論文の概要: Question-type Identification for Academic Questions in Online Learning Platform

• arxiv url: http://arxiv.org/abs/2211.13727v1
• Date: Thu, 24 Nov 2022 17:28:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 14:21:53.666790
• Title: Question-type Identification for Academic Questions in Online Learning Platform
• Title（参考訳）: オンライン学習プラットフォームにおける質問型質問識別
• Authors: Azam Rabiee, Alok Goel, Johnson D'Souza, Saurabh Khanwalkar
• Abstract要約: 本稿では,オンライン学習プラットフォームにおけるコンテンツ理解のステップとしての質問型識別について検討する。 我々は、MCQ(Multiple-Choice Question)やエッセイなどを含む12の質問型クラスを定義した。 このデータセットを用いてBERTベースのアンサンブルモデルを訓練し、このモデルを別個の人間ラベルテストセットで評価した。
• 参考スコア（独自算出の注目度）: 1.3764085113103222
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Online learning platforms provide learning materials and answers to students' academic questions by experts, peers, or systems. This paper explores question-type identification as a step in content understanding for an online learning platform. The aim of the question-type identifier is to categorize question types based on their structure and complexity, using the question text, subject, and structural features. We have defined twelve question-type classes, including Multiple-Choice Question (MCQ), essay, and others. We have compiled an internal dataset of students' questions and used a combination of weak-supervision techniques and manual annotation. We then trained a BERT-based ensemble model on this dataset and evaluated this model on a separate human-labeled test set. Our experiments yielded an F1-score of 0.94 for MCQ binary classification and promising results for 12-class multilabel classification. We deployed the model in our online learning platform as a crucial enabler for content understanding to enhance the student learning experience.
• Abstract（参考訳）: オンライン学習プラットフォームは、専門家、同僚、システムによる学生の学術的質問に対する教材と回答を提供する。 本稿では,オンライン学習プラットフォームにおけるコンテンツ理解のステップとして質問型識別について検討する。 質問型識別子の目的は,質問文,主題,構造的特徴を用いて,その構造と複雑さに基づいて質問タイプを分類することである。 我々は、MCQ(Multiple-Choice Question)やエッセイなどを含む12の質問型クラスを定義した。 我々は,学生の質問の内的データセットを収集し,弱スーパービジョン技術と手動アノテーションの組み合わせを用いた。 次に、このデータセットに基づいてBERTベースのアンサンブルモデルをトレーニングし、このモデルを別個の人間ラベルテストセットで評価した。 実験では,mcqバイナリ分類のf1-score 0.94と12クラスマルチラベル分類の有望な結果を得た。 私たちは、このモデルをオンライン学習プラットフォームに導入し、学生の学習体験を高めるために、コンテンツ理解の重要な実現手段としました。

関連論文リスト

• How Do Students Interact with an LLM-powered Virtual Teaching Assistant in Different Educational Settings? [3.9134031118910264]
  LLMを利用したバーチャル教育アシスタントであるJill Watson氏は、学生の質問に答えて、インストラクターが提供するコースウェア上での会話を延長する。 本稿では,Jill と学生の相互作用を,複数の科目や大学間で分析する。 幅広い認知的要求をサポートすることで、ジルは生徒に高度な高次認知的質問への参加を促している。
  論文  参考訳（メタデータ） (2024-07-15T01:22:50Z)
• SINKT: A Structure-Aware Inductive Knowledge Tracing Model with Large Language Model [64.92472567841105]
  知識追跡(KT)は、学生が次の質問に正しく答えるかどうかを判断することを目的としている。 大規模言語モデルを用いた構造認識帰納的知識追跡モデル(SINKT) SINKTは、学生の知識状態と質問表現とを相互作用させることで、対象の質問に対する学生の反応を予測する。
  論文  参考訳（メタデータ） (2024-07-01T12:44:52Z)
• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)
• A Survey on Continual Semantic Segmentation: Theory, Challenge, Method and Application [7.595948982978669]
  継続的学習は、漸進的学習または生涯学習としても知られ、ディープラーニングとAIシステムの最前線にある。 本稿では,連続的セマンティックセグメンテーション(CSS)について概説する。 現在のCSSモデルを、データ再生とデータフリーセットを含む2つのメインブランチに分類し、分類する。 また、多様なアプリケーションシナリオと開発傾向を持つ4つのCSS特長も導入しています。
  論文  参考訳（メタデータ） (2023-10-22T11:53:56Z)
• EduQG: A Multi-format Multiple Choice Dataset for the Educational Domain [20.801638768447948]
  このデータセットには、複数の選択質問、回答(イントラクタを含む)、教育領域からのソースドキュメントの3,397のサンプルが含まれている。 各質問はノーマルとクローズの2つの形式で表現される。正しい回答は、文レベルのアノテーションでソース文書にリンクされる。 すべての質問は、クラウドワーカーではなく、教育と学習の標準を確実に維持するために、教育専門家によって作成されました。
  論文  参考訳（メタデータ） (2022-10-12T11:28:34Z)
• Auxiliary Task Guided Interactive Attention Model for Question Difficulty Prediction [6.951136079043972]
  本稿では,対話型注意機構を持つマルチタスク手法Qdiffを提案し,ブルームの分類と難易度を共同で予測する。 提案手法は,ブルームの分類学と難易度ラベルの関係を捉えた表現の学習を支援する。
  論文  参考訳（メタデータ） (2022-05-24T19:55:30Z)
• Fantastic Questions and Where to Find Them: FairytaleQA -- An Authentic Dataset for Narrative Comprehension [136.82507046638784]
  幼稚園児の物語理解に焦点を当てたデータセットであるFairytaleQAを8年生に紹介する。 FairytaleQAは10,580の明示的で暗黙的な質問で構成されており、278の子供フレンドリーな物語から導かれる。
  論文  参考訳（メタデータ） (2022-03-26T00:20:05Z)
• Quality meets Diversity: A Model-Agnostic Framework for Computerized Adaptive Testing [60.38182654847399]
  コンピュータ適応テスト(CAT)は多くのシナリオで有望なテストアプリケーションとして現れています。 CAT ソリューションのための新しいフレームワークである Model-Agnostic Adaptive Testing (MAAT) を提案する。
  論文  参考訳（メタデータ） (2021-01-15T06:48:50Z)
• Retrieve, Program, Repeat: Complex Knowledge Base Question Answering via Alternate Meta-learning [56.771557756836906]
  本稿では,弱い監督からプログラマと交互に検索モデルを自動的に学習する手法を提案する。 本システムでは,知識ベースに対する複雑な質問応答を行う大規模タスクにおいて,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-10-29T18:28:16Z)
• Inquisitive Question Generation for High Level Text Comprehension [60.21497846332531]
  InQUISITIVEは、文書を読みながら19K質問を抽出するデータセットである。 我々は,読者が情報を求めるための実践的な戦略に携わることを示す。 我々は, GPT-2に基づく質問生成モデルを評価し, 妥当な質問を生成することができることを示す。
  論文  参考訳（メタデータ） (2020-10-04T19:03:39Z)
• Educational Question Mining At Scale: Prediction, Analysis and Personalization [35.42197158180065]
  大規模に教育的な問題から洞察を抽出する枠組みを提案する。 我々は最先端のベイズ深層学習法、特に部分変分オートエンコーダ(p-VAE)を利用する。 提案したフレームワークを,数万の質問と数千万の回答をオンライン教育プラットフォームから収集した実世界のデータセットに適用する。
  論文  参考訳（メタデータ） (2020-03-12T19:07:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。