Автоматизированный подход к отбору предложений для генерации тестовых заданий
(Стр. 29-34)

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: 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

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.

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