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

本文综述了情感分析在教育领域的四个级别及其在教学决策制定以及对教学质量的提升的作用，描述了使用AI方法和情感标注技术对学生反馈进行分析的过程和工具，并讨论了情感分析领域中的挑战和未来趋势。

Feb, 2023

本研究利用预训练转换器对多语言和多领域的输入文本进行情感分析，使用基于趋势-唤醒维度的情感分析方法，比传统方法更细致地区分不同的情感，并发现模型大小对预测质量有显著影响，可自信地预测不同语言的趋势性和唤醒性。

Feb, 2023

本研究评估了大型语言模型（LLMs）GPT-4和GPT-3.5在教育反馈调查中提供洞察力的潜力，并应用自然语言处理的方法，通过多标签分类、提取、主题分析和情感分析等任务来实现教育中常见的目标，从而展示了LLMs在洞察力提取方面的巨大潜力。

Sep, 2023

使用人工智能驱动的多模态方法，自动评估课堂鼓励和温暖程度，以及通过高级、多模态技术实现自动化课堂观察，旨在通过频繁和有价值的反馈促进教师培训。

Apr, 2024

教育工作者评估开放式书面考试答案是一项需要大量精力、一致性和准确性的重要任务。本研究探索了大型语言模型在评估大学生对参考资料提出的开放式问题的答案时的效果，发现LLMs的一致性和评分结果存在显著差异。进一步的比较研究对于确定使用LLMs进行教育评估的准确性和成本效益至关重要。

May, 2024

大型语言模型在教育环境中得到越来越广泛的应用，以为学生和教师提供个性化支持。然而，这些模型的整合引起了有关算法偏见的担忧，可能加剧教育不公平问题。本综述从传统机器学习生命周期的角度出发，提供了大型语言模型从初始开发到在教育应用中定制预训练模型的全面生命周期图。文章讨论了在教育背景下可能出现的偏见来源，并解释了为什么传统机器学习中的偏见度量无法迁移到教育中由大型语言模型生成的内容，因为文本是高维的，可能存在多个正确的回答，而定制回答可能是教学上合理而非不公平的。这篇综述旨在阐明大型语言模型应用中的复杂偏见现象，并为其评估提供实际指导，以促进教育公平。

Jun, 2024

本研究解决了传统教育中情感和行为分析方法的隐私和可扩展性问题。通过利用大型语言模型（LLMs）和特定提示的创新方法，我们能够非侵入性地分析学生的文本数据，显著提高了准确性和上下文理解能力。这一研究表明，结合LLMs与提示工程可以为教育情感和行为分析提供切实有效的工具。

Aug, 2024

本研究解决了缺乏有效方法量化学生课外活动效果的难题，提出了一种利用机器学习和自然语言处理的工作流程，通过情感分析评估学生组织活动的有效性。研究结果表明，使用BERT大型语言模型能够有效分析学生的情感反应，从而为教育机构的决策提供数据驱动的实用示例，展现了机器学习在教育领域的潜在影响。

Aug, 2024

本研究针对大型语言模型在高等教育中生成的教师评估中存在的性别偏见进行调查，特别是以GPT-4在六个学科中的评估为例。通过应用综合分析框架，研究发现反映社会刻板印象的性别关联语言模式，特别是女性教师使用与亲和力和支持相关的词汇，而男性教师则更多使用与娱乐相关的词汇，表明大型语言模型生成的文本反映了现有的性别偏见。

Sep, 2024