学生流动中转学分评估的自动化——一种基于自然语言处理的方法

学生流动或学术流动是指学生在高等教育阶段在不同机构之间流动，该过程中的一项挑战性任务是评估将来访学生可授予的转学分。一般而言，这一过程需要领域专家比对各课程的学习成果，以决定是否向来访学生授予转学分。这种人工操作不仅劳动密集，还受到不当偏见与行政复杂性的影响。本文旨在确定一种利用自然语言处理（NLP）领域进展来有效自动化该过程的模型。鉴于学习成果（LOs）独特的结构、领域特定性与复杂性，有必要设计量身定制的模型。所提模型采用基于知识的语义相似度度量、受聚类启发的方法论来评估 LOs 的分类相似性，并采用基于 transformer 的语义相似度模型来评估 LOs 的语义相似性。LOs 之间的相似性被进一步聚合以形成课程到课程的相似性。由于缺乏高质量的基准数据集，本文提出了一个包含七种课程到课程相似性度量的新基准数据集。考虑到决策过程中对灵活性的内在需求，模型的聚合部分提供了可调参数以适应不同场景。在利用现有资源提供评估课程间相似性的高效模型的同时，本文通过指出持续存在的研究空白，将未来将 NLP 应用于衔接（articulation）领域的研究努力引向理想方向。