Condensed Discriminative Question Set for Reliable Exam Score Prediction

Dieses Kapitel befasst sich mit der Anwendung von maschinellem Lernen zur zuverlässigen Beurteilung von Schulnoten, ein entscheidendes Anliegen für die AI in Education (AIED) -Gemeinschaft. Sie führt eine Methodik ein, um die Zuverlässigkeit von Vorhersagen der Prüfungsergebnisse durch eine zusammengefasste Reihe diskriminierender Fragen zu verbessern, besonders nützlich für kürzere Online-Prüfungen, die aufgrund der COVID-19-Pandemie erforderlich sind. Die Studie verwendet ein Random Forest-Modell, um eine kleinere, wirkungsvollere Fragengruppe und ein Transformer-basiertes Deep-Learning-Modell für die Score-Vorhersage auszuwählen. Die Methode wird anhand von realen Datensätzen ausgewertet, die vielversprechende Ergebnisse bei der Aufrechterhaltung der Beurteilungsgenauigkeit bei reduzierten Prüfungslängen zeigen. Die Forschung befasst sich auch mit dem kritischen Zielkonflikt verminderter Vorhersagegenauigkeit, indem eine Verlustfunktion implementiert wird, um die Vorhersageunsicherheit abzuschätzen und Einblicke in die Zuverlässigkeit des Modells zu gewähren. Dieser Ansatz stellt nicht nur den Bildungswert von Prüfungen sicher, sondern bietet den Studenten auch eine genauere Beurteilung ihres Lernens, was ihn zu einem bedeutenden Beitrag sowohl zur Bildungsforschung als auch zur Praxis des maschinellen Lernens macht.