მოსწავლეებს შეიძლება მალე სხვა მასწავლებელი ჰყავდეთ კლასში, მაგრამ ნაკლებად სავარაუდო წყაროდან: ხელოვნური ინტელექტი (AI). ორ ბოლო ნაშრომში, პენს შტატის კომპიუტერულმა მეცნიერებმა შეამოწმეს ხელოვნური ინტელექტის ფორმის ეფექტურობა, რომელიც ცნობილია როგორც ბუნებრივი ენის დამუშავება სტუდენტების სამეცნიერო სტატიების შესაფასებლად და უკუკავშირის მიწოდებისთვის. მათ დეტალურად აღწერეს თავიანთი შედეგები სასწავლო მეცნიერების საერთაშორისო საზოგადოების კონფერენციის (ISLS) გამომცემლობაში და ხელოვნური ინტელექტის განათლებაში საერთაშორისო კონფერენციის შრომებში (AIED).
Passonneau-ს ხელმძღვანელობით, მკვლევარებმა, რომლებიც მუშაობდნენ ISLS ქაღალდზე, გააფართოვეს არსებული ბუნებრივი ენის დამუშავების ხელსაწყოს, სახელწოდებით PyrEval, შესაძლებლობები, რათა შეეფასებინათ იდეები სტუდენტების წერილობით წინასწარ განსაზღვრულ, გამოთვლით რუბრიკებზე დაყრდნობით. მათ ახალ პროგრამულ უზრუნველყოფას დაარქვეს PyrEval-CR.
„PyrEval-CR–ს შეუძლია საშუალო სკოლის მოსწავლეებს მიაწოდოს დაუყოვნებელი გამოხმაურება მათ სამეცნიერო ნარკვევებზე, რაც ათავისუფლებს შეფასების დიდ ტვირთს მასწავლებლისგან, რათა მეტი წერითი დავალება იყოს ინტეგრირებული საშუალო სკოლის სამეცნიერო კურიკულუმებში“, - თქვა პასონომ. "ერთდროულად, პროგრამული უზრუნველყოფა ქმნის შემაჯამებელ ანგარიშს თემებზე ან იდეებზე, რომლებიც წარმოდგენილია ესეებში ერთი ან მეტი კლასიდან, ასე რომ მასწავლებლებს შეუძლიათ სწრაფად განსაზღვრონ, გაიგეს თუ არა მოსწავლეებმა მეცნიერების გაკვეთილი".
PyrEval-CR-ის დასაწყისი 2004 წლით თარიღდება, როდესაც პასონო თანამშრომლებთან ერთად მუშაობდა პირამიდის მეთოდის შემუშავებაზე, სადაც მკვლევარები ხელით ასახელებენ წყაროს დოკუმენტებს, რათა საიმედოდ შეაფასონ დაწერილი იდეები მათი მნიშვნელობის მიხედვით. 2012 წლიდან პასონო და მისი კურსდამთავრებულები მუშაობდნენ პირამიდის ავტომატიზაციაზე, რამაც გამოიწვია სრულად ავტომატიზირებული PyrEval-ის შექმნა, PyrEval-CR-ის წინამორბედი.
მკვლევარებმა შეამოწმეს PyrEval-CR-ის ფუნქციონალობა და სანდოობა ვისკონსინის საჯარო სკოლების ასობით რეალურ საშუალო სკოლის სამეცნიერო ნარკვევზე. სადანა პუნტამბეკარმა, ვისკონსინ-მედისონის უნივერსიტეტის განათლების ფსიქოლოგიის პროფესორმა და ორივე ნაშრომის თანამშრომელმა, აიყვანა მეცნიერების მასწავლებლები და შეიმუშავა მეცნიერების სასწავლო გეგმა. მან ასევე მიაწოდა ისტორიული სტუდენტური ესეების მონაცემები, რომლებიც საჭირო იყო PyrEval-CR-ის შესამუშავებლად კლასებში მის განთავსებამდე.
„PyrEval-CR-ში ჩვენ შევქმენით იგივე მოდელი, რომელსაც PyrEval შექმნიდა ექსპერტი მწერლების რამდენიმე პასაჟიდან, მაგრამ გავაფართოვეთ იგი ისე, რომ შეესაბამებოდეს ნებისმიერ რუბრიკას, რომელსაც აზრი აქვს კონკრეტული ესეების მოთხოვნაზე“, - თქვა პასონომ. „ჩვენ ჩავატარეთ ბევრი ექსპერიმენტი პროგრამული უზრუნველყოფის დასაზუსტებლად, შემდეგ დავადასტურეთ, რომ პროგრამული უზრუნველყოფის შეფასება ძალიან დიდ კორელაციაში იყო პუნტამბეკარის ლაბორატორიის მიერ შემუშავებული და გამოყენებული სახელმძღვანელო რუბრიკის შეფასებასთან.
AIED-ის ნაშრომში მკვლევარებმა გადმოსცეს ტექნიკური დეტალები იმის შესახებ, თუ როგორ მოახდინეს PyrEval პროგრამული უზრუნველყოფის ადაპტაცია PyrEval-CR-ის შესაქმნელად. Passonneau-ს თანახმად, პროგრამული უზრუნველყოფის უმეტესობა შექმნილია როგორც მოდულების, ან სამშენებლო ბლოკების ნაკრები, რომელთაგან თითოეულს განსხვავებული ფუნქცია აქვს.
PyrEval-ის ერთ-ერთი მოდული ავტომატურად ქმნის შეფასების მოდელს, რომელსაც ეწოდება პირამიდა, ოთხიდან ხუთამდე საცნობარო ტექსტიდან დაწერილი იმავე მოთხოვნაზე, როგორც სტუდენტის ესეები. ახალ PyrEval-CR-ში შეფასების მოდელი ან გამოთვლითი რუბრიკა იქმნება ნახევრად ავტომატურად მანამ, სანამ სტუდენტები მიიღებენ ესეს მოთხოვნას.
„PyrEval-CR აადვილებს მასწავლებლებს რეალურ საკლასო ოთახებში, რომლებიც იყენებენ რუბრიკებს, მაგრამ რომლებსაც, როგორც წესი, არ აქვთ რესურსები, შექმნან საკუთარი რუბრიკა და შეამოწმონ, შეიძლება თუ არა ის გამოიყენოს სხვადასხვა ადამიანმა და მიაღწიოს მოსწავლეთა მუშაობის ერთსა და იმავე შეფასებას. თქვა პასონომ.
ესეების შესაფასებლად, სტუდენტების წინადადებები ჯერ უნდა დაიყოს ცალკეულ პუნქტებად და შემდეგ გადაკეთდეს რიცხვების ფიქსირებული სიგრძის მიმდევრებად, რომლებიც ცნობილია როგორც ვექტორები, პასონოს მიხედვით. პუნქტების მნიშვნელობის გასაგებად მათი ვექტორებად გადაქცევისას გამოიყენება ალგორითმი, რომელსაც ეწოდება შეწონილი ტექსტის მატრიცის ფაქტორიზაცია. პასონომ თქვა, რომ ალგორითმი სხვა აპრობირებული მეთოდებზე უკეთ ასახავს მნიშვნელობის არსებით მსგავსებებს.
მკვლევარებმა ადაპტირდნენ სხვა ალგორითმი, რომელიც ცნობილია როგორც შეწონილი მაქსიმალური დამოუკიდებელი ნაკრები, რათა უზრუნველყონ PyrEval-CR შერჩეული წინადადების საუკეთესო ანალიზს.
„წინადადების დაშლის მრავალი გზა არსებობს და თითოეული წინადადება შეიძლება იყოს რთული ან მარტივი განცხადება“, - თქვა პასონომ. "ადამიანებმა იციან, არის თუ არა ორი წინადადება მსგავსი მათი წაკითხვით. ადამიანის ამ უნარის სიმულაციისთვის, ჩვენ ვაქცევთ თითოეულ რუბრიკის იდეას ვექტორებად და ვაშენებთ გრაფიკს, სადაც თითოეული კვანძი წარმოადგენს სტუდენტური ვექტორის დამთხვევებს რუბრიკულ ვექტორებთან, ასე რომ პროგრამულმა უზრუნველყოფამ შეძლოს იპოვოთ სტუდენტური ესეს ოპტიმალური ინტერპრეტაცია“.
საბოლოოდ, მკვლევარები იმედოვნებენ, რომ განათავსებენ შეფასების პროგრამულ უზრუნველყოფას საკლასო ოთახებში, რათა მასწავლებლებისთვის უფრო პრაქტიკული გახადონ საბუნებისმეტყველო ესეების მინიჭება და შეფასება.
”ამ კვლევის საშუალებით, ჩვენ ვიმედოვნებთ, რომ გავაძლიერებთ სტუდენტების სწავლას მეცნიერების გაკვეთილებზე, მივცეთ მათ საკმარისი მხარდაჭერა და გამოხმაურება და შემდეგ უკან დავიხიოთ, რათა მათ შეძლონ ისწავლონ და მიაღწიონ საკუთარ თავს,” - თქვა პასონომ. „მიზანია საშუალება მისცეს STEM მასწავლებლებს, ადვილად განახორციელონ წერითი დავალებები თავიანთ სასწავლო გეგმებში.
Passonneau-სა და Puntambekar-ის გარდა, ISLS-ის ნაშრომის სხვა ავტორები არიან: Purushartha Singh და ChanMin Kim, Penn State School of Electrical Engineering and Computer Science; და დანა გნესდილოუ, სამანტა ბეიკერი, ქსუსონგ კანგი და უილიამ გოსი, ვისკონსინ-მედისონის უნივერსიტეტი. Passonneau-სა და Puntambekar-ის გარდა, AIED-ის ნაშრომის სხვა ავტორები არიან მოჰამად ვასიჰი, პენს შტატის ელექტროინჟინერიისა და კომპიუტერული მეცნიერების სკოლა; სინგჰი, კიმ და კენგი.
