揭示同伴评分的网络：一种潜变量方法

同伴评分是一种学生相互评估作业的教育系统。它通常应用于大规模开放在线课程（MOOC）和线下课堂环境中。通过该系统，教师减少了评分工作量，学生通过评分他人的作业加深了对课程材料的理解。同伴评分数据具有复杂的依赖结构，其中所有同伴评分可能是相互依赖的。这种复杂的依赖结构源于同伴评分的网络结构，其中每个学生可被视为网络的一个顶点，每个同伴评分作为一条边连接作为评分者的一个学生和作为被评者的另一个学生。本文介绍了一个用于分析同伴评分数据的潜变量模型框架，并开发了一个完全贝叶斯过程用于其统计推断。该框架有几个优点。首先，在聚合多个同伴评分时，平均分数和其他简单汇总统计量未能考虑评分者效应，因此可能有偏。所提出的方法通过对异质性评分行为进行潜变量建模，产生更准确的模型参数估计，从而得到更准确的聚合分数。其次，所提出的方法提供了一种评估每个学生作为评分者表现的方法，可用于识别可靠的评分者库或生成反馈以帮助学生改进评分。第三，我们的模型可以通过回答诸如“在课程作业中表现更好的学生是否也倾向于成为更可靠的评分者”等问题，进一步提供对同伴评分系统的见解。最后，得益于贝叶斯方法，在推断学生特定的潜变量以及模型的结构参数时，不确定性量化是直接的。所提出的方法应用于两个真实世界数据集。