.png){kind=icon}
返回
Classifying Students' Meta-cognitive Comments
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-03873-9_18.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们报告了关于自动分类学生在收到测试成绩后提供的书面评论的进展。这种分类的目的是帮助教师更有效地支持学生元认知技能的发展。我们描述了一个分类流水线，该流水线无缝集成了大型或小型语言模型（LLMs或SLMs），利用了最先进的检索增强生成技术和人类反馈。我们将这种方法应用于高中物理测试的现场数据和源自自我调节学习模型的分类方案。对于SLMs，达到的最佳分类准确率约为0.8，这与使用LLMs获得的结果相当。分类结果表明，处于相似课堂环境中的学生对评估表现的感知和分析水平存在显著差异。一些学生仅关注其定量结果的事实性解释，而另一些学生则评论他们的自信心、自我效能感和学习策略。
Keyword:
Self-Regulated Learning
Meta-Cognition
Assessment with confidence levels
Text classification
Generative AI
期刊
机构
引用论文
Metacognition and cognitive monitoring: A new area of cognitive–developmental inquiry.元认知和认知监控: 认知发展研究的新领域。
PREAI
分享收藏
Does student confidence on multiple-choice question assessments provide useful information?.png)
MEDICAL EDUCATION
OAAI
MEDICAL EDUCATIONIF5.2
OAAI分享收藏 没有更多内容
没有更多内容