Our initial approach to classifying

Our initial approach to classifying student texts used a tried and true approach: pattern matching with regular expressions. In the spirit of [10], we thought that human ingenuity, combined with a simple technique and a quick and convenient method for refining results might be fruitful. For this analysis, we wanted to determine how well we could identify which student sentences were associated with the codes in the documents model (DM). We created a web-based tool which displayed all the student sentences, sorted by DM code. For each code, it allowed
the user to create a regular expression using terms and wildcards. For example, the pattern: (meat (processing | packaging) * (industry | industries | factories)) matches any sentence that includes the word “meat” followed by “processing” or “packaging” followed by any number of other words and then “industry”, “industries”, or “factories”. The user can submit the set of patterns and receive almost instantaneous feedback about the performance of those patterns in classifying the student sentences in accordance with the human coding.

Kết quả (Việt) 1:

Chúng tôi cách tiếp cận đầu tiên để phân loại văn bản sinh viên sử dụng một cách tiếp cận cố gắng và true: mô hình kết hợp với các biểu thức thông thường. Trong tinh thần [10], chúng tôi nghĩ rằng sự khéo léo của con người, kết hợp với một kỹ thuật đơn giản và một phương pháp nhanh chóng và thuận tiện để tinh chỉnh các kết quả có thể được hiệu quả. Phân tích này, chúng tôi muốn xác định như thế nào chúng tôi có thể xác định những câu sinh viên đã được liên kết với các mã trong mô hình tài liệu (DM). Chúng tôi tạo ra một công cụ dựa trên web mà hiển thị tất cả các câu sinh viên, được sắp xếp bởi DM mã. Đối với mỗi mã, nó cho phépngười sử dụng để tạo ra một biểu thức chính quy bằng cách sử dụng điều khoản và ký tự đại diện. Ví dụ, các mô hình: (thịt (xử lý | bao bì) * (ngành công nghiệp | ngành công nghiệp | nhà máy)) phù hợp với bất kỳ câu bao gồm từ "thịt" tiếp theo "xử lý" hoặc "đóng gói" theo sau bất kỳ số nào của các từ và sau đó "công nghiệp", "công nghiệp", hoặc "nhà máy". Người dùng có thể gửi tập các mẫu và nhận được thông tin phản hồi gần như ngay lập tức về hiệu suất của những người mẫu trong phân loại học sinh câu phù hợp với mã hóa của con người.

Kết quả (Việt) 2:

Cách tiếp cận ban đầu của chúng tôi để các văn bản phân loại sinh viên sử dụng một cố gắng và đúng phương pháp: mô hình kết hợp với biểu thức thông thường. Trong tinh thần [10], chúng tôi nghĩ rằng sự khéo léo của con người, kết hợp với một kỹ thuật đơn giản và một phương pháp nhanh chóng và thuận tiện cho kết quả lọc có thể được hiệu quả. Đối với phân tích này, chúng tôi muốn xác định như thế nào chúng ta có thể xác định được những sinh viên câu được liên kết với các mã trong mô hình tài liệu (DM). Chúng tôi tạo ra một công cụ dựa trên web mà hiển thị tất cả các câu học sinh, sắp xếp theo mã DM. Đối với mỗi mã, nó cho phép
người sử dụng để tạo ra một biểu hiện thường xuyên sử dụng thuật ngữ và kí hiệu. Ví dụ, các mô hình: (thịt (chế biến | bao bì) * (ngành công nghiệp | ngành công nghiệp | nhà máy)) phù hợp với bất kỳ câu bao gồm các từ "thịt" tiếp theo "chế biến" hoặc "đóng gói" theo sau bởi bất kỳ số từ khác và sau đó "ngành công nghiệp", "ngành công nghiệp", hoặc "nhà máy". Người dùng có thể gửi các tập các mô hình và nhận được phản hồi gần như tức thời về hoạt động của các mô hình trong việc phân loại các câu sinh viên phù hợp với mã hóa của con người.