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.19826339Ключевые слова:
автоматическая генерация вопросов, таксономия Блума, большие языковые модели, BERTbek, T5, узбекский язык, адаптивное тестирование, HEMIS, NLP, тесты с множественным выборомАннотация
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%.
Библиографические ссылки
1. Gardner J., O’Leary M., Yuan L. et al. Artificial intelligence in educational assessment: “Breakthrough?” or cause for
concern? // Journal of Computer Assisted Learning. – 2021. – Vol. 37, № 5. – P. 1207–1216.
2. Ovan V., Toshmatov G., Karimov M. Adaptive testing in distance learning: efficiency and ethical dimensions // Journal
of Pedagogical Sciences. – 2022. – № 3. – P. 45–58.
3. Fartushnik R. et al. P-AI-M: Processual Assessment Integration Model for AI-driven educational evaluation //
Educational Technology Research and Development. – 2023. – Vol. 71. – P. 891–910.
4. Lewis M., Liu Y., Goyal N. et al. BART: Denoising sequence-to-sequence pre-training for natural language generation
// Proceedings of ACL. – 2020. – P. 7871–7880.
5. Pan L., Lei W., Chua T.-S., Kan M.-Y. Recent advances in neural question generation // arXiv preprint arXiv:1905.08949.
– 2019.
6. Zhang R., Peng B., Wu L. et al. Survey of automatic question generation // Neural Computing and Applications. – 2023.
– Vol. 35. – P. 9249–9271.
7. Toba H., Yeh J.-Y., Hsieh M.-Y. Discovering high-quality answers in Bloom’s taxonomy learning questions // Journal of
Applied Research and Technology. – 2021. – Vol. 19, № 5. – P. 496–513.
8. Hwang M. Ensemble-NQG-T5: Combining multiple T5-based models for improved neural question generation //
Proceedings of AAAI Workshop on Educational AI. – 2022. – P. 112–119.
9. Pandrajiu S., Radev D., Manning C. et al. Text-to-text transfer transformer for answer-aware question generation //
Transactions of ACL. – 2021. – Vol. 9. – P. 414–427.
10. Zhang G., Chu Y. et al. Survey of neural question generation methods based on transformer architecture // Knowledge-
Based Systems. – 2023. – Vol. 262. – P. 110249.
11. Lee S. Trustworthy AI in educational assessment: Fairness, transparency, and accountability // Computers & Education:
Artificial Intelligence. – 2022. – Vol. 3. – P. 100–115.
12. Elov B. B., Yusupov I., Abdurakhimov B. Corpus-based NLP for Uzbek language: Word2Vec and BERT approaches //
Proceedings of AICT. – 2021. – P. 1–6.
13. Kuriyozov E. BERTbek: Pre-trained BERT model for the Uzbek language // Proceedings of LREC. – 2022. – P. 3578–
3583.
14. Murzintsev N., Yuldasheva Sh. Morphological analyser for Uzbek language based on Hunspell // Proceedings of
TURKIC NLP Workshop. – 2020. – P. 34–41.
15. Kuriyozov E. Multi-class text classification dataset for Uzbek language // Zenodo. – 2023. – DOI: 10.5281/
zenodo.7918413.
16. Chu Z., Chen J., Chen C. et al. A survey of chain-of-thought reasoning in large language models // arXiv preprint
arXiv:2309.06256. – 2023.
17. Sallam M. ChatGPT utility in healthcare education, research, and practice // Healthcare. – 2023. – Vol. 11. – P. 887.
18. Bloom B. S. (ed.). Taxonomy of Educational Objectives: The Classification of Educational Goals. Handbook I: Cognitive
Domain. – New York: David McKay, 1956. – 207 p.
19. Flask Documentation. Pallets Projects, 2024 [Электронный ресурс]. – URL: https://flask.palletsprojects.com/
20. Hugging Face Transformers [Электронный ресурс]. – URL: https://huggingface.co/docs/transformers (дата обращения:
01-03-2026).
21. Sun Y., Shi Y., Qi J. et al. Question generation from knowledge graph for low-resource language // Proceedings of
NAACL. – 2022. – P. 2063–2074.
22. Kurdi G., Leo J., Parsia B. et al. A systematic review of automatic question generation for educational purposes //
International Journal of Artificial Intelligence in Education. – 2020. – Vol. 30. – P. 121–204.
23. Dina G., Raja K. Distractor generation for multiple-choice questions using semantics // ACM Transactions on Intelligent
Systems. – 2022. – Vol. 13, № 4. – P. 1–24.
24. Rakanghor S., Meesad P. Survey on deep learning for automatic question generation // Applied Sciences. – 2023. –
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.
