基于词计算的学生考试策略评估
人工智能
2020-06-28 v1
摘要
在粒计算（GC）框架下，区间二型模糊集（IT2 FSs）通过更好地表示不确定语言信息发挥着重要作用。感知计算（Per C）作为一种著名的词计算（CWW）方法，其各类应用已很好地利用了这一优势。本文报道一种基于 Per C 的学生策略评估新方法。考试通常旨在测试学生的学科知识。学生准确解答的题目数量评判了其在考试中的成功率。然而，我们认为不仅题目的解答，而且寻找解答所采用的策略同样重要。相较于策略相对不佳的学生，应以更高分数奖励以更好策略解题的学生。此外，学生策略可被教师视为其学习成果的度量。这有助于识别学习成果不佳的学生，从而提供相关帮助以改进。本文的主要贡献是阐明 CWW 在学生策略评估中的使用，并呈现不同 CWW 方法所生成建议的比较。CWW 为我们带来两大优势：第一，它为学生在考试中所采用策略的整体评估生成数值分数，从而实现基于表现的学生比较与排序；第二，系统还给出描述学生策略的语言学评估。数值分数与语言学建议共同用于评定学生策略的质量。我们发现 Per-C 在所有案例中均生成唯一建议，并优于其他 CWW 方法。
引用
@article{arxiv.2005.00868,
title = {Computing With Words for Student Strategy Evaluation in an Examination},
author = {Prashant K Gupta and Pranab K. Muhuri},
journal= {arXiv preprint arXiv:2005.00868},
year = {2020}
}