Розробка автоматизованої системи генерації питань з мультимедійного контенту з використанням перетворювача тексту в текст з класифікацією таксономії Блума

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2026.355867

Ключові слова:

автоматизована генерація питань, мультимедіа, трансформатор T5, таксономія Блума, BLEU, ROUGE

Анотація

Об'єктом цього дослідження є процес оцінювання в цифрових навчальних середовищах, де мультимедійні навчальні матеріали, такі як текстові документи та навчальні зображення, потребують ефективних методів автоматичної генерації питань. Основною досліджуваною проблемою є складність створення високоякісних, релевантних питань з різних мультимедійних навчальних матеріалів (тексту та зображень). Запропоновано мультимедійну систему генерації питань, яка інтегрує модель перетворення тексту в текст (T5) з класифікацією на основі таксономії Блума. Було створено робочий процес попередньої обробки, який витягує та поєднує текстові представлення з тексту та зображень за допомогою оптичного розпізнавання символів (OCR) для токенізації даних та виконує розпізнавання іменованих сутностей (NER). Програма генератора питань може генерувати різні типи питань, включаючи питання з вибором однієї правильної відповіді, питання з короткою відповіддю та есе. Ці питання класифікуються відповідно до таксономії Блума. Згенеровані питання були оцінені за допомогою двомовного методу оцінювання (BLEU) та методу оцінювання, орієнтованого на повторення, для технічного опису (ROUGE). Експериментальні результати продемонстрували високу продуктивність із середніми балами BLEU-1 = 0,86, BLEU-2 = 0,79, ROUGE-1 = 0,88 та ROUGE-2 = 0,81. Оцінки вказують на те, що програма-генератор мультимодальних вікторин створює високоякісні та контекстуально релевантні питання. Оцінки показують подібність між контрольними питаннями та згенерованими питаннями, причому структуровані питання отримують вищі бали, ніж питання у формі есе. Система дозволяє використовувати її в освіті та інтелектуальних системах навчання для створення вимірних, ефективних оцінок. Метод, запропонований у цьому дослідженні, обмежується мультимедійним введенням, що складається з тексту та зображень

Біографії авторів

Marvin Chandra Wijaya, Maranatha Christian University

Philosophy Doctor of Information Communication Technology, Associate Professor

Department of Computer Engineering

Markus Tanubrata, Maranatha Christian University

Senior Lecturer

Department of Computer Engineering

Посилання

  1. Kurdi, G., Leo, J., Parsia, B., Sattler, U., Al-Emari, S. (2019). A Systematic Review of Automatic Question Generation for Educational Purposes. International Journal of Artificial Intelligence in Education, 30 (1), 121–204. https://doi.org/10.1007/s40593-019-00186-y
  2. Raffel, C., Shazeer, N., Roberts, A., Lee, K., Narang, S., Matena, M. et al. (2020). Exploring the limits of transfer learning with a unified text-to-text transformer. Journal of Machine Learning Research, 21. https://doi.org/10.48550/arXiv.1910.10683
  3. Zhou, L., Hu, J., Zhang, S., Du, X., Song, M., Zhang, X., Feng, Z. (2024). DenseSAM: Semantic Enhance SAM for Efficient Dense Object Segmentation. Proceedings of the Thirty-ThirdInternational Joint Conference on Artificial Intelligence, 7994–8002. https://doi.org/10.24963/ijcai.2024/889
  4. Adhikari, Y. (2024). A Review of Revised Bloom’s Taxonomy of Educational Objectives. Education Review Journal, 1, 115–126. https://doi.org/10.3126/erj.v1i1.82852
  5. Du, X., Shao, J., Cardie, C. (2017). Learning to Ask: Neural Question Generation for Reading Comprehension. Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), 1342–1352. https://doi.org/10.18653/v1/p17-1123
  6. Rus, V., Wyse, B., Piwek, P., Lintean, M., Stoyanchev, S., Moldovan, C. (2010). The first question generation shared task evaluation challenge. in Proceedings of the 6th International Natural Language Generation Conference, 251–257. Available at: https://aclanthology.org/W10-4234/
  7. Sun, X., Liu, J., Lyu, Y., He, W., Ma, Y., Wang, S. (2018). Answer-focused and Position-aware Neural Question Generation. Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing, 3930–3939. https://doi.org/10.18653/v1/d18-1427
  8. Zhao, Y., Ni, X., Ding, Y., Ke, Q. (2018). Paragraph-level Neural Question Generation with Maxout Pointer and Gated Self-attention Networks. Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing, 3901–3910. https://doi.org/10.18653/v1/d18-1424
  9. Devlin, J., Chang, M.-W., Lee, K., Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proceedings of the 2019 Conference of the North. https://doi.org/10.18653/v1/n19-1423
  10. Wijaya, M. C. (2021). Automatic Short Answer Grading System in Indonesian Language Using BERT Machine Learning. Revue d’Intelligence Artificielle, 35 (6), 503–509. https://doi.org/10.18280/ria.350609
  11. Alzubi, J. A., Jain, R., Singh, A., Parwekar, P., Gupta, M. (2021). COBERT: COVID-19 Question Answering System Using BERT. Arabian Journal for Science and Engineering, 48 (8), 11003–11013. https://doi.org/10.1007/s13369-021-05810-5
  12. Wijaya, M. C. (2025). Development of adaptive congestion control mechanism for real-time multimedia streaming in variable network condition. Eastern-European Journal of Enterprise Technologies, 5 (9 (137)), 54–63. https://doi.org/10.15587/1729-4061.2025.339985
  13. Oliinyk, V., Biziuk, A., Deineko, Z., Chelombitko, V. (2025). Formalization of text prompts to artificial intelligence systems. Eastern-European Journal of Enterprise Technologies, 5 (2 (137)), 84–97. https://doi.org/10.15587/1729-4061.2025.335473
  14. Omarkhanova, D., Oralbekova, Z. (2024). Interpretation of georadar data based on machine learning technologies. EUREKA: Physics and Engineering, 4, 193–204. https://doi.org/10.21303/2461-4262.2024.003289
  15. Baek, J., Kim, G., Lee, J., Park, S., Han, D., Yun, S. et al. (2019). What Is Wrong With Scene Text Recognition Model Comparisons? Dataset and Model Analysis. 2019 IEEE/CVF International Conference on Computer Vision (ICCV), 4714–4722. https://doi.org/10.1109/iccv.2019.00481
  16. Antol, S., Agrawal, A., Lu, J., Mitchell, M., Batra, D., Zitnick, C. L., Parikh, D. (2015). VQA: Visual Question Answering. 2015 IEEE International Conference on Computer Vision (ICCV), 2425–2433. https://doi.org/10.1109/iccv.2015.279
  17. Gummineni, M. (2020). Implementing Bloom’s Taxonomy Tool for Better Learning Outcomes of PLC and Robotics Course. International Journal of Emerging Technologies in Learning (iJET), 15 (05), 184. https://doi.org/10.3991/ijet.v15i05.12173
  18. Voloshchuk, Y., Mitsa, O. (2025). Determining the effectiveness of GPT-4.1-mini for multiclass text categorization. Eastern-European Journal of Enterprise Technologies, 5 (2 (137)), 98–106. https://doi.org/10.15587/1729-4061.2025.340492
  19. Gani, M. O., Ayyasamy, R. K., Sangodiah, A., Fui, Y. T. (2023). Bloom’s Taxonomy-based exam question classification: The outcome of CNN and optimal pre-trained word embedding technique. Education and Information Technologies, 28 (12), 15893–15914. https://doi.org/10.1007/s10639-023-11842-1
  20. Chatoui, H., Ata, O. (2021). Automated Evaluation of the Virtual Assistant in Bleu and Rouge Scores. 2021 3rd International Congress on Human-Computer Interaction, Optimization and Robotic Applications (HORA), 1–6. https://doi.org/10.1109/hora52670.2021.9461351
Розробка автоматизованої системи генерації питань з мультимедійного контенту з використанням перетворювача тексту в текст з класифікацією таксономії Блума

##submission.downloads##

Опубліковано

2026-06-30

Як цитувати

Wijaya, M. C., & Tanubrata, M. (2026). Розробка автоматизованої системи генерації питань з мультимедійного контенту з використанням перетворювача тексту в текст з класифікацією таксономії Блума. Eastern-European Journal of Enterprise Technologies, 3(9 (141), 61–70. https://doi.org/10.15587/1729-4061.2026.355867

Номер

Том 3 № 9 (141) (2026): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2026 Marvin Chandra Wijaya, Markus Tanubrata

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.