DGRC: An Effective Fine-tuning Framework for Distractor Generation in Chinese Multi-choice Reading Comprehension

在评估学习者的知识水平时，多项选择题是标准化测试中一种高效且广泛使用的格式。然而，生成这些问题，特别是可信的干扰项（不正确的选项），是一个相当大的挑战。一般来说，干扰项生成可以分为填空式干扰项生成（CDG）和自然问题干扰项生成（NQDG）。与CDG相比，利用预训练语言模型（PLMs）进行NQDG存在三个主要挑战：（1）PLMs通常是训练生成“正确”内容，如答案，而很少训练生成“可信”内容，如干扰项；（2）PLMs通常难以产生与特定知识和考试风格相符的内容；（3）NQDG需要模型生成更长、上下文敏感且与问题相关的干扰项。在本研究中，我们介绍了一个名为DGRC的微调框架，用于从真实考试中的中文多项选择阅读理解中进行NQDG。DGRC包括三个主要组成部分：硬链式思维、多任务学习和生成掩码模式。实验结果表明，DGRC显著提高了生成性能，在BLEU得分方面实现了超过2.5倍的改进。

本论文旨在解决多选阅读理解中自动生成干扰项的难题。

论文提出了一种基于预训练语言模型的NQDG方法，包括硬链式思维、多任务学习和生成掩码模式三个组成部分。该方法在中文多选阅读理解干扰项生成上取得了显著的性能提升。

论文使用了中文多选阅读理解真实考试数据集进行实验，并通过BLEU分数评估了干扰项生成的性能。论文还开源了代码。

与本论文相关的研究包括：1. Generating Plausible Distractors Using Generative Adversarial Networks for Multiple Choice Questions；2. A Hybrid Approach to Generating Plausible Distractors for Multiple-Choice Questions Using Paraphrase and Selectional Preference.