Artificial Intelligence Driven Grading and Personalised Feedback in Higher Education Assessment
这项系统性文献综述综合了2020年至2026年的证据，旨在证明虽然人工智能驱动的评分和个性化反馈显著提升了高等教育评估的效率、一致性和可扩展性，但其负责任的实施需要强大的伦理保障和人类监督，以应对算法偏见、数据隐私和学术诚信等挑战。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在高等教育的广阔版图中，学生提交论文或习题集的时刻，一个沉重且无形的时钟便开始滴答作响。几十年来，该系统一直依赖人类教师去阅读每一个字、权衡每一个论点，并为成千上万份作业撰写详细的评语。这个过程不仅缓慢，更是一个瓶颈，往往延迟了学生学习所需的反馈，同时也消耗了教师本应用于实际教学的时间。随着大学班级规模日益扩大且多样化，传统的纯手工评分模式难以跟上节奏，常导致评分不一致以及无法针对个人需求进行深入探讨的泛泛之谈。当今面临教育工作者的课题是：技术能否介入，在不丢失使学习变得有意义的人文关怀的前提下，承担起评估工作的繁重任务。
这正是对发表于2020年至2026年间的研究进行全面综述所要解决的挑战，该综述研究了人工智能如何重塑大学评估学生作业的方式。作者，来自祖鲁兰大学的 Mziwendoda Cyprian Madwe，并非在单个课堂中进行了一项新的实验。相反，他们收集并分析了来自世界各地的十二项特定研究，范围涵盖德国、新加坡、毛里求斯和智利等国。这些研究探讨了先进计算机系统——特别是那些能够理解人类语言并识别模式的系统——在评分和提供反馈方面的应用。该综述旨在确定这些工具是否真正有效、它们在何处取得成功，以及在自动化效率的表象之下可能潜藏着哪些隐患。
研究结果表明，评估方式正在发生明显的转变。这项技术不再仅仅是一个检查答案对错的简单计算器。相反，它已成长为一个复杂的助手，能够阅读复杂的文章，理解多种语言中短答题的细微差别，甚至协助学生相互提供反馈。在所回顾的许多研究中，这些系统在加速评分进程方面表现得极为出色。它们可以在人类完成少量评分的时间内处理数百份提交件，确保每位学生都能快速获得分数。更重要的是，这项技术可以生成针对特定学生错误而定制的个性化评语，就如何改进提供即时指导。这种即时性有助于增强学生在学习中的信心，并允许他们在进入下一个主题之前纠正学习方向。
然而，该综述明确指出，这项技术并非教师的替代品。文献中所描述的最成功的应用案例，是那些将计算机视为合作伙伴而非替代品的场景。在这些场景中，人工智能处理重复性的评分和起草初步反馈的任务，从而让教师能够专注于更高层次的教学活动，如指导和深度讨论。研究一致表明，当教师保留最终评分权时，系统运行效果最佳。该技术擅长保持一致性，能将相同的规则应用于每位学生，而不会受到可能影响人类评分者的疲劳或情绪波动的影响。然而，研究人员警告称，如果没有人类的监督，系统可能会犯严重错误，尤其是在处理需要深度语境理解的创造性或复杂性答案时。
关于这些系统的公平性和安全性，仍然存在重大疑虑。综述强调，人工智能有时会继承其训练数据中的偏见，可能导致对某些背景的学生评分更为严苛。此外，由于这些系统需要海量的学生数据才能运作，因此也引发了关于隐私的严肃问题，包括谁拥有这些信息以及如何保护这些信息。此外，研究指出，并非所有教育工作者都已做好有效使用这些工具的准备；有些人缺乏必要的培训，无法在计算机出错时识别出来，或无法批判性地解读其建议。研究表明，为了使这项技术真正发挥益处，大学必须建立严格的规则和伦理准则，以确保系统的透明度和问责制。
最终，从这份综述中呈现出的景象是审慎的乐观。这项技术提供了一种解决规模化问题的强大方式，使大学能够在不使教职员工精疲力竭的情况下，向大量学生提供及时且个性化的反馈。但前行的道路并非让机器接管一切。证据表明，评估的未来在于一种伙伴关系：由人工智能处理容量与速度，而人类教育者提供判断、共情和伦理护栏。为了实现这一目标，机构必须投资于员工培训，保护学生数据，并不断检查系统以确保其公平性。其目标并非通过自动化将教师从课堂中排挤出去，而是为他们提供更有效的教学工具，确保每位学生都能获得成功所需的关注。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。