Word and Phrase Features in Graph Convolutional Network for Automatic Question Classification

要約

効果的な質問の分類は、AI 主導の教育ツールにとって非常に重要であり、アダプティブ ラーニング システムがスキル分野、難易度、能力別に質問を分類できるようになります。
この分類は、教育的な診断と分析をサポートするだけでなく、質問を関連カテゴリに関連付けることにより、情報検索や質問応答などの複雑なタスクを強化します。
従来の方法は、多くの場合、単語の埋め込みや従来の分類子に基づいており、自然言語の微妙な関係を捉えるのに苦労し、次善のパフォーマンスにつながります。
これに対処するために、グラフ畳み込みネットワーク (GCN) を活用し、質問の固有の構造をより適切にモデル化するために、フレーズ質問グラフ畳み込みネットワーク (PQ-GCN) と呼ばれる新しいアプローチを提案します。
質問をグラフとして表すことにより (ノードは単語またはフレーズを表し、エッジは構文的または意味的関係を表します)、私たちの方法では、GCN が言語の相互接続された性質からより効果的に学習できるようになります。
さらに、特にリソースが少ない環境での分類精度を高めるために、フレーズベースの機能の組み込みを検討します。
私たちの調査結果は、これらの機能で強化された GCN が、より正確でコンテキストを認識した質問分類のための有望なソリューションを提供し、グラフ ニューラル ネットワークの研究と実際の教育アプリケーションの間のギャップを埋めることを示しています。

要約(オリジナル)

Effective question classification is crucial for AI-driven educational tools, enabling adaptive learning systems to categorize questions by skill area, difficulty level, and competence. This classification not only supports educational diagnostics and analytics but also enhances complex tasks like information retrieval and question answering by associating questions with relevant categories. Traditional methods, often based on word embeddings and conventional classifiers, struggle to capture the nuanced relationships in natural language, leading to suboptimal performance. To address this, we propose a novel approach leveraging graph convolutional networks (GCNs), named Phrase Question-Graph Convolutional Network (PQ-GCN) to better model the inherent structure of questions. By representing questions as graphs — where nodes signify words or phrases and edges denote syntactic or semantic relationships — our method allows GCNs to learn from the interconnected nature of language more effectively. Additionally, we explore the incorporation of phrase-based features to enhance classification accuracy, especially in low-resource settings. Our findings demonstrate that GCNs, augmented with these features, offer a promising solution for more accurate and context-aware question classification, bridging the gap between graph neural network research and practical educational applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google