本研究探讨了大型语言模型在自动生成多项选择题干扰项方面的能力，发现其在预测学生常见错误上表现较弱。通过评估生成的干扰项和反馈信息，提出了改进方向，并展示了上下文感知模型在生成高质量误选项方面的优势。此外，研究还创建了教育问题测试题库和多语言误选项词汇池，为未来研究提供支持。

本文介绍了一种新型干扰项生成方案，结合多任务和负答案训练策略，显著提升了干扰项的质量和多样性。研究表明，利用大型语言模型生成的干扰项在多项选择题中表现优异，超越了现有模型。

本研究探讨了利用大型语言模型自动生成数学多项选择题的干扰项及反馈信息。结果表明，基于上下文的模型在生成高质量误选项方面优于传统模型。研究创建了包含298道教育问题的题库和77K多语言误选项词汇池，为未来研究奠定基础。此外，提出了新的评价模型DISTO，验证其在干扰项评价中的有效性。