使用 GPT-turbo 3.5 自动生成英语词汇多选填空问题
内容提要
多项研究探讨GPT模型在教育中的应用：GPT-4能生成高质量多选题、干扰项和学习目标，结合思维链可提升自动评分准确性；含代码题难度更高；规则方法评估选项错误更高效；GPT提示可改善学生编程表现。
延伸解读
GPT模型在教育评估中的适用性差异
文章汇总的多项研究表明，不同GPT模型在教育任务中的表现存在明显差异。GPT-4在生成高质量多选题、干扰项和学习目标方面优于GPT-3.5，尤其在结合思维链（CoT）时能提升自动评分准确性。但涉及代码片段的题目难度更高，提示教育工作者需根据任务类型选择合适模型，并注意模型版本对输出质量的影响。
自动生成题目的质量评估与校准
研究显示，基于规则的方法在评估学生生成的多选题选项错误时更准确高效，而GPT-4生成的干扰项有53%被教师评为高质量、可立即使用。这表明自动生成题目虽具潜力，但仍需人工校准或规则方法辅助，以确保评估的可靠性和教育适用性。教育工作者应关注生成内容的校准机制。
对编程教学与个性化学习的启示
文章提到，GPT-3.5生成的个性化提示能帮助学生在编程作业中表现更好，且依赖平台反馈较少。同时，GPT-4能生成与学习目标高度一致的多选题，支持课程设计。这些发现提示编程教育者可将GPT工具用于辅助评估和个性化学习，但需注意代码类题目的难度，并合理整合自动生成内容与教学目标。
Q&A
GPT-4 在生成多选题方面表现如何？
GPT-4 能够生成语言清晰、只有一个正确选项和高质量干扰项的多选题，并且这些题目与学习目标高度一致。
基于规则的方法和基于GPT-4的方法在评估学生生成的多选题选项错误时哪个更有效？
基于规则的方法可以更准确、更高效地评估多个学科领域的选择题选项错误。
如何利用GPT模型生成高质量的干扰项？
通过从题库自动检索题目并将其用作上下文示例，可以引导ChatGPT等大型语言模型生成相关干扰项，教师评价中53%的生成干扰项被评为高质量，可立即使用。
GPT-4 在自动评分中相比 GPT-3.5 有什么优势？
GPT-4 在各种评分任务中表现出更高的性能，并且结合思维链（CoT）可以提高评分准确性，尤其是与项目描述和评分标准一起使用时。
GPT-4 能否生成符合 Bloom 分类法的学习目标？
是的，GPT-4 自动生成的学习目标大多合理、表达准确，并符合 Bloom 分类法的不同层次，可以用于支持课程和课程设计。
包含代码片段的多选题对GPT模型来说是否更困难？
是的，研究发现包含代码片段的题目更加困难，这个发现可以帮助编程教育工作者调整教学方法和评估。
