এই পৃষ্ঠায়

এই পৃষ্ঠাটি ইংরেজিতে পড়ুন

ইংরেজি পাতার এই স্বয়ংক্রিয় অনুবাদ, এখনও মাতৃভাষিক বক্তার দ্বারা পর্যালোচনা করা হয়নি।

GradeBench স্বয়ংক্রিয় মূল্যায়ন নিয়ে একটি সংকীর্ণ কিন্তু কাজের প্রশ্ন করে: একজন শিক্ষার্থীর হাতে-লেখা উত্তর, শিক্ষকের রুব্রিক, একটি রেফারেন্স সমাধান এবং শিক্ষক প্রকৃতপক্ষে যে রুব্রিক আইটেমগুলো নির্বাচন করেছেন — এগুলো দেওয়া থাকলে একটি ফ্রন্টিয়ার মডেল কি একই আইটেমগুলো নির্বাচন করে? গোল্ড লেবেলগুলো পরীক্ষা ও কুইজ থেকে শিক্ষক ও TA-দের প্রকৃত রুব্রিক নির্বাচন, পুনরায় গ্রেড করা মডেল আউটপুট নয়।

এটি দিয়ে আপনি কী করতে পারেন

কোনো গ্রেডিং বিক্রেতার নির্ভুলতার দাবি বিশ্বাস করার আগে লিডারবোর্ডটি পড়ুন, আর লিডারবোর্ড বিশ্বাস করার আগে টাস্ক নির্মাণপদ্ধতি পড়ুন। এই বেঞ্চমার্ক-এ দশটিরও বেশি প্রতিষ্ঠানের 45টি বিশ্ববিদ্যালয় কোর্সের 125টি প্রশ্ন থেকে নেওয়া 464টি টাস্ক রয়েছে; এগুলো এমন মুক্ত-উত্তর পরীক্ষা ও কুইজ আইটেমে সীমাবদ্ধ যেগুলো একজন অধ্যাপক বা TA লাইন ধরে ধরে পর্যালোচনা করেছেন, এবং আংশিক ক্রেডিটের দিকে ঝোঁকানো — পূর্ণ নম্বর ও শূন্য নম্বরের টাস্ক প্রতিটি 5%-এ সীমিত, কারণ মডেলগুলোর জন্য সেগুলো সহজ।

বর্তমান লিডারবোর্ডের সর্বোচ্চ স্কোর মানুষের সম্মতির অনেক নিচে: সেরা মডেল 57.3% হুবহু রুব্রিক মিল অর্জন করে, এবং সাইটটি প্রতি 1,000 উত্তরের খরচের বিপরীতে নির্ভুলতা প্লট করে, যেখানে 0.8 পয়েন্ট পিছিয়ে থাকা একটি মডেলের খরচ প্রায় সাত ভাগের এক ভাগ। খরচের অক্ষটিই ব্যবহারিকভাবে কাজের অংশ, কারণ গ্রেডিং বিপুল পরিমাণে করতে হয়।

দ্বিতীয় একটি স্বাধীনভাবে নির্মিত যন্ত্রের জন্য Learning Design Alliance-এর AI গ্রেডিং বেঞ্চমার্ক দেখুন, যা হোস্ট করা লিডারবোর্ডের বদলে একটি ওপেন রিপোজিটরি হিসেবে প্যাকেজ করা এবং Porcaro-র গবেষণায় সারসংক্ষেপিত।

এটি কাদের জন্য

যেসব শিক্ষক সিদ্ধান্ত নিচ্ছেন একটি গ্রেডিং টুলকে পর্যালোচনা ছাড়াই নম্বর প্রকাশ করতে দেবেন কি না, যেসব মূল্যায়ন পেশাজীবী ক্রয়-সংক্রান্ত শর্তাবলি লিখছেন, এবং যেসব গবেষকের রচনা-স্কোরিং সম্পর্কের বদলে রুব্রিক-স্তরের একটি লক্ষ্য দরকার।

নোট ও সতর্কতা

GradeBench প্রকাশ করে Pensive, একটি বাণিজ্যিক AI গ্রেডিং প্ল্যাটফর্ম, তাই বেঞ্চমার্ক ও পণ্যের মালিক একই; টাস্ক নির্মাণ নথিভুক্ত ও যুক্তিসম্মত, কিন্তু উপস্থাপনার কাঠামোটিকে বিক্রেতার দৃষ্টিভঙ্গি হিসেবেই দেখুন। এটি কমপক্ষে চারটি আইটেমের রুব্রিকসহ STEM পরীক্ষা কভার করে, ফলে রচনা, সংক্ষিপ্ত উত্তর ও আলোচনা পোস্ট বাদ পড়ে — যে ফরম্যাটগুলোতে বেশিরভাগ মানবিক বিষয়ের গ্রেডিং হয়। হুবহু রুব্রিক মিল একটি কঠোর মেট্রিক: দুজন গ্রেডার একটি আইটেমে দ্বিমত করতে পারেন এবং শিক্ষার্থী সম্পর্কে দুজনেই সঠিক হতে পারেন। স্কোরগুলো 2026 সালের নভেম্বরে উপলব্ধ মডেল সংস্করণগুলোর বর্ণনা দেয় এবং তা বদলাবে।

সংযুক্ত ধারণা

এই পৃষ্ঠাটি এমবেড করুন

এই পৃষ্ঠাটি যেকোনো লার্নিং ম্যানেজমেন্ট সিস্টেম বা ওয়েবসাইটে এমবেড করতে নিচের কোডটি কপি করুন। এমবেড করা সংস্করণে কেবল পৃষ্ঠার কনটেন্ট দেখানো হয় — সাইটের হেডার, নেভিগেশন ও ফুটার লুকানো থাকে।