Oct, 2024

生成式人工智能时代学习的未来：大型语言模型的自动问题生成与评估

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 从预训练LLMs中更好地选择样本：以生成问题为例的案例研究

    本文提出了两种基于提示的方法，以选择自然语言生成模型生成的高质量问题，旨在解决多样性提高与模型选择的问题。经过自动化和人工评估，结果表明，与贪婪算法相比，我们的方法能够有效地选择更高质量的问题。

    Sep, 2022

  • 大型语言模型在语言学习中的口语智能

    评估大语言模型在教育中的功效，特别是在口语学习领域，引入新的多选题数据集评估模型在理解和应用口语知识方面的表现，研究不同提示技术对模型性能的影响，发现模型在音韵学、语音学和第二语言习得方面具有良好的概念理解，但在解决现实世界问题的推理方面存在限制，并初步探讨了对话交流的发现。

    Aug, 2023

  • 从教育文本中自动生成问题

    设计并评估了一个自动化问题生成工具，以便用于学校的形成性和总结性评估，通过使用基于Transformer的语言模型和生成技术，实现了模块化框架，从文本内容中自动生成多项选择题，并进行了广泛的定量和定性评估。

    Sep, 2023

  • 在教育和评估应用中探索提示式大型语言模型的能力

    利用大语言模型在现代教育领域创新的机会，通过研究提问型大语言模型、语法错误解释和人力资源面试评估，揭示了大语言模型在改变教育实践中的潜力和限制。

    May, 2024

  • 生成学生：利用LLM模拟的学生档案支持问题项目评估

    通过利用LLMs模拟学生档案并生成多项选择题的回答，本文提出了一种基于KLI框架设计的生成学生提示结构，该结构可用于评估问题实例的质量，并发现生成学生的回答与真实学生的回答具有高度相关性。

    May, 2024

  • 大型语言模型作为虚拟导师的使用综述

    利用Transformer架构的大型语言模型在教育领域引起了广泛关注，主要应用包括生成和评估教育材料、自动问题生成等，其中GTP-3和BERT是最受欢迎的模型。

    May, 2024

  • 大型语言模型生成上下文相关问题的比较

    本研究探讨了大型语言模型（LLMs）在教育环境中自动生成问题的有效性，并比较了三种模型在无微调情况下从大学幻灯片文本中生成问题的能力。研究发现，GPT-3.5和Llama 2-Chat 13B在问题的清晰度和问答对应性方面略优于Flan T5 XXL，特别是GPT-3.5在根据输入答案定制问题方面表现突出。

    Jul, 2024

  • 使用大型语言模型在不同布卢姆技能水平下自动生成教育问题：策略与评估

    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

  • Dr.学院：评估大型语言模型在教育中提问能力的基准

    该研究解决了大型语言模型（LLMs）在教学能力，特别是提问能力方面的缺乏评价。通过建立基准并利用安德森与克拉斯沃尔分类法，研究探索了LLMs生成教育问题的能力。结果表明，GPT-4在一般、文科和科学课程教学中表现出显著潜力，而Claude2更适合作为跨学科教师。

    Aug, 2024

  • 基于对比学习的大型语言模型知识问答生成

    本研究针对大型语言模型在知识密集型任务中的幻觉和知识缺口问题，提出了一种改进的知识问答生成方法。通过引入对比学习，利用多个模型共同挖掘领域知识，显著提高了生成问题的质量和准确性，体现了该方法的有效性与实用性。

    Sep, 2024