Apr, 2023

大型语言模型生成的教育问题有多有用？

PDF
TL;DR通过人工评估，控制型文本生成与问题分类法相结合生成的高质量、多样化问题，被认为对教师和学生的教学内容质量有较大的提升作用，具有在教学环境中广泛使用的潜力。
controllable text generationquestion generationteacher evaluationeducational contentbloom's taxonomy
发现论文，激发创造
  • 教师如何利用大型语言模型和布鲁姆纳姆的分类法创建教育测验

    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

  • 应用于自适应教育的问题生成

    我们探索了针对学生进行目标化问题生成，并成功地利用预训练的语言模型来生成适合不同难度的问题，这为智能自适应在线教育系统提供了一种新的方法。

    Jun, 2021

  • 大型语言模型是否适用于导读阅读？

    本篇研究探讨了大型语言模型在参与教育指导阅读方面的能力，着重评估它们从输入文本中生成有意义问题和多样化问题的能力，以及根据学生对问题的回答生成要求他们重新阅读一部分文本的能力。通过我们对 ChatGPT 和 Bard 的评估，我们得出结论：1）大型语言模型能够生成高质量的有意义问题，与输入文本有很高的相关性，2）它们生成覆盖输入文本大多数主题的多样化问题，尽管这种能力会随着输入文本的增加而明显降低，3）大型语言模型能够产生低和高认知问题，尽管它们明显偏向于低认知问题，4）它们能够有效地总结回答并提取应重新阅读的部分文本。

    May, 2023

  • 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

  • 使用预训练语言模型实现可扩展的教育问题生成

    本研究开发了一个基于语言模型的教育问题生成模型，通过在科学文本和科学问题数据上进行进一步的预训练和微调，能够生成优质的教育问题，从而在自我评估和在线教育方面具有重要的应用潜力。

    May, 2023

  • 面向过程、模块化和多功能的教育问答生成

    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。

    Apr, 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

  • 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

  • 基于 Transformer 预训练语言模型的可控文本生成综述

    本文系统评述了基于预训练语言模型的可控文本生成技术的主要任务、方法和评价方法，并讨论了当前领域面临的挑战和未来研究方向。

    Jan, 2022

  • 优化基于布鲁姆认知目标的问题设计，减轻 ChatGPT 对教育的负面影响

    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