自動評分任務(wù)是給定學(xué)生答案,要求計算機依據(jù)參考答案預(yù)測對應(yīng)分值。自動評分是智慧教育的一個研究熱點,可以有效增加評分一致性。本文以中文簡答題自動評分作為研究對象,對其進行分析與研究,主要工作如下:（1）基于注意力機制的自動評分策略。本文使用注意力機制刻畫學(xué)生答案與參考答案的語義匹配情況,實現(xiàn)了自動評分模型Att-Grader。該模型首先通過長短期記憶網(wǎng)絡(luò)對學(xué)生答案與參考答案進行序列編碼;然后,利用互注意力機制進一步捕獲二者的語義信息,最后通過卷積神經(jīng)網(wǎng)絡(luò)預(yù)測分值。中文數(shù)據(jù)集的實驗結(jié)果表明:引入注意力機制的評分模型相較于基線模型在準確率評價指標上提高了1.9%-14.7%。（2）基于參考答案集構(gòu)建的自動評分策略。針對參考答案不能完全覆蓋多樣性的學(xué)生答案的問題,本文提出構(gòu)建參考答案集擴充原有參考答案的思想。具體為:首先對滿分學(xué)生答案進行聚類;其次通過相似度計算得出每一簇的代表性答案;最后將代表性答案組合為參考答案集。將參考答案集與Att-Grader評分模型相結(jié)合,對學(xué)生答案進行分值預(yù)測,在中文數(shù)據(jù)集上進行實驗,結(jié)果顯示:融入?yún)⒖即鸢讣腁tt-Grader評分模型在準確率評價指標上最大提升... 

【文章來源】：山西大學(xué)山西省

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

注意力機制可視化

第四章基于數(shù)據(jù)增強的自動評分策略25一個綜合的層次聚類算法，采用聚類特征和聚類特征樹進行聚類描述。我們在聚類簇數(shù)K分別為[3,6,9,12,15,18,21,24,27]的情況下比較了這兩種方法在語文數(shù)據(jù)集上的聚類效果，采用輪廓系數(shù)的平均值為評價指標。具體如圖3所示。由圖4.3可知，k-means聚類算法在語文數(shù)據(jù)集上（CRCC1-CRCC3）的輪廓系數(shù)均值遠遠高于Birch算法，因此本文選擇k-means作為聚類算法對學(xué)生答案進行聚類。圖4.3聚類方法的比較2)聚類簇數(shù)的選擇由圖4.4可知，k-means算法在數(shù)據(jù)集CRCC1、CRCC2、CRCC3上的聚類簇數(shù)K分別為6、12、3時，輪廓系數(shù)值較高，表明聚類效果較好。圖4.4不同聚類簇數(shù)下的聚類效果4.4.2自動評分實驗聚類之后，對每個簇進行代表性答案選擇，構(gòu)建參考答案集。表4.2為CRCC1數(shù)據(jù)集對應(yīng)的參考答案集。學(xué)生答案①從歷史背景角度介紹，②從人物性格方面介

第四章基于數(shù)據(jù)增強的自動評分策略25一個綜合的層次聚類算法，采用聚類特征和聚類特征樹進行聚類描述。我們在聚類簇數(shù)K分別為[3,6,9,12,15,18,21,24,27]的情況下比較了這兩種方法在語文數(shù)據(jù)集上的聚類效果，采用輪廓系數(shù)的平均值為評價指標。具體如圖3所示。由圖4.3可知，k-means聚類算法在語文數(shù)據(jù)集上（CRCC1-CRCC3）的輪廓系數(shù)均值遠遠高于Birch算法，因此本文選擇k-means作為聚類算法對學(xué)生答案進行聚類。圖4.3聚類方法的比較2)聚類簇數(shù)的選擇由圖4.4可知，k-means算法在數(shù)據(jù)集CRCC1、CRCC2、CRCC3上的聚類簇數(shù)K分別為6、12、3時，輪廓系數(shù)值較高，表明聚類效果較好。圖4.4不同聚類簇數(shù)下的聚類效果4.4.2自動評分實驗聚類之后，對每個簇進行代表性答案選擇，構(gòu)建參考答案集。表4.2為CRCC1數(shù)據(jù)集對應(yīng)的參考答案集。學(xué)生答案①從歷史背景角度介紹，②從人物性格方面介

【參考文獻】：
期刊論文
[1]基于帶注意力機制CNN的聯(lián)合知識表示模型[J]. 彭敏,姚亞蘭,謝倩倩,高望.  中文信息學(xué)報. 2019(02)
[2]智慧教育研究現(xiàn)狀與發(fā)展趨勢[J]. 鄭慶華,董博,錢步月,田鋒,魏筆凡,張未展,劉均.  計算機研究與發(fā)展. 2019(01)
[3]幾個英語作文自動評分系統(tǒng)的原理與評述[J]. 韓寧.  中國考試(研究版). 2009(03)

碩士論文
[1]高考歷史簡答題自動評價方法研究[D]. 楊靖云.哈爾濱工業(yè)大學(xué) 2016



本文編號：3121517