في سعيها لتحقيق العدالة في تقييمات الطلاب، توصلت دراسة جديدة إلى نتائج مذهلة حول استخدام نماذج اللغة الكبيرة (LLMs) كأداة لتحليل صعوبات الامتحانات البرمجية. تقدم هذه الدراسة دليلاً مهمًا على تأثير الفروقات في صعوبات الامتحانات على تقييمات الطلاب، وتعتمد على مزيج من بيانات الذكاء الاصطناعي، الأداء الطلابي المجمع، وعمليات تقييم المعلمين.

في المرحلة الأولى من الدراسة، تم حل عشرة نماذج لامتحان نهائي مكون من ثمانية مسائل بالتزامن مع 120 طالبًا. وقد أظهرت النتائج وجود علاقة إيجابية قوية بين معدل نجاح الذكاء الاصطناعي ومعدل نجاح الطلاب، مما يشير إلى أن نماذج الذكاء الاصطناعي يمكن أن تعمل كمعيار موثوق لتقييم صعوبة الامتحانات. بالإضافة إلى ذلك، تمثل المؤشرات المستندة إلى حل المسائل علاقة سلبية مع معدلات النجاح، مما يعكس العلاقة بين صعوبة المسائل ونجاح الطلاب.

تم استخدام مراجعة شاملة بواسطة واجهة برمجية (API) تدعم نماذج OpenAI لقياس صعوبة الامتحانات عبر 79 مسألة من 11 امتحانًا متوازٍ. وكشفت النتائج التي تم الحصول عليها أن صعوبة الذكاء الاصطناعي ترتبط ارتباطًا سلبياً مع معدلات النجاح على مستوى المسألة، مما يعطي نماذج اللغة الكبيرة بعدًا جديدًا في تقييم الصعوبات.

ومع ذلك، وضعت الدراسة حدودًا واضحة لاستخدام هذه النتائج، مشددة على أن مقاييس صعوبة الذكاء الاصطناعي يجب ألا تُستخدم في تقييم الطلاب بشكل فردي أو تعديل الدرجات تلقائياً. بالنظر إلى ذلك، يمكن أن تُعتبر الأدلة المستندة إلى الذكاء الاصطناعي أداةً قيمة لمناقشة العدالة بين الفصول الدراسية ومراقبة جودة التعليم على المدى الطويل.

في الختام، هذه الدراسة تفتح آفاقًا جديدة لتشغيل الذكاء الاصطناعي في مجال التعليم، مما يعزز من شفافية وموضوعية التقييمات الأكاديمية. ما رأيكم في استخدام الذكاء الاصطناعي لتحسين نظم التعليم؟ شاركونا في التعليقات.