論文の概要: Evaluation of Large Language Models' educational feedback in Higher Education: potential, limitations and implications for educational practice

• arxiv url: http://arxiv.org/abs/2602.02519v1
• Date: Sat, 24 Jan 2026 14:30:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 02:03:42.43439
• Title: Evaluation of Large Language Models' educational feedback in Higher Education: potential, limitations and implications for educational practice
• Title（参考訳）: 高等教育における大規模言語モデルの教育的フィードバックの評価--教育実践の可能性,限界,含意
• Authors: Daniele Agostini, Federica Picasso,
• Abstract要約: 本研究では,AIによるフィードバックが学生の学習にどのように役立つのかを,十分に確立された分析フレームワークを用いて検討する。 評価プロセスでは、7つの大規模言語モデルに構造化ルーブリックを提供し、特定の基準とパフォーマンスレベルを定義した。 これらの結果から,LLMは十分に構造化されたフィードバックを生成でき,持続的で有意義なフィードバックツールとして大きな可能性を秘めていることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The importance of managing feedback practices in higher education has been widely recognised, as they play a crucial role in enhancing teaching, learning, and assessment processes. In today's educational landscape, feedback practices are increasingly influenced by technological advancements, particularly artificial intelligence (AI). Understanding the impact of AI on feedback generation is essential for identifying its potential benefits and establishing effective implementation strategies. This study examines how AI-generated feedback supports student learning using a well-established analytical framework. Specifically, feedback produced by different Large Language Models (LLMs) was assessed in relation to student-designed projects within a training course on inclusive teaching and learning. The evaluation process involved providing seven LLMs with a structured rubric, developed by the university instructor, which defined specific criteria and performance levels. The LLMs were tasked with generating both quantitative assessments and qualitative feedback based on this rubric. The AI-generated feedback was then analysed using Hughes, Smith, and Creese's framework to evaluate its structure and effectiveness in fostering formative learning experiences. Overall, these findings indicate that LLMs can generate well-structured feedback and hold great potential as a sustainable and meaningful feedback tool, provided they are guided by clear contextual information and a well-defined instructions that will be explored further in the conclusions.
• Abstract（参考訳）: 高等教育におけるフィードバック実践の管理の重要性は、教育、学習、評価プロセスの強化において重要な役割を担っているため、広く認識されている。 今日の教育現場では、フィードバックの実践は技術進歩、特に人工知能(AI)の影響をますます受けています。 潜在的なメリットを特定し、効果的な実装戦略を確立するためには、AIがフィードバック生成に与える影響を理解することが不可欠である。 本研究では,AIによるフィードバックが学生の学習にどのように役立つのかを,十分に確立された分析フレームワークを用いて検討する。 具体的には,様々な大規模言語モデル(LLM)が生み出すフィードバックを,包括的教育と学習に関する研修コース内で学生が設計したプロジェクトと関連づけて評価した。 評価プロセスは、特定の基準と性能レベルを定義した大学インストラクターによって開発された構造化ルーブリックを7つのLLMに提供することを含んでいた。 LLMは、このルーリックに基づいて定量的評価と定性的フィードバックの両方を生成することを任務としていた。 AIが生成したフィードバックは、Hughes、Smith、Creeseのフレームワークを使用して分析され、フォーマティブな学習経験を育むための構造と効果を評価した。 以上の結果から,LLMは良好な構造化されたフィードバックを生成でき,持続的で有意義なフィードバックツールとして大きな可能性を秘めていることが明らかとなった。

関連論文リスト

• Unveiling the Learning Mind of Language Models: A Cognitive Framework and Empirical Study [45.82081693725339]
  大規模言語モデル(LLM)は、数学、コーディング、推論といったタスクにまたがる印象的な機能を示している。 しかし、彼らの学習能力は、動的環境に適応し、新しい知識を得るのに不可欠であり、まだ過小評価されていない。
  論文  参考訳（メタデータ） (2025-06-16T13:24:50Z)
• Do LLMs Really Forget? Evaluating Unlearning with Knowledge Correlation and Confidence Awareness [46.653774740885275]
  大規模言語モデル(LLM)における意図しない記憶の軽減を目的とした機械学習手法 実世界の知識の暗黙構造をより正確に捉えた知識未学習評価フレームワークを提案する。 私たちのフレームワークは、未学習のパフォーマンスをより現実的で厳格に評価します。
  論文  参考訳（メタデータ） (2025-06-06T04:35:19Z)
• A Practical Guide for Supporting Formative Assessment and Feedback Using Generative AI [0.0]
  大規模言語モデル(LLM)は、学生、教師、同僚が「学習者が行く場所」、「学習者が現在いる場所」、「学習者を前進させる方法」を理解するのに役立つ。 本総説では,LSMを形式的評価に統合するための総合的な基盤を提供する。
  論文  参考訳（メタデータ） (2025-05-29T12:52:43Z)
• An Exploration of Higher Education Course Evaluation by Large Language Models [4.943165921136573]
  人工知能(AI)における大規模言語モデル(LLM)は、コース評価プロセスを強化するための新しい道筋を示す。 本研究は,中国大大学の100コースにわたる厳密な実験を行い,複数の視点から自動コース評価へのLLMの適用について検討した。
  論文  参考訳（メタデータ） (2024-11-03T20:43:52Z)
• Enhancing LLM-Based Feedback: Insights from Intelligent Tutoring Systems and the Learning Sciences [0.0]
  この研究は、ITSのフィードバック生成に関する以前の研究を通し、AIEDの研究を慎重に支援するものである。 本論文の主な貢献は次のとおりである。 生成AIの時代におけるフィードバック生成において、より慎重で理論的に基礎付けられた手法を適用すること。
  論文  参考訳（メタデータ） (2024-05-07T20:09:18Z)
• Evaluating and Optimizing Educational Content with Large Language Model Judgments [52.33701672559594]
  言語モデル(LM)を教育専門家として活用し,学習結果に対する様々な指導の影響を評価する。 本稿では,一方のLMが他方のLMの判断を報酬関数として利用して命令材料を生成する命令最適化手法を提案する。 ヒトの教師によるこれらのLM生成ワークシートの評価は、LM判定と人間の教師の嗜好との間に有意な整合性を示す。
  論文  参考訳（メタデータ） (2024-03-05T09:09:15Z)
• Exploring the Cognitive Knowledge Structure of Large Language Models: An Educational Diagnostic Assessment Approach [50.125704610228254]
  大規模言語モデル(LLM)は、様々なタスクにまたがる例外的なパフォーマンスを示すだけでなく、知性の火花も示している。 近年の研究では、人間の試験における能力の評価に焦点が当てられ、異なる領域における彼らの印象的な能力を明らかにしている。 ブルーム分類に基づく人体検査データセットであるMoocRadarを用いて評価を行った。
  論文  参考訳（メタデータ） (2023-10-12T09:55:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。