Modelo computacional para correção automatizada de questões discursivas

Página do item simplificado
dc.contributor.advisorPereira, Max Roberto
dc.contributor.authorFogliato, Fernando
dc.contributor.authorPieri, Júlio de
dc.coverage.spatialTubarãopt_BR
dc.date.accessioned2017-12-07T22:14:49Z
dc.date.accessioned2020-11-29T00:02:41Z
dc.date.available2017-12-07T22:14:49Z
dc.date.available2020-11-29T00:02:41Z
dc.date.issued2017pt_BR
dc.description.abstractThis 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.en
dc.description.abstractEste 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.pt_BR
dc.format.extent20 f.pt_BR
dc.identifier.urihttps://repositorio.animaeducacao.com.br/handle/ANIMA/8458
dc.language.isopt_BRpt_BR
dc.relation.ispartofCiência da Computação - Tubarãopt_BR
dc.rightsAttribution-NonCommercial-ShareAlike 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/br/*
dc.subjectCorreção automatizadapt_BR
dc.subjectMineração de textospt_BR
dc.subjectPredição de notaspt_BR
dc.titleModelo computacional para correção automatizada de questões discursivaspt_BR
dc.typeArtigo Científicopt_BR
local.author.cursoCiência da Computaçãopt_BR
local.author.unidadeUNISUL / Tubarãopt_BR
local.rights.policyAcesso embargadopt_BR
local.subject.areaCiências Exatas e da Terrapt_BR
local.subject.areaanimaTI & Computaçãopt_BR

Arquivos

Pacote Original
Agora exibindo 1 - 2 de 2
Imagem de Miniatura
Nome:
Artigo - Revisão RIUNI.pdf
Tamanho:
1.07 MB
Formato:
Adobe Portable Document Format
Descrição:
Artigo científico - Fernando Fogliato e Júlio de Pieri
Baixar
Imagem de Miniatura
Nome:
Termo Júlio.jpg
Tamanho:
229.88 KB
Formato:
Joint Photographic Experts Group/JPEG File Interchange Format (JFIF)
Descrição:
Termo de autorização para submissão TCC - Júlio de Pieri
Baixar
Licença do Pacote
Agora exibindo 1 - 2 de 2
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
907 B
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
0 B
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

Ciência da Computação
Direitos autorais © 2023 ÂNIMA.
Todos os direitos reservados.