論文の概要: Improving Controllability of Educational Question Generation by Keyword Provision

• arxiv url: http://arxiv.org/abs/2112.01012v1
• Date: Thu, 2 Dec 2021 06:54:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-03 13:43:53.273584
• Title: Improving Controllability of Educational Question Generation by Keyword Provision
• Title（参考訳）: キーワードによる教育用質問生成の制御性向上
• Authors: Ying-Hong Chan, Ho-Lam Chung, Yao-Chung Fan
• Abstract要約: 現在最高のモデルを11.96から20.19に進めることで、最先端の試験的QGモデルについて報告する。 本稿では,QG の方向性を導くためのキーワードをユーザが提供できるようにすることで,QG 設定の変種について検討する。 また,QGの多様性と制御性向上の可能性および可能性を示す実験を行った。
• 参考スコア（独自算出の注目度）: 2.305378099875569
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Question Generation (QG) receives increasing research attention in NLP community. One motivation for QG is that QG significantly facilitates the preparation of educational reading practice and assessments. While the significant advancement of QG techniques was reported, current QG results are not ideal for educational reading practice assessment in terms of \textit{controllability} and \textit{question difficulty}. This paper reports our results toward the two issues. First, we report a state-of-the-art exam-like QG model by advancing the current best model from 11.96 to 20.19 (in terms of BLEU 4 score). Second, we propose to investigate a variant of QG setting by allowing users to provide keywords for guiding QG direction. We also present a simple but effective model toward the QG controllability task. Experiments are also performed and the results demonstrate the feasibility and potentials of improving QG diversity and controllability by the proposed keyword provision QG model.
• Abstract（参考訳）: 質問生成(QG)はNLPコミュニティで研究の注目を集めている。 QGの動機の1つは、QGが教育読解の実践と評価を著しく促進することである。 QG技術の大幅な進歩が報告されているが、現在のQGの結果は、‘textit{controllability} と \textit{question difficulty} の観点からの教育読影実践評価には理想的ではない。 本稿では,2つの課題について報告する。 まず,現在最高のモデルである11.96から20.19(BLEU 4スコア)を推し進め,最先端の試験様QGモデルについて報告する。 第2に,ユーザがQG方向を案内するキーワードを提供することで,QG設定の変種について検討する。 また,QG制御性タスクに対する簡易かつ効果的なモデルを提案する。 また,提案したキーワード提供QGモデルにより,QGの多様性と制御性を向上させる可能性および可能性を示す実験を行った。

関連論文リスト

• Davidsonian Scene Graph: Improving Reliability in Fine-grained Evaluation for Text-to-Image Generation [64.64849950642619]
  テキスト・ツー・イメージ・モデルを評価するための形式的意味論にインスパイアされた評価フレームワークを開発する。 Davidsonian Scene Graph (DSG) が依存性グラフにまとめられた原子的およびユニークな質問を生成することを示す。 また,1060個のプロンプトを含むオープンソースの評価ベンチマークDSG-1kを提案する。
  論文  参考訳（メタデータ） (2023-10-27T16:20:10Z)
• Towards Enriched Controllability for Educational Question Generation [0.0]
  質問生成(QG)は自然言語処理(NLP)における課題である 近年のQG研究は、学習ニーズを満たすために生成された質問の種類を制御することを目的としている。 本研究は,QGにおける制御可能性の向上を目的として,新たなガイダンス属性である質問明示性を導入することを目的とする。
  論文  参考訳（メタデータ） (2023-06-21T11:21:08Z)
• Towards Diverse and Effective Question-Answer Pair Generation from Children Storybooks [3.850557558248366]
  本稿では,質問文と暗黙的/明示的回答を生成することにより,QA型の多様性を高めるフレームワークを提案する。 本フレームワークは,QFSベースの応答生成器,繰り返しQA生成器,関連性を考慮したランク付け器を備える。
  論文  参考訳（メタデータ） (2023-06-11T06:55:59Z)
• Learning Answer Generation using Supervision from Automatic Question Answering Evaluators [98.9267570170737]
  我々は、自動QA評価モデル(GAVA)の監督を用いたGenQAのための新しいトレーニングパラダイムを提案する。 提案手法を2つの学術的, 1つの産業的データセット上で評価し, 過去の技術状況に対して, 回答精度を大幅に向上させた。
  論文  参考訳（メタデータ） (2023-05-24T16:57:04Z)
• Closed-book Question Generation via Contrastive Learning [20.644215991166895]
  コントラスト学習モジュールと回答再構成モジュールを併用した新しいQGモデルを提案する。 提案手法を応用して,既存のクローズドブックQAシステムを改善する方法について述べる。
  論文  参考訳（メタデータ） (2022-10-13T06:45:46Z)
• Generative Language Models for Paragraph-Level Question Generation [79.31199020420827]
  強力な生成モデルが質問生成(QG)の最近の進歩につながっている 標準化された資源が存在しないため,QG研究の進歩を測定することは困難である。 我々はQGのベンチマークであるQG-Benchを導入し、既存のQGデータセットを標準QG設定に変換することで、既存の質問応答データセットを統一する。
  論文  参考訳（メタデータ） (2022-10-08T10:24:39Z)
• Quiz Design Task: Helping Teachers Create Quizzes with Automated Question Generation [87.34509878569916]
  本稿では,教師が読解クイズを自動生成するためのユースケースに焦点を当てた。 本研究は,クイズを構築中の教師が質問を受講し,それに応じるか,あるいは拒否するかのどちらかを理由として行う。
  論文  参考訳（メタデータ） (2022-05-03T18:59:03Z)
• QA4QG: Using Question Answering to Constrain Multi-Hop Question Generation [54.136509061542775]
  マルチホップ質問生成(MQG)は、入力パスの複数の情報に対する推論を必要とする複雑な質問を生成することを目的としている。 MQGのためのQA強化BARTベースのフレームワークであるQA4QGを提案する。 HotpotQAデータセットの結果は、QA4QGがすべての最先端モデルより優れていることを示している。
  論文  参考訳（メタデータ） (2022-02-14T08:16:47Z)
• Unified Question Generation with Continual Lifelong Learning [41.81627903996791]
  既存のQGメソッドは主に、特定のQGデータセットの構築やトレーニングに重点を置いている。 本稿では,生涯学習技術に基づくUnifiedQGというモデルを提案し,QGタスクを継続的に学習する。 さらに,1つの訓練済みUnified-QGモデルの能力を変化させて,QAシステムの性能を8ドル(約8,800円)で向上させる。
  論文  参考訳（メタデータ） (2022-01-24T14:05:18Z)
• QA-GNN: Reasoning with Language Models and Knowledge Graphs for Question Answering [122.84513233992422]
  学習済み言語モデル(LM)と知識グラフ(KG)の知識を用いて質問に答える問題に対処する新しいモデルであるQA-GNNを提案する。 既存のLMとLM+KGモデルに対する改善と、解釈可能で構造化された推論を行う能力を示しています。
  論文  参考訳（メタデータ） (2021-04-13T17:32:51Z)
• EQG-RACE: Examination-Type Question Generation [21.17100754955864]
  本論文では, RACEから抽出したデータセットをもとに, 試験型質問生成手法 (EQG-RACE) を提案する。 EQG-RACEでは、離散的な回答情報を扱うための2つの主要な戦略と、長い文脈における推論が採用されています。 実験結果は、ベースラインよりも優れたEQG-RACEの最先端の性能を示しています。
  論文  参考訳（メタデータ） (2020-12-11T03:52:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。