通过消减算法检测作弊行为

我们扩展了项目反应理论以研究一组考试中的“作弊学生”情况，试图通过应用一种贪婪推理算法来检测他们。这种扩展模型与玻尔兹曼机学习密切相关。在本文中，我们的目标是利用相对较少的训练数据集来推断模型的正确偏差和相互作用。尽管如此，我们在本研究中采用的贪婪算法在少量训练数据下表现出良好的性能。关键点在于玻尔兹曼机学习背景下我们问题中相互作用的稀疏性：作弊学生的存在预计是非常罕见的（甚至在现实世界中也是如此）。我们将推断玻尔兹曼机学习中稀疏相互作用的标准方法与我们提出的贪婪算法进行了比较，发现后者在几个方面更为优越。