Modelo computacional para correção automatizada de questões discursivas
Carregando...
Data
2017
Tipo de documento
Artigo Científico
Título da Revista
ISSN da Revista
Título de Volume
Área do conhecimento
Ciências Exatas e da Terra
Modalidade de acesso
Acesso embargado
Editora
Autores
Fogliato, Fernando
Pieri, Júlio de
Orientador
Pereira, Max Roberto
Coorientador
Resumo
This paper describes a computational model with the objective of automating the correction of discursive questions of applied evaluations at the Universidade do Sul de Santa Catarina (UNISUL). Text mining techniques, similarity between documents and regression models Support Vector Regression and Random Forest are applied to predict the grades. The regression models did not show large differences in the predictions, where Random Forest had 76% prediction accuracy and SVR 73%. The mean difference between the grade given by the teacher and that predicted by the model was 0.38 points using Random Forest and 0.45 points using the SVR. Values that indicate the potentiality of the model.
Este artigo descreve um modelo computacional com o objetivo de automatizar a correção de questões discursivas de avaliações aplicadas na Universidade do Sul de Santa Catarina (UNISUL). São utilizadas técnicas de mineração de textos, similaridade entre documentos e modelos de regressão Support Vector Regression (SVR) e Random Forest para predição das notas. Os modelos de regressão não apresentaram grandes diferenças nas predições, onde o Random Forest obteve 76% de acerto das predições e o SVR 73%. A diferença média entre a nota dada pelo professor e a predita pelo modelo foi de 0,38 pontos empregando o Random Forest e 0,45 pontos utilizando o SVR. Valores que indicam a potencialidade do modelo.
Este artigo descreve um modelo computacional com o objetivo de automatizar a correção de questões discursivas de avaliações aplicadas na Universidade do Sul de Santa Catarina (UNISUL). São utilizadas técnicas de mineração de textos, similaridade entre documentos e modelos de regressão Support Vector Regression (SVR) e Random Forest para predição das notas. Os modelos de regressão não apresentaram grandes diferenças nas predições, onde o Random Forest obteve 76% de acerto das predições e o SVR 73%. A diferença média entre a nota dada pelo professor e a predita pelo modelo foi de 0,38 pontos empregando o Random Forest e 0,45 pontos utilizando o SVR. Valores que indicam a potencialidade do modelo.
Palavras-chave
Correção automatizada, Mineração de textos, Predição de notas