AI Generated Feedback for Students Assignment Submissions: A case study in generating feedback for students’ submissions using ChatGPT
Author
Nysom, Lars
Term
4. term
Publication year
2023
Submitted on
2023-08-11
Pages
36
Abstract
AI is increasingly used in education, but giving each student timely, individualized feedback on assignments remains difficult and time-consuming. This thesis explores a resource-efficient, student-centered way to add AI-generated feedback to UCN's teaching framework. It specifies what a chatbot needs to provide useful comments: course context, assignment description, evaluation criteria, and an indicative solution. Using a generative language model (such as ChatGPT), these structured inputs produce tailored feedback that aligns with lecturers' perspectives. In a case study, the AI-generated feedback showed consistent quality across assignments. However, a dependable system must include lecturer validation before students receive any AI output, to ensure accuracy and transparency. To make the approach practical, the thesis proposes an implementation workflow (a pipeline) built on the OpenAI API, so feedback requests can be handled at scale. Overall, the approach supports the goal of more personalized feedback, complements pedagogical methods, and can spark follow-up dialogue between students and lecturers. The thesis summarizes the benefits and challenges of integrating AI into feedback and points to future research on when and how such tools should be used to strengthen student engagement.
I uddannelsessektoren bruges AI i stigende grad, men at give hver studerende hurtig, individuel feedback på opgaver er stadig svært og tidskrævende. Dette speciale undersøger en ressourceeffektiv, studentercentreret måde at tilføje AI-genereret feedback til UCNs didaktiske ramme. Det præciserer, hvad en chatbot behøver for at levere brugbare kommentarer: faglig kontekst, opgavebeskrivelse, bedømmelseskriterier og en indikativ løsning. Med en generativ sprogmodel (fx ChatGPT) giver disse strukturerede input målrettet feedback, der ligger på linje med underviseres perspektiver. I et casestudie viste den AI-genererede feedback en stabil og ensartet kvalitet på tværs af opgaver. Arbejdet understreger dog, at et pålideligt system skal omfatte underviser-validering, før studerende modtager AI-output, for at sikre nøjagtighed og transparens. For at gøre tilgangen operationel foreslås en implementeringsarbejdsgang (en pipeline) bygget på OpenAIs API, så feedbackanmodninger kan håndteres i skala. Samlet set understøtter tilgangen målet om mere personlig feedback, supplerer pædagogiske metoder og kan sætte gang i efterfølgende dialog mellem studerende og undervisere. Specialet sammenfatter fordele og udfordringer ved at integrere AI i feedback og peger på fremtidige forskningsspor om, hvornår og hvordan sådanne værktøjer kan styrke studenterengagement.
[This apstract has been rewritten with the help of AI based on the project's original abstract]
Keywords