UA : Робота викладена на 67 сторінках друкованого тексту, містить 22 рисунки, 6 джерел. Об’єкт дослідження – технології автоматизації процесу оцінювання знань у навчальному процесі. Це включає в себе методи та алгоритми для створення тестових завдань, адаптації тестів до рівня знань студентів та аналізу результатів тестування. Мета роботи: проектування та розробка системи для автоматизованого формування тестів, яка допомагає: генерувати тестові завдання відповідно до індивідуального рівня знань студентів, адаптувати складність питань на основі результатів попередніх тестувань, спрощувати процес управління тестами для викладачів, забезпечуючи ефективний та персоналізований підхід до оцінювання знань. Метод дослідження – Аналіз та синтез: Файл generate_test.py містить функцію generate_test, яка вибирає питання на основі правил і рівня знань. Моделювання: Файл generate_test.py включає функцію predict_student_level, яка використовує модель машинного навчання для прогнозування рівня складності. Експериментальний метод: Файл analyze_test_results.py забезпечує аналіз результатів тестування та коригування рівня складності питань. Комп'ютерне моделювання: Всі компоненти коду, включаючи app.py, generate_test.py, та аnalyze_test_results.py, інтегровані для забезпечення комплексного підходу до автоматизації формування тестів.
EN : The work is presented on 67 pages of printed text, 22 figures, 6 references. Object of the study – automation technologies for the knowledge assessment process in the educational process. This includes methods and algorithms for creating test tasks, adapting tests to the students' knowledge levels, and analyzing test results. Aim of the study: Designing and developing a system for automated test generation, which helps to: generate test tasks according to the individual level of students' knowledge, adapt the complexity of questions based on previous test results, simplify the test management process for educators, ensuring an effective аnd personalized approach to knowledge assessment. Methods of research – Analysis and synthesis: The generate_test.py file contains the generate_test function, which selects questions based on rules and knowledge levels. Modeling: The generate_test.py file includes the predict_student_level function, which uses a machine learning model to predict the difficulty level. Experimental method: The analyze_test_results.py file provides the analysis of test results and the adjustment of question difficulty levels. Computer modeling: All components of the code, including app.py, generate_test.py, and analyze_test_results.py, are integrated to provide a comprehensive approach to automated test generation.
