Обзор существующих методов автоматической генерации тестовых заданий на естественном языке
(Стр. 46-55)

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.

ОБРАЗЕЦ ЦИТИРОВАНИЯ: Маслова М.А. Обзор существующих методов автоматической генерации тестовых заданий на естественном языке // Computational Nanotechnology. 2023. Т. 10. № 4. С. 46-55. DOI: 10.33693/2313-223X-2023-10-4-46-55. EDN: CBFUQS

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
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
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
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
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.
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
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.
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
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.
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
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.
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
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
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.
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.
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.
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
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
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
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
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
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
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
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.
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.
Ли В. Онтологический подход к автоматической генерации вопросов в интеллектуальных обучающих системах // Доклады БГУИР. 2020. Т. 18. № 5. С. 44–52.

автоматическая генерация тестовых заданий, автоматическая генерация тестовых вопросов, обработка естественного языка, генерация естественного языка.