“Generación de preguntas aleatorias del tipo opción múltiple calculada con Moodle, para evaluar tópicos del tema Vectores, en un primer curso de física”
Bibliographic record
Abstract
El tema de la generación de preguntas aleatorias del tipo “Opción Múltiple Calculada” para la evaluación automática de los conocimientos en el área de Vectores, dentro de un curso de Física sería de importancia, no solamente para aliviar la carga del docente que imparte estos temas, sino también para los alumnos acepten el hecho que serán evaluados de manera personalizada, semejante, justa y de entre un determinado conjunto de ejercicios que establezca el docente por considerarlos pertinentes para el tiempo y lugar de los alumnos. La herramienta de gestión de los aprendizajes (LMS) con la que contamos en la Institución de Educación Superior en la que prestamos nuestros servicios como docentes es el Moodle. Este artículo lo vamos a centrar en el proceso de creación de este tipo de preguntas. Dentro de las asignaturas de las llamadas ciencias exactas, la posibilidad de que el LMS genere automáticamente un gran número de ejercicios y de que sean asignados aleatoriamente a los estudiantes, para que, en la medida que lo determine el profesor, le toque a cada alumno un conjunto de problemas “tipo” distintos, y al estar programado en el LMS, este califica al cuestionario en lugar del docente. En este artículo vamos a poner en consideración de la audiencia las preguntas que el LMS Moodle llama “Calculada Opción Múltiple”, puesto que los estudiantes están acostumbrados a las preguntas del tipo opción múltiple. Pero por experiencia ya se habrán dado cuenta el esfuerzo que se requiere para dotar a una prueba con el número suficiente de opciones, además que no es muy confiable el reutilizar estas mismas preguntas en alguna prueba englobadora como un parcial o un examen final.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.017 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".