論文の概要: Advancing Question Generation with Joint Narrative and Difficulty Control

• arxiv url: http://arxiv.org/abs/2506.06812v1
• Date: Sat, 07 Jun 2025 14:26:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.489883
• Title: Advancing Question Generation with Joint Narrative and Difficulty Control
• Title（参考訳）: 複合的ナラティブと難易度制御による質問生成の促進
• Authors: Bernardo Leite, Henrique Lopes Cardoso,
• Abstract要約: 本稿では,これら2つの属性を同時制御し,読解的質問の生成を可能にする,共同物語・難易度制御のための戦略を提案する。 我々の評価は、全てのインスタンスで有効ではないが、このアプローチが実現可能であるという予備的な証拠を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Question Generation (QG), the task of automatically generating questions from a source input, has seen significant progress in recent years. Difficulty-controllable QG (DCQG) enables control over the difficulty level of generated questions while considering the learner's ability. Additionally, narrative-controllable QG (NCQG) allows control over the narrative aspects embedded in the questions. However, research in QG lacks a focus on combining these two types of control, which is important for generating questions tailored to educational purposes. To address this gap, we propose a strategy for Joint Narrative and Difficulty Control, enabling simultaneous control over these two attributes in the generation of reading comprehension questions. Our evaluation provides preliminary evidence that this approach is feasible, though it is not effective across all instances. Our findings highlight the conditions under which the strategy performs well and discuss the trade-offs associated with its application.
• Abstract（参考訳）: ソース入力から質問を自動的に生成するタスクである質問生成(QG)は,近年,大きな進歩を遂げている。 難易度制御可能なQG(DCQG)は,学習者の能力を考慮して,生成した質問の難易度を制御できる。 さらに、物語制御可能なQG(NCQG)では、質問に埋め込まれた物語の側面を制御できる。 しかし、QGの研究はこれら2つのコントロールの組み合わせに重点を置いておらず、教育目的に適した質問を生成する上で重要である。 このギャップに対処するため,我々は,これら2つの属性を同時制御し,読解的質問の生成を可能にする,統合的ナラティブと難易度制御の戦略を提案する。 我々の評価は、全てのインスタンスで有効ではないが、このアプローチが実現可能であるという予備的な証拠を提供する。 本研究は,戦略が良好に機能する条件を明らかにし,その適用に伴うトレードオフについて議論する。

関連論文リスト

• Towards Better Question Generation in QA-based Event Extraction [3.699715556687871]
  イベント抽出(EE)は、構造化されていないテキストからイベント関連情報を抽出することを目的としている。 質問の品質は、抽出精度に劇的に影響を及ぼす。 本稿では,QAベースのEEのための強化学習手法RLQGを提案する。
  論文  参考訳（メタデータ） (2024-05-17T03:52:01Z)
• 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)
• 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)
• Improving Controllability of Educational Question Generation by Keyword Provision [2.305378099875569]
  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。
  論文  参考訳（メタデータ） (2021-12-02T06:54:44Z)
• 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)
• 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)

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。