Investigating Learner-Aware Design of LLM-Generated Educational Feedback
Di cosa parla
Si confrontano sei tipi di feedback prodotti da modelli di linguaggio — cioè programmi che generano testo — applicati a domande a scelta multipla di biologia e testati con studenti delle superiori. L’obiettivo è capire quale forma di feedback (più chiara e completa, più informativa o con un tono emotivo diverso) aiuta gli studenti a correggere le risposte e ad accettare i suggerimenti. I risultati mostrano che feedback chiari e completi migliorano la revisione, mentre la novità informativa e il tono emotivo funzionano in modo diverso a seconda del profilo dello studente.
Cosa permette di osservare
Permette di esplorare se e come adattare i feedback automatici ai diversi profili degli studenti: quali elementi comunicativi (chiarezza, dettaglio, tono) conviene modificare in base alla personalità o preferenze degli apprendenti.
Dalla fonte
Although large language models (LLMs) show promise for generating educational feedback, it remains unclear how feedback should be designed (e.g., tone and information coverage) to support answer revision and learner acceptance across diverse learner profiles. We define six feedback designs for multiple-choice biology questions, including a baseline design and variants with additional feedback elements, and conduct an empirical study with high school students. We evaluate feedback using immediate revision performance and six subjective evaluation criteria, and analyze how feedback preferences vary across learner profiles based on personality traits. Our results show that feedback with clear and comprehensive guidance improves revision performance and receives favorable evaluations across learner profiles, whereas informational novelty and affective framing vary across profiles. These fin…