Evaluating Two Approaches to Assessing Student Progress in Cybersecurity Exercises
网络安全专业的学生需要培养实用技能，例如使用命令行工具。动手练习是评估这些技能的最直接方法，但评估学生的掌握程度对教师来说是一项具有挑战性的任务。我们的目标是通过在整个练习中自动建模和可视化学生的进步来缓解这个问题。根据学生为完成练习中的离散任务而键入的shell命令，通过图形模型总结了进度。我们实施了两种类型的模型，并使用来自两所大学的46名学生的数据进行比较。为了评估我们的模型，我们调查了22位经验丰富的计算教师，并对他们的反应进行了定性分析。大多数教师有效地解释了图模型，并确定了每个模型的优点，缺点和评估用例。基于评估，我们为教师提供建议，并解释我们的图模型如何创新教学和促进进一步的研究。本文件的影响有三个方面。首先，它展示了多个机构如何合作，分享方法来模拟学生的进步，在动手练习。其次，我们的建模技术可以推广到来自不同环境的数据，以支持学生评估，即使是在网络安全领域之外。第三，我们分享所获得的数据和开源软件，以便其他人可以在他们的课堂或研究中使用这些模型。
2021-12-03 cs.CR cs.CY
Developing and Assessing MATLAB Exercises for Active Concept Learning
MOOC等新技术提供了创新方法来应对教学和学习中的新挑战，例如全球化和不断变化的当代文化，并消除传统课堂的限制。然而，由于学生与教师之间的直接互动较少等因素，它们也给课程的提供和评估带来了挑战。这些挑战在工程教育中尤为严峻，因为工程教育严重依赖体验式学习，如计算机模拟和实验室练习，以帮助学生理解概念。因此，体验式学习组件的有效设计对于工程MOOC至关重要。在本文中，我们将分享我们通过开发和提供关于通信系统的MOOC所获得的经验，特别关注MATLAB练习的开发和评估。我们的方法使用许多MOOC平台通常提供的学习组件（例如，在线讲座和测验），并通过基于MATLAB的计算机模拟和练习来增强学生的体验，以使学生能够更具体和详细地理解材料。我们在这里描述了一个系统的方法来MATLAB的问题设计和评估，根据我们的经验与MATLAB服务器提供的MathWorks和edX MOOC平台集成。我们讨论的教学方法的有效性，通过学生的学习成绩进行评估。我们从教师和学生的角度分析了课程设计工具的影响。
2016-10-23 cs.CY
AISCliteracy: Assessing Artificial Intelligence and Cybersecurity Literacy Levels and Learning Needs of Students
本研究评估了尼泊尔Chitwan地区9至12年级学生的AI与网络安全素养水平及学习需求，通过调查分析为当地教育项目开发提供建议，并探讨了相关教育的促成因素与障碍。
2025-06-29 cs.CR cs.CY
Assessing Changes in Thinking about Troubleshooting in Physical Computing: A Clinical Interview Protocol with Failure Artifacts Scenarios
本文开发并试点“故障工件场景”临床访谈协议，通过物理计算单元前后的访谈分析18名学生数据，捕捉其故障排除思维变化，为评估学生相关能力发展提供新工具。
2024-12-04 cs.CY
Assessing the Performance of Online Students -- New Data, New Approaches, Improved Accuracy
Carnegie Mellon University（卡内基梅隆大学）
我们考虑的问题，评估个别学生不断变化的表现水平，因为他们通过在线课程。学生表现（SP）建模问题是构建自适应在线教学系统的关键步骤。具体来说，我们进行了一项研究，如何利用各种类型和大量的学生日志数据，训练准确的机器学习（ML）模型，预测未来的学生的表现。这项研究是第一次使用四个非常大的学生数据集最近从四个不同的智能辅导系统。我们的研究结果包括一种新的ML方法，该方法定义了基于逻辑回归的SP建模的最新技术水平，在几个方面改进了早期的方法：首先，我们通过引入可以从传统的问题-响应日志中轻松计算的新特征（例如，学生最近的答案中的模式）。其次，我们利用学生历史的特点，超越了问题-回答对（例如，诸如学生观看或跳过的视频片段的特征）以及关于课程中的先决条件结构的信息。第三，我们为课程的不同方面训练多个专门的SP模型（例如，总的来说，这些创新在这四个数据集上产生了0.808的平均AUC得分，而之前最好的逻辑回归方法得分为0.767，并且也优于最先进的深度神经网络方法。重要的是，我们在每个数据集中观察到我们的三种方法创新中的每一种都有一致的改进，这表明我们的方法具有通用性，并且也可能为其他在线辅导系统带来改进。
2022-02-08 cs.CY cs.LG
Analyzing-Evaluating-Creating: Assessing Computational Thinking and Problem Solving in Visual Programming Domains
本研究提出ACE测试，基于布鲁姆分类学高级认知层次，通过7x3多项选择题评估K-8学生可视化编程中的计算思维与问题解决能力，并经371名学生验证其信效度，且与Code.org表现正相关。
2024-03-18 cs.CY
Assessing Simulation Knowledge and Proficiency Among Undergraduate Computing Students in Brazil: Insights and Results from a Survey Research
本研究通过调查巴西10个州108名本科计算机学生，分析仿真教育现状，发现仅19人接触过仿真，MATLAB/Simulink为最常用工具，强调仿真教育对培养应对复杂挑战人才的关键作用。
2025-02-19 cs.CY cs.SE
LLM-Generated Design Problems for Assessing Higher-Order Thinking in Project-Based Learning
Rochester Institute of Technology（罗切斯特理工学院）
研究针对基于项目式学习中传统评估难以捕捉高阶思维的问题，引入设计问题（DPs），通过调查教师看法、评估大语言模型生成的DPs及学生表现数据等，发现DPs是传统评估的有益补充，能捕捉高阶思维不同方面。
2026-07-14 cs.CY
Assessing Attendance by Peer Information
Shenzhen Research Institute of Big Data（深圳大数据研究院）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
出勤率是反映学生学习动机、行为和心理状态的重要指标，但在混合学习环境下，由于课程注册差异或线上线下差异，学生出勤率的异质性使得出勤率的比较具有挑战性。在本文中，我们提出了一种新的方法称为相对出勤指数（RAI）来衡量出勤率，它反映了学生的努力出席课程。传统的出勤率侧重于单个人或课程的记录，相对出勤率强调相关个人或课程的同行出勤信息，使出勤率的比较更合理。真实数据的实验结果表明，RAI确实可以更好地反映学生的参与度。
2021-06-06 cs.CY cs.LG cs.SI
Student Development Agent: Risk-free Simulation for Evaluating AIED Innovations
本研究提出基于大语言模型的学生发展代理框架，用于无风险模拟评估AIED创新对学生发展的影响，案例验证显示预测与真实结果一致，为高效伦理评估提供新途径。
2025-10-10 cs.CY cs.HC
Assessing the Effectiveness of Selective Marketing to Broaden Participation in CS Education
University of Washington（华盛顿大学）
本文通过调整营销策略，提高了计算机科学教育项目中来自边缘化和低收入群体学生的参与度，同时保持了总体出席率。
2025-11-25 cs.CY
Assessing Engineering Student Perceptions of Introductory CS Courses in an Indian Context
本研究通过318名印度工程学生的调查，分析了他们对计算机科学入门课程评估的认知，揭示了基于背景因素的显著差异，为编程教育设计包容性评估策略提供了见解。
2025-08-06 cs.CE cs.CY cs.PL
Evaluating the Wide Area Classroom After 24,000 HPC Students
本文评估了广域课堂平台在24,000名HPC学生教学中的成效，介绍了其技术、后勤结构及最受欢迎的HPC课程。
2024-01-22 cs.CY physics.ed-ph
Assessing Student Ability to Select an Algorithmic Paradigm
Utah State University（犹他州立大学）；University of California, Irvine（加州大学尔湾分校）
提出算法范式选择评估（APSA），通过多项选择题测试学生选择不同算法设计范式的能力，初步数据表明其有效性（Cronbach's α=0.73）。
2026-06-12 cs.CY cs.DS cs.HC
A Policy Report Evaluating the National Assessment Program for Literacy and Numeracy (Naplan) Reform in Australia: The Impacts of High Stakes Assessment on Students
本报告评估了澳大利亚NAPLAN改革因高风险标准化测试带来的挑战，并提出向在线测试过渡等建议，旨在平衡标准化测试与教育追求，构建公平包容的教育环境。
2024-09-26 cs.CY
Integrating Large Language Models and Evaluating Student Outcomes in an Introductory Computer Science Course
University of California - San Diego（加利福尼亚大学圣迭戈分校）；Google（谷歌）；University of Toronto Mississauga（多伦多大学密西沙加分校）
本文设计并评估一门将 LLM 整合为学习工具的 CS1 课程，发现考试表现与历史课程相近、开放式项目价值突出，且学生总体认可工具但担忧过度依赖。
2025-10-21 cs.CY
Computer Science Programs, Goals, Student Learning Outcomes and their Assessment
在本文中，我们描述了MET计算机科学使用的过程，以确定我们所有的程序和研究生证书的程序，目标和学生的学习成果。我们说明了我们如何开始评估我们的程序的学习成果的过程中，并通过认证的两个程序收集的数据，目前实际的评估结果-它描述了样本直接和间接的评估数据，从我们的两个程序。
2016-01-27 cs.CY
Misconceptions, Pragmatism, and Value Tensions: Evaluating Students' Understanding and Perception of Generative AI for Education
本研究通过开放式调查考察了IT专业本科生对生成式AI的理解、使用与看法，发现存在诸多误解，并揭示了其在写作编码方面的应用、伦理担忧及对个性化学习的期望。
2024-10-29 cs.CY
Evaluating Pedagogical Incentives in Undergraduate Computing: A Mixed Methods Approach Using Learning Analytics
本文采用学习分析与定性数据的混合方法，评估了University College London本科计算模块中新教学激励措施对学生参与度的影响，并提出了一个整合数据驱动分析与学生视角的可解释参与度模型，以帮助教育工作者改进教学策略。
2024-03-13 cs.CY
Evaluating Discussion Boards on BlackBoard as a Collaborative Learning Tool A Students Survey and Reflections
University of Maryland（马里兰大学）
在本文中，我们调查学生如何认为他们的经验，在初级课程，有一个黑板课程的存在，学生广泛使用的讨论板。通过黑板设置一个调查，作为一个自愿测验和学生谁参加了免费积分。结果和参与是非常有趣的方面的反馈，我们通过从学生的公开评论，以及我们从问题的答案收集的统计数据。学生们表现出理解和愿意参与教学提高的努力。
2012-10-03 cs.CV cs.CY
Student Mastery or AI Deception? Analyzing ChatGPT's Assessment Proficiency and Evaluating Detection Strategies
University of British Columbia（不列颠哥伦比亚大学）
本文通过三门计算机课程评估ChatGPT完成作业的能力，发现其几乎完美通过入门评估，而现有检测工具和人工判断均不够准确，呼吁改进评估与检测方法。
2023-11-27 cs.CL cs.CY
Automatic Assessment of the Design Quality of Student Python and Java Programs
程序是计算机和人之间的一种通信方式，因此当学生接受编写程序的训练时，他们需要学会编写设计良好、可读的代码，而不是简单地正确运行的代码。教授提高可读性的好的设计实践的困难在于评估学生程序的劳动强度。通常评估设计质量涉及仔细阅读学生程序，以便提供个性化的反馈，这对教师来说自然是耗时的。我们提出了一个基于规则的系统，评估学生课程的设计质量，并提供个性化的，准确的反馈，如何提高他们的工作。为了研究其有效性，我们通过在线部署将该系统提供给学生，允许学生在提交作业之前接收反馈并进行修改。学生们从该系统中受益，与之前2到3年的学生提交相比，4个不同的作业（2个Python和2个Java）的设计质量缺陷率平均下降了47.84%。
2022-11-05 cs.CY cs.SE
EIT: Earnest Insight Toolkit for Evaluating Students' Earnestness in Interactive Lecture Participation Exercises
University of California, Berkeley（加州大学伯克利分校）
本文提出EIT（Earnest Insight Toolkit），通过分析学生投票回答并建立评估准则，衡量大规模混合课堂中学生在互动练习的认真程度与参与度，帮助教育者识别高风险学生并优化干预策略。
2023-10-31 cs.CL cs.CY cs.LG
Assessing Problem Decomposition in CS1 for the GenAI Era
University of California, San Diego（加州大学圣迭戈分校）；University of Toronto Mississauga（多伦多大学密西沙加分校）
本文针对 CS1 课程中问题分解能力评估缺失的问题，提出题目套件和开放式分解图两种评估方法，并分享了面向初学者的教学材料与反思。
2025-11-07 cs.CY
A Model of an E-Learning Web Site for Teaching and Evaluating Online
本研究致力于为计算机科学系四级学生设计一个在线学习网站，课程名称为“面向对象编程”（OOP）。这门课程将在网上（通过网络）教授，然后将设计一个方案，以电子方式评价学生的成绩，同时对网上教学、电子评价和传统评价方法进行比较。本研究试图对未来的网络教学和电子评价应该如何发展提出一个前瞻性的看法，这突出了本研究的重要性。
2015-01-22 cs.CY
Assessing the Impact of Disorganized Background Noise on Timed Stress Task Performance Through Attention Using Machine-Learning Based Eye-Tracking Techniques
本研究通过基于dLib模型的眼动追踪技术，探究背景噪声对限时压力任务中注意力及表现的影响，证实噪声的普遍负面影响及个体差异，提出个性化干预建议。
2024-10-05 cs.CY
Assessing the Reliability and Validity of Large Language Models for Automated Assessment of Student Essays in Higher Education
Università Cattolica del Sacro Cuore（圣心天主教大学）；Maastricht University（马斯特里赫特大学）；Istat（意大利国家统计研究所）
本研究评估五种LLM在高等教育论文自动评分中的可靠性，发现其与人类评分一致性低、模型内部稳定性弱，表明当前模型难以复现需学科洞察的判断，人类监督仍不可或缺。
2025-08-04 cs.AI cs.CY
Understanding Student Attitudes and Acceptability of GenAI Tools in Higher Ed: Scale Development and Evaluation
本研究开发并验证了评估高校学生对GenAI态度的调查量表，通过对297名美国本科生的调查，明确了四个态度维度及不同背景学生的态度差异，为教育AI的整合与系统设计提供依据。
2025-08-03 cs.CY
A Knowledge-Component-Based Methodology for Evaluating AI Assistants
UC Berkeley（加州大学伯克利分校）
本文提出基于知识组件的评估方法，分析GPT-4驱动的CS1编程提示生成器，发现提示能加速学生修复代码、捕捉关键错误，且多问题提示更有效。
2024-06-09 cs.AI cs.CY
Evaluating Predictive Models of Student Success: Closing the Methodological Gap
模型评估--对预测模型的性能进行推断的过程--是学习分析中预测建模研究的关键组成部分。我们调查了学习分析中模型评估的实践状况，这种方法绝大多数只使用不适合预测模型评估的朴素方法或统计测试。我们对原假设显著性检验（NHST）和用于模型评估的首选贝叶斯方法进行了关键比较。最后，我们应用三种方法-学习分析中常用的朴素平均值，NHST和贝叶斯-对大量MOOC数据进行预测建模实验。我们比较了96种不同的预测模型，包括不同的特征集，统计建模算法，以及每个模型的调整超参数，使用本案例研究来展示这些评估技术提供的不同实验结论。
2018-06-13 cs.CY stat.AP
Assessing the Prevalence of AI-assisted Cheating in Programming Courses: A Pilot Study
本研究通过匿名调查和访谈在大型编程课程中初步评估AI辅助作弊的普遍性，发现超25%学生承认抄袭，表明调查方法有效而访谈参与度低。
2025-07-08 cs.AI cs.CY cs.HC
Evaluating the Explainers: Black-Box Explainable Machine Learning for Student Success Prediction in MOOCs
EPFL（洛桑联邦理工学院）；Sharif University（谢里夫大学）；University of Cagliari（卡利亚里大学）
神经网络在应用于教育的机器学习中无处不在。他们在预测性能方面的普遍成功伴随着一个严重的弱点，他们的决策缺乏可解释性，特别是在以人为本的领域。我们实现了五种最先进的方法来解释黑盒机器学习模型（LIME，PermutationSHAP，KernelSHAP，DiCE，CEM），并检查了每种方法在五个大规模开放在线课程的学生成绩预测下游任务上的优势。我们的实验表明，对于具有相同代表性学生集的相同双向LSTM模型，解释者家族在特征重要性上意见不一。我们使用主成分分析，詹森-香农距离和斯皮尔曼的排名顺序相关性，以定量交叉检查跨方法和课程的解释。此外，我们验证解释器的性能跨基于脚本的先决条件的关系。我们的研究结果得出了一个令人担忧的结论，即解释器的选择是一个重要的决定，实际上对预测结果的解释至关重要，甚至比模型训练的过程更重要。源代码和模型发布在http://github.com/epfl-ml4ed/evaluating-explainers。
2022-07-01 cs.CY cs.LG
Evaluating Algorithmic Bias in Models for Predicting Academic Performance of Filipino Students
University of Pennsylvania（宾夕法尼亚大学）；Kyushu University（九州大学）；Sorbonne University（索邦大学）；Ateneo de Manila University（雅典耀大学）；LIP6（巴黎第六大学信息学实验室）；ait.kyushu-u.ac.jp（九州大学先进信息技术研究所）
本研究针对亚洲教育场景中地区层面算法偏差研究不足的问题，基于菲律宾某大学5986名学生的Canvas LMS活动日志训练成绩预测模型，通过三项指标评估未发现地区相关的预测不公平性。
2024-07-15 cs.CY cs.LG
"Which LLM should I use?": Evaluating LLMs for tasks performed by Undergraduate Computer Science Students
IIIT Delhi（德里印度信息技术学院）；VIT Vellore（韦洛尔理工学院）
该研究通过印度计算机科学本科生在代码、作业、面试、学习和邮件等任务上的使用体验，比较 Google Bard、ChatGPT（3.5）、GitHub Copilot Chat 与 Microsoft Copilot，为任务化选型提供依据。
2024-04-03 cs.CY cs.HC cs.LG
Assessing the Quality of AI-Generated Exams: A Large-Scale Field Study
本研究提出一种基于LLM批评与修订的迭代优化策略生成考试题目，并通过涉及91个班级、近1700名学生的大规模实地研究，基于IRT分析证明AI生成题目质量与专家题目相当。
2025-08-09 cs.AI cs.CY
Pandemic Pedagogy: Evaluating Remote Education Strategies during COVID-19
本研究回顾性评估COVID-19期间300名计算机科学学生的远程教学实践，发现其对学习成果影响适中，但显著提升学生满意度，且结果跨人口统计学一致，为未来类似场景提供基于证据的教育策略建议。
2023-08-30 cs.CY cs.SE
Automated Assessment of Students' Code Comprehension using LLMs
University of Memphis（孟菲斯大学）
本文探索利用大语言模型自动评估学生对程序代码的简短开放式解释，发现少样本和思维链提示下的LLMs可与微调后的编码器模型相媲美。
2023-12-19 cs.AI cs.CL cs.CY
Evaluating Federated Learning for At-Risk Student Prediction: A Comparative Analysis of Model Complexity and Data Balancing
Federal Institute of Education, Science and Technology of Rio Grande do Norte - IFRN（北里奥格兰德联邦教育、科学与技术学院（IFRN））
本文通过比较模型复杂度和数据平衡，评估联邦学习在高风险学生预测中的应用，展示了其在保护隐私的同时实现高预测精度的可行性。
2025-12-12 cs.AI cs.CY cs.LG
Is Solving Better Than Evaluating GenAI Solutions?
Purdue University（普渡大学）
通过220名大三算法课学生的随机A/B交叉研究发现，评估GenAI方案与传统解题的整体成绩无显著差异，仅作业成绩局部更高，需刻意支架式教学才能获得学习收益。
2026-07-31 cs.AI cs.CY
Beyond right or wrong: towards redefining adaptive learning indicators in virtual learning environments
Federal Institute Farroupilha（法鲁皮利亚联邦学院）；Federal University of Rio Grande do Sul（南里奥格兰德联邦大学）
本文通过系统文献综述重新定义虚拟学习环境中影响学生学习的关键指标，以提升自适应学习的全面性与准确性。
2025-12-13 cs.CY cs.DC
AI Literacy, Safety Awareness, and STEM Career Aspirations of Australian Secondary Students: Evaluating the Impact of Workshop Interventions
University of New South Wales, Sydney（新南威尔士大学悉尼分校）
本研究评估了工作坊干预对澳大利亚中学生AI素养、安全意识和STEM职业兴趣的影响，发现干预提升了学生对AI的认知和兴趣，但需持续干预以影响长期职业抱负。
2026-01-30 cs.AI cs.CY
EduZone: A Framework for Evaluating LLM Safety for K-12 Students and Teachers
EduZone是针对K-12教育场景的LLM安全评估框架，整合多维度要素生成对抗交互，评估10个LLMs后发现其对教育特定风险更脆弱，现有防护措施不足，该框架可助力开发更安全的教育类LLMs。
2026-08-04 cs.AI cs.CY
ZPD-SCA: Unveiling the Blind Spots of LLMs in Assessing Students' Cognitive Abilities
School of Psychology, South China Normal University（南方科技大学心理学院）；Information Hub, Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）信息中心）；School of AI, Guangzhou University（广州大学人工智能学院）；College of Cyber Security, Jinan University（济南大学网络安全学院）
本文提出ZPD-SCA基准，由60名特级教师标注中文阅读理解难度，用于评估大语言模型判断阅读材料与学生认知能力匹配程度的能力，实验揭示LLMs在该任务上存在零样本表现差、方向性偏差和体裁差异大等问题，为改进认知对齐的教育应用提供基础。
2025-08-23 cs.AI cs.CL cs.CY
Deep neural networks for collaborative learning analytics: Evaluating team collaborations using student gaze point prediction
University of Delaware（特拉华大学）；Computer and Information Sciences（计算机与信息科学学院）
对协作任务中团队绩效的自动评估是学习分析和计算机支持的协同工作研究的关键。有一个越来越多的兴趣在使用凝视导向的线索来评估团队的协作和合作。然而，由于时间和成本的限制，使用眼睛跟踪器收集注视数据并不总是可行的。在本文中，我们介绍了一个自动化的团队评估工具的基础上，凝视点和联合视觉注意（JVA）信息提取的计算机视觉解决方案。然后，我们评估团队合作的本科解剖学学习活动（N=60，30支球队）作为一个测试用户的研究。结果表明，高JVA与学生学习成绩呈正相关（r（30）= 0.50，p <0.005）。此外，参与两个实验组并使用交互式三维解剖模型的团队比对照组具有更高的JVA（F（1，28）= 6.65，p <0.05）和更好的知识保持（F（1，28）= 7.56，p <0.05）。不同性别的团队在JVA上没有显著差异。这项工作的结果提供了一种新的相互注意为基础的措施，客观地评估团队协作动态学习科学和协作计算的影响。
2020-10-16 cs.CY cs.HC cs.LG
Evaluating AI-Powered Learning Assistants in Engineering Higher Education: Student Engagement, Ethical Challenges, and Policy Implications
ByWater Institute, Tulane University（杜兰大学拜沃特研究所）；Office of Teaching, Learning, and Technology, University of Iowa（爱荷华大学教学、学习与技术办公室）；River-Coastal Science and Engineering, Tulane University（杜兰大学河流与海岸科学与工程系）
本研究评估了在R1公立大学工程本科课程中应用的AI学习框架Educational AI Hub，通过混合方法发现学生认可其便利性但存在伦理顾虑，强调需提升可用性、伦理透明度并辅以教师指导以促进有效AI学习参与。
2025-10-27 cs.AI cs.CY cs.HC
A Comparative Study of Student Perspectives on Technical Writing Feedback Quality: Evaluating LLMs, SLMs, and Humans in Computer Science Topics
McMaster University（麦斯特大学）；Department of Computer Science, University of Toronto（多伦多大学计算机科学系）；Research Institute for the Study of University Pedagogy, University of Toronto Mississauga（多伦多大学密西根分校大学教学研究学院）；Department of Mathematical and Computational Sciences, University of Toronto Mississauga（多伦多大学密西根分校数学与计算科学系）
本研究比较了本地部署的小语言模型（SLM）、商业大语言模型（LLM）和人类导师在计算机科学课程中提供写作反馈的质量，发现SLM在可读性和可操作性上获得学生更高评价，而人类反馈在专业写作任务中更受青睐。
2026-06-27 cs.AI cs.CY cs.HC
Resurrecting Socrates in the Age of AI: A Study Protocol for Evaluating a Socratic Tutor to Support Research Question Development in Higher Education
Faculty of Human Sciences, University of Kassel（卡塞尔大学人文科学学院）
本研究提出一项准实验方案，评估基于对话教学法的AI苏格拉底式导师在约80名德国职前生物教师中支持研究问题制定的效果，旨在促进系统2思维、减少对AI的过度依赖，并为人机协作教育提供设计原则。
2025-04-05 cs.AI cs.CY
OnDiscuss: An Epistemic Network Analysis Learning Analytics Visualization Tool for Evaluating Asynchronous Online Discussions
本文提出OnDiscuss工具，结合文本挖掘与认知网络分析，帮助教师自动编码并可视化异步在线讨论数据，以减轻评估负担并提升分析效率。
2024-08-19 cs.CY cs.HC
Fuzzy Intelligent System for Student Software Project Evaluation
School of Information Technology and Engineering（信息技术与工程学院）；Kazakh-British Technical University（哈萨克斯坦-英国技术大学）
本文提出一个模糊智能系统，以整洁代码、继承使用和功能性为模糊变量，结合专家规则自动评估学生软件项目质量，从而标准化评估并减少主观偏差。
2024-05-01 cs.AI cs.CY cs.SE
Evaluating virtual laboratory platforms for supporting on-line information security courses
远程教育已经存在了很长一段时间，然后随着计算机和互联网的出现，它经历了复兴。远程教育依赖于向学生实际提供的材料和评估，他们在家离线工作。最近，在线学习或电子学习引入了虚拟课堂、评估、在线测试，并将课堂转变为互动的在线课堂。尽管提供了大量的在线学位，但面对面仍然是主要模式，电子学习只是用来补充课堂。新冠肺炎疫情继续影响高等教育，在线学习是一个被放弃的结论。然而，数字鸿沟阻碍了弱势学校和学生向在线学习过渡的努力。随着疫情持续改变教育格局，许多挑战出现，阻碍学生充分发挥电子学习的潜力。其中之一是进入科学、工程和计算机科学项目的物理实验室。本研究评估虚拟实验室用于教学信息安全和道德黑客的实际解决方案。该课程为期五个学期，对164名学生进行了调查。该调查测量了对虚拟实验室的看法、享受、体验和态度，结果支持虚拟实验室的采用和接受。
2022-08-17 cs.CR cs.CY
Evaluating Large Language Model Capabilities in Assessing Spatial Econometrics Research
Department of Statistical Sciences, Università Cattolica del Sacro Cuore（统计科学系，天主教圣心大学）；School of Computing and Information Systems, The University of Melbourne（计算与信息系统学院，墨尔本大学）
该研究用28篇空间计量经济学论文及其篡改摘要测试多种LLM，发现其擅长变量选择检查，但在系数合理性和发表适宜性等深层经济判断上表现不稳，适合作为需人工监督的评审辅助工具。
2025-06-04 cs.CY cs.LG econ.EM
The Potential of Machine Learning and NLP for Handling Students' Feedback (A Short Survey)
Norwegian University of Science & Technology (NTNU)（挪威科技大学（NTNU））
本文回顾了近年来发表的学生反馈论文，采用数据采掘技术。特别是，重点是突出那些使用机器学习或深度学习方法的论文。学生反馈评价是近年来备受关注的一个热点问题。由于最近的大流行病爆发，推动许多学院和大学通过电子学习平台和工具（包括大规模开放式在线课程（MOOC））将教学从校园物理课程转移到在线课程，因此其重要性增加了许多倍。现在，学生的反馈更加重要。因此，这篇简短的调查论文突出了自然语言处理领域关于自动学生反馈评估的最新趋势。它提出了在这一领域中常用的技术，并讨论了一些未来的研究方向。
2020-11-07 cs.CY cs.LG
Evaluating Contextually Personalized Programming Exercises Created with Generative AI
Aalto University（阿尔托大学）；Abilene Christian University（阿比林基督教大学）；University of Jyväskylä（于韦斯屈莱大学）
本研究评估了GPT-4生成的上下文个性化编程练习，发现其质量高且能提升学生参与度，可作为入门编程课程的有价值补充。
2024-06-11 cs.AI cs.CY cs.HC
