Fine-Tuning GPT-3.5-Turbo for Automatic Feedback Generation
Notice bibliographique
Résumé
Scaling up the delivery of effective feedback remains an open challenge in education. Existing automatic feedback generation (AFG) methods fall short in providing feedback highly tailored to tasks, students, and instructors' preferences, simultaneously. Recent evidence suggests that Large Language Models (LLMs), with their ability to follow instructions and generate text, could address this limitation. Existing studies have generated feedback using GPT models in their ready-to-use Chat version, using almost exclusively prompting strategies to direct the model towards the desired output. Results are largely positive; however, space for improvement remains. For the first time, the present study reports observations and results from fine-tuning GPT-3.5-turbo for AFG for open-ended situational judgment questions from the high-stakes test Casper. The LLM was fine-tuned using a small set of hand-written feedback examples, and independent judges and text experts evaluated model performance using a rubric based on qualities of effective feedback identified in the literature. Moreover, a survey study measured users' satisfaction with automatic feedback. Results show that, although not perfect, the fine-tuned model generated outputs largely aligned with the desired qualities and often aligned with the given guidelines, satisfying the majority of users. The strengths and weaknesses of our model are discussed, and directions for future research are suggested.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».