基于因果图引导的链式思维自动问题生成用于直观学习
人工智能
2026-01-13 v1
摘要
直观学习对发展深入的概念理解至关重要，尤其是在 STEM 教育中，学生往往难以掌握抽象且相互关联的概念。自动问题生成已成为实现个性化和自适应学习的有效策略，但其效果受到大型语言模型中幻觉现象的限制，这些现象可能生成事实错误、模糊或教育学不一致的问题。为此，我们提出一种新型框架，将因果图引导的链式思维 (CoT) 推理与多智能体 LLM 架构相结合。该方法确保生成准确、有意义且符合课程标准的问题。因果图提供了领域知识的显式表示，而链式思维推理促进了对相关概念的结构化、逐步遍历。专门的 LLM 智能体被分配特定任务，如图的路径查找、推理、验证和输出，所有工作均在领域约束内进行。双重验证机制——在概念阶段和输出阶段——大幅降低了幻觉。实验结果表明，本方法相对于参考方法在质量上提升了最高 70%，并在主观评估中获得了高度 favorable 的结果。
引用
@article{arxiv.2601.06098,
title = {Automatic Question Generation for Intuitive Learning Utilizing Causal Graph Guided Chain of Thought Reasoning},
author = {Nicholas X. Wang and Neel V. Parpia and Aaryan D. Parikh and Aggelos K. Katsaggelos},
journal= {arXiv preprint arXiv:2601.06098},
year = {2026}
}