ارزیابی یادگیری با استفاده از روشهای مبتنی بر بازیابی از طریق LLM

پیشرفتهای اخیر در هوش مصنوعی به ویژه استفاده از مدلهای زبان بزرگ (LLMS)، روشهای نوآورانه ای برای ارزیابی عمق دانش یادگیرندگان ارائه میدهد. روشهای سنتی ارزیابی اغلب در اندازه گیری دقیق درک جامع مطالب آموزشی با مشکل مواجه می شوند. مطالعات پیشین نشان داده اند که LLM در کاربردهای آموزشی مانند یادگیری شخصی سازی شده و تدریس هوشمند پتانسیل دارند. با این حال هنوز شکافهایی در پژوهشها در زمینه استفاده از LLM برای ارزیابی درک یادگیرندگان از طریق خلاصه های نوشتاری وجود دارد. این مطالعه از LLM برای ارزیابی درک یادگیرندگان بر اساس خلاصه های نوشتاری آنها از مطالب آموخته استفاده کند. در این روش یادگیرندگان خلاصه های جامعی از محتوای آموخته شده خود می نویسند که به عنوان ورودی برای LLM به کار گرفته می شود تا اطلاعات مرتبط را بازیابی کرده و خلاصه موردنظر را ارزیابی کند. آزمایش های اولیه ما نشان می دهد که بین کامل بودن خلاصه یادگیرنده و عملکرد LLM در پاسخ به سوالات آزمون همبستگی مثبت وجود دارد. نتایج ما نشان می دهد که مدل می تواند بر اساس خلاصه نوشتاری عمق درک یادگیرنده را ارزیابی کند، در نتیجه قابلیت مقیاس پذیری این روش نشان می دهد که می توان از آن در محیط های آموزشی بزرگ استفاده کرد و به مربیان امکان ارزیابی تعداد زیادی از دانشجویان را با کمترین تلاش دستی و در عین حال حفظ دقت در ارزیابی سطوح درک، فراهم آورد.

کلیدواژه ها:

مدلهای زبانی بزرگ (LMS) ، آموزش ، نظارت بی درنگ ، یادگیری شخصی سازی شده