.png){kind=icon}
返回
Comparing Clustering Algorithms for Collusion Detection Using Mixed-Type Data
.png){kind=icon}
PRE
AI
DOI：10.1111/emip.70034.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究评估了四种聚类方法——层次凝聚聚类（HAC）、K-Prototypes、KAMILA和谱聚类——以使用混合类型数据检测有组织的考试作弊行为。采用两阶段设计，使用了12种条件下生成的模拟数据和来自已记录安全事件的真实认证考试数据。结果表明，随着精确答案匹配率的提高和作弊群体比例的增大，聚类方法的效能显著增强。在模拟中，HAC表现最为稳健，而在真实数据中，所有四种方法均与经验识别的作弊群体表现出卓越的收敛性。这些发现通过提供经经验验证的方法选择指南和战略实施方法，推进了考试安全实践，为测试机构建立了一种方法论基础，使其具备增强的作弊检测能力，以支持基于证据的执法决策。
Keyword:
cluster analysis
collusion detection
mixed-type data
test security
期刊
E
IF:
0
论文数:
18
被引数:
0
机构
引用论文
Hierarchical Agglomerative Clustering to Detect Test Collusion on Computer‐Based Tests基于计算机化测试的层次凝聚聚类检测考试共谋
PREAI
分享收藏
分享收藏Head-to-head comparison of clustering methods for heterogeneous data: a simulation-driven benchmark.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏分享收藏
查看更多内容