論文の概要: A Multi-Agent Framework for Feature-Constrained Difficulty Control in Reading Comprehension Item Generation

• arxiv url: http://arxiv.org/abs/2605.19316v1
• Date: Tue, 19 May 2026 03:52:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.105854
• Title: A Multi-Agent Framework for Feature-Constrained Difficulty Control in Reading Comprehension Item Generation
• Title（参考訳）: 読解項目生成における特徴制約付き難易度制御のためのマルチエージェントフレームワーク
• Authors: Seonjeong Hwang, Jun Seo, Hyounghun Kim, Gary Geunbae Lee,
• Abstract要約: 機能制約のあるアイテム生成のためのマルチエージェントフレームワークMAFIGを紹介する。 我々は,MAFIGが基準線よりもはるかに高い速度で目標制約に従属する項目を生成することを示す。
• 参考スコア（独自算出の注目度）: 20.254916590320672
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent studies in difficulty-controlled reading comprehension item generation have leveraged large language models (LLMs) to produce items by adjusting difficulty-related features. However, existing methods typically rely on a single-agent prompting approach, which often fails to consistently satisfy specified feature constraints, resulting in items that deviate from the target difficulty level. To address this limitation, we introduce MAFIG, a Multi-agent Framework for Feature-constrained Item Generation, where multiple LLM agents and feature-specific evaluators collaborate to generate and iteratively revise items based on intended constraints. Furthermore, to verify the efficacy of MAFIG in difficulty control, we propose a method for constructing a sequence of feature constraint sets that yield items with monotonically increasing difficulty. Experimental results demonstrate that MAFIG generates items that adhere to target constraints at a significantly higher rate than baselines, achieving robust difficulty control through the difficulty-calibrated constraint sequence.
• Abstract（参考訳）: 近年の読解難読度制御項目生成の研究は,難読度に関連する特徴を調整することで,大規模言語モデル (LLM) を活用して商品を生産している。 しかし、既存のメソッドは通常、単一エージェントのプロンプトアプローチに依存しており、しばしば特定の制約を一貫して満たすことに失敗し、結果としてターゲットの難易度から逸脱する。 この制限に対処するために,複数のLLMエージェントと特徴特異的評価器が協調して,意図した制約に基づいてアイテムを生成し,反復的に修正する機能制約付きアイテム生成のためのマルチエージェントフレームワークであるMAFIGを紹介した。 さらに,MAFIGの難易度制御における有効性を検証するために,単調に増大する難易度を有する項目を生成する特徴制約セットのシーケンスを構築する手法を提案する。 実験の結果,MAFIGは基準値よりもかなり高い速度で目標制約に従属する項目を生成し,難易度調整された制約シーケンスを通した頑健な難易度制御を実現していることがわかった。

関連論文リスト

• Learning and Enforcing Context-Sensitive Control for LLMs [48.58004364546273]
  本稿では,大規模言語モデルの相互作用から文脈依存制約を自動的に学習するフレームワークを提案する。 実験により,本手法は,LLM (1Bパラメータ) の学習と生成を完全制約付きで行うことができることを示した。
  論文  参考訳（メタデータ） (2026-04-12T14:50:03Z)
• On the Paradoxical Interference between Instruction-Following and Task Solving [50.75960598434753]
  次の命令は、大規模言語モデル(LLM)を、タスクの実行方法に関する明示的な制約を指定することで、人間の意図と整合させることを目的としている。 我々は,LLMのタスク解決能力にパラドックス的に干渉する命令に従うという,直感に反する現象を明らかにした。 本稿では,タスク解決に追従する命令の干渉を定量化する指標として,SUSTAINSCOREを提案する。
  論文  参考訳（メタデータ） (2026-01-29T17:48:56Z)
• AR-MOT: Autoregressive Multi-object Tracking [56.09738000988466]
  本稿では,大規模言語モデル(LLM)フレームワーク内のシーケンス生成タスクとしてMOTを定式化する,新しい自己回帰パラダイムを提案する。 この設計により、タスク固有のヘッドを必要とせずに、フレキシブルなシーケンス構成によって構造化された結果を出力できる。 地域レベルの視覚知覚を高めるために,事前訓練された検出器に基づくオブジェクト・トケナイザを導入する。
  論文  参考訳（メタデータ） (2026-01-05T09:17:28Z)
• Difficulty-Aware Agentic Orchestration for Query-Specific Multi-Agent Workflows [5.376980683850103]
  本稿では,予測困難により誘導されるクエリ固有多エージェントを生成するDifficulty-Aware Agentic Orchestration (DAAO)を提案する。 DAAOは、精度と推論効率の両方において、従来のマルチエージェントシステムを上回る。
  論文  参考訳（メタデータ） (2025-09-14T03:57:43Z)
• Order Matters: Investigate the Position Bias in Multi-constraint Instruction Following [39.114513139453756]
  複数の制約を持つ実世界の命令は、既存の大規模言語モデル(LLM)に重大な課題をもたらす。 我々は,CDDI(Difficulty Distribution Index)による制約の難易度分布を定量的に測定する。 難解な順序で制約を提示した場合, LLM はより高性能であることが判明した。
  論文  参考訳（メタデータ） (2025-02-24T14:39:28Z)
• Multi-Attribute Constraint Satisfaction via Language Model Rewriting [67.5778646504987]
  マルチ属性制約満足度(英: Multi-Attribute Constraint Satisfaction, MACS)は、言語モデルを微調整して、複数の外部実値属性に対するユーザ指定制約を満たす手法である。 我々の研究は、NLPやバイオインフォマティクスにまたがる多様な応用に影響を及ぼす、一般化および実値多属性制御のための新しい道を開く。
  論文  参考訳（メタデータ） (2024-12-26T12:36:39Z)
• One Arrow, Many Targets: Probing LLMs for Multi-Attribute Controllable Text Summarization [7.734726150561089]
  Multi-Attribute Controllable Summarization (MACS)は、自然言語処理(NLP)コミュニティの中で確立されたタスクである。 本研究は,大規模言語モデルのレンズを通してMACSタスクを調べることで,そのギャップに対処する。 2つの異なる制御可能な属性からの学習を統合するために,新しい階層型アダプタ融合手法を提案し,評価する。
  論文  参考訳（メタデータ） (2024-11-02T11:07:25Z)
• Control Large Language Models via Divide and Conquer [94.48784966256463]
  本稿では,Lexically Constrained Generation(LCG)に着目し,大規模言語モデル(LLM)のプロンプトベース制御による制御可能生成について検討する。 我々は,レキシカル制約を満たすためのLLMの性能を,プロンプトベース制御により評価し,下流アプリケーションでの有効性を検証した。
  論文  参考訳（メタデータ） (2024-10-06T21:20:06Z)
• Solving Continuous Control via Q-learning [54.05120662838286]
  深いQ-ラーニングの簡単な修正は、アクター批判的手法による問題を大幅に軽減することを示します。 バンバン動作の離散化と値分解、協調マルチエージェント強化学習(MARL)としての単一エージェント制御のフレーミングにより、このシンプルな批判のみのアプローチは、最先端の連続アクター批判法の性能と一致する。
  論文  参考訳（メタデータ） (2022-10-22T22:55:50Z)

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。