基于布卢姆分类法的学习结果与考试题目自动分析
计算与语言
2025-11-17 v1 人工智能
摘要
本文探讨了根据布卢姆分类法自动对考试题目和学习结果进行分类的 methods。处理包含六个认知范畴——知识（Knowledge）、理解（Comprehension）、应用（Application）、分析（Analysis）、绪合（Synthesis）和评估（Evaluation）——标注的 600 句子样本数据时，采用了传统机器学习模型（朴素贝叶斯、逻辑回归、支持向量机）、循环神经网络架构（LSTM、BiLSTM、GRU、BiGRU）、基于变换器的模型（BERT、RoBERTa）以及大型语言模型（OpenAI、Gemini、Ollama、Anthropic）。在不同的预处理和数据增强策略（例如同义词替换、词嵌入等）下，对每个模型进行评估。结果表明，在传统机器学习方法中，以数据增强的支持向量机（SVM）实现了最佳整体性能，准确率、召回率和 F1 分数均达到 94%，且过拟合问题最小。相比之下，循环神经网络模型和 BERT 都出现了严重的过拟合，而 RoBERTa 虽然最初克服了该问题，但随着训练进行，开始显示出过拟合迹象。最后，对大型语言模型进行的零样本评估显示，OpenAI 和 Gemini 在所测试的模型中表现最佳，准确率约为 0.72-0.73，F1 分数也相当。这些发现突显了在有限数据上训练复杂深度模型的挑战，以及在布卢姆分类法分类中谨慎的数据增强和简单算法（如增强 SVM）的重要价值。
引用
@article{arxiv.2511.10903,
title = {Automated Analysis of Learning Outcomes and Exam Questions Based on Bloom's Taxonomy},
author = {Ramya Kumar and Dhruv Gulwani and Sonit Singh},
journal= {arXiv preprint arXiv:2511.10903},
year = {2025}
}
备注
7 Pages