面向AI自适应反馈：比较LLM与教师在实验方案反馈质量上的表现

有效反馈对培养学生在科学探究中的成功至关重要。随着人工智能的进步，大型语言模型（LLM）为提供即时且自适应的反馈提供了新可能。然而，这些反馈常缺乏来自实际从业者的教育学验证。为此，我们评估并比较了LLM智能体、人类教师与科学教育专家在学生撰写的实验方案反馈质量。四名盲选评委均为科学探究与科学教育领域的专业人士，依据六项有效反馈标准（Feed Up、Feed Back、Feed Forward、Constructive Tone、Linguistic Clarity、Technical Terminology）使用五点likert量表对反馈文本进行评估：1）LLM智能体，2）教师，3）科学教育专家。结果表明，LLM生成的反馈在总体质量上与教师与专家无显著差异。然而，LLM智能体在Feed Back维度的表现落后，后者涉及识别并解释学生作品中具体错误。定性分析突显了LLM智能体在情境理解及清晰传达具体错误方面的局限性。我们的发现表明，结合LLM生成的反馈与人类专家的专业知识，可通过发挥LLM的高效性与教育者的细致理解，提升教育实践。