Синтез вопросов контроля результатов обучения методом инверсии аксиом модели предметных знаний
Е.Р. Пантелеев
Вестник ИГЭУ, 2025 г. выпуск 6, сс. 86—93
Скачать PDF
Состояние вопроса. Разработка тестов контроля результатов обучения требует создания контрольных вопросов. Количество этих вопросов должно быть достаточным для достоверной оценки знаний, а их содержание – целостно отражать знания в предметной области контроля. В настоящее время используются методы автоматической генерации вопросов, основанные на использовании моделей машинного обучения и рациональных моделей представления знаний. Их применение полностью снимает количественную составляющую проблемы. Однако модели машинного обучения не гарантируют целостного представления знаний, а рациональные модели, хотя и обеспечивают целостность, не решают проблему генерации вопросов, контролирующих понимание простейших правил, которые необходимы для получения заданного результата. Цель исследования заключается в решении этой проблемы.
Материалы и методы. Рациональная модель предметных знаний представлена в стандарте языка онтологий web. Данный выбор обоснован глобальной распространенностью стандарта, наличием доступной документации и поддержкой свободно распространяемыми приложениями, в частности редактором онтологий Protégé и средой программирования SWI Prolog, декларативная модель представления знаний которой совместима с моделью онтологий web.
Результаты. Предложен метод синтеза вопросов контроля по онтологической модели предметных знаний, представляющий собой инверсию аксиом вида «если свойства сущности удовлетворяют ограничениям OWL-класса, она принадлежит этому классу», результатом которой является вопрос вида «каким ограничениям должны удовлетворять свойства сущности, если она принадлежит OWL-классу?». Инверсия является особенностью метода, который, в отличие от известных, генерирующих вопросы на понимание следствий известных причин, выполняет синтез вопросов на понимание причин, вызвавших заданное следствие. Достоверность результатов подтверждена их сопоставлением с парами «аксиома–следствие» онтологической модели.
Выводы. Метод обеспечивает контроль понимания правил, необходимых для получения заданного решения с помощью аксиом OWL-классов. Он был использован для разработки тестов по дисциплинам инженерной подготовки. Использование стандартного формата представления знаний позволяет применять метод для разработки вопросов контроля в других предметных областях.
1. Papasalouros A., Chatzigiannakou M. Semantic Web and Question Generation: An Overview of the State of the Art // International Association for Development of the Information Society, 2018.
2. Rakangor S., Ghodasara Y.R. Literature review of automatic question generation systems // International journal of scientific and research publications. – 2015. – Vol. 5, No. 1. – P. 1–5.
3. Automatic question generation and answer assessment: a survey / B. Das, M. Majumder, S. Phadikar, A.A. Sekn // Research and Practice in Technology Enhanced Learning. – 2021. – Vol. 16, No. 1. – P. 5. DOI: http://dx.doi.org/10.1186/s41039-021-00151-1
4. Blšták M., Rozinajová V. Automatic question generation based on sentence structure analysis using machine learning approach // Natural Language Engineering. – 2022. – Vol. 28, No. 4. – P. 487–517. DOI: http://dx.doi.org/10.1017/S1351324921000139
5. Zoumpatianos K., Papasalouros A., Kotis K. Automated Transformation of SWRL Rules into Multiple-Choice Questions // FLAIRS. – 2011.
6. Papasalouros A., Kanaris K., Kotis K. Automatic Generation Of Multiple Choice Questions From Domain Ontologies // e-Learning. – 2008. – Vol. 1. – P. 427–434.
7. Сергушичева А.П., Швецов А.Н. Метод построения компьютерных тестирующих систем для обучения в техническом вузе // Алгоритмы, методы и системы обработки данных. – 2005. – № 10. – С. 168–180.
8. Кручинин В.В., Морозова Ю.В. Модели генераторов вопросов для компьютерного контроля знаний // Открытое и дистанционное образование. – 2004. – № 2. – С. 52–62.
9. Ли В. Онтологический подход к автоматической генерации вопросов в интеллектуальных обучающих системах // Доклады Белорусского государственного университета информатики и радиоэлектроники. – 2020. – Т. 18, № 5. – С. 44–52. DOI: http://dx.doi.org/10.35596/1729-7648-2020-18-5-44-52
10. Vinu E.V., Kumar P.S. Automated generation of assessment tests from domain ontologies // Semantic Web. – 2015. – Vol. 8, No. 6. – P. 1023–1047.
11. Le N.T. Using Semantic Web for Generating Questions: Do Different Populations Perceive Questions Differently? // Transactions on Computational Collective Intelligence XVIII. – Berlin, Heidelberg: Springer Berlin Heidelberg, 2015. – P. 1–19.
12. Studer R., Benjamins R., Fensel D. Knowledge Engineering: Principles and methods // Data and knowledge engineering. – 1998. – Vol. 25. – P. 161–197.