Fugu-MT 論文翻訳(概要): Question Generation for Assessing Early Literacy Reading Comprehension

論文の概要: Question Generation for Assessing Early Literacy Reading Comprehension

arxiv url: http://arxiv.org/abs/2507.22410v1
Date: Wed, 30 Jul 2025 06:27:02 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-31 16:14:18.025498
Title: Question Generation for Assessing Early Literacy Reading Comprehension
Title（参考訳）: 早期リテラシー読解能力評価のための質問生成
Authors: Xiaocheng Yang, Sumuk Shashidhar, Dilek Hakkani-Tur,
Abstract要約: そこで本研究では,K-2英語学習者を対象とした理解的質問生成手法を提案する。本手法は,基礎となる教材を網羅し,学習者の特定の習熟度に適応することを保証する。
参考スコア（独自算出の注目度）: 7.209603871896803
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Assessment of reading comprehension through content-based interactions plays an important role in the reading acquisition process. In this paper, we propose a novel approach for generating comprehension questions geared to K-2 English learners. Our method ensures complete coverage of the underlying material and adaptation to the learner's specific proficiencies, and can generate a large diversity of question types at various difficulty levels to ensure a thorough evaluation. We evaluate the performance of various language models in this framework using the FairytaleQA dataset as the source material. Eventually, the proposed approach has the potential to become an important part of autonomous AI-driven English instructors.
Abstract（参考訳）: コンテンツに基づくインタラクションによる読書理解の評価は,読書獲得過程において重要な役割を担っている。本稿では,K-2英語学習者を対象とした理解的質問生成手法を提案する。本手法は,基礎となる教材を網羅し,学習者の特定の習熟度に適応させることを保証し,様々な難易度で質問タイプを多種多様に生成し,徹底的な評価を実現する。本稿では,FairytaleQAデータセットを素材として,様々な言語モデルの性能を評価する。最終的には、提案されたアプローチは、自律的なAI駆動の英語インストラクターの重要な部分になる可能性がある。

関連論文リスト

The Future of Learning in the Age of Generative AI: Automated Question Generation and Assessment with Large Language Models [0.0]
大規模言語モデル(LLM)と生成AIは、自然言語処理(NLP)に革命をもたらした。本章では,自動質問生成と回答評価におけるLLMの変容の可能性について考察する。
論文参考訳（メタデータ） (2024-10-12T15:54:53Z)
How to Engage Your Readers? Generating Guiding Questions to Promote Active Reading [60.19226384241482]
教科書や科学論文から10Kのインテキスト質問のデータセットであるGuidingQを紹介した。言語モデルを用いてこのような質問を生成するための様々なアプローチを探索する。我々は、そのような質問が読解に与える影響を理解するために、人間の研究を行う。
論文参考訳（メタデータ） (2024-07-19T13:42:56Z)
ChatPRCS: A Personalized Support System for English Reading Comprehension based on ChatGPT [3.847982502219679]
本稿では,ChatPRCSと呼ばれる読解支援システムを提案する。 ChatPRCSは、理解能力予測、質問生成、自動評価などの手法を採用している。
論文参考訳（メタデータ） (2023-09-22T11:46:44Z)
Improving Reading Comprehension Question Generation with Data Augmentation and Overgenerate-and-rank [3.854023945160742]
自動回答対応読解質問生成は、教育活動における学習者支援を拡大する大きな可能性を秘めている。この設定における重要な技術的課題の1つは、複数の質問があり得るということです。本研究では,(1)同じ文脈と回答を与えられた多様な質問でトレーニングデータセットを充実させるデータ拡張手法,(2)候補のプールから最適な質問を選択する過剰な生成とランクの手法を提案する。
論文参考訳（メタデータ） (2023-06-15T04:23:25Z)
UKP-SQuARE: An Interactive Tool for Teaching Question Answering [61.93372227117229]
質問応答の指数的増加(QA)は、あらゆる自然言語処理(NLP)コースにおいて必須のトピックとなっている。本稿では、QA教育のプラットフォームとしてUKP-SQuAREを紹介する。学生は様々な視点から様々なQAモデルを実行、比較、分析することができる。
論文参考訳（メタデータ） (2023-05-31T11:29:04Z)
Evaluating and Modeling Attribution for Cross-Lingual Question Answering [80.4807682093432]
この研究は、言語間質問応答の属性を初めて研究したものである。我々は、5つの言語でデータを収集し、最先端の言語間QAシステムの属性レベルを評価する。回答のかなりの部分は、検索されたどのパスにも帰属しないことがわかった。
論文参考訳（メタデータ） (2023-05-23T17:57:46Z)
Multi Document Reading Comprehension [0.0]
読み込み(英語: Reading, RC)とは、ある節または一組の節から質問に答えるタスクである。自然言語処理(NLP)の分野での最近の試行と実験により、機械が通過中のテキストを処理できることが証明された。
論文参考訳（メタデータ） (2022-01-05T16:54:48Z)
Deep learning for sentence clustering in essay grading support [1.7259867886009057]
フィンランド語における大学生エッセイの2つのデータセットを紹介し,文レベルの有意な議論に対して手作業で注釈を付ける。我々は,エッセイグレーディングを支援するために,文クラスタリングに適した深層学習埋め込み手法をいくつか評価した。
論文参考訳（メタデータ） (2021-04-23T12:32:51Z)
Enhancing Answer Boundary Detection for Multilingual Machine Reading Comprehension [86.1617182312817]
そこで我々は,句境界管理を付加するために,微調整段階における2つの補助的タスクを提案する。混合機械読解タスクは、質問または通過を他の言語に翻訳し、言語横断の問合せペアを構築する。 Webから抽出した知識フレーズを活用する言語に依存しない知識マスキングタスク。
論文参考訳（メタデータ） (2020-04-29T10:44:00Z)
Knowledgeable Dialogue Reading Comprehension on Key Turns [84.1784903043884]
MRC(Multi-choice Machine reading comprehension)は、ある項目と質問に対する候補オプションから正しい回答を選択するモデルである。本研究は,複数回対話を行う対話型MRCに焦点を当てている。それは2つの課題に悩まされ、答えの選択決定は、最近役に立つコモンセンスをサポートせずに行われ、マルチターンコンテキストは、かなりの無関係な情報を隠蔽する可能性がある。
論文参考訳（メタデータ） (2020-04-29T07:04:43Z)
Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer [64.22926988297685]
下流タスクで微調整される前に、まずデータリッチタスクでモデルが事前訓練されるトランスファーラーニングは、自然言語処理(NLP)において強力な手法として登場した。本稿では,すべてのテキストベースの言語問題をテキスト・トゥ・テキスト・フォーマットに変換する統一フレームワークにより,NLPのためのトランスファー学習手法を導入する状況について検討する。
論文参考訳（メタデータ） (2019-10-23T17:37:36Z)

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。