学生作文评分的新趋势:教师与AI的合作模式
随着技术的进步,一个长期存在的问题是它将如何改变或取代人类传统的工作。从超市的自助结账到AI在医学扫描中检测严重疾病的能力,所有领域的工作者都发现自己正在与可以完成他们工作部分的工具一起工作。由于疫情加速了AI工具在课堂上的普及,且这种趋势并未放缓,教学已经成为另一个与AI等工具共享专业工作的领域。
我们对人工智能在教学中的特定应用产生了浓厚的兴趣,那就是评估学生的学习成果。打分和给学生作业反馈往往耗费教师大量的时间,这使得许多教师无法布置更重要的写作任务,同时学生也常常需要等待很长时间才能得到成绩和反馈。在这种情况下,如果AI能帮助评估学生的作业,无疑能大大节省时间,提高学习效率。但是,我们也在思考一个问题,那就是AI打分和反馈系统是否真的能像真正的教师那样有效地帮助学生呢?
教师会询问:"你想表达什么?我不太理解。AI的主要任务是解决写作过程和格式方面已经出现的问题,而不是努力理解学生真正意图的含义。
我们最近做了一项AI平台的评估,这个平台让中学生可以编写、提交和修改回应设定作文题的文章。每当学生提交文章时,他们都会立即获得AI根据他们的掌握程度(1-4分)在四个写作领域(论点和重点,支持和证据,组织结构,语言和风格)给出的得分和建议,帮助他们改进文章。
为了比较AI评分和反馈与实际教师的评分和反馈,我们邀请了16位在2021-2022学年使用过这个平台的中学写作老师进行一次面对面会议。在确保他们对评分标准有准确理解和运用后,我们让每位教师评估10篇非他们学生的随机文章,并给出反馈。这样,我们得到了160篇由教师评估的文章,以便我们与AI的评分和反馈进行比较。
教师的分数与AI给出的分数相似还是不同?
平均而言,我们发现教师给文章的分数比人工智能低。无论在哪个方面,教师和AI之间都存在显著差异,除了在主张和焦点方面。总体来看,在四个维度(最低4分,最高16分)的总分方面,教师对这160篇文章的平均分数是7.6,而AI对同一组文章的平均分数是8.8。具体来说,在主张和焦点以及支持和证据方面,教师和AI倾向于对高分(4分)和低分(1分)的文章达成一致,但在中间分数上存在差异。教师更有可能给文章打2分,而AI更有可能给文章打3分。另一方面,在组织和语言风格方面,教师更有可能给文章打1分或2分,而AI的评分分布在1到4之间,有更多的文章得到3分甚至4分。
教师的书面评论与AI给出的评论相似还是不同?
在我们与16位教师的会议中,我们给他们机会讨论他们在10篇文章上给出的分数和反馈。在具体谈论这些文章之前,我们听到了一个常见的观察:去年当他们在课堂上使用这个评分程序时,大多数学生需要帮助来理解和解释AI给出的评论。举个例子,很多时候,学生们读到一条评论却不知道该如何改进自己的写作。因此,根据老师们的说法,一个明显的改变是现在他们能够用更适合学生理解能力水平的语言来表达评论。
"在我们的讨论中,我们反思了AI在评论和反馈方面的友好程度。现在的孩子们习惯了直接而真实的反馈。他们并不总是需要安抚自尊,而是希望解决问题。所以,并不总是需要夸夸其谈,而是需要直截了当"。
另一个我们发现的差异是教师们更注重整篇文章的质量——流畅性、语调、是否只是简单总结还是建立了论点,证据是否与论点相符,以及整体是否连贯。教师们解释说,他们在关注主张和焦点以及支持和证据这两个方面时更倾向于给文章打2分,这是因为他们能够看到整篇文章——而这是许多AI无法真正做到的,因为许多AI是在句子级别上进行训练,而不是针对整篇文章提供训练。
教师对组织结构进行更严格的评估是因为他们与AI有所不同,他们可以理解整篇文章的顺序和流程。举个例子,教师们分享说,AI可能会找到过渡词或建议学生使用更多过渡词,并将其作为良好结构的论证,但教师可以看到过渡是否真正流畅,或者只是被插入到一组无关联的句子中。在语言和风格方面,教师们再次指出了AI更容易受到扰乱的问题,例如通过使用看似复杂的词汇——这可能会给AI留下深刻印象,但教师们会看出那只是一串不能构成句子或表达思想的词语。
AI能帮助教师打分吗?
评估学生作业在教学中是非常重要且耗时的一部分,特别是当学生在学习写作时。学生需要经常练习和及时反馈,以成为自信和熟练的作家。然而,大多数教师缺乏规划和评分的时间,而且他们要教的学生太多,以至于无法安排常规或长篇写作任务,还要在自己的职业生涯中保持工作和生活的平衡。
AI在减轻教师负担方面非常重要。尽管我们初步研究发现教师和AI在评估方面有些差异,但我们相信,如果AI系统能像教师一样全面地看待学生的文章,并以适应学生成长和具体情境的方式给出反馈,让学生能够独立应对这些意见,那么AI确实有助于教师评分。我们认为改进AI在这些方面非常有价值,不仅可以减轻教师的评分负担,还可以确保学生有更多写作机会,并及时获得有益的反馈,提升他们作为作家的发展。
以上是学生作文评分的新趋势:教师与AI的合作模式的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

Video Face Swap
使用我们完全免费的人工智能换脸工具轻松在任何视频中换脸!

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

本站6月27日消息,剪映是由字节跳动旗下脸萌科技开发的一款视频剪辑软件,依托于抖音平台且基本面向该平台用户制作短视频内容,并兼容iOS、安卓、Windows、MacOS等操作系统。剪映官方宣布会员体系升级,推出全新SVIP,包含多种AI黑科技,例如智能翻译、智能划重点、智能包装、数字人合成等。价格方面,剪映SVIP月费79元,年费599元(本站注:折合每月49.9元),连续包月则为59元每月,连续包年为499元每年(折合每月41.6元)。此外,剪映官方还表示,为提升用户体验,向已订阅了原版VIP

通过将检索增强生成和语义记忆纳入AI编码助手,提升开发人员的生产力、效率和准确性。译自EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG,作者JanakiramMSV。虽然基本AI编程助手自然有帮助,但由于依赖对软件语言和编写软件最常见模式的总体理解,因此常常无法提供最相关和正确的代码建议。这些编码助手生成的代码适合解决他们负责解决的问题,但通常不符合各个团队的编码标准、惯例和风格。这通常会导致需要修改或完善其建议,以便将代码接受到应

想了解更多AIGC的内容,请访问:51CTOAI.x社区https://www.51cto.com/aigc/译者|晶颜审校|重楼不同于互联网上随处可见的传统问题库,这些问题需要跳出常规思维。大语言模型(LLM)在数据科学、生成式人工智能(GenAI)和人工智能领域越来越重要。这些复杂的算法提升了人类的技能,并在诸多行业中推动了效率和创新性的提升,成为企业保持竞争力的关键。LLM的应用范围非常广泛,它可以用于自然语言处理、文本生成、语音识别和推荐系统等领域。通过学习大量的数据,LLM能够生成文本

大型语言模型(LLM)是在巨大的文本数据库上训练的,在那里它们获得了大量的实际知识。这些知识嵌入到它们的参数中,然后可以在需要时使用。这些模型的知识在训练结束时被“具体化”。在预训练结束时,模型实际上停止学习。对模型进行对齐或进行指令调优,让模型学习如何充分利用这些知识,以及如何更自然地响应用户的问题。但是有时模型知识是不够的,尽管模型可以通过RAG访问外部内容,但通过微调使用模型适应新的领域被认为是有益的。这种微调是使用人工标注者或其他llm创建的输入进行的,模型会遇到额外的实际知识并将其整合

机器学习是人工智能的重要分支,它赋予计算机从数据中学习的能力,并能够在无需明确编程的情况下改进自身能力。机器学习在各个领域都有着广泛的应用,从图像识别和自然语言处理到推荐系统和欺诈检测,它正在改变我们的生活方式。机器学习领域存在着多种不同的方法和理论,其中最具影响力的五种方法被称为“机器学习五大派”。这五大派分别为符号派、联结派、进化派、贝叶斯派和类推学派。1.符号学派符号学(Symbolism),又称为符号主义,强调利用符号进行逻辑推理和表达知识。该学派认为学习是一种逆向演绎的过程,通过已有的

编辑|ScienceAI问答(QA)数据集在推动自然语言处理(NLP)研究发挥着至关重要的作用。高质量QA数据集不仅可以用于微调模型,也可以有效评估大语言模型(LLM)的能力,尤其是针对科学知识的理解和推理能力。尽管当前已有许多科学QA数据集,涵盖了医学、化学、生物等领域,但这些数据集仍存在一些不足。其一,数据形式较为单一,大多数为多项选择题(multiple-choicequestions),它们易于进行评估,但限制了模型的答案选择范围,无法充分测试模型的科学问题解答能力。相比之下,开放式问答

本站8月1日消息,SK海力士今天(8月1日)发布博文,宣布将出席8月6日至8日,在美国加利福尼亚州圣克拉拉举行的全球半导体存储器峰会FMS2024,展示诸多新一代产品。未来存储器和存储峰会(FutureMemoryandStorage)简介前身是主要面向NAND供应商的闪存峰会(FlashMemorySummit),在人工智能技术日益受到关注的背景下,今年重新命名为未来存储器和存储峰会(FutureMemoryandStorage),以邀请DRAM和存储供应商等更多参与者。新产品SK海力士去年在

编辑|KX在药物研发领域,准确有效地预测蛋白质与配体的结合亲和力对于药物筛选和优化至关重要。然而,目前的研究没有考虑到分子表面信息在蛋白质-配体相互作用中的重要作用。基于此,来自厦门大学的研究人员提出了一种新颖的多模态特征提取(MFE)框架,该框架首次结合了蛋白质表面、3D结构和序列的信息,并使用交叉注意机制进行不同模态之间的特征对齐。实验结果表明,该方法在预测蛋白质-配体结合亲和力方面取得了最先进的性能。此外,消融研究证明了该框架内蛋白质表面信息和多模态特征对齐的有效性和必要性。相关研究以「S
