论文摘要：MOOC平台程序作业评判系统的研究和实现

大规模开放在线课程(MOOCs)快速兴起和规模的不断扩大，使它面临着众多巨大的挑战，其中学生作业评分尤其是程序作业的评判成为了焦点问题。MOOC平台现有的评分模式存在许多局限性：第一，它不支持教师添加各种不同类型的程序设计题；第二，传统的教师评分无法应对大规模的作业，而现有的程序自动评分只能判断结果对错，无法给出主观评价；第三，已有的学生互评模式很不成熟，内部存在较多缺陷，给出的评分结果也不稳定。针对上述问题，本文主要展开以下研究工作。

(1)基于MOOC平台原有架构，本文设计并实现了由学习管理、任务队列和外部打分器三个模块组成的通用的评分系统框架。学习管理主要负责与学生或教师的交互，包括提交作业、学生评阅和教师评阅等；任务队列作为中间模块，主要负责打分任务和打分结果的转发；外部评分器支持三种不同的打分方式，负责处理具体的评分任务并返回结果。此外，针对第二种局限，文本对已有的自动打分做了改进，增加了半自动的教师主观评阅。改进基于测试样例输出或程序结构的相似度检测，对作业进行统计分类并提取最具代表性的前K个作业供教师评阅，最终统一反馈给同类的所有学生。

(2)本文针对已有的互评存在的缺点提出了全新的MOOC学生互评工具。首先对作业进行分块处理，用细粒度的代码片段代替源程序本身来降低学生的评阅难度，并且有效地减少了互评整体工作量。第二，先后通过代码规格化以及合理的指纹提取和筛选对分块进行层次聚类。第三，基于评阅效率、反馈多样性和工作量均衡三个重要因素，论文设计了全面合理的任务分发策略。最后论文通过实验证明了新型互评工具的有效性，学生能在公平的环境下高效地完成互评任务并最终获得高质量的综合反馈。

(3)基于学生打分的环境和特点，以及学生的性格特征，本文提出了MOOC场景下学生互相评分的概率模型，模型主要假设了三类隐含变量，分别是打分者偏差，打分者可靠性和作业真实分数。文中首先对模型中变量的假设和模型本身做了合理性分析。然后，本文使用基于蒙特卡洛马尔科夫链算法的吉布斯采样去近似估计每个隐含变量的后验分布。最后用迭代采样得到的真实分数样本集的均值去近似作业的真实分数。实验表明，基于概率模型的参数估计能将实际打分的均方误差降低接近20\%，因此它能有效地消除学生互评环境中由于打分者的偏差或不确定性等人为因素对评分结果造成的不利影响，提高了评分准确性。

来源：半壳优胜鲸鱼幸运星转载请保留出处和链接！

本文链接：http://87cpy.com/286612.html