文章探讨了如何使用基于学习理论的自动提问生成器来生成能够提升教材阅读理解的问题，通过教育专家的实验评估，结果表明生成的问题语言质量高，并且询问了与给定文本相关的中心信息，在特定学习场景中可以促进阅读理解。

Oct, 2021

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

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

提出了使用深度学习方法和序列学习方法生成阅读理解中多项选择题的解题方法，包括问题生成和干扰项生成。通过多种自然语言处理技术的组合，这些方法可以在未见数据上表现良好。

Mar, 2023

该研究旨在通过变压器模型和提示工程找到从文本数据中生成问题的最佳方法。通过对SQuAD问答数据集上的预训练distilBERT模型的微调以生成问题，并应用LLaMA模型以有效地生成问题，将生成的问题与SQuAD数据集中的基准问题进行比较，评估了四种不同提示的有效性，其中有30%的提示生成的问题获得了大于70%的高相似度分数。

Oct, 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

本文介绍了一个原型工具，旨在促进语言模型与教育工作者的合作，以简化数学多项选择题生成过程。我们进行了一项试点研究，涉及数学教育工作者，以调查该工具如何帮助他们简化高质量的数学多项选择题的制作过程。研究发现，虽然语言模型能够生成良好形式的问题提示，但其生成的干扰项无法涵盖常见的学生错误和误解。尽管如此，人工智能与人类的合作有潜力提高多项选择题生成的效率和有效性。

May, 2024

这项研究提出了一个创新的阿拉伯语问题生成系统，通过关键词和关键短语提取、问题生成和后续排名的三个阶段来解决自动生成阿拉伯语评估问题所面临的困难。提出的方法和结果表明精确度为83.50%，召回率为78.68%，F1得分为80.95%，显示出该框架的高效性。人工评估进一步证实了模型的效率，获得了84%的平均评分。

Jun, 2024

该研究针对教育者在生成高质量教育问题时面临的挑战，提出了一种利用大型语言模型（LLMs）实现自动化生成教育问题的新方法。研究表明，采用适当的信息提示，LLMs能够生成符合不同认知水平的相关且高质量的问题，同时表现出LLMs在能力上的显著差异，并且发现自动评估无法与人工评估相媲美。

Aug, 2024

本研究探讨了大型语言模型（LLMs）在教育领域中自动问题生成和答案评估的转型潜力，填补了高效学习工具的空白。通过解析LLMs的工作机制以及创新的提示技术，研究展示了如何生成多样化和相关性强的问题来适应学习需求，同时实现了准确的答案评估和反馈，具有显著的教育提升潜力。

Oct, 2024