Students‘ Perceptions to a Large Language Model‘s Generated Feedback and Scores of Argumentation ...

文章主要内容与创新点总结

一、主要内容

该研究聚焦美国中西部一所大型赠地大学的微积分基础物理课程（面向未来工程师），旨在探索大型语言模型（LLM，具体为OpenAI的GPT-4o）生成的反馈在学生科学论证性文章中的应用效果，核心内容如下：

1. 研究背景：入门级STEM课程学生常采用低效解题策略（如仅关注最终答案、使用手段-目的分析），缺乏对原理的理解与反思；科学论证（基于主张-证据-推理，CER框架）能提升批判性思维与解题能力，但大班额课程中教师难以提供个性化、及时反馈，LLM的发展为解决此问题提供可能。
2. 研究设计
   • 教学铺垫：学期内分阶段为学生提供科学论证 scaffolding（支架）：第1-5周让学生给“主张、证据、推理”标签分类，第6-10周让学生自主撰写CER陈述，第11-15周要求学生在极少支架辅助下完成完整论证。
   • 数据来源：选取学期末最后5周内测验8和测验9的选择题附加论证任务（学生需用文字描述解题的科学论证，不涉及数字、符号与公式，至少50词），通过学习管理系统（LMS）收集学生作答数据。
   • 反馈生成：将学生作答传入GPT-4o API，设定模型角色为教育者，要求反馈聚焦物理概念（不涉及问候、语法、褒贬），长度不超过100词，温度参数0.8；同时提供理想答案示例与5分制评分标准（2-3分考察物理原理相关主张准确性，其余分数考察证据合理性）。