PulseAugur
中
实时 11:18:17
English(EN) Cross-Dataset Bloom Question Classification: Supervised Models and Prompted LLMs

大语言模型在Bloom分类法问题分类中表现稳定

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员评估了大语言模型（LLMs）在根据Bloom分类法对评估问题进行分类的有效性，这项任务可以显著减轻教师的工作量。传统的监督机器学习和深度学习模型在应用于未经训练的数据集时，性能出现了大幅下降。相比之下，大语言模型在不同数据集上表现出更稳定的性能，表明它们是该任务更鲁棒的选择。该研究还引入了一个用户友好的界面，以协助教师对题库进行分类，该界面被发现非常易于使用且所需精力极少。 AI

影响 大语言模型为教育问题分类提供了更具通用性的解决方案，有望减轻教师的工作量并提高评估的一致性。

排序理由 学术论文，展示了LLM在特定领域性能的新研究成果。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Abdolali Faraji, Mohammadreza Molavi, Zohreh Rasoulkhani, Mohammadreza Tavakoli, G\'abor Kismih\'ok ·

    Cross-Dataset Bloom Question Classification: Supervised Models and Prompted LLMs

    arXiv:2606.13684v1 Announce Type: cross Abstract: Automatic Bloom's taxonomy classification of assessment questions can substantially reduce instructor workload, but labeling is subjective and teacher-dependent. Prior machine learning (ML) and deep learning (DL) approaches report…

相关实体

相关话题