ارزیابی و بازخورد خودکار تکالیف با استفاده از سیستم های هوش مصنوعی

در سال های اخیر رشد سامانه های مبتنی بر هوش مصنوعی (AI) و پردازش زبان طبیعی، امکان ارزیابی و ارائه بازخورد خودکار بر تکالیف دانش آموزان را در سطوح و حوزه های مختلف آموزشی فراهم ساخته است. این مقاله با روش مرور نظام مند به بررسی ساختارهای فنی، پداگوژیک و کنش های آموزشی مرتبط با ارزیابی خودکار تکالیف می پردازد. پرسش های اصلی عبارت بودند از: ۱) کدام روش های فنی (AES, ASAG, LLM-based) در ارزیابی و بازخورد تکالیف کاربردی اند؟ ۲) آثار آن ها بر یادگیری و رفتار معلم-دانش آموز چه بوده است؟ و ۳) چه چالش ها و ملاحظات اخلاقی/پداگوژیک مطرح است؟ شواهد نشان می دهد که ابزارهای ارزیابی خودکار (از AES های سنتی تا سیستم های مبتنی بر شبکه های عصبی و مدل های زبانی بزرگ) می توانند بازخورد سریع و تکرارشونده فراهم کنند و در بسیاری مطالعات اثر متوسط تا مثبت بر کسب مهارت های نوشتاری و بازنگری نوشتار داشته اند (Fleckenstein et al., ۲۰۲۳; Shi & Aryadoust, ۲۰۲۴). با این حال، محدودیت هایی مانند پوشش ناکافی بازخورد مفهومی، خطر اتکای بیش از حد، تبعات عدالت آموزشی و نیاز به اعتبارسنجی محتوایی و پداگوژیک وجود دارد (Deeva et al., ۲۰۲۱; Pankiewicz & Baker, ۲۰۲۳). مقاله نتیجه می گیرد که پیاده سازی موثر نیازمند طراحی پداگوژیک روشن، تلفیق انسان–ماشین، شفافیت الگوریتمی و آموزش معلمان است؛ و پیشنهاداتی عملی برای مدیران مدرسه، طراحان سامانه و پژوهشگران ارائه می شود.

کلیدواژه ها:

بازخورد خودکار ، ارزیابی خودکار ، هوش مصنوعی آموزشی ، پردازش زبان طبیعی ، ارزیابی نوشتاری ، سامانه های یادگیری