Fugu-MT 論文翻訳(概要): BengaliMCQ: Automatic Generation and Answer Prediction of Academic Multiple-Choice Questions in a Low-Resource Language

論文の概要: BengaliMCQ: Automatic Generation and Answer Prediction of Academic Multiple-Choice Questions in a Low-Resource Language

arxiv url: http://arxiv.org/abs/2608.15547v1
Date: Sun, 16 Aug 2026 05:44:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-18 19:59:03.335667
Title: BengaliMCQ: Automatic Generation and Answer Prediction of Academic Multiple-Choice Questions in a Low-Resource Language
Title（参考訳）: BengaliMCQ:低リソース言語における学術的多項目質問の自動生成と回答予測
Abstract要約: 従来の検索拡張世代(RAG)フレームワークは、階層構造に従わずに文書を処理する。本稿では,ベンガル語の教科書を階層的なグラフとしてモデル化する構造対応RAGフレームワークを提案する。
参考スコア（独自算出の注目度）: 0.28392376339146147
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Traditional retrieval-augmented generation (RAG) frameworks process documents without attending to their hierarchical structure, leading to poor performance, especially in low-resource languages such as Bengali. To address this, we propose a structure-aware RAG framework that models Bengali textbooks as hierarchical graphs and uses a contrastively trained graph neural network to retrieve a small set of relevant passages. These passages provide focused context for a large language model, enabling topic-specific multiple-choice question (MCQ) generation and in-domain answer prediction. Experimental results demonstrate that our framework outperforms strong dense retrieval baselines across retrieval metrics, produces more relevant MCQs, and achieves superior answer prediction accuracy.
Abstract（参考訳）: 従来の検索強化世代(RAG)フレームワークは階層構造に従わずに文書を処理し、特にベンガル語のような低リソース言語ではパフォーマンスが劣っている。そこで本稿では,ベンガルの教科書を階層グラフとしてモデル化する構造対応RAGフレームワークを提案する。これらの節は、トピック固有の多重選択質問(MCQ)生成とドメイン内応答予測を可能にする、大きな言語モデルのための集中コンテキストを提供する。実験結果から,本フレームワークは,検索指標間の高密度検索ベースラインよりも優れ,より関連性の高いMCQを生成し,より優れた回答予測精度を実現することが示された。

関連論文リスト

HyGRL: Adaptive Hybrid Graph Reasoning for Multi-Entity Questions [6.383838707344047]
構造化知識グラフに非構造化テキストを埋め込む統合フレームワークである textbffwa を提案する。推論はアダプティブな構造誘導として定式化され、頑健な2段階のプロセスを通して学習される。実験により、fwaはテキストの豊かさと構造的知識を効果的に融合し、SOTAベースラインを上回り、答えの正確さと推論の忠実さを上回ります。
論文参考訳（メタデータ） (2026-07-04T07:07:15Z)
RouteRAG: Efficient Retrieval-Augmented Generation from Text and Graph via Reinforcement Learning [69.87510139069218]
Retrieval-Augmented Generation (RAG)は、非パラメトリック知識をLarge Language Models (LLM)に統合する強化学習(RL)による多ターン推論へのテキストベースRAGの進歩 LLMがマルチターンおよび適応的なグラフテキストハイブリッドRAGを実現するためのRLベースのフレームワークであるモデルを導入する。
論文参考訳（メタデータ） (2025-12-10T10:05:31Z)
ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering [54.72902502486611]
ReAG(Reasoning-Augmented Multimodal RAG)は、粗い部分ときめ細かい部分の検索と、無関係な通路をフィルタリングする批評家モデルを組み合わせた手法である。 ReAGは従来の手法よりも優れており、解答精度が向上し、検索された証拠に根ざした解釈可能な推論を提供する。
論文参考訳（メタデータ） (2025-11-27T19:01:02Z)
Domain-Specific Data Generation Framework for RAG Adaptation [58.20906914537952]
Retrieval-Augmented Generation (RAG)は、大規模言語モデルの言語理解と推論能力と外部検索を組み合わせ、ドメイン基底応答を可能にする。本稿では,様々なRAG適応手法に合わせて,ドメイン基底型質問応答コンテキスト(QAC)トリプルを生成するフレームワークであるRAGenを提案する。
論文参考訳（メタデータ） (2025-10-13T09:59:49Z)
Query-Aware Graph Neural Networks for Enhanced Retrieval-Augmented Generation [0.0]
検索強化生成(RAG)のための新しいグラフニューラルネットワークアーキテクチャを提案する。提案手法は,テキストチャンク間の逐次的および意味的関係をキャプチャする,エピソードごとの知識グラフを構築する。ユーザクエリに基づいてグラフの関連部分に動的にフォーカスするクエリ誘導プーリングを備えた拡張グラフアテンションネットワークを導入する。
論文参考訳（メタデータ） (2025-07-25T19:42:27Z)
ELITE: Embedding-Less retrieval with Iterative Text Exploration [5.8851517822935335]
大規模言語モデル(LLM)は自然言語処理において顕著な進歩を遂げた。長期のコンテキスト制約を維持する能力は、ドキュメントレベルやマルチターンタスクのパフォーマンスを制限します。
論文参考訳（メタデータ） (2025-05-17T08:48:43Z)
Mixture of Structural-and-Textual Retrieval over Text-rich Graph Knowledge Bases [78.62158923194153]
テキストリッチなグラフ知識ベース(TG-KB)は、テキストおよび構造的知識を提供することで、クエリに応答する上でますます重要になっている。本研究では,これら2種類の知識を計画・推論・組織化フレームワークを用いて検索するための構造・テキスト検索(MoR)の混合を提案する。
論文参考訳（メタデータ） (2025-02-27T17:42:52Z)
Advancing Retrieval-Augmented Generation for Persian: Development of Language Models, Comprehensive Benchmarks, and Best Practices for Optimization [0.0]
本研究は,ペルシャ固有のモデルを導入することにより,検索と生成の精度を向上させることを目的とする。 3つのデータセット(一般知識(PQuad)、科学的に専門化されたテキスト、組織報告)を使用して、これらのモデルを評価した。 MatinaSRobertaは以前の埋め込みよりも優れており、データセット間のコンテキスト関連性と検索精度に優れていた。
論文参考訳（メタデータ） (2025-01-08T22:16:40Z)
Less is More: Making Smaller Language Models Competent Subgraph Retrievers for Multi-hop KGQA [51.3033125256716]
本研究では,小言語モデルで処理される条件生成タスクとして,サブグラフ検索タスクをモデル化する。 2億2千万のパラメータからなる基本生成部分グラフ検索モデルでは,最先端モデルと比較して競合検索性能が向上した。 LLMリーダを接続した最大の3Bモデルは、WebQSPとCWQベンチマークの両方で、SOTAのエンドツーエンドパフォーマンスを新たに設定します。
論文参考訳（メタデータ） (2024-10-08T15:22:36Z)
Prompting Large Language Models with Chain-of-Thought for Few-Shot Knowledge Base Question Generation [19.327008532572645]
知識ベースに関する質問生成(KBQG)は、論理形式を自然言語の質問に変換することを目的としている。推論のためのコンテキスト内学習戦略であるChain-of-Thoughtプロンプトを提案する。 3つのKBQGデータセットに対して広範な実験を行う。
論文参考訳（メタデータ） (2023-10-12T15:08:14Z)
Physics of Language Models: Part 1, Learning Hierarchical Language Structures [51.68385617116854]
トランスフォーマーベースの言語モデルは効率的だが複雑であり、内部の動作や推論メカニズムを理解することは大きな課題である。本稿では,長文を生成可能な階層規則を生成する合成CFGのファミリーを紹介する。我々は、GPTのような生成モデルがCFG定義階層を正確に学習し、推論し、それに基づいて文を生成することを実証する。
論文参考訳（メタデータ） (2023-05-23T04:28:16Z)

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。