本研究基于大型语言模型开发了 EduQG,该模型能够自动生成出优质的教育问题,以实现在数字化教育材料和可扩展的 e-learning 系统背景下的 AI 协助个性化学习。
Dec, 2022
本研究开发了一个基于语言模型的教育问题生成模型,通过在科学文本和科学问题数据上进行进一步的预训练和微调,能够生成优质的教育问题,从而在自我评估和在线教育方面具有重要的应用潜力。
May, 2023
通过人工评估,控制型文本生成与问题分类法相结合生成的高质量、多样化问题,被认为对教师和学生的教学内容质量有较大的提升作用,具有在教学环境中广泛使用的潜力。
Apr, 2023
本文重点探索了如何以教育为目的改进自动化问题生成技术,通过了解教师如何构建问题并确认增强 NLP 模型的触点来提高其可用性。作者观察到教师在使用 NLP 系统来支持问题设计方面表现出极大的兴趣,但实践中仍未被广泛采用。因此,作者呼吁建立强调教师控制和可解释性的有效人 - NLP 协作的 QG 系统,提供过程支持,使用模块化设计,处理各种输入来源。
Apr, 2022
研究了如何使用自动生成的问题作为智能辅导系统中个性化反馈的一种方法,此方法利用了因果分析和自然语言处理转换器模型以识别学生答案中的正确和错误部分,并训练了几个模型,以促使学生朝向正确的答案,并最终显示该方法对学生的学习效果提升达到 45%,拥有潜力改善生成式问答系统。
Jun, 2022
本文介绍了一项新的任务,旨在为在线语言学习提供个性化的练习生成,我们结合知识追踪模型和受控文本生成模型,训练并在 Duolingo 的真实学习者交互数据上评估我们的模型,并展示了学生个性化生成的优越性能以及模型在教育应用中的潜在用途。
Jun, 2023
文章探讨了如何使用基于学习理论的自动提问生成器来生成能够提升教材阅读理解的问题,通过教育专家的实验评估,结果表明生成的问题语言质量高,并且询问了与给定文本相关的中心信息,在特定学习场景中可以促进阅读理解。
Oct, 2021
应用基于大型语言模型的问题生成方法,考虑教学需求,通过实验验证教师对自动生成问题的喜好,结果显示教师更愿意使用自动生成的问题写测验,并且这样的测验在质量上不亚于手写版本,甚至可以提高测验质量,显示了课堂环境中大规模使用问题生成的潜力。
Jan, 2024
该研究采用基于注意力机制的序列自学习模型进行阅读理解中基于句子的自动问题生成,相比于之前的工作,该模型不依赖于手工规则或复杂的自然语言处理技术,并在人工和自动评估中都呈现出更加自然和困难的问题。
Apr, 2017
本文提出一种多选题智能生成系统,利用预训练的语言模型,根据规定的性能指标,通过读取理解语料库来生成语法准确,具有可回答性、多样性和复杂性的问题及选项。
Sep, 2022