计算机科学 > 计算机与社会
[提交于 2025年8月4日
]
标题: 评估大型语言模型在高等教育中对学生作文自动评估的可靠性和有效性
标题: Assessing the Reliability and Validity of Large Language Models for Automated Assessment of Student Essays in Higher Education
摘要: 本研究调查了五种先进的大型语言模型(LLMs),Claude 3.5、DeepSeek v2、Gemini 2.5、GPT-4和Mistral 24B,在真实世界高等教育情境中自动作文评分的可靠性和有效性。 总共评估了67篇意大利语学生作文,这些作文是作为大学心理学课程的一部分撰写的,使用了四个标准的评分量表(相关性、连贯性、原创性和可行性)。 每个模型在三个提示复制中对所有作文进行评分,以评估模型内稳定性。 人机评分一致性始终较低且不显著(二次加权Kappa),模型内跨复制的可靠性同样较弱(中位数肯德尔W < 0.30)。 系统性评分差异显现出来,包括倾向于提高连贯性以及对依赖上下文的维度处理不一致。 模型间一致性分析显示,连贯性和原创性有中等程度的收敛,但相关性和可行性几乎没有一致性。 尽管研究范围有限,但这些发现表明,当前的LLMs可能在需要学科洞察力和上下文敏感性的任务中难以复制人类判断。 在评估开放性学术作品时,特别是解释性领域,人工监督仍然至关重要。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.