Investigate How AI Algorithms Can Be Used to Automate English Language Proficiency Assessments
Notice bibliographique
Résumé
This study explores the integration of artificial intelligence (AI) tools in English language learning and assessment among university students, focusing on its impact on the accuracy, efficiency, and comprehensiveness of evaluating speaking, listening, reading, and writing skills. Utilizing a quantitative research design with an online questionnaire, data was collected from students actively using AI in their academic pursuits. Adopting a cross-sectional survey methodology, the study investigates how AI-driven assessments can enhance learning by providing instant feedback, streamlining evaluation processes, and potentially reducing the burden on educators. The findings suggest that AI offers promising opportunities to support language acquisition through automated scoring systems and personalized learning experiences tailored to individual needs. However, concerns persist regarding the reliability, fairness, and accuracy of AI-generated assessments, raising the need for standardized frameworks to ensure validity and minimize biases. The study also highlights the necessity of addressing technical challenges, such as system errors and user adaptability, to optimize AI's effectiveness in educational settings. Furthermore, successful AI implementation in language assessment requires comprehensive training programs to familiarize students and educators with the technology, fostering confidence and competence in its use. By expanding the knowledge of AI’s role in education, this study underscores the importance of making informed, data-driven decisions regarding AI adoption in academic environments to maximize its benefits while mitigating potential risks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».