Automated Scoring of Handwritten Mathematical Problem Posing Using Large Language Models
Diese Studie zeigt, dass das große Sprachmodell Gemini 3.5 Flash durch die Verwendung eines Zero-Shot-Prompting-Ansatzes mit einer strukturierten Rubrik eine zuverlässige automatisierte Bewertung von handschriftlichen mathematischen Aufgaben zur Problemerstellung in der Mittelstufe erreichen kann, insbesondere bei Aufgaben zu ganzen Zahlen und unter Verwendung revidierter OCR-Texteingaben.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind eine Lehrkraft mit einem Berg an Hausaufgaben, die korrigiert werden müssen. Sie wissen, dass es eine Superkraft für das Lernen ist, wenn Schüler ihre eigenen Matheaufgaben erstellen – das fördert Kreativität und tiefes Verständnis. Aber das Korrigieren dieser kreativen, handschriftlichen Antworten ist ein Albtraum. Jeder Schüler schreibt anders, manche entwerfen unmögliche Szenarien und manche schreiben einfach nur Unsinn. Es dauert ewig, und selbst menschliche Lehrkräfte können sich uneinig darüber sein, was eine „gute“ Aufgabe ausmacht. Hier kommt Künstliche Intelligenz (KI) ins Spiel, die verspricht, eine unermüdliche Korrekturhilfe zu sein. Aber hier liegt der Haken: KI ist gut darin, gedruckten Text zu lesen, aber kann sie auch unordentliche, handschriftliche Mathe-Kritzeleien verstehen und den Unterschied zwischen einer brillanten Schülerfrage und einem verwirrenden Durcheinander erkennen? Diese Frage bewegt sich an der Schnittstelle zwischen Bildung und Informatik und untersucht, ob Maschinen lernen können, wie eine Mathelehrerin oder ein Mathelehrer zu „denken“, wenn sie die Kreativität von Schülern bewerten.
Die Forscher in dieser Studie beschlossen, eine sehr intelligente KI namens Gemini 3.5 Flash auf die Probe zu stellen. Sie wollten sehen, ob diese KI handschriftliche Matheaufgaben, die von 235 Schülern der Mittelstufe erstellt wurden, so genau bewerten kann wie menschliche Lehrkräfte. Um dies zu erreichen, richteten sie einen „Geschmackstest“ mit zwei verschiedenen Szenarien ein: eines, das ganze Zahlen betraf (wie Fahrstrecken), und ein anderes, das Brüche betraf (wie das Teilen eines Kuchens). Sie gaben der KI zwei Versionen desselben handschriftlichen Textes: eine, die direkt durch die „Augen“ des Computers gelesen wurde (was bei unordentlicher Handschrift manchmal zu Fehlern führt) und eine, die von Experten sorgfältig korrigiert worden war. Sie probierten auch aus, die Bewertungsregeln in zwei verschiedenen Reihenfolgen an die KI zu geben – entweder beginnend von der niedrigsten Punktzahl aufwärts oder beginnend von der höchsten Punktzahl abwärts – um zu sehen, ob die Reihenfolge der Anweisungen die Meinung der KI veränderte.
Die Ergebnisse waren eine Mischung aus „großen Neuigkeiten“ und „Verbesserungswürdigkeit“. Die Studie ergab, dass die KI, wenn sie den von Experten korrigierten Text verwendete, viel besser mit menschlichen Lehrkräften übereinstimmte als bei dem rohen, unordentlichen Computer-Lesevorgang. Der Typ der Matheaufgabe spielte jedoch eine große Rolle. Die KI war viel genauer beim Bewerten von Aufgaben mit ganzen Zahlen (die Fahr-Aufgabe) im Vergleich zu Aufgaben mit Brüchen (die Kuchen-Aufgabe). Es scheint, dass die KI mehr mit den Nuancen von Brüchen zu kämpfen hatte und oft hohe Punktzahlen für Antworten vergab, die zwar mathematisch korrekt waren, aber nicht wirklich zu der Geschichte passten, die der Schüler erzählte. Interessanterweise spielte die Reihenfolge, in der die Bewertungsregeln der KI präsentiert wurden, überhaupt keine Rolle; egal, ob die KI die Rubrik von unten nach oben oder von oben nach unten bearbeitete, ihre Leistung blieb gleich.
Kurz gesagt deutet die Studie darauf an, dass KI eine zuverlässige Hilfe beim Korrigieren handschriftlicher Matheaufgaben sein kann, aber noch nicht perfekt ist. Sie funktioniert am besten, wenn die Handschrift klar ist und die Mathematik ganze Zahlen umfasst. Die Forscher fanden heraus, dass allein die Zufuhr eines besseren Textes (indem Menschen die Lesefehler des Computers korrigierten) einen spürbaren Unterschied machte, aber die KI benötigt immer noch Hilfe dabei, die „Geschichte“ hinter der Mathematik zu verstehen, insbesondere wenn Brüche im Spiel sind. Während die KI nicht durch die Reihenfolge der Anweisungen verwirrt wurde, stolperte sie über die Komplexität des mathematischen Inhalts. Die Autoren kommen zu dem Schluss, dass die KI zwar erhebliches Potenzial hat, Lehrkräften zu helfen, wir aber vorsichtig sein müssen, wie wir sie einsetzen, insbesondere bei komplexeren Themen wie Brüchen, und dass wir immer überprüfen sollten, ob der Computer die Handschrift der Schüler korrekt liest, bevor er mit dem Korrigieren beginnt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.