論文の概要: Automated Analysis of Learning Outcomes and Exam Questions Based on Bloom's Taxonomy

• arxiv url: http://arxiv.org/abs/2511.10903v1
• Date: Fri, 14 Nov 2025 02:31:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.399159
• Title: Automated Analysis of Learning Outcomes and Exam Questions Based on Bloom's Taxonomy
• Title（参考訳）: ブルーム分類に基づく学習成果の自動分析とアウトカム質問
• Authors: Ramya Kumar, Dhruv Gulwani, Sonit Singh,
• Abstract要約: 本稿では,ブルームの分類に基づく試験質問と学習結果の自動分類について検討する。 6つの認知カテゴリをラベル付けした600文の小さなデータセットを、従来の機械学習(ML)モデルを用いて処理した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper explores the automatic classification of exam questions and learning outcomes according to Bloom's Taxonomy. A small dataset of 600 sentences labeled with six cognitive categories - Knowledge, Comprehension, Application, Analysis, Synthesis, and Evaluation - was processed using traditional machine learning (ML) models (Naive Bayes, Logistic Regression, Support Vector Machines), recurrent neural network architectures (LSTM, BiLSTM, GRU, BiGRU), transformer-based models (BERT and RoBERTa), and large language models (OpenAI, Gemini, Ollama, Anthropic). Each model was evaluated under different preprocessing and augmentation strategies (for example, synonym replacement, word embeddings, etc.). Among traditional ML approaches, Support Vector Machines (SVM) with data augmentation achieved the best overall performance, reaching 94 percent accuracy, recall, and F1 scores with minimal overfitting. In contrast, the RNN models and BERT suffered from severe overfitting, while RoBERTa initially overcame it but began to show signs as training progressed. Finally, zero-shot evaluations of large language models (LLMs) indicated that OpenAI and Gemini performed best among the tested LLMs, achieving approximately 0.72-0.73 accuracy and comparable F1 scores. These findings highlight the challenges of training complex deep models on limited data and underscore the value of careful data augmentation and simpler algorithms (such as augmented SVM) for Bloom's Taxonomy classification.
• Abstract（参考訳）: 本稿では,ブルームの分類学に基づいて,試験質問の自動分類と学習結果について検討する。 ナイーブベイズ、ロジスティック回帰、サポートベクタマシン)、リカレントニューラルネットワークアーキテクチャ(LSTM、BiLSTM、GRU、BiGRU)、トランスフォーマーベースモデル(BERT、RoBERTa)、大規模言語モデル(OpenAI、Gemini、Ollama、 Anthropic)の6つの認知カテゴリでラベル付けされた600の文の小さなデータセットが処理された。 各モデルは、異なる前処理と拡張戦略(例えば、同義語置換、単語埋め込みなど)で評価された。 従来のMLアプローチの中で、データ拡張を備えたSVM(Support Vector Machines)は、全体的なパフォーマンスが最高で、94%の精度、リコール、F1スコアを最小限のオーバーフィッティングで達成した。 対照的に、RNNモデルとBERTは過度なオーバーフィッティングに悩まされ、RoBERTaは当初それを乗り越えたが、訓練が進むにつれて兆候を見せ始めた。 最後に、大きな言語モデル(LLM)のゼロショット評価は、OpenAIとGeminiが試験されたLLMの中で最高性能を示し、約0.72-0.73の精度とF1のスコアに匹敵する結果となった。 これらの結果は、限られたデータ上で複雑な深層モデルをトレーニングすることの課題を強調し、ブルームの分類分類のための注意深いデータ拡張とより単純なアルゴリズム(SVMの拡張など)の価値を強調している。

関連論文リスト

• Agentomics-ML: Autonomous Machine Learning Experimentation Agent for Genomic and Transcriptomic Data [33.7054351451505]
  本稿では,完全自律型エージェントベースシステムであるAgenomics-MLを紹介した。 本稿では,Agenomics-MLが既存のエージェントベースの手法よりも,一般化と成功率の両面で優れていることを示す。
  論文  参考訳（メタデータ） (2025-06-05T19:44:38Z)
• Prismatic Synthesis: Gradient-based Data Diversification Boosts Generalization in LLM Reasoning [77.120955854093]
  我々は,データ多様性が言語モデルにおける一般化の強力な予測因子であることを示す。 モデル誘起勾配のエントロピーを通して多様性を定量化する計量であるG-Vendiを導入する。 多様な合成データを生成するためのフレームワークであるPrismatic Synthesisを提案する。
  論文  参考訳（メタデータ） (2025-05-26T16:05:10Z)
• Analysis of Zero Day Attack Detection Using MLP and XAI [0.0]
  本稿では、侵入検知システム(IDS)を構築するための機械学習(ML)とディープラーニング(DL)に基づくアプローチについて分析する。 KDD99データセットは、ゼロデイ攻撃を検出するために、すべてのデータセットの中で最も研究されている。 ベースラインMLモデル,重み付きMLモデル,重み付きMLモデル,重み付きMLモデルを含む,KDD99データセット上でトレーニングされた4層パーセプトロン(MLP)の性能を評価する。
  論文  参考訳（メタデータ） (2025-01-28T02:20:34Z)
• Enhanced Infield Agriculture with Interpretable Machine Learning Approaches for Crop Classification [0.49110747024865004]
  本研究では、SIFT、ORB、Color Histogramなどの手作り特徴抽出手法を用いた従来のML、カスタムデザインCNN、AlexNetのようなDLアーキテクチャの確立、ImageNetを用いて事前訓練された5つのモデルの移行学習の4つの異なる分類手法を評価する。 Xceptionはこれら全てを一般化し、80.03MBのモデルサイズと0.0633秒の予測時間で98%の精度を達成した。
  論文  参考訳（メタデータ） (2024-08-22T14:20:34Z)
• Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [71.04084063541777]
  ランク付けのためのカウンターファクトラーニングはIRコミュニティで広く注目を集めている。 モデルは、ユーザの振る舞いの仮定が正しく、確率推定が正確であるときに理論的に非バイアス化される。 それらの有効性は通常シミュレーションベースの実験を通じて実証的に評価されるが、これは広く利用可能な大規模で実際のクリックログが不足しているためである。
  論文  参考訳（メタデータ） (2024-04-04T10:54:38Z)
• Scalable Learning of Item Response Theory Models [48.91265296134559]
  項目応答理論(IRT)モデルは、分類データから、$m$テスト項目の遅延困難特性とともに、$n$試験の潜時能力を評価することを目的としている。 我々はこれらのモデルの類似性をロジスティック回帰に利用し、コアセットと呼ばれる小さな重み付き部分集合を用いて正確に近似することができる。
  論文  参考訳（メタデータ） (2024-03-01T17:12:53Z)
• The Languini Kitchen: Enabling Language Modelling Research at Different Scales of Compute [66.84421705029624]
  本稿では,アクセル時間で測定された等価計算に基づくモデル比較を可能にする実験的プロトコルを提案する。 私たちは、既存の学術的ベンチマークを上回り、品質、多様性、文書の長さで上回る、大規模で多様で高品質な書籍データセットを前処理します。 この研究は、GPT-2アーキテクチャから派生したフィードフォワードモデルと、10倍のスループットを持つ新しいLSTMの形式でのリカレントモデルという2つのベースラインモデルも提供する。
  論文  参考訳（メタデータ） (2023-09-20T10:31:17Z)
• Discover, Explanation, Improvement: An Automatic Slice Detection Framework for Natural Language Processing [72.14557106085284]
  スライス検出モデル(SDM)は、データポイントの低パフォーマンスなグループを自動的に識別する。 本稿では,NLPタスクの分類のための "Discover, Explain, improve (DEIM)" というベンチマークを提案する。 評価の結果,Edisaは情報的セマンティックな特徴を持つ誤り発生データポイントを正確に選択できることがわかった。
  論文  参考訳（メタデータ） (2022-11-08T19:00:00Z)
• Exploring the Value of Pre-trained Language Models for Clinical Named Entity Recognition [6.917786124918387]
  我々は、スクラッチからトレーニングされたTransformerモデルと、細調整されたBERTベースのLLMを比較した。 文脈学習を促進するために,追加のCRF層がそのようなモデルに与える影響を検討する。
  論文  参考訳（メタデータ） (2022-10-23T16:27:31Z)
• Studying Drowsiness Detection Performance while Driving through Scalable Machine Learning Models using Electroencephalography [0.0]
  運転者の眠気は交通事故の主な原因の1つである。 Brain-Computer Interfaces (BCI) と Machine Learning (ML) はドライバの眠気の検出を可能にしている。 本研究は、BCIを用いたインテリジェントなフレームワークと、脳波に基づく運転シナリオの眠気を検出する特徴を示す。
  論文  参考訳（メタデータ） (2022-09-08T22:14:33Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)

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。