本文提出一个 QAG 框架，通过生成不同的疑问句和隐式 / 显式答案，增强 QA 类型的多样性，该框架包括 QFS 基于答案生成器、迭代 QA 生成器和相关性感知排序器。

Jun, 2023

使用开放式问题可以激发儿童的阅读理解能力。尽管存在使用智能辅导系统来提供支持的可能性，但目前还不清楚生成人类语言类问题的现有智能系统是否有益。此外，开发这些自动生成问题系统所用的训练数据通常没有考虑到人口统计学差异。然而，具有不同文化背景的人可能会问不同的问题。作者调查了拉丁裔看护者和非看护者以及其他人口统计学中的看护者和非看护者等人群的问题，并设计了一个自动从数据中提取模板的系统，生成代表拉丁裔看护者所问问题的开放式问题。

May, 2023

本文提出了一种名为 ACS-QG 的问题生成系统，使用信息抽取、神经网络生成器和质量控制器自动生成高质量、多样化的问题 - 答案对，该系统超越了现有神经网络问题生成模型，并能从较少的数据中生成 280 万个高质量的问题 - 答案对。

Jan, 2020

本文旨在建立三种不同的 QAG 方法的基线，利用序列到序列语言模型进行微调。实验证明，一种端到端的 QAG 模型，它在训练和推理时计算量都很轻，通常是稳健的，并且胜过其他复杂的方法。然而，这取决于底层生成模型的不同。最后，我们的分析表明，仅基于生成的问答对微调的 QA 模型可以与人类标注数据上训练的监督 QA 模型具有竞争力。

May, 2023

通过机器翻译的方式，我们将著名的 QA 数据集 FairytaleQA 转化为其他语言，为了评估和提升儿童对于叙事理解的能力，我们利用经过微调的中等规模模型建立了这些翻译数据集的问答生成和问答任务基准，并通过质量度量标准如问题形式正确性、可回答性、相关性和适合儿童的度量对模型进行评估，同时优先考虑量化和描述错误案例，并提供未来工作的方向。本研究推动了少资源语言中 QA 和问答生成研究的进展，促进了阅读理解模型的开发中的可访问性和包容性。

Jun, 2024

AI 模型通过使用以叙述为基础的问答数据集来提供定制化问答功能，以支持面向儿童教育应用；然而，现有数据集仅包括基于故事内容的问答对，而当教师将故事内容与现实世界的知识（例如常识知识）进行关联时，儿童可以学到更多。我们引入了由儿童教育专家注释的 FairytaleCQA 数据集，用于补充 278 个故事叙述的教育适用的常识知识。该数据集包含 5,868 个问答对，不仅源自故事叙述，而且包含由外部知识图（即 ConceptNet）支持的常识知识。后续实验表明，使用 FairytaleCQA 对较小模型（T5-large）进行微调，可在新的问答对生成任务（QAG）中可靠地胜过更大的提示工程化语言模型（例如 GPT-4）。这一结果表明：1）我们的数据集给现有语言模型带来了新的挑战，2）人类专家的数据注释仍然至关重要，因为他们在儿童教育领域拥有着更多细微的知识，语言模型不知晓。

Nov, 2023

本研究提出一种算法，利用数据集转换技术从长的 Trivia 问题转化为类似于日常人类交流的较短问题的方式，自动生成自然问题（NQ）数据集中的问题，同时使用神经分类器检测并去除不合法的问题，从而生成高质量的数据集，提高了 QA 表现，该算法在低资源环境下使用，扩展了 QA 系统的规模，同时保持了训练数据的质量。

Oct, 2022

提出了一个基于故事的问答数据集 FairytaleQA，用于评估和训练机器和儿童的叙事理解技能。该数据集由教育专家根据基于证据的理论框架生成，包括来自 278 个儿童友好的故事的 10,580 个问题，覆盖七种叙事元素或关系，并支持教育领域中的问题生成任务。通过与问题生成模型的基准测试，我们展示了在 FairytaleQA 上训练的 QG 模型能够提出高质量和更多样化的问题。

Mar, 2022

本文介绍了一种多语言的问答生成模型 AutoQG 及其 Python 包 lmqg，模型基于预训练的 encoder-decoder 语言模型，在 8 种语言上 fine-tune，并提供了一个 web 界面和易于使用的代码，方便从业者使用和定制。

May, 2023

本论文针对问题回答和问题生成两个任务之间内在联系，提出一个联合训练框架，使用序列到序列模型和循环神经网络模型，通过概率相关性指导训练过程来提高两个任务的性能，实验证明该框架能够显著提高问题回答和问题生成两个任务的表现。

Jun, 2017