• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Thirteenth workshop on innovative use of NLP for building educational applications 2018 >Distractor Generation for Multiple Choice Questions Using Learning to Rank
【24h】

Distractor Generation for Multiple Choice Questions Using Learning to Rank

机译：使用学习排名的多项选择题的干扰项生成

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

We investigate how machine learning models, specifically ranking models, can be used to select useful distractors for multiple choice questions. Our proposed models can learn to select distractors that resemble those in actual exam questions, which is different from most existing unsupervised ontology-based and similarity-based methods. We empirically study feature-based and neural net (NN) based ranking models with experiments on the recently released SciQ dataset and our MCQL dataset. Experimental results show that feature-based ensemble learning methods (random forest and LambdaMART) outperform both the NN-based method and unsupervised baselines. These two datasets can also be used as benchmarks for distractor generation.
机译：我们研究了如何使用机器学习模型（特别是排名模型）来为多项选择题选择有用的干扰因素。我们提出的模型可以学习选择与实际考试题中的干扰物类似的干扰物，这与大多数现有的无监督基于本体和基于相似度的方法不同。我们通过对最近发布的SciQ数据集和我们的MCQL数据集进行实验，对基于特征和基于神经网络（NN）的排名模型进行经验研究。实验结果表明，基于特征的集成学习方法（随机森林和LambdaMART）优于基于NN的方法和无监督的基线。这两个数据集也可以用作干扰物生成的基准。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号