Детальная информация

Данная работа посвящена разработке алгоритма автоматической генерации дистракторов для лексико-грамматических заданий с множественным вариантом ответа на материале ЕГЭ по английскому языку. Задачи, которые решались в ходе исследования: 1) Сбор и анализ научной и методическую литературы и технической документации по всем аспектам ВКР; 2) Проведение анализа существующих типов языковых тестовых заданий в формате множественного выбора, применяемых в государственной итоговой аттестации (ЕГЭ); 3) Изучение современных программных решений генерации дистракторов на базе дистрибутивно-семантических моделей; 4) Сбор корпуса учебных текстов; 5) Разрабка алгоритма автоматического выделения ключевых слов; 6) Разработка алгоритма автоматизированного подбора дистракторов к ключевым словам с использованием семантических моделей; 7) Проведение оценки качества автоматически сгенерированных тестовых заданий. Для достижения указанных результатов использовались современные средства обработки естественного языка и анализа данных: Python, Google Colab. Библиотеки для обработки текста: Gensim, spaCy, pandas. Семантическе модели: Word2Vec, DistilBERT.

This work is devoted to the development of an algorithm for the automatic generation of distractors for lexico grammatical tasks with multiple choice answers based on the material of the Unified State Exam in English. Tasks that were solved during the research: 1) Collection and analysis of scientific and methodological literature and technical documentation on all aspects of the WRC; 2) Conducting an analysis of the existing types of language test tasks in the multiple choice format used in the state final assessment (USE); 3) The study of modern software solutions for generating distractors based on distributive semantic models; 4) Collection of the corpus of educational texts; 5) Development of an algorithm for automatic keyword extraction; 6) Development of an algorithm for automated selection of distractors for keywords using semantic models; 7) Conducting an assessment of the quality of automatically generated test tasks. To achieve these results, modern natural language processing and data analysis tools were used: Python, Google Colab. Libraries for text processing: Gensim, spaCy, pandas. Semantically, the models are: Word2Vec, DistilBERT.