面向在线教育的同伴互评技术综述

doi:10.11772/j.issn.1001-9081.2021101709

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (12): 3913-3923.DOI: 10.11772/j.issn.1001-9081.2021101709

• 前沿与综合应用 • 上一篇

面向在线教育的同伴互评技术综述

许嘉¹^,², 刘静¹, 于戈³, 吕品¹^,²(), 杨攀原¹

^1.广西大学计算机与电子信息学院, 南宁 530004
^2.广西多媒体通信与网络技术重点实验室(广西大学), 南宁 530004
^3.东北大学计算机科学与工程学院, 沈阳 110169

收稿日期:2021-10-08 修回日期:2021-11-19 接受日期:2021-11-25 发布日期:2022-12-21 出版日期:2022-12-10
通讯作者: 吕品
作者简介:许嘉（1984—），女，山东荣成人，副教授，博士，CCF高级会员，主要研究方向：教育数据分析、个性化推荐
刘静（1995—），女，四川遂宁人，硕士研究生，CCF会员，主要研究方向：主观题同伴互评
于戈（1962—），男，辽宁大连人，教授，博士，CCF会士，主要研究方向：数据管理、智慧教育
杨攀原（1998—），男，重庆人，硕士研究生，CCF会员，主要研究方向：主观题同伴互评。
基金资助:
国家自然科学基金资助项目(62067001);“广西八桂学者”专项;广西自然科学基金资助项目(2019JJA170045);广西高等教育本科教学改革工程项目(2020JGA116);广西研究生教育创新计划项目(JGY2021003)

Review of peer grading technologies for online education

Jia XU¹^,², Jing LIU¹, Ge YU³, Pin LYU¹^,²(), Panyuan YANG¹

^1.School of Computer，Electronics and Information，Guangxi University，Nanning Guangxi 530004，China
^2.Guangxi Key Laboratory of Multimedia Communications and Network Technology （Guangxi University），Nanning Guangxi 530004，China
^3.School of Computer Science and Engineering，Northeastern University，Shenyang Liaoning 110169，China

Received:2021-10-08 Revised:2021-11-19 Accepted:2021-11-25 Online:2022-12-21 Published:2022-12-10
Contact: Pin LYU
About author:XU Jia， born in 1984， Ph. D.， associate professor. Her research interests include educational data analysis， personalized recommendation.
LIU Jing， born in 1995， M. S. candidate. Her research interests include peer grading of subjective questions.
YU Ge， born in 1962， Ph. D.， professor. His research interests include data management， smart education.
YANG Panyuan， born in 1998， M. S. candidate. His research interests include peer grading of subjective questions.
Supported by:
National Natural Science Foundation of China(62067001);Special Funds for “Guangxi Ba Gui Scholars”, Guangxi Natural Science Foundation(2019JJA170045);Higher Education Undergraduate Teaching Reform Project in Guangxi(2020JGA116);Innovation Program of Guangxi Graduate Education(JGY2021003)

摘要/Abstract

摘要：

随着以慕课（MOOC）为代表的在线教育平台的迅速发展，如何评价平台学习者提交的大规模主观题作业是面临的重大挑战。同伴互评是有效应对大规模主观题作业评价挑战的主流方案，近年来受到学术界与工业界的广泛关注。鉴于此，对面向在线教育的同伴互评技术进行了调研与分析。首先，概述当前实施同伴互评的通用流程；然后，分别阐述评价者分配、评语分析、异常互评信息检测与处理以及主观题作业真实分数估计等重要的同伴互评流程活动的主要研究成果；其次，对比具有代表性的在线教育平台或已发布的教学系统中的同伴互评功能；最后，总结和展望同伴互评的未来发展趋势，为正在从事或打算从事同伴互评研究的人们提供借鉴与参考。

关键词: 在线教育, 同伴互评, 真实分数估计, 评语分析, 评价者分配, 异常检测

Abstract:

With the rapid development of online education platforms represented by Massive Open Online Courses （MOOC）， how to evaluate the large-scale subjective question assignments submitted by platform learners is a big challenge. Peer grading is the mainstream scheme for the challenge， which has been widely concerned by both academia and industry in recent years. Therefore， peer grading technologies for online education were survyed and analyzed. Firstly， the general process of peer grading was summarized. Secondly， the main research results of important peer grading activities， such as grader allocation， comment analysis， abnormal peer grading information detection and processing， true grade estimation of subjective question assignments， were explained. Thirdly， the peer grading functions of representative online education platforms and published teaching systems were compared. Finally， the future development trends of peer grading was summed up and prospected， thereby providing reference for people who are engaged in or intend to engage in peer grading research.

Key words: online education, peer grading, true grade estimation, comment analysis, grader allocation, anomaly detection

中图分类号:

TP391.6

许嘉, 刘静, 于戈, 吕品, 杨攀原. 面向在线教育的同伴互评技术综述[J]. 计算机应用, 2022, 42(12): 3913-3923.

Jia XU, Jing LIU, Ge YU, Pin LYU, Panyuan YANG. Review of peer grading technologies for online education[J]. Journal of Computer Applications, 2022, 42(12): 3913-3923.

图/表 7

参考文献 100

1	网易，高等教育出版社. 中国大学MOOC［EB/OL］. ［2021-06-26］.. 10.1145/2872518.2890577
	NetEase， Inc.， Higher Education Press. Chinese University MOOC［EB/OL］. ［2021-06-26］.. 10.1145/2872518.2890577
2	北京慕华信息科技有限公司. 学堂在线［EB/OL］. ［2021-06-26］.. 10.1145/3395245.3395249
	MOOC-CN Information Technology （Beijing） Co， Ltd. XuetangX［EB/OL］. ［2021-06-26］.. 10.1145/3395245.3395249
3	Coursera， Inc. Coursera［EB/OL］. ［2021-06-26］.. 10.4135/9781483318332.n95
4	edX LLC. edX［EB/OL］. ［2021-06-26］..
5	CARAGIANNIS I， KRIMPAS G A， VOUDOURIS A A. Aggregating partial rankings with applications to peer grading in massive online open courses［C］// Proceedings of the 2015 International Conference on Autonomous Agents and Multiagent Systems. Richland， SC： International Foundation for Autonomous Agents and MultiAgent Systems， 2015： 675-683.
6	PARÉ E P， JOORDENS S. Peering into large lectures： examining peer and expert mark agreement using peerScholar， an online peer assessment tool［J］. Journal of Computer Assisted Learning， 2008， 24（6）： 526-540. 10.1111/j.1365-2729.2008.00290.x
7	郑庆华，董博，钱步月，等. 智慧教育研究现状与发展趋势［J］. 计算机研究与发展， 2019， 56（1）： 209-224. 10.7544/issn1000-1239.2019.20180758
	ZHANG Q H， DONG B， QIAN B Y， et al. The state of the art and future tendency of smart education［J］. Journal of Computer Research and Development， 2019， 56（1）： 209-224. 10.7544/issn1000-1239.2019.20180758
8	王如. 基于信息整合方法的网上同伴互评评阅人推荐系统分析与设计［D］. 昆明：昆明理工大学， 2016： 13.
	WANG R. Analysis and design of online peer assessement reviewer recommendation system based on information integration method［D］. Kunming： Kunming University of Science and Technology， 2016： 13.
9	方慧. 众包系统中基于参与者互评的数据质量控制研究［D］. 南京：南京邮电大学， 2019： 30.
	FANG H. Research on data quality control of peer grading in crowdsourcing system［D］. Nanjing： Nanjing University of Posts and Telecommunications， 2019： 30.
10	许嘉，李秋云，刘静，等. 基于概率图模型的主观题同行互评系统的开发与实践［J］. 中国教育信息化， 2021（10）： 87-91.
	XU J， LI Q Y， LIU J， et al. Development and practice of peer assessment system for subjective questions based on probability graph model［J］. The Chinese Journal of ICT in Education， 2021（10）： 87-91.
11	马志强，王雪娇，龙琴琴. 基于同侪互评的在线学习评价研究综述［J］. 远程教育杂志， 2014， 32（4）： 86-92. 10.3969/j.issn.1672-0008.2014.04.014
	MA Z Q， WANG X J， LONG Q Q. A literature review of online peer assessment［J］. Journal of Distance Education， 2014， 32（4）： 86-92. 10.3969/j.issn.1672-0008.2014.04.014
12	李红霞，赵呈领，疏凤芳，等. 促进学习的评价：在线开放课程中同伴互评投入度研究［J］. 电化教育研究， 2021， 42（4）： 37-44.
	LI H X， ZHAO C L， SHU F F， et al. Assessment for learning： a study of engagement of peer assessment in MOOC ［J］. e-Education Research， 2021， 42（4）： 37-44.
13	TOPPING K. Peer assessment between students in colleges and universities［J］. Review of Educational Research， 1998， 68（3）： 249-276. 10.3102/00346543068003249
14	SADLER P M， GOOD E. The impact of self- and peer-grading on student learning［J］. Educational Assessment， 2006， 11（1）： 1-31. 10.1207/s15326977ea1101_1
15	FALCHIKOV N. Learning Together： Peer Tutoring in Higher Education ［M］. London： RoutledgeFalmer， 2001： 79-81.
16	GEHRINGER E F. A survey of methods for improving review quality［C］// Proceedings of the 2014 International Conference on Web-Based Learning， LNCS 8699. Cham： Springer， 2014： 92-97.
17	WANG W Y， AN B， JIANG Y C. Optimal spot-checking for improving evaluation accuracy of peer grading systems［J］. IEEE Transactions on Computational Social Systems， 2020，7（4）： 940-955. 10.1109/tcss.2020.2998732
18	STRIJBOS J W， SLUIJSMANS D. Unravelling peer assessment： Methodological， functional， and conceptual developments［J］. Learning and Instruction， 2010， 20（4）： 265-269. 10.1016/j.learninstruc.2009.08.002
19	SADLER D R. Beyond feedback： developing student capability in complex appraisal［J］. Assessment and Evaluation in Higher Education， 2010， 35（5）： 535-550. 10.1080/02602930903541015
20	NICOL D， THOMSON A， BRESLIN C. Rethinking feedback practices in higher education： a peer review perspective［J］. Assessment and Evaluation in Higher Education， 2014， 39（1）： 102-122. 10.1080/02602938.2013.795518
21	RACE P. Practical pointers on peer assessment［R］. SEDA PAPER， 1998： 113-122.
22	ZHENG L Q， CHEN N S， CUI P P， et al. A systematic review of technology-supported peer assessment research： an activity theory approach［J］. International Review of Research in Open and Distributed Learning， 2019， 20（5）： 168-191. 10.19173/irrodl.v20i5.4333
23	SHAH N B， BRADLEY J K， PAREKH A， et al. A case for ordinal peer-evaluation in MOOCs［EB/OL］. ［2021-06-26］..
24	SHAH N B， BALAKRISHNAN S， BRADLEY J， et al. When is it better to compare than to score？［EB/OL］. （2014-06-25）［2021-06-26］..
25	HAN Y， WU W J， YAN Y T， et al. Human-machine hybrid peer grading in SPOCs［J］. IEEE Access， 2020， 8： 220922-220934. 10.1109/access.2020.3043291
26	GARCIA-LORO F， MARTIN S， RUIPÉREZ-VALIE J A， et al. Reviewing and analyzing peer review Inter-Rater Reliability in a MOOC platform［J］. Computers and Education， 2020， 154： No.103894. 10.1016/j.compedu.2020.103894
27	PANADERO E， ROMERO M， STRIJBOS J W. The impact of a rubric and friendship on peer assessment： effects on construct validity， performance， and perceptions of fairness and comfort［J］. Studies in Educational Evaluation， 2013， 39（4）： 195-203. 10.1016/j.stueduc.2013.10.005
28	LAI C L， HWANG G J. An interactive peer-assessment criteria development approach to improving students’ art design performance using handheld devices［J］. Computers and Education， 2015， 85： 149-159.
29	BECKER A. Student-generated scoring rubrics： examining their formative value for improving ESL students’ writing performance［J］. Assessing Writing， 2016， 29： 15-24.
30	WICHMANN A， FUNK A， RUMMEL N. Leveraging the potential of peer feedback in an academic writing activity through sense-making support［J］. European Journal of Psychology of Education， 2018， 33（1）： 165-184. 10.1007/s10212-017-0348-7
31	LUO H， ROBINSON A C， PARK J Y. Peer grading in a MOOC： reliability， validity， and perceived effects［J］. Journal of Asynchronous Learning Networks， 2014， 18（2）： No.429. 10.24059/olj.v18i2.429
32	FORMANEK M， WENGER M C， BUXNER S R， et al. Insights about large-scale online peer assessment from an analysis of an astronomy MOOC［J］. Computers and Education， 2017， 113： 243-262. 10.1016/j.compedu.2017.05.019
33	LI L. Using game-based training to improve students’ assessment skills and intrinsic motivation in peer assessment［J］. Innovations in Education and Teaching International， 2019， 56（4）： 423-433. 10.1080/14703297.2018.1511444
34	PANADERO E， ALQASSAB M. An empirical review of anonymity effects in peer assessment， peer feedback， peer review， peer evaluation and peer grading［J］. Assessment and Evaluation in Higher Education， 2019， 44（8）： 1253-1278. 10.1080/02602938.2019.1600186
35	VANDERHOVEN E， RAES A， MONTRIEUX H， et al. What if pupils can assess their peers anonymously？ a quasi-experimental study［J］. Computers and Education， 2015， 81： 123-132. 10.1016/j.compedu.2014.10.001
36	CARNELL B. Aiming for autonomy： formative peer assessment in a final-year undergraduate course［J］. Assessment and Evaluation in Higher Education， 2016， 41（8）： 1269-1283. 10.1080/02602938.2015.1077196
37	ROTSAERT T， PANADERO E， SCHELLENS T. Anonymity as an instructional scaffold in peer assessment： its effects on peer feed-back quality and evolution in students’ perceptions about peer assessment skills［J］. European Journal of Psychology of Education， 2018， 33（1）： 75-99. 10.1007/s10212-017-0339-8
38	HOWARD C D， BARRETT A F， FRICK T W. Anonymity to promote peer feedback： pre-service teachers’ comments in asynchronous computer-mediated communication［J］. Journal of Educational Computing Research， 2010， 43（1）： 89-112. 10.2190/ec.43.1.f
39	HAN Y， WU W J， PU Y J. Task assignment of peer grading in MOOCs ［C］// Proceeding of the 2017 International Conference on Database Systems for Advanced Applications， LNCS 10179. Cham： Springer， 2017： 352-363.
40	CAPUANO N， CABALLÉ S， MIGUEL J. Improving peer grading reliability with graph mining techniques ［J］. International Journal of Emerging Technologies in Learning， 2016， 11（7）： 24-33. 10.3991/ijet.v11i07.5878
41	OHASHI H， ASANO Y， SHIMIZU T， et al. Adaptive balanced allocation for peer assessments［J］. IEICE Transactions on Information and Systems， 2020， E103-D（5）： 939-948. 10.1587/transinf.2019dap0004
42	XU Y H， WANG R. Peer reviewer recommendation in online social learning context： integrating information of learners and submissions［C］// Proceeding of the 19th Pacific Asia Conference on Information Systems. Atlanta， GA： Association for Information Systems， 2014： No.295.
43	何升，邓伟林，肖体斌. MOOC中基于二分图推荐的同伴互评系统优化［J］. 计算机应用研究， 2016， 33（5）： 1399-1402. 10.3969/j.issn.1001-3695.2016.05.027
	HE S， DENG W L， XIAO T B. Peer review system optimization based on bipartite graph recommendation in MOOC［J］. Application Research of Computers， 2016， 33（5）： 1399-1402. 10.3969/j.issn.1001-3695.2016.05.027
44	ANAYA A R， LUQUE M， LETÓN E， et al. Automatic assignment of reviewers in an online peer assessment task based on social interactions［J］. Expert Systems，2019，36（4）：No.e12405. 10.1111/exsy.12405
45	LU J Y， LAW N. Online peer assessment： effects of cognitive and affective feedback［J］. Instructional Science， 2012， 40（2）： 257-275. 10.1007/s11251-011-9177-2
46	CHENG K H， LIANG J C， TSAI C C. Examining the role of feedback messages in undergraduate students’ writing performance during an online peer assessment activity［J］. The Internet and Higher Education， 2015， 25： 78-84. 10.1016/j.iheduc.2015.02.001
47	ZONG Z， SCHUNN C D， WANG Y Q. Learning to improve the quality peer feedback through experience with peer feedback［J］. Assessment and Evaluation in Higher Education， 2021， 46（6）： 973-992. 10.1080/02602938.2020.1833179
48	MOFFITT R L， PADGETT C， GRIEVE R. Accessibility and emotionality of online assessment feedback： using emoticons to enhance student perceptions of marker competence and warmth［J］. Computers and Education， 2020， 143： No.103654. 10.1016/j.compedu.2019.103654
49	PATCHAN M M， SCHUNN C D， CORRENTI R J. The nature of feedback： How peer feedback features affect students’ implementation rate and quality of revisions［J］. Journal of Educational Psychology， 2016， 108（8）： 1098-1120.
50	LEIJEN D A J. A novel approach to examine the impact of web-based peer review on the revisions of L2 writers［J］. Computers and Composition， 2017， 43： 35-54. 10.1016/j.compcom.2016.11.005
51	WU Y， SCHUNN C D. From feedback to revisions： effects of feedback features and perceptions［J］. Contemporary Educational Psychology， 2020， 60： No.101826. 10.1016/j.cedpsych.2019.101826
52	XIAO Y K， ZINGLE G， JIA Q J， et al. Detecting problem statements in peer assessments［C］// Proceedings of the 13th International Conference on Educational Data Mining. Massachusetts： International Educational Data Mining Society， 2020： 704-709.
53	ZINGLE G， RADHAKRISHNAN B， XIAO Y K， et al. Detecting suggestions in peer assessments［C］// Proceedings of the 12th International Conference on Educational Data Mining. Massachusetts： International Educational Data Mining Society， 2019： 474-479.
54	RICO-JUAN J R， GALLEGO A J， CALVO-ZARAGOZA J. Automatic detection of inconsistencies between numerical scores and textual feedback in peer-assessment processes with machine learning［J］. Computers and Education， 2019， 140： No.103609. 10.1016/j.compedu.2019.103609
55	RICO-JUAN J R， GALLEGO A J， VALERO-MAS J J， et al. Statistical semi-supervised system for grading multiple peer-reviewed open-ended works［J］. Computers and Education， 2018， 126： 264-282. 10.1016/j.compedu.2018.07.017
56	赵鸣铭，王聪，李敏. 互助学习环境下可抗恶意评价的同伴互评算法［J］. 计算机应用研究， 2020， 37（8）： 2305-2309.
	ZHAO M M， WANG C， LI M. Peer grading algorithm against malicious evaluation for collaborative learning［J］. Application Research of Computers， 2020， 37（8）： 2305-2309.
57	PIECH C， HUANG J， CHEN Z H， et al. Tuned models of peer assessment in MOOCs［C］// Proceedings of the 6th International Conference on Educational Data Mining. Massachusetts： International Educational Data Mining Society， 2013： 153-160.
58	MI F， YEUNG D Y. Probabilistic graphical models for boosting cardinal and ordinal peer grading in MOOCs［C］// Proceedings of the 29th AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2015： 454-460. 10.1609/aaai.v29i1.9210
59	XIONG Y， SCHUNN C D. Reviewer， essay， and reviewing-process characteristics that predict errors in web-based peer review［J］. Computers and Education， 2021， 166： No.104146. 10.1016/j.compedu.2021.104146
60	JAMES S， LANHAM E， MAK-HAU V， et al. Identifying items for moderation in a peer assessment framework［J］. Knowledge-Based Systems， 2018， 162： 211-219. 10.1016/j.knosys.2018.05.032
61	LIN Y R， HAN S C， KANG B H. Machine learning for the peer assessment credibility［C］// Companion Proceedings of the 2018 Web Conference. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2018： 117-118. 10.1145/3184558.3186957
62	STELMAKH I， SHAH N B， SINGH A. Catch me if I can： detecting strategic behaviour in peer assessment ［C］// Proceedings of the 35th AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2021： 4794-4802. 10.1609/aaai.v35i6.16611
63	DÍEZ J， LUACES O， ALONSO-BETANZOS A， et al. Peer assessment in MOOCs using preference learning via matrix factorization［EB/OL］. ［2021-06-26］..
64	LUACES O， DÍEZ J， ALONSO-BETANZOS A， et al. A factorization approach to evaluate open-response assignments in MOOCs using preference learning on peer assessments［J］. Knowledge-Based Systems， 2015， 85： 322-328. 10.1016/j.knosys.2015.05.019
65	CAPUANO N， LOIA V， ORCIUOLI F. A fuzzy group decision making model for ordinal peer assessment［J］. IEEE Transactions on Learning Technologies， 2017， 10（2）： 247-259. 10.1109/tlt.2016.2565476
66	CAPUANO N， CABALLÉ S， PERCANNELLA G， et al. FOPA-MC： fuzzy multi-criteria group decision making for peer assessment［J］. Soft Computing， 2020， 24（23）： 17679-17692. 10.1007/s00500-020-05155-5
67	WATERS A E， TINAPPLE D， BARANIUK R G. BayesRank： a Bayesian approach to ranked peer grading［C］// Proceedings of the 2nd ACM Conference on Learning @ Scale. New York： ACM， 2015： 177-183. 10.1145/2724660.2724672
68	RAMAN K， JOACHIMS T. Methods for ordinal peer grading［C］// Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2014： 1037-1046. 10.1145/2623330.2623654
69	LIN L， TAN C W. Peer-grading at scale with rank aggregation［C］// Proceedings of the 8th ACM Conference on Learning @ Scale. New York： ACM， 2021： 327-330. 10.1145/3430895.3460980
70	BRADLEY R A， TERRY M E. Rank analysis of incomplete block designs： I. the method of paired comparisons［J］. Biometrika， 1952， 39（3/4）： 324-345. 10.1093/biomet/39.3-4.324
71	LUCE D R. Individual choice behavior： a theoretical analysis［J］. American Statistical Association， 2005， 67（293）： 1-15.
72	MALLOWS C L. Non-null ranking models. I［J］. Biometrika， 1957， 44（1/2）： 114-130. 10.1093/biomet/44.1-2.114
73	THURSTONE L L. The method of paired comparisons for social values［J］. The Journal of Abnormal and Social Psychology， 1927， 21（4）： 384-400. 10.1037/h0065439
74	PLAKETT R L. The analysis of permutations［J］. Journal of the Royal Statistical Society. Series C （Applied Statistics）， 1975， 24（2）： 193-202. 10.2307/2346567
75	DE ALFARO L， SHAVLOVSKY M. CrowdGrader： a tool for crowdsourcing the evaluation of homework assignments［C］// Proceedings of the 45th ACM Technical Symposium on Computer Science Education. New York： ACM， 2014： 415-420. 10.1145/2538862.2538900
76	WALSH T. The PeerRank method for peer assessment［C］// Proceedings of the 21st European Conference on Artificial Intelligence. Amsterdam： IOS， 2014： 909-914.
77	PAGE L， BRIN S， MOTWANI R， et al. The PageRank citation ranking： bringing order to the Web［R/OL］. （1998-01-29）［2021-06-26］..
78	GARCÍA-MARTÍNEZ C， CEREZO R， BERMÚDEZ M， el at. Improving essay peer grading accuracy in massive open online courses using personalized weights from student’s engagement and performance［J］. Journal of Computer Assisted Learning， 2019， 35（1）：110-120. 10.1111/jcal.12316
79	DARVISHI A， KHOSRAVI H， SADIQ S. Employing peer review to evaluate the quality of student generated content at scale： a trust propagation approach［C］// Proceedings of the 8th ACM Conference on Learning @ Scale. New York： ACM， 2021： 139-150. 10.1145/3430895.3460129
80	LI P， YIN Z R， LI F Y. Quality control method for peer assessment system based on multi-dimensional information［C］// Proceedings of the 2020 International Conference on Web Information Systems and Applications， LNCS 12432. Cham： Springer， 2020： 184-193.
81	YUAN Z， DOWNEY D. Practical methods for semi-automated peer grading in a classroom setting［C］// Proceeding of the 28th ACM Conference on User Modeling， Adaptation and Personalization. New York： ACM， 2020： 363-367. 10.1145/3340631.3394878
82	YANG S H， LONG B， SMOLA A， et al. Like like alike： joint friendship and interest propagation in social networks［C］// Proceedings of the 20th International Conference on World Wide Web. New York： ACM， 2011： 537-546. 10.1145/1963405.1963481
83	CHAN H P， KING I. Leveraging social connections to improve peer assessment in MOOCs［C］// Proceedings of the 26th International Conference on World Wide Web Companion. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2017： 341-349. 10.1145/3041021.3054165
84	WANG T Q， LI Q， GAO J， et al. Improving peer assessment accuracy by incorporating relative peer grades［C］// Proceedings of the 12th International Conference on Educational Data Mining. Massachusetts： International Educational Data Mining Society， 2019： 450-455.
85	XU J， LI Q Y， LIU J， et al. Leveraging cognitive diagnosis to improve peer assessment in MOOCs［J］. IEEE Access， 2021， 9： 50466-50484. 10.1109/access.2021.3069055
86	王超，刘淇，陈恩红，等. 面向大规模认知诊断的DINA模型快速计算方法研究［J］. 电子学报， 2018， 46（5）： 1047-1055. 10.3969/j.issn.0372-2112.2018.05.004
	WANG C， LIU Q， CHEN E H， et al. The rapid calculation method of DINA model for large scale cognitive diagnosis［J］. Acta Electronic Sinica， 2018， 46（5）： 1047-1055. 10.3969/j.issn.0372-2112.2018.05.004
87	上海交通大学教育技术中心. 好大学在线［EB/OL］. ［2021-06-26］.. 10.1145/3184066.3184098
	Education Technology Center of SJTU. CNMOOC ［EB/OL］. ［2021-06-26］.. 10.1145/3184066.3184098
88	DOUGIAMAS M. Moodle — open-source learning platform［EB/OL］. ［2021-06-26］..
89	CrowdGrader LLC. CrowdGrader［EB/OL］. ［2021-06-26］.. 10.1145/2538862.2538900
90	University of Pittsburgh’s Learning Research and Development Center. Peerceptiv［EB/OL］. ［2021-06-26］.. 10.52547/rme.13.4.76
91	Udacity， Inc. Udacity［EB/OL］. ［2021-06-26］.. 10.4135/9781483318332.n372
92	VOZNIUK A， HOLZER A， GILLET D. Peer assessment dataset［J］. Journal of Learning Analytics， 2016， 3（2）： 322-324. 10.18608/jla.2016.32.18
93	TENÓRIO T， BITTENCOURT I I， ISOTANI S， et al. Dataset of two experiments of the application of gamified peer assessment model into online learning environment MeuTutor［J］. Data in Brief， 2017， 12： 433-437. 10.1016/j.dib.2017.04.032
94	ASHENAFI M M. Online peer-assessment datasets［EB/OL］. （2019-12-30）［2021-06-26］..
95	王娟，王丽清，马文倩，等. 群智协同激励机制研究综述［J］. 计算机工程与应用， 2020， 56（6）： 1-9.
	WANG J， WANG L J， MA W Q， et al. Survey on incentive mechanisms for crowd-based cooperative computing［J］. Computer Engineering and Applications， 2020， 56（6）： 1-9.
96	ASHENAFI M M， RICCARDI G， RONCHETTI M. Predicting students’ final exam scores from their course activities［C］// Proceedings of 2015 IEEE Frontiers in Education Conference. Piscataway： IEEE， 2015： 1-9. 10.1109/fie.2015.7344081
97	ASHENAFI M M， RONCHETTI M， RICCARDI G. Predicting student progress from peer-assessment data［C］// Proceedings of the 9th International Conference on Educational Data Mining. Massachusetts： International Educational Data Mining Society， 2016： 270-275.
98	CORBETT A T， ANDERSON J R. Knowledge tracing： modeling the acquisition of procedural knowledge［J］. User Modeling and User-Adapted Interaction， 1994， 4（4）： 253-278. 10.1007/bf01099821
99	PIECH C， BASSEN J， HUANG J， et al. Deep knowledge tracing［C］// Proceedings of the 28th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2015： 505-513.
100	ZHANG J N， SHI X J， KING I， et al. Dynamic key-value memory networks for knowledge tracing［C］// Proceedings of the 26th International Conference on World Wide Web. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2017： 765-774. 10.1145/3038912.3052580

文献编号	模型	可靠性	偏见	互评分数	相对分数	社交信息	评分者能力	发表时间
文献［57］	PG₁，PG₂，PG₃	√	√	√	×	×	×	2013
文献［58］	PG₄，PG₅	√	√	√	×	×	×	2015
文献［83］	PG₆（2017），PG₇（2017）	√	√	√	×	√	×	2017
文献［84］	PG₆（2019），PG₇（2019）	√	√	√	√	×	×	2019
文献［85］	CD-PG₁，CD-PG₂	√	√	√	√	×	√	2021

文献编号	模型	可靠性	偏见	互评分数	相对分数	社交信息	评分者能力	发表时间
文献［57］	PG₁，PG₂，PG₃	√	√	√	×	×	×	2013
文献［58］	PG₄，PG₅	√	√	√	×	×	×	2015
文献［83］	PG₆（2017），PG₇（2017）	√	√	√	×	√	×	2017
文献［84］	PG₆（2019），PG₇（2019）	√	√	√	√	×	×	2019
文献［85］	CD-PG₁，CD-PG₂	√	√	√	√	×	√	2021

估计类型	主要方法或策略	优点	缺点
序数估计	矩阵分解^［63-64］	利用矩阵分解方法学习效用函数，容易将排名结果转化为数值结果；求解速度快，并容易扩展到评价者规模较大的互评场景	由于每位评价者只评价少数作业，偏好矩阵十分稀疏，影响最终排序结果；并且未对评价者可靠性进行分析，存在局限性
	模糊群决策^［65-66］	定义评价者对作业的模糊偏好关系能够量化不同程度的偏好	偏好数量关系定义可能会引入错误影响估计准确性；并且未考虑评价者的可靠性
	贝叶斯方法^［67］	不仅能推断作业质量，还能显式估计评价者的可靠性	对超参数依赖较大，求解速度较慢
	基于配对比较^{［23，68-69］}	考虑了评价者的可靠性，估计准确性较高；模型求解速度较快	对质量相似的作业没有较好地处理
基数估计	加权求和^{［75-76，78-81］}	模型易理解，求解速度快；不同文献基于不同因素（评价者的评分、学习参与度、评价者与教师的评分差异等）来量化评价者的评分可靠性权重，估计准确性较高	由于均未在同一个数据集上开展实验，无法判定权重影响因素的优劣
基数估计	概率图模型^{［57-58，83-85］}	同时对评价者的评分可靠性和评分偏见进行建模，估计真实分数准确性高	概率图模型对超参数依赖较大，模型的迭代求解较耗时

估计类型	主要方法或策略	优点	缺点
序数估计	矩阵分解^［63-64］	利用矩阵分解方法学习效用函数，容易将排名结果转化为数值结果；求解速度快，并容易扩展到评价者规模较大的互评场景	由于每位评价者只评价少数作业，偏好矩阵十分稀疏，影响最终排序结果；并且未对评价者可靠性进行分析，存在局限性
	模糊群决策^［65-66］	定义评价者对作业的模糊偏好关系能够量化不同程度的偏好	偏好数量关系定义可能会引入错误影响估计准确性；并且未考虑评价者的可靠性
	贝叶斯方法^［67］	不仅能推断作业质量，还能显式估计评价者的可靠性	对超参数依赖较大，求解速度较慢
	基于配对比较^{［23，68-69］}	考虑了评价者的可靠性，估计准确性较高；模型求解速度较快	对质量相似的作业没有较好地处理
基数估计	加权求和^{［75-76，78-81］}	模型易理解，求解速度快；不同文献基于不同因素（评价者的评分、学习参与度、评价者与教师的评分差异等）来量化评价者的评分可靠性权重，估计准确性较高	由于均未在同一个数据集上开展实验，无法判定权重影响因素的优劣
基数估计	概率图模型^{［57-58，83-85］}	同时对评价者的评分可靠性和评分偏见进行建模，估计真实分数准确性高	概率图模型对超参数依赖较大，模型的迭代求解较耗时

平台名称	分配评价者策略	互评训练	互评反馈	估计作业真实分数策略
中国大学慕课（iCourse）^［1］	随机分配	比较学习者批改与教师批改样例之间差距	—	去掉互评分数中最小值和最大值后的平均值
学堂在线（XuetangX）^［2］	随机分配	—	—	分组中最后一个成员提交的分数作为作业最终分数
好大学在线（CNMOOC）^［87］	随机分配	学习者浏览教师给出的作业批改样例	√	互评分数的平均分
Coursera^［3］	随机分配	比较学习者批改得分与教师批改得分	√	每个评分点的中位数之和
edX^［4］	随机分配	比较学习者批改得分与教师批改得分	—	互评分数的中位数
Moodle^［88］	手动分配或随机分配	比较学习者批改得分与教师批改得分	√	所有得分点的加权平均值（每个得分点权重不同）
CrowdGrader^［89］	随机分配	—	√	以评分者的评分准确性为权值对其给出的评分进行加权求和
Peerceptiv^［90］	随机分配	—	√	以评分者的评分准确性为权值对其给出的评分进行加权求和
Udacity^［91］	—	—	—	—

面向在线教育的同伴互评技术综述

Review of peer grading technologies for online education

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 100

相关文章 15

编辑推荐

Metrics

[1]	孟凡, 陈广, 王勇, 高阳, 高德群, 贾文龙. 基于多粒度时序结构表示的异常检测算法在储层含油性检测中应用[J]. 计算机应用, 2021, 41(8): 2453-2459.
[2]	胡天杰, 胡文军, 王士同. 分布熵惩罚的支持向量数据描述[J]. 计算机应用, 2021, 41(8): 2212-2218.
[3]	李衍志, 范勇, 高琳. 基于形态流的石油钻井水流异常检测[J]. 计算机应用, 2021, 41(6): 1842-1848.
[4]	谢雨, 蒋瑜, 龙超奇. 基于随机子空间的扩展隔离林算法[J]. 计算机应用, 2021, 41(6): 1679-1685.
[5]	姚杰, 程春玲, 韩静, 刘峥. 云工作流中基于多任务时序卷积网络的异常检测方法[J]. 计算机应用, 2021, 41(6): 1701-1708.
[6]	肖如良, 曾智霞, 肖晨凯, 张仕. 基于局部敏感布隆过滤器的工业物联网隐性异常检测[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3620-3625.
[7]	张晨曦, 唐曙, 唐珂. 迁移学习下的火箭发动机参数异常检测策略[J]. 计算机应用, 2020, 40(9): 2774-2780.
[8]	王磊. 改进粗糙集属性约简结合K-means聚类的网络入侵检测方法[J]. 计算机应用, 2020, 40(7): 1996-2002.
[9]	胡珉, 白雪, 徐伟, 吴秉键. 多维时间序列异常检测算法综述[J]. 《计算机应用》唯一官方网站, 2020, 40(6): 1553-1564.
[10]	仇媛, 常相茂, 仇倩, 彭程, 苏善婷. 基于长短期记忆网络和滑动窗口的流数据异常检测方法[J]. 计算机应用, 2020, 40(5): 1335-1339.
[11]	霍纬纲, 王慧芳. 基于自编码器和隐马尔可夫模型的时间序列异常检测方法[J]. 计算机应用, 2020, 40(5): 1329-1334.
[12]	张俊杰, 孙光民, 郑鲲. 视线跟踪及其在智能教育中的应用研究综述[J]. 计算机应用, 2020, 40(11): 3346-3356.
[13]	夏彬, 白宇轩, 殷俊杰. 基于生成对抗网络的系统日志级异常检测算法[J]. 计算机应用, 2020, 40(10): 2960-2966.
[14]	王伟, 谢耀滨, 尹青. 针对不平衡数据的决策树改进方法[J]. 计算机应用, 2019, 39(3): 623-628.
[15]	陶涛, 周喜, 马博, 赵凡. 基于双向LSTM的Seq2Seq模型在加油站时序数据异常检测中的应用[J]. 计算机应用, 2019, 39(3): 924-929.