Marking Rubrics
本页目录· 13 条
A2 评分标准（Rubric）
A2 总分为 40 分，分布在四个任务中。没有门槛项（hurdles）。
生成式 AI 工具声明（Generative AI Tools Declaration） 是必交材料，占 2 分。
| 任务 | 权重 |
|---|---|
| Task 1 — 数据清洗（Data Cleansing） | 18 / 40 |
| Task 2 — 数据重塑（Data Reshaping） | 6 / 40 |
| Task 3 — 展示汇报（Presentation） | 14 / 40 |
| Task 4 — AI 声明（AI Declaration） | 2 / 40 |
| 总计 | 40 / 40 |
Task 1 — 数据清洗（Data Cleansing）（18 / 40）
以下分数是 Task 1 分配的 18 分中的绝对分值。
输出结构合规性（门槛要求，适用于所有等级）
输出文件必须：
- 可以被解析（parsable）
- 遵循预先定义的结构
- 使用与任务说明（spec）中相同的列名
任何偏离要求的情况，例如：
- 文件无法解析
- 列名被重命名
- 缺少列
- 多出额外列
- 行标识符错误
都会导致受影响的输出文件无法通过 auto-marker 检查，并且该文件获得 0 分。
其他文件不受影响。
评分标准
| 评分项 | 分值 | HD | D | C | P | F |
|---|---|---|---|---|---|---|
| Dirty Data 修复 | 7.5 / 18 | 90% 以上的错误被准确修复 | 75%–89% 被准确修复 | 60%–74% 被准确修复 | 50%–59% 被准确修复 | 0%–49% 被准确修复 |
| Outliers 移除 | 2.5 / 18 | 90% 以上的异常值被移除 | 75%–89% 被移除 | 60%–74% 被移除 | 50%–59% 被移除 | 0%–49% 被移除 |
| Missing Value 填补 | 3.5 / 18 | 90% 以上的缺失值被正确填补 | 75%–89% 被正确填补 | 60%–74% 被正确填补 | 50%–59% 被正确填补 | 0%–49% 被正确填补 |
| 方法论（Methodology） | 3 / 18 | 所有必需步骤都存在，论证充分，并产生 HD 水平的输出。方法中没有错误，或只有轻微错误。 | 所有必需步骤都存在；输出质量高于 C 水平；论证中有轻微不足。 | 方案一般；最多有 3 个关键步骤缺失或错误。 | 方案较差；4 个以上关键步骤缺失或错误。 | 只展示了一两个步骤；无法得到正确输出。 |
| 文档说明（Documentation） | 1.5 / 18 | 有恰当的章节和小节，例如 introduction、methodology、conclusion 等。方法论解释清楚；代码注释良好。 | 章节划分恰当；方法解释较清楚；代码注释较充分。仍有改进空间。 | 有一些章节划分，但组织不够好。解释有限；代码有注释。 | 有一些章节划分，但组织不够好。解释较差；代码有注释。 | 章节划分很差或没有章节。解释较差；代码注释很差。 |
小计
- 输出结果（Output）：13.5 / 18
- 方法论（Methodology）：3 / 18
- 文档说明（Documentation）：1.5 / 18
注意
未修复的错误和新引入的错误都会被扣分。
如果你在修复某一种异常，例如 dirty data、missing value 或 outlier 时，又引入了另一个错误，则会相应失分。
Task 2 — 数据重塑（Data Reshaping）（6 / 40）
以下分数是 Task 2 分配的 6 分中的绝对分值。
Task 2 的目标是为 线性回归模型（linear regression model） 准备数据，而不是构建最终模型。
简单的线性回归诊断方法，例如：
- R²
- 残差（residuals）
可以作为评估 transformation 是否合适的证据。
但它们只是多种选择之一。
同样有效的证据还包括：
- 分布 / 偏度检查（distribution / skewness checks）
- 尺度比较（scale comparisons）
- 相关性 / 线性关系检查（correlation / linearity inspections）
评分标准
| 评分项 | 分值 | HD | D | C | P | F |
|---|---|---|---|---|---|---|
| 对 reshaping methods 的探索性分析 | 4.5 / 6 | 不同方法被充分分析；影响被详细展示。使用恰当证据评估 transformation 的适用性，例如尺度比较、分布 / 偏度、与目标变量的相关性或线性关系，以及可选的简单线性回归诊断，并配有详细解释。给出有说服力的推荐方案。 | 方法分析合理；影响有展示。使用多种证据并进行详细解释。给出合理的推荐方案。 | 方法分析尚可；影响有展示。证据有限，解释较少。给出推荐方案。 | 方法分析较差；考虑的证据非常有限；推荐方案比较仓促。 | 方法分析很差；没有展示影响；没有有意义的证据；推荐方案仓促或缺失。 |
| 文档说明（Documentation） | 1.5 / 6 | 有恰当的章节和小节；叙事清楚，能体现从 EDA → transformation 选择 → conclusion 的逻辑。代码注释良好。 | 章节划分恰当；解释尚可。代码注释较充分。仍有改进空间。 | 有一些章节划分，但组织不够好。解释有限；代码有注释。 | 有一些章节划分，但组织不够好。解释较差；代码有注释。 | 章节划分很差或没有章节。解释较差；代码注释很差。 |
Task 3 — 展示汇报（Presentation）（14 / 40）
展示汇报是 Week 15 的线下小组环节，安排在：
- 2026 年 6 月 15 日，星期一
- 2026 年 6 月 16 日，星期二
每组大约有 25 分钟：
- 15 分钟用于展示
- 10 分钟用于 Q&A
所有成员必须：
- 到场
- 签到
- 展示一部分工作
- 至少回答一个问题
展示环节分为两个部分：
- 小组展示 A2 工作内容，包括 methodology、decisions、results，并根据质量评分。
- TA 进行 Q&A，用于检查理解程度。
Part A — 内容展示质量（Content Presentation Quality）（9 分）
这一部分评估小组如何向 TA 讲解自己提交的 A2 内容，重点看内容本身和展示质量。
TA 会根据下面的描述对每个评分项打分。
| 评分项 | 分值 | HD | D | C | P | F（0） |
|---|---|---|---|---|---|---|
| 覆盖度与完整性（Coverage & completeness） | 2.5 | 展示涵盖所有必需部分，包括 Task 1 的 dirty / missing / outlier 处理，以及 Task 2 的 reshaping，并且细节程度合适；没有明显缺口。 | 涵盖所有部分；深度上有轻微缺口。 | 涵盖大多数部分；其中一个部分明显较薄弱。 | 只涵盖部分工作；存在重大缺口。 | 大量工作内容完全没有展示。 |
| 方法论解释的深度与准确性（Depth & accuracy of methodology explanation） | 4 | 能准确、完整地从头到尾解释方法论，并给出清楚理由，包括为什么选择每种 detection / imputation / transformation，哪些替代方案被拒绝，以及参数如何设定。体现出对工作的强 ownership。 | 方法论解释准确；有理由说明，但并不总是严谨。 | 只在较高层面解释方法论；有些说法缺少支持或部分不正确。 | 存在明显不准确或含糊带过；无法解释关键选择。 | 没有解释方法论，或解释实质上是错误的；没有体现 ownership。 |
| 展示表达的清晰度与结构（Clarity & structure of delivery） | 1.5 | 叙事逻辑清楚，例如 context → approach → results；视觉材料 / notebook 导航清晰；内容聚焦且简洁。 | 基本清楚；结构上有轻微问题。 | 有一定结构，但有时不容易跟上。 | 组织混乱；听众需要自己补全叙事。 | 没有结构；无法理解做了什么。 |
| 所有成员都有实质性参与（All members substantively participate） | 1 | 所有成员都展示材料，并解释自己的贡献。 | 所有成员都有发言；但一名或多名成员明显更被动。 | 所有成员只是简短发言。 | 几乎由一名成员主导。 | 只有一名成员展示 / 贡献。 |
Part B — Q&A（5 分）
展示结束后，TA 会问 5 个有针对性的问题。
每位成员都应该预期自己会回答一些问题。
每个问题独立评分。
| 问题范围 | Yes（1 分） | Partial（0.5 分） | No（0 分） |
|---|---|---|---|
| Q1 — Task 1 dirty-data detection & fixing approach | 能正确解释 detection logic 和 fix，并且理由与观察到的数据相联系。 | 部分正确，例如能描述修复方法但无法说明理由，或能说明理由但无法描述修复方法。 | 无法回答，或回答错误。 |
| Q2 — Task 1 missing-value imputation choice | 能正确解释选择了哪些 imputation method，以及为什么这些方法最适合该数据。 | 推理不完整，或能解释方法但没有充分论证。 | 无法回答，或回答错误。 |
| Q3 — Task 1 outlier detection & justification | 能正确解释 outlier criterion，仅针对 delivery_fee，说明如何应用，以及为什么这样做。 | 推理不完整。 | 无法回答，或回答错误。 |
| Q4 — Task 2 reshaping decisions | 能正确解释 EDA 发现、所选择的 scaling / transformation，以及它如何提升数据对线性回归模型的适用性。 | 推理不完整。 | 无法回答，或回答错误。 |
| Q5 — Specific code / function walkthrough | 能定位到被要求讲解的函数 / cell，逐行解释其作用，并讨论替代方案。 | 能找到代码，但无法完整解释。 | 无法定位或解释代码。 |
注意
如果未出席，或无法展示自己的工作，则相应未展示的部分会失分，最多可能失去完整的 14 分 presentation 分数。
个人紧张、语言焦虑、忘记出席，或忘记自己的解决方案，都不能作为重新评分的理由。
Task 4 — 生成式 AI 工具声明（Generative AI Tools Declaration）（2 / 40）
AI Tools Declaration 是必交材料，也是 academic integrity record。
| 评分项 | 分值 | Full marks | Partial | No marks |
|---|---|---|---|---|
| 声明表完成情况（Declaration form completion） | 1 / 2 | 声明表填写正确，由所有成员签名，并以 Group<group_id>_ass2_task3.pdf 提交。 | 表格已提交，但有轻微遗漏或格式问题。 | 表格缺失或严重不完整。 |
| AI 记录，如果适用（AI records, if applicable） | 1 / 2 | 如果使用了 AI，则完整的英文对话记录需要作为 Group<group_id>_AI_Records.docx/pdf/txt 附上；如果没有使用 AI，则声明中需要清楚说明这一点。 | 提供了记录，但记录不完整、组织不清楚，或不完全是英文。 | 所需记录缺失，或声明没有清楚说明是否使用了 AI。 |
缺失或不完整的声明 / AI 记录也可能被视为提交完整性问题，并可能根据 Monash 的标准流程触发 academic integrity review。