論文の概要: From Objectives to Questions: A Planning-based Framework for Educational Mathematical Question Generation

• arxiv url: http://arxiv.org/abs/2506.00963v1
• Date: Sun, 01 Jun 2025 11:23:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 04:22:50.694335
• Title: From Objectives to Questions: A Planning-based Framework for Educational Mathematical Question Generation
• Title（参考訳）: 目的から質問へ:教育数学的質問生成のための計画的枠組み
• Authors: Cheng Cheng, Zhenya Huang, Guanhao Zhao, Yuxiang Guo, Xin Lin, Jinze Wu, Xin Li, Shijin Wang,
• Abstract要約: 本稿では,自己回帰法(EQPR)を用いた数学的質問生成のための教育的質問計画を提案する。 モンテカルロ木探索に基づく計画アルゴリズムと大規模言語モデルの生成機能を組み合わせることで,質問を継続的に最適化する。 我々は,EQPRが多次元の教育目的を満たす質問生成において,大幅な改善を達成できることを実証した。
• 参考スコア（独自算出の注目度）: 32.76585750014007
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatically generating high-quality mathematical problems that align with educational objectives is a crucial task in NLP-based educational technology. Traditional generation methods focus primarily on textual quality, but they often overlook educational objectives. Moreover, these methods address only single-dimensional, simple question generation, failing to meet complex, multifaceted educational requirements. To address these challenges, we constructed and annotated EduMath, a dataset of 16k mathematical questions with multi-dimensional educational objectives. Based on this dataset, we developed EQGEVAL, which incorporates three evaluation dimensions and is designed to assess the ability of models to generate educational questions. Drawing inspiration from teachers' problem design processes, we propose the Educational Question Planning with self-Reflection (EQPR) method for educational mathematical question generation, following a "plan-evaluate-optimize" approach. Specifically, by combining planning algorithm based on Monte Carlo Tree Search with the generative capabilities of Large Language Models, we continuously optimize questions through iterative feedback. This self-optimization mechanism ensures that the generated questions both fit the educational context and strategically achieve specific basic educational objectives. Through extensive experiments based on EQGEVAL, we have demonstrated that EQPR achieves significant improvements in generating questions that meet multi-dimensional educational objectives.
• Abstract（参考訳）: 教育目的に沿った高品質な数学的問題を自動生成することは、NLPベースの教育技術において重要な課題である。 従来の世代法は主にテキストの品質に重点を置いているが、教育目的を見落としていることが多い。 さらに、これらの手法は、複雑な多面的教育要件を満たすことができず、単次元の単純な質問生成にのみ対応している。 これらの課題に対処するために,多次元の教育目的を持つ16kの数学的質問のデータセットであるEduMathを構築し,注釈を付けた。 このデータセットに基づいて,3つの評価次元を組み込んだEQGEVALを開発した。 本稿では,教師の課題設計プロセスからインスピレーションを得て,「計画評価最適化」アプローチに従って,自己回帰型教育質問計画(EQPR)手法を提案する。 具体的には,モンテカルロ木探索に基づく計画アルゴリズムと大規模言語モデルの生成能力を組み合わせることで,反復的なフィードバックを通じて質問を継続的に最適化する。 この自己最適化メカニズムは、生成された質問が教育の文脈に適合し、特定の基礎的な教育目的を戦略的に達成することを保証する。 EQGEVALに基づく広範囲な実験を通じて,多次元の教育目的を満たす質問生成において,EQPRが大幅な改善を達成できることを実証した。

関連論文リスト

• YouLeQD: Decoding the Cognitive Complexity of Questions and Engagement in Online Educational Videos from Learners' Perspectives [1.2084539012992408]
  YouLeQDデータセットには、YouTubeの講義ビデオコメントから学習者が提示した質問が含まれている。 質問を検知し,その認知的複雑性を分析するために,RoBERTaに基づく2つの分類モデルを開発した。
  論文  参考訳（メタデータ） (2025-01-20T19:54:38Z)
• A Novel Approach to Scalable and Automatic Topic-Controlled Question Generation in Education [6.9238760403459425]
  本稿では,質問の話題的焦点を制御する教育用質問生成手法について紹介する。 The proposed Topic-Controlled Question Generation (T-CQG) method has further thelevance and effect of the generated content for Education purposes。 厳密なオフラインおよび人間支援による評価の結果,提案モデルが高品質な話題中心の質問を効果的に生成できることが実証された。
  論文  参考訳（メタデータ） (2025-01-09T13:13:24Z)
• Distractor Generation in Multiple-Choice Tasks: A Survey of Methods, Datasets, and Evaluation [20.14906249952034]
  イントラクタ生成タスクは、客観的な質問に対して不正確だが妥当な選択肢を生成することに焦点を当てる。 人工知能(AI)の進化は、タスクを従来の手法からニューラルネットワークや事前訓練された言語モデルに移行した。 本調査では、英語の客観的質問に対して、イントラクタ生成タスク、データセット、メソッド、および現在の評価指標について検討する。
  論文  参考訳（メタデータ） (2024-02-02T15:53:31Z)
• Adapting Large Language Models for Education: Foundational Capabilities, Potentials, and Challenges [60.62904929065257]
  大規模言語モデル(LLM)は、個々の要求を解釈することでこの問題を解決する可能性を提供する。 本稿では, 数学, 文章, プログラミング, 推論, 知識に基づく質問応答など, 教育能力に関する最近のLLM研究を概観する。
  論文  参考訳（メタデータ） (2023-12-27T14:37:32Z)
• Towards Goal-oriented Intelligent Tutoring Systems in Online Education [69.06930979754627]
  目標指向知能チューニングシステム(GITS)という新しいタスクを提案する。 GITSは,演習や評価のカスタマイズを戦略的に計画することで,学生の指定概念の習得を可能にすることを目的としている。 PAI(Planning-Assessment-Interaction)と呼ばれるグラフに基づく新しい強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-03T12:37:16Z)
• Automating question generation from educational text [1.9325905076281444]
  質問ベースの活動(QBA)の使用は、教育において広く普及しており、学習と評価プロセスの不可欠な部分を形成している。 学校における形式的・要約的評価のための自動質問生成ツールの設計と評価を行う。
  論文  参考訳（メタデータ） (2023-09-26T15:18:44Z)
• Automated Distractor and Feedback Generation for Math Multiple-choice Questions via In-context Learning [43.83422798569986]
  マルチチョイス質問(MCQ)は、管理しやすく、格付けし、信頼性の高い評価形式であるため、ほぼ全てのレベルの教育においてユビキタスである。 これまで、高品質なイントラクタを作るというタスクは、教師やコンテンツデザイナーを学ぶための労働集約的なプロセスのままだった。 本稿では,テキスト内学習をベースとした簡易な学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-07T01:03:04Z)
• Towards a Holistic Understanding of Mathematical Questions with Contrastive Pre-training [65.10741459705739]
  本稿では,数学的問題表現,すなわち QuesCo に対する対照的な事前学習手法を提案する。 まず、コンテンツレベルと構造レベルを含む2段階の質問強化を設計し、類似した目的で文字通り多様な質問ペアを生成する。 そこで我々は,知識概念の階層的情報を完全に活用するために,知識階層を意識したランク戦略を提案する。
  論文  参考訳（メタデータ） (2023-01-18T14:23:29Z)
• A Survey of Deep Learning for Mathematical Reasoning [71.88150173381153]
  我々は過去10年間の数学的推論とディープラーニングの交差点における重要なタスク、データセット、方法についてレビューする。 大規模ニューラルネットワークモデルの最近の進歩は、新しいベンチマークと、数学的推論にディープラーニングを使用する機会を開放している。
  論文  参考訳（メタデータ） (2022-12-20T18:46:16Z)

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。