We use d LSA from http://lsa.colora

We use d LSA from http://lsa.colorado.edu with the “General Reading up to 1st year college (300 factors)” space to calculate the cosine similarity between each student sentence and each sentence in the three source documents that the students read. If the cosine was greater than a threshold, we assigned the relevant TM code to the student sentence. As with the coder annotations, this allowed multiple TM codes per student sentence. Because the threshold must be empirically derived, we used a range of cosine thresholds (0.4, 0.5, 0.55, 0.6, 0.65, 0.7, 0.75, and 0.8). The results are shown in Table 2. The trade-off between Recall and Precision can be clearly seen across the different threshold values. The best result, using F1 which gives Recall and Precision equal weight, was achieved with a cosine threshold of 0.70.

Kết quả (Việt) 1:

Chúng tôi sử dụng d LSA từ http://lsa.colorado.edu với không gian "Tổng đọc lên đến đại học năm 1 (300 yếu tố)" để tính toán sự giống nhau cô sin giữa mỗi câu sinh viên và mỗi câu trong ba nguồn tài liệu mà các sinh viên đọc. Nếu cô sin là lớn hơn một ngưỡng, chúng tôi chỉ định mã TM có liên quan để sinh viên câu. Như với các chú thích coder, điều này cho phép nhiều TM mã cho mỗi học sinh câu. Bởi vì ngưỡng phải được empirically có nguồn gốc, chúng tôi sử dụng một loạt các cô sin ngưỡng (0,4, 0.5, 0,55, 0.6, 0,65, 0.7, 0,75 và 0,8). Các kết quả được hiển thị trong bảng 2. Thương mại-off giữa thu hồi và độ chính xác có thể được nhìn thấy rõ ràng trên các giá trị ngưỡng khác nhau. Kết quả tốt nhất, bằng cách sử dụng F1 đó cung cấp cho thu hồi và độ chính xác tương đương trọng lượng, đã đạt được với một ngưỡng cô sin của 0,70.

Kết quả (Việt) 2:

Chúng tôi sử dụng d LSA từ http://lsa.colorado.edu với "General Reading lên đến đại học năm thứ 1 (300 yếu tố)" không gian để tính toán sự tương đồng cosin giữa mỗi câu học sinh và mỗi câu trong ba nguồn tài liệu mà các sinh viên đọc. Nếu cô sin là lớn hơn một ngưỡng, chúng tôi được giao mã có liên quan TM để câu học sinh. Như với các chú thích coder, điều này cho phép nhiều mã TM mỗi câu học sinh. Bởi vì ngưỡng phải được bắt nguồn theo kinh nghiệm, chúng tôi sử dụng một loạt các ngưỡng cô sin (0.4, 0.5, 0.55, 0.6, 0.65, 0.7, 0.75, và 0,8). Các kết quả được trình bày trong Bảng 2. thương mại-off giữa Recall và chính xác có thể được nhìn thấy rõ ràng trên các giá trị ngưỡng khác nhau. Kết quả tốt nhất, sử dụng F1 mang đến cho Recall và chính xác trọng lượng bằng nhau, đã đạt được với một ngưỡng cosin 0,70.