA: редакційні вердикти автора дайджесту для калібрування якості та активного навчання префільтру.

👍 0

Схвалено у випусках

(0 всього у корпусі)

👎 0

Відхилено з фіксацією причини

(0 до / 0 після аналізу)

📋 Структуроване резюме огляду (PRISMA 2020: пункт 2 — Structured Summary)

Фон (Background): Живий систематичний огляд застосування великих мовних моделей (LLM) та автономних агентів у вищій освіті. Досліджуються інженерні контрзаходи академічної недоброчесності та переосмислення дизайну оцінювання.

Цілі (Objectives): Систематичне виявлення, скринінг та синтез емпіричних доказів щодо надійності, методологічної строгості та викликів усталеному консенсусу в інтеграції GenAI в університетські курси.

Критерії придатності (Eligibility): Статті з наявним повнотекстовим Open Access (PDF/HTML); тематична релевантність R ≥ 4.0; зважений підсумковий бал Score ≥ 5.0.

Джерела інформації (Information Sources): Мультиреєстровий моніторинг: arXiv, Crossref, OpenAlex, Semantic Scholar, ERIC, а також ланцюжки цитувань (forward/backward citation depth 1–2).

Оцінка ризику упередженості (Risk of Bias): Комплексна метрика методологічної строгості (M, 0–10). Валідація відбору на базі подвійної оцінки: Gwet's AC1, стратифікована повнота та ROC AUC.

Синтез та включення (Synthesis): Включено n = 5 верифікованих робіт до постійного огляду із синтезом висновків, обмежень та емпіричних доказів.

🎯 Специфікація пошуку за схемою PICO / PECO (PRISMA 2020: пункти 4–5)

Компонент	Визначення в протоколі	Критерії включення / виключення
P (Population)	Вища освіта: університети, коледжі, студенти бакалаврату/магістратури, викладачі та екзаменатори.	Включено: вища та професійна освіта. Виключено: виключно K-12 початкова школа без переносу методології на HE.
I / E (Intervention / Exposure)	Застосування сучасних LLM (GPT-4, Claude, Gemini, Llama) та агентських систем для генерації, вирішення тестів, підказок або оцінювання.	Включено: емпіричне тестування та інтеграція LLM. Виключено: загальне символьне AI або застарілий ML без зв'язку з GenAI.
C (Comparator)	Традиційні формати оцінювання без ШІ, людська продуктивність або порівняння різних інженерних захистів (guardrails, multi-agent validation).	Включено: наявність бейзлайну, порівняльних когорт або контрзаходів. Виключено: абстрактні оглядові есе без порівняльної бази.
O (Outcomes)	Ефективність завдань, проникність екзаменів ШІ, надійність інженерних контрзаходів, зміна критеріїв оцінювання, когнітивні ефекти.	Включено: емпіричні метрики точності, стійкості, складності або психометрії. Виключено: декларативні твердження без верифікації.
S (Study Design)	Емпіричні дослідження: контрольовані експерименти (RCT), квазі-експерименти, кейс-стаді, психометричний аналіз, бенчмарки.	Включено: наукові статті з емпіричними даними. Виключено: публіцистичні блоги, прес-релізи, посібники користувача.

* Зноска: Математична модель префільтрації, показники та формула оцінювання (рубрика v2.3)

Показники та параметри рубрики

Символ	Критерій оцінювання	Вага / Значення
M	Методологічна строгість (Methodological Rigor)	`w_M = 0.32`
E	Інженерні контрзаходи (Engineering Countermeasures)	`w_E = 0.25`
C	Виклик консенсусу (Consensus Challenge)	`w_C = 0.43`
N	Новизна (Novelty)	`w_N = 0.00`
R	Тематична релевантність (Topic Relevance, 0–10)	`R_min = 4.0, R_full = 7.0`
Gate	Тематичний бар'єр (Binary Scope Gate)	`PASS / FAIL`
Поріг	Поріг допуску до повнотекстового аналізу	`Score ≥ 5.0`

Релевантність R є мультиплікатором, а не доданком: робота з R < R_min негайно обнуляється, а відмінна робота поза темою не може обійти профільне дослідження.

Математичні формули оцінки (MathML Core)

1. Підсумковий бал префільтрації (Score):

Score = {\begin{cases} 0, & якщо Gate \neq PASS або R < 4.0 \\ Q \cdot min (1, \frac{R}{7.0}), & якщо R \geq 4.0 \end{cases}

2. Зважена якість за критеріями рубрики (Q):

Q = \frac{\sum_{i} w_{i} \cdot S_{i}}{\sum_{i} w_{i}} = \frac{w_{M} \cdot M + w_{E} \cdot E + w_{C} \cdot C + w_{N} \cdot N}{w_{M} + w_{E} + w_{C} + w_{N}}

Q = \frac{0.32 \cdot M + 0.25 \cdot E + 0.43 \cdot C + 0.00 \cdot N}{1.00} = 0.32 \cdot M + 0.25 \cdot E + 0.43 \cdot C + 0.00 \cdot N

3. Логічний критерій відсіювання на скринінгу:

Відсіяно \Leftrightarrow (Score < 5.0)

Методологія та звітність (PRISMA 2020: пункти 1–15, 23–27)

Тип огляду, мета, критерії (1, 3–5)

Living systematic review: щоденно поповнюваний огляд за автоматизованим відбором. Це інструмент відбору літератури, а не опублікований огляд з мета-аналізом.

Тема (запит до моделі): Validity of educational assessment under generative AI and how to keep it (AI-resistant / AI-resilient assessment). Core: how generative AI changes what grades and test scores mean (validity arguments in the sense of Kane and Messick), assessment redesign, and quantitative methods that detect or model the distortion in assessment and learning data: item response theory, differential item functioning between humans and LLMs, item parameter drift, rater drift, item compromise and preknowledge, score shifts under unsupervised or online conditions (proctored vs unproctored exams, cheating, grade inflation), change-point and concept-drift detection, LLMs as test takers or raters, computerized adaptive testing and automated test assembly. Computational, statistical and engineering work is preferred, but a solid conceptual or empirical education study of assessment under generative AI belongs here too. Detectors of AI-generated text and watermarking are only adjacent to the topic. The audience is university educators and researchers: work about primary and secondary school (K-12) is off topic unless its findings or methods clearly transfer to higher education.

Включення: наукова стаття з тематичним балом R ≥ 4.0, підсумковий бал ≥ 5.0; доступний легальний повний текст (open access), який прочитано.
Виключення: не-статті (датасети, код, errata), дублікати й препринти опублікованих робіт, відкликані роботи, K-12 без переносу на вищу освіту, роботи без повного тексту (paywall, помилки завантаження), відхилені експертом (👎, причина фіксується).
Ручні додавання (origin = manual) обходять бальний скринінг, але проходять оцінку придатності.

Джерела та дата останнього звернення (6)

Канал	Записів	Останній запис
`search` — arXiv, OpenAlex, Semantic Scholar, ERIC	11690	2026-10-29 14:22
`ref` — список літератури прочитаних робіт	1657	2026-10-29 14:23
`manual` — додано вручну	27	2026-10-07 12:05

Метадані кандидатів із цитувань беруться з OpenAlex; Crossref/Unpaywall — для DOI, версій і відкритих PDF.

Пошукова стратегія (7)

Поточна версія пошуку: v1.0. Робота збігається, якщо в назві чи абстракті є термін з УСІХ груп хоча б одного запиту (АБО всередині групи; без урахування регістру, межі слів).

Запити (групи): education × ai; psychometrics × ai; integrity × education; drift × education; drift × psychometrics

education: education, educational, student, learner, teacher, lecturer, classroom, university, higher education, school, curriculum, assessment, exam, examination, examinee, test taker, test score, grading, homework, coursework, online course, essay, academic integrity, academic misconduct, plagiarism, cheating, e-learning, MOOC

ai: generative AI, GenAI, large language model, LLM, ChatGPT, GPT-4, chatbot, AI-generated, AI-assisted, AI-resistant, AI-resilient, AI tool, artificial intelligence

integrity: proctoring, proctored, unproctored, non-proctored, remote proctoring, online exam, online test, online testing, exam integrity, testing integrity, academic integrity, academic dishonesty, cheating, contract cheating, grade inflation

psychometrics: item response theory, IRT, Rasch, psychometric, educational measurement, educational testing, differential item functioning, computerized adaptive testing, adaptive testing, automated test assembly, knowledge tracing, automated scoring, automated essay scoring, validity argument, construct validity, assessment validity, predictive validity

drift: parameter drift, dynamic item response, item parameter drift, rater drift, severity drift, concept drift, change point, change-point detection, item compromise, preknowledge, item exposure, test security, aberrant response, person-fit, differential item functioning

Фрази Semantic Scholar: assessment validity generative AI; AI-resilient assessment higher education; AI-resistant assessment design; generative AI exam performance natural experiment; differential item functioning large language models humans; LLM as test taker item response theory; proctored versus unproctored online exam scores; generative AI grade inflation; item parameter drift detection; item compromise preknowledge detection; concept drift knowledge tracing; change point detection educational testing

arXiv: cs.CY, cs.CL, cs.HC, cs.AI, cs.LG, stat.AP, stat.ME. Ліміти результатів на запит: OpenAlex 50, Semantic Scholar 25, ERIC 25. Цитування: глибина 1 від прочитаних і 👍, глибина 2 лише від 👍; сусіди 👍-робіт оминають лексичний фільтр.

Версія пошуку	Записів (search)	Перший	Останній
`v1.0`	11690	2026-10-06	2026-10-29

Процес відбору та автоматизація (8, 9, 11)

Скринінг анотацій: один автоматичний «рецензент» — LLM (gemini-3.1-flash-lite, gemini-3.5-flash-lite), пачки по 20, моделі чергуються; кожна оцінка зберігається (prefilter_evaluations) з моделлю й версією рубрики.
Повнотекстовий аналіз і збір даних: gemini-3.8-flash, gemini-3.7-flash, gemini-3.6-flash, prompt v2.1. Тільки після конвертації PDF у Markdown; без тексту модель не викликається.
Перевірка: кожну цитату код звіряє з текстом (точний збіг після нормалізації); непідтверджені твердження відкидаються.
Людина: незалежної другої оцінки немає. Власник виносить вердикти 👍/👎 на вибірці кандидатів (50% біля порога, 30% найвищі, 20% випадкові); вони впливають на чергу й few-shot, але не змінюють бал.
Дані, що збираються (10): суть, метод/дані/вибірка, твердження, обмеження, тип дизайну (assessment_design, psychometric_modeling, natural_experiment, detector_evaluation, survey, rct, quasi_experiment, qualitative, theoretical, review, other), теги, критерії рубрики.
Ризик упередженості (11): не оцінювався формально (RoB, GRADE не застосовуються); критерій M «методологічна строгість» (0–10) — ранжувальна оцінка, а не інструмент RoB. Ефектів і мета-аналізу (12, 13d–f, 15) не обчислюється: синтез — якісний, у вигляді розборів статей і тегів.

Модель скринінгу	Оцінено
`gemini-3.1-flash-lite`	6362
`gemini-3.5-flash-lite`	5824
`—`	461

Модель аналізу	prompt	Розборів
`gemini-3.1-flash-lite`	v2.1	275
`gemini-3.6-flash`	v2.1	104
`gemini-3.8-flash`	v2.1	87
`gemini-3.7-flash`	v2.1	80

Рубрика оцінювання v2.3 (якорі 0–10)

Модель ставить оцінку 0–10 за кожним критерієм; якорі нижче вбудовані в промпт. Формула й ваги — у зносці вище. Зміна якорів чи ваг без нової версії блокується хешем.

Критерій	Вага	2	5	8
Тематична релевантність (R)	× min(1, R/7.0)	No link to education or assessment: image, audio or model watermarking, model IP protection, general NLP benchmarks, AI in industry.	Adjacent: generative AI in education without an assessment focus; academic integrity with no evidence on assessment outcomes; detectors of AI-generated text or of student AI use; general psychometrics (adaptive testing, test assembly, IRT) with no drift, validity or AI angle.	Core: validity of assessment under generative AI (what grades and scores mean when AI is available); how grades shift under unsupervised conditions or cheating (proctored vs unproctored exams, grade inflation); AI-resistant or AI-resilient assessment design; quantitative methods that detect or model distorted assessment or learning data (DIF between humans and LLMs, item parameter or rater drift, item compromise/preknowledge, change-point or concept-drift detection, LLMs as test takers or raters).
Методологічна строгість (M)	0.32	Vague evaluation, convenience sample of a few dozen, self-report only, no control group or baseline.	Clear dataset or sample (hundreds), standard metrics or validated instruments, comparison with baselines or a control group.	Randomized/controlled or preregistered, large or multi-site/multilingual data, adversarial or robustness checks, effect sizes with uncertainty.
Інженерні контрзаходи (E)	0.25	No method or countermeasure: describes impact, attitudes or policy only.	A concrete method or countermeasure with an evaluation: statistical test or model, detector, scoring procedure, or an assessment design tried on real cohorts.	A rigorous, reusable method: formal model with guarantees or error control, open code, validated on both real and simulated data.
Виклик консенсусу (C)	0.43	Reconfirms standard wisdom.	Nuances the consensus (e.g. detectors fail under mild paraphrasing; AI use does not harm an outcome it is assumed to harm).	Directly refutes high-profile claims with rigorous evidence.
Новизна (N)	0.00	Replicates well-known findings (another survey of student attitudes to ChatGPT, another test of one detector on a handful of prompts).	New dataset, benchmark, population or setting, or a previously untried technique.	Fundamentally new attack or defence, a theoretical/impossibility result, or a finding that changes how the field frames the problem.

Оцінки між якорями інтерполюються моделлю. Бал глибокого аналізу рахує код за тією ж формулою з criteria_breakdown.

Версія рубрики	Оцінено робіт
`v2.0`	261
`v2.1`	183
`v2.2`	20
`v2.3` (поточна)	12183

Валідація скринінгу: вимірювання надійності та згоди

Еталон — вердикти 👍/👎 експерта. Обчислюються повні метрики систематичних оглядів PRISMA: повнота, специфічність, NPV, F₁, F₂, ROC AUC, DOR, парадокс-імунна Gwet's AC₁ та згода балів.

Показник	Значення	Що це означає
Повнота на seed-наборі	50% (1/2), 95% CI 9–91%	Частка 👍-робіт, доданих вручну (в обхід скринінгу), чий бал ≥ порога 5.0. Незміщена оцінка чутливості на цьому наборі.
Оцінена повнота корпусу	100% (100–100%)	Постстратифікація за смугами балу з оціночних вердиктів; консервативний інтервал. Пропущено релевантних ≈ 0 (0–0). Не оцінено (мало вердиктів у смузі): 10616 відсіяних робіт.
Чутливість (Sensitivity / Recall)	100% (12/12), 95% CI 76–100%	Частка релевантних (👍), успішно пропущених скринінгом: TP / (TP + FN).
Специфічність (Specificity)	20% (4/20), 95% CI 8–42%	Частка нерелевантних (👎), успішно відсіяних скринінгом: TN / (TN + FP).
Точність (Precision / PPV)	43% (12/28), 95% CI 27–61%	Частка схвалених експертом серед тих, що пройшли скринінг: TP / (TP + FP).
Негативна прогностична цінність (NPV)	100% (4/4), 95% CI 51–100%	Частка справді нерелевантних серед робіт, відсіяних скринінгом: TN / (TN + FN). Мінімізує ризик втрати цінних робіт.
F-міри (F₁ та F₂)	F₁: 0.60 · F₂: 0.79	F₂ надає ваги повноті (чутливості) вдвічі більше за точність — ключова метрика безпеки відсіювання для PRISMA.
Збалансована точність	60.0%	Середнє арифметичне чутливості та специфічності ((Sens + Spec) / 2), нечутливе до дисбалансу класів.
Діагностичне відношення шансів (DOR)	6.82	DOR = (TP · TN) / (FP · FN) із поправкою Haldane-Anscombe. Міра загальної дискримінаційної спроможності скринінгу.
ROC AUC	0.65 (95% CI 0.43–0.84)	Імовірність, що 👍-робота отримала вищий бал, ніж 👎 (0,5 = випадково). Довірчий інтервал обчислено DeLong / Bootstrap.
Надійність згоди (Gwet's AC₁ та Cohen's κ)	—	Gwet's AC₁ є парадокс-імунною мірою згоди між моделями на спільних статтях, що не занижується при сильному дисбалансі класів (коли 80–90% відсіюється).
Неперервна згода балів моделей	MAD: — r Пірсона: —	MAD (середня абсолютна різниця балів) та кореляція Пірсона r між оцінками моделей скринінгу на спільній вибірці.

Смуга балу	Робіт	З вердиктом	👍	Частка 👍
0.0–2.0	6772	2 (замало)	0	0%
2.0–4.0	2929	0 (замало)	0	—
4.0–5.0	915	2 (замало)	0	0%
5.0–6.0 ✓	1080	3	2	67%
6.0–8.0 ✓	861	23	8	35%
8.0–10.0 ✓	27	2 (замало)	2	100%

Модель скринінгу	Seed-повнота	AUC	Sens / Spec	Prec / NPV	F₁ / AC₁	👍 / 👎 (TP/FP/FN/TN)
`gemini-3.1-flash-lite`	50% (1/2), 95% CI 9–91%	0.63	100% (12/12), 95% CI 76–100% / 16% (3/19), 95% CI 6–38%	43% (12/28), 95% CI 27–61% / 100% (3/3), 95% CI 44–100%	0.60 / 0.05	12 / 19 (12/16/0/3)
`gemini-3.5-flash-lite`	—	—	— / 100% (1/1), 95% CI 21–100%	— / 100% (1/1), 95% CI 21–100%	— / 1.00	0 / 1 (0/0/0/1)
`—`	—	—	— / —	— / —	— / —	0 / 0 (0/0/0/0)

Щоб звузити інтервали, оцінюйте роботи з нижніх смуг: вибірка кандидатів у /admin/taste бере 20% випадкових робіт. Оцінки оновлюються автоматично з кожним вердиктом.

Оцінка методологічної строгості та розподіл дизайнів (11, 18)

Критерій строгості M (0–10) оцінюється під час повнотекстового аналізу. Розподіл дизайнів базується на верифікованій класифікації емпіричних робіт.

Середня строгість (M)

7.38 / 10

Проаналізовано робіт: 25

Розподіл рівнів строгості

🟢 Висока строгість (M ≥ 7.0): 20

🟡 Помірна строгість (4.0 ≤ M < 7.0): 4

🔴 Низька строгість (M < 4.0): 1

Дизайн дослідження (Study Design)	Кількість робіт
`assessment_design`	8
`psychometric_modeling`	14
`theoretical`	1
`detector_evaluation`	1
`other`	1

Чек-лист відповідності PRISMA 2020 (усі 27 пунктів)

Повний аудит відповідності огляду чек-листу PRISMA 2020 (Page et al., 2021) для автоматизованих систематичних оглядів.

№	Розділ / Пункт	Вимога чек-листа	Статус	Реалізація в системі
1	Title	Ідентифікація як живий систематичний огляд	✓ Впроваджено	Заголовок сторінки, метадані звіту
2	Abstract	Структуроване резюме (фон, цілі, методи, результати)	✓ Впроваджено	Блок #prisma-abstract (пункт 2 вище)
3	Rationale	Обґрунтування огляду в контексті існуючих знань	✓ Впроваджено	Опис теми, цілей та потреби в контрзаходах
4	Objectives	Чітке формулювання питань за схемою PICO / PECO	✓ Впроваджено	Блок #pico-framework (таблиця PICO вище)
5	Eligibility criteria	Критерії включення та виключення, мова, дати	✓ Впроваджено	Пороги R ≥ 4.0, Score ≥ 5.0, Open Access
6	Information sources	Бази даних, реєстри, дати останнього запиту	✓ Впроваджено	arXiv, Crossref, OpenAlex, Semantic Scholar, ERIC, цитування
7	Search strategy	Повна стратегія пошуку, булеві оператори, версії	✓ Впроваджено	search_version, повні групи термінів, API limits
8	Selection process	Процес скринінгу, автоматизація, дублювання оцінок	✓ Впроваджено	LLM скринінг з ротацією моделей + редакційна петля смаку
9	Data collection	Методи отримання даних з повнотекстових звітів	✓ Впроваджено	PDF → Markdown парсинг, deep analysis prompt v2.1
10a-b	Data items	Перелік змінних, результатів та характеристик	✓ Впроваджено	Суть, вибірка, дизайн, емпіричні твердження, контрзаходи
11	Study risk of bias	Оцінка методологічної якості досліджень	✓ Впроваджено	Критерій строгості M (0–10), розподіл рівнів якості
12	Effect measures	Міри величини ефекту (RR, OR, MD)	— Обґрунтовано N/A	Якісний синтез та живий дайджест без мета-аналізу ефектів
13a-f	Synthesis methods	Критерії об'єднання та методи синтезу	✓ Впроваджено	Тематична кластеризація за тегами, порівняльні картки
14	Reporting bias	Оцінка зміщення звітності (публікаційне зміщення)	✓ Впроваджено	Аналіз Paywall-виключень та відкритого доступу
15	Certainty assessment	Оцінка впевненості у доказах	✓ Впроваджено	Автоматична верифікація цитат із тексту робіт
16	Study selection	Результати відбору (PRISMA воронка, числа)	✓ Впроваджено	100% замикання стадій: n_вхід = n_вихід + ∑n_вилучено
17	Study characteristics	Характеристики включених робіт у таблиці	✓ Впроваджено	Інтерактивна таблиця з DOI, журналами, роками та тегами
18	Risk of bias in studies	Результати оцінки ризику упередженості	✓ Впроваджено	Таблиця розподілу строгості M та дизайнів досліджень
19	Results of individual studies	Результати для кожної окремої статті	✓ Впроваджено	Публічні сторінки /doi/{doi} з повними розборами
20a-d	Results of syntheses	Результати тематичного синтезу	✓ Впроваджено	Щоденні випуски дайджесту, RSS-канал, тегові вибірки
21	Reporting biases	Фактичні дані щодо виявлених зміщень	✓ Впроваджено	Paywall n=0, відкликані n=0
22	Certainty of evidence	Підсумкова надійність масиву доказів	✓ Впроваджено	Gwet's AC₁, Cohen's κ, стратифікована повнота та ROC AUC
23a-d	Discussion	Обговорення, обмеження методів та висновки	✓ Впроваджено	Блок обмежень (пункти 23b, 23c) у методології
24a-c	Registration & protocol	Реєстрація, доступ до протоколу, зміни	✓ Впроваджено	Відкритий репозиторій, журнал версій search_ver та рубрик
25	Support	Джерела фінансування огляду	✓ Впроваджено	Безкоштовні відкриті рівні API (Gemini/OpenAlex)
26	Competing interests	Заява про конфлікт інтересів	✓ Впроваджено	Конфлікти відсутні, зафіксовано в методології
27	Data & code availability	Доступність даних аналізів, коду та матеріалів	✓ Впроваджено	Експорт у CSV / JSON (кнопки нижче), відкритий код

Обмеження (23b, 23c)

Лише open access: платні статті не потрапляють до синтезу, тож вибірка зміщена в бік відкритих і препринтів.
Скринінг ранжує за якістю й новизною, а не лише за придатністю, тож вибірка зміщена до робіт, що оскаржують консенсус. Валідність виміряно щодо одного експерта (див. вище); один LLM-рецензент, упередження моделей і різниця між версіями лишаються.
Лексичний фільтр і ліміти результатів можуть пропускати роботи з іншою термінологією; англомовне зміщення джерел.
Записи, оцінені давнішою версією рубрики, не перераховуються автоматично (див. таблицю версій).
Безкоштовна квота Gemini: денні ліміти уповільнюють аналіз, частина відібраних робіт чекає в черзі.

Реєстрація, протокол, зміни, підтримка, дані (24–27)

Реєстрація: огляд не реєструвався. Протокол — це конфігурація (тема, запити, рубрика, пороги) у репозиторії проєкту; вона відтворюється з цього блоку.
Зміни протоколу: версії пошуку (search_version) і рубрики (rubric_version), таблиці вище.
Фінансування: окремого не заявлено, використовуються безкоштовні рівні API. Конфлікти інтересів: не заявлено.
Дані: аналізи й метадані — на сторінках статей, RSS і sitemap; повні тексти приватні (авторське право) і не публікуються.

Фільтрація за тегами

Виберіть один або декілька тегів для деталізації звіту та перегляду списку статей.

ℹ️ <strong>Примітка щодо тематичної вибірки:</strong> Тематичні теги формуються моделями під час повнотекстового аналізу або редактором вручну. Тому фільтрація за тегами фокусує таблицю та воронку на відповідній розміченій підмножині робіт.

Версія критеріїв

Етап воронки

Сортування

Знайдено робіт: 25

Експорт даних (п. 27): 📥 CSV 📥 JSON

#	Статус / Етап	Стаття	LLM Оцінка	Оцінка експерта
1	У буфері	K-12EduBench: A Benchmark for Evaluating Large Language Models’ Knowledge, Problem-Solving, and Educational Goal Cognition in K-12 Education Proceedings of the AAAI Conference on Artificial Intelligence (2026) · doi:10.1609/aaai.v40i40.40744 · v1.0	3.8 (gemini-3.6-flash)	—
2	У буфері	Diagnosing Planning Quality in LLM-Based Penetration Testing Using Execution-Free Evaluation Journal of Smart Algorithms and Applications (JSAA) (2026) · doi:10.66279/enzxq198 · v1.0	0.0 (gemini-3.8-flash)	—
3	У буфері	A Stratified Multi-Rater Evaluation of LLM-Based Virtual Standardized Patients with a Deployed Data-Generation Platform arXiv (2026) · doi:10.48550/arxiv.2610.29312 · v1.0	5.9 (gemini-3.6-flash)	—
4	У буфері	The Reliability Illusion in Synthetic Patients: Psychometric Misalignment of Open-weight LLMs on PHQ-9 and GAD-7 Workshop on Computational Linguistics and Clinical Psychology (CLPsych) (2026) · doi:10.18653/v1/2026.clpsych-1.7 · v1.0	7.1 (gemini-3.7-flash)	—
5	У буфері	Does a Language Model Have a Personality? What Four Studies Say, and What Measurement Should Do Next Zenodo (CERN European Organization for Nuclear Research) (2026) · doi:10.5281/zenodo.21865128 · v1.0	4.4 (gemini-3.7-flash)	—
6	У буфері	Latency-Response Theory Model: Evaluating Large Language Models via Response Accuracy and Chain-of-Thought Length arXiv (2025) · doi:10.48550/arxiv.2512.07019 · v1.0	6.5 (gemini-3.7-flash)	—
7	У буфері	FeedEval: Pedagogically Aligned Evaluation of LLM-Generated Essay Feedback arXiv (2026) · doi:10.48550/arxiv.2601.04574 · v1.0	4.1 (gemini-3.8-flash)	—
8	У буфері	Automated Benchmark Generation from Domain Guidelines Informed by Bloom's Taxonomy arXiv (2026) · doi:10.48550/arxiv.2601.20253 · v1.0	4.0 (gemini-3.7-flash)	—
9	У буфері	Confident Rankings with Fewer Items: Adaptive LLM Evaluation with Continuous Scores arXiv (2026) · doi:10.48550/arxiv.2601.13885 · v1.0	5.2 (gemini-3.7-flash)	—
10	У буфері	Quantifying construct validity in large language model evaluations arXiv (2026) · doi:10.48550/arxiv.2602.15532 · v1.0	6.3 (gemini-3.6-flash)	—
11	Включено	Scalable Text-Embedding-informed Cognitive Diagnosis of Large Language Models arXiv (2026) · doi:10.48550/arxiv.2603.14676 · v1.0	7.4 (gemini-3.7-flash)	—
12	У буфері	Which AI model is truly the best: how reliable are public benchmarks of frontier AI models? Zenodo (CERN European Organization for Nuclear Research) (2026) · doi:10.5281/zenodo.23007588 · v1.0	0.0 (gemini-3.8-flash)	—
13	У буфері	The Metacognitive Monitoring Battery: A Cross-Domain Benchmark for LLM Self-Monitoring arXiv (2026) · doi:10.48550/arxiv.2604.15702 · v1.0	4.5 (gemini-3.8-flash)	—
14	У буфері	Which AI model is truly the best: how reliable are public benchmarks of frontier AI models? Zenodo (CERN European Organization for Nuclear Research) (2026) · doi:10.5281/zenodo.23036392 · v1.0	5.1 (gemini-3.8-flash)	—
15	Включено	An Interpretable and Scalable Framework for Evaluating Large Language Models arXiv (2026) · doi:10.48550/arxiv.2605.07046 · v1.0	7.5 (gemini-3.7-flash)	—
16	У буфері	Adaptive auditing of AI systems with anytime-valid guarantees arXiv (2026) · doi:10.48550/arxiv.2605.07002 · v1.0	0.0 (gemini-3.6-flash)	—
17	У буфері	Latent Confidence Alignment for LLM Self-Assessment arXiv (2026) · doi:10.48550/arxiv.2606.21937 · v1.0	6.5 (gemini-3.6-flash)	—
18	У буфері	Kaiying Reachable Capability Mapping (KRCM): A Framework for Measuring Conditional Capability Structure in Artificial Intelligence Zenodo (CERN European Organization for Nuclear Research) (2026) · doi:10.5281/zenodo.22739988 · v1.0	4.9 (gemini-3.8-flash)	—
19	Включено	Every Token Counts: Exact Likert-Scale Distributions for Measuring LLM Attitudes and Biases arXiv (2026) · doi:10.48550/arxiv.2608.10503 · v1.0	7.5 (gemini-3.1-flash-lite)	—
20	У буфері	Natural Language Processing Psychometrics arXiv (2026) · doi:10.48550/arxiv.2608.07316 · v1.0	6.5 (gemini-3.1-flash-lite)	—
21	Включено	Every Wrong Answer Counts: Option-Level Psychometrics for LLM Multiple-Choice Benchmarks arXiv (2026) · doi:10.48550/arxiv.2608.02966 · v1.0	7.5 (gemini-3.1-flash-lite)	—
22	У буфері	Can LLMs Succeed in National Dental Examinations? A Comprehensive Analysis of Performance, Strengths, and Limitations medRxiv (2026) · doi:10.64898/2026.09.30.26364385 · v1.0	5.3 (gemini-3.1-flash-lite)	—
23	У буфері	Beyond Representational Similarity: Source-Conditioned Description-Length Gain for Generative Plagiarism Detection and Candidate Source Reranking arXiv (2026) · doi:10.48550/arxiv.2608.03859 · v1.0	3.8 (gemini-3.7-flash)	—
24	У буфері	Efficient Benchmarking in Production: A Study of an Evolving LLM Agent arXiv (2026) · doi:10.48550/arxiv.2609.21267 · v1.0	6.7 (gemini-3.1-flash-lite)	—
25	Включено	MS-Exam-Gen: Source-Grounded Benchmark Construction for Evaluating LLMs on Textual Multiple Sclerosis MRI Knowledge arXiv (2026) · doi:10.48550/arxiv.2610.06170 · v1.0	7.2 (gemini-3.1-flash-lite)	—