Table 1.

Nontransformed average evaluation metrics for within and between document groups¹.

Group	n	Precision		Recall		F1-Score
		Average	SD	Average	SD	Average	SD
0	25	0.927	0.205	0.408	0.151	0.550	0.155
1	25	0.893	0.263	0.813	0.298	0.821	0.263
2	25	0.913	0.205	0.693	0.266	0.751	0.198
3	26	0.518	0.292	1.000	0.000	0.639	0.237
4	25	0.652	0.281	0.673	0.226	0.622	0.192
5	25	0.727	0.385	0.397	0.269	0.486	0.277
6	24	0.597	0.274	0.508	0.229	0.521	0.205
7	25	0.657	0.362	0.419	0.264	0.479	0.264
10	25	0.863	0.294	0.430	0.225	0.547	0.213
11	26	0.856	0.230	0.737	0.227	0.755	0.175
12	23	0.899	0.206	0.783	0.253	0.801	0.192
13	25	0.700	0.373	0.680	0.360	0.675	0.343
14	21	0.691	0.303	0.500	0.307	0.551	0.268
15	25	0.775	0.312	0.587	0.241	0.632	0.218
16	24	0.788	0.285	0.605	0.247	0.658	0.229
17	25	0.677	0.337	0.493	0.270	0.548	0.270
18	25	0.776	0.254	0.528	0.210	0.584	0.154
20	25	0.809	0.292	0.553	0.267	0.609	0.213
21	24	0.803	0.233	0.663	0.262	0.678	0.174
23	26	0.654	0.313	0.705	0.310	0.644	0.271
26	25	0.870	0.201	0.580	0.277	0.652	0.211
29	25	0.692	0.292	0.780	0.295	0.673	0.207
32	15	0.767	0.234	0.522	0.188	0.604	0.171
33	25	0.887	0.258	0.660	0.332	0.717	0.274
35	15	1.000	0.000	0.789	0.240	0.862	0.158
37	15	0.643	0.315	0.589	0.308	0.564	0.232
Average		0.770		0.619		0.639
SD		0.118		0.147		0.100

¹n is the number of questions, and SD, standard deviation.