TWI773604B - 試題產生方法 - Google Patents

試題產生方法 Download PDF

Info

Publication number
TWI773604B
TWI773604B TW110145307A TW110145307A TWI773604B TW I773604 B TWI773604 B TW I773604B TW 110145307 A TW110145307 A TW 110145307A TW 110145307 A TW110145307 A TW 110145307A TW I773604 B TWI773604 B TW I773604B
Authority
TW
Taiwan
Prior art keywords
word
replacement
phrase
target
vector
Prior art date
Application number
TW110145307A
Other languages
English (en)
Other versions
TW202324185A (zh
Inventor
陳柏熹
謝嘉恩
Original Assignee
國立臺灣師範大學
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 國立臺灣師範大學 filed Critical 國立臺灣師範大學
Priority to TW110145307A priority Critical patent/TWI773604B/zh
Application granted granted Critical
Publication of TWI773604B publication Critical patent/TWI773604B/zh
Publication of TW202324185A publication Critical patent/TW202324185A/zh

Links

Images

Landscapes

  • Making Paper Articles (AREA)
  • Machine Translation (AREA)

Abstract

一種試題產生方法，藉由一運算裝置來實施，該運算裝置儲存有多個用於表達文句之關係的關係詞，每一關係詞對應一用於擷取一詞組的語法規則，該試題產生方法包含以下步驟：(A) 將一相關於一教材的文字檔進行段落切分，以獲得一描述句；(B)將該描述句進行文本前處理，以獲得多個斷詞及其對應之詞性；(C)自該描述句定位出一目標關係詞，該目標關係詞為該等關係詞之其中一者；(D)根據該目標關係詞之語法規則，自該描述句擷取一答案詞組；及(E)根據排除該答案詞組的該描述句及該目標關係詞，產生一試題，並將該答案詞組作為該試題之試題答案。

Description

試題產生方法
本發明是有關於一種試題產生方法，特別是指一種根據一相關於一教材的文字檔產生一試題的試題產生方法。
考試最大的目的是讓學生更清楚地瞭解自己目前的學習情況，反思自己學習中的錯誤。一份好的試題，可以協助老師了解學生學習的程度，以及困難所在，有助於老師調適教學的步調，並作為補救教學的參考依據。
目前試卷的命題多仰賴資深且有經驗的教師，依標準分領域來進行命題，然而命題的過程除了需花費大量人力外，也相當曠日廢時。因此，現今的出版社也看到教師們的困境，紛紛提供了大量的題庫供考試組卷之用，但每當課綱修改或試教材更動時，又會使得題目的來源還是得回歸人力創作，故實有必要提出一解決方案。
因此，本發明的目的，即在提供一種自動命題以節省人力與時間成本的試題產生方法。
於是，本發明試題產生方法，適用於根據一相關於一教材的文字檔產生一試題，且藉由一運算裝置來實施，該運算裝置儲存有多個用於表達文句之關係的關係詞，每一關係詞對應一用於擷取一詞組的語法規則，該試題產生方法包含以下步驟：
(A) 將該文字檔進行段落切分，以獲得一描述句；
(B)將該描述句進行文本前處理，以獲得多個斷詞及其對應之詞性；
(C)自該描述句定位出一目標關係詞，該目標關係詞為該等關係詞之其中一者；
(D)根據該目標關係詞之語法規則，自該描述句擷取一答案詞組；及
(E)根據排除該答案詞組的該描述句及該目標關係詞，產生該試題，並將該答案詞組作為該試題之試題答案。
本發明的功效在於：藉由該運算裝置將該文字檔進行段落切分以獲得該描述句，並自該描述句定位出該目標關係詞，且根據該目標關係詞之語法規則，自該描述句擷取該答案詞組，並根據排除該答案詞組的該描述句及該目標關係詞，產生該試題，並將該答案詞組作為該試題之試題答案，藉此以自動根據該文字檔產生該試題，以達成自動命題以節省人力與時間成本之目的。
參閱圖1，本發明試題產生方法之實施例，適用於根據一相關於一教材的文字檔產生一試題，並藉由一運算裝置1來實施。該運算裝置1包含一儲存模組11及一電連接該儲存模組11的處理模組12。該運算裝置1之實施態樣例如為一伺服器、一個人電腦、一筆記型電腦、一平板電腦或一智慧型手機等。
該儲存模組11儲存有多個用於表達文句之關係的關係詞、一用於擷取一詞組的語法規則、一詞向量轉換模型，及多個詞彙。每一關係詞對應一問題構句，表1示例了每一關係詞所對應的問題構句。在本實施方式中，該等關係詞例如包含具有、稱為、因為、導致、屬於、包含、引起等等，然不以此為限，此外，還可利用該詞向量轉換模型找出相似度高的其他相似詞以擴充該等關係詞。該語法規則可視需求選擇一基本語法規則或一進階語法規則，該基本語法規則用於抓取位於該目標關係詞後且位於除了頓號之標點符號前的斷句中所有連續出現的基本特定詞性之斷詞或頓號，亦即，抓取斷句中的連接於該目標關係詞後且未被其他非基本特定詞性之字詞隔開的所有連續的基本特定詞性之斷詞或頓號，該基本特定詞性可為名詞、形容詞、動詞及連接詞之任一者；該進階語法規則用於抓取位於該目標關係詞後且位於除了頓號之標點符號前的斷句中所有連續出現的進階特定詞性之斷詞或頓號，亦即，抓取斷句中的連接於該目標關係詞後且未被其他非進階特定詞性之字詞隔開的所有連續的進階特定詞性之斷詞或頓號，該進階特定詞性可為名詞、形容詞、動詞、連接詞、副詞及介詞之任一者。該詞向量轉換模型可利用如，gensim或word2vec等套件而訓練出。
關係詞 問題構句
具有 什麼特徵
稱為 下列何者
屬於 下列何種
因為 什麼原因
包含 什麼內容
導致 什麼結果
引起 什麼現象
表1
參閱圖1與圖2，以下將藉由本發明試題產生方法的實施例來說明該運算裝置1的運作細節。
在步驟21中，該處理模組12將該文字檔進行文字清理及字形轉換，以獲得轉換後的該文字檔。其中，文字清理係過濾該文字檔中之亂碼、網頁標籤等等標記，字形轉換係將該文字檔中之將數字轉為半形、符號轉為全形。
在步驟22中，該處理模組12將轉換後的該文字檔進行段落切分，以獲得一描述句。舉例來說，「蕨類植物具有根、莖和葉，是最早演化出維管束的植物」為一示例之描述句，然不以此為限。
在步驟23中，該處理模組12將該描述句進行文本前處理，以獲得多個斷詞及其對應之詞性。其中，該文本前處理可採用如CKIP tagger或Jeiba等中文分詞技術。以「蕨類植物具有根、莖和葉，是最早演化出維管束的植物」之描述句為例，其經文本前處理後可得到「(蕨類,Na)(植物,Na)(具有,VJ)(根,Na)(、,PAUSE)(莖,Na)(和,Caa)(葉,Na)(，,COMMA)(是,SHI)(最早,D)(演化出,VC)(維管束,Na)(的,DE)(植物,Na)」之結果。
在步驟24中，該處理模組12判定該描述句是否包含一目標關係詞，該目標關係詞為該等關係詞之其中一者。當該處理模組12判定出該描述句包含該目標關係詞時，流程進行步驟25；當該處理模組12判定出該描述句不包含該目標關係詞時，流程進行步驟29。
在步驟25中，該處理模組12自該描述句定位出一目標關係詞。以「蕨類植物具有根、莖和葉，是最早演化出維管束的植物」之描述句為例，可定位出「具有」此一目標關係詞。
在步驟26中，該處理模組12根據該目標關係詞及該語法規則，自該描述句擷取一答案詞組。以「蕨類植物具有根、莖和葉，是最早演化出維管束的植物」之描述句為例，並以該基本語法規則來擷取連接於該目標關係詞後且位於除了逗號前的斷句「根、莖和葉」中所有連續出現的基本特定詞性(亦即，名詞、形容詞、動詞及連接詞之任一者)之斷詞或頓號，即可擷取出「根、莖和葉」此一答案詞組。
在步驟27中，該處理模組12根據該答案詞組及該等詞彙，產生多個與該答案詞組相似的誘答詞組。
值得一提的是，步驟27包含以下子步驟(見圖3及圖4)。
在子步驟271中，該處理模組12自該答案詞組選擇一目標詞。
在子步驟272中，該處理模組12根據該目標詞及該答案詞組中相鄰該目標詞的相鄰詞，獲得多個目標詞組合。在本實施例中，該處理模組12係將位於該目標詞前的相鄰詞與該目標詞組成該等目標詞組合之其中一者，並將位於該目標詞後的相鄰詞與該目標詞組成該等目標詞組合之其中另一者。以「根、莖和葉」之答案詞組為例，若目標詞為「根」，則由於「根」前無相鄰詞，故以＜根＞作為該等目標詞組合之其中一者，而以＜根、莖＞作為該等目標詞組合之其中另一者。
在子步驟273中，對於每一目標詞組合，該處理模組12計算出該目標詞組合之一待配對詞向量。
值得一提的是，步驟273包含以下子步驟(見圖5)。
在子步驟273a中，該處理模組12係根據該目標詞組合中之目標詞利用該詞向量轉換模型轉換出該目標詞的目標詞向量。
在子步驟273b中，該處理模組12係根據該目標詞組合中之相鄰詞利用該詞向量轉換模型轉換出該相鄰詞的相鄰詞向量。
在子步驟273c中，該處理模組12計算該目標詞向量與該相鄰詞向量之中心，以獲得該目標詞組合之一待配對詞向量。
在子步驟274中，對於每一詞彙，該處理模組12根據該詞彙利用該詞向量轉換模型轉換出該詞彙的詞彙向量。
在子步驟275中，對於每一目標詞組合，該處理模組12根據該目標詞組合之待配對詞向量及該等詞彙之詞彙向量，自該等詞彙選取出至少一候選詞彙，其中，該至少一候選詞彙之詞彙向量與該目標詞組合之待配對詞向量的相似度為排序最高或前幾高，當該至少一候選詞彙之數目為一個時，即選擇對應有相似度最高的詞彙作為該候選詞彙，當該至少一候選詞彙之數目為N個時，即選擇對應有相似度前N高的詞彙作為該等候選詞彙。
在子步驟276中，該處理模組12根據該目標詞之目標詞向量及每一候選詞彙的詞彙向量，自所有候選詞彙選取出一替換詞彙。其中，該替換詞彙之詞彙向量與該目標詞之目標詞向量的相似度大於一門檻值。
在子步驟277中，該處理模組12將該答案詞組中的目標詞替換為該替換詞彙，以獲得一替換詞組。假設選擇出之替換詞彙為「芽」，則該替換詞組即為「芽、莖和葉」。
在子步驟278中，該處理模組12根據該答案詞組及該替換詞組，判定是否將該替換詞組作為該等誘答詞組之其中一者。當該處理模組12判定出不將該替換詞組作為該等誘答詞組之其中一者時，流程進行子步驟279；當該處理模組12判定出將該替換詞組作為該等誘答詞組之其中一者時，流程進行子步驟280。
值得一提的是，子步驟278包含以下子步驟(見圖6)。
在子步驟278a中，該處理模組12計算該替換詞組之一替換詞向量。其中，該處理模組12係將該替換詞組中之每一詞彙利用該詞向量轉換模型轉換出該替換詞組中之每一詞彙的詞彙向量，且計算該替換詞組中之所有詞彙之詞彙向量的中心，以獲得該替換詞組之替換詞向量。
在子步驟278b中，該處理模組12計算該答案詞組之一答案詞向量。其中，該處理模組12係將該答案詞組中之每一詞彙利用該詞向量轉換模型轉換出該答案詞組中之每一詞彙的詞彙向量，且計算該答案詞組中之所有詞彙之詞彙向量的中心，以獲得該答案詞組之答案詞向量。
在子步驟278c中，該處理模組12判定該替換詞向量與該答案詞向量之相似度是否大於一基準值，以判定是否將該替換詞組作為該等誘答詞組之其中一者。當該處理模組12判定出該替換詞向量與該答案詞向量之相似度不大於該基準值時，即判定不將該替換詞組作為該等誘答詞組之其中一者，流程進行子步驟279；當該處理模組12判定出該替換詞向量與該答案詞向量之相似度大於該基準值時，即判定將該替換詞組作為該等誘答詞組之其中一者，流程進行子步驟280。
在子步驟279中，該處理模組12自該答案詞組選擇另一目標詞，並回到步驟272。
在子步驟280中，該處理模組12將該替換詞組作為該等誘答詞組之其中一者。
在子步驟281中，該處理模組12根據該替換詞彙及該替換詞組中相鄰該替換詞彙的相鄰詞，獲得多個替換詞組合。在本實施例中，該處理模組12係將位於該替換詞彙前的相鄰詞與該替換詞彙組成該等替換詞組合之其中一者，並將位於該替換詞彙後的相鄰詞與該替換詞彙組成該等替換詞組合之其中另一者。
在子步驟282中，對於每一替換詞組合，該處理模組12計算出該替換詞組合之另一待配對詞向量。類似的，該處理模組12亦是根據該替換詞組合中之替換詞彙利用該詞向量轉換模型轉換出該替換詞彙的替換詞彙向量，並根據該替換詞組合中之相鄰詞利用該詞向量轉換模型轉換出該相鄰詞的相鄰詞向量，且計算該替換詞彙向量與該相鄰詞向量之中心，以獲得該替換詞組合之另一待配對詞向量。
在子步驟283中，對於每一替換詞組合，該處理模組12根據該替換詞組合之待配對詞向量及該等詞彙之詞彙向量，自該等詞彙選取出至少另一候選詞彙，其中，該至少另一候選詞彙之詞彙向量與該替換詞組合之待配對詞向量的相似度為排序最高或前幾高，當該至少另一候選詞彙之數目為一個時，即選擇對應有相似度最高的詞彙作為該另一候選詞彙，當該至少另一候選詞彙之數目為N個時，即選擇對應有相似度前N高的詞彙作為該等另一候選詞彙。
在子步驟284中，該處理模組12根據該目標詞之目標詞向量及每一另一候選詞彙的詞彙向量，自所有另一候選詞彙選取出另一替換詞彙。其中，該另一替換詞彙之詞彙向量與該目標詞之目標詞向量的相似度大於該門檻值。
在子步驟285中，該處理模組12將該替換詞組中的替換詞彙替換為另一替換詞彙，以獲得另一替換詞組。
在子步驟286中，該處理模組12根據該替換詞組及該另一替換詞組，判定是否將該另一替換詞組作為該等誘答詞組之其中一者。當該處理模組12判定出不將該另一替換詞組作為該等誘答詞組之其中一者時，流程進行子步驟287；當該處理模組12判定出將該另一替換詞組作為該等誘答詞組之其中一者時，流程進行子步驟288。值得一提的是，該處理模組12判定是否將該另一替換詞組作為該等誘答詞組之其中一者的判定流程與子步驟278a~子步驟278c類似，故於此不再重述其細節。
在子步驟287中，該處理模組12自該答案詞組選擇另一目標詞，並回到步驟272。
在子步驟288中，該處理模組12將該另一替換詞組作為該等誘答詞組之其中一者。
在子步驟289中，該處理模組12回到步驟281以獲得不同之誘答詞組，其中在下一次執行步驟281時，該另一替換詞彙作為該替換詞彙，該另一替換詞組作為該替換詞組。
在步驟28中，該處理模組12根據排除該答案詞組的該描述句、該目標關係詞及該等誘答詞組，產生該試題，並將該等誘答詞組作為該試題之誘答選項，且將該答案詞組作為該試題之試題答案。其中，該處理模組12係根據排除該答案詞組的該描述句、該目標關係詞及該目標關係詞所對應之問題構句，產生該試題。藉此，即可產生選擇題型之試題。表2示例出所產生之選擇題型的試題。
蕨類植物具有什麼特徵，是最早演化出維管束的植物
(A)芽、莖和葉 誘答詞組
(B)根、莖和葉 答案詞組
(C)塊根、莖和葉 誘答詞組
(D)根、莖和葉脈 誘答詞組
表2
值得特別說明的是，經由步驟27之執行，即可產生選擇題型的試題，然而，在其他實施方式中，亦可不執行步驟27而產生簡答題型，此時，在步驟28中，該處理模組12係根據排除該答案詞組的該描述句、該目標關係詞，及該目標關係詞所對應之問題構句，產生該試題，並將該答案詞組作為該試題之試題答案。藉此，即可產生簡答題型之試題。舉例來說，簡答題型之試題可為「蕨類植物具有什麼特徵，是最早演化出維管束的植物」。
在步驟29中，對於該描述句之每一斷詞，該處理模組12計算該斷詞的斷詞權重值。
值得特別說明的是，步驟29包含以下子步驟(見圖7)。
在子步驟291中，對於該描述句之每一斷詞，該處理模組12根據該斷詞利用該詞向量轉換模型轉換出該斷詞的斷詞向量。
在子步驟292中，對於該描述句之每一斷詞，該處理模組12計算排除該斷詞後之剩餘的斷詞之斷詞向量的中心，以獲得一剩餘斷詞向量。
在子步驟293中，對於該描述句之每一斷詞，該處理模組12計算該斷詞之斷詞向量與排除該斷詞後之剩餘斷詞向量間之一餘弦相似度，並以所計算出之餘弦相似度作為該斷詞之斷詞權重值。當所計算出之餘弦相似度越大，即代表該斷詞在該描述句的權重越高。
在步驟30中，該處理模組12將權重最高的斷詞作為一答案，並根據排除該答案的該描述句，產生該試題。藉此，即可產生填空題型之試題。
綜上所述，本發明試題產生方法，藉由該運算裝置1將該文字檔進行段落切分以獲得該描述句，並自該描述句擷取答案，並產生該試題，藉此以自動根據該文字檔產生該試題，並可依不同情境產生如選擇題型、簡答題型或填空題型之試題，藉此達成自動命題以節省人力與時間成本之目的，故確實能達成本發明的目的。
惟以上所述者，僅為本發明的實施例而已，當不能以此限定本發明實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本發明專利涵蓋的範圍內。
1:運算裝置 11:儲存模組 12:處理模組 21~30:步驟 271~289:子步驟 273a~273c:子步驟 278a~278c:子步驟 291~293:子步驟
本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中： 圖1是一方塊圖，說明實施本發明試題產生方法之實施例的一運算裝置； 圖2是一流程圖，說明本發明試題產生方法之實施例； 圖3與圖4皆是一流程圖，配合說明一處理模組如何產生多個誘答詞組； 圖5是一流程圖，說明該處理模組如何計算一目標詞組合之一待配對詞向量； 圖6是一流程圖，說明該處理模組如何判定是否將一替換詞組作為該等誘答詞組之其中一者；及 圖7是一流程圖，說明該處理模組如何計算每一斷詞權重值。
21~30:步驟

Claims (8)

  1. 一種試題產生方法，適用於根據一相關於一教材的文字檔產生一試題，且藉由一運算裝置來實施，該運算裝置儲存有多個用於表達文句之關係的關係詞、一用於擷取一詞組的語法規則，及多個詞彙，該試題產生方法包含以下步驟：(A)將該文字檔進行段落切分，以獲得一描述句；(B)將該描述句進行文本前處理，以獲得多個斷詞及其對應之詞性；(C)自該描述句定位出一目標關係詞，該目標關係詞為該等關係詞之其中一者；(D)根據該目標關係詞及該語法規則，自該描述句擷取一答案詞組；(F)根據該答案詞組及該等詞彙，產生多個與該答案詞組相似的誘答詞組；及(E)根據排除該答案詞組的該描述句、該目標關係詞及該等誘答詞組，產生該試題，並將該答案詞組作為該試題之試題答案，且將該等誘答詞組作為該試題之誘答選項。
  2. 如請求項1所述的試題產生方法，其中，步驟(F)包含以下子步驟：(F-1)自該答案詞組選擇一目標詞；(F-2)根據該目標詞及該答案詞組中相鄰該目標詞的 相鄰詞，獲得多個目標詞組合；(F-3)對於每一目標詞組合，計算出該目標詞組合之一待配對詞向量；(F-4)對於每一目標詞組合，根據該目標詞組合之待配對詞向量及該等詞彙之詞彙向量，自該等詞彙選取出至少一候選詞彙；(F-5)根據該目標詞之目標詞向量及每一候選詞彙的詞彙向量，自所有候選詞彙選取出一替換詞彙，其中，該替換詞彙之詞彙向量與該目標詞之目標詞向量的相似度大於一門檻值；(F-6)將該答案詞組中的目標詞替換為該替換詞彙，以獲得一替換詞組(F-7)根據該答案詞組及該替換詞組，判定是否將該替換詞組作為該等誘答詞組之其中一者；(F-8)當判定出將該替換詞組作為該等誘答詞組之其中一者時，將該替換詞組作為該等誘答詞組之其中一者；(F-9)根據該替換詞彙及該替換詞組中相鄰該替換詞彙的相鄰詞，獲得多個替換詞組合；(F-10)對於每一替換詞組合，計算出該替換詞組合之另一待配對詞向量；(F-11)對於每一替換詞組合，根據該替換詞組合之待配對詞向量及該等詞彙之詞彙向量，自該等詞彙選取出至 少另一候選詞彙；(F-12)根據該目標詞之目標詞向量及每一另一候選詞彙的詞彙向量，自所有另一候選詞彙選取出另一替換詞彙，其中，該另一替換詞彙之詞彙向量與該目標詞之目標詞向量的相似度大於該門檻值；(F-13)將該替換詞組中的替換詞彙替換為另一替換詞彙，以獲得另一替換詞組，(F-14)根據該替換詞組及該另一替換詞組，判定是否將該另一替換詞組作為該等誘答詞組之其中一者；(F-15)當判定出將該另一替換詞組作為該等誘答詞組之其中一者時，將該另一替換詞組作為該等誘答詞組之其中一者；及(F-16)回到步驟(F-9)以獲得不同之誘答詞組，其中在下一次執行步驟(F-9)時，該另一替換詞彙作為該替換詞彙，該另一替換詞組作為該替換詞組。
  3. 如請求項2所述的試題產生方法，其中，子步驟(F-7)包含以下子步驟：(F-7-1)計算該替換詞組之一替換詞向量；(F-7-2)計算該答案詞組之一答案詞向量；及(F-7-3)判定該替換詞向量與該答案詞向量之相似度是否大於一基準值，以判定是否將該替換詞組作為該等誘答詞組之其中一者。
  4. 如請求項2所述的試題產生方法，其中，在子步驟(F-7)後，還包含以下子步驟：(F-17)當判定出不將該替換詞組作為該等誘答詞組之其中一者時，自該答案詞組選擇另一目標詞，並回到步驟(F-2)。
  5. 如請求項2所述的試題產生方法，其中，在步驟(F-2)中，係將位於該目標詞前的相鄰詞與該目標詞組成該等目標詞組合之其中一者，並將位於該目標詞後的相鄰詞與該目標詞組成該等目標詞組合之其中另一者。
  6. 如請求項5所述的試題產生方法，其中，在步驟(F-3)中，對於每一目標詞組合，係根據該目標詞組合中之目標詞的目標詞向量及該目標詞組合中之相鄰詞的相鄰詞向量，計算出該目標詞組合之一待配對詞向量。
  7. 如請求項5所述的試題產生方法，該運算裝置還儲存有一詞向量轉換模型，其中，在步驟(F-3)中，該目標詞向量係藉由將該目標詞利用該詞向量轉換模型而轉換出，該相鄰詞向量係藉由將該相鄰詞利用該詞向量轉換模型而轉換出，且在步驟(F-4)中，每一詞彙向量係藉由將所對應之詞彙利用該詞向量轉換模型而轉換出。
  8. 如請求項1所述的試題產生方法，在步驟(A)之前，還包含以下步驟：(G)將該文字檔進行文字清理及字形轉換，以獲得轉 換後的該文字檔；其中，在步驟(A)中，係將轉換後的該文字檔進行段落切分。
TW110145307A 2021-12-03 2021-12-03 試題產生方法 TWI773604B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW110145307A TWI773604B (zh) 2021-12-03 2021-12-03 試題產生方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110145307A TWI773604B (zh) 2021-12-03 2021-12-03 試題產生方法

Publications (2)

Publication Number Publication Date
TWI773604B true TWI773604B (zh) 2022-08-01
TW202324185A TW202324185A (zh) 2023-06-16

Family

ID=83806968

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110145307A TWI773604B (zh) 2021-12-03 2021-12-03 試題產生方法

Country Status (1)

Country Link
TW (1) TWI773604B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102789380A (zh) * 2011-05-20 2012-11-21 智学馆科技有限公司 电子试卷的生成方法
TW201301059A (zh) * 2011-06-21 2013-01-01 Univ Nan Kai Technology 由檔案中抽取試題之系統及其方法
TWI396100B (zh) * 2007-10-12 2013-05-11 Hon Hai Prec Ind Co Ltd 考試試卷生成系統及方法
TW201349159A (zh) * 2012-05-31 2013-12-01 Han Lin Publishing Co Ltd 產生學習試題的方法及其系統
TWM546586U (zh) * 2017-03-16 2017-08-01 Kang Hsuan Educational Publish Corp 試卷的命題及閱卷系統
TWI663583B (zh) * 2018-08-13 2019-06-21 國立臺灣師範大學 發散思維測驗自動評分方法及系統

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI396100B (zh) * 2007-10-12 2013-05-11 Hon Hai Prec Ind Co Ltd 考試試卷生成系統及方法
CN102789380A (zh) * 2011-05-20 2012-11-21 智学馆科技有限公司 电子试卷的生成方法
TW201301059A (zh) * 2011-06-21 2013-01-01 Univ Nan Kai Technology 由檔案中抽取試題之系統及其方法
TW201349159A (zh) * 2012-05-31 2013-12-01 Han Lin Publishing Co Ltd 產生學習試題的方法及其系統
TWM546586U (zh) * 2017-03-16 2017-08-01 Kang Hsuan Educational Publish Corp 試卷的命題及閱卷系統
TWI663583B (zh) * 2018-08-13 2019-06-21 國立臺灣師範大學 發散思維測驗自動評分方法及系統

Also Published As

Publication number Publication date
TW202324185A (zh) 2023-06-16

Similar Documents

Publication Publication Date Title
US9342499B2 (en) Round-trip translation for automated grammatical error correction
US9443513B2 (en) System and method for automated detection of plagiarized spoken responses
Patel et al. ES2ISL: an advancement in speech to sign language translation using 3D avatar animator
Zhang et al. HANSpeller++: A unified framework for Chinese spelling correction
CN108280065B (zh) 一种外文文本评价方法及装置
Rennes et al. A tool for automatic simplification of swedish texts
Kwankajornkiet et al. Automatic multiple-choice question generation from Thai text
Nerabie et al. The impact of Arabic part of speech tagging on sentiment analysis: A new corpus and deep learning approach
Liu Research on the development of computer intelligent proofreading system based on the perspective of English translation application
Fatima et al. A novel Wikipedia based dataset for monolingual and cross-lingual summarization
Yousif Hidden Markov Model tagger for applications based Arabic text: A review
Dall et al. Redefining the Linguistic Context Feature Set for HMM and DNN TTS Through Position and Parsing.
TWI773604B (zh) 試題產生方法
Lee et al. Detection of non-native sentences using machine-translated training data
Younes et al. Survey on corpora availability for the tunisian dialect automatic processing
CN111814433B (zh) 一种维吾尔语实体识别的方法、装置和电子设备
CN114861628A (zh) 训练机器翻译模型的系统、方法、电子设备及存储介质
CN113886521A (zh) 一种基于相似词汇表的文本关系自动标注方法
Raza et al. Saraiki Language Word Prediction And Spell Correction Framework
CN110674871B (zh) 面向翻译译文的自动评分方法及自动评分系统
Ab Aziz et al. Automated marking system for short answer examination (AMS-SAE)
Bacatan et al. Detection of intra-sentential code-switching points using word bigram and unigram frequency count
Khandait et al. Automatic question generation through word vector synchronization using lamma
Wang et al. A bootstrapping method for extracting sentiment words using degree adverb patterns
Khan et al. A corpus based sql formation from bangla language using neural machine translation