让反馈产生共鸣：入门物理学生在 AI 生成反馈中看重的特征
机器学习
2025-09-12 v1 人工智能
摘要
自2022年 GPT-3.5 问世以来，生成式人工智能在 STEM 教育中展现出巨大的潜力，尤其是在为大规模课程中的学生提供实时、定制化反馈方面。一个关键技能在于有效地构建自然语言指令以与 AI 模型沟通，通常称为提示工程。本研究有三个目标：(i) 调查学生在寻求 AI 对其论点反馈时生成提示的成熟度；(ii) 检查学生看重 AI 生成反馈的特征；(iii) 分析学生对来自自制提示与包含提示工程技术和有效反馈原则的提示生成的反馈的偏好趋势。结果表明，学生生成的提示通常仅反映了提示工程技术的一部分子集。尽管存在这种不成熟性，例如对任务背景的描述不完整，AI 响应仍通过准确推断提示整体内容来实现上下文直观。我们还识别了12个学生归因于 AI 生成反馈有用性的特征，涵盖四个更广泛的主题：评估、内容、呈现和深度。最终，结果显示学生几乎所有人都倾向于使用结构化提示生成的反馈，特别是结合提示工程技术与有效反馈原则的提示。这些结果的含义包括在 AI 系统的设计和交付中整合有效反馈原则，以及在入门物理课程中纳入提示工程。
引用
@article{arxiv.2509.08515,
title = {Variational Rank Reduction Autoencoders for Generative Thermal Design},
author = {Alicia Tierz and Jad Mounayer and Beatriz Moya and Francisco Chinesta},
journal= {arXiv preprint arXiv:2509.08515},
year = {2025}
}