AI Summary & Key Takeaways
AI InsightFindings indicate that ChatGPT 3.5 outperforms Gemini and YouChat regarding accuracy, precision, and recall, with an overall high IRR among all raters.
📌 3 Key Takeaways
Abstract
This study examines the inter-rater reliability (IRR) of three AI tools (ChatGPT 3.5, Gemini, YouChat) and four human raters in evaluating English writing skills using the multifaceted Rasch model. The evaluation focuses on the consistency and dependability of scores assigned by the AI tools compared to human judgment. The sample comprised 206 students whose responses were evaluated using a holistic scoring rubric based on the Common European Framework of Reference for Languages (CEFR) writing competencies. Findings indicate that ChatGPT 3.5 outperforms Gemini and YouChat regarding accuracy, precision, and recall, with an overall high IRR among all raters. The results suggest that AI tools can effectively supplement human raters, providing consistent and reliable assessments, which has significant implications for educational evaluations and the potential integration of AI in various scoring scenarios. The study contributes to understanding the role of AI in educational assessment and emphasizes the potential of AI tools to improve the scalability and efficiency of scoring processes. The study also discusses the importance of AI tools in providing prompt feedback, analyzing large datasets, and ensuring scoring consistency across different contexts. It also highlights the need for hybrid models that combine AI's consistency with human assessors' contextual understanding.
Özet
Bu çalışma, İngilizce yazma becerilerinin değerlendirilmesinde üç yapay zekâ aracı (ChatGPT 3.5, Gemini, YouChat) ile insan puanlayıcılar arasındaki puanlayıcılar arası güvenirliği Çok Yüzeyli Rasch Modeli ile incelemektedir. 206 öğrenciden toplanan yazma yanıtları, Avrupa Dilleri Ortak Başvuru Çerçevesi temelli bütüncül rubrikle puanlanmış; yapay zekâ araçlarının doğruluk, kesinlik ve duyarlılık ölçütleri hesaplanarak insan yargısıyla tutarlılığı test edilmiştir. Bulgular, tüm puanlayıcılar arasında yüksek düzeyde puanlayıcılar arası güvenirlik elde edildiğini ve ChatGPT 3.5’in Gemini ve YouChat’e kıyasla daha iyi performans gösterdiğini ortaya koymaktadır. Sonuçlar, yapay zekânın hızlı geri bildirim, büyük veriyi işleme ve farklı bağlamlarda puanlama tutarlılığını artırma potansiyeline işaret etmektedir. Bununla birlikte, bağlamı doğru yorumlama ve ayrıntılı, amaca uygun geri bildirim üretme aşamalarında insan uzmanlığı kritik olduğundan, yapay zekânın insan puanlayıcıları tamamladığı hibrit yaklaşımlar önerilmektedir. Standartlaştırılmış yönergeler ve ortak istemler, insan ve yapay zekâ puanlayıcıların aynı koşullarda çalışmasını ve yöntemsel karşılaştırılabilirliği sağlamıştır.