Accelerating exam creation : design and empirical evaluation of a retrieval-augmented generative AI tool for MCQ generation
Abstract
Diese Masterarbeit untersucht das Potenzial generativer Künstlicher Intelligenz (KI), insbesondere großer Sprachmodelle (Large Language Models, LLMs), zur Steigerung von Effizienz und Qualität bei der Erstellung von Multiple-Choice-Fragen (MCQs) für Prüfungen im Hochschulbereich. Trotz jüngster Fortschritte in der KI-gestützten Inhaltserstellung stehen Lehrende weiterhin vor erheblichen Herausforderungen bei der Entwicklung qualitativ hochwertiger, kontextuell relevanter Prüfungsfragen, die mit den Lernzielen übereinstimmen. Um diese Lücke zu schließen, wurde ein spezialisiertes KI-gestütztes Tool auf Basis einer Retrieval-Augmented-Generation (RAG)-Pipeline entwickelt. Das Tool kombiniert vorlesungsspezifische Inhalte mit gezielt gestalteten Prompts zur Generierung von MCQs, die auf das Kursmaterial zugeschnitten sind.
Read the paper
Related studies
- Knowledge Management Perspective of Generative Artificial Intelligence
- Navigating Generative Artificial Intelligence Promises and Perils for Knowledge and Creative Work
- Characterizing the evolving research on enterprise content management
- Large language models and multimodal foundation models for precision oncology
- From Generative AI to Extended Reality: Multidisciplinary Perspectives on the Challenges, Opportunities, and Future of Educational Computing
- Generative Artificial Intelligence: A New Engine for Advancing Environmental Science and Engineering
Go deeper in Evidence Hub
Evidence Hub adds a study data sheet (design, sample size, evidence level, key numbers), an AI summary and a chat grounded in the paper's text.