Laboratoria sprawdzane automatycznie
AutoLabSuite automatyzuje sprawdzanie prac laboratoryjnych na uczelni: studenci przesyłają prace przez pull request w GitHub lub w uczelnianym GitLabie, system uruchamia automatyczne testy i analizę AI według rubryki, a wykładowca zatwierdza przejrzystą ocenę. Mniej rutyny, więcej nauczania.
Co widzi wykładowca
Praca trafia już z wykonanymi sprawdzeniami. W rubryce widać, które kryteria ocenił model, a które zostają dla wykładowcy: poprawić punkty, napisać studentowi jeden komentarz, zatwierdzić ocenę.
Dlaczego to ważne
Rutynowe sprawdzanie laboratoriów, projektów i prac domowych pochłania znaczną część czasu pracy wykładowcy. Monotonna i słabo zautomatyzowana praca kumuluje zmęczenie i prowadzi do wypalenia, a wraz ze wzrostem liczby prac spada jakość i sprawiedliwość oceniania.
Dodatkowym obciążeniem są sporne oceny: bez przejrzystych kryteriów i historii oddań każde odwołanie zamienia się w poszukiwanie dowodów.
Utrzymanie kadry
Wypalenie wykładowców prowadzi do rotacji i utraty doświadczenia katedry.
Jakość nauczania
Zmęczony recenzent daje słabszy feedback — a studenci uczą się mniej.
Sprawiedliwe ocenianie
Ręczne procesy słabo się skalują i zwiększają ryzyko błędów i subiektywności.
Efektywność zasobów
Godziny wykładowców pochłania rutyna, którą można zautomatyzować.
Historia git każdego zgłoszenia, przejrzyste kryteria i dziennik audytu sprawiają, że rozpatrzenie spornej oceny jest szybkie i oparte na dowodach.
Co daje system
- Skraca czas wykładowcy poświęcany na rutynowe sprawdzanie.
- Czyni kryteria i historię zmian ocen przejrzystymi.
- Daje formatywny feedback i osobiste rekomendacje dla każdego kryterium rubryki.
- Skaluje się na duże grupy bez zwiększania obciążenia wykładowcy.
Jak to działa
git push
Student przesyła pracę jako pull request do osobistego repozytorium kursu — proces znany każdemu programiście.
Automatyczne testy
Budowanie, testy i analiza statyczna uruchamiają się automatycznie przy każdym zgłoszeniu.
Analiza AI według rubryki
Model sprawdza pracę według kryteriów rubryki i przygotowuje szkic oceny z komentarzami.
Przejrzysta ocena
Wykładowca przegląda, koryguje i zatwierdza ocenę — student widzi feedback dla każdego kryterium.
Czym się różnimy
Oceny bez cichych przeliczeń
Rubrykę można poprawiać, kiedy trzeba: już zatwierdzone oceny nie przeliczą się same. W kilku popularnych platformach edycja rubryki wstecznie zmienia już sprawdzone prace. Tutaj każda zmiana oceny to jawna decyzja wykładowcy, z podanym powodem i wpisem w dzienniku audytu.
Na uczelnianym GitLabie
Osobiste repozytoria studentów, zgłoszenia przez merge request i testy w GitLab CI samej uczelni. Nie przynosimy własnego hostingu kodu i nie zastępujemy waszego. GitHub jest również obsługiwany.
Raport zbudowany z rubryki
Formularz raportu studenta powtarza rubrykę: sekcja na każde kryterium, z załącznikami. Sprawdzający widzi pracę obok kryteriów, zamiast przeszukiwać PDF.
Działa u was
System jest instalowany na infrastrukturze uczelni, a za jego działanie odpowiada strona wskazana w umowie.
Możliwości
Zgłoszenia przez pull request
Proces git-native z pełną historią każdego zgłoszenia. Działa z GitHubem i z uczelnianym self-hosted GitLabem.
Rubric-as-code
Kryteria oceniania żyją jako plik w repozytorium kursu i są utrwalane w chwili wydania zadania; późniejsze zmiany nie dotykają już zatwierdzonych ocen.
Sprawdzanie wspierane przez AI
Szkic oceny i komentarze według kryteriów; decyzja należy do wykładowcy.
Ustrukturyzowane raporty
Raport według sekcji rubryki z załącznikami — bezpośrednio w systemie.
Role i kontrola dostępu
Student, wykładowca, maintainer, administrator — każdy ma swój zakres.
Dziennik audytu
Każde działanie jest rejestrowane — historię decyzji zawsze można odtworzyć.
SSO / OIDC
Logowanie przez uczelniany identity provider.
Dla każdej roli
Dla studenta
Jasne kryteria, szybki feedback i oceny bez czarnej skrzynki.
Dla wykładowcy
Mniej rutyny: system przygotowuje sprawdzenie, decyzję podejmujesz ty.
Dla maintainera
Kursy jako kod: repozytoria, zadania i workflows pod kontrolą.
Dla administratora
Użytkownicy, grupy, tokeny i audyt w jednym panelu.
Co dalej
- Integracja LTI 1.3: uruchamianie zadań z kursu w LMS, synchronizacja listy grupy, zwrot ocen końcowych do dziennika.
- Oznaczenie udziału AI dla studenta: informacja zwrotna przygotowana z asystentem zostanie wyraźnie zaznaczona; decyzja pozostaje przy wykładowcy.
- Obsługa modelu lokalnego: analiza AI według rubryki będzie mogła działać bez zewnętrznych usług AI.