Valutazione AI delle Spiegazioni Scientifiche: Aumento dei Dati per lo Squilibrio di Classe

Uno studio indaga le strategie di aumento dei dati per affrontare lo squilibrio di classe nella valutazione automatica basata su transformer delle spiegazioni scientifiche degli studenti. Utilizzando un dataset di 1.466 risposte di studenti delle scuole superiori a una valutazione di scienze fisiche allineata con un percorso di apprendimento NGSS, la rubrica include 11 categorie analitiche binarie che coprono sei componenti complete della spiegazione e cinque idee incomplete o inesatte comuni. Il modello di base è SciBERT, messo a punto e testato con tre metodi di aumento: risposte sintetiche generate da GPT-4, EASE (un approccio di estrazione e filtraggio a livello di parola) e ALP (Aumento tramite grammatica probabilistica lessicalizzata senza contesto). La ricerca mira a migliorare l'accuratezza nella valutazione del ragionamento avanzato, spesso sottorappresentato nelle categorie della rubrica.