Обзор существующих методов автоматической генерации тестовых заданий на естественном языке

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

В последнее время в сфере образования большое внимание уделяется использованию вопросов с несколькими вариантами ответов в качестве инструмента оценки знаний. Разработка тестовых заданий требует затрат большого количества времени и имеет высокую трудоемкость. Вручную такую задачу сложно выполнить, поэтому многие исследователи предлагают различные способы и подходы для автоматизации создания тестовых заданий на естественном языке. В данной работе представляется обзор научных достижений в области автоматической генерации вопросов, в котором рассматривается классификация систем генерации вопросов путем разделения их на пять групп: методы, основанные на машинном обучении, основанные на нейронных сетях, основанные на деревьях, основанные на правилах или шаблона и гибридные методы.

Полный текст

Доступ закрыт

Об авторах

Мария Александровна Маслова

Волжский политехнический институт (филиал) Волгоградского государственного технического университета

Автор, ответственный за переписку.
Email: miss.mari.m@inbox.ru
ORCID iD: 0000-0003-3845-3972

старший преподаватель кафедры информатики и технологии программирования

Россия, Волжский

Список литературы

  1. Agarwal R., Negi V., Kalra A., Mittal A. Deep learning and linguistic feature based automatic multiple choice question generation from text. In: International Conference on Distributed Computing and Intelligent Technology. 2022. Vol. 13145. Pp. 260–264. URL: https://doi.org/10.1007/978-3-030-94876-4_18
  2. Aithal S.G., Rao A.B., Singh S. Automatic question-answer pairs generation and question similarity mechanism in question answering system // Applied Intelligence. 2021. No. 51. Pp. 8484–8497. URL: https://doi.org/10.1007/s10489-021-02348-9
  3. Azevedo P., Leite B., Cardoso H.L. et al. Exploring NLP and information extraction to jointly address question generation and answering. In: International Conference on Artificial Intelligence Applications and Innovations. 2020. Vol. 584. Pp. 396–407. URL: https://doi.org/10.1007/978-3-030-49186-4_33
  4. Chen Y., Wu L., Zaki M.J. Reinforcement learning based graph-to-sequence model for natural question generation. In: International Conference on Learning Representations. 2019. URL: https://arxiv.org/abs/1908.04942
  5. Chomphooyod P., Suchato A., Tuaycharoen N., Punyabukkana Pr. English grammar multiple-choice question generation using Text-to-Text Transfer Transformer // Computers and Education: Artificial Intelligence. 2023. Vol. 5. URL: https://doi.org/10.1016/j.caeai.2023.100158.
  6. Conejo R., del Campo-Ávila J., Barros B. First steps towards automatic question generation and assessment of LL(1) grammars. In: International Conference on Artificial Intelligence in Education. Posters and Late Breaking Results, Workshops and Tutorials, Industry and Innovation Tracks, Practitioners’ and Doctoral Consortium. 2022. Vol. 13356. Pp. 271–275. URL: https://doi.org/10.1007/978-3-031-11647-6_50
  7. Das B., Majumder M., Phadikar S., Ahmed Sk.A. Automatic generation of fill-in-the-blank question with corpus-based distractors for E-assessment to enhance learning // Computer Applications in Engineering Education. 2019. No. 27. Pp. 1485–1495.
  8. Das B., Majumder M., Phadikar S., Sekh A.A. Multiple-choice question generation with auto-generated distractors for computer-assisted educational assessment // Multimedia Tools and Applications. 2021. No. 80. Pp. 31907–31925. URL: https://doi.org/10.1007/s11042-021-11222-2
  9. Fung Y., Kwok J.C., Lee L. et al. Automatic question generation system for English reading comprehension // ICTE: Technology in Education. Innovations for Online Teaching and Learning. 2020. Pp. 136–146.
  10. Guan M., Mondal S.K., Dai H.N., Bao H. Reinforcement learning-driven deep question generation with rich semantics // Information Processing and Management. 2023. Vol. 60. No. 2. URL: https://doi.org/10.1016/j.ipm.2022.103232
  11. Kim Ya., Lee Hw., Shin J., Jung K. Improving neural question generation using answer separation. In: The Thirty-Third AAAI Conference on Artificial Intelligence. 2019. Pp. 6602–6609.
  12. Kumar A.P., Nayak A., K M.S. et al. A Novel Framework for the Generation of Multiple Choice Question Stems Using Semantic and Machine-Learning Techniques // International Journal of Artificial Intelligence in Education. 2023. URL: https://doi.org/10.1007/s40593-023-00333-6
  13. Kusuma S.F., Siahaan D.O., Fatichah Ch. Automatic question generation with various difficulty levels based on knowledge ontology using a query template // Knowledge-Based Systems. 2022. Vol. 249. URL: https://doi.org/10.1016/j.knosys.2022.108906
  14. Leo J., Kurdi G., Matentzoglu N. et al. Ontology-based generation of medical, multi-term MCQ // International Journal of Artificial Intelligence in Education. 2019. No. 29. Pp. 145–188.
  15. Li W. A semantics-based approach to automatic generation of test questions and automatic verification of user answers in the intelligent tutoring systems // Открытые семантические технологии проектирования интеллектуальных систем. 2022. № 6. С. 381–394.
  16. Li W., Grakova N., Qian L. Ontological approach to automating the processes of question generation and knowledge control in intelligent learning systems // Открытые семантические технологии проектирования интеллектуальных систем. 2020. № 4. С. 215–224.
  17. Murugan Sh., Ramakrishnan B.S. Automatic morpheme-based distractors generation for fill-in-the-blank questions using listwise learning-to-rank method for agglutinative language // Engineering Science and Technology. 2022. Vol. 26. URL: https://doi.org/10.1016/j.jestch.2021.04.012
  18. Riza L.S., Firdaus Y., Sukamto R.A., Samah W.Kh.A.F.A. Automatic generation of short-answer questions in reading comprehension using NLP and KNN // Multimedia Tools and Applications. 2023. No. 82. Pp. 41913–41940. URL: https://doi.org/10.1007/s11042-023-15191-6
  19. Rodriguez-Torrealba R., Garcia-Lopez E., Garcia-Cabot A. End-to-end generation of multiple-choice questions using text-to-text transfer transformer models // Expert Systems with Applications. 2022. Vol. 208. URL: https://doi.org/10.1016/j.eswa.2022.118258
  20. Shuai P., Li L., Liu S., Shen J. QDG: A unified model for automatic question-distractor pairs generation // Applied Intelligence. 2023. No. 53. Pp. 8275–8285. URL: https://doi.org/10.1007/s10489-022-03894-6
  21. Steuer T., Filighera A., Rensing Ch. Remember the Facts? Investigating Answer-Aware Neural Question Generation for Text Comprehension. In: International Conference on Artificial Intelligence in Education. 2020. Vol. 12163. URL: https://doi.org/10.1007/978-3-030-52237-7_A
  22. Wang H.C., Maslim M., Kan C.H. A question–answer generation system for an asynchronous distance learning platform // Education and Information Technologies. 2023. No. 28. Pp. 12059–12088. URL: https://doi.org/10.1007/s10639-023-11675-y
  23. Wang Y., Rong W., Zhang J. et al. Multi-turn dialogue-oriented pretrained question generation model // Complex & Intelligent Systems. 2020. No. 6. Pp. 493–505. URL: https://doi.org/10.1007/s40747-020-00147-2
  24. Астрашаб В.В., Калугина М.А., Клебанов Д.А. и др. Нейронная сеть для генерации вопросов к тексту // Междунар. науч.-практ. конф. «BIG DATA and Advanced Analytics. BIG DATA и анализ высокого уровня». 2020. № 6. С. 363–369.
  25. Десятириков Ф.А. Системный подход к организации автоматического тестирования студентов музыкальных учебных заведений // XXV Междунар. науч. и учебно-практ. конф. 2021. Т. 3. С. 452–458.
  26. Ли В. Онтологический подход к автоматической генерации вопросов в интеллектуальных обучающих системах // Доклады БГУИР. 2020. Т. 18. № 5. С. 44–52.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать