该研究介绍了一种利用大型语言模型（LLM）进行教育目的的土耳其纵横字谜生成器，并提供了两个特殊数据集，其中一个包含超过 18 万个唯一的答案 - 提示对，用于从给定答案生成相关提示，另一个包含超过 3.5 万个包含文本、答案、类别和提示数据的样本，旨在为特定文本和关键词生成特定类别的提示。除了娱乐之外，这个生成器成为一种互动教育工具，提高记忆力、词汇量和问题解决能力。对于土耳其语而言，它是人工智能增强教育的一个显著步骤，将游戏式的参与与学习相结合，在土耳其语中建立了互动、智能学习工具的新标准。

May, 2024

这篇论文介绍了第一个由先进的 AI 技术驱动的阿拉伯文填字游戏生成器。该系统利用了 GPT4、GPT3-Davinci、GPT3-Curie、GPT3-Babbage、GPT3-Ada 和 BERT 等先进的大型语言模型，生成独特而具有挑战性的提示。基于包含超过 50,000 个提示 - 答案对的数据集，该生成器采用了微调、零 / 少样本学习策略和严格的质量检查协议来确保生成高质量的提示 - 答案对。重要的是，教育性的填字游戏有助于增强记忆、扩展词汇和促进解决问题的能力，从而通过有趣且引人入胜的方式增强学习体验，重塑传统学习方法的格局。整个系统可以被视为一个强大的教育工具，融合了人工智能和创新的学习技术，为阿拉伯文填字游戏和技术与教育的交叉领域开启了变革时代。

Dec, 2023

通过从维基百科页面中收集与相关关键词相关的信息内容，利用大型语言模型自动生成与给定输入关键词及其上下文相关的教育线索，我们提出了一种构建教育线索生成数据集的方法，并使用此方法创建了一个包含 44075 个唯一示例的数据集：clue-instruct。我们使用 clue-instruct 来教授不同的大型语言模型从给定的输入内容和关键词中生成教育线索，无论是人工评估还是自动评估，都证实了生成线索的质量，从而验证了我们方法的有效性。

Apr, 2024

本研究提出了一个自动生成以新闻为中心的填字游戏的框架，通过包含尽可能多的新闻相关单词，来增加人们对新闻的兴趣，并通过对原型的定性评估总结了当前问题和未来研究方向。这是首个提出将约束满足和优化问题的形式化应用于教育领域的建议。

Aug, 2023

该研究提出将填字游戏作为新的自然语言理解任务，并公开发布了从纽约时报跨越 25 年的近九千个填字游戏的语料库规范，以及包含超过半百万个独特线索 - 答案对的开放域问答数据集，并探讨了多种处理方法及评价框架。

May, 2022

使用大型语言模型解决填字游戏的挑战，展示了当前最先进的语言模型在解谜填字提示方面的显著能力，性能达到先前结果的 2-3 倍，还开发了基于这一性能的搜索算法，首次使用语言模型解决完整的填字方格问题，在纽约时报的填字游戏上实现了 93% 的准确率，研究表明语言模型与人类专家的性能差距更小。

Jun, 2024

本文提出了伯克利填字游戏求解器，该系统使用神经问答模型生成填字谜面的答案候选，并将循环置信传播与本地搜索相结合，以找到完整的谜底解。与现有方法相比，我们的系统使得填字准确率从 71% 提高到 82%。此外，我们还分析了系统的剩余错误并发布了一个包含超过 600 万个问题答案对的数据集。

May, 2022

使用大型语言模型自动生成填空题，并评估其有效性和适用性，通过生成适当的句子和选择合适的答案，以提高学生的词汇掌握水平。

Mar, 2024

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。

Apr, 2023

使用大型语言模型和 PUZZLEQA 数据集探索解决和生成 NPR Sunday Puzzle 游戏节目谜题的能力，并发现大型语言模型可以解决 PUZZLEQA 谜题，但在生成谜题方面表现不佳，需要未来的研究。

Jun, 2023