摘要
本文研究了基于神经网络的UML图表分类在支持软件工程教育自动评估中的应用，该方法对教师和学生均具有实用价值。为此，我们的软件利用在独立数据集上训练的神经网络，自动对符合标准统一建模语言（UML）的UML模型进行分类；该数据集由公开UML仓库和收集的学生模型组成。由此，从学生以图像形式提供的模型出发，系统能够区分不同类型的UML图表，并检测其是否符合标准语言规范。案例研究包含针对三组共计237名学生的详细分析，旨在识别正确的评估结果、常见错误，以及图表质量、元素缺失、重复内容和非标准符号的影响。为在数据不平衡条件下进行评价，采用了宏平均指标，包括精确率、召回率、特异性（正确否定率）和F1分数。在包含881份学生提交的完整评估数据集中，评估软件在四个可评估的真实类别（类图、序列图、状态图及其他UML）上取得了0.96的宏平均F1分数；非UML类别未纳入该宏平均值，因为课堂数据集中不包含任何真实标签为非UML的提交。这些发现展示了基于人工智能评估学生UML建模实践作业的可行性及其局限性，并指出了未来将其整合到学生自评系统和智能辅导系统中的机会。
