به گزارش سیتنا، جیسون دوفِر، توسعه‌دهنده ارشد این پروژه، می‌گوید یکی از دغدغه‌های همیشگی در بازبینی همتا، میزان دقت داوران بوده است. به گفته او، این هوش مصنوعی فرصتی فراهم کرده تا دانشجویانی که در مراحل بعدی نقش داور را بر عهده می‌گیرند، ابتدا با مجموعه‌ای از تکالیف از پیش نمره‌گذاری‌شده توسط استاد هم‌تراز شوند و درک دقیق‌تری از معیارهای ارزیابی پیدا کنند.

به گزارش وب‌سایت دانشگاه پردو، پلتفرم Circuit حدود سال ۲۰۱۵ توسط توسعه‌دهندگان این دانشگاه طراحی شد تا خلأهای موجود در بازار فناوری آموزشی را پر کرده و یک سیستم بازبینی همتای قدرتمند ارائه دهد. این پلتفرم به‌مرور زمان از یک ابزار ساده بازبینی، به بستری انعطاف‌پذیر برای طراحی انواع تکالیف تبدیل شد؛ بستری که استادان می‌توانستند آن را با گزینه‌های بازبینی خودکار یا بازبینی مستقیم استاد، متناسب با نیاز هر درس شخصی‌سازی کنند. با این حال، توسعه «چارلی» نقطه عطف این مسیر بود؛ چراکه مستقیماً به نیاز روزافزون دانشجویان برای دریافت بازخورد نوشتاری سریع، کاربردی و باکیفیت پاسخ داد.

لیندسی هَم، استادیار آموزشی جامعه‌شناسی، از سال ۲۰۱۹ و هم‌زمان با آغاز توسعه چارلی، به‌عنوان کارشناس موضوعی نقش پررنگی در این پروژه داشته است. او توضیح می‌دهد که نسخه‌های ابتدایی چارلی تنها یک نمره کلی احتمالی برای مقاله ارائه می‌دادند، اما امروز این ابزار قادر است برای هر بخش از روبریک نمره‌دهی، بازخوردی دقیق، جزئی و سازنده تولید کند. قابلیتی که به دانشجویان امکان می‌دهد ضعف‌های خود را شناسایی کرده و پیش از تحویل نهایی، نوشته‌شان را اصلاح کنند.

دوفِر تأکید می‌کند که نکته کلیدی درباره چارلی این است که این ابزار هرگز به‌طور مستقیم نمره نمی‌دهد. هدف اصلی آن کمک به دانشجویان است تا پیش از ارسال تکلیف برای ارزیابی نهایی، بفهمند چگونه می‌توانند استدلال‌های خود را تقویت کرده و نوشته‌شان را با معیارهای روبریک هماهنگ‌تر کنند.

نسخه‌های اولیه چارلی، هرچند قادر به پیش‌بینی نمره احتمالی بودند، اما تأثیر چندانی بر بهبود مهارت نوشتن دانشجویان نداشتند. به همین دلیل، توسعه‌دهندگان با همکاری آزمایشگاه آنلاین نگارش پردو و استادانی مانند هَم، این هوش مصنوعی را به‌گونه‌ای آموزش دادند که بازخوردی کیفی و قابل‌استفاده ارائه دهد. چارلی راهنمایی‌های کلی و جهت‌دهنده ارائه می‌کند، اما هرگز به دانشجو نمی‌گوید دقیقاً کدام کلمه را تغییر دهد یا چه جمله‌ای بنویسد. این رویکرد، ضمن کاهش اضطراب دانشجویان، بسیار شبیه به بازخوردی است که در جلسات حضوری با استاد یا مراکز نگارش دانشگاهی دریافت می‌شود.

البته کیفیت هر تکلیف نقش تعیین‌کننده‌ای در اثربخشی بازخوردهای چارلی دارد. به همین منظور، پژوهشگران الگوهای استاندارد نمره‌دهی را در سیستم قرار داده‌اند تا استادان بتوانند به‌سادگی چارلی را با ساختار و اهداف درس خود تطبیق دهند.

چه چیزی چارلی را متمایز می‌کند؟

درست همان‌طور که در یک جعبه‌ابزار، هر وسیله کاربرد خاص خود را دارد، ابزارهای هوش مصنوعی نیز برای اهداف متفاوتی طراحی شده‌اند. برخی از آن‌ها برای ایده‌پردازی یا تولید متن کلی مناسب‌اند، اما بازخوردهای چارلی کاملاً اختصاصی است و به یک درس، یک تکلیف و یک استاد مشخص وابسته است.

در نهایت، چارلی نه‌تنها اعتمادبه‌نفس دانشجویان را در نوشتن افزایش می‌دهد، بلکه مهارت آن‌ها را در ارائه و دریافت بازخورد از همتایان نیز تقویت می‌کند؛ مهارتی که به شکل‌گیری گفت‌وگویی عمیق‌تر و همکاری علمی پربارتر در فضای دانشگاهی می‌انجامد.

انتهای پیام