位置:首页 >  教育 > 正文内容

首创的斯坦福机器学习工具简化了计算机科学教授的学生反馈过程

更新时间:2021-07-29 23:19:06

伊莎贝尔·斯瓦福德

去年春天,斯坦福大学计算机科学家公布了他们的大流行创意,即代码就位,这是一个由 1,000 名志愿教师向全球 10,000 名学生教授斯坦福计算机科学入门课程内容的项目。

Code In Place 的学生使用这个精心设计的用户界面评估他们收到的反馈。

虽然讲师可以在课堂上一次与数百甚至数千名学生分享他们的知识,但在家庭作业方面,对学生作业的大规模、高质量的反馈似乎是一项不可逾越的任务。

“这是世界上任何人都可以参加的免费课程,我们有一大群人来帮助我们教授它,”计算机科学助理教授兼 Code In Place 的共同创建者Chris Piech说。“但我们无法真正做的一件事就是扩大反馈。我们可以扩展教学。我们可以扩展内容。但我们无法真正扩展反馈。”

为了解决这个问题,Piech 与计算机科学和电气工程助理教授Chelsea Finn以及博士生 Mike Wu 和 Alan Cheng 合作,开发和测试了首创的人工智能教学工具,能够帮助教育工作者为大量学生作业评分并提供有意义的、建设性的反馈。

他们在斯坦福人工智能实验室博客文章中详细介绍的创新工具超出了他们的预期。

教授人工智能工具

在教育中,可能很难获得单个问题的大量数据,例如数百个教师对一个家庭作业问题的评论。销售在线编程课程的公司通常也同样受到限制,因此在审查学生的作业时依赖多项选择题或通用错误消息。

“这项任务对于机器学习来说真的很难,因为你没有大量数据。作业一直在变化,而且它们是开放式的,所以我们不能只应用标准的机器学习技术,”芬恩说。

扩大反馈的答案是一种称为元学习的独特方法,通过这种方法,机器学习系统可以使用相对较少的数据来学习许多不同的问题。

“对于反馈的传统机器学习工具,如果考试发生变化,您必须重新训练它,但对于元学习,目标是能够针对看不见的问题进行处理,因此您可以将其推广到新的考试中以及作业,”学习计算机科学教育三年多的吴说。

该小组发现获取少量数据(例如 20 条反馈)更容易解决各种问题。使用斯坦福计算机科学课程之前迭代的数据,他们能够在 15,000 名学生提交的论文中达到或高于人类水平的准确性;研究人员表示,仅在一年前不可能完成的任务。

实际测试

该工具使用的语言是研究人员精心设计的。他们希望专注于帮助学生成长,而不是仅仅根据对或错来评价他们的工作。该小组认为“循环中的人类”及其对开发过程中人类参与的关注对于人工智能工具的积极接受至关重要。

Code In Place 中的学生能够对他们收到的反馈进行评分,但不知道是 AI 还是他们的教师提供的。人工智能工具仅从总作业的 10% 的人类反馈中学习,并以 98% 的学生满意度审查了其余作业。

“学生们对 AI 反馈的评价比人类反馈要积极一些,尽管事实上他们都具有建设性,而且他们都发现了相同数量的错误。只有当 AI 给出建设性的反馈时,它才会更加准确,”Piech 指出。

考虑到在线教育和机器学习教育的未来,研究人员对他们工作的可能性感到兴奋。

“这不仅仅是一门在线课程和计算机科学入门课程,”芬恩说。“我认为这里的影响主要在于使这种教育更具可扩展性,并且整体上更容易获得。”

版权声明:转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益, 请作者持权属证明与本网联系,我们将及时更正、删除,谢谢您的支持与理解。

相关阅读