Improving Automated Distractor Generation for Math Multiple-choice Questions with Overgenerate-and-rank

多项选择题（MCQs）在数学教育的各个层次中被广泛使用，因为它们可以大规模地部署和评分。 MCQs 的关键组成部分是干扰项，即设计成反映学生错误或误解的不正确答案。使用大型语言模型自动生成数学 MCQs 中的干扰项一直是一个具有挑战性的问题。在这项工作中，我们提出了一种新的方法，通过过度生成和排名来增强生成的干扰项的质量，训练一个排名模型来预测干扰项被真实学生选择的可能性。在真实数据集上的实验结果和与数学教师的人类评估表明，我们的排名模型增加了与人工编写的干扰项的一致性，尽管人工编写的干扰项仍然优于生成的干扰项。

本文旨在提高数学多项式选择题中错误选项的生成质量，以更好地反映学生的错误或误解。这是一个新问题吗？

本文提出了一种新的方法，通过过度生成和排序来增强生成的错误选项的质量，训练排名模型来预测学生选择错误选项的可能性。相比当前领域的研究状况，这篇论文提出了一种新颖的方法来生成错误选项。

本文使用实际数据集进行实验，并进行了数学教师的人工评估。结果表明，使用排名模型可以提高生成错误选项与人工编写错误选项的一致性，但人工编写的错误选项仍然优于生成的错误选项。本文的方法可以为多项式选择题的自动评分提供帮助。

最近的相关研究包括：1.``Generating Distractors for Multiple Choice Math Problems using Adversarial Networks''；2.``Automatic Generation of Wrong Answers for Math Questions using Deep Learning''