Многоагентная система совместной генерации математических задач

Аннотация

Автоматическая генерация вопросов (AQG) для математического образования остается сложной задачей для интеллектуальных обучающих систем и педагогов. Хотя предварительно обученные языковые модели на основе трансформеров значительно продвинули генерацию естественного языка, они часто испытывают трудности с точным контролем сложности задач и когнитивных требований. В данной статье мы представляем совместный мультиагентный фреймворк как новый метод интеграции вычислений на этапе вывода в AQG. Этот подход использует несколько агентов, которые итеративно улучшают сгенерированные пары вопрос-ответ для достижения более сбалансированного уровня сложности и когнитивной нагрузки. Мы оцениваем сгенерированные вопросы по пяти мета-критериям: релевантность, важность, ясность, соответствие сложности и возможность ответа, чтобы оценить способность системы контролировать требуемую сложность и качество вопросов. Предварительные оценки показывают, что совместный мультиагентный фреймворк повышает качество генерируемого образовательного контента, способствуя более тонкому балансу между когнитивным вызовом и ясностью. Эти обнадеживающие результаты свидетельствуют о том, что интеграция совместных мультиагентных процессов может привести к созданию более контролируемого и педагогически ценного контента, что способствует развитию автоматизированной генерации образовательных материалов и адаптивных обучающих сред.

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.

Многоагентная система совместной генерации математических задач

Multi-Agent Collaborative Framework For Math Problem Generation

Аннотация

Support