基于人工神经网络的图形开放式作答自动评分
计算机视觉与模式识别
2022-01-07 v1 人工智能
机器学习
应用统计
摘要
将自由绘图或图像作为作答的自动评分尚未在大规模学生成就评估中得到应用。在本研究中，我们提出使用人工神经网络对基于计算机的国际数学与科学评估中的此类图形作答进行分类。我们比较了卷积与前馈方法的分类精度。结果表明，卷积神经网络（CNNs）在损失和精度上均优于前馈神经网络。CNN模型将多达97.71%的图像作答分类至适当的评分类别，其精度可与典型人工评分者相当甚至更高。最精确的CNN模型正确分类了一些被人工评分者错误评分的图像作答，这一观察进一步强化了上述发现。作为一项额外创新，我们基于项目反应论导出的期望作答函数之应用，提出了一种为训练样本选取人工评分作答的方法。本文主张，基于CNN的图像作答自动评分是一种高精度流程，有望替代大规模评估中第二名人工评分者的工作负荷与成本，同时提升复杂建构作答评分的效度与可比性。
引用
@article{arxiv.2201.01783,
title = {Automated Scoring of Graphical Open-Ended Responses Using Artificial Neural Networks},
author = {Matthias von Davier and Lillian Tyack and Lale Khorramdel},
journal= {arXiv preprint arXiv:2201.01783},
year = {2022}
}
备注
23 pages