学生课程反馈的自动摘要
本研究旨在探索一种新的方法从大量的学生反馈中提取摘要短语,通过基于短语的注释和突出显示方案,将其汇总成一组要点,以及用一种新的度量标准衡量这些短语是否满足学生的最迫切需求。
May, 2018
通过 Python、LaTeX 和谷歌自然语言处理 API,我们提出了一种将学生对课程的观点进行情感分析并归类为主题特定分报告的新方法。
Jan, 2023
本文旨在利用机器学习的方法来分析学生的课程反馈,使用自然语言处理的技术和嵌入式词和深度神经网络等现代方法,使用 RoBERTa 模型获得 95.5% 的准确率和 84.7% 的 F1-macro,提供给大学和课程提供商以一个使用 NLP 模型自我评估和改进的指导。
Apr, 2023
本文提出了一种基于 “数理语言处理” 的数据驱动框架来自动评分开放性数学问题实现的方案,采用不同聚类方法组成的三层模型对多步解决方案进行追踪和错误定位,并在真实的慕课数据上进行了测试和验证,说明它可以极大地减少大规模教育平台上所需的人力投入。
Jan, 2015
基于大语言模型的自动生成反馈在智能辅导系统和在线学习平台中具有潜力来提高许多学生的学习效果,本文针对自动生成和评估反馈的问题,提出了数学反馈评估标准和反馈生成框架,通过强化学习优化反馈的正确性和一致性,并通过案例研究定性分析了生成和评估系统。
Mar, 2024
本文利用神经网络将程序编码成一个从预置条件空间到后置条件空间的线性映射,提出了一种利用这些线性映射作为特征的规模反馈算法,并将其应用于 Code.org Hour of Code 和 Stanford University 的 CS1 课程的编程测评中。
May, 2015
本研究旨在通过使用 NLP 技术自动生成课堂讨论质量的评估得分,对 90 个课堂讨论文本记录进行分析和评估,在焦点为四个评估材料的基础上,研究表明在某些方面有了令人鼓舞的结果,同时也发现在其他方面还有进一步的改进空间。
Jun, 2023
本研究提出了一个新的交互式框架,可通过优化离线数据和一种新型奖励模型,以少量交互式反馈的方式训练摘要模型,提高 ROUGE 得分和采样效率。这个框架在摘要的活动、少量交互式学习和在线学习的场景下均具有优势。
Apr, 2022
本研究提供了一个大的数据集,开发了一种标准对学生的评论进行分类,并提出了一种使用大型语言模型进行评论分类的最佳实践,从而建立了一个低成本的定量研究自动化体系,来处理海量的在线学生反馈。
Jun, 2023