基于"人在回路"人工智能框架的开放式学生教学评价反馈规模化分析与可解释性研究
《Computers》:Human-in-the-Loop Educational Feedback Analysis Through Topic Model Benchmarking and Generative AI Interpretation
【字体:
大
中
小
】
时间:2026年10月21日
来源:Computers 5.2
编辑推荐:
**摘要**
开放式学生教学评价(SET)提供了关于学生学习体验和教学需求的丰富信息,然而仅靠人工编码进行大规模分析仍十分困难。本研究提出了一种"人在回路"的人工智能框架,旨在将开放式学生反馈转化为结构化且可解释的教育评价证据。该框架整合了人工主题编码、自然语言处理、生成式
**摘要**开放式学生教学评价(SET)提供了关于学生学习体验和教学需求的丰富信息,然而仅靠人工编码进行大规模分析仍十分困难。本研究提出了一种"人在回路"的人工智能框架,旨在将开放式学生反馈转化为结构化且可解释的教育评价证据。该框架整合了人工主题编码、自然语言处理、生成式人工智能辅助解读以及人工专家评审。其分析与解读组件使用一份为期16周的人工智能辅助混合式外语(English as a Foreign Language)英语课程中收集的344条评论单元进行了评估,这些数据来自43名大学生,分两个时间节点回答了四个开放式问题。研究对TF-IDF结合k-means聚类、潜在狄利克雷分配(LDA)和BERTopic三种方法在主题连贯性、主题区分度和可解释性方面进行了对比基准测试。LDA取得了最高的连贯性分数(0.4224),而BERTopic则展现了最高的主题区分度(IRBO = 0.9889)。经过超参数优化后,LDA的连贯性从0.4224提升至0.4785。优化后的主题随后利用生成式人工智能进行了解读,并与人工提取的主题进行了对比分析,结果显示在语言技能、认知过程、情感因素、动机因素、学习策略、课堂环境和教育技术等方面具有广泛的语义对应关系。研究结果表明,"人在回路"的人工智能可以在保持人工对上下文判断监督的前提下,提高质性教育反馈的规模化和可解释性。通过将计算分析与生成式人工智能辅助解读及专家评审相结合,所提出的框架为基于证据的教育反馈和后续教学决策提供了一个实用的分析基础。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号