高等教育中基于文本的回答的自动评估：一项系统综述
摘要：基于文本的开放式问题在学术形式和总结性评估中有助于学生成为深层学习者，并为他们理解概念以便在随后的测试中概念性地运用做好准备。然而，在大型课程（>50名学生）中，对文本问题进行评分对教师来说是一项繁琐且耗时的过程。随着人工智能工具和自然语言处理算法的快速发展，文本处理模型不断进步。尤其是在大型语言模型（LLM）取得突破后，在教育中自动评估和反馈文本回答的快速化有巨大潜力。本系统性综述采用基于PRISMA过程的科学和可重复的文献检索策略，使用明确的包含和排除标准研究了高等教育中基于文本的自动评估系统，筛选了838篇论文并综合了93项研究。为了了解近年来基于文本的自动评估系统是如何开发和应用在教育中的，所有包含的研究根据提出的全面理论框架进行了总结和分类，包括自动评估系统的输入和输出、研究动机和研究结果，以回答相应的三个研究问题。此外，还调查和总结了自动评估系统的典型研究和应用领域。本系统性综述将为理解最新的AI/NLP发展，以协助高等教育中基于文本评估的最新教育应用提供概述。我们期望这将特别有益于将ChatGPT等LLM纳入他们的教育活动中的研究人员和教育工作者。
作者：Rujun Gao, Hillary E. Merzdorf, Saira Anwar, M. Cynthia Hipwell, Arun Srinivasa
论文ID：2308.16151
分类：Computers and Society
分类简称：cs.CY
提交时间：2023-08-31