تصور کنید صدها اسلاید دانشجویی را در چند ثانیه با دقت یک استاد سخت‌گیر تحلیل کنید. اگر هنوز فکر می‌کنید بازخورد شخصی‌سازی‌شده در کلاس‌های ۱۰۰ نفره غیرممکن است، با AISSA اشتباه می‌کنید.
AISSA (AI-based Student Slides Analysis tool) آمده است تا گلوگاه خسته‌کننده‌ی بازخوردهای تکوینی (Formative Feedback) در دانشگاه‌ها را برای همیشه بشکند. به نقل از مقاله‌ای که در ۷ می ۲۰۲۶ در arxiv.org منتشر شد، این ابزار می‌تواند جایگزین بررسی‌های دستی و زمان‌بر صدها مجموعه‌ی اسلاید شود.
این سیستم با ادغام مدل‌های زبانی بزرگ (Large Language Models) و داشبوردهای تحلیل‌های یادگیری (Learning Analytics)، فرآیند ارزیابی را مقیاس‌پذیر می‌کند. طبق این گزارش، دانشجویان اسلایدهای خود را آپلود کرده و بلافاصله نمرات کمی و بازخوردهای کیفی را بر اساس سنجه‌های (Rubrics) تعریف‌شده توسط استاد دریافت می‌کنند.
جزئیات فنی این معماری عبارتند از:
- بهره‌گیری از ChatGPT 5.2 برای تحلیل هم‌زمان ویژگی‌های بصری و محتوای متنی اسلایدها.
- داشبوردهای تعاملی برای رصد پیشرفت دانشجویان و اساتید.
- مکانیزم نمره‌دهی مبتنی بر سنجه برای تضمین انطباق با استانداردهای آکادمیک.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی ادغام مدل‌های زبانی در سیستم‌های آموزشی اشاره کردیم، هدف نهایی، حذف خطا و افزایش سرعت است. در یک استقرار آزمایشی با حضور ۴۶ دانشجوی مقطع کارشناسی، محققان دریافتند که این سیستم از نظر فنی قابل اعتماد و از نظر اقتصادی به‌صرفه است.
دانشجویان این ابزار را برای بهبود تکرارشونده‌ی اسلایدهایشان بسیار مفید دانستند. این یعنی آن‌ها می‌توانند پیش از ارائه نهایی، نقاط ضعف خود را اصلاح کنند. با انتقال بررسی‌های اولیه به هوش مصنوعی زاینده (Generative AI)، اساتید اکنون می‌توانند به‌جای بررسی‌های تکراری، بر هدایت استراتژیک دانشجویان تمرکز کنند.
اما این تنها شروع مسیر است؛ تأثیر این ابزار بر تغییر ساختار ارزیابی در مقاطع تحصیلات تکمیلی را در گزارش بعدی بررسی خواهیم کرد.
گام بعدی شما
- مقاله منتشر شده در arXiv را برای بررسی جزئیات متدولوژی مطالعه بخوانید.
- اگر مدرس هستید، سعی کنید سنجه‌های نمره‌دهی خود را به صورت پرامپت‌های ساختاریافته برای مدل‌های زبانی طراحی کنید.
- ابزارهای تحلیل بصری را با مدل‌های چندوجهی جدید مقایسه کنید.
گفتگو