بررسی سامانه های امتیازدهی خودکار مقالات با تکیه بر مدل های زبانی بزرگ: نقش و چالش های استفاده از OpenAI ChatGPT در سیستم های AES

در دهه های اخیر گسترش فناوری های دیجیتال به ویژه هوش مصنوعی (AI) تاثیر چشمگیری بر نظام های آموزشی و روش های ارزشیابی داشته است. یکی از مهم ترین کاربردهای این فناوری سیستم های امتیازدهی خودکار مقالات (Automated Essay Scoring - AES) است که با بهره گیری از الگوریتم های پردازش زبان طبیعی (NLP)، یادگیری ماشین (ML) و شبکه های عصبی عمیق فرآیند ارزیابی نوشتار را به سطحی دقیق تر، سریع تر و استانداردتر ارتقا داده اند. تاریخچه AES از پروژه PEG در دهه ۱۹۶۰ آغاز شد و با توسعه مدل هایی چون e-rater و سیستم های مبتنی بر تحلیل معنایی و آماری ادامه یافت. با پیشرفت مدل های یادگیری عمیق مانند ROBERT، BERT و GPT، این حوزه دستخوش تحولی بنیادین شد. مدل های زبانی بزرگ (LLM) به ویژه ChatGPT توانسته اند جنبه های پیچیده ای از زبان طبیعی مانند انسجام، منطق استدلال و سبک نگارش را در سطحی نزدیک به انسان تحلیل کنند. این توانایی موجب شده AES نه تنها در ارزیابی سریع متون بلکه در ارائه بازخورد توصیفی، تحلیل تحلیلی و کل نگر و حتی شبیه سازی بازخورد همتایان مورد استفاده قرار گیرد. با این حال چالش هایی همچون ماهیت جعبه سیاه مدل های عمیق، تعصبات زبانی و فرهنگی، ناپایداری پاسخ ها و محدودیت در شفافیت الگوریتمی همچنان مطرح هستند. این مقاله با روش مرور نظام مند منابع علمی به بررسی تاریخچه، مبانی نظری و رویکردهای سنتی و مدرن AES پرداخته و جایگاه مدل های مبتنی بر هوش مصنوعی به ویژه ChatGPT در این حوزه را تحلیل می کند. یافته ها نشان می دهد که AES می تواند ابزار مکمل ارزشمندی در آموزش نوشتاری باشد به شرط آنکه همراه با نظارت انسانی و طراحی دقیق پرامپت ها به کار رود. در نهایت پژوهش تاکید می کند که بهره گیری متعادل از هوش مصنوعی در ارزشیابی آموزشی می تواند هم به بهبود کیفیت یادگیری و هم به کارآمدی نظام های آموزشی منجر شود.

کلیدواژه ها:

هوش مصنوعی ، امتیازدهی خودکار مقالات (AES) ، پردازش زبان طبیعی (NLP) ، یادگیری عمیق ، ChatGPT