Multi-Agenten-Kollaborationsrahmen zur Generierung mathematischer Probleme

Zusammenfassung

Die automatische Fragengenerierung (Automatic Question Generation, AQG) für die Mathematikbildung bleibt ein schwer erreichbares Ziel für Intelligente Tutorensysteme und Pädagogen. Obwohl vortrainierte Transformer-basierte Sprachmodelle die natürliche Sprachgenerierung erheblich vorangetrieben haben, kämpfen sie oft damit, die Problemkomplexität und kognitiven Anforderungen präzise zu steuern. In diesem Artikel stellen wir ein kollaboratives Multi-Agenten-Framework als neuartige Methode vor, um Inferenzzeit-Berechnungen in die AQG zu integrieren. Dieser Ansatz nutzt mehrere Agenten, die generierte Frage-Antwort-Paare iterativ verfeinern, um Komplexität und kognitive Anforderung besser auszubalancieren. Wir bewerten die generierten Fragen anhand von fünf Meta-Bewertungskriterien: Relevanz, Wichtigkeit, Klarheit, Schwierigkeitsabstimmung und Beantwortbarkeit, um die Fähigkeit des Systems zu beurteilen, die erforderliche Komplexität und Qualität der Fragen zu kontrollieren. Vorläufige Bewertungen zeigen, dass dieses kollaborative Multi-Agenten-Framework die Qualität des generierten Bildungsinhalts durch eine differenziertere Balance zwischen kognitiver Herausforderung und Klarheit steigert. Diese vielversprechenden Ergebnisse deuten darauf hin, dass die Integration kollaborativer Multi-Agenten-Workflows besser kontrollierte, pädagogisch wertvolle Inhalte liefern kann, die die automatisierte Generierung von Bildungsinhalten und adaptive Lernumgebungen voranbringen können.

English

Automatic question generation (AQG) for mathematics education remains an elusive goal for Intelligent Tutoring Systems and educators. While pre-trained transformer-based language models have significantly advanced natural language generation, they often struggle to precisely control problem complexity and cognitive demands. In this paper, we introduce a collaborative multi-agent framework as a novel method of incorporating inference-time computation into AQG. This approach leverages multiple agents that iteratively refine generated question-answer pairs to better balance complexity and cognitive demand. We evaluate the generated questions on five meta-evaluation criteria: relevance, importance, clarity, difficulty matching, answerability, to assess the system's ability to control the required complexity and quality of the questions. Preliminary evaluations show that this collaborative multi-agent framework elevates the quality of generated educational content by fostering a more nuanced balance between cognitive challenge and clarity. These promising outcomes suggest that integrating collaborative multi-agent workflows can yield more controlled, pedagogically valuable content that can help advance automated educational content generation and adaptive learning environments.

Multi-Agenten-Kollaborationsrahmen zur Generierung mathematischer Probleme

Multi-Agent Collaborative Framework For Math Problem Generation

Zusammenfassung

Support