Yöntem makalesi

Yapılandırılmış ve yinelemeli makale desteği için yapay zeka ajanı sunumunu entegre eden dinamik yazılı düzeltici geri bildirim çerçevesi

DOI:

10.3791/71992

⸱

24 Temmuz 2026

 ,  ,  ,  ,  , 
1School of Primary Education, Shangrao Preschool Education College, 2School of Languages, Literacies and Translation, Universiti Sains Malaysia, 3School of Electrical Engineering, Universiti Sains Malaysia, 4Pusat Kanser Tunku Abdulah Ahmad Badawi, Universiti Sains Malaysia, 5School of Data and Computer Science, Guangdong Peizheng College, 6College of Foreign Languages, Qiqihar University

Bu makalede

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma, çok aşamalı yapay zeka ve öğretmen destekli revizyonlar yoluyla IELTS yazı performansını artırmak için STEP-DWCF-R (Robotik Yapay Zeka Ajanı ile Dinamik Yazılı Düzeltici Geri Bildirim İçin Yapılandırılmış, Kademeli, Kanıt Odaklı Süreç) kıyaslamalarını sunmaktadır.

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Otomatik yazma geri bildirim sistemleri yaygındır, ancak çoğu statik, parçalı yorumlar sunar ve revizyon için sınırlı bir altyapı sağlar. Bu çalışma, bir öğretmen tarafından yönetilen yapay zeka geri bildirimin, bir haftalık görev döngüsünde birden fazla iteratif tur boyunca robotik yapay zeka ajanı aracılığıyla sunulduğu STEP-DWCF-R çerçevesini (Robotik Yapay Zeka Ajanı ile Dinamik Yazılı Düzeltici Geri Bildirim İçin Yapılandırılmış, Kademeli, Kanıta Dayalı Süreç) değerlendirmektedir. Sekiz haftalık yarı-deneysel bir denemede, 32 EFL öğrencisi ya geleneksel yazılı düzeltici geri bildirime (görev başına bir tur) ya da STEP-DWCF-R ile rastgele seçildi. Her iki grup da IELTS Görev 2 denemelerini başlangıç ve sonrası testte tamamladı; bunlar anonimleştirildi, rastgele yapıldı ve iki bağımsız değerlendirici tarafından puanlandı (ICC = 0.86–0.93). Doğrusal karışık etki modelleri, STEP-DWCF-R grubunun genel bant skorunda (Δ = 1.03 vs. 0.31 bant) ve dört analitik boyutta anlamlı daha büyük artışlar gösterdiğini, en büyük iyileşmenin ise Koherens ve Kohezyon'da gözlemlendiğini gösterdi. Süreç verileri, STEP-DWCF-R öğrenenlerinin her görev başına ortalama 2,26 revizyon turu tamamladığını ve hata sayılarının turlar arasında doğrusal olarak azaldığını gösterdi. Bu bulgular, yapay zeka tarafından oluşturulan geri bildirim, öğretmen moderasyonu ve yinelemeli robotik yapay zeka ajanı sunumunu kapsayan entegre STEP-DWCF-R çerçevesinin, geleneksel tek turlu geri bildirime kıyasla daha fazla IELTS yazım iyileştirmesi ile ilişkilendirildiğini ve EFL bağlamlarında yapay zeka ile güçlendirilmiş dinamik geri bildirimin pratik uygulamalarına işaret ettiğini göstermektedir.

Giriş

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazılı düzeltici geri bildirim (WCF), L2 yazma pedagojisinde merkezi olmaya devam ediyor. Kanıtlar, kapsamlı WCF'nin zamanla öğrenenlerin doğruluğunu artırdığını ve sınıf pratiği ile uyumlu olduğunda, otmentik bağlamlarda uygulanabilir odaklanmış yaklaşımlarla bir arada var olabileceğini göstermektedir 1,2,3. Son sınıf çalışmaları, sürdürülebilir ve kapsamlı WCF'nin sağladığı doğruluk ve akıcılıkta kalıcı artışlar göstermektedir. Geri bildirim kapsamı üzerine yapılan araştırmalar, öğretmenlerinher şeyi 4,5,6,7,8,9 olarak not almak yerine stratejik olarak hedeflemesi gerektiğini belirtmektedir. Paralel olarak, otomatik yazı değerlendirmesi (AWE) ve otomatik yazılı düzeltici geri bildirim (AWCF) hızla büyüdü. Bulgular karışıktır: bazı çalışmalar AWCF veya Criterion tarzı programlarla görev başarısı ve dilbilgisi aralığında artışlar gösterirken, diğerleri yalnızca öğretmenlere yönelik geri bildirimlere göre önemli bir avantaj bulmuyor veya çoğunlukla yerel, yüzeysel revizyonlar not ediyor. Bu heterojenliği yansıtmak için, tek bir kaynağa yaslanmak yerine kasıtlı olarak birden fazla AWCF çalışması arasında üçgenlemeyapıyoruz 10,11,12,13.

Geri bildirim sağlayanların kimlerin sağladığına dair inançları da önemlidir: algılanan kaynak üzerine yarı-deneysel çalışmalar, aynı geri bildirimin "öğretmen" ve "otomatik" olarak çerçevelendiğinde performans ve güvenin değişebileceğini göstererek AWCF tasarımlarında algı etkilerinin hesaba katılması gerekliliğinivurgulamaktadır 14,15. Bu çizgiyi genişleten yeni çalışmalar, eğitim robotlarının bedenli varlıkları sayesinde geri bildirim sağlayıcıları olarak da hareket edebileceğini ve öğrenen etkileşimini ve güvenini farklı şekillerdeetkileyebileceğini öne sürmektedir 16.

Tamamlayıcı bir araştırma hattı olan dinamik yazılı düzeltici geri bildirim (DWCF), kodlama ve hızlı revizyonla sık, yönetilebilir ve kapsamlı geri bildirim döngülerini vurgular. Birden fazla ortamdan elde edilen kanıtlar, DWCF'nin doğruluğu güvenilir şekilde artırdığını (akıcılık üzerinde sıklık etkileri ile) göstermektedir, ancak sonuçlar ders hedeflerine ve öğrenci nüfusuna göredeğişebilir: 17,18,19,20. Son olarak, üretken yapay zeka aracılı geri bildirim üzerine yapılan erken çalışmalar, öğretmenlerin yazı sonuçları ve potansiyel faydaları konusundaki geri bildirimleriyle eşitlik göstererek, L2 bağlamlarında insan ve yapay zeka geri bildiriminin daha yakın entegrasyonunu teşvik eder21,22.

Bu zorlukları ele almak için, yapılandırılmış, yinelemeli ve süreç odaklı yazma desteği sağlamak için tasarlanmış yeni çok aşamalı DWCF geri bildirim sistemi olan STEP-DWCF-R (Robotik Yapay Zeka Ajanı ile Dinamik Yazılı Düzeltici Geri Bildirim için Yapılandırılmış, Kademeli, Kanıt Odaklı Süreç) çerçevesini öneriyoruz. Sistemimiz, robotik bir yapay zeka ajanı arayüzü ve öğretmen moderasyonu aracılığıyla sunulan Büyük Dil Modelleri (LLM) öngörücü ve üretken gücünden yararlanarak, karmaşık yazım sorunlarını yönetilebilir kategorilere ayırmak, çoklu etkileşim turlarıyla geri bildirim vermek ve hem sonuç hem de süreç tabanlı metrikler kullanarak etkinliğini değerlendirmek için kullanır. Geri bildirimi yapılandırılmış ve etkileşimli bir sürece dönüştürerek, STEP-DWCF-R otomatik yazma desteğini statik hata düzeltmeden daha ilgi çekici, bedenli ve öğrenme odaklı bir sisteme doğru ilerletir.

Katkılarımız üç entegre ilerleme üzerine odaklanıyor. İlk olarak, hataları (örneğin dilbilgisi, tutarlılık) kategorize eden yapılandırılmış bir geri bildirim temsil şeması öneriyoruz; böylece robotik yapay zeka ajanı tarafından sağlanan LLM geri bildirimi hem uygulanabilir hem de pedagojik olarak yorumlanabilir hale getiriliyor. İkinci olarak, dil, yapı ve akıl yürütme üzerinden geri bildirimi birden fazla tur boyunca sıralayan yinelemeli çok aşamalı bir süreç sunuyoruz; böylece bilişsel yük azaltılır ve derinleştirilir. Üçüncü olarak, değerlendirmeyi post-puanların ötesine taşıyarak hata azaltma ve geri bildirim benimseme gibi süreç odaklı metrikleri de kapsayarak öğrenme etkisine daha zengin bir bakış sunuyoruz. WCF çerçeveleri, eğitim teknolojisinde yazılı düzeltici geri bildirimi sistemleştirmeye yönelik en erken girişimleri temsil eder. Otomatik Yazı Değerlendirmesi (AWE) ve Otomatik Deneme Puanlama (AES) ile ortaya çıkan bu sistemler, hata tespiti ve yeterlilikpuanını 13,14 olarak vurgulamıştır. Katkıları ölçeklenebilirlikte yatıyor: binlerce öğrenen, insan notlama darboğazı olmadan geri bildirim alabilir. Ancak bu çerçeveler genellikle statistik ve parçalı yorumlar sunar; örneğin dilbilgisi kontrolleri, sözcük önerileri veya öğrencilerin anlamlı revizyonlara dönüştürmekte zorlandığı küreselpuanlar 23,24,25,26.

Zamanla, WCF araştırmaları daha fazla teknoloji aracılı yaklaşımları da içerecek şekilde evrildi. Bu yeni sistemler, hesaplamalı yöntemleri kullanarak yazmanın daha geniş yönlerini yakalamayıamaçladı 13,21. Son zamanlarda, eğitim robotlarının yazı veya ders bağlamlarında geri bildirim sağlayıcı olarak görev yapmaya başladığı bedenli teknolojilerle kapsam daha da genişledi. Fiziksel varlıkları ve etkileşimli imkanları, güven, katılım ve öğrenci motivasyonu gibi yeni dinamikler ortaya çıkarır. Ancak bu gelişmelere rağmen, WCF'nin baskın yönelimi sonuçodaklı kalmaya devam etti 8,27: tek bir atışta puan veya izole yorumlar üretmek. Pedagojik olarak, bu yönelim, geri bildirimin taslaklar arasında revizyonu desteklemesi ve metabilişsel katılımı desteklemesi gereken biçimlendirici değerlendirmeyleörtüşmemektedir 16,28,29,30,31. Böylece, WCF'nin kavramsal sınırı kalıcı bir boşluk ortaya koyuyor: geri bildirim sağlanır, ancak öğrenme süreçlerini yönlendirmek için yapılandırılmaz veya sıralanmaz.

Bu sınırlamalara yanıt olarak, akademisyenler geri bildirim yazma konusunda daha dinamik yaklaşımlar keşfetmeye başladılar. Erken araştırmalar, öğrencilerin iskele rehberliği altında birden fazla kez revizyon yaptığı yinelemeli geri bildirim döngülerinin öneminivurguladı 17,32. Geri bildirimin yorumlanabilirliğini artırmak ve pedagojik hedeflerle uyumlu hale getirmek için yapılandırılmış hata kategorilendirmesi deönerilmiştir 33,34. DWCF çerçevesi kavramı, bu yönleri üç tasarım ilkesini entegre ederek pekiştirir: açık hata şemaları, aşamalı ve yinelemeli sunum ve süreç odaklı değerlendirmemetrikleri 19,35. Öğrencileri aynı anda birçok düzeltmeyle boğmak yerine, DWCF dikkati yazı katmanları arasında—yüzey doğruluğu, yapısal tutarlılık ve tartışmacı derinlik—ardışıkturlar 17,33 boyunca dağıtır. Değerlendirme, nihai puanların ötesine geçerek hata azaltma oranları, geri bildirim benimseme ve revizyonderinliği 10,19,25 gibi süreç göstergelerini de kapsar. Umut vaat etmesine rağmen, DWCF'nin pratik uygulamaları hâlâ az ve çoğu çalışma, onu büyük ölçekli, teknoloji aracılı bağlamlarda operasyonel hale getirmekte duruyor 10,36,37. Bu boşluk, DWCF'yi sadece teorize etmekle kalmayıp, aynı zamanda gerçek dünya eğitim ortamlarında uygulanabilirliğini gösteren çerçevelere olan ihtiyacı ortaya koyuyor. Şekil 1, literatürde önerilen DWCF'nin daha geniş teorik çerçevesini göstermektedir. Şekil, dinamik yazılı düzeltici geri bildirimin birden fazla düzeyde nasıl çalışabileceğine dair genel bir gerekçe sunar; hem ölçülen sonuçları (örneğin, doğruluk, tutarlılık) hem de mevcut çalışmadaki teorileştirilmiş ancak ölçülmemiş yapıları (örneğin, yazma kaygısı azaltma, akıcılık ve karmaşıklık) içerir. Bu çalışmanın doğrudan modeli olarak değil, teorik yönelim için dahil edilmiştir. Burada analiz edilen sonuçlar ve süreç metriklerine karşılık gelen unsurlar şekilde belirtilmiştir; Diğer yollar örnekleyicidir ve bu çalışmada değerlendirilmemiştir.

LLM'lerin ve multimodal sistemlerin ortaya çıkışı, DWCF'nin büyük ölçekte operasyonel hale getirilmesi için güçlü bir araç sunmaktadır. LLM'ler, sıfır atış ve az atış yetenekleriyle bağlam duyarlı geri bildirim üretebiliyor ve göreve özgü eğitimolmadan 21,22. Son deneyler, DWCF 13,37,38,39 prensipleriyle yakından uyumlu olan yönlendirici segmentasyon, aşamalı iyileştirme ve açıklama oluşturma potansiyellerini öne sürmektedir. İnsan-YZ iş birliğinde tamamlayıcı araştırmalar, yapay zeka geri bildirimiyle etkileşim kurma, uyum sağlama ve seçici olarak benimseme döngülerinin hem alım hem de revizyon kalitesini artırabileceğinigöstermiştir 25,30. Bu süreçler robotlar aracılığıyla somutlaştırıldığında, etkileşim teorik olarak çok modlu olma potansiyeline sahiptir—jest, ses ve varlığı birleştirerek—bu da öğrenenin algısını ve motivasyonunu daha da artırabilir40.

Yakınsal Gelişim Bölgesi (ZPD)41, Giriş Hipotezi42 ve Beceri EdinimiTeorisi 43'e dayanarak, STEP-DWCF-R'yi öğrenen desteği, girdi işleme ve beceri gelişimini birbirine bağlayan bir kontrolör olarak konumlandırıyoruz. Somut olarak, rubrik bağlantılı öğeler, zamanında birleştirilmiş listeler ve çok aşamalı öğretmen tarafından yönetilen yapay zeka–, insan ve robot–döngüler, revizyonu aracılık eden ve burada analiz edilen gözlemlenebilir uç noktaları sağlayan bir entegrasyon katmanında çalışır (IELTS Genel ve TR/CC/LR/GRA; turlar, alım, kalıcı hatalar, zaman). Kaygı azaltma gibi yazma yapıları teorize edilmiş ancak bu denemede ölçülmemiştir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu protokol, Shangrao Anaokulu Eğitim Koleji İlköğretim Okulu'nun Etik Komitesi tarafından onaylandı. Tüm katılımcılar yetişkindi (≥18 yaşında) ve çalışmadan önce yazılı bilgilendirilmiş onay verdiler.

1. Çalışma tasarımı

NOT: EFL sınıfının kısıtlamaları nedeniyle (toplam kayıt N = 32), katılımcılar her biri 16 kişilik iki gruba rastgele ayrıldı. Bu örneklem büyüklüğü, mütevazı olmasına rağmen, konu içi ön tasarım ve önceki DWCFçalışmalarına 17,18,19,20 dayanan büyük etki boyutları göz önüne alındığında pilot araştırma için yeterli olduğu belirlenmiştir.

  1. Katılımcıları basit rastgeleleştirme kullanarak iki gruba (n = 16 her biri) ayırın. Tahsis dizisini bilgisayar tarafından oluşturulan rastgele sayı listesi kullanarak oluşturun. Temel değerlendirme tamamlanana kadar eğitmenden tahsisi gizlemek.
  2. Her iki grubun da aynı eğitmen tarafından, aynı materyaller ve iletişim saatleri kullanılarak ders verildiğinden emin olun.
  3. Geri bildirim ya doğrudan insan düzeltmesi (WCF) ile ya da yapay zeka ve öğretmen geri bildirimlerinin robotik bir yapay zeka ajanı aracılığıyla sunulduğu STEP-DWCF-R iş akışı yoluyla iletin.

2. Yazma Görevleri

  1. 1. haftada sınav koşullarında (≥250 kelime, 40 dakika) temel bir IELTS Görev 2 makalesi uygulayın.
  2. Haftada altı yazma görevi yapın (2–7. haftalar). Her görev için:
    1. WCF'de, makaleye bir tur insan geri bildirimi sunun.
    2. STEP-DWCF-R'de, yapay zeka geri bildirimi üretin, bunu bir insan öğretmenle birlikte yönetin ve robotik yapay zeka ajanına geri bildirimi etkileşimli olarak öğrenciye sunmasını talimat verin.
    3. STEP-DWCF-R'de, revizyon tamamlanana kadar STEP-DWCF-R geri besleme döngüsünü 2–3 tur boyunca tekrarlayın.
  3. 8. haftada aynı sınav koşulları altında IELTS Görev 2 sonrası deneme uygulaması yapın. Her iki grupta da aynı bir haftalık takvime uyun. 1. Tur geri bildirimini taslak gönderiminden sonraki 24 saat içinde STEP-DWCF-R ile ilet. Öğrencilerin 48 saat içinde tekrar yapıp yeniden göndermelerini zorunlu kılın. Sonraki turlar için aynı programı takip edin ve haftalık pencere içinde tüm döngüleri tamamlayın.

3. Geri Bildirim İş Akışı

  1. Her öğrenen taslağı GPT-5 API ile (model = "gpt-5", sıcaklık = 0.7, max_output_tokens = 2048) işleyerek dört sabit kategoride ayrıntılı geri bildirim oluşturun: Dilbilgisi, Kelime Dağarcığı, Organizasyon ve Akıl yürütme. Tam sistem isteği ve JSON çıkış şeması açık kaynak deposunda (https://github.com/YifangGaoinPG/Dynamic-Writing-Correction-Feedback/blob/main/evaluate.py, fonksiyon build_prompt() ve normalize_reasoning()) sağlanmıştır.
  2. Yapay zeka tarafından oluşturulan geri bildirimi aşağıdaki kriterlere göre denetleyin: yanlış pozitifleri veya yanlış yorumları kaldırın; IELTS kriterine uygun kritik konuları ekleyebilir; yorumların uygulanabilir ve teşvik edici olmasını sağlamak; ve dört kategorili şemaya uyum sağlamak. Moderasyon kararlarını manuel olarak kaydedin.
  3. Moderatör edilen geri bildirimi JSON formatında kaydedin ve robotik yapay zeka ajan arayüzüne (hafif bir Flask web uygulaması) yükleyin.
  4. Web arayüzü üzerinden geri bildirim sunun. Her kategori için yapılandırılmış tablolar gösterin (özet, sorunlar ve revizyon ipuçları). Öğrenen teşekkür ve açıklama taleplerini sistem kayıtları aracılığıyla kaydedin. Öğrencilere taslaklarını gözden geçirmeleri ve yeniden göndermeleri için talimat verin. Her görev başına bu döngüyü en fazla üç kez tekrarlayın.
  5. Doğrulama ve sorun giderme.
    1. Başarılı yapay zeka geri bildirim üretimini doğrulayın; çıktının geçerli JSON olup olmadığını, dört gerekli kategorinin tamamını içerdiğinden doğrulayın: Dilbilgisi, Kelime Dağarcığı, Organizasyon ve Akıl yürütme. Öğretmen moderasyonunun tamamlandığını doğrulamak, yanlış pozitiflerin kaldırıldığını, eksik sorunların eklendiğini ve moderasyonlu JSON dosyasının kaydedildiğini garantileyin.
    2. Moderatörlü JSON dosyasını yükleme uç noktası üzerinden Flask tabanlı robotik yapay zeka ajan arayüzüne yükleyin. Arayüz onay mesajı ve veritabanı log girişi üzerinden başarılı yüklemeyi onaylayın. Form gönderim kayıtları aracılığıyla öğrenen yeniden gönderimleri otomatik olarak kaydedin.
    3. Uyumsuz yapay zeka çıktılarını (örneğin, yanlış oluşturulmuş JSON, eksik kategoriler veya yanlış geri bildirim) ensure_json() ve normalize_reasoning() fonksiyonlarını kullanarak işleyin. API çıktısını gerektiğinde ayarlanmış istem parametreleriyle yeniden oluşturun. Gerekirse, öğretmen moderasyonu sırasında JSON'u manuel olarak düzeltin, böylece tüm dört kategorinin yüklemeden önce mevcut olduğundan emin olun.
      NOT: Ham yapay zeka geri bildirimi, öğretmen tarafından yönetilen versiyonlar ve sunulan arayüz çıktısı örnekleri depoda mevcuttur (veri/klasör ve defterler/).

4. Sonuç Ölçümü

  1. Birincil sonuç, IELTS genel bant puanındaki değişim olarak tanımlanır (1. haftadan 8. haftaya).
  2. İkincil sonuçları, Görev Yanıtı, Tutarlılık ve Bütünlük, Sözcük Kaynakları ve Dilbilgisel Aralık ve Doğruluktaki değişiklikler olarak tanımlayın.
  3. Tüm makaleleri değerlendirmek için IELTS Görev 2 puanlamasında deneyimli iki bağımsız değerlendirmeci atayın. Tüm makalelerden isimleri ve grup tanımlayıcılarını çıkarın. Makale sırasını rastgele yapın ve kör dereceleyicileri grup ataması ve zaman noktasına göre değerlendirin. Hem 1. Hafta başlangıç ve 8. Hafta sonrası sınav için aynı IELTS Görev 2 sorusunu kullanın. 0.5 banttan büyük anlaşmazlıklar tartışma yoluyla puanlama konusunda uzlaşmaya varılana kadar çözüm bul. Ortalama ölçümler sınıf içi korelasyon katsayısı (ICC[2,2]) kullanılarak dereceler arası güvenilirlik değerlendirin.

5. Süreç Ölçümü

  1. Her görev başına revizyon tur sayısını kaydedin.
  2. Öğrenenler tarafından geri bildirim alımını (benimsenmiş, değiştirilmiş, reddedilen) kayda geçirmek.
  3. Döngüler arasında kalıcı hataları takip edin.
  4. Öğretmen geri bildirim süresini, robot teslimat süresini ve öğrencinin revize süresini kaydet.

6. Veri Analizi

  1. Doğrusal karışık etki modellerini Grup, Zaman ve Grup × Zaman etkileşimiyle uydurun.
  2. Süreç ölçümleri için genelleştirilmiş karışık etki modelleri uygulanır.
  3. Etki boyutlarını, %95 güven aralıklarını ve ayarlanmış p-değerlerini bildirin.
  4. ANCOVA, rater-spesifik modeller ve sağlam SE'ler ile sağlamlık kontrolleri yapın.

7. Kod Erişilebilirliği

STEP-DWCF-R sistemini yeniden üretmek için gereken tüm kodlar, istemler, JSON şemaları ve örnek uygulama dosyaları https://github.com/YifangGaoinPG/Dynamic-Writing-Correction-Feedback'de açıkça erişilebilir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Deneyler ve Analizler

Tüm 32 öğrenci temel veri sağladı. Her grupta 16 öğrenci için sınav sonrası veriler mevcuttu (WCF ve STEP-DWCF-R; Şekil 2). Çalışma zaman çizelgesi ve ölçümleri Şekil 3'te sunulmakta, uçtan uca geri bildirim iş akışı ise Şekil 4'te gösterilmiştir. Yapay zeka sistemimiz için deneysel kurulum ve uygulama parametreleri Tablo 1'd...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma, çok bileşenli dinamik yazılı düzeltici geri bildirim çerçevesi olan STEP-DWCF-R'yi, robotik bir yapay zeka ajanı ile sekiz haftalık bir IELTS yazma kursunda tek turlu WCF ile karşılaştırdı. STEP-DWCF-R, genel bant ve TR, CC, LR ve GRA genelinde daha büyük pre-post kazançları sağladı. STEP-DWCF-R kapsamındaki öğrenciler ayrıca daha fazla revizyon turu tamamladı ve daha hızlı hata azaltma gösterdi; modeller tur başına yaklaşık 4.1 hata azalma tahmin etti. En büyük gelişme tutar...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarların rekabet eden çıkarları yoktur.

Teşekkürler

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma, Universiti Sains Malaysia Köprü Hibesi tarafından finanse edilmiştir, Proje No: R501-LR-RND003-0000001342-00000.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Flask (Web Framework)Pallets Projectshttps://flask.palletsprojects.comRobotik AI ajan web arayüzü için kullanılan Sürüm 2.1
GPT-5 APIOpenAIhttps://platform.openai.comYapılandırılmış JSON geri bildirim oluşturma için gpt-5 modeli, sıcaklık=0.7
Jinja2Pallets Projectshttps://jinja.palletsprojects.comWeb arayüzü için sunucu tarafından oluşturulan şablonlar
PythonPython Software Foundationhttps://www.python.orgArka uç komut dosyası için Sürüm 3.10
Windows 11Microsofthttps://www.microsoft.com/windowsAI geri bildirim sistemi için işletim sistemi

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

M hendislikSay 233Say 233Bo De erSayngilizce yazmayaz l d zeltici geri bildirim WCFdinamik yaz l d zeltici geri bildirim DWCFinsan yapay zeka i birli igeri bildirim benimsemekarma etkili modeller

İlgili makaleler