一种基于大语言模型的中小学学科阅读题目生成方法
本发明属于自然语言处理与智能教育,尤其涉及一种基于大语言模型的中小学学科阅读题目生成方法。
背景技术:
1、目前,中小学课堂教育中阅读理解类题目主要包括语文学科中的现代文阅读题目、文言文阅读题目,以及英语学科中的英语语篇阅读题目几种类型。传统的中小学阅读理解题目命制工作主要依赖人工操作,命制工作主要由教研专家和一线教师人工完成。命题教师首先从已有的各类语篇(现代文、文言文、英语语篇)中筛选出符合命题要求的篇目作为阅读素材,然后依据具体的教学大纲和考试说明中给定的考查要点(如字词理解、段落概括、主旨分析等)逐一编写题干,设定相关干扰项(针对选择题)和正确答案,最后由题目命制工作组进行多轮审核和校对,方能作为成品题目应用于学生的练习和考试等场景。
2、人工题目命制工作虽能产出高质量的题目,但工作效率低下,题目丰富性和多样性一般。由于基础教育阶段学生数量庞大,题目需求量巨大,人工命制题目不仅效率低下、需投入的人力成本高昂,而且难以保证题目命制的丰富性和多样性,难以匹配目前中小学教育的实际需求。
3、近年来,随着大语言模型(large language model, llm)技术的快速发展,出现了直接调用通用大语言模型生成阅读理解题目的尝试。用户向通用大语言模型输入语篇作为阅读材料,并给出简单的出题指令,通用大语言模型通过对语篇的理解,直接执行出题指令,输出若干道题目并能够给出参考答案。例如,已有研究尝试利用大语言模型自动生成中文阅读课程的随堂测试题,也有研究者提出了基于大语言模型与检索增强的学科试题生成方法。通用大语言模型题目命制的优点是效率较高,能在短时间内产出大量题目,且需投入的人工成本较低,无需专业教研人员或一线教师即可完成题目生成工作。
4、然而,通用大语言模型的训练数据庞杂,生成题目的过程中极有可能将其他无关的训练材料信息与阅读材料进行拟合,导致生成内容不可控,缺乏真实性可靠性,存在明显的事实性错误。例如,通用大语言模型可能为阅读材料虚构不符合事实的写作背景,为古诗生成错误的赏析解读,编造不存在的古诗文内容等。此类事实性错误一旦进入阅读题目并投入实际应用,将影响学生的认知,产生严重后果。另外,通用大语言模型对中小学学科的教学目标、课程标准并不了解,所生成的题目即便不存在任何事实错误,也难以保证其难度层级和知识点覆盖程度能够符合真实课堂教学的要求,难以直接应用于实际教学场景。
5、目前,中小学阅读题目的生成仍以人工命制为主,尚未有一种能够兼顾生成效率与内容准确性、且能精准对接教学目标的阅读题目自动生成方法。
技术实现思路
1、本发明实施例的目的在于提供一种基于大语言模型的中小学学科阅读题目生成方法,旨在解决上述背景技术中提出的问题。
2、本发明实施例是这样实现的,一种基于大语言模型的中小学学科阅读题目生成方法,包括以下步骤:
3、步骤1:教学目标数据库构建;
4、获取中小学语文学科和英语学科的课程标准及教学大纲,从中提取各年级学科教学目标所要求的知识点体系、能力层级及考查形式信息;将所提取的信息按照年级学段维、能力维度维和知识类别维三个维度进行归类整理,为每条教学目标信息添加所属年级学段标签、能力类型标签和知识类别标签;将归类整理后的教学目标信息进行数字化编码,建立三个维度的映射表,并以数据库形式存储,构建教学目标数据库;
5、步骤2:阅读材料信息提取;
6、调用大语言模型对输入的目标阅读材料进行文本类型辨析,确定目标阅读材料的文本类型为现代文、文言文或英语语篇;对目标阅读材料进行文本理解分析,从中抽取包含关键事实信息的篇章构成单位作为信息单位;对提取出的信息单位进行多轮迭代提取和原文映射核验,将通过映射核验的信息单位赋予高出题优先级,未通过映射核验的信息单位赋予低出题优先级;将提取出的信息单位以数据库形式存储,构建原文信息数据库;
7、步骤3:篇章构成要素影响度测量;
8、以句子为单位,从词汇维度、句法维度和篇章维度三个维度对目标阅读材料中的所有语句进行评估,综合三个维度的评估结果为各语句赋予出题优先级;
9、步骤4:题目生成约束条件构建;
10、综合教学目标数据库和原文信息数据库中的信息,生成统一的题目生成约束条件;所述约束条件包括年级学段约束、能力维度约束、知识类别约束、难度约束、题型约束和原文信息约束;
11、步骤5:阅读题目生成;
12、将目标阅读材料与题目生成约束条件共同输入大语言模型,生成题目候选集;
13、步骤6:题目校验与筛选;
14、提取题目候选集中所有题干和参考答案中包含的信息单位,执行原文映射核验,将所提取的信息单位与原文信息数据库中的信息单位进行比对,筛除题干或参考答案存在事实错误的题目;评估剩余题目的难度系数,将各题目的难度系数与约束条件中的标准难度系数进行比对,筛除偏离标准难度系数超过预设阈值的题目,得到最终输出题目集。
15、进一步的技术方案,在所述步骤1中,年级学段维包括小学各年级、初中各年级和高中各年级;
16、所述能力维度维包括信息提取能力、理解阐释能力、鉴赏评价能力和表达运用能力;
17、所述知识类别维包括字词理解、句段分析、篇章结构、修辞手法、写作特色和文化常识。
18、进一步的技术方案,在所述步骤2中,多轮迭代提取包括:以句子为单位完整遍历原文,提取信息单位;当轮提取结束后,筛选出被提取信息单位数量少于预设阈值的句子进行再次检查。
19、进一步的技术方案,在所述步骤2中,原文映射核验包括以下核验内容:
20、核验信息单位中的关键事实信息是否确实出现在原文指定位置;核验信息单位所描述的关系或属性是否在原文中有对应的语言表达;核验信息单位的表述是否在语义上与原文保持一致。
21、进一步的技术方案,在所述步骤3中,所述词汇维度评估包括词汇熟悉度评估、词汇抽象程度评估和一词多义性评估;
22、所述句法维度评估包括句长评估、复合句比例评估和特殊句式比例评估;
23、所述篇章维度评估用于评估语句对语篇整体语义的影响度。
24、进一步的技术方案,在所述步骤4中,约束条件采用结构化编码形式,以“维度-取值”映射集合的方式表示,各维度之间以逻辑“与”关系并列。
25、进一步的技术方案,在所述步骤6中,难度系数评估包括以下三个评估维度:题干复杂度评估、能力要求评估以及知识类别与题型评估。
26、进一步的技术方案,针对文言文文本类型,在所述步骤2中,还提取文本中的重点实词含义、文言语法和古代文化常识信息;针对英语语篇文本类型,在所述步骤2中还提取文本中的关键逻辑信息、英语语法和重点单词信息。
27、本发明实施例提供的一种基于大语言模型的中小学学科阅读题目生成方法,具有以下有益效果:
28、(1)实现了中小学阅读题目的高效生成:通过大语言模型的自动化处理,题目生成效率远超人工命制,能够在短时间内产出大量题目,满足基础教育阶段庞大的题目需求。
29、(2)有效消除了通用大语言模型在命题场景中极易产生的事实性错误:通过构建原文信息数据库、多轮迭代提取、原文映射核验以及生成后的双重校验机制,确保所有生成题目的题干和参考答案均有原文明确依据,杜绝了虚构事实、错误解读等问题。
30、(3)实现了题目难度与知识点覆盖程度对教学目标和课程标准的精准对接:通过构建教学目标数据库并将教学目标信息转化为结构化的题目生成约束条件,确保生成题目的考察内容、难度层级符合对应年级学段的教学大纲要求,可直接应用于实际中小学课堂教学。
31、(4)实现了出题点的智能优化选择:通过篇章构成要素影响度测量机制,从词汇、句法、篇章三个维度综合评估语句的重要程度,使题目生成围绕文本中的关键信息展开,提高了生成题目的质量和针对性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com