ACLApr, 2022

面向过程、模块化和多功能的教育问答生成

PDF
TL;DR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。
nlp-powered question generationeducational technologyinstructor needscollaborative systemsprocess-oriented support
发现论文，激发创造
  • 利用隐式反馈来改进问题生成

    本文研究了一种基于模式匹配的自动问句生成系统 GEN，它可以从用户进行的（隐式）反馈中进行学习，并且根据反馈对所生成的问句进行打分和排名，取得了相当大的改进。

    Apr, 2023

  • 通过关键字提供提高教育问题生成的可控性

    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

  • 教育问题生成的良好可控性探究

    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

  • 统一化连续终身学习问句生成

    提出了一种名为 Unified-QG 的模型，它基于终身学习技术，可以跨不同数据集和格式不断地学习 QG 任务，并用 STRIDER 方法来减轻连续 QG 学习中的灾难性遗忘，实验证明 Unified-QG 可以有效地适应 QG 任务，提高 QA 系统性能。

    Jan, 2022

  • 神经问答生成的最新进展

    本文针对神经问句生成（NQG）提供了综合调查，从语料库、方法学及评价方法等方面审视了 NQG 的发展趋势，并指出 NQG 在学习范式、输入形式和认知水平方面的新趋势以及未来的潜在发展方向。

    May, 2019

  • 用科学文本进行预训练，提高教育问题生成质量

    本研究基于大型语言模型开发了 EduQG，该模型能够自动生成出优质的教育问题，以实现在数字化教育材料和可扩展的 e-learning 系统背景下的 AI 协助个性化学习。

    Dec, 2022

  • 测验设计任务：帮助教师使用自动化题目生成器创建测验

    本篇研究旨在利用标准化的 NLG 指标来检测 QGen 模型所带来的实际效果，并以教师自动生成阅读理解测试为例进行实际应用测试。虽然我们发现近期 QGen 取得了显著进展，但最佳模型仅得到了 10 名教师中的 68.4％同意接受的问题，同时也发现需要新的自动度量标准来指导 QGen 研究前进。

    May, 2022

  • ParaQG: 从段落生成问题和答案的系统

    本文介绍了 ParaQG, 一种基于序列到序列技术的 Web 服务，通过交互式界面，从句子和段落中生成问题，并利用多种分组和过滤技术使生成问题的过程用户友好化。

    Sep, 2019

  • 神经问题生成调查：方法、应用和前景

    该研究论文详细调查了神经问句生成（NQG）领域的进展，研究神经网络技术如何从知识库、文本和图像等多样的输入中生成相关问题，并分为结构化 NQG、非结构化 NQG 和混合 NQG 三个主要分类，分析了各类别的神经网络模型的优势和潜在限制，并展望了 NQG 的未来发展趋势和研究重点。

    Feb, 2024

  • 基于机器学习方法的句子结构分析自动生成问题

    本文介绍了我们使用传统语言学方法和多种机器学习技术生成英语非结构化文本问句的框架，并且加入了问题评估模块，最终证明我们的生成问题质量优于其他最好的系统，并且与人类创建的问题相当。

    May, 2022