Response-free item difficulty modelling for multiple-choice items with fine-tuned transformers: Component-wise representation and multi-task learning

작성자

Haebom

카테고리

Empty

저자

Jan Netik, Patricia Martinkova

💡 개요

본 논문은 응답 데이터 없이 객관식 문항의 난이도를 모델링하는 새로운 방법론을 제안합니다. 기존의 수동적인 특징 추출 방식 대신, 트랜스포머 모델을 문항 텍스트에 대해 직접 파인튜닝하여 정보 손실을 최소화합니다. 또한, 문항 구성 요소별 인코딩과 다중 작업 학습을 통해 모델 성능을 더욱 향상시키고자 합니다.

🔑 시사점 및 한계

•

응답 데이터 없이도 문항 텍스트 자체로부터 난이도 정보를 효과적으로 추출할 수 있음을 보였습니다.

•

다중 작업 학습 방식은 특히 소규모 훈련 데이터셋 환경에서 유의미한 성능 향상을 가져왔습니다.

•

구성 요소별 인코딩 방식은 명확한 이점을 보이지 않았으며, 이는 트랜스포머의 자체 주의 메커니즘이 이미 구성 요소 간 신호를 잘 포착하기 때문으로 해석됩니다.

•

향후 연구에서는 심리 측정학적 확장을 위한 사용자 정의 가능한 인터페이스를 개발할 필요가 있습니다.

PDF 보기

Made with Slashpage