論文の概要: Self-hosted Lecture-to-Quiz: Local LLM MCQ Generation with Deterministic Quality Control

• arxiv url: http://arxiv.org/abs/2603.08729v1
• Date: Fri, 20 Feb 2026 09:52:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-15 16:38:22.502895
• Title: Self-hosted Lecture-to-Quiz: Local LLM MCQ Generation with Deterministic Quality Control
• Title（参考訳）: 自己ホスト型レクチャー・ツー・クイズ:決定論的品質制御によるローカルLCM MCQ生成
• Abstract要約: APIのないパイプラインは、ローカルLCMと決定論的品質制御(QC)を用いて講義PDFをマルチチョイス質問(MCQ)に変換する 3つの短い「ダミー講義」(情報理論、熱力学、統計力学)で種を網羅する。 Google Formsのインポート->L/CSV(Apps ScriptやAPIツールなど)として、最後の24質問セット(3つの講義 x 8 の質問)をリリースしています。 明示的なQCを備えた自己ホスト型世代は、教育的等価性において、プライバシ、説明可能性、およびグリーンAIをサポートします。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present an end-to-end self-hosted (API-free) pipeline, where API-free means that lecture content is not sent to any external LLM service, that converts lecture PDFs into multiple-choice questions (MCQs) using a local LLM plus deterministic quality control (QC). The pipeline is designed for black-box minimization: LLMs may assist drafting, but the final released artifacts are plain-text question banks with an explicit QC trace and without any need to call an LLM at deployment time. We run a seed sweep on three short "dummy lectures" (information theory, thermodynamics, and statistical mechanics), collecting 15 runs x 8 questions = 120 accepted candidates (122 attempts total under bounded retries). All 120 accepted candidates satisfy hard QC checks (JSON schema conformance, a single marked correct option, and numeric/constant equivalence tests); however, the warning layer flags 8/120 items (spanning 8 runs) that expose residual quality risks such as duplicated distractors or missing rounding instructions. We report a warning taxonomy with concrete before->after fixes, and we release the final 24-question set (three lectures x 8 questions) as JSONL/CSV for Google Forms import (e.g., via Apps Script or API tooling) included as ancillary files under anc/. Finally, we position the work through the AI to Learn (AI2L) rubric lens and argue that self-hosted MCQ generation with explicit QC supports privacy, accountability, and Green AI in educational workflows.
• Abstract（参考訳）: APIフリーは講義内容が外部のLCMサービスに送信されないことを意味し、講義PDFをローカルLCMと決定論的品質制御(QC)を用いてマルチチョイス質問(MCQ)に変換する。 パイプラインはブラックボックスの最小化のために設計されている: LLMはドラフトを補助するが、最終リリースのアーティファクトはプレーンテキストの質問バンクであり、明示的なQCトレースを持ち、デプロイメント時にLLMを呼び出す必要はない。 我々は、3つの短い「ダミー講義」(情報理論、熱力学、統計力学)でシードスイープを行い、15回のx8問=120の受理候補を収集する(合計122回の試行は有界再試行)。 120の候補はいずれも、ハードQCチェック(JSONスキーマ適合性、単一のマーク付き正しいオプション、数値/定数等価性テスト)を満足するが、警告層は8/120項目(スパンニング8ラン)をフラグとして、重複したイントラクタや丸め命令の欠如など、不適切な品質リスクを露呈する。 具体的な修正を前にして警告の分類を報告し、最終24問セット(3つの講義 x 8 質問)を anc/ のアンシラリーファイルに含まれる Google Forms インポート用の JSONL/CSV(例えば Apps Script や API ツール)としてリリースします。 最後に、AI to Learn(AI2L)ルーブリックレンズによる作業の位置を定め、明示的なQCを備えた自己ホスト型MCQ生成は、教育ワークフローにおけるプライバシ、説明責任、グリーンAIをサポートします。

関連論文リスト

• Video-IFBench: Evaluating Instruction Following of Multimodal LLMs in Video Understanding Scenarios [61.926801508808616]
  本稿では,ビデオ理解における指示に従うためのベンチマークであるVideo-IFBenchを紹介する。 単一タスク,マルチタスク,選択,ネスト命令を含む4つのテンプレートを持つ命令分類法を開発した。 我々は,MLLM,プログラム処理,人体検証を組み合わせた半自動データ構築パイプラインを構築し,1.5Kのサンプルを得た。
  論文  参考訳（メタデータ） (2026-08-26T08:35:42Z)
• LLM2Vec-Gen: Generative Embeddings from Large Language Models [38.742293185880364]
  埋め込みモデルを訓練するための,新たな自己教師型アプローチを提案する。 入力を符号化するのではなく、モデルの潜在的な応答を表現することを学ぶ。 有害なコンテンツ検索の43.2%の削減と、埋め込みタスクの推論能力の29.3%の改善を観察する。
  論文  参考訳（メタデータ） (2026-03-11T15:58:47Z)
• AISysRev -- LLM-based Tool for Title-abstract Screening [0.7758046038799246]
  AiSysRevは、書類をスクリーニングするためのDockerコンテナで動作するWebアプリケーションである。 紙のタイトルと要約を含むCSVファイルを受け取る。 ユーザーはインクルージョンと除外の基準を指定する。 ゼロショットと少数ショットの両方をサポートする。
  論文  参考訳（メタデータ） (2025-10-08T06:59:23Z)
• Critical Questions Generation: Motivation and Challenges [6.0158981171030685]
  本稿では,議論文を処理し,それによる批判的な質問を生成する新しいタスクを提案する。 議論理論において、CQは、欠落している可能性のある情報を指差して、議論の盲点を埋めるように設計されたツールである。 LLMを用いたCQs生成の研究には,大規模な実験のための参照データセットが必要である。
  論文  参考訳（メタデータ） (2024-10-18T09:46:38Z)
• Are LLMs Aware that Some Questions are not Open-ended? [58.93124686141781]
  大規模言語モデルでは、いくつかの質問が限定的な回答を持ち、より決定論的に答える必要があることを認識しているかどうかを調査する。 LLMにおける疑問認識の欠如は,(1)非オープンな質問に答えるにはカジュアルすぎる,(2)オープンな質問に答えるには退屈すぎる,という2つの現象をもたらす。
  論文  参考訳（メタデータ） (2024-10-01T06:07:00Z)
• Open-domain Implicit Format Control for Large Language Model Generation [52.83173553689678]
  大規模言語モデル(LLM)における制御生成のための新しいフレームワークを提案する。 本研究では、LLMがオープンドメイン、ワンショット制約に従う能力と、サンプル回答の形式を再現する能力について検討する。 また、出力品質を劣化させることなく、LLMのオープンドメインフォーマット制御を強化する教師付き微調整のためのデータセット収集手法を開発した。
  論文  参考訳（メタデータ） (2024-08-08T11:51:45Z)
• Benchmarking Uncertainty Quantification Methods for Large Language Models with LM-Polygraph [83.90988015005934]
  不確実性定量化は機械学習アプリケーションにおいて重要な要素である。 最新のUQベースラインの集合を実装した新しいベンチマークを導入する。 我々は、11タスクにわたるUQと正規化技術に関する大規模な実証的研究を行い、最も効果的なアプローチを特定した。
  論文  参考訳（メタデータ） (2024-06-21T20:06:31Z)
• Get my drift? Catching LLM Task Drift with Activation Deltas [55.75645403965326]
  タスクドリフトは攻撃者がデータを流出させたり、LLMの出力に影響を与えたりすることを可能にする。 そこで, 簡易線形分類器は, 分布外テストセット上で, ほぼ完全なLOC AUCでドリフトを検出することができることを示す。 このアプローチは、プロンプトインジェクション、ジェイルブレイク、悪意のある指示など、目に見えないタスクドメインに対して驚くほどうまく一般化する。
  論文  参考訳（メタデータ） (2024-06-02T16:53:21Z)
• Can multiple-choice questions really be useful in detecting the abilities of LLMs? [15.756543037102256]
  大規模言語モデル(LLM)の評価には,MCQ(Multiple-choice Question)が広く用いられている。 課題と評価方法のミスアライメントは,MCQの有効性の思慮深い分析を必要とする。 質問応答(QA)データセットを中国語と英語の2言語で評価した。
  論文  参考訳（メタデータ） (2024-03-26T14:43:48Z)
• FreshLLMs: Refreshing Large Language Models with Search Engine Augmentation [92.43001160060376]
  本研究では,現在の世界知識をテストする質問に答える文脈において,大規模言語モデル(LLM)の事実性について検討する。 多様な質問や回答のタイプを含む新しい動的QAベンチマークであるFreshQAを紹介する。 我々は,2モード評価法により,閉じたLLMとオープンソースのLLMの多種多様な配列をベンチマークし,その正しさと幻覚の両面を計測する。 これらの結果に触発されたFreshPromptは、FreshQA上でのLLMの性能を大幅に向上させる単純な数ショットプロンプトである。
  論文  参考訳（メタデータ） (2023-10-05T00:04:12Z)
• From Images to Textual Prompts: Zero-shot VQA with Frozen Large Language Models [111.42052290293965]
  大規模言語モデル(LLM)は、新しい言語タスクに対して優れたゼロショット一般化を証明している。 視覚と言語データに対するエンドツーエンドのトレーニングは、切断を橋渡しするかもしれないが、柔軟性がなく、計算コストがかかる。 上述したモダリティとタスクの切断をブリッジできるプロンプトを提供するプラグイン・アンド・プレイモジュールであるemphImg2Promptを提案する。
  論文  参考訳（メタデータ） (2022-12-21T08:39:36Z)
• Self-Prompting Large Language Models for Zero-Shot Open-Domain QA [67.08732962244301]
  Open-Domain Question Answering (ODQA)は、背景文書を明示的に提供せずに質問に答えることを目的としている。 このタスクは、調整済みの検索リーダーモデルをトレーニングするデータがないゼロショット設定で顕著に困難になる。 本稿では,大規模言語モデルのパラメータに符号化された膨大な知識を明示的に活用するセルフプロンプトフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-16T18:23:43Z)

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。