同行分级系统汇总了来自多个学生的嘈杂报告,以尽可能接近真实的成绩。大多数当前系统要么采用报告等级的平均值或中位数。其他人则旨在估计学生在概率模型下的评分准确性。本文以三种关键的方式以后一种方法扩展了最新技术的状态:(1)认识到学生可以战略行为(例如,在不做工作的情况下,报告成绩接近班级平均水平); (2)适当处理由离散值分级标准产生的审查数据; (3)使用混合整数编程来提高分配给学生的成绩的解释性。我们展示了如何在此模型中使贝叶斯推论实用,并通过在四个大型类中使用我们实现的系统来评估我们对合成和现实数据的方法。这些广泛的实验表明,使用我们的模型准确估计的成绩汇总会估计真正的成绩,学生提交不信息等级的可能性以及其固有的分级错误的变化;我们还表征了模型的鲁棒性。
translated by 谷歌翻译