生成式人工智能在地理作業批閱中的實踐探索

高立洋　姚偉國　樂聲浩

生成式人工智能作為能夠實現人機聊天、智能對話、文本生成、提供咨詢、創作詩歌、修改代碼等功能的智能應用，近年來迅速吸引了全世界人們關注的目光。ChatGPT、文心一言、通義千問、ChatGLM、MOSS等都是基于神經網絡的自然語言處理技術，理解和生成人類語言。隨著人工智能技術的不斷發展，越來越多的人開始探討運用生成式人工作智能進行個性化作業批閱的可能性。本文主要以“文心一言”為例，介紹它在地理作業主觀題批閱中的運用實踐。

一、當前地理作業主觀題批閱存在的問題

作業批閱是教師日常工作中不可或缺的一部分。它可以幫助教師了解學生的學習情況，發現學生學習存在的問題與不足，從而進行有針對性教學，為學生提供具體反饋與指導。然而，常規的作業批閱主要依賴人工審核，存在以下一些局限性。

第一，個性化反饋不足。由于教師的作業批閱數量比較多，在時間和精力有限的情況下，大多僅僅提供基本的對或錯的反饋，缺少針對每個學生具體問題的個性化反饋。這可能導致很多學生僅僅知道自己在這個問題上的回答有誤，卻無法準確定位問題所在。

第二，不可避免具有主觀性。由于個人經驗和認知差異，教師在作業批閱過程中會存在一定的主觀性，可能導致對有些學生作答情況的批閱與實際學情不符，影響學生學習積極性。

第三，即時反饋不強。很多時候，學生是等到教師全部作業批閱完成后才能獲得反饋，反饋的時效性較弱，無法及時了解自己的學習情況。

第四，缺少數據統計和分析。由于教師在批閱作業時缺少記錄和分析學生作業數據方面的智能化支持，更多的是憑借經驗對班級和學生學習效果進行分析，缺失對班級和學生整體情況的全方位了解，不利于對學生進行精準教學。

第五，時間成本高，精力付出多。很多教師需要花費大量的時間和精力批閱學生的作業，而長期的機械批閱擠壓了教師進行精細分析的時間，長此以往容易產生身心壓力^[1]。

基于此，本文針對這一問題展開討論，嘗試借助生成式人工智能提高高中地理作業主觀題的批閱效果，總結個性化批閱實施經驗，以期為相關領域研究和應用提供參考。

二、生成式人工智能地理作業批閱的應用原則和實踐依據

（一）應用原則

作業批閱是檢測學生學習效果、鞏固學習成果的重要手段，也是教師評估學生學習情況、提供個性化指導的重要依據。教師在批閱作業時應堅持以下原則。第一，規范性原則。作業批閱應遵循一定的規范和標準，保證評價的公正性和客觀性。批閱者應該熟悉作業批閱的規范要求，注重批閱的細節和標準，避免主觀臆斷和片面評價。第二，科學性原則。作業批閱不能僅關注答案正確與否，更要關注學生的思維過程和解題能力培養。批閱者要從多角度考慮學生給出的答案，分析學生的思維方法和學習態度，注重啟發式教學，引導學生自主學習和思考^[2]。第三，發展性原則。作業批閱不僅要關注學生的當前表現，更要關注學生的潛在發展和未來發展。批閱者應從學生現有水平出發，注重作業的多樣性和開放性，提供適合學生發展的學習機會和指導。第四，互動性原則。作業批閱不是單向的評價過程，而是教師與學生之間的互動和交流。批閱者應注重與學生的溝通與交流，及時反饋批閱結果，提供個性化指導和幫助，促進學生改進學習方法和提高成績^[3]。

（二）實踐依據

生成式人工智能能夠分析文本的語言特征和主題，這使它可以被應用于一些批閱場景。地理是一門文理兼備的學科，主觀題的作答具有表達精練、強調規范、邏輯性強等特征。這些特征和生成式人工智能的優勢相符，且教師可以通過經驗總結避免或者減少生成式人工智能在作業批閱時出現的錯誤，挖掘個性化批閱反饋價值。

為了深入分析生成式人工智能對不同類型主觀題作業的批閱質量，我們依據SOLO分類評價法對語言結構進行劃分（見表1），實現對不同語言結構答案的批閱^[4]。

三、生成式人工智能地理作業批閱的實踐應用

（一）制定批閱策略

1.文本比較保障批閱科學性

雖然生成式人工智能具有很強的語言理解能力，能夠對題目給出較全面的答案，但是這種面面俱到的思維與批閱場景并不吻合。相反，批閱更需要精細化，即評價學生答案與題目要求的匹配程度。然而，直接讓生成式人工智能評價學生答案和題目要求的匹配程度，可能會因為使用算法不同導致理解偏差，不利于批閱的科學性。筆者采取直接比較學生答案和標準答案的方法，避免理解偏差的影響。

2.細則撰寫提升批閱規范性

文本比較的批閱方式雖然可以降低因理解偏差造成的出錯率，但是語言表達存在多樣化的特點，相同的內容往往有不同的表達方式，批閱前教師需要對某些答案進行解釋。此外，教師還需要撰寫評分細則，如總分是多少，每個部分給幾分；某個答案是必須回答的，沒有寫到不能得到對應分數；某些回答其中之一即可，多寫也不能多給分；等等。

批閱細則的撰寫是批閱的關鍵環節。教師首先需要對答案進行解構并匹配相應分值，然后根據學生答案特征撰寫合適的評分細則。

3.指令下達增強批閱互動性

作業批閱不僅可以讓教師了解學生真實的學習、理解情況，還可以給學生指出存在的問題與改進的方向，形成良性互動。在生成式人工智能支持下，教師下達指令即可實現，如指出學生作答存在的主要問題和回答較好的方面，并針對問題提出改進建議等。

（二）主觀題類別劃分

為了驗證批閱效果，不斷提升批閱質量，下面以作業答案的不同語言結構類型為依據，按照SOLO分類法對地理作業主觀題進行分類舉例（見表2），再進行實踐驗證與經驗總結。

（三）批閱效果分析

如圖1所示，該“前結構”答案簡單且明確。根據細則要求，生成式人工智能給出了較準確的評分，在識別正確答案并賦分的同時，還排除了“氣溫”這一錯誤答案，也識別出“水源豐富”是過度解讀。同時，它對各答案給出了較合理的評價，具體分析了評分的理由。由此可見，生成式人工智能基本能勝任此類試題的批閱。

如圖2所示，該“單一結構”答案較簡單，但是相較于“前結構”答案呈現出描述和解釋的特點。生成式人工智能對此題的批閱準確，能夠識別表述不同但是意思一致的答案。可見，雖然作業語言結構變得復雜了，但是通過批閱細則的撰寫，教師仍然可以保證批閱的準確率。

如圖3所示，該“多元結構”答案較復雜，答案的前半部分有一定的內在邏輯關系。生成式人工智能的評價較為準確，不僅識別出正確答案，而且對備選答案和類似表述理解也較為到位。但是，它對答案3第一部分較明顯的表達方式變化不能理解，影響了評價的準確性。由此看來，生成式人工智能對較復雜語言結構的答案批閱存在不穩定現象。

如圖4所示，該“關聯結構”答案的語句關系更為復雜，答案第一部分存在一定的內在邏輯關系。生成式人工智能對這道題目答案的批閱較為準確，比如對正確答案1賦滿分，但是對答案2中關于“促進生產要素的流動”的變式表達理解不到位，出現誤扣分，說明它在語言理解方面的不穩定性。

如圖5所示，該“拓展結構”答案更加復雜，需要學生表明觀點后再說明理由。生成式人工智能對這道題的評價效果不佳，甚至沒有識別出答案1和答案2的觀點，評價較好的是在答案3中指出了沒有從水循環的角度分析，再次說明生成式人工智能語句理解的準確率存在較大的不穩定性。

（四）批閱改進與總結經驗

綜合來看，生成式人工智能在試題批閱上既有優勢又有不足。在批閱準確性方面，首先，它對部分關聯詞、相近詞的理解不到位，對備選答案的識別出現偏差，導致評分時出現誤判。其次，批閱的穩定性不高，不僅相同語言結構不同問題的準確性存在較明顯差異，相同題目、相同答案反復評閱也會出現不同的結果。最后，對較復雜語言結構的答案理解批閱效果不佳，這類答案中出現低級錯誤的概率也更大。

通過與生成式人工智能的交流，我們發現，這可能和它使用的算法有關。生成式人工智能在進行分析回答時會運用不同類型的算法，比如文本匹配算法、自然語言處理算法、深度學習算法、模板填充算法、規則匹配算法、決策樹算法、樸素貝葉斯算法、K最近鄰算法等。

選擇使用哪種算法進行分析回答時，生成式人工智能會考慮任務需求、數據類型和規模、計算資源和時間限制等多個因素，并進行適當的評估和實驗，以確保選擇的算法能夠滿足需求并獲得較好的效果。這就可以理解為什么它在批閱時存在不穩定性的問題，很可能和它使用的算法有關。

所以，批閱作業時，生成式人工智能還要為不同答案語言結構類型匹配不同的算法，以提高批閱質量。以下是教師運用不同算法類型批閱不同語言結構的學生答案和標準答案時的建議（見表3）。

針對語言較為復雜的“拓展結構”答案，在不指定算法批閱時，生成式人工智能對部分主觀題沒有識別出學生答案的觀點，評價過于簡單，評閱質量不高。

如圖6所示，根據語言結構特征匹配深度學習算法后，生成式人工智能對這道題的批閱質量明顯提高。首先，它準確地識別并賦分了每個答案觀點和理由。其次，精細分析了每句答案并具體賦分，而且還給出了總分和評價，重要的是賦分都比較準確。由此可見，匹配合適的算法可以提升批閱效果。

基于以上實踐探索，筆者發現，制定合適的批閱策略能夠有效保障作業批閱實施，但是不能保證達到理想的結果。此外，提升批閱的穩定性可以根據答案的語言結構類型選擇合適的算法類型，同時在正式批閱之前進行一定量的預批閱，以優化指令的科學性，并對語言模型進行訓練，從而提高批閱質量。

四、總結與展望

本文探討了生成式人工智能在個性化批閱方面的實踐，它在減少機械勞動和提升個性化評價方面有明顯優勢。雖然當前大規模實施生成式人工智能存在一定的困難，但是制定科學的批閱策略和選擇合適的算法有助于提升批閱效果。而且，隨著相關技術的迅速發展，當前批閱中不準確、不穩定的問題將得到解決。

此外，生成式人工智能雖然能夠實現機器的個性化批閱，但是和現實的場景有所不同。如學生往往是手寫作答主觀題，而生成式人工智能還不能直接識別手寫體的答案，這就需要一定的軟硬件支撐。首先，在不改變學生答題場景與減少電子產品對視力等影響的前提下，學校應提供一定的硬件支持，如將學生的手寫體轉換為電子稿，也可以借助點陣紙筆作為硬件支持，在有較高準確率識別軟件的支持下將學生手寫體答案轉化為電子稿。其次，開發專門的應用，將識別的電子稿答案按題目分類進行批閱，并在批閱后將評分和評價實時反饋給學生。學生在系統的用戶端可以實時接收批閱反饋，提升批閱互動性。最后，建立云端錯題庫，匹配針對性的知識講解和題目訓練，幫助學生提高復習效率，在個性化批閱的同時智慧化助力學生學習效果的改善。

在生成式人工智能的支持下，如果這樣個性化批閱和智慧化輔導的流程得以打通，不僅能夠減少教師的機械勞動，還能大幅提高教學效率，增強學生學習體驗感，事半功倍。

參考文獻

[1] 任寶貴.我國家庭作業研究綜述[J].教育科學研究，2013（9）： 58-63.

[2] 余昆侖.教師有效批改與反饋作業的原則和策略[J].中國基礎教育，2023（4）：70-71.

[3] 陳英.新課程背景下的優化中學作業管理研究[D].上海：華東師范大學，2005.

[4] 蔡永紅.SOLO分類理論及其在教學中的應用[J].教師教育研究，2006（1）：34-40.

（作者高立洋系上海市民立中學地理教師、教研組長；姚偉國系上海市民立中學副校長，地理特級教師；樂聲浩系上海市民立中學地理教師）

責任編輯：孫建輝