BloomNet：一种基于鲁棒 Transformer 的布鲁姆学习成果分类模型
计算与语言
2021-08-17 v1
摘要
布鲁姆分类法是将教育学习目标划分为认知、情感与动作技能三个学习层次的常用范式。为优化教育项目，依据布鲁姆分类法不同认知层次设计课程学习成果（CLOs）至关重要。通常，机构管理员手动完成将 CLOs 与考题映射到布鲁姆分类法层次的繁琐工作。为解决此问题，我们提出一种名为 BloomNet 的基于 Transformer 的模型，其捕获语言及语义信息以对课程学习成果（CLOs）进行分类。我们将 BloomNet 与多种基础及强基线进行比较，观察到我们的模型优于所有实验基线。此外，我们通过在训练时未遇见的不同分布上评估来测试 BloomNet 的泛化能力，观察到与其他考量模型相比，我们的模型对分布偏移更不敏感。我们通过广泛的結果分析支撑我们的发现。在消融研究中，我们观察到显式封装语言信息与语义信息一同使用，提升了模型在 IID（独立同分布）性能及 OOD（分布外）泛化能力上的表现。
引用
@article{arxiv.2108.07249,
title = {BloomNet: A Robust Transformer based model for Bloom's Learning Outcome Classification},
author = {Abdul Waheed and Muskan Goyal and Nimisha Mittal and Deepak Gupta and Ashish Khanna and Moolchand Sharma},
journal= {arXiv preprint arXiv:2108.07249},
year = {2021}
}
备注
Bloom's Taxonomy, Natural Language Processing, Transformer, Robustness and Generalization