Alice：用于评分标准驱动的多维度自动简答题评分的大规模德语基准
研究团队发布 Alice，一个大规模、基于评分标准的德语自动简答题评分（ASAS）数据集，包含学习表现、知识要素和技能三个子任务。实验表明，大语言模型在零样本设置下难以准确评分知识要素和技能，且评分标准文本对 Alice-KE 和 Alice-SK 任务尤为有用。
#评价/命题
arXiv cs.CLAI 评分4242 arXiv cs.CLAI 评分4242 RUSPAN：用于简答题自动评分的联合 LLM 编码框架
RUSPAN 提出一种将评分标准视为语义标签表示的简答题自动评分（ASAS）框架，通过单次 LM 推理对评分等级进行列表式打分。该框架在涵盖英语、德语和葡萄牙语的六个 ASAS 基准上，其单基准评分性能优于判别式和生成式基线模型。
arXiv cs.CY精选AI 评分7777 arXiv 研究：LLM 生成结构化评估在高等教育中的诊断质量分析
该研究基于 JorGPT 数据集分析了 LLM 在高等教育自动评分中的诊断质量，发现 LLM 生成的子维度分数高度相关，缺乏独立诊断信息。文本反馈检测学生误解的准确率仅为 5-7%，远低于教师的 15-31%，且反馈语气缺乏随答案质量变化的严重度调节。
推荐理由：研究揭示了 LLM 评分在诊断学生误解和反馈语气上的系统性偏差，为高校自动化评估的人机分工提供了实证依据。
Frontiers in EducationAI 评分5252 基于 AI 分析与专家评估同步的编程知识多因子评估模型研究
该研究针对生成式 AI 普及带来的编程评估挑战，提出包含功能正确性、解释质量和 AI 使用水平的多因子评估模型。研究涉及哈萨克斯坦三所大学 187 名本科生，对比了 GPT-5.2、Claude Opus 4.5 和 Gemini 3 在基线（仅功能正确性）和多因子条件下的评估结果。
arXiv cs.CLAI 评分4242 CL-MEP 通过对比学习缓解 ESL 学习者自动作文评分偏差
针对自动作文评分系统对高熟练度 ESL 学习者的过度惩罚问题，研究提出双向对齐策略 CL-MEP。该方法将评分偏差降低 39.9% 并提升整体准确率，成功区分有效句法复杂度与表层语法错误。
arXiv cs.CLAI 评分4040 AI 赋能选择题质量保障：自动化缺陷检测与评估综述
该研究对自动化选择题缺陷检测、修订及心理测量筛查进行了叙述性综述，基于 14 份研究报告构建了 19 项标准评估框架。研究发现高标签准确率常伴随弱阳性案例检测，且现有修订证据混杂，无法确立修复效果。作者建议将质量保障视为独立验证决策序列，采用基于结果的评估方法。
欧盟委员会教育总司AI 评分5555 欧盟委员会发布 EU PISA 2025 首批结果事实清单
欧盟委员会教育总司发布 EU PISA 2025 首批结果事实清单，该文件汇总了欧洲教育政策简报中的关键洞察。
arXiv cs.CYAI 评分4242 生成式AI教育中的认知所有权：150组学生-AI对话分析
研究分析了150组学生与AI的对话，发现相似的评估成绩可能对应截然不同的认知参与模式。基于认知所有权框架，作业分数仅反映评估结果，无法还原学生与AI之间认知工作的具体分配。该研究为评估体系纳入认知过程证据提供了实证基础。
Frontiers in EducationAI 评分4242 马来西亚高校教师视角下 AI 时代学生评估重构的质性研究
针对马来西亚 18 名高校教师的质性研究揭示了 AI 对学生评估的重构影响。研究发现 AI 使用导致教师工作量增加，迫使教师角色向“学术质量守门人”转变，并引发专业身份张力。教师普遍采取适应性教学、重新设计评估及寻求机构支持等策略，以应对学术诚信挑战并推动 AI 治理。
Education and Information TechnologiesAI 评分3535 GenAI 零样本提示用于 EFL 完形填空文本生成：中国语言评估的混合方法评估
该研究采用混合方法评估 GenAI 零样本提示在中国 EFL 完形填空文本生成中的应用。研究聚焦于语言评估场景，旨在验证生成式 AI 在构建完形填空测试题时的可行性与效果。
GitHub · AI in 教育AI 评分2626 devissaputra/feedback_quality_evaluator：基于多维度的形成性反馈评估原型
devissaputra/feedback_quality_evaluator 是一个用于评估教育反馈质量的 AI 研究原型，通过 8 个独立维度（如目标对齐、可操作性）进行透明启发式分析。该工具明确区分证据缺失与低质量，不生成单一综合分数，并包含 41 个单元测试及 20 个合成压力测试用例以验证错误分析能力。