C语言程序题智能评分算法：FCG与FC-KNN的融合优化

本文主要探讨了在教学和考试中如何提升C语言程序题的智能评分效率。针对C语言的特性，特别是其动态性和复杂性，研究者郑玲提出了一种结合流程控制图(Flow Control Graph, FCG)和最近邻算法(FlowControl-KNN, FC-KNN)的智能评分算法。FCG方法利用流程图结构分析学生的程序代码，通过计算学生答案与参考答案之间的相似度，为学生作业打分。FC-KNN算法在此基础上进行了模板脱敏处理，即在保持程序功能不变的前提下，对关键部分进行替换，以保护原答案的隐私。 FCG算法和FC-KNN算法分别在独立运行时展现了较高的准确率，分别为91.5%和92.3%。然而，通过将两者融合，它们的优势得以互补，整体准确率显著提升到了94.0%。实验结果显示，FC-KNN在个体性能上稍优于FCG，特别是在评估程序的精确性方面表现出更高的可靠性。研究者进一步验证了集成分类模型在C语言程序题评分过程中的有效性，它能够实现稳定且准确的分类，对于大规模教学和考试环境尤其适用。 关键词：C语言程序题、流程控制图、最近邻算法、集成分类。文章针对C语言编程题目的自动评分问题提供了一种创新解决方案，有助于提高教师的工作效率和学生的学习反馈质量，同时也为教育技术领域的自动评估系统提供了新的研究方向。