CDGP: Automatic Cloze Distractor Generation based on Pre-trained Language Model

手动设计填空题需要耗费大量时间和精力。主要的挑战在于错误选项（干扰项）的选择。精心设计的干扰项可以提高学习者能力评估的有效性。因此，自动生成填空干扰项的想法应运而生。在本文中，我们探讨了利用预训练语言模型（PLMs）作为候选干扰项生成的替代方法来生成填空干扰项。实验表明，PLM增强模型带来了显著的性能提升。我们最佳的模型将NDCG@10得分从14.94提高到34.17，进一步推进了最新研究成果。我们的代码和数据集可在https://github.com/AndyChiangSH/CDGP找到。

论文旨在探索使用预训练语言模型（PLMs）作为候选干扰项生成的替代方案，以解决自动生成填空题干扰项的问题。该论文的贡献在于提高了学习者能力评估的效果。

论文的关键思路是使用预训练语言模型（PLMs）生成干扰项，从而提高自动生成填空题干扰项的效果。相比之前的研究，该论文的思路更为先进。

论文使用了多个数据集进行实验，并提供了开源代码和数据集。实验结果表明，PLM增强模型的性能有了显著提高，最优模型的NDCG@10分数从14.94提升到了34.17。该论文的研究成果有望为自动化生成填空题干扰项提供更为高效的解决方案。

在该领域的相关研究还包括：1.《A Survey of Question Generation Techniques: What to Ask, When to Ask, and How to Ask》；2.《Distractor Generation for Multiple Choice Questions Using Learning to Rank》；3.《Automated Generation of Distractors for Multiple Choice Questions Using Word Embeddings》等。