教师如何利用大型语言模型和布鲁姆纳姆的分类法创建教育测验
内容提要
该文综述自动问题生成（QGen）在教育中的应用：利用Transformer语言模型从文本生成阅读理解题、多选题及不同难度的问题，服务于形成性与总结性评估。人工评估表明高质量、多样化的问题有助于教学，但最佳模型仅获教师68.4%的认可，因此需要新的自动评估指标。研究还探索结合Bloom分类法生成ChatGPT难以回答的问题，并呼吁建立强调教师控制与可解释性的人机协作系统。
延伸解读
自动出题的实际效果仍有限
文章指出，尽管自动问题生成（QGen）模型取得显著进展，但最佳模型生成的问题仅获得10名教师中68.4%的认可。这意味着当前技术尚不能完全替代教师出题，教师仍需对生成内容进行筛选和修改。读者应关注模型的实际可用性，而非仅看技术指标。
布鲁姆分类法用于对抗ChatGPT代答
研究尝试结合布鲁姆分类法优化关键词集，以生成ChatGPT难以回答的问题。案例表明，优化算法能找到不同认知水平的关键词，从而设计出需要批判性思维的问题。这为教师提供了思路：利用分类法提升问题深度，减少学生直接依赖AI作答的可能。
教师控制与可解释性是人机协作关键
文章观察到教师对NLP辅助出题兴趣浓厚，但实际采用率不高。作者呼吁建立强调教师控制和可解释性的协作系统，提供过程支持、模块化设计并处理多种输入。这表明技术落地需兼顾教师的工作流程和信任感，而非单纯追求自动化。
Q&A
自动问题生成（QGen）技术目前能达到什么水平？
近期QGen取得显著进展，但最佳模型生成的问题仅获得10名教师中68.4%的接受度，说明仍需新的自动评估指标来指导研究。
如何利用布鲁姆分类法生成ChatGPT难以回答的问题？
通过演化方法确定布鲁姆分类法的最佳关键词集，针对不同认知水平生成问题，使ChatGPT难以回答，从而促进学生的批判性思维。
自动问题生成工具能用于哪些教学评估场景？
可用于学校的形成性评估和总结性评估，例如自动生成阅读理解测试和多项选择题。
教师对使用NLP系统辅助问题设计的态度如何？
教师表现出极大兴趣，但实践中仍未被广泛采用，因此需要建立强调教师控制和可解释性的人机协作系统。
基于Transformer的语言模型如何生成教育问题？
通过迁移学习，单个基于Transformer的单向语言模型即可生成与上下文相关且易于回答的高质量问题，无需依赖辅助数据。
自动生成的问题如何适应不同难度或学生水平？
利用预训练语言模型进行目标化问题生成，可以生成适合不同难度的问题，为智能自适应在线教育系统提供新方法。
