Jan Philip Bernius

A Machine Learning Approach for Suggesting Feedback in Textual Exercises in Large Courses

Offene Textaufgaben erleichtern das Verstehen von Problemlösungsfähigkeiten. Die Studierenden können aus ihren Fehlern lernen, wenn die Lehrkräfte individuelles Feedback geben. Kurse mit Hunderten von Studierenden bedeuten jedoch eine hohe Arbeitsbelastung für die Lehrkräfte: individuelles Feedback ist meist eine manuelle, sich wiederholende und zeitaufwändige Tätigkeit.

In diesem Beitrag wird CoFee vorgestellt, ein Ansatz des maschinellen Lernens, der computergestütztes Feedback in offenen Textaufgaben vorschlägt. Der Ansatz verwendet Themenmodellierung, um die Antworten der Schüler in Textsegmente aufzuteilen, und Spracheinbettungen, um diese Segmente zu transformieren. Anschließend werden die Textsegmente durch Clustering nach Ähnlichkeit gruppiert, so dass das gleiche Feedback auf alle Segmente innerhalb desselben Clusters angewendet werden kann.

Wir haben diesen Ansatz in einer Referenzimplementierung namens Athene umgesetzt und in Artemis integriert. Wir haben Athene zur Überprüfung von 17 Textaufgaben in zwei großen Kursen an der Technischen Universität München mit 2.300 eingeschriebenen Studenten und 53 Lehrern eingesetzt. Im Durchschnitt schlug Athene für 26% der Einsendungen Feedback vor. Dementsprechend wurden 85% dieser Vorschläge von den Lehrenden akzeptiert, 5% wurden mit einem Kommentar erweitert und dann akzeptiert und 10% wurden geändert.

Übersetzt mit www.DeepL.com/Translator (kostenlose Version)