Core Concepts
신경망 가산 모델(NAM)은 신경망의 성능과 선형 모델의 설명 가능성을 결합하여, 교사와 학생이 자동 채점 결과를 이해할 수 있도록 한다.
Abstract
이 연구는 신경망 가산 모델(NAM)을 활용하여 자동 단답형 채점(ASAG) 모델을 개발하였다. NAM은 신경망의 성능과 선형 모델의 설명 가능성을 결합한 모델로, 입력 특성별로 독립적인 함수를 학습하여 모델의 예측 과정을 시각화할 수 있다.
연구진은 지식 통합(KI) 프레임워크를 활용하여 학생 응답의 핵심 아이디어를 특징으로 추출하였다. 이를 통해 NAM이 KI 채점 기준과 유사한 방식으로 학생 응답을 평가할 수 있을 것으로 가정하였다.
NAM의 성능을 로지스틱 회귀(LR) 모델과 DeBERTa 모델(비설명 모델)과 비교한 결과, KI 데이터에서 NAM이 LR 모델보다 통계적으로 유의미하게 우수한 성능을 보였다. ASAP 데이터에서도 NAM이 LR 모델보다 우수한 경향을 보였으나 통계적 유의성은 다소 낮았다. DeBERTa 모델은 NAM보다 전반적으로 우수한 성능을 보였지만, 그 차이는 통계적으로 유의미하지 않았다.
NAM의 특징 중요도 및 형태 함수 시각화를 통해 교사와 학생이 자동 채점 결과를 이해할 수 있도록 하였다. 이를 통해 NAM이 설명 가능한 ASAG 모델로 활용될 수 있음을 보여주었다.
Stats
"소리 파장의 밀도가 다르다"는 특징이 가장 중요한 것으로 나타났다.
"높은"이라는 단어의 중요도가 매우 높게 나타났다.