A scalable semi-supervised approach for short answer grading using modified DBSCAN algorithm

doi:10.1016/j.eij.2026.100994

A scalable semi-supervised approach for short answer grading using modified DBSCAN algorithm

2026-06-08

0

OA

AI

Mohammad Nadeem Ahmed

M

Mohammad Rashid Hussain

DOI：10.1016/j.eij.2026.100994

原文链接

查看原文

摘要

En 中文

评估学生答卷是一项劳动密集型且主观的过程，常受人类偏见和不一致性影响。自动简答题评分（ASAG）旨在通过计算方法提供可扩展且客观的评估以应对这一挑战。然而，大多数现有ASAG方法完全依赖监督学习模型，需要大量标注数据集，这些数据集生成成本高且需多位评分者达成共识。本文提出了一种新颖的半监督ASAG框架，显著减少了对标注数据的依赖，同时保持评分精度。所提方法采用通用句子编码器生成学生答案的强大语义嵌入，并应用改进的基于密度的空间聚类算法对相似回答进行分组。引入了一种参考答案感知的评分机制，根据聚类属性和与参考答案的相似性为未标注回答分配分数。模型在多个基准数据集（如ASAP、Texas、SciEntsBank）和一个新整理的印度大学生数据集上进行了验证。该方法在ASAP数据集上分别获得0.66和0.975的皮尔逊相关系数和均方根误差。类似地，在SciEntsBank、Texas和CS2数据集上，这些值分别为（0.60, 0.916）、（0.67, 1.053）和（0.64, 1.161）。尽管结果相较于近期基于深度学习的模型未显著提升，但表现相当，且以较低计算成本和少量标注数据实现。实验结果表明，所提半监督模型在仅使用少量标注数据进行训练的情况下，其性能可与当前最先进的基于深度学习的监督方法相媲美。这些发现证实了所提半监督方法在真实教育环境中自动简答题评分的有效性和适用性。

Keyword:

Automated short answer grading

Semi-supervised learning

Machine learning

Density based clustering

Natural language processing

A scalable semi-supervised approach for short answer grading using modified DBSCAN algorithm

摘要

AI总结

期刊

机构

引用论文