Метод предварительной оценки ответов обучающихся на основе векторной модели документов

Main Article Content

Чулпан Бакиевна Миннегалиева
Гульшат Альфисовна Сабитова
Алмаз Маратович Гаялиев

Аннотация

Рассмотрено применение векторных моделей для предварительного анализа ответов студентов, сформулированных в свободной форме. Векторные представления слов и документов получены при помощи моделей word2vec, doc2vec, BERT. Сходство ответа, данного обучающимся, и корректного ответа определялось с использованием косинусной меры. Выявлено, что векторные модели позволяют определить явно неверные ответы с достаточной точностью. Для ответов, которые близки по формулировке, предлагается провести дополнительный этап проверки. При помощи word2vec выполнена двоичная классификация ответов на определенные вопросы, приведены оценки точности, полноты, F1-меры.

Article Details

Библиографические ссылки

1. Сидоренко А.С. Оптимизация компьютерного тестирования студентов: минимизация влияния на ответы помощи интернета // Информатика и образование. 2020. № 5(314). С. 50–55.
2. Миннегалиева Ч.Б., Мухамедшин Д.Р., Русецкий К.В., Паркалов А.В. Некоторые вопросы автоматизации контроля знаний // Компьютерные инструменты в образовании. 2014. № 6. С. 52–59.
3. Харламенко И.В., Воног В.В. Обратная связь как форма контроля в техногенной образовательной среде // Информатика и образование. 2020. № 5(314). С. 44–49.
4. Веремчук С.Э., Гурин Н.И. Система тестирования знаний на естественном языке на основе семантической сети обучающей системы // Труды БГТУ. Серия 3: Физико-математические науки и информатика. 2019. № 1(218). С. 51–56.
5. Xu S., Xu G., Jia P., Ding W., Wu Z., Liu, Z. Automatic Task Requirements Writing Evaluation via Machine Reading Comprehension // In: Roll I., McNamara D., Sosnovsky S., Luckin R., Dimitrova V. (Eds.) Artificial Intelligence in Education. AIED 2021. Utrecht, The Netherlands, June 14–18, 2021. Lecture Notes in Computer Science, Vol. 12748. Springer, Cham, 2021. P.446–458.
6. Милов В.Р., Дубов М.С., Калинина Н.А., Салтыкова А.А. Интеллектуализация тестирования с открытыми вопросами на основе определения семантической близости фраз // Интеллектуальные системы в науке и технике. Искусственный интеллект в решении актуальных социальных и экономических проблем ХХI века: сборник статей по материалам Международной конференции «Интеллектуальные системы в науке и технике» и Шестой всероссийской научно-практической конференции «Искусственный интеллект в решении актуальных социальных и экономических проблем ХХI века» (г. Пермь, 12–18 октября 2020 г.). 2020. С. 112–115.
7. Wulff P., Mientus L., Nowak A. et al. Utilizing a Pretrained Language Model (BERT) to Classify Preservice Physics Teachers’ Written Reflections // International Journal of Artificial Intelligence in Education. 2022.
8. Белов С.Д., Зрелова Д.П., Зрелов П.В., Кореньков В.В. Обзор методов автоматической обработки текстов на естественном языке // Системный анализ в науке и образовании. 2020. № 3. С. 8–22.
9. Mikolov T., Sutskever I., Chen K., Corrado G.S., Dean J. Distributed representations of words and phrases and their compositionality // Advances in Neural Information Processing Systems. 2013. P. 3111–3119.
10. Кузнецов С.А., Вильнин А.Д. Сравнение методов оценки семантического сходства на основе doc2vec и tf-idf // Электронные средства и системы управления. Материалы докладов Международной научно-практической конференции. 2021. № 1–2. С. 166–168.
11. Ярушкина Н.Г., Мошкин В.С., Константинов А.А. Применение языковых моделей word2vec и bert в задаче сентимент-анализа текстовых сообщений социальных сетей // Автоматизация процессов управления. 2020. № 3(61). С. 60–69.
12. Kutuzov A., Kuzmenko E. WebVectors: A Toolkit for Building Web Interfaces for Vector Semantic Models // In: Ignatov D. et al. (Eds.) Analysis of Images, Social Networks and Texts. AIST 2016. Communications in Computer and Information Science, Springer, Cham. 2017. V. 661. P. 155–161.


Наиболее читаемые статьи этого автора (авторов)