多选题的终结：利用 AI 提升评估效果

有效的教学依赖于了解学生已知或他们认为自己知道的内容。揭示学生的思考过程具有挑战性。尽管采用基于研究的干扰项（错误答案）的多选（MC）测试在评分上具有便利性，但其提供的见解本质上受到两个因素的限制。首先，当干扰项未能反映学生的信念时，这些干扰项可能被忽略，从而增加正确答案被随机选择的概率。其次，仅仅做出正确选择并不保证学生理解为何正确。为解决这些限制，本文建议要求学生解释其选择答案的原因，以及为何“错误”选项是错误的。通过使用经过训练的基于人工智能的机器人，可以分析学生的解释，从而识别可能缺失或错误应用的概念和科学原则。该机器人还会为教师提供建议，指导他们如何利用这些数据更好地引导学生的思考过程。在一个小型“概念验证”研究中，我们使用来自生物概念仪器（BCI）的题目测试了这一方法。结果表明，该方法快速、信息丰富，能够提供关于学生思考过程的可操作反馈。看来，人工智能的使用解决了传统 MC 测试的局限性。 incorporating AI 分析的形成性评估很可能会导致学习成果的整体提高。