Sep, 2022

通过贝叶斯网络建模评估规则：一种实用的方法

PDF
TL;DR本文提出了一种基于贝叶斯网络的方法，利用带有不确定性的逻辑门简化模型，从评估规则中直接推算出学习者模型，可以应用于计算思维技能测试中，并为自适应评估工具和智能教学系统中的快速自动化评估打开了可能性。
发现论文，激发创造
  • 如人类评分：用大型语言模型重新思考自动评估

    我们提出了一个基于大型语言模型的评分系统，包括开发评分标准，提供准确一致的得分和定制化反馈，以及进行后评估，并在新的数据集上进行了广泛实验，验证了我们的方法的有效性。

    May, 2024

  • 利用大型语言模型对海量在线开放课程进行分级

    使用大型语言模型测试了三个 MOOC，发现通过零样本思维链（ZCoT）引导学生作答可以更准确地替代同伴评分，为大规模在线课程提供改进学习体验的自动评分系统。

    Jun, 2024

  • 基于知识的科学出版物知识图谱的优化

    我们将作者识别问题视为知识图谱的构建和精细化问题，并通过学习概率逻辑模型从人类指导中学习关系回归树，以可解释规则输出。人类知识以一阶子句的形式注入以精炼树，且我们在七个作者领域定量和定性地展示了人类知识的实用性。

    Sep, 2023

  • 大型语言模型作为 MOOC 课程的评分器

    使用大型语言模型（LLMs）取代 MOOCs 中的同行评分，通过 Zero-shot-CoT 和多个方案进行教学，发现 Zero-shot-CoT 与教师提供的答案和评分标准相结合的结果与教师评分更加一致，为 MOOCs 自动化评分系统提供了有希望的方向。

    Feb, 2024

  • LLMCRIT: 教授大型语言模型使用准则

    通过使用全面的准则为任务提供自然语言反馈，我们提出了一个允许大型语言模型使用准则的通用框架，然后在真实场景中的三个任务中评估了我们的反馈生成框架，揭示了整合准则和示范的细致效果，并提供了有关如何教授大型语言模型更有效使用准则的宝贵见解。

    Mar, 2024

  • 面向通用、可扩展的贝叶斯教学框架及其在主题模型中的应用

    通过基于人类教学的伪边际抽样实现机器学习的普适性教学方法，成功地在主题模型上进行训练，并在电影简介数据中验证了该方法的优势。

    May, 2016

  • 一种贝叶斯机器科学家用于帮助解决复杂科学问题的方法

    引入了一种贝叶斯机器科学家，它使用对模型的后验分布的明确逼近来确定模型的合理性，并通过从数学表达式的大量经验语料库中进行学习来确定模型的先验期望。该方法可以自动从数据中提取精确的模型，并且在合成数据和真实数据上提供比现有方法和其他非参数方法更准确的外样本预测。

    Apr, 2020

  • 多选题自动生成和标记的知识组件

    我们使用 GPT-4 为高等教育课程中的化学和电子学习的多项选择题生成知识组件 (KCs)，并通过三名领域专家的评估，分析了大型语言模型 (LLM) 生成的 KCs 与人工生成的 KCs 之间的差异。评估结果显示，非匹配的 KCs 中，评估者有统计显著性地倾向于选择 LLM 生成的 KCs。我们还开发了一个本体归纳算法，根据题目内容将评估相似 KCs 的问题进行聚类。该研究推进了自动化生成和分类评估项目中的 KC，减轻了对学生数据或预定义 KC 标签的需求。

    May, 2024

  • 使用贝叶斯网络对表格数据和文本进行临床推理

    本文比较和讨论了增强贝叶斯网络与神经文本表示的策略，既在生成性方式又在判别性方式上，在临床推理和模拟结果等方面进行了讨论和实证。

    Mar, 2024

  • 智能机器时代的贝叶斯

    人工神经网络和贝叶斯推断是互补的建模方法，可用于理解涵盖不同层次的人类认知和训练在专有数据上的大型不透明人工神经网络的行为。

    Nov, 2023