UeduGPTs
Jupyters
說明 Uedu 平台討論區如何透過加權積分制、Emoji 加分與懲罰機制、BERT 品質評估、AI 原創性偵測及線性成績映射，自動計算學生的討論參與成績。
Uedu 的討論區評分系統（Forum Scoring）透過加權積分制自動計算學生在課程討論區的參與成績。系統綜合考量發文類型（主題文、留言、回覆）、教師與 AI 的 Emoji 回饋，以及 BERT 語意品質評估，最終以線性映射產生成績分數。
教師可針對每門課程自訂計分參數（積分權重、門檻、滿分值），也可透過 Emoji 機制即時表達對個別貼文的肯定或懲罰。整個評分流程由排程任務（Cron Job）每小時自動重新計算，確保成績即時更新。
每位學生的基礎積分（total_points）由三種發文行為累計而成，每種行為對應可設定的積分值：
| 行為 | 參數名稱 | 預設值 | 說明 |
|---|---|---|---|
| 發起主題 | pts_thread | 3 | 在討論區建立新的討論主題 |
| 留言 | pts_comment | 2 | 在他人主題下發表留言 |
| 回覆 | pts_reply | 1 | 回覆他人的留言 |
基礎積分公式：
total_points = (threads × pts_thread) + (comments × pts_comment) + (replies × pts_reply) + emoji_bonus
以下身分的使用者不計入評分：
這些特權使用者的 Emoji 行為會影響學生積分（見第 3 節），但自身的發文不參與評分。
教師可選擇將哪些討論版（boards）納入評分範圍，未被選擇的版面之發文不計入積分。此設定以課程為單位。
特權使用者（教師、助教、AI）可透過在學生貼文上按 Emoji 來給予額外積分：
| Emoji | 名稱 | 可使用者 | 效果 |
|---|---|---|---|
| 👍 | thumbsup | 教師、助教、AI | 加分（每次 +1 bonus） |
| 🎊 | confetti | 教師、助教 | 加分（每次 +1 bonus） |
| 🚀 | rocket | 教師、助教 | 加分（每次 +1 bonus） |
每位學生的 Emoji 加分總和受 bonus_max 上限限制（預設為 10），超過上限的加分不再累計。
| Emoji | 名稱 | 可使用者 | 效果 |
|---|---|---|---|
| 😴 | zzz | 教師、助教、AI | 該篇貼文的積分歸零（0 分） |
當一篇貼文被標記 zzz emoji 時，該貼文的基礎積分與所有加分 Emoji 均不計入，整篇以 0 分計算。
為避免 Emoji 加分過度膨脹，系統設有 bonus_max 參數（可由教師設定）。一位學生在整個課程中所獲得的 Emoji bonus 總和不會超過此上限。
當 AI 自動對學生貼文按下 Emoji（如 👍 或 😴）時，教師可能不同意 AI 的判斷。系統提供 Eyes（👀） Emoji 作為教師覆核機制：
例如：AI 對某篇淺層回覆按了 😴（歸零），但教師認為該回覆有價值。教師只需按一個 👀，AI 的 😴 即被忽略，該貼文恢復正常計分。
學生可以主動向教師申請覆核，有兩種使用情境：
當學生的貼文被 AI 判定為品質不足而歸零時，學生可以點擊「申請教師覆核」按鈕。教師審核後可選擇：
即使貼文未被 AI 標記 😴，學生仍可點擊「申請教師關注此貼文」，請教師特別注意此貼文的內容品質，教師審閱後可給予額外的 Emoji 加分（如 👍、🎉、🚀）。
學生提出覆核申請後，教師與助教會透過三種方式收到通知：
覆核功能僅在課程啟用討論區計分時才會出現。未啟用計分的課程不會顯示覆核申請按鈕。
系統整合 BERT 語意品質評估，透過外部 API（https://aptel-api.uedu.tw/webhook）對學生貼文進行自動品質分析。
BERT 模型評估貼文的語意品質，主要考量內容的深度、相關性與原創性。評估結果作為 AI 自動給予 Emoji 的依據，但最終的積分仍以 Emoji 機制為準。
為了鼓勵學生以自己的話參與討論，系統在 BERT 品質評估之外，增加了打字速度分析與 LLM 原創性偵測兩道機制，綜合判定貼文是否為 AI 生成後貼上。偵測結果僅教師與助教可見，學生完全看不到。
前端記錄學生從打開編輯器到送出貼文的時間，計算每分鐘字數（chars/min）：
| 條件 | 判定 |
|---|---|
| 字數 > 100 且每分鐘 > 150 字 | 疑似貼上（paste_suspected） |
| 其他 | 正常輸入 |
一般中文打字速度約 30–60 字/分（含思考），150 字/分已遠超正常手打範圍，幾乎確定是從外部複製貼上。
對字數 ≥ 80 的貼文，系統呼叫 LLM（GPT-5.4 mini）分析五個語言特徵維度：
| 維度 | 說明 |
|---|---|
| 詞彙多樣性 | AI 文本通常詞彙豐富但缺乏口語化表達或錯別字 |
| 結構規律性 | AI 傾向使用完整段落結構、首先/其次/最後等過渡詞 |
| 語氣一致性 | AI 文本語氣始終如一，不像人類會隨內容情緒波動 |
| 填充詞密度 | 人類常用「嗯」「然後」「就是」等口語填充，AI 較少使用 |
| 具體性 | AI 傾向概括性描述，人類較常提及個人經歷或課堂細節 |
LLM 綜合五個維度產出 ai_likelihood（0.0–1.0），代表內容為 AI 生成的可能性。
系統根據打字速度與 LLM 偵測結果，採用雙門檻制決定最終 Emoji：
| 字數 | 打字速度 | LLM 結果 | Emoji | 計分效果 |
|---|---|---|---|---|
| < 80 | 正常 | 不執行 | 照 BERT | 正常計分 |
| 80–100 | 正常 | ai ≥ 0.7 | 😴 zzz | 不計分 |
| 80–100 | 正常 | ai < 0.7 | 照 BERT | 正常計分 |
| > 100 | 疑似貼上 | ai ≥ 0.5 | 😴 zzz | 不計分 |
| > 100 | 疑似貼上 | ai < 0.5 | 不給 | 原點數（不獎不罰） |
| > 100 | 正常速度 | ai ≥ 0.7 | 😴 zzz | 不計分 |
| > 100 | 正常速度 | ai < 0.7 | 照 BERT | 正常計分 |
疑似貼上的門檻為 ai ≥ 0.5（較嚴格），因為已有打字速度異常作為佐證，LLM 稍微懷疑就判定。正常速度的門檻為 ai ≥ 0.7（較寬鬆），因為只有 LLM 一個訊號，需要更高信心才判定。
教師與助教在討論串詳情頁可看到偵測標記（顯示於作者名稱旁）：
學生端完全看不到任何偵測標記。教師可透過 👀 覆核機制覆寫偵測結果。
學生的最終成績由總積分（total_points）透過線性映射轉換為成績分數。教師可設定兩個關鍵參數：
| 參數 | 說明 | 預設值 |
|---|---|---|
threshold | 達到滿分所需的最低積分 | 20 |
full_score_value | 滿分分數 | 100 |
計算公式：
score = (total_points ≥ threshold) ? full_score_value : (total_points / threshold) × full_score_value
total_points ≥ threshold 時，成績 = full_score_value（滿分）total_points < threshold 時，成績 = total_points / threshold × full_score_value（線性遞增）假設 threshold = 20，full_score_value = 100：
| 學生 | 主題 | 留言 | 回覆 | Emoji bonus | total_points | 成績 |
|---|---|---|---|---|---|---|
| A | 3 | 5 | 4 | 5 | 28 | 100（滿分） |
| B | 1 | 3 | 2 | 2 | 13 | 65 |
| C | 0 | 1 | 1 | 0 | 3 | 15 |
討論區成績由排程任務（cron_forum_scoring.py）每小時自動重新計算：
此批次機制確保即使教師在非即時的情境下修改 Emoji 或調整參數，成績也會在下一個小時自動反映。
學生的討論區參與成績由 Uedu 平台的 Forum Scoring 模組自動計算。系統採用加權積分制，依據發文類型（主題文、留言、回覆）賦予不同積分權重。教師、助教與 AI 可透過 Emoji 機制（👍 加分、🎊 / 🚀 加分、😴 懲罰歸零）對個別貼文給予回饋，加分總和受上限（bonus_max）限制。AI 的 Emoji 回饋基於 BERT 語意品質評估（aptel-api.uedu.tw）。此外，系統整合 AI 原創性偵測機制，透過前端打字速度分析與 LLM 語言特徵評估（五維度：詞彙多樣性、結構規律性、語氣一致性、填充詞密度、具體性）判定貼文是否為 AI 生成內容，並採用雙門檻制（疑似貼上 ai ≥ 0.5、正常速度 ai ≥ 0.7）自動決定計分結果。教師可透過 👀 Emoji 覆核所有 AI 判斷。最終成績以線性映射計算：當總積分達到門檻（threshold）即為滿分，未達門檻則按比例換算。成績由排程任務每小時自動重新計算。各項計分參數（積分權重、門檻、滿分值、加分上限）均可按課程自訂。詳細方法論說明見 https://uedu.tw/doc/forum-scoring。
建議同時提供：