論文の概要: EduAgentQG: A Multi-Agent Workflow Framework for Personalized Question Generation

• arxiv url: http://arxiv.org/abs/2511.11635v1
• Date: Sat, 08 Nov 2025 12:25:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:22.693329
• Title: EduAgentQG: A Multi-Agent Workflow Framework for Personalized Question Generation
• Title（参考訳）: EduAgentQG: パーソナライズされた質問生成のためのマルチエージェントワークフローフレームワーク
• Authors: Rui Jia, Min Zhang, Fengrui Liu, Bo Jiang, Kun Kuang, Zhongxiang Dai,
• Abstract要約: 高品質で多様なパーソナライズされた質問を生成するための多エージェント協調フレームワークであるEduAgentQGを提案する。 フレームワークは5つの特殊エージェントで構成され、反復的なフィードバックループを介して動作する。 EduAgentQGは、質問の多様性、ゴールの一貫性、全体的な品質の点で、既存のシングルエージェントとマルチエージェントの手法より優れている。
• 参考スコア（独自算出の注目度）: 56.43882334582494
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-quality personalized question banks are crucial for supporting adaptive learning and individualized assessment. Manually designing questions is time-consuming and often fails to meet diverse learning needs, making automated question generation a crucial approach to reduce teachers' workload and improve the scalability of educational resources. However, most existing question generation methods rely on single-agent or rule-based pipelines, which still produce questions with unstable quality, limited diversity, and insufficient alignment with educational goals. To address these challenges, we propose EduAgentQG, a multi-agent collaborative framework for generating high-quality and diverse personalized questions. The framework consists of five specialized agents and operates through an iterative feedback loop: the Planner generates structured design plans and multiple question directions to enhance diversity; the Writer produces candidate questions based on the plan and optimizes their quality and diversity using feedback from the Solver and Educator; the Solver and Educator perform binary scoring across multiple evaluation dimensions and feed the evaluation results back to the Writer; the Checker conducts final verification, including answer correctness and clarity, ensuring alignment with educational goals. Through this multi-agent collaboration and iterative feedback loop, EduAgentQG generates questions that are both high-quality and diverse, while maintaining consistency with educational objectives. Experiments on two mathematics question datasets demonstrate that EduAgentQG outperforms existing single-agent and multi-agent methods in terms of question diversity, goal consistency, and overall quality.
• Abstract（参考訳）: 質の高い個別質問銀行は適応学習と個別評価を支援するために不可欠である。 手動で質問を設計するのは時間を要するため、さまざまな学習ニーズを満たすことができず、自動化された質問生成は教師の作業量を削減し、教育資源のスケーラビリティを向上させるための重要なアプローチとなる。 しかし、既存のほとんどの質問生成手法は単一エージェントまたはルールベースのパイプラインに依存しており、不安定な品質、多様性の制限、教育目標との整合性に欠ける質問を生成する。 これらの課題に対処するために、高品質で多様なパーソナライズされた質問を生成するためのマルチエージェント協調フレームワークであるEduAgentQGを提案する。 プランナーは、構成された設計計画と、多様性を高めるための複数の質問方向を生成する; ライターは、計画に基づいて候補者の質問を生成し、ソルバーとエデュケータからのフィードバックを使って品質と多様性を最適化する; ソルバーとエデュケータは、複数の評価次元をまたいでバイナリスコアリングを行い、評価結果をライターにフィードバックする; チェッカーは、回答の正しさと明確さを含む最終的な検証を行い、教育目標との整合性を確保する。 このマルチエージェントのコラボレーションと反復的なフィードバックループを通じて、EduAgentQGは高品質で多様な質問を生成すると同時に、教育目的との整合性を維持している。 2つの数学問題データセットの実験により、EduAgentQGは質問の多様性、ゴール整合性、全体的な品質において、既存の単エージェントとマルチエージェントの手法より優れていることが示された。

関連論文リスト

• Multi-Agent Collaborative Framework For Math Problem Generation [0.0]
  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。
  論文  参考訳（メタデータ） (2025-11-06T01:24:07Z)
• Jointly Reinforcing Diversity and Quality in Language Model Generations [64.72289248044514]
  大規模言語モデル(LM)のポストトレーニングは、しばしば多様性を犠牲にして正確さと役に立つことを優先する。 DARling(Diversity-Aware Reinforcement Learning)は、応答品質とセマンティック多様性を協調的に最適化するフレームワークである。
  論文  参考訳（メタデータ） (2025-09-02T17:38:47Z)
• Self-Challenging Language Model Agents [98.62637336505242]
  本稿では,エージェントが自ら生成する高品質なタスクについて,エージェントを訓練するためのセルフチェンジフレームワークを提案する。 このフレームワークは、Llama-3.1-8B-Instructの2倍の改善を実現している。
  論文  参考訳（メタデータ） (2025-06-02T14:23:33Z)
• Synthesizing High-Quality Programming Tasks with LLM-based Expert and Student Agents [23.937130029936494]
  PyTaskSynは、プログラミングタスクを最初に生成し、学生に与えられる特定の品質基準を満たすかどうかを決定する新しい合成技術である。 PyTaskSynはベースライン技術と比較してタスク品質を著しく改善し、検証パイプラインにおける各エージェントタイプの重要性を示す。
  論文  参考訳（メタデータ） (2025-04-10T11:08:39Z)
• MAMM-Refine: A Recipe for Improving Faithfulness in Generation with Multi-Agent Collaboration [63.31211701741323]
  我々はマルチエージェント・マルチモデル推論を生成にまで拡張し、特に改良による忠実度の向上を図っている。 我々は,各サブタスクに対して固有の評価を設計し,マルチエージェント(複数インスタンス)とマルチモデル(多変数LPMタイプ)の両方がエラー検出やクオリティクスに有効であることを示す。 我々はこれらの知見を、マルチエージェント・マルチモデル・リファインメント(MAMM-Refinement)と呼ばれる最終的な"レシピ"に統合し、マルチエージェント・マルチモデルコラボレーションがパフォーマンスを大幅に向上させる。
  論文  参考訳（メタデータ） (2025-03-19T14:46:53Z)
• AGENT-CQ: Automatic Generation and Evaluation of Clarifying Questions for Conversational Search with LLMs [53.6200736559742]
  エージェント-CQは、世代ステージと評価ステージの2つのステージから構成される。 CrowdLLMは、人間のクラウドソーシング判断をシミュレートして、生成された質問や回答を評価する。 ClariQデータセットの実験では、質問と回答の品質を評価するCrowdLLMの有効性が示されている。
  論文  参考訳（メタデータ） (2024-10-25T17:06:27Z)
• Towards Human-Level Understanding of Complex Process Engineering Schematics: A Pedagogical, Introspective Multi-Agent Framework for Open-Domain Question Answering [0.0]
  化学・プロセス産業では、プロセス・フロー・ダイアグラム(PFD)とパイプ・アンド・インスツルメンテーション・ダイアグラム(P&ID)が設計、建設、保守に不可欠である。 生成型AIの最近の進歩は、ビジュアル質問回答(VQA)のプロセス図の理解と解釈の約束を示している。 本稿では,階層的かつマルチエージェントなRetrieval Augmented Generation(RAG)フレームワークを用いた,セキュアでオンプレミスなエンタープライズソリューションを提案する。
  論文  参考訳（メタデータ） (2024-08-24T19:34:04Z)
• Towards Diverse and Effective Question-Answer Pair Generation from Children Storybooks [3.850557558248366]
  本稿では,質問文と暗黙的/明示的回答を生成することにより,QA型の多様性を高めるフレームワークを提案する。 本フレームワークは,QFSベースの応答生成器,繰り返しQA生成器,関連性を考慮したランク付け器を備える。
  論文  参考訳（メタデータ） (2023-06-11T06:55:59Z)
• Personalized Multimodal Feedback Generation in Education [50.95346877192268]
  学校課題の自動評価は、教育分野におけるAIの重要な応用である。 モーダルゲート機構とパーソナライズされたバイアス機構を備えたPMFGN(Personalized Multimodal Feedback Generation Network)を提案する。 我々のモデルは、より正確で多様なフィードバックを生成することによって、いくつかのベースラインを著しく上回ります。
  論文  参考訳（メタデータ） (2020-10-31T05:26:49Z)

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。