.png){kind=icon}
返回
Multi-objective math problem generation using large language model through an adaptive multi-level retrieval augmentation framework
.png){kind=icon}
PRE
AI
DOI：10.1016/j.inffus.2025.103037.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数学问题是个性化教学中的重要知识载体和评估手段。其人工编写的成本高昂，推动了数学问题生成的研究。许多先前研究专注于数学文字问题的生成，但由于任务目标单一和生成结果差异小，难以满足真实教学需求。通过检索增强生成（RAG）融合外部知识，大型语言模型（LLM）能够生成多样化的数学问题，但生成结果仍存在知识一致性差、不可控及计算成本高等局限性。本文提出了多目标数学问题生成（MMPG）任务。该任务引入问题类型、知识点和难度三个生成目标，以响应真实场景中的教学需求。据我们所知，这是首次在数学问题生成过程中考虑多目标的研究。在此基础上，我们进一步为LLM设计了自适应多级检索增强框架（AMRAF），用于生成多目标数学问题。该即插即用框架通过细粒度信息检索与融合，在不调整目标模型参数的情况下有效提升生成性能。为验证所提框架的有效性并为后续研究提供基准，我们构建了一个包含9,000个样本的MMPG数据集。实验结果证明了我们框架的优越性和有效性。
Keyword:
Math problem generation
Large language model
Retrieval-augmented generation
Educational application
Generative artificial intelligence
期刊
IF:
15.5
论文数:
4.3K
被引数:
2.7W
机构
引用论文
A neural network solves, explains, and generates university math problems by program synthesis and few-shot learning at human level神经网络通过人类水平的程序合成和少量学习来解决，解释和生成大学数学问题
OAAI
OAAI分享收藏分享收藏Multi-view fusion for instruction mining of large language model多视图融合的大语言模型指令挖掘.png)
INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏Personas-based Student Grouping using reinforcement learning and linear programming基于强化学习和线性规划的基于人物角色的学生分组
PREAI
分享收藏
查看更多内容