論文の概要: Towards Enriched Controllability for Educational Question Generation

• arxiv url: http://arxiv.org/abs/2306.14917v1
• Date: Wed, 21 Jun 2023 11:21:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-02 13:28:43.552454
• Title: Towards Enriched Controllability for Educational Question Generation
• Title（参考訳）: 教育用質問生成における制御性向上に向けて
• Authors: Bernardo Leite and Henrique Lopes Cardoso
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Question Generation (QG) is a task within Natural Language Processing (NLP) that involves automatically generating questions given an input, typically composed of a text and a target answer. Recent work on QG aims to control the type of generated questions so that they meet educational needs. A remarkable example of controllability in educational QG is the generation of questions underlying certain narrative elements, e.g., causal relationship, outcome resolution, or prediction. This study aims to enrich controllability in QG by introducing a new guidance attribute: question explicitness. We propose to control the generation of explicit and implicit wh-questions from children-friendly stories. We show preliminary evidence of controlling QG via question explicitness alone and simultaneously with another target attribute: the question's narrative element. The code is publicly available at github.com/bernardoleite/question-generation-control.
• Abstract（参考訳）: 質問生成(QG)は自然言語処理(NLP)のタスクで、入力された質問を自動的に生成する。 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。 教育用QGにおける制御可能性の顕著な例は、因果関係、結果解決、予測といった特定の物語要素に基づく質問の生成である。 本研究は,qgにおける制御可能性を高めることを目的として,新たなガイダンス属性である質問明示性を導入する。 子どもに親しみやすい物語から明示的かつ暗黙的なホイク・クエストの生成を制御することを提案する。 質問の明示性のみを通じてqgを制御する予備的な証拠と,質問のナラティブ要素である別のターゲット属性を同時に示す。 コードはgithub.com/bernardoleite/question-generation-controlで公開されている。

関連論文リスト

• On Few-Shot Prompting for Controllable Question-Answer Generation in Narrative Comprehension [0.0]
  本稿では,子どもの物語テキストから質問応答ペアの生成を制御するための数発のプロンプト戦略を提案する。 参照モデルと並べて、数発のプロンプトを併用することで、生成プロセスの制御の有効性を示す。
  論文  参考訳（メタデータ） (2024-04-03T15:17:21Z)
• Diversity Enhanced Narrative Question Generation for Storybooks [4.043005183192124]
  マルチクエスト生成モデル(mQG)を導入し,複数の,多様な,回答可能な質問を生成する。 生成した質問の応答性を検証するために,SQuAD2.0の微調整された質問応答モデルを用いる。 mQGは、強力なベースラインの中で、様々な評価指標で有望な結果を示している。
  論文  参考訳（メタデータ） (2023-10-25T08:10:04Z)
• Improving Question Generation with Multi-level Content Planning [70.37285816596527]
  本稿では、与えられたコンテキストと回答から質問を生成する問題に対処し、特に拡張されたコンテキストをまたいだマルチホップ推論を必要とする質問に焦点をあてる。 具体的には、キーフレーズを同時に選択して完全な回答を生成するFA-modelと、生成した全回答を付加的な入力として取り込んだQ-modelの2つのコンポーネントを含む。
  論文  参考訳（メタデータ） (2023-10-20T13:57:01Z)
• Event Extraction as Question Generation and Answering [72.04433206754489]
  イベント抽出に関する最近の研究は、質問回答(QA)としてタスクを再編成した。 そこで我々は,QGA-EEを提案する。QGモデルにより,定型テンプレートを使わずに,リッチな文脈情報を含む質問を生成することができる。 実験の結果、QGA-EEはACE05の英語データセットで以前のシングルタスクベースのモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-07-10T01:46:15Z)
• Educational Question Generation of Children Storybooks via Question Type Distribution Learning and Event-Centric Summarization [67.1483219601714]
  本稿では,まず,入力記事段落の質問型分布を学習する新しい質問生成手法を提案する。 学習用問合せペアで構成された銀のサンプルを用いて,事前学習したトランスフォーマーに基づくシーケンス・ツー・シーケンス・モデルを構築する。 本研究は,質問型分布学習とイベント中心の要約生成の分離の必要性を示唆するものである。
  論文  参考訳（メタデータ） (2022-03-27T02:21:19Z)
• K-VQG: Knowledge-aware Visual Question Generation for Common-sense Acquisition [64.55573343404572]
  K-VQGと呼ばれる新しい知識対応VQGデータセットを提案する。 これは、画像に関する質問が構造化された知識に結びついている最初の大規模で人間の注釈付きデータセットである。 また,質問対象として知識をエンコードし,使用可能な新しいVQGモデルも開発している。
  論文  参考訳（メタデータ） (2022-03-15T13:38:10Z)
• Improving Unsupervised Question Answering via Summarization-Informed Question Generation [47.96911338198302]
  質問生成 (QG) とは, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、 我々は、自由なニュース要約データを使用し、宣言文を依存性解析、名前付きエンティティ認識、セマンティックロールラベリングを用いて適切な質問に変換する。 得られた質問は、元のニュース記事と組み合わせて、エンドツーエンドのニューラルQGモデルをトレーニングする。
  論文  参考訳（メタデータ） (2021-09-16T13:08:43Z)
• Guiding the Growth: Difficulty-Controllable Question Generation through Step-by-Step Rewriting [30.722526598633912]
  質問生成システム(QG)は、生成した質問の論理をより強く制御するべきであると論じる。 本稿では,段階的な書き直しによる質問の難易度を段階的に向上させる新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-05-25T06:43:13Z)
• 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)
• Inquisitive Question Generation for High Level Text Comprehension [60.21497846332531]
  InQUISITIVEは、文書を読みながら19K質問を抽出するデータセットである。 我々は,読者が情報を求めるための実践的な戦略に携わることを示す。 我々は, GPT-2に基づく質問生成モデルを評価し, 妥当な質問を生成することができることを示す。
  論文  参考訳（メタデータ） (2020-10-04T19:03:39Z)

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。