探索堆叠集团机器学习算法用于大规模评估中作弊检测
Educational and psychological measurement
|July 3, 2023
概括
本研究介绍了堆叠组合机器学习,用于检测大规模评估中的作弊. 堆叠方法,再采样和增强数据相结合,显著提高了作弊检测的准确性.
科学领域:
- 教育测量教育的测量
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 在大规模评估中检测作弊是研究的一个关键领域.
- 现有的研究还没有为此目的探索堆叠组合机器学习.
- 在作弊检测数据集中的阶级不平衡的挑战仍然没有得到解决.
研究的目的:
- 调查堆叠组合机器学习算法的有效性,以检测作弊行为.
- 将堆叠的性能与其他集体和非集体机器学习算法进行比较.
- 为了解决类不平衡,并优化功能集以改善检测.
主要方法:
- 应用堆叠组合机器学习来分析项目响应,响应时间和增强的测试者数据.
- 将堆叠与袋装和提升组合方法进行比较,以及六个基本机器学习算法.
- 利用重新抽样技术来处理类不平衡,并评估不同的特征集.
主要成果:
- 堆叠组合,重新抽样和增强总结数据在作弊检测方面表现出卓越的表现.
- 堆叠元模型,特别是使用梯度提升和随机森林,实现了最高的准确性.
- 通过项目响应和增强总结统计数据观察到最佳性能,使用 10:1 的样本不足比率.
结论:
- 堆叠组合机器学习为教育评估中的强有力的作弊检测提供了一个有希望的方法.
- 解决阶级不平衡和整合增强数据对于提高检测准确性至关重要.
- 该研究提供了一种经过验证的方法来提高大规模测试的完整性.
关键词:
在SMOTE中使用.欺骗检测检测检测的检测数据增强数据增强通过双重重抽样进行重抽样.组合学习算法组合学习算法机器学习是机器学习.过量采样过量采样在重新抽样时进行重新抽样.响应时间响应时间堆叠堆叠 在堆叠堆叠.进行不足抽样.
