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

本研究提出一种基于 RACE 数据集的创新型考试问答生成方法 (EQG-RACE)，其利用了答案导向的图卷积网络来增强问答输入的表示，解决了已有问答生成技术中存在的因来自 Web 的偏向性和不自然语言 sources 导致的问题。实验结果表明 EQG-RACE 性能卓越，为后续相关研究提供了新的基准。

Dec, 2020

提出了一个整合的系统，通过纠正性反馈来弥合第二语言学习者自动写作评估和语法错误纠正结果之间的差距。

Feb, 2024

提出了一种自动化方法 MAEGE 用于语法错误校正度量的验证，该方法可以解决现有实践的许多困难并展示了标准的 M2 度量在语料库级别排名上性能较差的新见解。

Apr, 2018

本研究探讨了语法特征对自动作文评分的影响，结果表明语法特征可以提高预测作文整体分数的自动评分模型的性能，同时，多任务学习与语法分数结合使用语法特征也能进一步提高模型性能。利用项目反应理论评估语法能力作为辅助任务的模型表现与人工评分的语法分数相当，此外，根据语法项的难度和作者的语法能力，利用项目反应理论对语法特征进行加权处理可进一步提高性能。

Jun, 2024

本文提出了一种自动短答案评分学习框架，该框架针对 K-12 教育中的自由文本问题，旨在自动提取语言信息并在自由文本学生答案与参考答案之间准确建模语义关系，实验结果表明在各项评估指标上均高于最新算法模型。

Sep, 2019

本研究提出了 AGGGEN，一种数据到文本模型，重新引入了两个明确的句子规划阶段到神经数据到文本系统中：输入排序和输入聚合。我们的模型仍然是端到端的： AGGGEN 通过学习输入表示和目标文本之间的潜在对准（通过语义事实）在生成文本的同时执行句子规划。在 WebNLG 和 E2E 挑战数据上的实验表明，通过使用基于事实的对齐，我们的方法更可解释，更具表达性，对噪声更具鲁棒性，更易于控制，同时保留端到端系统在流畅度方面的优势。

Jun, 2021

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

通过使用综合训练数据，ARES 通过微调轻量级语言模型评估 RAG 组件的质量，在 KILT 和 SuperGLUE 两个领域多任务中准确评估 RAG 系统的有效性。

Nov, 2023

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。

Mar, 2022