Разработка системы адаптивной генерации контрольных вопросов из учебных материалов на узбекском языке на основе гибридного подхода llm и таксономии блума
DOI:
https://doi.org/10.5281/zenodo.19826339Аннотация
Представлены результаты разработки гибридной системы автоматической генерации контрольных
вопросов из учебных материалов на узбекском языке. Предложенная архитектура объединяет когнитивную классификацию
текстов на основе таксономии Блума и генерацию вопросов с использованием больших языковых
моделей (LLM). Система включает четыре функциональных модуля: предварительной обработки текста, когнитивной
классификации (BERTbek), генерации вопросов (T5) и контроля качества. На основе экспериментального
набора учебных текстов на узбекском языке проведены обучение и тестирование модели. Педагогический и лингвистический
анализ показывает, что система способна генерировать теоретические вопросы и тесты с множественным
выбором, адаптированные к различным когнитивным уровням. Разработанный веб-прототип обеспечивает интеграцию
с платформой HEMIS и позволяет сократить время подготовки контрольных материалов на 60–70%.
Ключевые слова
автоматическая генерация вопросов, таксономия Блума, большие языковые модели, BERTbek, T5, узбекский язык, адаптивное тестирование, HEMIS, NLP, тесты с множественным выборомБиблиографические ссылки
1. 1. Gardner J., O’Leary M., Yuan L. et al. Artificial intelligence in educational assessment: “Breakthrough?” or cause for
2. concern? // Journal of Computer Assisted Learning. – 2021. – Vol. 37, № 5. – P. 1207–1216.
3. 2. Ovan V., Toshmatov G., Karimov M. Adaptive testing in distance learning: efficiency and ethical dimensions // Journal
4. of Pedagogical Sciences. – 2022. – № 3. – P. 45–58.
5. 3. Fartushnik R. et al. P-AI-M: Processual Assessment Integration Model for AI-driven educational evaluation //
6. Educational Technology Research and Development. – 2023. – Vol. 71. – P. 891–910.
7. 4. Lewis M., Liu Y., Goyal N. et al. BART: Denoising sequence-to-sequence pre-training for natural language generation
8. // Proceedings of ACL. – 2020. – P. 7871–7880.
9. 5. Pan L., Lei W., Chua T.-S., Kan M.-Y. Recent advances in neural question generation // arXiv preprint arXiv:1905.08949.
10. – 2019.
11. 6. Zhang R., Peng B., Wu L. et al. Survey of automatic question generation // Neural Computing and Applications. – 2023.
12. – Vol. 35. – P. 9249–9271.
13. 7. Toba H., Yeh J.-Y., Hsieh M.-Y. Discovering high-quality answers in Bloom’s taxonomy learning questions // Journal of
14. Applied Research and Technology. – 2021. – Vol. 19, № 5. – P. 496–513.
15. 8. Hwang M. Ensemble-NQG-T5: Combining multiple T5-based models for improved neural question generation //
16. Proceedings of AAAI Workshop on Educational AI. – 2022. – P. 112–119.
17. 9. Pandrajiu S., Radev D., Manning C. et al. Text-to-text transfer transformer for answer-aware question generation //
18. Transactions of ACL. – 2021. – Vol. 9. – P. 414–427.
19. 10. Zhang G., Chu Y. et al. Survey of neural question generation methods based on transformer architecture // Knowledge-
20. Based Systems. – 2023. – Vol. 262. – P. 110249.
21. 11. Lee S. Trustworthy AI in educational assessment: Fairness, transparency, and accountability // Computers & Education:
22. Artificial Intelligence. – 2022. – Vol. 3. – P. 100–115.
23. 12. Elov B. B., Yusupov I., Abdurakhimov B. Corpus-based NLP for Uzbek language: Word2Vec and BERT approaches //
24. Proceedings of AICT. – 2021. – P. 1–6.
25. 13. Kuriyozov E. BERTbek: Pre-trained BERT model for the Uzbek language // Proceedings of LREC. – 2022. – P. 3578–
26. 3583.
27. 14. Murzintsev N., Yuldasheva Sh. Morphological analyser for Uzbek language based on Hunspell // Proceedings of
28. TURKIC NLP Workshop. – 2020. – P. 34–41.
29. 15. Kuriyozov E. Multi-class text classification dataset for Uzbek language // Zenodo. – 2023. – DOI: 10.5281/
30. zenodo.7918413.
31. 16. Chu Z., Chen J., Chen C. et al. A survey of chain-of-thought reasoning in large language models // arXiv preprint
32. arXiv:2309.06256. – 2023.
33. 17. Sallam M. ChatGPT utility in healthcare education, research, and practice // Healthcare. – 2023. – Vol. 11. – P. 887.
34. 18. Bloom B. S. (ed.). Taxonomy of Educational Objectives: The Classification of Educational Goals. Handbook I: Cognitive
35. Domain. – New York: David McKay, 1956. – 207 p.
36. 19. Flask Documentation. Pallets Projects, 2024 [Электронный ресурс]. – URL: https://flask.palletsprojects.com/
37. 20. Hugging Face Transformers [Электронный ресурс]. – URL: https://huggingface.co/docs/transformers (дата обращения:
38. 01-03-2026).
39. 21. Sun Y., Shi Y., Qi J. et al. Question generation from knowledge graph for low-resource language // Proceedings of
40. NAACL. – 2022. – P. 2063–2074.
41. 22. Kurdi G., Leo J., Parsia B. et al. A systematic review of automatic question generation for educational purposes //
42. International Journal of Artificial Intelligence in Education. – 2020. – Vol. 30. – P. 121–204.
43. 23. Dina G., Raja K. Distractor generation for multiple-choice questions using semantics // ACM Transactions on Intelligent
44. Systems. – 2022. – Vol. 13, № 4. – P. 1–24.
45. 24. Rakanghor S., Meesad P. Survey on deep learning for automatic question generation // Applied Sciences. – 2023. –
46. Vol. 13. – P. 4503.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2026 MAKTABGACHA VA MAKTAB TA’LIMI JURNALI

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
