在计算机化自适应测试中平衡测试精度与安全性
计算机与社会
2023-05-31 v1 人工智能
机器学习
摘要
计算机化自适应测试（CAT）是一种个性化测试形式，可在缩短测试长度的同时精确测量学生知识水平。基于双层优化的 CAT（BOBCAT）是近期一种框架，学习数据驱动的选题算法以有效缩短测试长度并提升测试精度。然而，它存在题目曝光率与测试重叠率过高的问题，可能影响测试安全性。本文引入 BOBCAT 的约束版本，通过改变其优化设置来解决这些问题，使我们能够在测试精度与题目曝光率及测试重叠率之间进行权衡。我们在两个真实世界成人测试数据集上通过大量实验表明 C-BOBCAT 是有效的。
引用
@article{arxiv.2305.18312,
title = {Balancing Test Accuracy and Security in Computerized Adaptive Testing},
author = {Wanyong Feng and Aritra Ghosh and Stephen Sireci and Andrew S. Lan},
journal= {arXiv preprint arXiv:2305.18312},
year = {2023}
}
备注
The 24th International Conference on Artificial Intelligence in Education (AIED 2023)