ادغام هوش مصنوعی (AI) در ارزیابی های توصیفی: چگونگی استفاده از مدل های زبان بزرگ برای افزایش دقت و سرعت بازخورد.

ارزیابی های توصیفی با هدف ارائه بازخوردهای غنی، فردمحور و فرآیندمحور، در سال های اخیر نقش مهمی در بهبود یادگیری عمیق و انگیزه درونی دانش آموزان یافته اند. با ظهور مدل های زبان بزرگ، امکان خودکارسازی بخش هایی از تولید بازخورد، تحلیل کیفی پاسخ ها، و شخصی سازی مداخلات یادگیری فراهم شده است. این مقاله با رویکردی کاربردی-تحلیلی، چارچوبی برای ادغام هوش مصنوعی در ارزیابی های توصیفی ارائه می دهد و نشان می دهد چگونه می توان با حفظ اصول عدالت آموزشی، سوگیری زدایی، و اخلاق آموزشی، دقت و سرعت بازخورد را ارتقا داد. در این مقاله ضمن تبیین مبانی نظری ارزیابی توصیفی و ظرفیت های مدل های زبان بزرگ، یک نقشه راه عملی شامل طراحی Rubricهای هوشمند، جریان کار معلم-ماشین، و ارزیابی شواهد یادگیری ارائه شده و با مطالعه موردی از مدارس ایران و ابزارهای بومی-جهانی تکمیل می گردد. سپس چالش های کلیدی مانند سوگیری الگوریتمی، حریم خصوصی داده ها، وابستگی مفرط به فناوری و «توهم زایی» مدل ها بررسی و برای هر کدام راهکارهای مبتنی بر شواهد پیشنهاد می شود. نتیجه گیری مقاله این است که با الگوسازی مسئولانه، معلم محور و شفاف، هوش مصنوعی می تواند زمان بازخورد را به طور معناداری کاهش دهد، ثبات و دقت ارزیابی را افزایش دهد و فرصت های یادگیری شخصی سازی شده فراهم کند؛ به شرط آنکه نقش نهایی قضاوت حرفه ای معلم تثبیت و سواد داده ای-هوش مصنوعی در مدرسه نهادینه شود.

کلیدواژه ها:

هوش مصنوعی ، مدل های زبان بزرگ ، ارزیابی توصیفی ، بازخورد ، سوگیری الگوریتمی ، اخلاق آموزشی ، Rubric هوشمند ، یادگیری شخصی سازی شده