通过控制问题的理解类型提高机器阅读理解质量，本文提出了 $ extbf {$ exttt {SkillQG}$}$ 框架。在一个基于技能的层级模式中，根据不同能力的问题，通过迭代调用预训练语言模型来生成针对不同能力问题的精细化评估和提高模型的生成问题。实证结果证明，$ exttt {SkillQG}$ 相对于基准线在质量、相关性和技能控制方面性能更优，在下游问答任务中也有很好的性能提升。

May, 2023

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

SG-CQG 是一个用于回答无答案设置下如何生成与要求自然的对话的方法，它通过语义图和具有明确控制信号的分类器来解决 what-to-ask 和 how-to-ask 的挑战。同时，提出了新的评估指标 Conv-Distinct，并在实验中取得了最先进的表现。

May, 2023

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

提出了一种基于数据增强和生成 - 排名方法的自动问题生成策略，该策略适用于阅读理解任务，可以有效地提高问题生成的准确率和多样性。

Jun, 2023

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

介绍了 INQUISITIVE 数据集，该数据集包含～19,000 个问题，是读者在阅读文档时 elicited 的。与现有数据集相比，INQUISITIVE 的问题更加注重文本的高层（语义和话语）理解，并根据基于 GPT-2 的问题生成模型评估了该任务的挑战性，强调了上下文对生成 INQUISITIVE 问题的重要性。

Oct, 2020

一种促进阅读理解的策略是以问答形式呈现信息。我们展示了一个集成了问答和问题生成任务的系统，用于生成传达多段文档内容的问答项。我们报告了一些 QA 和 QG 的实验结果，并评估了它们如何相互作用以产生文本的 Q&A 列表。该演示可在 qna.sdl.com 上访问。

Mar, 2021

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

本文提出一种基于神经网络的两阶段机制来生成问题 - 答案对，第一阶段采用 Pointer Networks 编码句子中的关键答案，第二阶段采用序列到序列模型生成问题，最终采用全局注意力和答案编码生成最相关的问题。实验结果表明我们的方法在生成问题的质量上显著优于现有方法，是自动阅读理解评估的又一步。

Mar, 2018