研究提出了Tree-of-Experts (ToE)方法，用于增强Winograd Schema Challenge中问题的生成。通过引入新的数据集WSC+，包含3,026个由Large Language Models生成的句子，对模型过度自信与偏见提供了更深入洞察。分析发现，LLMs在评估自己生成的问题时表现不佳，GPT-4在WSC+上的准确率为68.7%，明显低于人类基准的95.1%。