Computers· 2026Q1
Konu Modeli Kıyaslaması ve Üretken Yapay Zeka Yorumu ile İnsan Döngüsünde Eğitimsel Geri Bildirim Analizi
Human-in-the-Loop Educational Feedback Analysis Through Topic Model Benchmarking and Generative AI Interpretation
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
Konu modellemesi (LDA, BERTopic) ve üretken yapay zeka yorumunu entegre eden insan döngüsünde bir yapay zeka çerçevesi, açık uçlu öğrenci geri bildirimlerini analiz eder, manuel temalarla geniş anlamsal uyum sağlar ve eğitimsel değerlendirme için ölçeklenebilirliği ve yorumlanabilirliği artırır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Açık uçlu öğrenci geri bildirimlerini analiz etmek için konu modellemesi ve üretken yapay zekayı entegre eden yeni bir insan döngüsünde yapay zeka çerçevesi.
- LDA en yüksek konu tutarlılığını (optimizasyon sonrası 0.4785) elde ederken, BERTopic daha yüksek konu belirginliği (0.9889) göstermiştir.
- Optimize edilmiş LDA konularının üretken yapay zeka ile yorumlanması, manuel olarak türetilmiş temalarla geniş anlamsal karşılık göstermiştir.
- Çerçeve, insan denetimini korurken nitel eğitimsel geri bildirimin ölçeklenebilirliğini ve yorumlanabilirliğini artırır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Open-ended Student Evaluations of Teaching (SET) provide rich information about students’ learning experiences and instructional needs, yet their large-scale analysis remains difficult to conduct through manual coding alone. This study proposes a human-in-the-loop artificial intelligence framework for transforming open-ended student feedback into structured and interpretable evidence for educational evaluation. The framework integrates manual thematic coding, natural language processing, generative AI-supported interpretation, and human expert review. Its analytical and interpretive components were evaluated using 344 comment units collected from 43 university students across four open-ended questions administered at two points during a 16-week AI-assisted blended English as a Foreign Language course. TF-IDF with k-means, Latent Dirichlet Allocation (LDA), and BERTopic were benchmarked in terms of topic coherence, topic distinctiveness, and interpretability. LDA achieved the highest coherence score (0.4224), whereas BERTopic demonstrated the highest topic distinctiveness (IRBO = 0.9889). After hyperparameter optimisation, LDA coherence increased from 0.4224 to 0.4785. The optimised topics were subsequently interpreted using generative AI and examined against manually derived themes, showing broad semantic correspondence across language skills, cognitive processes, affective factors, motivational factors, learning strategies, classroom environments, and educational technologies. The findings indicate that human-in-the-loop AI can improve the scalability and interpretability of qualitative educational feedback while retaining human oversight of contextual judgement. By combining computational analysis with generative AI-supported interpretation and expert review, the proposed framework provides a practical analytical basis for evidence-informed educational feedback and subsequent instructional decision-making.
Yazarların özeti; kaynağından alınmıştır. Computers, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Genel Sosyal Bilimler
General Social SciencesSocial Sciences