自动学生反馈生成智能系统的负责任开发框架
ChatGPT 在自动化给予 Java 编程作业反馈方面的可行性进行了研究，调查结果表明学生们普遍认为 ChatGPT 反馈与 Shute 建立的形成性反馈准则相一致，他们更喜欢包含他们代码的反馈，此研究还提供了改进 ChatGPT 生成反馈的具体见解。
Dec, 2023
基于大语言模型的自动生成反馈在智能辅导系统和在线学习平台中具有潜力来提高许多学生的学习效果，本文针对自动生成和评估反馈的问题，提出了数学反馈评估标准和反馈生成框架，通过强化学习优化反馈的正确性和一致性，并通过案例研究定性分析了生成和评估系统。
Mar, 2024
将生成式 AI（GenAI）和大型语言模型（LLMs）应用于教育可以提高教学效率，丰富学生学习。使用当前的 LLM 涉及到会话式用户界面（CUIs）用于生成材料或提供反馈，但这带来了教育者在 AI 和 CUI 领域的专业知识需求、高风险决策的道德问题以及隐私风险。为了解决这些问题，我们建议从 CUIs 过渡到通过 API 调用利用 LLMs 的用户友好应用程序。我们提出了一个将 GenAI 道德地融入教育工具的框架，并展示了其在我们的工具 Feedback Copilot 中的应用，该工具为学生作业提供个性化反馈。我们的评估结果显示了这种方法的有效性，对 GenAI 研究人员、教育者和技术人员具有重要意义。这项工作为教育中的 GenAI 未来制定了一条路线。
Apr, 2024
应对人工智能和生成人工智能在高等教育中的崛起需要进行评估改革，本研究通过探讨学生和学术人员对人工智能和生成人工智能工具的熟悉程度和舒适度，着眼于当前和未来在学习和评估中的应用，填补了关键空白。在线调查收集到来自越南的两所大学和新加坡的一所大学的 35 名学术人员和 282 名学生的数据，调查了生成人工智能的熟悉程度、其在评估标记和反馈、知识检测和参与中的应用以及生成人工智能文本检测的经验。描述性统计和思考性主题分析揭示了两个群体对生成人工智能的熟悉程度普遍较低。生成人工智能反馈受到负面评价，然而当与教师反馈结合时，评价更为积极。学术人员对生成人工智能文本检测工具以及基于检测结果的成绩调整更加接受，相对于学生而言。定性分析确定了三个主题：对文本检测工具的理解不清晰，对生成人工智能检测器的经验存在差异，以及对生成人工智能对教育评估未来影响感受复杂。这些发现对高等教育中生成人工智能评估和反馈的政策和实践的发展具有重要意义。
Jun, 2024
本文对利用人类反馈来提高自然语言生成的研究进行了综述。通过介绍反馈的形式和目标，讨论了直接使用反馈或训练反馈模型两种方法在训练和解码过程中的应用。此外，我们还探讨了与反馈收集相关的现有数据集和问题，并提供了人工智能反馈领域的概述。
May, 2023
本文概述了人工智能在教育领域的应用，针对学生反馈数据，提出了利用自然语言处理技术来识别教育基础设施、学习管理系统、教学实践和学习环境的改进方向，并重点介绍了情感标注、实体注释、文本摘要和主题建模等文本分析技术在教育领域的应用及其存在的挑战。
Jan, 2023
发展分析和缓解策略，提供了一个初始框架来理解模型限制、尊重隐私、保密和版权、避免抄袭和政策违规、确保应用程序提供整体利益，并透明可重现地使用人工智能，以保护研究的完整性。
Jan, 2024
通过借鉴澳大利亚两所大学的经验，本文提出了一个框架，以帮助研究机构促进和促使生成性人工智能的负责任使用。此框架目的在于将复杂的监管环境转化为基于原则的立场声明，并为培训、沟通、基础设施和流程变革提供指导。此论文强调了研究机构在这一领域采取行动的紧迫性，并建议了一个实用且可适应的框架。
Apr, 2024