Exploring Automated Distractor Generation for Math Multiple-choice Questions via Large Language Models

多项选择题（MCQs）在几乎所有教育层次中都很常见，因为它们易于管理、评分，并且是一种可靠的评估和实践格式。MCQs最重要的一个方面是干扰项，即针对真实学生常见错误或误解而设计的不正确选项。到目前为止，制作高质量干扰项的任务仍然是教师和学习内容设计师的一项劳动密集型和时间密集型工作，这限制了其可扩展性。在这项工作中，我们研究了在数学MCQs领域中自动生成干扰项的任务，并探索了各种基于大型语言模型（LLM）的方法，从上下文学习到微调。我们使用真实的数学MCQ数据集进行了大量实验，发现虽然LLMs可以生成一些数学上有效的干扰项，但它们不太擅长预测真实学生中的常见错误或误解。

自动化生成多项选择题中的干扰项是一项困难和耗时的任务，本文研究了在数学多项选择题中应用大型语言模型的自动化干扰项生成任务，并探索了不同的方法和技术。

本文使用大型语言模型进行数学多项选择题干扰项的生成，但是发现模型并不擅长预测学生常犯的错误和误解。

本文使用了真实的数学多项选择题数据集进行了广泛的实验，发现大型语言模型可以生成一些数学上合理的干扰项，但是对于学生常犯的错误和误解的预测能力有限。本文的研究对于自动化生成多项选择题干扰项的探索具有一定的参考价值。

在相关研究中，近期有一些关于利用大型语言模型生成多项选择题干扰项的研究，如《Leveraging Pre-trained Language Model for Distractor Generation in Multiple-Choice Question》和《Generating Plausible Distractors for Multiple-Choice Questions Using Generative Adversarial Networks》等。