کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6834569 | 1434522 | 2018 | 24 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
A peer assessment method to provide feedback, consistent grading and reduce students' burden in massive teaching settings
ترجمه فارسی عنوان
یک روش ارزیابی همکار برای ارائه بازخورد، طبقه بندی سازگار و کاهش بار دانشجو در تنظیمات آموزش عظیم
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
ارزیابی همکار، کاهش بار دانشجو، بازخورد، فاکتور سازی، ترجیح یادگیری،
ترجمه چکیده
پاسخ دادن به پاسخ باز پاسخ در یک دوره عظیم، یک کار مهم است که نمی تواند بدون کمک یک سیستم هوشمند که بتواند توانایی کارشناسان را گسترش دهد، نمی تواند مدیریت شود. برای این روش یک روش ارزیابی همکار استفاده می شود. دانش آموزانی که پاسخهای خود را نیز نوشتند، نقش گریدرها را برای مجموعه ای از پاسخ های ارائه شده توسط سایر دانش آموزان نیز بازی می کنند. نمرات به دست آمده برای جمع آوری داده ها به منظور ارائه یک سطح معقول کلی برای هر پاسخ می باشد. با این حال، این سیستم ها دو معضل آشکار برای دانش آموزان را نشان می دهد: آنها بار سنگین کار خود را افزایش می دهند و نمراتی که دانش آموزان در نهایت بازخورد فاقد توضیح دلایل نمرات خود را دریافت می کنند. سهم این مقاله شامل یک پیشنهاد برای غلبه بر این کاستی ها است. دانش آموزانی که به عنوان گریدرها عمل می کنند خواسته می شود تا تعدادی از جنبه های مختلف را ارزیابی کنند. یکی از آنها درجه کلی است، اما حاشیه نویسی های دیگری نیز وجود دارد که می تواند برای توضیح درجه کلی باشد. علاوه بر این، ما پاسخ هایی را که دانش آموزان (اسناد متنی) به عنوان ورودی ها در یک کار یادگیری ارائه می دهند، نشان می دهیم، که در آن خروجی ها جنبه هایی است که باید ارزیابی شوند (برچسب ها با سطح مقدماتی). پیشنهاد ما این است که همه ی این برچسب ها را یک بار با استفاده از رویکرد چند وظیفه ای که از فاکتور سازی ماتریکس استفاده می کند یاد بگیریم. روش ارائه شده در این مقاله نشان می دهد که ارزیابی همکار می تواند بازخوردی را ارائه دهد و همچنین می تواند به پاسخ های دانش آموزانی که در حلقه ارزیابی همتایان دخیل نبوده است، گسترش یابد و به طور قابل توجهی باعث کاهش بار دانشجویان شود. ما جزئیات روش و تعدادی از آزمایشات را با استفاده از سه مجموعه داده به دست آمده از دوره های مربوط به رشته های مختلف در دانشگاه ارائه می کنیم.
موضوعات مرتبط
علوم انسانی و اجتماعی
علوم اجتماعی
آموزش
چکیده انگلیسی
To grade open-response answers in a massive course is an important task that cannot be handled without the assistance of an intelligent system able to extend the abilities of experts. A peer assessment method may be used for this. The students who wrote the answers also play the role of graders for a reduced set of answers provided by other students. The grades thus obtained should be aggregated to provide a reasonable overall grade for each answer. However, these systems present two clear disadvantages for students: they increase their already heavy workload, and the grades that students finally receive lack feedback explaining the reasons for their scores. The contribution of this paper comprises a proposal to overcome these shortcomings. The students acting as graders are asked to evaluate a number of different aspects. One of them is the overall grade, but there are other annotations that can be included to explain the overall grade. Moreover, we represent the responses given by the students (text documents) as the inputs in a learning task, in which the outputs are the aspects to be assessed (labels with an ordinal level). Our proposal is to learn all these labels at once employing a multitask approach that uses matrix factorization. The method presented in this paper shows that peer assessment can provide feedback and can additionally be extended to grade the responses of students not involved in the peer assessment loop, thus significantly reducing the burden on students. We present the details of the method, as well as a number of experiments carried out using three data sets obtained from courses belonging to different fields at our university.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers & Education - Volume 126, November 2018, Pages 283-295
Journal: Computers & Education - Volume 126, November 2018, Pages 283-295
نویسندگان
Oscar Luaces, Jorge DÃez, Antonio Bahamonde,