ACLMay, 2023

SkillQG：学习为阅读理解评估生成问题

PDF
TL;DR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。
发现论文，激发创造
  • 建模生成问题策略，实现阅读理解测试中的问题生成

    本研究提出了一种用于阅读理解的问答生成模型（HTA-WTA），通过使用 story-based 阅读理解技能（SBRCS）来对阅读能力进行更全面的评估，并使用深度推理问题测试了 HTA-WTA 模型的强大性能。

    Apr, 2022

  • 可控难度的阅读理解问题生成

    本文研究阅读理解数据集中问题难度的难易级别，并提出了一种名为 DQG 的新问题生成设置，用于生成符合指定难度标签的阅读理解问题。我们提出了一个端到端的框架来生成指定难度级别的问题，并制备了第一个具有难度标签的阅读理解问题数据集。结果表明，我们的框架生成的问题不仅在 BLEU 等度量标准上具有更好的质量，而且符合指定的难度标签。

    Jul, 2018

  • 学会提问：神经网络阅读理解问题生成

    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

  • EQG-RACE: 考试题类型的问题生成

    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

  • 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

  • 利用数据扩充和超生成 - 排序提高阅读理解问题生成

    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

  • 多项选择题生成：面向自动化评估框架的发展

    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

  • 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

  • 基于知识库的知识增强、类型约束和语法引导的问题生成

    本研究旨在解决在知识图谱子图上生成自然语言问题时，信息量不足和语义漂移的问题，提出了一种名为 KTG 的知识增强的、类型约束和语法引导的 KBQG 模型，并设计了一种奖励函数来提高生成的丰富性和句法正确性，实验证明该模型在两个广泛使用的基准数据集 SimpleQuestion 和 PathQuestion 上优于现有方法。

    Oct, 2020

  • 从儿童故事书中生成多样和有效的问答对

    本文提出一个 QAG 框架，通过生成不同的疑问句和隐式 / 显式答案，增强 QA 类型的多样性，该框架包括 QFS 基于答案生成器、迭代 QA 生成器和相关性感知排序器。

    Jun, 2023