학생 구성 채점의 새로운 추세: 교사와 AI 간의 협력 모델
기술이 발전함에 따라 오랜 질문은 기술이 어떻게 전통적인 인간 직업을 바꾸거나 대체할 것인가입니다. 슈퍼마켓의 셀프 계산대부터 의료 스캔에서 심각한 질병을 감지하는 AI의 능력에 이르기까지 모든 분야의 작업자는 업무의 일부를 수행하는 도구를 사용하여 작업합니다. 전염병으로 인해 교실에서 AI 도구의 인기가 가속화되고 이러한 추세가 둔화되지 않음에 따라 교육은 AI와 같은 도구를 사용하여 전문적인 작업을 공유하는 또 다른 분야가 되었습니다.
우리는 학생의 학습 결과를 평가하기 위해 교육에 인공 지능을 구체적으로 적용하는 데 큰 관심을 가져왔습니다. 학생들에게 채점하고 피드백을 제공하는 것은 교사의 시간을 많이 소모하는 경우가 많으며, 이로 인해 많은 교사가 더 중요한 작문 과제를 할당하지 못하게 됩니다. 동시에 학생들은 성적과 피드백을 받기까지 오랜 시간을 기다려야 하는 경우가 많습니다. 이 경우 AI가 학생들의 숙제를 평가하는 데 도움을 줄 수 있다면 의심할 여지 없이 시간을 절약하고 학습 효율성을 높일 수 있습니다. 그러나 우리는 AI 채점 및 피드백 시스템이 실제로 학생들에게 실제 교사만큼 효과적으로 도움이 될 수 있는지에 대한 질문도 생각하고 있습니다.
선생님이 묻습니다. "무엇을 표현하고 싶은 건가요? 잘 모르겠습니다. AI의 주된 임무는 의미를 이해하려고 하기보다는 글쓰기 과정과 형식에서 발생한 문제를 해결하는 것입니다.
저희는 최근 중학생들이 정해진 에세이 질문에 응답하여 에세이를 작성, 제출, 수정할 수 있는 AI 플랫폼에 대한 평가를 실시했습니다. 4가지 작문 영역(논쟁, 집중, 지원 및 증거, 구성, 언어 및 스타일)을 통해 기사 개선에 도움이 됩니다.
AI 등급 및 피드백을 실제 교사와 비교하기 위해 중학교 작문 교사 16명을 초대하여 대면 회의를 진행했습니다. 2021-2022 학년도 동안 이 플랫폼을 사용하여 채점 기준을 정확하게 이해하고 적용한 후 각 교사에게 자신의 것이 아닌 학생이 작성한 10개의 에세이를 평가하도록 요청했습니다. AI의 점수 및 피드백과 비교할 수 있도록 교사가 평가한 160개의 기사가 있습니다.
교사가 제공한 점수가 AI가 제공한 점수와 비슷한지 다른지
평균적으로 우리는 교사가 더 낮은 기사를 제공하는 것으로 나타났습니다. 교사와 AI는 명제와 초점을 제외한 모든 측면에서 4가지 차원(최소 4점, 최대 16점)에서 유의미한 차이를 보였다. 이 160개의 기사는 7.6점이었고, 같은 기사에 대한 AI의 평균 점수는 8.8점이었습니다. 구체적으로 주장과 초점, 지원과 증거 측면에서 교사와 AI가 높은 점수(4점)를 기록하는 경향이 있었습니다. )과 낮은 점수(1점) 기사가 있지만 중간 점수에는 차이가 있습니다. 교사는 기사에 2점을 줄 확률이 높은 반면, AI는 기사에 0점을 줄 가능성이 더 높습니다. 3. 구성 및 언어 스타일 측면에서 교사는 기사 1 또는 2를 평가할 가능성이 높았으며 AI 평가는 1~4 사이에 분포했으며 더 많은 기사가 3~4점을 받았습니다
교사입니다. AI가 제공한 댓글과 비슷하거나 다른 댓글은?
16명의 교사와의 만남에서 우리는 기사에 대해 구체적으로 이야기하기 전에 10개의 기사에 대해 제공한 점수와 피드백에 대해 토론할 기회를 주었습니다. 작년에 교실에서 이 채점 프로그램을 사용했을 때 대부분의 학생들은 AI가 제공한 의견을 이해하고 해석하는 데 도움이 필요했습니다. 예를 들어 학생들은 의견을 읽었지만 자신의 작문을 향상하는 방법을 알지 못했습니다. , 선생님들에 따르면 눈에 띄는 변화 중 하나는 이제 학생들의 이해 수준에 더 적합한 언어로 댓글을 표현할 수 있다는 것입니다.
" 토론에서 AI에 대해 생각해 보았습니다. 댓글과 피드백 측면에서 친근감이 있었습니다. . 오늘날의 아이들은 직접적이고 정직한 피드백에 익숙합니다. 그들은 항상 자존심을 달래야 하는 것이 아니라 오히려 문제를 해결하고 싶어합니다. 그러니 항상 과장하는 것이 아니라 직접적으로 말하는 것이 중요합니다.”
우리가 발견한 또 다른 차이점은 교사가 흐름, 어조, 단순히 주장을 요약했는지 또는 주장을 확립했는지, 증거가 주장에 적합한지, 전체가 일관성이 있는지 등 에세이 전체의 품질에 더 집중했다는 것입니다. 교사들은 전체 기사를 볼 수 있었기 때문에 주장과 초점, 지원, 증거에 집중할 때 기사에 2점을 줄 가능성이 더 높았다고 설명했습니다. 많은 AI가 실제로는 할 수 없는 일입니다. 왜냐하면 많은 AI가 훈련을 받았기 때문입니다. 기사 전체가 아닌 문장 수준.
교사들은 AI와 달리 전체 글의 순서와 흐름을 이해할 수 있기 때문에 조직 구조를 더욱 엄격하게 평가합니다. 예를 들어, 교사들은 AI가 전환 단어를 찾거나 학생들에게 잘 구조화된 주장의 증거로 더 많은 전환 단어를 사용하도록 제안할 수 있지만 교사는 전환이 실제로 흐르는지 아니면 관련 없는 문장 세트에 삽입되는지 확인할 수 있다고 공유했습니다. . 언어와 스타일 측면에서 교사는 예를 들어 겉보기에 복잡한 어휘를 사용하여 AI가 더 쉽게 방해를 받는 문제를 다시 지적했습니다. 이는 AI에 깊은 인상을 줄 수 있지만 교사는 문장을 구성하는 이해할 수 없는 단어의 문자열일 뿐이라는 것을 알게 될 것입니다. 또는 아이디어를 표현합니다.
AI가 교사의 성적 평가에 도움을 줄 수 있나요?
학생 작품을 평가하는 것은 교육에서 매우 중요하고 시간이 많이 걸리는 부분입니다. 특히 학생들이 글쓰기를 배울 때 더욱 그렇습니다. 학생들이 자신감 있고 능숙한 작가가 되기 위해서는 정기적인 연습과 즉각적인 피드백이 필요합니다. 그러나 대부분의 교사는 계획 및 채점을 위한 시간이 부족하고 정규 또는 장문 작문 과제 일정을 계획하고 경력에서 일과 삶의 균형을 유지하기 위해 가르칠 학생이 너무 많습니다.
AI는 교사의 부담을 줄이는 데 매우 중요합니다. 예비 연구에서는 교사와 AI의 평가에서 일부 차이점이 발견되었지만, AI 시스템이 학생의 글을 교사만큼 종합적으로 살펴보고 학생의 성장과 특정 상황에 적합한 방식으로 피드백을 줄 수 있다고 믿습니다. , 학생들은 이러한 의견에 대응하여 교사가 채점하는 데 도움을 줄 수 있습니다. 우리는 교사의 채점 부담을 줄일 뿐만 아니라 학생들이 글을 쓸 수 있는 더 많은 기회를 갖고 적시에 도움이 되는 피드백을 받아 작가로서 발전을 강화할 수 있도록 이러한 영역에서 AI를 개선하는 것이 중요하다고 믿습니다.
위 내용은 학생 구성 채점의 새로운 추세: 교사와 AI 간의 협력 모델의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

핫 AI 도구

Undresser.AI Undress
사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover
사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool
무료로 이미지를 벗다

Clothoff.io
AI 옷 제거제

AI Hentai Generator
AI Hentai를 무료로 생성하십시오.

인기 기사

뜨거운 도구

메모장++7.3.1
사용하기 쉬운 무료 코드 편집기

SublimeText3 중국어 버전
중국어 버전, 사용하기 매우 쉽습니다.

스튜디오 13.0.1 보내기
강력한 PHP 통합 개발 환경

드림위버 CS6
시각적 웹 개발 도구

SublimeText3 Mac 버전
신 수준의 코드 편집 소프트웨어(SublimeText3)

뜨거운 주제











이 사이트는 6월 27일에 Jianying이 ByteDance의 자회사인 FaceMeng Technology에서 개발한 비디오 편집 소프트웨어라고 보도했습니다. 이 소프트웨어는 Douyin 플랫폼을 기반으로 하며 기본적으로 플랫폼 사용자를 위한 짧은 비디오 콘텐츠를 제작합니다. Windows, MacOS 및 기타 운영 체제. Jianying은 멤버십 시스템 업그레이드를 공식 발표하고 지능형 번역, 지능형 하이라이트, 지능형 패키징, 디지털 인간 합성 등 다양한 AI 블랙 기술을 포함하는 새로운 SVIP를 출시했습니다. 가격면에서 SVIP 클리핑 월 요금은 79위안, 연간 요금은 599위안(본 사이트 참고: 월 49.9위안에 해당), 월간 연속 구독료는 월 59위안, 연간 연속 구독료는 59위안입니다. 연간 499위안(월 41.6위안)입니다. 또한, 컷 관계자는 "사용자 경험 향상을 위해 기존 VIP에 가입하신 분들도

검색 강화 생성 및 의미론적 메모리를 AI 코딩 도우미에 통합하여 개발자 생산성, 효율성 및 정확성을 향상시킵니다. EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG에서 번역됨, 저자 JanakiramMSV. 기본 AI 프로그래밍 도우미는 자연스럽게 도움이 되지만, 소프트웨어 언어에 대한 일반적인 이해와 소프트웨어 작성의 가장 일반적인 패턴에 의존하기 때문에 가장 관련성이 높고 정확한 코드 제안을 제공하지 못하는 경우가 많습니다. 이러한 코딩 도우미가 생성한 코드는 자신이 해결해야 할 문제를 해결하는 데 적합하지만 개별 팀의 코딩 표준, 규칙 및 스타일을 따르지 않는 경우가 많습니다. 이로 인해 코드가 애플리케이션에 승인되기 위해 수정되거나 개선되어야 하는 제안이 나타나는 경우가 많습니다.

AIGC에 대해 자세히 알아보려면 다음을 방문하세요. 51CTOAI.x 커뮤니티 https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou는 인터넷 어디에서나 볼 수 있는 전통적인 문제 은행과 다릅니다. 고정관념에서 벗어나 생각해야 합니다. LLM(대형 언어 모델)은 데이터 과학, 생성 인공 지능(GenAI) 및 인공 지능 분야에서 점점 더 중요해지고 있습니다. 이러한 복잡한 알고리즘은 인간의 기술을 향상시키고 많은 산업 분야에서 효율성과 혁신을 촉진하여 기업이 경쟁력을 유지하는 데 핵심이 됩니다. LLM은 자연어 처리, 텍스트 생성, 음성 인식 및 추천 시스템과 같은 분야에서 광범위하게 사용될 수 있습니다. LLM은 대량의 데이터로부터 학습하여 텍스트를 생성할 수 있습니다.

LLM(대형 언어 모델)은 대규모 텍스트 데이터베이스에서 훈련되어 대량의 실제 지식을 습득합니다. 이 지식은 매개변수에 내장되어 필요할 때 사용할 수 있습니다. 이러한 모델에 대한 지식은 훈련이 끝나면 "구체화"됩니다. 사전 훈련이 끝나면 모델은 실제로 학습을 중단합니다. 모델을 정렬하거나 미세 조정하여 이 지식을 활용하고 사용자 질문에 보다 자연스럽게 응답하는 방법을 알아보세요. 그러나 때로는 모델 지식만으로는 충분하지 않을 때도 있으며, 모델이 RAG를 통해 외부 콘텐츠에 접근할 수 있더라도 미세 조정을 통해 모델을 새로운 도메인에 적응시키는 것이 유익한 것으로 간주됩니다. 이러한 미세 조정은 인간 주석 작성자 또는 기타 LLM 생성자의 입력을 사용하여 수행됩니다. 여기서 모델은 추가적인 실제 지식을 접하고 이를 통합합니다.

편집자 |ScienceAI 질문 응답(QA) 데이터 세트는 자연어 처리(NLP) 연구를 촉진하는 데 중요한 역할을 합니다. 고품질 QA 데이터 세트는 모델을 미세 조정하는 데 사용될 수 있을 뿐만 아니라 LLM(대형 언어 모델)의 기능, 특히 과학적 지식을 이해하고 추론하는 능력을 효과적으로 평가하는 데에도 사용할 수 있습니다. 현재 의학, 화학, 생물학 및 기타 분야를 포괄하는 과학적인 QA 데이터 세트가 많이 있지만 이러한 데이터 세트에는 여전히 몇 가지 단점이 있습니다. 첫째, 데이터 형식이 비교적 단순하고 대부분이 객관식 질문이므로 평가하기 쉽지만 모델의 답변 선택 범위가 제한되고 모델의 과학적 질문 답변 능력을 완전히 테스트할 수 없습니다. 이에 비해 개방형 Q&A는

머신 러닝은 명시적으로 프로그래밍하지 않고도 컴퓨터가 데이터로부터 학습하고 능력을 향상시킬 수 있는 능력을 제공하는 인공 지능의 중요한 분야입니다. 머신러닝은 이미지 인식, 자연어 처리, 추천 시스템, 사기 탐지 등 다양한 분야에서 폭넓게 활용되며 우리의 삶의 방식을 변화시키고 있습니다. 기계 학습 분야에는 다양한 방법과 이론이 있으며, 그 중 가장 영향력 있는 5가지 방법을 "기계 학습의 5개 학교"라고 합니다. 5개 주요 학파는 상징학파, 연결주의 학파, 진화학파, 베이지안 학파, 유추학파이다. 1. 상징주의라고도 알려진 상징주의는 논리적 추론과 지식 표현을 위해 상징을 사용하는 것을 강조합니다. 이 사고 학교는 학습이 기존을 통한 역연역 과정이라고 믿습니다.

Editor | KX 약물 연구 및 개발 분야에서 단백질과 리간드의 결합 친화도를 정확하고 효과적으로 예측하는 것은 약물 스크리닝 및 최적화에 매우 중요합니다. 그러나 현재 연구에서는 단백질-리간드 상호작용에서 분자 표면 정보의 중요한 역할을 고려하지 않습니다. 이를 기반으로 Xiamen University의 연구자들은 처음으로 단백질 표면, 3D 구조 및 서열에 대한 정보를 결합하고 교차 주의 메커니즘을 사용하여 다양한 양식 특징을 비교하는 새로운 다중 모드 특징 추출(MFE) 프레임워크를 제안했습니다. 조정. 실험 결과는 이 방법이 단백질-리간드 결합 친화도를 예측하는 데 있어 최첨단 성능을 달성한다는 것을 보여줍니다. 또한 절제 연구는 이 프레임워크 내에서 단백질 표면 정보와 다중 모드 기능 정렬의 효율성과 필요성을 보여줍니다. 관련 연구는 "S"로 시작된다

7월 5일 이 웹사이트의 소식에 따르면 글로벌파운드리는 올해 7월 1일 보도자료를 통해 타고르 테크놀로지(Tagore Technology)의 전력질화갈륨(GaN) 기술 및 지적재산권 포트폴리오 인수를 발표하고 자동차와 인터넷 시장 점유율 확대를 희망하고 있다고 밝혔다. 더 높은 효율성과 더 나은 성능을 탐구하기 위한 사물 및 인공 지능 데이터 센터 응용 분야입니다. 생성 AI와 같은 기술이 디지털 세계에서 계속 발전함에 따라 질화갈륨(GaN)은 특히 데이터 센터에서 지속 가능하고 효율적인 전력 관리를 위한 핵심 솔루션이 되었습니다. 이 웹사이트는 이번 인수 기간 동안 Tagore Technology의 엔지니어링 팀이 GLOBALFOUNDRIES에 합류하여 질화갈륨 기술을 더욱 개발할 것이라는 공식 발표를 인용했습니다. G
