使用决策树对解剖学客观结构化实践考试进行自动评分
机器学习
2021-06-02 v1
摘要
客观结构化实践考试（OSPE）是一种有效且稳健但资源密集的解剖学知识评估手段。由于大多数 OSPE 采用简答题或填空式题型，该形式需要许多熟悉内容的人员来阅卷。然而，解剖学与生理学课程在线授课的日益普及可能导致学生失去在面对面学习环节中所能获得的 OSPE 练习。本研究的目的是测试决策树（DTs）在批改 OSPE 题目上的准确性，作为构建智能在线 OSPE 辅导系统的潜在第一步。研究使用麦克马斯特大学健康科学学院解剖学与生理学课程（HTHSCI 2FF3/2LL3/1D06）2020 年冬季学期期末 OSPE 的成绩作为数据集。数据集的 90% 用于 10 折验证算法，为 54 道题目分别训练一棵 DT。每棵 DT 由出现在正确的学生书面答案中的特有词汇构成。数据集剩余 10% 由生成的 DT 进行评分。将 DT 评分与教职员工评分比对，DT 在全部 54 道题目上的平均准确率达 94.49%。这表明 DT 等机器学习算法是 OSPE 评分的高效选项，并适用于开发智能在线 OSPE 辅导系统。
引用
@article{arxiv.2106.00502,
title = {Automated Grading of Anatomical Objective Structured Practical Exams Using Decision Trees},
author = {Jason Bernard and Ranil Sonnadara and Anthony N. Saraco and Josh P. Mitchell and Alex B. Bak and Ilana Bayer and Bruce C. Wainman},
journal= {arXiv preprint arXiv:2106.00502},
year = {2021}
}
备注
33 pages, 3 figures, 2 tables. Under review at Anatomical Education Sciences