論文の概要: Reliable generation of isomorphic physics problems using Generative AI with prompt-chaining and tool use

• arxiv url: http://arxiv.org/abs/2508.14755v2
• Date: Wed, 15 Oct 2025 15:13:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 15:32:13.900569
• Title: Reliable generation of isomorphic physics problems using Generative AI with prompt-chaining and tool use
• Title（参考訳）: プロンプトチェインとツールを用いた生成AIを用いた等モルフィックな物理問題の信頼性生成
• Authors: Zhongzhou Chen,
• Abstract要約: 本稿では,ChatGPTなどの生成AIサービスを用いて,多数の同型物理問題を生成する手法を提案する。 このアプローチは、数値値や空間関係のような構造的変動を正確に制御し、問題本体の様々な文脈変化をサポートする。
• 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: We present a method for generating large numbers of isomorphic physics problems using generative AI services such as ChatGPT, through prompt chaining and tool use. This approach enables precise control over structural variations-such as numeric values and spatial relations-while supporting diverse contextual variations in the problem body. By utilizing the Python code interpreter, the method supports automatic solution validation and simple diagram generation, addressing key limitations in existing LLM-based methods. We generated two example isomorphic problem banks and compared the outcome against two simpler prompt-based approaches. Results show that prompt-chaining produces significantly higher quality and more consistent outputs than simpler, non-chaining prompts. We also show that GenAI services can be used to validate the quality of the generated isomorphic problems. This work demonstrates a promising method for efficient and scalable problem creation accessible to the average instructor, which opens new possibilities for personalized adaptive testing and automated content development.
• Abstract（参考訳）: 本稿では,ChatGPTのような生成型AIサービスを用いた多種多様な物理問題を生成する手法を提案する。 このアプローチは、数値値や空間関係のような構造的変動を正確に制御し、問題本体の様々な文脈変化をサポートする。 Pythonコードインタプリタを利用することで、既存のLCMベースのメソッドで重要な制限に対処する、自動ソリューションバリデーションと単純なダイアグラム生成をサポートする。 我々は,同型問題バンクを2例生成し,その結果を2つの簡単なプロンプトベースアプローチと比較した。 その結果、プロンプトチェーンはより単純で非チェインなプロンプトよりも、はるかに高品質で一貫性のあるアウトプットを生み出すことがわかった。 また、生成した同型問題の品質を検証するためにGenAIサービスが利用可能であることを示す。 この研究は、平均的インストラクターが利用できる効率的でスケーラブルな問題生成のための有望な方法を示し、パーソナライズされた適応テストと自動コンテンツ開発の新しい可能性を開く。

関連論文リスト

• Adaptive Problem Generation via Symbolic Representations [16.05958546676182]
  本稿では,数学的なタスクにおいて,小さなオープンウェイト言語モデルを改善するために,検証可能な報酬を用いた強化学習のためのトレーニングデータを生成する方法を提案する。 シンボル変数と制約の集合として各問題を表現し、シンボル問題空間で修正を行う。 この表現は、問題構造を正確に制御し、基底構造解の自動生成を可能にし、数学的推論を言語的実現から切り離す。
  論文  参考訳（メタデータ） (2026-02-22T13:33:48Z)
• Neural Predictor-Corrector: Solving Homotopy Problems with Reinforcement Learning [38.623998031868595]
  Homotopyのパラダイムは、ロバストな最適化、グローバルな最適化、ルートフィニング、サンプリングなど、さまざまな領域にまたがっている。 我々は手作りのNPCを自動学習ポリシーで置き換えるニューラル予測器(NPC)を提案する。 NPCは、タスク間で優れた安定性を示しながら、古典的および特殊的ベースラインの効率を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-03T04:19:48Z)
• Learning to Pose Problems: Reasoning-Driven and Solver-Adaptive Data Synthesis for Large Reasoning Models [54.29243291958429]
  本研究は, 生成前に問題方向を明示的に計画する問題生成装置の開発である。 我々は,合成問題に対する解法者のフィードバックを報奨信号として扱い,生成元が難易度を調整できるようにする。 本手法は平均2.5%の改善を実現し,言語モデルと視覚言語モデルの両方に一般化する。
  論文  参考訳（メタデータ） (2025-11-13T03:08:51Z)
• Reasoning Distillation and Structural Alignment for Improved Code Generation [0.6933020649563103]
  この研究は、大規模言語モデルの推論能力を、より速く、より安価にデプロイできる、より小さく、より効率的なモデルに蒸留する。 提案手法は,正解経路の同定を学習することで,VLLMの推論能力と問題解決能力をエミュレートするためにモデルを訓練する。 実験結果から,我々の微調整モデルは,安価で簡単な実装プロセスによって開発され,パス@1,平均データフロー,平均構文がメトリクスにマッチする点において,ベースラインモデルよりも大幅に優れていることがわかった。
  論文  参考訳（メタデータ） (2025-10-20T14:47:47Z)
• Adaptive Distraction: Probing LLM Contextual Robustness with Automated Tree Search [76.54475437069395]
  大きな言語モデル(LLM)は、意味的に一貫性があるがタスクに依存しないコンテキスト情報に直面している場合、元のパフォーマンスを維持するのに苦労することが多い。 本稿では,木探索に基づく動的散逸生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-03T18:43:36Z)
• Auto-Prompt Generation is Not Robust: Prompt Optimization Driven by Pseudo Gradient [50.15090865963094]
  PertBenchは、幅広い入力摂動を含む包括的なベンチマークデータセットである。 我々の分析は、既存の即時生成戦略における重大な脆弱性を明らかにしている。 PGOは、摂動型を擬似次数次信号として活用する、勾配のないプロンプト生成フレームワークである。
  論文  参考訳（メタデータ） (2024-12-24T06:05:08Z)
• Adapting Vision-Language Models to Open Classes via Test-Time Prompt Tuning [50.26965628047682]
  学習済みのモデルをオープンクラスに適応させることは、機械学習において難しい問題である。 本稿では,両者の利点を組み合わせたテスト時プロンプトチューニング手法を提案する。 提案手法は,基本クラスと新クラスの両方を考慮し,すべての比較手法を平均的に上回る結果を得た。
  論文  参考訳（メタデータ） (2024-08-29T12:34:01Z)
• An Empirical Study on Self-correcting Large Language Models for Data Science Code Generation [1.335664823620186]
  大規模言語モデル(LLM)は最近、ソフトウェア工学のタスクに多くの応用を進歩させた。 CoT-SelfEvolveは、自己修正プロセスを通じて、反復的かつ自動的にコードを洗練する。
  論文  参考訳（メタデータ） (2024-08-28T09:19:09Z)
• FCoReBench: Can Large Language Models Solve Challenging First-Order Combinatorial Reasoning Problems? [25.352721856952655]
  一階推論問題は、様々なサイズの無限個の問題インスタンスでインスタンス化することができる。 課題40のデータセットであるFCoReBenchと,さまざまなサイズの問題インスタンスを生成し,そのソリューションを自動検証して生成するスクリプトを提案する。 本稿では,LLMとシンボルソルバとプログラムインタプリタを組み合わせたSymPro-LMを提案する。
  論文  参考訳（メタデータ） (2024-02-04T20:56:09Z)
• PPM: Automated Generation of Diverse Programming Problems for Benchmarking Code Generation Models [10.491051578439722]
  本稿では,PPM(Programling problem merging)の概念を提案し,この概念の2つの実装を提供し,このツールを広く利用されている2つのデータセット上で活用する。 その結果、より困難で多様な、そして自然なプログラミング問題を生み出す上で、我々のツールの有効性が示された。
  論文  参考訳（メタデータ） (2024-01-28T02:27:38Z)
• Large Language Models as Analogical Reasoners [155.9617224350088]
  CoT(Chain-of- Thought)は、言語モデルのプロンプトとして、推論タスク全体で素晴らしいパフォーマンスを示す。 そこで本稿では,大規模言語モデルの推論プロセスを自動的にガイドする,新たなプロンプト手法であるアナログプロンプトを導入する。
  論文  参考訳（メタデータ） (2023-10-03T00:57:26Z)
• FacTool: Factuality Detection in Generative AI -- A Tool Augmented Framework for Multi-Task and Multi-Domain Scenarios [87.12753459582116]
  より広い範囲のタスクは、生成モデルによって処理されると、事実エラーを含むリスクが増大する。 大規模言語モデルにより生成されたテキストの事実誤りを検出するためのタスクおよびドメインに依存しないフレームワークであるFacToolを提案する。
  論文  参考訳（メタデータ） (2023-07-25T14:20:51Z)
• Contrastive Example-Based Control [163.6482792040079]
  報酬関数ではなく多段階遷移の暗黙的なモデルを学ぶオフラインのサンプルベース制御法を提案する。 状態ベースおよび画像ベースのオフライン制御タスクの範囲で、学習された報酬関数を使用するベースラインよりも優れています。
  論文  参考訳（メタデータ） (2023-07-24T19:43:22Z)
• Extending the Frontier of ChatGPT: Code Generation and Debugging [0.0]
  OpenAIが開発したChatGPTは,さまざまな問題領域に取り組むために人工知能(AI)を活用することによって,新たな時代を迎えている。 本稿では,ChatGPTのプログラミング問題に対する有効性について検討し,時間とメモリの複雑さの観点から,その解の正しさと効率性について検討する。 この研究は、ChatGPTが正しいソリューションを提供することができた問題の割合を示すため、総成功率は71.875%であることを示した。
  論文  参考訳（メタデータ） (2023-07-17T06:06:58Z)
• Lightweight reranking for language model generations [26.942659041383596]
  本稿では,Large Language Models (LLM) 世代を再評価するための新しいアプローチを提案する。 追加の推論や特殊リランカの訓練を含む他の手法とは異なり、我々の手法はペアワイズ統計の計算が容易である。 コード生成タスクで最高のk世代を選択するための強力な改善と、オートフォーマライズ、要約、翻訳のタスクで最高の世代で堅牢な改善を示す。
  論文  参考訳（メタデータ） (2023-07-11T17:51:48Z)
• Self-Polish: Enhance Reasoning in Large Language Models via Problem Refinement [50.62461749446111]
  Self-Polish(SP)は、与えられた問題を徐々に洗練し、より理解しやすく解けるように誘導することによって、モデルの推論を促進する新しい方法である。 SPは、CoTのような答え/推論サイドの他のすべてのプロンプトメソッドであり、最先端の技術とのシームレスな統合を可能にし、さらなる改善を可能にします。
  論文  参考訳（メタデータ） (2023-05-23T19:58:30Z)
• Improve Variational Autoencoder for Text Generationwith Discrete Latent Bottleneck [52.08901549360262]
  変分オートエンコーダ(VAE)は、エンドツーエンドの表現学習において必須のツールである。 VAEは強い自己回帰デコーダで潜伏変数を無視する傾向がある。 よりコンパクトな潜在空間において暗黙的な潜在特徴マッチングを強制する原理的アプローチを提案する。
  論文  参考訳（メタデータ） (2020-04-22T14:41:37Z)

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。