本文提出了一种演化方法，旨在确定 Bloom's taxonomy 最佳关键词集，以生成 ChatGPT 难以回答的问题，以解决生成文本 AI 工具对学生学术表现的潜在负面影响和教育者评估学生成果所面临的挑战问题。使用澳大利亚堪培拉新南威尔士大学的数据结构和表示课程的问题进行的案例研究表明，优化算法能够找到不同认知水平的关键词，创造出 ChatGPT 有困难回答的问题，从而为教育者制定更有效的问题，促进学生的批判性思维提供了有价值的见解。

Mar, 2023

应用基于大型语言模型的问题生成方法，考虑教学需求，通过实验验证教师对自动生成问题的喜好，结果显示教师更愿意使用自动生成的问题写测验，并且这样的测验在质量上不亚于手写版本，甚至可以提高测验质量，显示了课堂环境中大规模使用问题生成的潜力。

Jan, 2024

本文使用多任务学习方法和多视角注意力机制，同时处理答案选择和知识库问答问题，并通过在不同视角学习多视角注意力来提高两个任务的性能。

Dec, 2018

提出透过关注问题难度和概念难度级别来增强知识追踪模型性能的新技术，困难层面的重要性鲜明，然而先前的知识追踪研究未能利用其在模型优化上的潜力并且在未知数据中预测困难量存在困难。为解决这些问题，提出了一种面向困难层面的对比学习方法，以及基于大型语言模型的困难量预测框架。这些创新方法旨在提高知识追踪模型性能并为未知数据提供准确的困难量估计。消融研究证明了这些技术的有效性，并强化了知识追踪模型的性能。然而，语言和困难之间的复杂关系还需要进一步研究。

Dec, 2023

本文提出了一个名为 Question Type-guided Attention (QTA) 的方法，利用问题类型信息动态平衡从 ResNet 和 Faster R-CNN 网络中分别提取的自下而上和自上而下的视觉特征。在 TDIUC 数据集上进行了多项输入实验，并显示 QTA 显著提高了多个问题类型类别的性能，例如 “活动识别”、“效用” 和 “计数”。添加 QTA 后，我们在最先进的 MCB 模型上实现了 3％的总体准确度提高。最后，我们提出了一个多任务扩展以预测问题类型，在缺少问题类型的应用程序中推广 QTA，性能损失最小。

Apr, 2018

提出了一种名为 AT-DKT 的基于多任务学习的知识追踪方法，它使用问题标记任务和个性化先前知识预测任务来改进原始的深度知识追踪模型，以更好地捕捉学生的历史表现，并在三个真实的教育数据集上得到比所有序列模型更好的 AUC 结果。

Feb, 2023

通过基于模型的方法计算难度分数，将训练实例分成两个类别：数据集层次和实例层次。通过实验，发现难度分数分别为实例层次和数据集层次，相对于各自的基线，平均性能提高了 4.17％和 3.15％，并且大多数的提高来自于正确应对困难实例，这个策略具有更好的效力。

May, 2022

该论文提出了 TQ-Net，一种基于两阶段无监督对比学习的方法，用于融合文本和图片以改善考试问题的表现，并在实际应用中展现出高准确性。

Mar, 2023

该研究开发了一种基于上下文依赖词级别注重和问题引导的句子级别注意力的新型模型，以更准确地理解文本，加强上下文建模，可以在交互式问答场景中处理不完整或模糊信息，大大提升了传统 QA 模型的表现。

Dec, 2016

我们提出了一个名为 Q-MCKT 的基于问题中心的多专家对比学习框架，用于知识追踪，以解决应用深度学习技术建模知识追踪过程时面临的挑战。

Mar, 2024