Enhancing Large Language Models for Automated Homework Assessment in Undergraduate Circuit Analysis

一、文章主要内容总结

本文聚焦于大型语言模型（LLMs）在本科电路分析课程作业自动评估中的应用优化，核心目标是提升模型的评估准确性与可靠性，为电气工程专业学生提供个性化学习支持。

1. 研究背景与现状：LLMs在教育领域的应用潜力显著，但现有模型（如GPT-4o、Llama 3 70B）在电路分析作业评估中存在幻觉（如无法识别等效数值格式、误判完整性）、依赖规则化系统、难以处理电路图信息等问题。此前研究显示，GPT-4o在该领域表现最优，但基础准确率仍有提升空间。
2. 核心挑战：电路分析涵盖多领域知识与复杂数学推理、LLMs无法直接解析电路图、学生错误类型多样导致模型易失焦。
3. 优化策略：提出三步增强框架——①多步提示法：将评估拆分为“最终答案与算术准确性”“完整性”“方法”“单位”四个独立步骤，避免模型同时处理多维度评估导致的失焦；②上下文数据增强：补充电路图文本描述、通用解题方法等信息，弥补模型对图像信息的解析缺陷；③靶向提示嵌入：针对模型常见错误（如单位转换误判、 rounding误差忽略）设计专属提示，引导模型规避幻觉。
4. 实验结果：在入门级电路分析主题中，GPT-4o的正确响应率从74.71%提升至97.70%；在13个典型错误案例中，11个被成功修正，验证了优化策略的有效性。
5. 研究意义：为LLMs融入电路分析教学乃至工程教育奠定基础，后续将探索电路图信息整合、模型微调等进阶方向。

二