Can Question Validation Criteria Improve the Quality of LLM-Generated Multiple-Choice Questions?
Notice bibliographique
Résumé
Adaptive assessment has been extensively researched as a key strategy for providing formative assessments in education. Fundamental to adaptive assessment is the development and ongoing maintenance of a substantial and well-structured question bank. However, manual question development by human instructors is time-consuming and poses a significant barrier to adopting adaptive assessment. To address this problem, research has been conducted in the use of Large Language Models (LLMs) for automated question generation. However, LLMs tend to hallucinate, necessitating human-in-the-loop question validation. Furthermore, to ensure alignment with the instructional standards and learning outcomes of a course, it is essential that instructors verify that the generated questions satisfy a defined set of Question Validation Criteria (QVC). In this study, we evaluate the effectiveness of embedding QVC directly into LLM prompts for the automatic generation of multiple-choice questions (MCQ) with feedback for use in adaptive formative assessments. Using a novel web-based application for question generation, MCQs were produced for three undergraduate-level courses. Validation by subject matter experts revealed no statistically significant improvement in quality between questions generated with and without embedded QVC in the prompts. These findings contribute to the growing body of research indicating that prompt engineering alone may be insufficient to achieve improvements in the quality of generated output for educational purposes.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».