本研究提出了一种通过神经网络模型从常识知识图谱和方程式中生成多样化数学单词问题的方法，并在教育评估方面表现出优越性，其中自规划模块实现了方程和常识知识信息的自动融合。

Oct, 2020

本文提出了一种基于神经网络的数学文字问题生成模型，该模型利用领域知识检索最符合实际的 MWP 实例，并通过构建 Quantity Cell 图与方程编码器相互作用，提高 MWP 的文本衔接。实验结果表明，该模型在自动评估指标和人工评估指标方面均取得了令人瞩目的性能。

Apr, 2022

该论文提出了一种用于解决数学问题的框架，该框架基于生成问题文本的语言变体，利用 DeBERTa 编码器构建解决方案表达式，通过对每个变体问题进行求解并选出获得大多数选票的预测表达式来改善数学推理和模型的鲁棒性。

Jun, 2023

通过修改问题的文本和方程式，例如使用同义词替换、基于规则的问题替换和基于规则的问题翻转，提出几种方法进行数据增强，从而为数学问题求解程序提供更多样化的训练集，最终提高其解决各种数学问题的能力。本研究引入了一种新的上下文学习增强方法，采用 Llama-7b 语言模型，通过基于指令的提示对数学问题进行改述。在 9 个基准模型上进行了性能评估，结果显示增强方法优于基准模型。此外，以各种增强方法生成的示例的串联进一步提高了性能。

Apr, 2024

通过只需要问题答案进行监督，我们提出了一种弱监督模型来解决数学应用问题，我们首先学习使用问题描述和最终答案生成公式，然后使用生成的公式来训练一个有监督的数学应用问题求解器。

Apr, 2021

该研究提出了一种基于逐步规划的中间解决方案生成方法，通过预测所需的数学运算并引导语言模型生成来解决数学单词问题，并在人类评估和自动度量标准上提高了解决方案的准确性和可解释性。

Jun, 2023

文章提出了一种基于预训练语言模型的多任务框架 Generate & Rank，该框架采用生成和排名的方法，在生成数学表达式的同时实现了决定正确和错误表达式等级的新的排名任务。结果表明，该方法在公共基准数据集中表现出色，比现有方法提升了 7% 的性能。

Sep, 2021

通过采用自我一致性推理框架 SCR，其中利用修剪策略来纠正输入文本和输出表达式之间的虚假相关样本，进而通过对称的 Kullback-Leibler 分歧来校准输出分布偏移，SCR 生成等效表达式，并在两个大型基准实验中表现出优越性。

Oct, 2022

该研究提出了一种基于编码器 - 解码器的模型，完全利用问题文本并保留逐步的交换律，以产生无论数量的排列方式如何都具有不变性的表达式嵌入，并进一步对问题文本进行编码以指导解码过程，可以提高数学问题自动求解程序的性能。

Feb, 2023

本文介绍了一种名为 MeSys 的基于意义理解和推理的方法，用于解决英语数学词问题，该方法使用逻辑表达式进行初步分析，采用角色标签表示每个数量的相关背景，并使用统计模型来选择运算符和操作数；实验结果表明该方法在理解文本中每个数量的意义方面具有优势。

Mar, 2018