교육 평가 영역에서 등급의 효율성과 정확성은 중요한 문제입니다. 종종 인간 학년에 의존하는 전통적인 채점 방법은 주관성, 시간 - 소비 및 제한된 용량과 같은 도전에 직면합니다. 이로 인해 잠재적 인 솔루션으로 채점 기계의 탐색이 이루어졌습니다. 그레이딩 머신 공급 업체로서 저는 이러한 기계의 기능을 깊이 파고 들었습니다. 자주 발생하는 한 가지 질문은 다음과 같습니다. Grading Machine Grade Short- 답변 질문에 답할 수 있습니까?
채점 기계의 기본
등급 기계는 오랫동안 교육 환경에서 오랫동안 사용되어 왔으며, 주로 객관적인 - 선택, true- false 및 매칭과 같은 객관적인 유형 질문에 사용되었습니다. 이 기계는 사전 정의 된 답변 키를 기반으로 작동합니다. 학생의 답안지가 스캔되면 기계는 표시된 답변을 올바른 답변과 비교하고 점수를 계산합니다. 예를 들어, 대규모 스케일 표준화 된 테스트에서 등급 기계는 비교적 짧은 시간 내에 수천 개의 답변 시트를 처리하여 빠르고 정확한 결과를 제공 할 수 있습니다.
그러나 짧은 답변 질문은 다른 짐승입니다. 객관적인 질문과 달리 짧은 답변 질문은 학생들이 자신의 지식을 자신의 말로 표현해야합니다. 그들은 학생의 이해, 분석 및 복잡한 아이디어를 전달하는 능력을 테스트합니다. 이러한 복잡성은 등급 기계가 평가하기가 더 어려워집니다.
짧은 채점의 도전 - 답변 질문
언어 적 변형
주요 과제 중 하나는 학생들의 반응의 광대 한 언어 적 변화입니다. 주어진 짧은 답변 질문의 경우, 답을 표현하는 수많은 올바른 방법이있을 수 있습니다. 예를 들어, 질문이 "에너지 보존 법칙을 설명"하는 경우, 학생들은 다른 단어, 문장 구조 및 예를 사용하여 동일한 개념을 전달할 수 있습니다. 그레이딩 머신은 이러한 다른 제형을 올바르게 인식 할 수 있어야합니다.
맥락과 뉘앙스
짧은 - 답변 질문에는 종종 상황과 뉘앙스가 포함됩니다. 대답은 부분적으로 정확하지만 핵심 요소가 부족하거나 좋은 아이디어가 있지만 잘 표현 될 수 있습니다. 인간 학년은 답변이 완벽하게 제시되지 않더라도 학생의 의도를 이해하여 이러한 요소를 고려할 수 있습니다. 반면에 등급 기계는 맥락과 뉘앙스를 정확하게 해석하는 데 어려움을 겪고 있습니다.
평가에서 주관성
짧은 채점에 대한 답변 질문에는 어느 정도의 주관성이 있습니다. 그레이드 선수들은 특히 이해의 깊이와 표현의 명확성과 관련하여 답의 품질에 대해 다른 의견을 가질 수 있습니다. 그레이딩 머신은 일련의 객관적인 기준으로 프로그래밍해야하지만 짧은 답변 질문에 대해 이러한 기준을 정확하게 정의하는 것은 간단하지 않습니다.
기술 솔루션
자연어 처리 (NLP)
도전에도 불구하고 현대 기술은 몇 가지 솔루션을 제공합니다. NLP (Natural Language Processing)는 컴퓨터와 인간 언어 간의 상호 작용에 중점을 둔 인공 지능 분야입니다. NLP 알고리즘은 텍스트의 구조, 의미론 및 구문을 분석 할 수 있습니다.
짧은 채점 - 답변 질문의 맥락에서 NLP는 학생의 답변을 일련의 모델 답변과 비교하는 데 사용될 수 있습니다. 알고리즘은 학생의 응답에서 주요 개념과 문구를 식별하고 예상 내용과 일치하는지 여부를 결정할 수 있습니다. 예를 들어, 물주기에 대한 질문에 대한 모델 답변에 "증발", "응축"및 "침전"이 언급되면 NLP 알고리즘은이 용어가 학생의 답변에 있는지 확인할 수 있습니다.
기계 학습
기계 학습은 또 다른 강력한 도구입니다. 짧은 답변 질문과 해당 인간 등급 답변의 대규모 데이터 세트에서 기계 학습 모델을 교육 함으로써이 모델은 올바른 반응에서 패턴과 유사성을 인식하는 법을 배울 수 있습니다. 시간이 지남에 따라 모델이 더 많은 데이터에 노출됨에 따라 짧은 채점의 정확도는 답변 질문이 개선 될 수 있습니다.
예를 들어, 신경망은 짧은 답변 질문에서 다른 단어와 개념 사이의 관계를 이해하도록 훈련 될 수 있습니다. 그런 다음 학습 된 관계를 바탕으로 새로운 응답을 평가할 수 있습니다.
짧은 채점 기간의 현재 상태 - 답변 질문
이 기술은 크게 발전했지만, 짧은 답변에 대한 등급화 기계는 모든 경우에 인간 학년만큼 정확하지 않습니다. 그러나 특정 상황에서 유망한 결과를 보여주었습니다.
높은 - 스테이크 테스트
대규모 스케일 표준화 된 시험과 같은 고도의 스테이크 테스트에서, 등급 기계는 종종 인간 학년과 함께 사용됩니다. 기계는 많은 응답을 통해 빠르게 스크리닝하여 명확하게 부정확하거나 불완전한 응답을 표시 할 수 있습니다. 그런 다음 휴먼 그레이더는보다 복잡하고 경계선 사례에 집중하여 등급 프로세스의 전반적인 효율성을 향상시킬 수 있습니다.
교실 사용
교실에서는 짧은 답변 문제를위한 채점 기계가 교사에게 귀중한 도구가 될 수 있습니다. 학생들에게 빠른 피드백을 제공하여 개선해야 할 영역을 식별 할 수 있습니다. 교사는 기계 - 생성 된 점수를 추가 토론 및 분석을위한 출발점으로 사용할 수 있습니다.
우리의 등급 기계와 그 기능
그레이딩 머신 공급 업체로서 우리는 단기간에 대한 답변 질문의 문제를 해결하기 위해 기술 개발의 최전선에 서있었습니다. 우리의 그레이딩 머신에는 ART NLP 및 기계 학습 알고리즘이 있습니다.
우리는 짧은 답변 응답의 의미 론적 의미를 분석 할 수있는 시스템을 개발했습니다. 그것은 사용 된 정확한 단어를 넘어서서 근본적인 개념을 이해하려고 시도합니다. 예를 들어, 산업 혁명의 원인에 대해 질문이 질문하면, 우리 기계는 다른 방식으로 표현 되더라도 학생의 답변에 언급 된 다른 유효한 원인을 인식 할 수 있습니다.
또한, 우리의 기계는 다양한 과정 및 교육 기관의 특정 요구 사항에 맞게 사용자 정의 할 수 있습니다. 교사는 자신의 모델 답변 및 채점 루 브릭을 입력 할 수 있으며 기계는이를 사용하여 학생의 응답을 평가합니다.
관련 제품
식품 산업, 특히 견과류를 다루는 경우 다양한 등급 기계도 제공합니다. 예를 들어, 우리캐슈 너트를위한 크기 등급 분류 기계크기에 따라 캐슈 너트를 정확하게 정렬 할 수 있습니다. 우리의캐슈 다목적 아몬드 컬러 분류기색상에 따라 너트를 분류하여 고품질 제품을 보장하도록 설계되었습니다. 그리고 우리너트 등급 및 분류 기계다양한 유형의 너트를 처리하여 효율적이고 정확한 등급을 제공 할 수 있습니다.
결론
결론적으로, 채점 기계는 단기간에 대한 채점에 어려움을 겪고 있지만,이 기술은 빠르게 발전하고 있습니다. NLP 및 기계 학습을 사용하면이 기계는 짧은 답변 응답의 복잡성을 평가할 수 있습니다. 이들은 인간 학년을 대체 할 수는 없지만 등급 과정에 귀중한 추가가 될 수 있으며 효율성을 향상시키고 빠른 피드백을 제공 할 수 있습니다.
당신이 교육 기관, 교사 또는 신뢰할 수있는 등급화 기계를 찾는 식품 산업의 누군가라면 더 많은 정보를 얻으려면 저희에게 연락하도록 초대합니다. 우리는 당신의 채점 요구를 충족시키기 위해 고품질 제품과 솔루션을 제공하기 위해 노력하고 있습니다.
참조
- Chodorow, Martin 및 Christopher S. Leacock. "자동 에세이 점수 : 교차 - 징계 관점." Lawrence Erlbaum Associates, 2003.
- Rudner, Lawrence M. 및 John H. Gagne. "건설 된 응답 항목에 자동화 된 점수 사용 : 현재 관행 및 향후 방향." 교육 측정 : 문제와 실습, 2001.
- Mitchell, Tom M. "기계 학습." McGraw -Hill, 1997.