ACLMar, 2022

教育中基于答案无关性的问题生成可行性研究

PDF
TL;DR本篇研究针对教科书段落的无关答案问题生成模型的适用性进行可行性研究，研究表明通过提供摘要信息，可以降低由无关或难以解释问题产生的错误， 为模型提供人工编写的摘要信息在生成问题的可接受性方面产生了重大的提高，同时，发现在没有人工编写的摘要信息的情况下，自动摘要仍可发挥中间作用。
question generationtextbook passagessummarizationerror reductionacceptability increase
发现论文，激发创造
  • 评估对答案不敏感的段落级多问题生成

    本文研究了在没有先验知识的情况下，从给定的段落中预测一组显著问题的任务。作者提出了一种新的方法来评估预测问题与参考问题的匹配度，并比较了不同的策略以利用预先训练的 seq2seq 模型生成和选择相关问题。

    Mar, 2022

  • AI 向人类提问：儿童故事书问答生成

    我们设计了一种教育应用的问答生成自动化系统，可以为幼儿园到八年级的阅读材料生成测试学生理解能力的问题与答案对，并在自动评估和人工评估中证明其优于当前先进的问答生成基线系统。同时，我们还在此基础上开始构建一个交互式的故事讲述应用程序，用于未来在教育领域的实际部署。

    Sep, 2021

  • 通过摘要信息生成问题提高无监督问答

    本文提出一种基于无监督学习的问句生成方法，使用自由可得的新闻标题数据通过句法分析、命名实体识别和语义角色标注启发式技术转换成合适的问题，然后与原始新闻文章一起训练一个端到端的神经问句生成模型；通过在多项数据集上的实验证明，该方法生成的人工智能数据集用于训练问答模型，其性能远超过基于无监督学习的问答模型的现有成果。

    Sep, 2021

  • 超越人类主观性与错误：一种新的人工智能评分系统

    通过基于大规模的大学课程考试数据训练的神经网络模型，在历史考试数据上的实验证明了自动化简短回答评分系统的高准确性和一致性，这为减少人为主观性、改善评分一致性以提高公正性提供了有前途的解决方案。

    May, 2024

  • 仿人类提问：基于文本语料库的可扩展问答生成

    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

  • 命题逻辑等价关系自动问句生成

    通过使用自动化问题生成的方法，我们实现了针对每个学生的定制问题，研究了针对离散数学的逻辑等价问题的自动问题生成方法，并证实了该方法在教育中自动化问题生成方面的实用性。

    May, 2024

  • 自动 FAQ 生成

    从 Stanford 哲学百科网站获取的大量文本文档中提取突出的问题和相应的答案，使用现有的文本摘要、文本排序和问题生成工具创建初始的问题和答案集合，通过人工评估得出平均参与者认为 71% 的问题具有意义。

    May, 2024

  • 面向问题类型的复制损失增强框架 —— 面向答案不可知的神经问题生成

    本研究旨在研究对于给定句子但不提供答案的自动生成问题的策略，其中包括预测问题类型和复制机制等。经过实验比较，本研究的综合模型表现更佳，达到 SQuAD BLEU-4 分数 13.9，并经过人工评估证明所生成问题的质量较高。

    May, 2020

  • 询问和回答问题以评估摘要的事实一致性

    该研究介绍了一种名为 QAGS 的自动评估协议，用于识别生成的摘要中的事实不一致性，并提供了一种自然的可解释性方法，这种方法是基于提出问题并对摘要和源回答问题的引导下实现的。实验结果表明，与现有的自动评估度量相比，QAGS 具有更高的相关性，并且是一种自动生成可用和事实一致的文本的有希望的工具。

    Apr, 2020

  • 基于文本的神经问答生成：初步研究

    本研究提出了一种基于神经编码器 - 解码器模型的自动问题生成方法，可以根据给定的段落生成多样化、有意义的问题并利用 SQuAD 数据集进行了初步实验研究，实验结果显示该方法可以产生流畅且多样化的问题。

    Apr, 2017