Evaluating Handwritten and Multimodal, Free-Style Responses in Algorithms and Data Structures: A RAG-LLM-Based Feedback Framework
Notice bibliographique
Résumé
This innovative practice full paper presents a retrieval-augmented large language model (RAG-LLM) framework for evaluating handwritten and multimodal, freeform student responses. In the age of AI, open-ended questions play a vital role in computer science and engineering education, aligning with the ICAP framework to promote deeper cognitive engagement. However, large enrollments pose significant challenges in assessing such responses and delivering highquality, personalized feedback at scale while minimizing attentional errors. To address this issue, we introduce a tool that leverages RAG-LLMs to enable scalable, automated assessment and feedback generation with interpretable reasoning. By incorporating domain-specific content, vector-based context retrieval, and evaluation validation, our approach aims to reduce hallucinations, errors, and biases in generative AI outputs—ultimately enhancing both feedback accuracy and instructional value. We applied the framework to 816 student submissions from a graduate-level Algorithms course (Fall 2023), focusing on responses identifying the Big O notation of recurrence relations, which were manually graded with curated feedback. Using five LLMs and three embedding models, we conducted prompt engineering and evaluated the pipeline across four quality metrics. Our results show that while LLM choice had minimal impact, the selection of sentence encodings significantly influenced evaluation outcomes. We also applied the pipeline to auto-assess 770 responses from the Spring 2025 offering of the same course, with positive and promising results based on student perception data.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».