← Назад к новостям исследований
Студент университета репетирует презентацию об использовании воды, в то время как преподаватель и его коллега сравнивают аннотации по рубрикам с записью на планшете.
Конференционная статьяConference paper202622 окт. 2026 г.· 2 min

Демонстрационная статья конференции: AICoFe объединяет взаимооценивание, самооценку и проверенную преподавателем обратную связь ИИ

Alvaro Becerra, Alejandra Palma, Ruth Cobos, Julian Fierrez

European Conference on Technology Enhanced Learning (EC-TEL 2026), demonstration paper

Резюме на 500 слов

Студент университета репетирует презентацию об использовании воды, в то время как преподаватель и его коллега сравнивают аннотации по рубрикам с записью на планшете.

AICoFe сочетает в себе оценку коллег, себя и учителя с обратной связью при поддержке искусственного интеллекта по устным презентациям. В открытой авторской версии демонстрационного документа EC-TEL описывается развертывание в 2024–2025 годах с участием 46 студентов бакалавриата и 19 магистрантов Автономного университета Мадрида. Учителя могут выбирать, редактировать или комбинировать созданные комментарии перед их отправкой. Рейтинги удовлетворенности были положительными; 31 участник заполнил анкету по юзабилити, получив средний балл по шкале юзабилити системы 79,91. Эти наблюдения касаются опыта работы учащихся с системой, но не устанавливают причинного улучшения навыков презентации.

Рабочий процесс объединяет несколько точек зрения в один процесс проверки. Учащиеся могут повторно просмотреть запись и сравнить свои собственные оценки по критериям с полученной обратной связью. Авторы также описывают возможность различения черновиков и отправленных версий. Небольшое количество развертываний и ответов на анкеты ограничивает выводы, которые можно сделать. Участие учителя является частью сообщаемой ситуации, поэтому результаты не следует рассматривать как свидетельство автономной обратной связи без такого посредничества.

Что касается AIEDHK, рассмотрите предлагаемый семинар, основанный на одной короткой презентации. Прежде чем увидеть обратную связь, ведущий определял момент, который казался ясным, и момент, который они могли бы изменить. Коллега будет независимо выбирать доказательства, используя тот же критерий. Затем учитель мог проверить сгенерированное предложение наряду с этими наблюдениями. Целью будет обсуждение того, какой комментарий точно описывает презентацию и какие действия учащийся может реально предпринять.

Например, учащийся, объясняющий использование городской воды, может получить расплывчатое предложение улучшить ясность. Более полезное обсуждение могло бы определить переход, при котором аудитория потеряла связь между диаграммой и утверждением. Ведущий может прорепетировать исправленное объяснение и попросить нового слушателя описать отношения. Это предложение редакционного класса. Демонстрационный документ не проверяет это конкретное действие и не устанавливает эффективность примера.

Учреждение, пробующее использовать аналогичный рабочий процесс, могло бы оставить пилотный проект небольшим и заранее определить аудиторию записи и период хранения. Рецензенты должны знать, какие комментарии поступили от сверстников, какие были созданы, а какие изменил учитель. Учащиеся также должны иметь возможность объяснить, почему комментарий является неточным или неприемлемым. Эти практические решения облегчают проверку процесса обратной связи и придают разногласиям образовательную цель, а не рассматривают их как ошибки интерфейса.

Участники могли сравнить свои первые и исправленные объяснения одного критерия, определив, что изменилось в их суждениях после просмотра записи. Краткость этого отчета поможет учителю отличить обдуманный ответ на отзыв от исправления, сделанного только для того, чтобы получить видимую оценку.

Более строгая оценка могла бы рассматривать следующую презентацию, включающую независимое задание и четко определенные критерии. Он может записывать время, потраченное учителем на проверку, изменения, внесенные в сгенерированные комментарии, а также могут ли учащиеся обосновать выбранную ими версию. Удовлетворенность и удобство использования останутся полезными наряду с этими мерами. AICoFe предлагает конкретную систему для координации обратной связи; Решение о том, улучшает ли такая координация обучение, требует дополнительных данных о том, что учащиеся впоследствии поймут и смогут сделать.

Связанные статьи

Illustrative photograph of a language teacher and learner arranging sentence cards while a sparse sequence of revision steps appears on a nearby display.
Инструмент / набор данных2026
Инструмент / набор данных 247

Preprint: Grammar-game traces reveal context-sensitive reasoning patterns

Trystan Geoffre, Zheng Yuan, Thierry Geoffre

arXiv manuscript

A manuscript analyzes sequences of actions in a French grammar game to describe reasoning patterns and predict validation success. Its observational design leaves the learning effects of proposed scaffolding untested.

preprintlearning analyticsgrammatical reasoning
Читать резюме на 500 слов →
Illustrative photograph of two educators examining a simple prediction baseline and uneven error bars on a seminar-room display.
Инструмент / набор данных2026
Инструмент / набор данных 245

Preprint: Tutoring logs add little to simple score predictions in one course

Zeyu Dong, Mikael Kwame Kuada, Asa Holley Buchakjian-Tweedy, Ibrahem Aljabea

arXiv preprint

A retrospective analysis compares tutoring-interaction features with constant score predictions. Small overall gains and uneven errors show why a support model needs more than a favorable average accuracy figure.

preprintlearning analyticsprediction baselines
Читать резюме на 500 слов →
A diverse computer science class uses a learning dashboard to record self-assessments and discuss algorithms with a teacher and an AI dialogue panel
Журнальная статья2026
Журнальная статья 76

An eliciting LLM dashboard prompted more reflective dialogue and showed a trend toward stronger learning-judgment calibration

Laura Graf, Patrick Bassner, Maximilian Anzinger, Felix Dietrich, Stephan Krusche, Oleksandra Poquet

Education and Information Technologies

A five-week exploratory study with 30 computer-science students compared no agent, a telling LLM agent and an eliciting agent inside a learning dashboard. The eliciting condition produced more reflective messages and showed descriptive trends toward clearer relationships between self-judgments and mastery estimates, but the study did not test achievement gains.

learning analyticsLLM pedagogical agentlearning dashboard
Читать резюме на 500 слов →