Automatiskt rättning av korta texter är ett område som spänner allt från naturlig språkbehandling till maskininlärning. Projektet behandlar maskininlärning för att förutsäga korrektheten av svar i fritext. Naturlig språkbehandling används för att analysera text och utvinna viktiga underliggande relationer i texten. Det finns idag flera approximativa lösningar för automatiskt rättning av korta svar i fritext. Två framstående metoder är maskininlärning och regelbaserad metod. Vi kommer att framföra en alternativ metod som kombinerar maskininlärning med en regelbaserad metod för att approximativt lösa förenämnda problemet. Studien handlar om att implementera en regelbaserad metod, maskininlärning metod och en slutgiltig kombination av båda dessa metoder. Utvärderingen av den kombinerade metoden utförs genom att titta på de relativa ändringarna i prestanda då vi jämför med den regelbaserade och maskininlärning metoden. De erhållna resultaten har visat att det inte finns någon ökning av noggrannheten hos den kombinerade metoden jämfört med endast maskininlärning metoden. Den kombinerade metoden använder emellertid en liten mängd märkta data med en noggrannhet som är nästan lika metoden med maskininlärning, vilket är positivt. Ytterligare undersökning inom detta område behövs, denna uppsats är bara ett litet bidrag till nya metoder i automatisk rättning. / Automatic correction of short text answers is an area that involves everything from natural language processing to machine learning. Our project deals with machine learning for predicting the correctness of candidate answers and natural language processing to analyse text and extract important underlying relationships in the text. Given that today there are several approximative solutions for automatically correcting short answers, ranging from rule-based methods to machine learning methods. We intend to look at how automatic answer scoring can be solved through a clever combination of both machine learning methods and rule-based method for a given dataset. The study is about implementing a rule-based method, a machine learning method and a final combination of both these methods. The evaluation of the combined method is done by measuring its relative performance compared to the rule-based method and machine learning method. The results obtained have shown that there is no increase in the accuracy of the combined method compared to the machine learning method alone. However, the combined method uses a small amount of labeled data with an accuracy almost equal to the machine learning, which is positive. Further investigation in this area is needed, this thesis is only a small contribution, with a new approaches and methods in automatic short answer scoring.

Denna strukturerade litteraturstudie undersöker vilka verktyg och tekniker relaterade tillartificiell intelligens (AI) som kan understödja lärare genom att överta repetitiva ochtidskrävande administrativa uppgifter som ligger utanför den direkta interaktionen mellanlärare och student. Genom att granska tillgänglig forskning inom detta område kartläggervi dessa. Denna kartläggning följs sedan av en diskussion om resultatet och potentialen iden senaste tekniken samt en fingervisning om var ytterligare forskning kan ta vid. För att kartlägga befintlig forskning i ämnet har denna litteraturstudie genomförts medutgångspunkt i en generell kurs uppdelad i tre faser: före, under och efter. På grund avden potentiella omfattningen av detta område undersökte vi ett fall per fas, respektivekursdesign, rättning och kursutvärdering. Litteraturstudien är begränsad till högre utbild-ningsinstitutioner såsom universitet och högskolor. Våra resultat visar att majoriteten av de AI-verktyg och -tekniker som används inomdessa tre områden är baserade på naturlig språkbearbetning (NLP) och neurala nätverk.Vi fann att det finns en större mängd forskning inom rättning jämfört med kursdesign ochkursutvärdering, och att forskningen inom alla dessa områden ökar över tiden. Vi noterardock en brist på forskning som undersöker den praktiska användningen av dessa verktygoch tekniker av lärare. / This structured literature study examines which tools and technologies related to artificialintelligence (AI) that can support teachers by replacing repetitive and time-consumingadministrative tasks that are outside of the direct interaction between teacher and student. By reviewing available research in this field, we map these findings. This is then followedby a discussion of the results and potential of the latest technology, as well as an indicationof where further research can take place.To map existing research on the subject, this literature study has been conducted basedon a general course divided into three phases: before, during, and after. Due to the po-tential size of this area, we investigated only one case per each phase, respektively coursedesign, grading and course evaluation. The literature study is limited to higher educationinstitutions such as universities and colleges. Our results shows that the majority of AI techniques and tools used in these three areasare based on natural language processing (NLP) and neural networks. We found that thereis a greater amount of research focused on grading compared to course design and courseevaluation, and that research in all these areas is increasing over time. However, we note alack of research investigating the practical usage of these tools and techniques by teachers.