ReGAP：基于证据且通过推理引导的对话式问题生成方法

《ACM Transactions on Intelligent Systems and Technology》：ReGAP: Evidence-Aligned Conversational Question Generation via Reasoning-Guided Action Planning

　　

摘要AI总结

要查看此由AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

对话式问题生成技术在支持基于文本的对话学习方面展现出巨大潜力。现有方法主要优化问题的相关性、流畅性以及答案的一致性，却较少关注后续问题是否能帮助学习者修正对证据的不完整或片面使用。在实际应用中，学习者可能仅依赖部分与任务相关的证据，从而导致对原文内容的理解不完整或过度泛化。为解决这一问题，我们提出了推理引导型行动规划（ReGAP），这是一种基于证据匹配的对话式问题生成框架。ReGAP将后续问题生成视为一个序列化的干预规划问题。它首先根据对话历史估计学习者的证据使用状态，然后通过将目标证据与推理操作相结合来构建结构化的干预措施。基于这种状态-行动表示，ReGAP利用蒙特卡洛树搜索比较不同干预策略在未来对话进程中的表现，并进一步结合经验先验以提高规划效率与稳定性。在多个对话数据集上的实验表明，ReGAP在证据匹配推理方面始终优于现有的优秀基准方法。专家标注和真实用户研究也进一步证明，ReGAP生成的问题能更好地引导学习者找到与任务相关的证据，同时保持对话的流畅性并提升用户体验。这些结果表明，基于规划的对话式干预是实现证据匹配型对话式问题生成发展的有力方向。

AI总结

AI生成的总结（实验版本）

该总结是通过自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章相关性，以及便于相关领域的读者理解本文内容。它是对作者提供的摘要的补充，而作者提供的摘要仍是文章的核心总结。全文仍是具有权威性的版本。点击此处了解更多。

点击此处，可以对该总结的准确性、清晰度及实用性发表意见。您的反馈将有助于改进未来的总结版本。

要查看此由AI生成的通俗语言总结，您需要拥有高级访问权限。