СУРГАЛТЫН ХӨТӨЛБӨРИЙН ЧАНАРЫГ ҮНЭЛЭХЭД ШАЛГАЛТЫН АСУУЛТЫГ МАШИН СУРГАЛТЫН АРГААР АНГИЛАХ НЬ
Abstract
Сургалтын хөтөлбөрийн чанарыг үнэн зөв үнэлэхийн тулд сургалтын үр дүнг хөтөлбөрийн хамгийн анхан шатны нэгж буюу хичээл тус бүрийн үр дүнгээс эхлэн үнэлэх хэрэгтэй. Хичээлийн улирлын эцсийн шалгалтын асуултаар сургалтын үр дүнг үнэлэх нь үр дүнтэй арга боловч тухайн асуултыг тохирох түвшнээр ангилан боловсруулах нь төвөгтэй, цаг их шаарддаг ажил юм. Блумын таксономи нь энэ асуудлыг шийдвэрлэх хамгийн түгээмэл, хүлээн зөвшөөрөгдсөн аргачлал бөгөөд сургалтын зорилтыг нарийн төвшинд тодорхойлох боломжийг олгодог. Энэхүү судалгааны зорилго нь Блумын таксономийг ашиглан шалгалтын асуултыг сэтгэн бодох түвшнээр ангилах явдал юм. Судалгаанд Наив Байесийн машин сургалтын аргыг ашиглан шалгалтын асуултыг Блумын таксономийн түвшнүүдээр ангиллаа. Судалгааны хүрээнд Монгол Улсын Шинжлэх Ухаан сургуулийн бакалаврын нэг хөтөлбөрийг сонгон авч, хэрэглэж буй 1400 асуулт бүхий мэдээллийн санг бүрдүүлж вэб программ болгон танилцуулав. Наив Байесийн аргыг ашигласан ангилал 88.6 хувийн нарийвчлалтай гарсан бөгөөд үр дүнг өгүүлэлд дэлгэрэнгүй танилцуулна.
References
Erdenekhuu, N., Ganbold, S., & Tungalag, U. (2018). Assessment experience on program learning outcomes. In Proceedings of the 14th International CDIO Conference.
Bloom, B. S. (1965). Taxonomy of educational objectives: The classification of educational goals. Longman.
Anderson, L. W., & Krathwohl, D. R. (Eds.). (2001). A taxonomy for learning, teaching, and assessing: A revision of Bloom’s taxonomy of educational objectives (abridged ed.). Longman.
Jain, M., Beniwal, R., Ghosh, A., Grover, T., & Tyagi, U. (2019). Classifying question papers with Bloom’s taxonomy using machine learning techniques. In M. Singh et al. (Eds.), Communications in Computer and Information Science (Vol. 1046, pp. 399-408). Springer, Singapore.
Beniwal, R., Gupta, V., Rawat, M., & Aggarwal, R. (2018). Data mining with linked data: Past, present, and future. In Proceedings of the 2018 Second International Conference on Computing Methodologies and Communication (ICCMC) (pp. 1031-1035). IEEE.
Kumar, A., Bhatia, M. P. S., & Beniwal, R. (2018). Ontology-driven software development for automated documentation. Webology, 15(2), 1.
Krathwohl, D. R. (2002). A revision of Bloom’s taxonomy: An overview. Theory into Practice, 41(4), 212-218.
dos Santos, C., & Gatti, M. (2014). Deep convolutional neural networks for sentiment analysis of short texts. In Proceedings of COLING 2014, the 25th International Conference on Computational Linguistics: Technical Papers (pp. 69-78). Dublin City University and Association for Computational Linguistics.
Johnson, R., & Zhang, T. (2014). Effective use of word order for text categorization with convolutional neural networks. CoRR, abs/1412.1058.
Kim, Y. (2014). Convolutional neural networks for sentence classification. In Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP) (pp. 1746-1751). Association for Computational Linguistics.
