Automated Scoring of Handwritten Mathematical Problem Posing Using Large Language Models
Cette étude démontre que le grand modèle de langage Gemini 3.5 Flash peut parvenir à une notation automatisée fiable de tâches de formulation de problèmes mathématiques manuscrites de niveau collège en utilisant une approche de prompting zero-shot avec une grille d'évaluation structurée, particulièrement pour les problèmes portant sur les nombres entiers et lors de l'utilisation d'entrées de texte OCR révisées.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous êtes un enseignant avec une montagne de devoirs à corriger. Vous savez que demander aux élèves de créer leurs propres problèmes de mathématiques est un superpouvoir pour l'apprentissage — cela développe la créativité et la compréhension profonde. Mais corriger ces réponses manuscrites créatives est un cauchemar. Chaque élève écrit différemment, certains inventent des scénarios impossibles, et d'autres écrivent simplement n'importe quoi. Cela prend un temps fou, et même les enseignants humains peuvent être en désaccord sur ce qu'un « bon » problème représente. C'est là que l'intelligence artificielle (IA) intervient, promettant d'être un assistant de correction infatigable. Mais voici le piège : l'IA est excellente pour lire du texte imprimé, mais peut-elle réellement comprendre des gribouillis mathématiques manuscrits et faire la différence entre la question brillante d'un élève et un désordre confus ? Cette question se situe à l'intersection de l'éducation et de l'informatique, explorant si les machines peuvent apprendre à « penser » comme un professeur de mathématiques lorsqu'elles évaluent la créativité des élèves.
Les chercheurs de cette étude ont décidé de mettre à l'épreuve une IA très intelligente, appelée Gemini 3.5 Flash. Ils voulaient voir si cette IA pouvait lire des problèmes de mathématiques manuscrits créés par 235 élèves du secondaire et les noter aussi précisément que des enseignants humains. Pour ce faire, ils ont mis en place un « test de dégustation » avec deux scénarios différents : l'un impliquant des nombres entiers (comme des distances de conduite) et un autre impliquant des fractions (comme partager un gâteau). Ils ont donné à l'IA deux versions du même texte manuscrit : une version lue directement par les yeux de l'ordinateur (ce qui entraîne parfois des erreurs avec une écriture manuscrite désordonnée) et une version soigneusement corrigée par des experts humains. Ils ont également essayé de donner à l'IA les règles de notation dans deux ordres différents — en commençant par la note la plus basse et en remontant, ou en commençant par la note la plus haute et en descendant — pour voir si l'ordre des instructions changeait l'avis de l'IA.
Les résultats étaient un mélange de « bonnes nouvelles » et de « points à améliorer ». L'étude a révélé que lorsque l'IA utilisait le texte corrigé par des experts, elle était bien plus en accord avec les enseignants humains que lorsqu'elle utilisait la lecture brute et désordonnée de l'ordinateur. Cependant, le type de problème mathématique importait beaucoup. L'IA était bien plus précise pour noter les problèmes portant sur les nombres entiers (la tâche de conduite) par rapport aux problèmes de fractions (la tâche du gâteau). Il semble que l'IA ait eu plus de mal avec les nuances des fractions, donnant souvent des notes élevées à des réponses qui étaient mathématiquement correctes mais qui ne correspondaient pas réellement à l'histoire racontée par l'élève. Curieusement, l'ordre dans lequel les règles de notation étaient présentées à l'IA n'avait aucune importance ; que l'IA commence par le bas ou par le haut de la grille d'évaluation, sa performance restait la même.
En bref, l'étude suggère que l'IA peut être une aide fiable pour corriger des problèmes de mathématiques manuscrits, mais qu'elle n'est pas encore parfaite. Elle fonctionne mieux lorsque l'écriture est claire et que les mathématiques impliquent des nombres entiers. Les chercheurs ont constaté que le simple fait de fournir une meilleure version du texte à l'IA (en demandant à des humains de corriger les erreurs de lecture de l'ordinateur) faisait une différence notable, mais que l'IA avait toujours besoin d'aide pour comprendre l'« histoire » derrière les mathématiques, en particulier lorsque des fractions sont impliquées. Bien que l'IA n'ait pas été confuse par l'ordre des instructions, elle a été déstabilisée par la complexité du contenu mathématique. Les auteurs concluent que, bien que l'IA possède un potentiel substantiel pour aider les enseignants, nous devons être prudents quant à la manière dont nous l'utilisons, surtout pour des sujets plus complexes comme les fractions, et nous devrions toujours vérifier que l'ordinateur lit correctement l'écriture manuscrite de l'élève avant qu'il ne commence à noter.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.