Similaritetsgrad mellem skriftlige afleveringer

[engelsmann]

Inddel afleveringen i afsnit. Læs matematiske formler. Afgør korrekthed og redigeringsafstand mellem besvarelser.
Sammenlign afsnit for afsnit.
Opstil netværk (graf) for similaritet mellem klasserne afleveringer. Sammenlign med klassens tidligere afleveringer:
Tjek for forekomst af relevante fagord og -idiomer.

[engelsmann]

Hentet over fra kommentar i issue 15.

Sentiment analysis, PLM3ch8, "kognitive værktøjer" på Azure: Gruppering af genrer ud fra ord der står alene, og sekvenser af ord. Stemming. Der er ingen garanti for, at frafiltrering af stopord højner kvaliteten af similaritetsmålet.

Skriv en kort kommentar om timen idag.

Eller:

Beskriv timen idag med 3 ord

Hele klassen eller timens fokusgruppe. Læreren præsenteres for et kompakt sammendrag af reaktionerne fra timen, gerne med (interaktiv) mulighed for at spore individuelle bidrag.

Eller til gruppering / similaritetsmåling i afleveringsopgaver:

• Afleveringen som en streng af ord. Opdeling af afleveringen i (3-7) opgaver og (1-7) delspørgsmål. Delspørgsmål for delspørgsmål: Bag-of-Words. "Mellemstation" inden similaritetsmatrix beregnes: den enkelte afleverings forekomst af ordforråd fra bag-of-words for eventuelle klynger og dermed similaritet mellem elevernes besvarelse (social forbindelse mere end plagiat).
• Etikettering af den enkelte besvarelse med lærerens bedømmelse af besvarelsens ægthed, er påstanden om, at arbejdet er elevens eget, troværdig?
• Domæne-ekspert (lærer) angiver en bag of expectable words, og forekomst/fravær af disse konstateres. Bemærk at synonymer og alternative stavemåder kan tælle dobbelt og dermed give bias, både i bag-of-words og i elevens aflevering. Et hiearki / en træstruktur bør tage højde for dette.
• Muligheder for data fra plagiatkontrolværktøjer undersøges.
• Muligheder for at inkorporere matematisk notation undersøges.
• Reinforcement learning: Læreren kan under læsning konstatere, at udtryk/symbolsprog benyttes fejlagtigt, altså udtrykker misforståelse snarere end forståelse. Muligheden for produktiv feedback fra læreren med etikettering af fejl i læsning af den enkelte besvarelse, og udbredelse af tælle forekomst/fravær af disse "minuspoints" for alle besvarelser fra klassens elever undersøges.

[engelsmann]

flyttet til machine learning