Video Experimental Relacionado
Updated: Jan 14, 2026

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
Published on: December 15, 2023
IA Explicable para la Evaluación de la Escritura en Inglés: Precisión, Equidad y Percepción del Aprendiz
1School of Foreign Languages/School of Translation & Interpreting, Henan University; liubinscp204@163.com.
La evaluación automatizada de la escritura (AWE) necesita IA explicable (XAI) para garantizar la equidad y la transparencia. Este estudio encontró sesgos en los sistemas AWE, particularmente para hablantes no nativos de inglés, lo que resalta la necesidad de mejorar la equidad y la confianza del alumno en la tecnología educativa.
Área de la Ciencia:
- Inteligencia Artificial en Educación
- Procesamiento del Lenguaje Natural
- Tecnología Educativa
Sus antecedentes:
- La Evaluación Automatizada de la Escritura (AWE) ofrece eficiencia pero a menudo carece de transparencia y equidad.
- Los marcos tradicionales de AWE pueden descuidar las percepciones de los alumnos y la equidad, lo que limita el valor educativo.
- La IA explicable (XAI) es crucial para la confianza y la comprensión en las herramientas educativas.
Objetivo del estudio:
- Proponer y validar un marco de IA explicable (XAI) para la Evaluación Automatizada de la Escritura (AWE).
- Integrar un modelo de validación multinivel (Marco de Evaluación de Tres Niveles - TLEF) que aborde la precisión, la equidad y la percepción.
- Investigar los sesgos de equidad y las percepciones de los alumnos en AWE en estudiantes multilingües.
Principales métodos:
- Se recopilaron datos de 764 estudiantes multilingües (CEFR A2-C1) utilizando tareas de escritura y cuestionarios.
- Se empleó muestreo aleatorio estratificado y puntuación dual por expertos en IA y humanos.
- Se utilizaron análisis estadísticos que incluyen correlación, RMSE, Equalized Odds y SEM.
Principales resultados:
- El sistema AWE mostró validez general (r = 0.82) pero reveló disparidades significativas.
- Los hablantes nativos de chino exhibieron menor acuerdo (0.72) y mayor RMSE (mediana 2.15).
- Los sesgos de equidad fueron más pronunciados en niveles de competencia más bajos (aprendices A2), y la equidad percibida medió la satisfacción del alumno.
Conclusiones:
- Replantear la equidad y la percepción como dimensiones clave de la explicabilidad mejora el fundamento teórico de AWE.
- El marco XAI propuesto ofrece un enfoque práctico para mejorar la transparencia, la equidad y la aceptación social en las tecnologías educativas.
- Abordar la equidad de la IA y la percepción del alumno es vital para avanzar en AWE en la transformación de la educación digital.
Videos de Conceptos Relacionados
Non-equilibrium in the Cell
Improving Translational Accuracy
Improving Translational Accuracy
Accuracy, limits, and approximation
Accuracy is defined as the closeness of the measured value to the true or actual value. In engineering mechanics, repeated measurements are taken during theoretical or experimental analyses to ensure that the result is precise and accurate.
The accuracy of any solution is based on the...