利用学习进程指导 AI 反馈用于科学学习
计算与语言
2026-04-15 v2
摘要
生成式人工智能 (AI) 提供了可扩展的形成性反馈支持，但大多数 AI 生成的反馈依赖于由领域专家编写的任务特定评级标准。虽然有效，但评级编写耗时且限制了跨教学情境的可扩展性。学习进程 (LP) 提供了学生理解发展的理论依据建模，或可提供替代方案。本研究检验学习进程驱动的评级生成管道能否产生质量相当于由专家任务评级指导的 AI 生成反馈。我们分析了 207 名中学生在化学任务中所产生的书面科学解释的 AI 生成反馈。比较了两个管道：(a)由人类专家设计的任务特定评级指导的反馈，和 (b)在评分与反馈生成前，从学习进程自动派生的任务特定评级指导的反馈。两个人类评级员使用多维评级标准评估反馈质量，包括清晰度、准确性、相关性、参与度与动机、反思性 (10 个子维度)。评估者间的可靠性高，一致率在 89%至 100% 之间，Cohen's kappa 值（针对可估计维度）在 .66 至 .88 之间。配对 t 检验显示，两个管道在清晰度 (t1 = 0.00, p1 = 1.000; t2 = 0.84, p2 = .399)、相关性 (t1 = 0.28, p1 = .782; t2 = -0.58, p2 = .565)、参与度与动机 (t1 = 0.50, p1 = .618; t2 = -0.58, p2 = .565) 或反思性 (t = -0.45, p = .656) 之间没有显著差异。这些发现表明，学习进程驱动的评级管道可作为替代方案。
引用
@article{arxiv.2603.03249,
title = {Using Learning Progressions to Guide AI Feedback for Science Learning},
author = {Xin Xia and Nejla Yuruk and Yun Wang and Xiaoming Zhai},
journal= {arXiv preprint arXiv:2603.03249},
year = {2026}
}
备注
15pages, 4 figures