संसाधन
GradeBench
यह अंग्रेज़ी पेज का ऑटोमैटिक अनुवाद है और इसकी अभी तक किसी मूल भाषी ने समीक्षा नहीं की है।
GradeBench स्वचालित मूल्यांकन के बारे में एक सीमित, उपयोगी प्रश्न पूछता है: किसी छात्र का हस्तलिखित उत्तर, शिक्षक का रूब्रिक, एक संदर्भ-समाधान और वे रूब्रिक आइटम जो शिक्षक ने वास्तव में चुने थे — इनके दिए रहते क्या कोई फ्रंटियर मॉडल वही आइटम चुनता है? गोल्ड लेबल परीक्षाओं और क्विज़ से लिए गए शिक्षकों और शिक्षण-सहायकों के वास्तविक रूब्रिक-चयन हैं, न कि ऐसा मॉडल-आउटपुट जिसे दोबारा ग्रेड किया गया हो।
इसके साथ आप क्या कर सकते हैं
किसी भी ग्रेडिंग विक्रेता के सटीकता-दावे पर भरोसा करने से पहले लीडरबोर्ड पढ़ें, और लीडरबोर्ड पर भरोसा करने से पहले कार्य-निर्माण पढ़ें। इस बेंचमार्क में 464 कार्य हैं, जो दस से अधिक संस्थानों के 45 विश्वविद्यालय पाठ्यक्रमों के 125 प्रश्नों से लिए गए हैं; यह केवल मुक्त-उत्तर वाली परीक्षा और क्विज़ आइटम तक सीमित है जिन्हें किसी प्रोफ़ेसर या शिक्षण-सहायक ने पंक्ति-दर-पंक्ति जाँचा था, और यह आंशिक अंक की ओर झुका हुआ है — पूर्ण-अंक और शून्य-अंक वाले कार्य प्रत्येक 5% तक सीमित हैं, क्योंकि मॉडल उन्हें आसान पाते हैं।
मौजूदा लीडरबोर्ड मानव-सहमति से काफी नीचे जाकर रुकता है: सर्वश्रेष्ठ मॉडल 57.3% सटीक रूब्रिक-मेल तक पहुँचता है, और साइट सटीकता को प्रति 1,000 उत्तरों की लागत के सापेक्ष आँकती है, जहाँ 0.8 अंक पीछे रहने वाले मॉडल की कीमत लगभग सातवें हिस्से जितनी होती है। लागत का यह अक्ष ही व्यावहारिक रूप से उपयोगी हिस्सा है, क्योंकि ग्रेडिंग मात्रा का काम है।
दूसरे, स्वतंत्र रूप से बनाए गए उपकरण के लिए Learning Design Alliance का AI Grading Benchmark देखें, जो होस्टेड लीडरबोर्ड के बजाय खुली रिपॉज़िटरी के रूप में पैक किया गया है और जिसका सारांश Porcaro के अध्ययन में दिया गया है।
यह किसके लिए है
वे शिक्षक जो यह तय कर रहे हैं कि किसी ग्रेडिंग टूल को बिना समीक्षा के अंक जारी करने दें या नहीं, वे मूल्यांकन-पेशेवर जो खरीद-आवश्यकताएँ लिख रहे हैं, और वे शोधकर्ता जिन्हें निबंध-स्कोरिंग सहसंबंध के बजाय रूब्रिक-स्तर का लक्ष्य चाहिए।
टिप्पणियाँ और चेतावनियाँ
GradeBench को Pensive प्रकाशित करता है, जो एक वाणिज्यिक AI ग्रेडिंग प्लेटफ़ॉर्म है, इसलिए बेंचमार्क और उत्पाद का मालिक एक ही है; कार्य-निर्माण प्रलेखित और बचाव-योग्य है, लेकिन फ्रेमिंग को विक्रेता की फ्रेमिंग मानें। यह कम से कम चार आइटम वाले रूब्रिक के साथ STEM परीक्षाओं को कवर करता है, जिससे निबंध, छोटे उत्तर और चर्चा-पोस्ट बाहर हो जाते हैं — वे प्रारूप जिनमें अधिकांश मानविकी ग्रेडिंग होती है। सटीक रूब्रिक-मेल एक सख्त मापदंड है: दो ग्रेडर किसी आइटम पर असहमत हो सकते हैं और छात्र के बारे में दोनों सही हो सकते हैं। स्कोर नवंबर 2026 में उपलब्ध मॉडल-संस्करणों का वर्णन करते हैं और बदलते रहेंगे।