本研究提出了一种基于多智能体系统的数据增强方法，旨在提高抽取式阅读理解系统在处理长上下文时对可回答和不可回答问题的识别能力。通过构建FactGuard-Bench数据集，实验证明该方法显著降低了人工注释成本，并提升了模型的推理能力，为大型语言模型的训练与优化提供了重要见解。

个性化调整和零-shot推理方法在主观任务上提高了模型的推理能力，不同的大语言模型架构也实现了一致性性能提升。这强调了个性化对于增强大语言模型在主观文本感知任务中的重要性。