Автоматизированный подход к отбору предложений для генерации тестовых заданий
(Стр. 29-34)
Подробнее об авторах
Маслова Мария Александровна
старший преподаватель, кафедра информатики и технологии программирования
Волжский политехнический институт (филиал) Волгоградского государственного технического университета
г. Волжский, Российская Федерация
Волжский политехнический институт (филиал) Волгоградского государственного технического университета
г. Волжский, Российская Федерация
Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты
Аннотация:
Современная сфера образования характеризуется растущим использованием тестов с множественным выбором для оценки знаний и навыков учащихся. Одним из распространенных методов подбора предложений для таких тестов является применение процедур кластеризации текстовых данных. В данном исследовании был разработан модуль для отбора предложений, включающий три этапа: предварительную обработку, вычисление параметров предложений и их кластеризацию. Однако объективная оценка качества полученных кластеров с помощью коэффициента силуэта и индекса Дэвиса–Болдина показала, что использованная модель кластеризации не дала удовлетворительных результатов.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Маслова М.А. Автоматизированный подход к отбору предложений для генерации тестовых заданий // Computational Nanotechnology. 2024. Т. 11. № 2. С. 29-34. DOI: 10.33693/2313-223X-2024-11-2-29-34. EDN: MHKRNS
Список литературы:
Bholowalia P., Arvind K. EBK-means: A clustering technique based on elbow method and K-means in WSN // International Journal of Computer Applications. 2014. No. 105. Pp. 17–24.
Das B., Majumder M., Phadikar S., Ahmed S.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. DOI: 10.1007/s11042-021-11222-2
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. DOI: 10.1007/s11042-023-15191-6
Булыга Ф.С., Курейчик В.М. Кластеризация корпуса текстовых документов при помощи алгоритма k-means // Известия вузов. Северо-Кавказский регион. Технические науки. 2022. № 3. С. 33 – 40. DOI: 10.17213/1560-3644-2022-3-33-40
Вальтер А.И. Методика разработки тестовых заданий контрольно-измерительных материалов // Известия ТулГУ. Технические науки. 2022. № 3. URL: https://cyberleninka.ru/article/n/metodika-razrabotki-testovyh-zadaniy-kontrolno-izmeritelnyh-materialov
Мизернов И.Ю., Гращенко Л.А. Анализ методов оценки сложности текста // Новые информационные технологии в автоматизированных системах. 2015. № 18. URL: https://cyberleninka.ru/article/n/analiz-metodov-otsenki-slozhnosti-teksta
Яцко В.А. Стоп-слова как основа классификации текстовых документов // Актуальные проблемы прикладной математики, информатики и механики, 2021. С. 486–492.
Das B., Majumder M., Phadikar S., Ahmed S.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. DOI: 10.1007/s11042-021-11222-2
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. DOI: 10.1007/s11042-023-15191-6
Булыга Ф.С., Курейчик В.М. Кластеризация корпуса текстовых документов при помощи алгоритма k-means // Известия вузов. Северо-Кавказский регион. Технические науки. 2022. № 3. С. 33 – 40. DOI: 10.17213/1560-3644-2022-3-33-40
Вальтер А.И. Методика разработки тестовых заданий контрольно-измерительных материалов // Известия ТулГУ. Технические науки. 2022. № 3. URL: https://cyberleninka.ru/article/n/metodika-razrabotki-testovyh-zadaniy-kontrolno-izmeritelnyh-materialov
Мизернов И.Ю., Гращенко Л.А. Анализ методов оценки сложности текста // Новые информационные технологии в автоматизированных системах. 2015. № 18. URL: https://cyberleninka.ru/article/n/analiz-metodov-otsenki-slozhnosti-teksta
Яцко В.А. Стоп-слова как основа классификации текстовых документов // Актуальные проблемы прикладной математики, информатики и механики, 2021. С. 486–492.
Ключевые слова:
автоматическая генерация тестовых заданий, автоматическая генерация тестовых вопросов, обработка естественного языка, кластеризация.
