PulseAugur
中
实时 12:02:27
English(EN) BengaliMCQ: Automatic Generation and Answer Prediction of Academic Multiple-Choice Questions in a Low-Resource Language

新的RAG框架增强了孟加拉语MCQ生成和答案预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的、具有结构感知能力的检索增强生成（RAG）框架，旨在改进孟加拉语等低资源语言的学术选择题（MCQ）生成和答案预测。该框架将孟加拉语教科书建模为分层图，并使用图神经网络进行段落检索，为大型语言模型提供聚焦的上下文。实验表明，该方法在问题生成和答案预测的相关性和准确性方面均优于标准的密集检索方法。 AI

影响 这项研究可能带来低资源语言领域更好的教育工具和资源，提高学术内容的可用性。

排序理由 该集群包含一篇详细介绍新方法和实验结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的RAG框架增强了孟加拉语MCQ生成和答案预测

报道来源 [1]

  1. arXiv cs.CL TIER_1 English(EN) · Abu Tarabin Surzo, A. K. M. Nihalul Kabir, Sm Azmain Faysal, Ariana Haque Ami, Lawrence Amlan Gomes, Farig Sadeque ·

    BengaliMCQ：低资源语言学术选择题的自动生成与答案预测

    arXiv:2608.15547v1 Announce Type: new Abstract: Traditional retrieval-augmented generation (RAG) frameworks process documents without attending to their hierarchical structure, leading to poor performance, especially in low-resource languages such as Bengali. To address this, we …

相关实体

相关话题