edtechassessmentk-12stemai

自動化評分對 A-Level 理科學生學習成效之影響研究

arXiv - Computers and SocietyMatey Yordanov, Mikhail Bychkov, Andrei Kuchma

研究證實自動化評分能大幅縮短回饋週期，透過增加練習頻率顯著提升 STEM 學生的考試成績與自我效能。

AI 幫你先抓重點

AI 重點 1

從「評分瓶頸」轉向「高頻率形成性評量」的範式轉移

滑鼠懸停看 AI 判斷理由
傳統教學中，教師人力限制了評量頻率，導致學生無法獲得即時回饋。AI 證明了自動化技術能打破此結構性瓶頸，將評量從低頻的檢驗工具轉化為高頻的學習加速器。
AI 重點 2

精準回饋邏輯（如 ECF）對認知修正的重要性

滑鼠懸停看 AI 判斷理由
這顯示 AI 不僅是為了節省人力，其核心價值在於能模擬人類的評分邏輯（如處理步驟錯誤），提供具備教學意義的細節回饋，這對於建立正確的科學解題程序至關重要。

核心研究發現

  1. 1

    使用自動化評分系統的實驗組在模擬 A-Level 考試中，平均成績比人工評分對照組高出 16.8%（p < .01）。

  2. 2

    評分作業的回饋時間從原本的 11.2 天大幅縮短至 0.1 天以內，使學生能進行四倍於以往的練習量。

  3. 3

    系統具備細緻的錯誤傳遞（ECF）邏輯，能精準修正程序性錯誤，並顯著提升學生的學習自我效能感。

對教育工作者的啟發

教育實務者應將自動化評量視為「形成性評量循環」的加速器，而非單純的行政減負工具。建議在 STEM 課程中導入具備細節回饋邏輯（如錯誤傳遞邏輯）的系統，以支持學生進行高頻率的自我檢測與練習。透過縮短回饋週期，教師能將精力從重複性的批改工作中釋放，轉而投入更高層次的教學指導，同時利用數據驅動的精準回饋來強化學生的自主學習能力與解題信心。

原始文獻資訊

英文標題：
The Effect of High-Frequency, Automatically-marked Formative Assessments on Student Outcomes in A-Level Sciences
作者：
Matey Yordanov, Mikhail Bychkov, Andrei Kuchma
來源：
arXiv - Computers and Society
AI 摘要模型：
/models/gemma-4-26B-A4B-it
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。