增强大型语言模型用于 undergraduate 电路分析中的自动作业评估
计算机与社会
2025-11-25 v1 人工智能
人机交互
摘要
本研究提出了一套增强管道，用于提升大型语言模型 (LLM) 在 undergraduate 电路分析课程中评估作业的能力，旨在提高 LLM 为电气工程学生提供个性化支持的能力。现有评估表明，GPT-4o 在该领域评估学生作业方面具有前景的能力。基于这些发现，我们通过多步骤提示、情境数据增强和针对性提示的措施来提升 GPT-4o 的性能。这些策略有效解决了 GPT-4o 在使用简单提示时所观察到的常见错误，导致评估准确率显著提高。具体而言，应用增强提示和增强数据后，GPT-4o 在入门级电路分析主题上的正确响应率从 74.71% 提升至 97.70%。本工作为将 LLM 有效集成到电路分析教学中，以及更广泛地集成到工程教育中奠定了基础。
引用
@article{arxiv.2511.18221,
title = {Enhancing Large Language Models for Automated Homework Assessment in Undergraduate Circuit Analysis},
author = {Liangliang Chen and Huiru Xie and Zhihao Qin and Yiming Guo and Jacqueline Rohde and Ying Zhang},
journal= {arXiv preprint arXiv:2511.18221},
year = {2025}
}
备注
Accepted to 2025 Frontiers in Education (FIE) Conference