aiedtechassessmentlearning designknowledge building

語境工程化資料文字化

arXiv - Human-Computer InteractionAmandine M. Caut, Amy Rouillard, Beimnet Zenebe, Matthias Green, \'Ag\'ust P\'almason Morthens, David J. T. Sumpter

提出「wordalisations」方法，利用語境工程將數據轉化為自然敘事，並在球員評估、人格測試與國際調查三個領域驗證其準確性與可讀性。

AI 幫你先抓重點

AI 重點 1

wordalisations 方法將數據轉化為自然敘事，解決 LLM 在數值推理上的不足。

滑鼠懸停看 AI 判斷理由
LLM 在處理數值推理時常出錯，wordalisations 透過語境工程將數據嵌入自然語言，提升文本的準確性與可讀性，為數據敘事提供新解決方案。
AI 重點 2

LLM-as-a-judge 與 human-as-a-judge 的雙重評估框架，提供了可操作的評估標準，對未來數據敘事研究具有參考價值。

滑鼠懸停看 AI 判斷理由
缺乏標準化基準，雙重評估不僅驗證自動化評分的可靠性，也確保人類判斷的主觀品質，為後續研究建立可複製的評估流程。
AI 重點 3

在三個不同領域（球員評估、人格測試、國際調查）的驗證，證明 wordalisations 的通用性與可擴展性。

滑鼠懸停看 AI 判斷理由
跨領域的成功應用顯示該方法不受特定數據類型限制，對教育科技產品設計與多樣化資料呈現具有廣泛啟發。

核心研究發現

  1. 1

    wordalisations 能將複雜數值資訊轉成語言敘事，保持語法自然且易於理解。

  2. 2

    在足球球員評估中，wordalisations 能準確捕捉關鍵表現指標，並以故事化語句呈現。

  3. 3

    人格測試結果可透過 wordalisations 轉化為個人化敘述，提升受試者的參與感與理解度。

  4. 4

    在國際調查資料中，wordalisations 能將多國統計數據以統一語言呈現，減少跨文化解讀誤差。

  5. 5

    LLM-as-a-judge 與 human-as-a-judge 評估顯示，wordalisations 生成的文本在準確性與可讀性上均優於傳統方法。

對教育工作者的啟發

實務教育工作者可將 wordalisations 應用於課程評量報告、學生學習成效分析與跨文化資料解讀，提升報告可讀性與學生參與度。首先，設計符合學習目標的 prompt，將關鍵數據以表格或圖表形式輸入 LLM，並使用 context engineering 方式將數據嵌入敘事框架。其次，採用 LLM-as-a-judge 與 human-as-a-judge 兩階段評估，確保敘事準確性與語言自然度。最後，將生成的敘事嵌入教學平台或學習管理系統，並提供學生可互動的文字化資料，促進自主學習與元認知發展。

原始文獻資訊

英文標題：
Representing data in words: A context engineering approach
作者：
Amandine M. Caut, Amy Rouillard, Beimnet Zenebe, Matthias Green, \'Ag\'ust P\'almason Morthens, David J. T. Sumpter
來源：
arXiv - Human-Computer Interaction
AI 摘要模型：
openai/gpt-oss-20b
閱讀原文

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。