計算機教育中團隊問題解決練習的評量研究
arXiv - Computers and SocietyValdemar \v{S}v\'abensk\'y, Jan Vykopal, Sukrit Leelaluk, Pavel \v{C}eleda, Fumiya Okubo, Atsushi Shimada
本研究比較了分群技術與大型語言模型在桌上型演習（TTX）中評量團隊表現的有效性。
AI 幫你先抓重點
AI 重點 1
利用 AI 進行自動化評量是解決複雜、開放式學習任務回饋延遲的關鍵路徑。
滑鼠懸停看 AI 判斷理由
在 PBL 或模擬演習中，教師難以即時監控所有團隊的溝通細節。透過 AI 輔助評量，能將原本耗時的人工評分轉化為可擴展的自動化流程，讓學生獲得及時回饋。
AI 重點 2
分群技術（Clustering）與生成式 AI（LLM）在評量中扮演互補的角色。
滑鼠懸停看 AI 判斷理由
分群技術著重於「模式識別」以優化教學管理效率，而 LLM 著重於「內容理解」以進行細節評分。結合兩者能同時兼顧教學規模化與評量的深度。
核心研究發現
- 1
分群技術能將處理任務模式相似的團隊歸類，使教師能針對特定群組提供快速且具目標性的回饋，且具備高信度與低運算需求。
- 2
大型語言模型（LLM）可用標準量表評量團隊溝通，研究發現 GPT-5.2 在評分準確度上顯著優於 GPT-4o，錯誤率較低。
- 3
研究成果已整合至開源 TTX 學習平台 INJECT 中，並公開所有數據集、軟體工具與演習情境以促進社群應用。
對教育工作者的啟發
對於設計模擬演習（如網路安全危機處理）的教育者，建議不要僅依賴人工評分，可考慮導入自動化工具。首先，利用分群技術將學生按行為模式分類，能幫助教師快速識別哪些團隊需要介入，實現差異化教學；其次，可嘗試利用 LLM 進行溝通品質的初步評估，但需注意模型版本差異對準確度的影響。最後，透過開源平台（如 INJECT）整合這些技術，能有效解決大規模教學中評量難度高、回饋慢的痛點。
原始文獻資訊
- 英文標題：
- Assessment in Team Problem-Solving Exercises in Computing Education
- 作者：
- Valdemar \v{S}v\'abensk\'y, Jan Vykopal, Sukrit Leelaluk, Pavel \v{C}eleda, Fumiya Okubo, Atsushi Shimada
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。