本文研究了 “可控难度问题生成” 任务，重新定义了问题难度度量，并通过提出一个逐步重写的框架，根据抽取的推理链实现了逐渐增加问题难度的效果。我们还构建了一个自动数据集来测试我们的方法性能。

May, 2021

本文研究了问题生成中的控制性和难度问题，提出了一种基于关键词的问题生成模型，并通过实验证明了该模型能够显著提高问题生成的多样性和可控性。

Dec, 2021

探索生成通常由多个句子回答的开放性问题的任务，定义一个新的问题类型本体论、提出了一种新颖的基于问题类型感知的问题生成框架并使用语义图形表示，进一步利用示例和自动生成的模板来提高可控性和多样性。在两个新收集的大规模数据集上进行实验，表明我们的模型在自动评估指标上改善了问题质量。最后，我们的模型变体可以产生具有增强的可控性和多样性的问题。

Jul, 2021

这项研究通过引入一个新的指导属性 “问题明确度”，旨在丰富 NLP 中问题生成（QG）的可控性，提供了在特定的叙事元素下生成问题的显式和隐式 wh-questions 的控制方法，代码公开于 github。

Jun, 2023

本文研究阅读理解数据集中问题难度的难易级别，并提出了一种名为 DQG 的新问题生成设置，用于生成符合指定难度标签的阅读理解问题。我们提出了一个端到端的框架来生成指定难度级别的问题，并制备了第一个具有难度标签的阅读理解问题数据集。结果表明，我们的框架生成的问题不仅在 BLEU 等度量标准上具有更好的质量，而且符合指定的难度标签。

Jul, 2018

我们提出了一个新颖的任务，即控制词汇复杂度的句子生成，该任务旨在使用具有所需复杂度水平的关键词生成句子。我们提出了一种基于复杂度嵌入的简单而有效的方法，用于训练模型和微调预训练模型，并在英文和中文数据集上进行了广泛的实验。结果表明，相对于基线方法，我们的方法更好地控制了词汇复杂度并生成了更高质量的句子。

Nov, 2022

本文提出了一个名为 MixQG 的神经问题生成器，通过结合 9 个问题回答数据集来训练单一的生成模型，该模型在不同的认知水平中可以产生具有不同类型答案的问题，经实验证明在已知和未知领域中均表现出优越性。

Oct, 2021

通过部分复制和 QA-based reranker，我们提出了两种方法来提高神经序列到序列的问题生成模型的生成问题与给定段落和答案相关性的准确性。

Oct, 2019

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

Question generation is a natural language generation task that can be achieved with a single Transformer-based unidirectional language model, which outperforms QG baselines and produces high-quality questions that are relevant to their context paragraph and easy to answer, utilizing transfer learning without relying on auxiliary data.

May, 2020