مقاله انگلیسی بررسی ادراک دانشجویان کارشناسی از نمره‌دهی و بازخورد هوش مصنوعی در مقابل نمره‌دهی انسانی

مشخصات مقاله  فهرست مطالب نمونه ترجمه مقاله انگلیسی سفارش ترجمه مقالات مرتبط سفارش پروپوزال 

عنوان فارسی:

بررسی ادراک دانشجویان کارشناسی از نمره‌دهی و بازخورد هوش مصنوعی در مقابل نمره‌دهی انسانی

عنوان انگلیسی:

Exploring undergraduate students’ perceptions of AI vs. human scoring and feedback

کد محصول: M2062

سال نشر: 2026

نام ناشر (پایگاه داده): الزویر

نام مجله:The Internet and Higher Education

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : دارد

فرضیه: ندارد

مدل مفهومی: ندارد

پرسشنامه : دارد

تعداد صفحه انگلیسی: 13 صفحه PDF

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله تاکنون ترجمه نشده برای سفارش ترجمه تخصصی مقاله بر روی دکمه ذیل کلیک نمایید (کد مقاله:M2062)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده

به‌کارگیری هوش مصنوعی (AI) در ارزیابی‌های آموزشی، راهکارهایی مقیاس‌پذیر برای چالش‌های سنتی نمره‌دهی فراهم می‌کند، اما همچنان نگرانی‌هایی درباره‌ی قابلیت اطمینان، عدالت و پذیرش آن وجود دارد، به‌ویژه در حوزه‌های ذهنی مانند نوشتن. این مطالعه ادراکات دانشجویان کارشناسی را از نمره‌دهی و بازخورد تولیدشده توسط هوش مصنوعی در مقایسه با ارزیاب‌های انسانی بررسی می‌کند. شرکت‌کنندگان نمرات و بازخوردهایی که توسط هوش مصنوعی یا انسانی ارائه شده بود را مرور کردند و سپس پرسش‌نامه‌ای را پیش و پس از افشای منبع نمره‌دهی تکمیل نمودند. تحلیل‌ها نشان داد که دانشجویان اغلب در شناسایی دقیق ارزیاب دچار مشکل بودند. افزون بر این، در حالی که ادراکات از نمره‌دهی و بازخورد هوش مصنوعی در کل در سطحی متوسط قرار داشت، مواجهه با هوش مصنوعی به‌طور معناداری اعتماد دانشجویان به نمره‌دهی این فناوری را کاهش داد. منبع نمره‌دهی و دقت شناسایی، تأثیر چشمگیری بر ادراکات دانشجویان داشت. نمره‌دهی انسانی با ادراکات مثبت‌تر همراه بود، در حالی که شناسایی نادرست — زمانی که با نمره‌دهی انسانی همراه نبود — نیز به ادراکات مثبت‌تر منجر شد. با این حال، تعامل میان نمره‌دهی انسانی و شناسایی نادرست به ادراکات منفی‌تر منجر گردید. عواملی همچون راحتی در استفاده از فناوری، آشنایی با هوش مصنوعی و فراوانی استفاده از این فناوری، به‌عنوان پیش‌بینی‌کننده‌های معنادار نگرش دانشجویان نسبت به هوش مصنوعی شناسایی شدند. این یافته‌ها درک ما از نگرش دانشجویان نسبت به هوش مصنوعی در ارزیابی آموزشی را افزایش می‌دهد و بر اهمیت اجرای متفکرانه برای حمایت از پذیرش هوش مصنوعی در زمینه‌های آموزشی تأکید می‌کند.

کلیدواژه‌ها: هوش مصنوعی؛ نمره‌دهی خودکار مقالات؛ ادراکات دانشجویان؛ بازخورد؛ چت‌جی‌پی‌تی

Abstract: The use of artificial intelligence (AI) in educational assessment offers scalable solutions to traditional grading challenges, yet concerns about reliability, fairness, and acceptance remain, particularly in subjective domains like writing. This study examines undergraduate students’ perceptions of AI-generated scoring and feedback compared to human evaluators. Participants reviewed scores and feedback provided by either AI or a human and completed a survey measuring their perceptions before and after disclosure of the source. Analyses revealed that students often struggled to accurately identify the evaluator. Additionally, while perceptions of AI scoring and feedback were generally moderate, exposure to AI significantly reduced students’ confidence in AI scoring. The source of the grading and identification accuracy significantly influenced students’ perceptions. Human grading was associated with more positive perceptions, while incorrect identification—when not combined with human grading—also led to more positive perceptions. However, the interaction of human grading and incorrect identification resulted in more negative perceptions. Factors such as comfort with technology, familiarity with AI, and frequency of AI use were significant predictors of students’ attitudes toward AI. These findings enhance our understanding of student attitudes toward AI in educational assessment and emphasize the importance of thoughtful implementation to support acceptance in educational contexts.

Keywords: Artificial intelligence, Automated essay scoring, Student perceptions, Feedback, Chat-GPT

مقدمه

ادغام هوش مصنوعی (AI) در ارزیابی‌های آموزشی، راهکارهای نوآورانه‌ای برای چالش‌های سنتی نمره‌دهی ارائه کرده است. نظام‌های نمره‌دهی و بازخورد خودکار از پردازش زبان طبیعی برای ارائه‌ی نمرات و بازخوردهای ارزیابانه‌ی فوری بهره می‌گیرند و چرخه‌ی حیاتی تمرین–بازخورد را که برای رشد مهارت نوشتن ضروری است، تسریع می‌کنند (هاکلی، 2019؛ کله‌گ و همکاران، 2010). نمونه‌های برجسته‌ای از ارزیابی مبتنی بر هوش مصنوعی در موقعیت‌های با اهمیت بالا شامل آزمون GRE  و آزمون TOEFL هستند که از هوش مصنوعی برای ارزیابی پاسخ‌های دانشجویان و ارائه‌ی بازخورد فوری در حجم زیاد استفاده می‌کنند (هان و همکاران، 2021). این نظام‌ها با هدف رفع محدودیت‌های ذاتی نمره‌دهی انسانی، مانند صرف زمان زیاد، کار فشرده، و سوگیری‌های احتمالی طراحی شده‌اند (بجار، 2011). ابزارهای مبتنی بر هوش مصنوعی وعده‌ی قابلیت مقیاس‌پذیری، ثبات و کارایی را می‌دهند، و از این رو گزینه‌هایی جذاب برای جانشینی یا مکملی برای ارزیاب‌های انسانی محسوب می‌شوند (لی و همکاران، 2023)…

Introduction: The integration of artificial intelligence (AI) in educational assessment has introduced innovative solutions to traditional grading challenges. Automated scoring and feedback systems leverage natural language processing to provide immediate evaluative scores and feedback, accelerating the practice-feedback loop crucial for writing development (Hockly, 2019; Kellogg et al., 2010). Prominent examples of AI based assessment in high-stakes settings include the Graduate Record Examination and Test of English as a Foreign Language, which use AI to evaluate student responses and provide immediate feedback in high volume settings (Hahn et al., 2021). These systems aim to address limitations inherent in human scoring, such as time consumption, labor intensity, and potential biases (Bejar, 2011). AI-based tools promise scalability, consistency, and efficiency, making them attractive alternatives or supplements to human evaluators (Lee et al., 2023)…

6.1. شرکت‌کنندگان

در این مطالعه از روش نمونه‌گیری در دسترس استفاده شد. شرکت‌کنندگان، دانشجویان مقطع کارشناسی بودند که از طریق دپارتمان مشارکت پژوهشی دانشگاه جذب شدند، به طوری که آن‌ها به‌صورت داوطلبانه برای کسب امتیاز اضافی در درس خود در مطالعه شرکت کردند. هرچند این نمونه‌ی در دسترس ممکن است کاملاً نماینده‌ی کل جمعیت نباشد، اما روشی عملی برای دسترسی به گروهی از دانشجویان دانشگاه فراهم می‌کند. این رویکرد با توجه به منابع موجود مناسب بود و با رویه‌های استاندارد در روان‌شناسی آموزشی (برای نمونه، پالرمو و ویلسون، 2020) و پژوهش در تعامل انسان–رایانه (برای نمونه، روسکو و همکاران، 2017) هم‌راستا است…

6.1.Participants This study used a convenience sampling method. Participants were undergraduate students recruited through the university’s research participation pool, where they voluntarily took part in the study to receive extra course credit. While this convenience sample may not be fully representative, it provides a practical method for accessing a group of university students. This approach was suitable given the resources available and aligns with standard practices in educational psychology (e.g., Palermo & Wilson, 2020) and human-computer interaction research (e.g., Roscoe et al., 2017)…

9.نتیجه‌گیری

این مطالعه بینش‌های ارزشمندی درباره‌ی ادراکات دانشجویان از نمره‌دهی و بازخورد مبتنی بر هوش مصنوعی ارائه می‌کند و پیچیدگی‌های ادغام هوش مصنوعی در ارزیابی آموزشی را برجسته می‌سازد. دانشجویان توانایی پراکنده­ای در تشخیص اینکه آیا بازخورد توسط هوش مصنوعی یا یک ارزیاب انسانی تولید شده بود از خود نشان دادند، و پس از افشای منبع ارزیاب، نسبت به نمره‌دهی هوش مصنوعی دیدی انتقادی‌تر پیدا کردند. علاوه بر این، عوامل فردی همچون راحتی در استفاده از فناوری، آشنایی با هوش مصنوعی و فراوانی استفاده از آن، به‌عنوان پیش‌بینی‌کننده‌های معنادار برای ادراکات دانشجویان ظاهر شدند، که بر اهمیت سواد دیجیتال و میزان مواجهه در شکل‌دهی نگرش نسبت به هوش مصنوعی تأکید می‌کند. این پژوهش به گفتمان رو به رشد پیرامون هوش مصنوعی در آموزش کمک می‌کند و راهنمایی‌هایی را برای تلاش‌های آینده به منظور ادغام ابزارهای هوش مصنوعی به روش‌هایی که اعتماد ایجاد می‌کنند و تجربیات آموزشی مثبت را تقویت می‌کنند، ارائه می‌دهد…

9.Conclusion This study provides valuable insights into students’ perceptions of AI- based scoring and feedback, highlighting the complexities of integrating AI into educational assessment. Students demonstrated an inconsistent ability to identify whether feedback was generated by AI or a human evaluator, and became more critical about AI scoring after the disclosure of the evaluator. Additionally, individual factors such as comfort with technology, familiarity with AI, and frequency of AI use emerged as significant predictors of students’ perceptions, underlining the impor tance of digital literacy and exposure in shaping attitudes toward AI. This research contributes to the growing discourse on AI in education, offering guidance for future efforts to integrate AI tools in ways that build trust and foster positive educational experiences…