Source integration in source-based writing: From theoretical modeling to predictive analytics

Andrew Potter

doi:10.1016/j.asw.2026.101081

Source integration in source-based writing: From theoretical modeling to predictive analytics

2026-07-01

2

PRE

AI

DOI：10.1016/j.asw.2026.101081

原文链接

原文求助

摘要

En 中文

有效来源整合是学术写作中复杂但关键的技能；然而，其教学和评估仍然困难。评估来源整合对形成性反馈和教学实践具有重要意义，但现有方法存在局限性，尤其是在自动化系统中。本研究旨在通过从学生论文中提取语言特征，并将其作为潜在构念进行验证性因子分析，以开发和验证一个自动化的来源整合测量方法。研究测试并检验了与人工评分的预测效度以及使用测量不变性跨数据集的泛化能力。来源整合构念包括与引文、引述、抄袭以及与源文本语义重叠相关的语言特征。结果表明，该方法与人工评分高度一致（beta = .81, R2 = .65），并在使用新提示和源的新数据集中显示出结构一致性。预测效用分析表明，该潜在构念在结合BERT嵌入时改进了机器学习模型，并提高了与人工评分的一致性。GPT-5.2生成了可解释的依据，但评分可靠性较低。这些发现表明，基于语言特征的来源整合构念可以补充现代AI方法，为基于来源的写作提供形成性反馈的基础，并解决公平性和可解释性问题。

Keyword:

Source integration

Automated writing evaluation

Natural language processing

Validity

Formative feedback

Source integration in source-based writing: From theoretical modeling to predictive analytics

摘要

期刊

机构

引用论文