这篇论文提出了一种基于同伴评分的计算大规模在线开放课程中学生学术表现可靠信息的简单可行方法，使用类排序聚合规则并考虑学生的评分行为提高评分的效度，通过对评分行为的理论框架和实验模拟的验证证明其具有高精度。

Feb, 2016

本文提出算法来评估和纠正评分者偏见和可靠性，通过对 Coursera 的 HCI 课程提供的 63,199 个同行评分进行分析，实现了同行评分准确性的显著提高，同时将评分者偏见和可靠性与学生因素如学生参与度、表现以及评论风格相关联，并证明了我们的模型可以实现更智能的评分分配。

Jul, 2013

研究了自动从等级同行反馈中推断学生成绩的问题，并探索了几种概率模型来评估学生成绩和评分人的可靠性。

Apr, 2014

本文提出了基于 PeerRank 方法的同伴评估技术，该方法可以有效地对同伴打分进行加权，具有一定的形式属性和性能优势。

May, 2014

研究揭示排序同行评分可用作大规模在线开放课程 (MOOC) 的学生评估的高度有效和可扩展解决方案，通过使用一种 Borda-like 聚合方法，在分布过程中使用简单的方法分配任务，并且即使学生具有不完美的评分能力，该方法也非常稳健。

Nov, 2014

提出了一种新的贝叶斯分析方法，其在数据中有很强的鲁棒性，通常比传统方法具有更好的计算性能。该方法将数据分成非重叠的子组，评估每个独立子组得到的后验分布，然后组合结果。该方法的主要创新点是提出了一个基于概率度量空间中中位数的聚合步骤，提出了一种适合于快速高效评估的距离集合。我们提供了理论和数值测试结果，展示了我们的方法所取得的改进。

Mar, 2014

提出了一种新的概率图模型，用于联合建模能力测试和众包设置中的问题难度、参与者能力和正确答案。并基于期望模型熵的贪婪最小化制定了一种主动式学习 / 自适应测试方案，通过根据以前的答案动态选择下一个问题来实现更为有效的资源分配。实验结果表明，我们的模型能够推断所需参数，并证明自适应测试方案需要较少的问题来获得与静态测试场景相同的准确性。

Jun, 2012

本文提出了一种基于贝叶斯图形模型的技术，用于有效地处理高度冗余注释数据，相比于多数真实推断模型，我们的方法得出了更优质的结果。

Feb, 2019

本文通过研究采用分级标签的学习排序问题，提出了一种多目标结构，能够在优化排序性能和等级预测性能方面取得比其他方法更好的结果，证明了利用序数级别信息的好处。

Jun, 2023

在应用统计学和机器学习领域，我们介绍了一种通用的测量误差模型，通过对困难度、区分度和猜测度添加项目级效应，用于推断共识类别，并通过后验预测检验验证了模型的拟合优度，该模型调整了项目异质性。

May, 2024