Innovations in Education and Teaching International

Assessment feedback is crucial for student learning and satisfaction in higher education. However, many students find it vague or unhelpful, leading to dissatisfaction. Workload pressures on educators limit opportunities to provide detailed, personalised feedback. The present study explores a data-driven approach that integrates linguistic analysis into assessment feedback, aiming to enhance its clarity and increase student satisfaction. Using computational methods, we analysed a 235,118-word corpus from 115 postgraduate essays, examining lexical diversity, readability, and word frequency. Individualised Linguistic Feedback Reports (LFRs) were created and shared alongside traditional feedback. Survey responses (N = 59) showed students found LFRs clearer and more satisfying. Although perceived usefulness and actionability were not significantly different, qualitative feedback highlighted the value of objective, specific writing insights. These findings suggest that linguistically informed feedback can improve clarity and satisfaction without increasing staff workload, offering a promising step towards more engaging and effective feedback models.

بازخورد ارزیابی نقش حیاتی در یادگیری و رضایت دانشجویان در آموزش عالی ایفا می‌کند. با این حال، بسیاری از دانشجویان آن را مبهم یا غیرمفید می‌یابند که منجر به نارضایتی می‌شود. فشار حجم کار بر اساتید فرصت ارائه بازخورد دقیق و شخصی‌سازی‌شده را محدود می‌کند. مطالعه حاضر رویکردی مبتنی بر داده را بررسی می‌کند که تحلیل زبانی را در بازخورد ارزیابی ادغام می‌کند، با هدف افزایش شفافیت و ارتقای رضایت دانشجویان. با استفاده از روش‌های محاسباتی، پیکره‌ای شامل ۲۳۵٬۱۱۸ واژه از ۱۱۵ مقاله تحصیلات تکمیلی تحلیل شد و تنوع واژگانی، خوانایی و فراوانی واژه‌ها مورد بررسی قرار گرفت. گزارش‌های بازخورد زبانی فردی (LFRs) تهیه و همراه با بازخورد سنتی به اشتراک گذاشته شد. پاسخ‌های پرسشنامه (N = 59) نشان داد که دانشجویان LFRs را شفاف‌تر و رضایت‌بخش‌تر یافتند. اگرچه تفاوت معناداری در سودمندی ادراک‌شده و قابلیت اقدام وجود نداشت، بازخورد کیفی بر ارزش بینش‌های عینی و خاص در نوشتار تأکید داشت. این یافته‌ها نشان می‌دهد که بازخورد مبتنی بر تحلیل زبانی می‌تواند بدون افزایش حجم کار کارکنان، شفافیت و رضایت را بهبود بخشد و گامی امیدبخش به سوی مدل‌های بازخورد مؤثرتر و جذاب‌تر ارائه می‌دهد.