SExpSMA-based T5: Serial exponential-slime mould algorithm based T5 model for question answer and distractor generation
Notice bibliographique
Résumé
Generally, multiple choice questions are an effective and extensive form used in standard tests in order to evaluate the learner’s skills and knowledge. Nonetheless, the multiple-choice question composition particularly the distractor construction is quite difficult. The distracters are needed to be both plausible and inappropriate and adequate to mystify the learners who did not master the information. Thus, the distractor generation emergence is important that can help several standard tests in an extensive range of domain. In this research, question-answer generation system is developed with a distractor model by developing an optimized T5 model. At first, BERT tokenization is used to pre-process the passage/context and question, which are given as the input to train the approach. Then, the question and answer generation is performed by utilizing the T5 approach that is trained by proposed Serial Exponential-Slime Mould approach (SExpSMA). Exponential weighted moving average is extended to Serial Exponential weighted moving average and incorporated in Slime Mould Algorithm (SMA) to propose SExpSMA. In addition, the proposed SExpSMA-based T5 model is employed to generate distractors for the questions. Eventually, experimentation analysis exhibits that proposed SExpSMA-based T5 model achieves better outcomes regarding the metrics, like ROUGE, BLEU, and METEOR with the values of 0.919, 0.918, 0.488, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».