AITOP

教育评估

共 5 条相关 AI 资讯
7月14日
11:17
11:17官方一手arXiv: DeepSeek@Tahmid Al Hannan, Diego Garcia, Alex Njoroge, Suha Al Juboori, Tarek Sakakini
该论文提出FATE（FLC AI Tutor Evaluator），一个8B参数的语言模型，专门用于评估AI导师的教学质量。FATE基于BEA 2025共享任务的四个核心评估轨道（Mistake Identification、Mistake Location、Guidance、Actionability）进行对齐。通过从前沿LLM进行知识蒸馏生成额外监督数据，FATE在评估性能上最高提升22.63个百分点。论文还使用FATE对ChatGPT、Claude、Gemini、DeepSeek等主流商业模型的教学响应进行基准测试：Gemini 2.5 Flash表现最好（82.88%），其次是ChatGPT 5.5 Instant（80.75%）、DeepSeek V4 Flash（80.13%）和Claude Sonnet 4.6（74.00%）。
论文FATE知识蒸馏BEA 2025
推荐理由：论文搞了个8B的小模型FATE，专门给AI老师打分，比蒸馏前涨了22个点。还顺便测了Gemini、ChatGPT等，Gemini 2.5 Flash得分最高，挺有意思。
原文
6月29日
10:09
10:09官方账号arXiv cs.AI@Chenguang Wang, Ming Li, Xinyue Zeng, Zhuochun Li, Hong Jiao, Tianyi Zhou, Dawei Zhou
论文提出Epi2Diff（Episode to Difficulty）框架，将大型推理模型（LRM）的推理轨迹映射为认知片段序列，通过推理规模、努力分配和状态转换建模难度。在四个真实人类难度数据集上，Epi2Diff优于微调小语言模型、LLM上下文学习和监督LLM适应等基线。在SAT分类基准上，Epi2Diff相比监督LLM微调获得8.1%平均相对增益。分析发现更难的题目导致更费力、迭代、以实施为中心的片段动态，而非仅更长的回答。
论文Epi2DiffLRM推理模型
推荐理由：想用AI推理过程预测题目难度？这篇论文提出了Epi2Diff，从LRM的思考轨迹中提取片段特征，比直接微调模型效果好8%以上，而且可解释。
原文
6月21日
20:24
20:24官方账号Decoder@Matthias Bastian
加州大学伯克利分校分析50万份成绩发现，ChatGPT发布后重写作与编程的课程成绩显著提升。提升主要出现在作业部分，而非考试，表明学生用AI替代自己完成作业。研究指出成绩虚高反映的是外包工作，而非真正的学习能力提高。该发现对教育评估体系提出挑战。
行业ChatGPTUC Berkeley教育评估
推荐理由：伯克利分析了50万份成绩，发现ChatGPT让学生的作业分数上涨，但考试没变化——说明AI在帮学生代写作业，而不是帮他们学东西。
原文
6月19日
10:14
10:14官方账号arXiv cs.AI@Luyang Fang, Yingchuan Zhang, Jongchan Park, Zhaoji Wang, Ping Ma, Xiaoming Zhai
研究提出基于Vision Transformer（ViT）的自信度感知评分框架，用于自动评估学生绘制的科学模型。在6个NGSS对齐的中学评估项目上，该方法通过从测试时预测分布中提取响应级自信度，实现高置信度响应自动评分，低置信度响应转人工审核。相比传统方法，该框架在保持评分可靠性的同时，支持自动覆盖率和评分风险之间的实用权衡。
论文Vision Transformer自信度感知自动评分
推荐理由：这篇论文教你用ViT给学生的科学画图自动打分，还能判断哪些该机器批、哪些该人看，很适合做教育评估的参考。
原文
6月9日
05:18
05:18a16z@a16z
World Labs CEO、AI 学者李飞飞在 Bloomberg Tech 活动上呼吁，AI 必须推动 K-16 教育体系变革。她指出，当 AI 能比普通人更好回答标准化试题时，问题不在于人类不行，而在于评估方式过时。她强调人类资本是世界上最宝贵的资源，教育应转向赋能学生使用 AI 工具，培养他们引领 AI、正确使用 AI 的能力。李飞飞鼓励孩子们不要害怕 AI，而要发挥人类能动性，用 AI 创造前所未有的影响力。
行业AI 教育李飞飞教育评估
推荐理由：李飞飞直指 AI 时代教育的核心矛盾——标准化考试已失效，做教育决策、课程设计或关心孩子未来的家长/老师，值得听听这位 AI 领袖的变革思路。
原文