Главная → Выпуски → 18 (1-1) →

ЭКСПЕРИМЕНТАЛЬНОЕ ИСПОЛЬЗОВАНИЕ УЧЕБНЫХ МАТЕРИАЛОВ, РАЗРАБОТАННЫХ С ПРИМЕНЕНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА, В ЕСТЕСТВЕННОНАУЧНОМ ОБРАЗОВАНИИ

Педагогическое образование , УДК: 378.091.64:004.8 DOI: 10.25688/2076-9121.2024.18.1-1.04

Авторы

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

Аннотация

Целью исследования было изучение пригодности современных генеративных моделей для автоматического создания текстов учебных задач. Мы разработали генератор учебных задач множественного выбора, который действует на основании большой языковой модели и позволяет учителю самостоятельно создавать задания к своему учебному курсу. В экспериментах к выбору тем для генерации учебных материалов привлекались преподаватели различных дисциплин. Результаты демонстрируют способность современных больших языковых моделей генерировать простые текстовые вопросы с несколькими вариантами ответов, пригодные для использования. Хотя текущая потребность преподавателей в ручной проверке и доработке отвлекающих факторов и представляет собой проблему, но ожидается, что генеративный ИИ решит эту проблему в ближайшем будущем.
Ключевые слова
AIGC , artificial intelligence-generated content , ChatGPT-3.5 , GigaChat , YaGPT

Как ссылаться

Патаракин, Е. Д., Буров, В. В., Салимуллин, К. Д. & Сошников, Д. В. (2024). ЭКСПЕРИМЕНТАЛЬНОЕ ИСПОЛЬЗОВАНИЕ УЧЕБНЫХ МАТЕРИАЛОВ, РАЗРАБОТАННЫХ С ПРИМЕНЕНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА, В ЕСТЕСТВЕННОНАУЧНОМ ОБРАЗОВАНИИ Вестник Московского городского педагогического университета. Серия «Педагогика и психология», 18 (1-1), 78. https://doi.org/10.25688/2076-9121.2024.18.1-1.04
Список литературы
1. 1. Kurdi, G., Parsia, B., Leo, J., & Sattler, U. (2020). A Systematic Review of Automatic Question Generation for Educational Purposes. Int J Artif Intell Educ, 30(1), 121–204.
2. 2. Ch, D. R., & Saha, S. K. (2020). Automatic Multiple Choice Question Generation From Text: A Survey. IEEE Transactions on Learning Technologies, 13(1), 14–25.
3. 3. Matos, R. M. F. de. (2022). Automatic Generation of Multiple Choice Questions. Dissertation in the context of the Master in Informatics Engineering, specialization in Intelligent Systems, advised by Prof. Hugo Oliveira and Hugo Amaro and presented to the Department of Informatics Engineering of the Faculty of Sciences and Technology of the University of Coimbra.
4. 4. Moore, S., Nguyen, H. A., Fang, E., & Stamper, J. (2023). Crowdsourcing the evaluation of multiple-choice questions using item-writing flaws and bloom’s taxonomy. In: arXiv:2205.01730v1 [cs.CL].
5. 5. Hadifar, A., Bitew, S. K., Deleu, J., Develder, C., & Demeester, T. (2023). EduQG: A multi-format multiple-choice dataset for the educational domain. IEEE Access, 11, 20885–20896.
6. 6. Laban, P., Wu, Ch.-Sh., Murakhovska, L., Liu, W., & Xiong, C. (2022). Quiz Design Task: Helping Teachers Create Quizzes with Automated Question Generation. In: Findings of the Association for Computational Linguistics: NAACL 2022, July 10–15, 2022 (pp. 102–111). Association for Computational Linguistics.
7. 7. Patarakin, E. D., Burov, V., & Sochnikov, D. (2023). Experimental generation of educational tasks in natural science disciplines using artificial intelligence. MCU Journal of Pedagogy and Psychology, 17(4), 38–58.
8. 8. Vachkova, S. N., Patarakin, E. D., & Petryaeva, E. Y. (2020). Content Quality of Lesson Scenarios in Moscow E-School. SHS Web Conf, 79, 01017.
9. 9. Parandekar, S., Patarakin, E., & Yayla, G. (2023). A Modern Aspect of Instrumental Literacy: Coding. In: Dobryakova, M., Froumin, I., Barannikov, K., Moss, G., Remorenko, I., & Hautamäki, J. (Eds.). Key Competences and New Literacies: From Slogans to School Reality (pp. 367–390). UNIPA Springer Series. Springer, Cham.
Скачать файл .pdf 1.61 Мб