利用可解释人工智能识别在线判题系统中的学生画像
计算机与社会
2024-02-07 v1 人工智能
摘要
在线判题 (OJ) 系统通常被纳入编程相关课程中，因为它们能对学生开发的代码进行快速且客观的评估。此类评估通常基于评分标准提供单一决策，最常见的是提交是否成功完成了任务。然而，由于在教育背景下此类信息可能被认为不足，因此为学生和教师提供关于任务整体发展的额外反馈将是有益的。本工作旨在通过进一步利用 OJ 收集的信息并自动推断学生和教师的反馈来解决这一局限性。更具体地说，我们考虑使用基于学习的方案——特别是多实例学习 (MIL) 和经典机器学习公式——来建模学生行为。此外，还考虑了可解释人工智能 (XAI) 以提供人类可理解的反馈。该提案已在包含计算机科学学位编程相关课程中约 90 名不同学生的 2500 次提交的案例研究中进行了评估。获得的结果验证了该提案：该模型能够仅基于从提交给 OJ 的行为模式推断出的信息，显著预测用户结果（通过或未通过任务）。此外，该提案能够识别易失败的学生群体和画像以及其他相关信息，最终作为对学生和教师的反馈。
引用
@article{arxiv.2402.03948,
title = {Identifying Student Profiles Within Online Judge Systems Using Explainable Artificial Intelligence},
author = {Juan Ramón Rico-Juan and Víctor M. Sánchez-Cartagena and Jose J. Valero-Mas and Antonio Javier Gallego},
journal= {arXiv preprint arXiv:2402.03948},
year = {2024}
}