STEM教育是一种跨学科的教育方法，融合了科学、技术、工程和数学，旨在帮助学生通过解决现实世界问题来发展跨学科知识和技能。然而，STEM教育在教学和学习过程中面临诸如跟踪学生学习过程、设计真实有效的STEM问题和评估学生表现等挑战。
人工智能（AI）技术的应用，尤其是在教育评估领域，有助于减轻教师的工作负担，促进学生的个性化和自适应学习。
浙江大学欧阳璠教授的研究A Systematic Review of AI-Driven Educational Assessment in STEM Education通过系统综述的方式，探讨了以下三个研究问题：AI在STEM教育评估中的应用有哪些功能？ 在STEM教育评估中，为了实现这些功能使用了哪些AI算法？ AI在STEM教育评估中的应用有哪些教育和技术效果？
自动化评估工具：Maestrales等人（2021）设计了一个自动化评估工具，用于在学生科学学习过程中进行形成性评估。该工具利用机器学习技术，与教师手动评估相比，在打分方面实现了更高的准确性。 eAlgo系统：Aiouni等人（2016）提出了一个名为eAlgo的自动化评分系统，它采用自动匹配算法来评估编程课程中学生的流程图。 基于深度学习的评估模型：Chen和Wang（2023）使用了深度学习评估模型，用于在编程课程学习过程中进行形成性评估。 有效推理网络：Zhai等人（2021）利用有效推理网络来解决基于机器学习的下一代科学评估（NGSA）中的认知、教学和推理有效性问题，帮助教师评定学生在科学课程中的总结性表现。 概念图与机器学习技术结合的评估方法：Bertolini等人（2021）结合了概念图这一新颖的评估方法和机器学习技术，用以评估生物课程中学生的辍学风险。 基于深度学习面部识别技术的智能教室评估系统：Zhang等人（2022）结合了AI面部识别技术和智能教室的实际教学管理，以捕捉STEM学习过程中学生的情绪状态和变化。 IPSO-BP算法优化的教育评估模型：Chen等人（2022）改进了粒子群优化算法，优化了IPSO-BP算法的模型结构和参数，为科学课程教学提供了可靠的教育评估模型。
AI教育评估的功能：研究发现AI在STEM教育评估中主要承担三种功能：学术表现评估、学习状态评估和教学品质评估。具体来说，大多数研究（70.6%）集中在学术表现评估上，其次是学习状态评估（17.6%），而关注教学品质评估的研究较少（11.8%）。 使用的AI算法：在这些研究中，深度学习（DL）是最常用的AI算法，占比41.2%，其次是机器学习（ML），占比23.5%。这表明在STEM教育评估中，先进的AI算法正在逐渐取代传统算法。 教育和技术启示：论文基于结果提出了教育和技术方面的启示，强调了将AI技术与教育理论结合、赋予学生更多学习代理权的重要性。这些启示在“Discussions and Implications”部分进行了讨论，特别是在“Addressing Research Questions”和“Educational Implications”以及“Technological Implications”小节中。
