論文の概要: Multi-Agent Collaborative Framework For Math Problem Generation
- arxiv url: http://arxiv.org/abs/2511.03958v1
- Date: Thu, 06 Nov 2025 01:24:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-07 20:17:53.260172
- Title: Multi-Agent Collaborative Framework For Math Problem Generation
- Title（参考訳）: 数学問題生成のための多エージェント協調フレームワーク
- Authors: Kia Karbasi, Kevin Hong, Mohammad Amin Samadi, Gregory Pottie,
- Abstract要約: 本稿では,推論時間を自動質問生成に組み込む新しい手法として,協調型マルチエージェントフレームワークを提案する。
予備評価では、この協調型マルチエージェントフレームワークは、生成された教育コンテンツの品質を高めることが示されている。
- 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: Automatic question generation (AQG) for mathematics education remains an elusive goal for Intelligent Tutoring Systems and educators. While pre-trained transformer-based language models have significantly advanced natural language generation, they often struggle to precisely control problem complexity and cognitive demands. In this paper, we introduce a collaborative multi-agent framework as a novel method of incorporating inference-time computation into AQG. This approach leverages multiple agents that iteratively refine generated question-answer pairs to better balance complexity and cognitive demand. We evaluate the generated questions on five meta-evaluation criteria: relevance, importance, clarity, difficulty matching, answerability, to assess the system's ability to control the required complexity and quality of the questions. Preliminary evaluations show that this collaborative multi-agent framework elevates the quality of generated educational content by fostering a more nuanced balance between cognitive challenge and clarity. These promising outcomes suggest that integrating collaborative multi-agent workflows can yield more controlled, pedagogically valuable content that can help advance automated educational content generation and adaptive learning environments.
- Abstract（参考訳）: 数学教育のための自動質問生成(AQG)は、インテリジェントチュータリングシステムと教育者にとって、いまだに明白な目標である。
事前学習されたトランスフォーマーベースの言語モデルは、かなり高度な自然言語生成を持つが、問題複雑性と認知的要求を正確に制御するのに苦労することが多い。
本稿では,推論時間計算をAQGに組み込む新しい手法として,協調型マルチエージェントフレームワークを提案する。
このアプローチでは、生成した質問応答ペアを反復的に洗練する複数のエージェントを活用して、複雑さと認知的要求のバランスを改善する。
5つのメタ評価基準(関連性、重要度、明確度、難解度、応答性)に基づいて、生成した質問を評価し、要求される複雑性と品質を制御できるシステムの能力を評価する。
予備評価の結果,この協調的マルチエージェント・フレームワークは,認知的課題と明瞭さのバランスを保ちながら,学習内容の質を高めることが示唆された。
これらの有望な結果は、協調的なマルチエージェントワークフローを統合することで、教育コンテンツの自動生成と適応学習環境の前進に役立つ、より制御され、教育的に価値のあるコンテンツが得られることを示唆している。
関連論文リスト
- Reinforcing Question Answering Agents with Minimalist Policy Gradient Optimization [80.09112808413133]
Mujicaは、質問をサブクエストの非循環グラフに分解するプランナーであり、検索と推論を通じて質問を解決するワーカーである。
MyGOは、従来のポリシー更新を勾配的いいねりの最大推定に置き換える、新しい強化学習手法である。
複数のデータセットにまたがる実験結果から,マルチホップQA性能向上における MujicaMyGO の有効性が示された。
論文 参考訳（メタデータ） (2025-05-20T18:33:03Z) - Enabling Collaborative Parametric Knowledge Calibration for Retrieval-Augmented Vision Question Answering [16.14877145354785]
KB-VQA (Vision Question Answering) システムは、外部知識ベースから取得した知識を用いて複雑な視覚的な質問に対処する。
協調的なパラメトリック知識キャリブレーションを用いた検索強化VQAフレームワークを提案する。
提案手法は,最先端モデルと競合する性能を実現し,精度が4.7%向上した。
論文 参考訳（メタデータ） (2025-04-05T05:42:12Z) - Dual Ensembled Multiagent Q-Learning with Hypernet Regularizer [62.01554688056335]
マルチエージェント設定における過大評価は、比較的ほとんど注目されていない。
本稿では,超ネットワーク重みとバイアスに関する新しいハイパーネット正規化器を提案し,オンライングローバルQ-ネットワークの最適化を制約し,過大な推定の蓄積を防止する。
論文 参考訳（メタデータ） (2025-02-04T05:14:58Z) - AQA: Adaptive Question Answering in a Society of LLMs via Contextual Multi-Armed Bandit [59.10281630985958]
質問応答(QA)では、異なる質問を異なる回答戦略で効果的に扱うことができる。
本稿では,各質問に対して最適なQA戦略を適応的に選択する動的手法を提案する。
提案手法は,複数のモジュールを持つQAシステムの適応的オーケストレーションに有効であることを示す。
論文 参考訳（メタデータ） (2024-09-20T12:28:18Z) - Automated Educational Question Generation at Different Bloom's Skill Levels using Large Language Models: Strategies and Evaluation [0.0]
我々は,5つの最先端の大規模言語モデルを用いて,認知レベルの多様で高品質な質問を生成する能力について検討した。
以上の結果から,LLmsは適切な情報によって認知レベルが異なる関連性のある,高品質な教育的質問を生じさせる可能性が示唆された。
論文 参考訳（メタデータ） (2024-08-08T11:56:57Z) - DuetRAG: Collaborative Retrieval-Augmented Generation [57.440772556318926]
協調検索拡張生成フレームワークであるDuetRAGが提案されている。
ブートストラップの哲学はドメインフィニングとRAGモデルを同時に統合することである。
論文 参考訳（メタデータ） (2024-05-12T09:48:28Z) - ReST meets ReAct: Self-Improvement for Multi-Step Reasoning LLM Agent [50.508669199496474]
外部知識に基づいて推論と行動を行うReAct-style LLMエージェントを開発した。
エージェントをReSTライクな手法で改良し,従来の軌道上で反復的に訓練する。
引き起こされた大きなモデルから始まり、アルゴリズムのたった2イテレーションの後に、微調整された小さなモデルを生成することができる。
論文 参考訳（メタデータ） (2023-12-15T18:20:15Z) - Retrieval-augmented Generation to Improve Math Question-Answering:
Trade-offs Between Groundedness and Human Preference [0.0]
我々は、高品質なオープンソースの数学教科書からコンテンツを検索して利用し、実際の学生の質問に対する応答を生成するプロンプトを設計する。
マルチ条件サーベイを実施し,中学代数学と幾何学QAのためのRAGシステムの有効性を評価した。
我々は、RAGは応答品質を向上させることができるが、数学のQAシステムの設計者は、学生が好む応答と、特定の教育資源に密接に適合する応答とのトレードオフを検討する必要があると論じる。
論文 参考訳（メタデータ） (2023-10-04T22:09:28Z) - Complex QA and language models hybrid architectures, Survey [0.9242985360636448]
本稿では,大規模言語モデル (LLM) アーキテクチャの現状と課題について述べる。
論文 参考訳（メタデータ） (2023-02-17T18:31:31Z)
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。