从黑盒到透明：基于可解释人工智能提升大学课堂上的自动解释质量评估
计算与语言
2025-08-15 v1 人工智能
摘要
近期机器学习的发展推动了自动解释质量评估日益增长的兴趣。然而，现有研究存在语言使用质量审查不足、因数据稀缺和不平衡导致的建模效果不理想，以及缺乏解释模型预测的努力。为解决这些问题，我们提出了多维建模框架，集成特征工程、数据增强和可解释机器学习。该方法优先考虑可解释性而非“黑盒”预测，仅使用与 construct 相关且透明的特征，并进行Shapley Value（SHAP）分析。我们的结果在 novel English-Chinese 连续解释数据集上展示了强大的预测性能，识别出BLEURT和CometKiwi得分是忠实度最强的预测特征，停顿相关特征是流畅性的关键特征，以及中文特定的短语多样性指标是语言使用质量的重要指标。总体而言，通过特别强调可解释性，我们提供了一种可扩展、可靠且透明的传统人类评估替代方案，促进了就学习者提供详细诊断性反馈的能力，支持自我调节学习优势，这些优势无法凭借自动评分alone 实现。
引用
@article{arxiv.2508.10860,
title = {From Black Box to Transparency: Enhancing Automated Interpreting Assessment with Explainable AI in College Classrooms},
author = {Zhaokun Jiang and Ziyin Zhang},
journal= {arXiv preprint arXiv:2508.10860},
year = {2025}
}