المعيار المرجعي (Benchmark)

ترجمة آلية للصفحة الإنجليزية، لم يراجعها بعد متحدث أصلي.

المعيار المرجعي (Benchmark) — حِزَم اختبارات معيارية وأُطر تقييم تُستخدم لقياس أداء نماذج الذكاء الاصطناعي في المهام التعليمية. وتتيح المعايير المرجعية مقارنةً قابلة للتكرار بين النماذج والمناهج، وهي أساسية لتقييم موثوقية وإنصاف وجودة أنظمة الذكاء الاصطناعي في التعليم من حيث الجانب التربوي.

أسئلة تستحق التأمل

• المعيار المرجعي حِزمة اختبارات معيارية لقياس أداء نموذج الذكاء الاصطناعي في المهام التعليمية. فبعد القراءة، ما الذي تظن أن معظم معايير الذكاء الاصطناعي تختبره فعلًا — ولماذا قد يكون ذلك شيئًا مختلفًا عمّا يحتاجه مدرّس جيد؟
• تُبرز هذه الصفحة معيارًا مرجعيًا للتربوية يختبر المعرفة التربوية — استراتيجيات التدريس وطرائق التقويم وتربوية التعليم الخاص — لا المعرفة المحتواهية. فلماذا قد يفشل ذكاء اصطناعي يعرف المادة عبقريةً في تعليمها، ولماذا يُغفل معيار مرجعي يتجاهل التربوية ذلك؟
• أحد الدروس هنا منهجي: كيف تتحقق من صحة معيار مرجعي يغيّر النتائج تغيرًا كبيرًا، إذ يُبلّغ التحقق الساذج عن أداء أعلى بكثير من الطرق الصارمة المستقلة عن التجربة. فكيف قد يُغرَم مطوّر نموذج أو مورّد بتصميم تحقق يبدو حسنًا، وكيف تكشف ذلك؟
• غالبًا لا ينتقل أداء المعيار المرجعي إلى النفع في العالم الحقيقي. فهل تستطيع التفكير في سيناريو "يفوز" فيه ذكاء اصطناعي في معيار مرجعي لكنه يفشل في صف حقيقي — وما الذي تخبرك به تلك الفجوة عن الاعتماد على درجات المعايير المرجعية وحدها؟
• تُشير الصفحة إلى أن تصميم المعيار المرجعي قد يُرمّز الانحياز ذاته أو يُضخّمه. فإذا تكوّن معيار مرجعي من مهام بعينها، بلغات بعينها، من جماعات بعينها، فتعلم من يُقاس في النهاية — وتعلم من يُتجاهل؟

مقدمة

تعمل المعايير المرجعية كأساس استدلالي لـ البحث في الذكاء الاصطناعي في التعليم. فهي تُوفّر مجموعات بيانات ومهام ومقاييس معيارية تتيح للباحثين مقارنة النماذج وتتبع التقدم وتحديد أنماط الفشل. وفي بحث قاعدة المعارف، تظهر المعايير المرجعية عبر مجالات متعددة:

• CSTutorBench يُقيّم نماذج اللغة الصغيرة في مهام تدريس علوم الحاسوب.

• ANVIL يُعاير الرسوم التعليمية المولَّدة بالذكاء الاصطناعي مقابل البدائل التي أنشأها الإنسان.

• معايير تغذية الراجعة التعليمية تُقيّم انتقال تصنيف جودة التغذية الراجعة عبر اللغات.

• المعيار المرجعي للتربوية (CDPK + SEND) يختبر المعرفة التربوية — استراتيجيات التدريس وطرائق التقويم وتربوية التعليم الخاص — لا المعرفة المحتواهية، ويُبلّغ عن "حدود القيمة" بين الكلفة والدقة عبر 97 نموذجًا (فأكثر المعايير المرجعية العامة تختبر المعرفة المحتواهية؛ والتربوية بعدٌ متميز حرج للتعليم).

• ISD-Agent-Bench يُعاير وكلاء التصميم التعليمي القائمين على النماذج اللغوية الكبيرة (LLMs) عبر 25,795 سيناريو تصميم تعليمي، مُظهرًا أن الوكلاء الهجينين المؤسَّسين على أطر ISD الكلاسيكية (ADDIE وDick & Carey والنمذجة السريعة) يتفوقون على النظرية الخالصة أو التقنية الخالصة — نتيجة معيارية لها آثار مباشرة على تصميم الذكاء الاصطناعي الوكيلي في التعليم.

• تكيّف المتعلّم معيارًا صريحًا للتقييم. يصنّف تحدي Teaching Monster Challenge التكيّف مع شخصية متعلّم محددة، لكن قاضي النموذج اللغوي الكبير الآلي لم يفصل إلا ذيلًا ضعيفًا — فقد سجّلت الأنظمة الأولى قرابة سقفه وخالف ترتيبها تفضيل الجمهور (Spearman ρ = −0.17) (Lin et al. (2026)).

لماذا تهمّ المعايير المرجعية في AIED

ترتبط المعايير المرجعية بـ تقييم الذكاء الاصطناعي في التعليم (AI Ed Evaluation) وصدق التقييم — فدون معايير مرجعية صارمة، تكون الدعاوى حول فعالية تدريس الذكاء الاصطناعي غير قابلة للتحقق. وهي تتقاطع أيضًا مع تخفيف الانحياز، إذ قد يُرمّز تصميم المعيار المرجعي الانحياز أو يُضخّمه. ويُستقصى التوتر بين أداء المعيار المرجعي والنفع في العالم الحقيقي عبر مقالات متعددة، مرتبطًا بمخاوف نقل التعلّم في تطبيقات الذكاء الاصطناعي التوليدي.

• عندما يكون المقياس هو الفشل لا النظام: سجّل AlgoRAG درجة BLEU-4 = 0.0000 على جميع أسئلة الامتحان النظرية الـ 179 في علوم الحاسوب بينما أعطى معيارًا تربويًا من ستة بنود درجة 0.7620، لأن البراهين المتكافئة منطقيًا تختلف روتينيًا في الرموز وأسماء المتغيرات واستراتيجية البرهان. والدرجة الصفرية تقول عن تداخل n-gram أكثر مما تقول عن جودة الجواب، وهذا هو الحالة العامة ضد اعتبار المقاييس السطحية الرقم الرئيسي لأنظمة AIED في المجالات الصورية.

• معايير مرجعية مضادة للواقع على مستوى البُنى. يُعبّر CFES-P24 عن مبادئ التعلّم متعدد الوسائط بتحويلات شريحة حتمية قابلة للعكس ليدقق فيما إذا كانت نماذج اللغة متعددة الوسائط تستجيب لبنى تصميم تعليمي بعينها بدلًا من إنتاج تقييمات كلية معقولة. وأظهرت تجربة أوّلية مجمّدة تمييز البنى (العملية والمبدأ والإصلاح وتوطين الأدلة) عند 8/8 بينما فشل الحكم المقارن (الاتجاه 6/8) ومعايرة الشدة (0/8) — ما يزعم لصالح بطاقات نتائج طبقية على الدرجات المُركّبة. (Benchmarking Multimodal Large Language Models for Educational Slide Auditing)

• أسِّس الهلوسة والطاقة في التقييم لا في الدقة وحدها. صنّف Shen et al. (2026) الهلوسة كمضمون مقابل قطع مفتوحة الترخيص مُسترجعة (κ = 0.76 مع الحكم الخبير) وسجّل 1.8 mWh لكل استفسار، ووضع استبعادهم الاسترجاع أولًا: إذ سجّل نموذج لغوي محلي دونه 52.3%، أدنى من خط أساس TF-IDF البالغ 55.4%.

• قد يتفوق التحقق على الحكم في المحتوى المولّد. يُترجم Kumar et al. (2025) الرسوم الرياضية المولَّدة ترجمةً عكسية إلى تمثيل وسيط مُقيَّد بمخطط ويُجري فحوص قواعد حتمية، راسمًا اتفاقًا أعلى مع المقيّمين البشر (Cohen's κ 0.48–0.56) من LLM-as-a-Judge (0.39–0.47) ومتيحًا لنموذج صغير أن يطابق أفضل قاضٍ بكلفة أدنى 10×.

• التقييم المستقل عن التجربة في المعايير المرجعية الفيزيولوجية. يعاير Nanayakkara & Halloluwa (2026) 15 نموذج تعلّم آلي/تعلّم عميق للتنبؤ بالألفة القائم على تخطيط أمواج الدماغ (EEG) ويُظهران أن اختيار مخطط التحقق يغيّر النتائج الرئيسة تغيرًا كبيرًا: فالتحقق المتقاطع الطبقي المعياري يسمح بتسرّب زمني ويُبلّغ عن دقة تصل إلى 0.9853 F1، بينما يُسقط التحقق بطي المستقلة عن المجموعة (Group K-Fold) القمة إلى 0.6038 F1. والدرس — أن التقييم الواعي بالتسرّب/الزمن أساسي لمعايير مرجعية تعليمية ذات مصداقية — يمتد إلى ما هو أبعد من EEG إلى أي معيار مرجعي يستخدم بيانات متسلسلة أو مُهيكلة زمنيًا.

• الانحراف التوزيعي محور معياري ثانٍ إلى جانب التسرّب. فالمعيار المرجعي الذي يُبلّغ عن درجة المصنّف في التوزيع الأصلي ودرجة نقله يُبلّغ عن كميتين مختلفتين: إذ حُبس مصنّف مستوى بلوم عند macro F1 0.88 في مصرفه المُنتقى فانخفض إلى 0.48 و0.20 في مجموعتي أسئلة مولّدتين بالذكاء الاصطناعي، واستعاد إعادة التدريب على بيانات خارج التوزيع موسومة حتى 0.82، لذا يُبالغ رقم لوحة الصدارة الواحد في التوزيع الأصلي فيما سيفعله أداة منشورة (Castanares et al., 2026).

• مجموعة نصوص بُنيت لاختبار النقل بين المجموعات. يُعنون ICLE++ المقالات الإقناعية بدرجات كلية وعشر درجات على مستوى السمات ليفضح اعتماد بحوث التصحيح الآلي للمقالات على ASAP، الذي تُشوّش مقالاته المحدودة زمنيًا والأصلية النطق الطول بالجودة؛ ونقلت النماذج المدرَّبة على عناوين السمات أفضل من تلك المدرَّبة على الدرجات الكلية وحدها (Li & Ng, 2026).

• قد لا يقيس المعيار المرجعي المُعيَّر بشريًا البُنى ذاتها لنموذج لغوي كبير. قارن Strugatski et al. (2026) بنى استجابات الإنسان ونماذج اللغة متعددة الوسائط في تشخيص كيميائي وامتحان استدلال كمي؛ وبقيت التطابق العاملي بين نماذج اللغة والبشر أدنى من خط الأساس بين الإنسان والإنسان، واحتفظ التحليل المتوازي بعدد عوامل مختلف.

• لم تُحسّن تعدد الوسائط معايرة الاستدلال. ففي MathCog، على 3,036 حكمًا معلّمًا على 639 استجابة رياضية بخط اليد، لم يبلغ أي من 18 نموذجًا لغويًا macro F1 0.5 — وأفضلها، GPT-4o-img، سجّل 0.448 — وانخفضت النماذج متعددة الوسائط أكثر من النصية وحدها عندما كان الدليل غامضًا، مُسندةً أدلة زائدة ومُلفّقةً اقتباسات (Kim et al. (2025)).

• معايير مرجعية اصطناعية لتدريس الذكاء الاصطناعي. تبقى مجموعات البيانات المفتوحة القابلة للتكرار لتقييم تدريس الذكاء الاصطناعي قليلة. ويُعدّ ASTRA (وكلاء استدلال جماعي ذكيون اجتماعيًا تكيّفيًا) نموذجًا أوّليًا متعدد الوكلاء للتدريس وإطارًا مرجعيًا لدراسة البرمجة التعاونية بوكلاء متمايزين اجتماعيًا، داعمًا تشكيلات مدرّب منفرد وثنائي ومتعدد الوكلاء (N=540؛ 360 جلسة؛ 1,440 حلقة) بمخطط جاهز للأثر يسمح بتحليل قابل للتكرار للتفاعل وتوازن المشاركة والتحقق.

• الأفق محور معياري لا تفصيل. يضع Lee et al. (2026) وكيل مدرّس في علاقة مستمرة 30 يومًا مع متعلّم محاكى ويجد أن كل مُهايئ بلغ هضبة بحلول اليوم 5–10، ولم يُقدّ أي مُهايئ مكسب تعلّم في أكثر من مستوى نموذج أساسي واحد، وكانت محاور النتائج الخمسة مستقلة في معظمها.

• معيار تدريس صُنّف مقابل مدرّسين بشريين لا مقابل لوحات صدارة. يعشوّأ StudentBench 2,383 بالغًا عبر تدريس بالذكاء الاصطناعي وتدريس بشري خبير حي وضابط فيديو على مفردات GRE كُتبت حديثًا، فوجد تدريس الذكاء الاصطناعي المُجمَّع مكافئًا إحصائيًا لتدريس الإنسان (p=.015) وأعلى بنقاط 5.5-6.9 مئوية من الضابط؛ ولوحات صدارة جودة التدريس لديه، المبنية على 2,028 مقارنة زوجية للخبراء، تُرتّب خطط الدروس والسلوك الحواري لا مقدار ما تعلّمه الطلاب (Northcutt et al. (2026)).

• أصبح تدقيق المعايير المرجعية مساهمة بحثية في حد ذاته. تدفع ثلاثة أصناف لعام 2026 عمل المعايير المرجعية إلى ما هو أبعد من تجميع لوحات الصدارة. فيحتفظ EduFair-Bench بطالب محاكى ثابت ويغيّر السمات الديموغرافية، محوّلًا معيار التدريس إلى تدقيق إنصاف بمقاييس تربوية على مستوى الدور (EduFair-Bench: Evaluating Pedagogical Fairness of LLM Tutors Across Student Demographics). ويشخّص GeoVAD-Bench البنى البصرية الوسيطة — الإدراك وجودة المساعد والاستفادة — لا الصحة النهائية في 600 مسألة هندسة (Beyond Generation and Accuracy: Diagnosing and Enhancing Visual Chain-of-Thought for Geometry Problem Solving). وقاس إعادة تصحيح ستة معايير فيزياء على يد الخبراء الخطأ الذي تحمله مثل هذه الدرجات: فقد كانت 57.20% من الرفض المُدقَّق عيوبًا في المفردات، و38.00% أخطاء المصحّح و4.80% فقط فشلًا حقيقيًا في النموذج (How Good Are Frontier Models at Physics? Expert Re-Grading Reveals Broken Evaluations and Near-Saturation of Leading Benchmarks). وتزعم معًا أن درجة المعيار المرجعي ينبغي أن تُقرأ دائمًا مع ميزانية خطئها المُدقَّقة، وهو الانضباط ذاته الذي يطلبه صدق التقييم من أدوات الصف.

• فصل التعليق وتوليد الأسئلة كنموذج إنشاء. تبني أكثر المعايير المرجعية أزواج سؤال-جواب خاصة بالمهمة لكل مفردة أو صورة، ما يجعل التوسّع إلى مهام جديدة مكلفًا، ويجعل البيانات صعبة إعادة الاستخدام عبر المهام، ويترك تحكمًا محدودًا في شكل السؤال وتعقيده. ويعكس MUSE الترتيب: يعلّق كل عمل فني مرة واحدة في تمثيل مُهيكل قابل لإعادة الاستخدام لمحتواه البصري والدلالي، ثم يُنشئ 12 مهمة من قواعد توليد معرّفة مسبقًا، فتنتج الصورة الواحدة نموذج تقييم متعدد الآراء مع معاملة الصعوبة والصيغة كمتغيرين تصميميين صريحين لا كنتائج جانبية (MUSE: Benchmarking Large Vision-Language Models on Multi-Modal Understanding in Situated Education). ودليل الارتباط لديه حجة ثانية للتصميم — فالمهام الـ 12 تقيس قدرات مترابطة لكن غير زائدة (يتآلف لغز التركيب آليًا مع أكثرها الآخر، ρ = 0.25 إلى −0.10)، وعلى ستة معايير مرجعية خارجية تنتقل الدرجات المتعددة الوسائط العامة انتقالًا غير متساوٍ إلى الصور التعليمية الفنية (BLINK Jigsaw مقابل MUSE Jigsaw ρ = −0.20)، وهو موضع تغطية البنى ضد قراءة أي درجة مُجمَّعة واحدة كبديل عن قدرة ذات صلة تعليمية (MUSE: Benchmarking Large Vision-Language Models on Multi-Modal Understanding in Situated Education).

• توليد المخرجات متعدد الوسائط هو المحور الذي تُغفله أكثر المعايير المرجعية. يصنّف Chen et al. (2026) 15,246 سؤالًا فيزيائيًا و19,850 صورة من المدرسة المتوسطة إلى الجامعة، بما في ذلك مجموعة فرعية لتحرير الرسوم: فقد ثبت أن توليد الرسوم الفيزيائية المُهيكلة أو تحريرها أصعب من الإجابة، وبقيت النماذج الرائدة أدنى من 70% إتقانًا صارمًا.

• تغطية علوم المرحلتين K-12 ومشكلة التشبّع. وجد معيار مرجعي مُواءم لـ NGSS لعلوم المتوسطة والثانوية (1,078 + 1,150 مفردة اصطناعية، مُتحقق منها من ثلاثة قضاة) تسعة نماذج مفتوحة الأوزان فوق 90% دقة في محاولة واحدة، بينما أظهرت الإحصاءات الكلاسيكية للمفردات قيم صعوبة عالية وتمييزًا منخفضًا: فحجم النموذج لم يتنبأ بالأداء، ويسأل المؤلفون عمّا إذا كان الاختبار سهلًا جدًا (A Benchmark for LLM's Understanding of Middle School and High School Science Topics). وهي الحالة الخاصة بالمجال لقراءة إحصاءات مفردات المعيار المرجعي ذاتها إلى جانب لوحة صدارته.

• خط أساس تافه وحقيقة IRT كفحص للدقة الرئيسة. يبني Worden et al. (2026) مجموعة FoundationalASSIST من 1,722,169 تفاعلًا في ASSISTments مع الحفاظ على نص السؤال واستجابات الطلاب الفعلية، ويصنّف مهمة تتبّع المعرفة مقابل خط أساس 51.3 بالمئة "دائم الإجابة الصحيحة"، ويقرأ كفاءة النموذج مقابل تقديرات IRT ثنائية المعاملات مُلاءَمة على البيانات ذاتها. فتتجاوز أربعة نماذج رائدة الخط الأساس التافه بنحو خمس نقاط (أفضلها 56.2 بالمئة)، وتنخفض أدنى من العشوائية في الحكم على تمييز المفردة، و— وهو الفشل الذي يستطيع معيار مرجعي بُني لهذا الغرض أن يراه — تتنبأ بالصحة 85.4 بالمئة من الوقت على الإجابات الصحيحة لكن 12.6 بالمئة فقط على الخاطئة، فمهارتها الظاهرة انحياز تفاؤل.

• إعداد المصحّح متغير في ذاته. يمسح Habibullah et al. (2026) 171 إعداد تصحيح على امتحان بـ 570 طالبًا بتصحيح مزدوج ويجد أن مقدّمة قصيرة لمصحّح "صارم" تُخرج 14 نموذجًا من أصل 17 نموذًا مفتوح الأوزان من نطاق التصحيح، ثم يُكرّرون بـ 162 إعدادًا على امتحان مستقل بـ 1,038 طالب تتكاثر نتائجه عن الضعف لا عن اتجاهه. فالأفضل إعداد (MAE 1.64/35، أدنى من 2.61/35 الذي يحققه مصحّحو البشر بعضهم تجاه بعض) ليس بالتالي دليلًا على أن تصحيح نماذج اللغة الكبيرة يعمل — مع أن مُهايئ LoRA واحدًا مدرَّبًا على الوسوم البشرية المُجمَّعة يبلغ خمسة نماذج صغيرة التكافؤ البشري ويُمحّي حساسية الشخصية تقريبًا.

• تقييد مجموعة النصوص لجعل دعوى القدرة قابلة للإسناد. يُرشّح Li et al. (2026) FineWeb-Edu إلى 88 مليارًا من الرموز من مواد المرحلتين K–5 الأمريكية ويدرّبان نموذجًا بـ 5 مليارات معامل من الصفر عليها، ثم يفحصان التقاطع بمسابر سلوكية لا بدرجات — والاستبقاء قرابة الصفر على مقاطع Beyond-K–5، والانهيار في مفردات Beyond-K–5 Jeopardy، وحل أقل من نصف مسائل Grade 8 MathCAMPS حتى عند pass@1024. ولأن التعرض السابق معلوم، يمكن إسناد قدرة تظهر بعد التوسّع أو التدريب اللاحق أو أمثلة السياق إلى التدخل؛ ويُبلّغ المؤلفان أيضًا أن الحدّ ليس بشري الشكل، إذ يتغلب النموذج أحيانًا على مهارة تالية بينما يفشل في مُقدّمتها.

• قاعدة النتائج جزء من الأداة. يُجري Srivastava (2026) أربع قواعد تحديث لتتبّع المعرفة على تسلسلات الأحداث ذاتها في ASSISTments 2012–13، تختلف فقط في كيفية تصحيحها للصفوف المدعومة بتلميح، ويسجّل المقارنات مسبقًا خلف حاجز يحتجز نصف الطلاب التأكيدي حتى يتوفر ملف التسجيل. فإسناد أي إتمام يتجاوز بالكاد ثابت مهارة-صعوبة (AUC مُجمَّع 0.604 مقابل 0.595 عبر 985,813 حدثًا مصحّحًا) ويُعلن 93.9 بالمئة من أزواج الطالب-المهارة متقنة مقابل 72.8 بالمئة تحت قاعدة تقرأ الصفوف المدعومة كمحاولات أولى فاشلة (0.658) — والدرس العام أن وسوم الإتقان تُعرَّف بقاعدة الأدلة لا بالسجل.

• أبلغ عن قدرة النموذج كمرحلة مُعايَرة لا كدقة وحدها. يُخصّ Min et al. (2026) 624 مفردة معلّمة على مراحل كفاءة مسمّاة باستخدام 2,050 استجابة متعلّم، ويجد أن النماذج الرائدة تتجاوز السقف المُعاير — حدّ يُخفيه النسبة المئوية.

• يمكن استغلال قاعدة النتائج بالنموذج الذي تدرّبه. يُظهر مقياس تكيّف يُعظّمه تكرار أفضل قرار واحد أن تصميم المعيار المرجعي ينبغي أن يُنشر فيه argmax، ويُصنّف التكيّف كفرق، وتُبلَّغ خطوط أساس أعلى من العشوائي (Domínguez Figaredo & Fernández De la Cruz, 2026).

المفاهيم المرتبطة

• تقييم الذكاء الاصطناعي في التعليم (AI Ed Evaluation)
• تخفيف الانحياز
• الذكاء الاصطناعي بمشاركة الإنسان
• التقويم البنّاء
• تتبّع المعرفة
• الذكاء الاصطناعي التوليدي
• تقويم المقالات الآلي

المقالات المرتبطة

• Standardized Assessment of LLM English Proficiency — معيار كفاءة إنجليزية من 624 مفردة يُبلّغ عن قدرة النموذج كمرحلة مُعايَرة (Min et al. 2026)
• OmniPhys: A Unified Multimodal Benchmark for Physics Understanding and Generation from Chinese Educational Corpora
• Do Assessment Instruments Measure the Same Thing for Humans and LLMs? A Latent Structure Analysis — هل تقيس أدوات التقويم الشيء ذاته للبشر ونماذج اللغة الكبيرة؟ (Strugatski et al. 2026)
• Benchmarking the Pedagogical Knowledge of Large Language Models — المعيار المرجعي للتربوية: المعرفة التربوية لنماذج اللغة الكبيرة (CDPK + SEND)
• ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents — ISD-Agent-Bench: معايرة وكلاء التصميم التعليمي القائمين على نماذج اللغة الكبيرة
• Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources — مساعدو قاعدة معارف OER بالذكاء الاصطناعي في الموقع: معيار متعدد الأبعاد
• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — من المنتجات الأصيلة إلى العمليات المُصدَّق عليها: التقويم الأصيل في التعليم العالي الغني بالذكاء الاصطناعي
• Benchmarking Large Language Models for Diagnosing Students' Cognitive Skills from Handwritten Math Work — Benchmarking Large Language Models for Diagnosing Students' Cognitive Skills from Handwritten Math Work
• EduClaw-Bench: A Long-Horizon Benchmark for Pedagogical LLM Agents with Simulated Learners — EduClaw-Bench: A Long-Horizon Benchmark for Pedagogical LLM Agents with Simulated Learners
• Responsible Assessment in the AI Era: Key Insights from a Future-Focused Conference — Responsible Assessment in the AI Era: Key Insights from a Future-Focused Conference
• ANVIL: Analogies and Videos for Lecturers — ANVIL: Analogies and Videos for Lecturers
• ICLE++: Modeling Fine-Grained Traits for Holistic Essay Scoring — ICLE++: Modeling Fine-Grained Traits for Holistic Essay Scoring
• Findings of the First Teaching Monster Challenge: A Benchmark of Pedagogical Content Knowledge in AI Agents
• Benchmarking Multimodal Large Language Models for Educational Slide Auditing — CFES-P24: Benchmarking Multimodal LLMs for Slide Auditing
• DiagramIR: An Automatic Pipeline for Educational Math Diagram Evaluation — DiagramIR: معيار لتقييم الرسوم الرياضية المولَّدة
• Automating Learner Assessment: Benchmarking Machine Learning and Deep Learning Models for EEG-Based Familiarity Prediction — Automating Learner Assessment: EEG-Based Familiarity Prediction
• AlgoRAG: Retrieval-Augmented Generation for Theoretical Computer Science Education -- A Comprehensive Evaluation Framework for Algorithm Analysis and Complexity Theory — AlgoRAG: Retrieval-Augmented Generation for Theoretical Computer Science Education -- A Comprehensive Evaluation Framework for Algorithm Analysis and Complexity Theory
• MUSE: Benchmarking Large Vision-Language Models on Multi-Modal Understanding in Situated Education — MUSE: بناء معياري قائم على التعليق أولًا ومولّد للمهام، وعدم الزيادة على مستوى البعد عبر 12 مهمة تصوير فني (Zhu et al. 2026)
• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench: مكاسب تعلّم GRE المكافئة بين تدريس الذكاء الاصطناعي وتدريس الإنسان
• Evaluation of pre-trained models for pedagogical assessment of novel AI-assisted educational questions — Evaluation of pre-trained models for pedagogical assessment of novel AI-assisted educational questions
• A Benchmark for LLM's Understanding of Middle School and High School Science Topics — A Benchmark for LLM's Understanding of Middle School and High School Science Topics
• The learner who does not learn: when optimizing a pedagogical metric degrades LLM tutoring — Eight design principles for AI-tutor benchmarks, derived from a metric that was optimized into repetition (Domínguez Figaredo & Fernández De la Cruz 2026)