AI Summary & Key Takeaways
AI InsightThese findings indicate that AI tools can complement expert judgment in content validity assessment when methodological control is ensured.
📌 3 Key Takeaways
Abstract
This study investigated whether artificial intelligence (AI) systems could evaluate the content validity of B1-level English reading comprehension items in a manner comparable to human experts. A 25-item multiple-choice test was developed and rated by four human experts and four AI models (GPT-4o, Gemini 2.0, Replika, and Chatfuel). To ensure methodological transparency, a standardized few-shot prompting framework was employed. Each model was accessed in a new session to avoid context drift, and identical prompts were provided to maintain consistency across evaluations. The Content Validity Ratio (CVR) and Item Content Validity Index (I-CVI) were calculated and compared using the Wilcoxon Signed-Rank Test. The results revealed no statistically significant difference between AI- and human-generated scores, suggesting that AI evaluators produced ratings similar to those of human experts. Although fine-tuning could not be performed due to the closed-source nature of the models, standardized prompting procedures enhanced reliability and replicability. These findings indicate that AI tools can complement expert judgment in content validity assessment when methodological control is ensured. The study highlights the potential of hybrid human–AI frameworks in educational measurement, while emphasizing the importance of model transparency and context management.
Özet
Bu çalışma, yapay zekâ (YZ) sistemlerinin, B1 düzeyindeki İngilizce okuduğunu anlama maddelerinin kapsam geçerliğini insan uzmanlara benzer bir biçimde değerlendirip değerlendiremeyeceğini araştırmıştır. Bu amaçla, 25 maddeden oluşan çoktan seçmeli bir test geliştirilmiş ve dört insan uzman ile dört YZ modeli (GPT-4o, Gemini 2.0, Replika ve Chatfuel) tarafından değerlendirilmiştir. Yöntemsel şeffaflığı sağlamak için standartlaştırılmış bir few-shot prompting çerçevesi kullanılmıştır. Her model, bağlam kaymasını (context drift) önlemek amacıyla yeni bir oturumda çalıştırılmış ve tüm değerlendirmelerde tutarlılığı korumak için aynı yönergeler verilmiştir. İçerik Geçerliği Oranı (CVR) ve Madde Düzeyinde İçerik Geçerliği İndeksi (I-CVI) hesaplanmış ve Wilcoxon İşaretli Sıra Testi kullanılarak karşılaştırılmıştır. Sonuçlar, YZ ve insan tarafından üretilen puanlar arasında istatistiksel olarak anlamlı bir fark bulunmadığını göstermiştir; bu da YZ değerlendiricilerinin insan uzmanlara benzer puanlamalar yaptığı anlamına gelmektedir. Modellerin kapalı kaynak yapısı nedeniyle fine-tuning (yeniden uyarlama) gerçekleştirilememiş olsa da, standartlaştırılmış yönlendirme prosedürleri güvenilirliği ve yinelenebilirliği artırmıştır. Bulgular, yöntemsel denetim sağlandığında YZ araçlarının kapsam geçerliği değerlendirmesinde uzman yargısını tamamlayıcı bir unsur olarak kullanılabileceğini göstermektedir. Çalışma, eğitimde ölçme alanında insan-YZ iş birliğine dayalı hibrit modellerin potansiyelini vurgularken, model şeffaflığı ve bağlam yönetiminin önemine dikkat çekmektedir.