この記事では、ブルームの分類法に基づいて試験問題と学習成果を自動的に分類する手法が探求されています。600の文章で構成された小規模なデータセットが、知識、理解、応用、分析、統合、評価という六つの認知カテゴリーにラベル付けされ、従来の機械学習モデル（Naive Bayes, ロジスティック回帰, サポートベクターマシン）や再帰型ニューラルネットワーク（LSTM, BiLSTM, GRU）、トランスフォーマーベースのモデル（BERTやRoBERTa）、大規模言語モデル（OpenAI, Geminiなど）を用いて処理されました。サポートベクターマシンは、データ拡張を活用することで94パーセントの精度を達成し、過学習が最小限に抑えられました。一方、RNNモデルとBERTは重度の過学習に悩まされました。特に、OpenAIとGeminiの大規模言語モデルは最も高い評価を得ました。本研究は、限られたデータで複雑なモデルを訓練する際の課題と、単純なアルゴリズムの重要性を示しています。