E-QGen: 基于教育讲座摘要的问题生成系统
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
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
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
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
本文介绍了 ParaQG, 一种基于序列到序列技术的 Web 服务,通过交互式界面,从句子和段落中生成问题,并利用多种分组和过滤技术使生成问题的过程用户友好化。
Sep, 2019
本文研究了一种基于模式匹配的自动问句生成系统 GEN,它可以从用户进行的(隐式)反馈中进行学习,并且根据反馈对所生成的问句进行打分和排名,取得了相当大的改进。
Apr, 2023
我们引入一个称为 “实体中心问题生成”(ECQG)的新任务,旨在从实体的角度生成问题。为了解决 ECQG,我们提出了一个连贯的基于 PLM 的框架 GenCONE,其中包含两个新颖的模块:内容聚焦和问题验证。我们还构建了一个大规模的开放领域数据集,以支持这个任务。我们的大量实验证明,GenCONE 在生成高质量问题方面显著且一致地优于各种基线方法,而两个模块在此过程中是有效且互补的。
Oct, 2023
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