使用基于特征的机器学习模型检测光学标记识别考试中的风险水平
1Ataturk University, Open and Distance Education Faculty, Erzurum, 25240, Turkey. yasinsancar@atauni.edu.tr.
Scientific reports
|December 23, 2025
概括
机器学习模型可以使用光学标记数据预测学生的风险水平,分析答案表行为,而不仅仅是简单的得分. 这种方法提高了考试安全性,并提供了更全面的学生评估.
科学领域:
- 教育技术的教育技术
- 数据科学数据科学数据科学
- 机器学习 机器学习
背景情况:
- 光学标记系统是大规模考试成绩的标准,但往往错过了行为数据.
- 答案表模式 (例如空白,双重标记) 提供了对考试安全性和学生行为的见解.
研究的目的:
- 在光学标记数据上使用机器学习来预测学生的风险水平.
- 评估风险评估的答案表中的行为模式的价值.
主要方法:
- 从光学标记数据中利用了分类特征.
- 应用了OrdinalEncoder和5倍分层交叉验证.
- 对基于规则的基线进行训练和评估的机器学习模型,包括CatBoost.
主要成果:
- CatBoost在五级风险级别上获得了73%的准确性和0.72加权的F1分数,超过了基线 (13%的准确性).
- 三级风险评估提高了性能,达到91%的准确性和0.85的宏观F1.
- 分析表明,具有较高的判别力,相邻的风险水平之间存在较小的混.
结论:
- 光学标记数据包含可用于风险评估的显著行为模式.
- 机器学习模型可靠地预测学生的风险,超出了传统的评分方法.
- 这种方法提高了考试安全性,并提供了更深入的学生行为见解.


