Главная → Выпуски → № 17(4) →

ЭКСПЕРИМЕНТАЛЬНАЯ ГЕНЕРАЦИЯ ЗАДАНИЙ ПО ЕСТЕСТВЕННО-НАУЧНЫМ ДИСЦИПЛИНАМ ПРИ ПОМОЩИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Педагогическое образование , УДК: 37.01:004 DOI: 10.25688/2076-9121.2023.17.4.02

Авторы

  • Патаракин Евгений Дмитриевич доктор педагогических наук, доцент
  • Буров Василий Владимирович
  • Сошников Дмитрий Валерьевич кандидат физико-математических наук, доцент

Аннотация

В работе исследовалась пригодность современных генеративных моделей для автоматического создания текстов учебных задач. В первой части работы мы провели библиометрическое картирование поля исследовательских работ, связанных с автоматической генерацией вопросов. В качестве источников были использованы три базы данных: Lens, Dimensions и Digital Library ACM. Во второй части работы мы сравнивали возможности трех генеративных систем (ChatGPT-3.5, YaGPT, GigaChat) формулировать на основе текста учебника задания различных видов: вопросы с вариантами ответа, вопросы с открытым ответом, темы эссе по заданному фрагменту текста. В качестве исходного материала был взят фрагмент текста учебника по биологии для пятого класса, в котором описывалось различие живого и неживого. Для каждой из поставленных задач оценивалась способность генеративной модели формулировать разнообразные варианты вопросов, записывать вопросы в формате JSON, корректность создаваемых моделями вопросов.
Ключевые слова
AIGC , ChatGPT-3.5 , GigaChat , YaGPT , генерируемый искусственным интеллектом , контент

Как ссылаться

Патаракин, Е. Д., Буров, В. В. & Сошников, Д. В. (2023). ЭКСПЕРИМЕНТАЛЬНАЯ ГЕНЕРАЦИЯ ЗАДАНИЙ ПО ЕСТЕСТВЕННО-НАУЧНЫМ ДИСЦИПЛИНАМ ПРИ ПОМОЩИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА Вестник Московского городского педагогического университета. Серия «Педагогика и психология», № 17(4), 28. https://doi.org/10.25688/2076-9121.2023.17.4.02
Список литературы
1. 1. Winslow, R. R., Skripsky, S. L., & Kelly, S. L. (2016). Chapter 14. Not Just for Citations: Assessing Zotero While Reassessing Research. In: D’Angelo, B. J., Jamieson, S., Maid, B., & Walker, J. R. (Eds.), Information Literacy: Research and Collaboration across Disciplines (pp. 287–304). The WAC Clearinghouse; University Press of Colorado. https://wac.colostate.edu/books/perspectives/infolit/
2. 2. Ginting, S. L. B. (2023). A Computational Bibliometric Analysis of Esport Management using VOSviewer. International Journal of Informatics, Information System and Computer Engineering (INJIISCOM), 4(1), 31–48. https://doi.org/10.34010/injiiscom.v4i1.9570
3. 3. Al Husaeni, D. F., & Nandiyanto, A. B. D. (2022). Bibliometric using Vosviewer with Publish or Perish (using google scholar data): From step-by-step processing for users to the practical examples in the analysis of digital learning articles in pre and post Covid-19 pandemic. ASEAN Journal of Science and Engineering, 2(1), 19–46.
4. 4. Wu, J., Gan, W., Chen, Z., Wan, S., & Lin, H. (2023). AI-Generated Content (AIGC): A Survey (arXiv:2304.06632). arXiv. https://doi.org/10.48550/arXiv.2304.06632
5. 5. Cao, Y., Li, S., Liu, Y., Yan, Z., Dai, Y., Yu, P. S., & Sun L. (2023). A Comprehensive Survey of AI-Generated Content (AIGC): A History of Generative AI from GAN to ChatGPT (arXiv:2303.04226). arXiv. https://doi.org/10.48550/arXiv.2303.04226
6. 6. Mulla, N., & Gharpure, P. (2023). Automatic question generation: a review of methodologies, datasets, evaluation metrics, and applications. Progress in Artificial Intelligence, 12(1), 1–32. https://doi.org/10.1007/s13748-023-00295-9
7. 7. Zhang, R., Guo, J., Chen, L., Fann, Y., & Chend, X. (2021). A review on question generation from natural language text. ACM Trans. Inf. Syst., 40(1). https://doi.org/10.1145/3468889
8. 8. Moore, S., Nguyen, H. A., Fang, T., & Stamper, J. (2023). Crowdsourcing the evaluation of multiple-choice questions using item-writing flaws and bloom’s taxonomy. Proceedings of the Tenth ACM Conference on Learning @ Scale. New York, NY, USA: Association for Computing Machinery, 25–34. https://doi.org/10.1145/3573051.3593396
9. 9. Patil, C., & Patwardhan, M. (2020). Visual question generation: The state of the art. ACM Comput. Surv., 53(3). https://doi.org/10.1145/3383465
10. 10. Madri, V. R., & Meruva, S. (2023). Acomprehensive review on MCQ generation from text. Multimedia Tools and Applications, 1–20. https://doi.org/10.1007/s11042-023-14768-5
11. 11. Goyal, R., Kumar, P., & Singh, V. P. (2023a). Automated question and answer generation from texts using text-to-text transformers. Arabian Journal for Science and Engineering, 1–15. https://doi.org/10.1007/s13369-023-07840-7
12. 12. Goyal, R., Kumar, P., & Singh, V. P. (2023b). A Systematic survey on automated text generation tools and techniques: application, evaluation, and challenges. Multimedia Tools and Applications, 1–56. https://doi.org/10.1007/s11042-023-15224-0
13. 13. Falcão, F., Pereira, D. M., Gongalves, N., De Champlainn, A., Costa, P., & Pego J. M. (2023). A suggestive approach for assessing item quality, usability and validity of Automatic Item Generation. Advances in Health Sciences Education, 1–25. https://doi.org/10.1007/s10459-023-10225-y
14. 14. Kumar, A. P., Nayak, A., Shenoy, K. M., Chaitanya, & Ghosh, K. (2023). A Novel Framework for the Generation of Multiple Choice Question Stems Using Semantic and Machine-Learning Techniques. International Journal of Artificial Intelligence in Education. Netherlands: Springer Science and Business Media LLC. https://doi.org/10.1007/s40593-023-00333-6
15. 15. Panchal, P., Thakkar, J., Pillai, V., & Patil, S. (2021). Automatic Question Generation and Evaluation. Journal of University of Shanghai for Science and Technology, 23(5), 751–761. https://doi.org/10.51201/jusst/21/05203
16. 16. Finnie-Ansley, J., Denny, P., Becker, B. A., Luxton-Reilly, A., & Prather, J. (2022). The Robots Are Coming: Exploring the Implications of OpenAI Codex on Introductory Programming. Proceedings of the 24th Australasian Computing Education Conference. New York, NY, USA: Association for Computing Machinery, 10–19. https://doi.org/10.1145/3511861.3511863
17. 17. Kim, C., Lin, X., Collins, C., Taylor, G. W., & Amer, M. R. (2021). Learn, Generate, Rank, Explain: A Case Study of Visual Explanation by Generative Machine Learning. ACM Transactions on Interactive Intelligent Systems, 11(3–4), 23:1–23:34. https://doi.org/10.1145/3465407
18. 18. Suh, S., & An, P. (2022). Leveraging Generative Conversational AI to Develop a Creative Learning Environment for Computational Thinking. In: 27th International Conference on Intelligent User Interfaces. New York, NY, USA: Association for Computing Machinery, 73–76. https://doi.org/10.1145/3490100.3516473
19. 19. Lewis, C. (2022). Automatic Programming and Education. In: Companion Proceedings of the 6th International Conference on the Art, Science, and Engineering of Programming (pp. 70–80). New York, NY, USA: Association for Computing Machinery. https://doi.org/10.1145/3532512.3539664
20. 20. Jonsson, M., & Tholander, J. (2022). Cracking the code: Co-coding with AI in creative programming education. In: Creativity and Cognition (pp. 5–14). New York, NY, USA: Association for Computing Machinery. https://doi.org/10.1145/3527927.3532801
Скачать файл .pdf 684.34 кб