超越微调：面向合理干扰生成的情境学习与链式思考
计算与语言
2026-04-21 v1
摘要
干扰生成 (DG) 仍依赖于专业人士，任务聚焦于为多选题生成切合语境且能误导考生的合理错误选项。可靠的干扰项必须与问题在语境上相关，并能通过隐式推理在识别正确答案时误导考生。虽然近期方法通过对抗学习将微调的编码器-解码器模型集成以生成语义上相关的干扰项，但往往未能捕捉专家在挑选基准中的干扰项所依赖的底层推理过程。本文探索大型语言模型 (LLM) 通过情境学习进行 DG，以无监督语义检索选取 few-shot 示例。我们设计一种以增强论证为导向的 DG 框架，联合生成给定问题-答案的干扰项及其论证。六个基准上的大量实验表明，few-shot 提示显著优于近期 DG 模型，实现了在干扰项长度和领域各异的基准上生成符合人类标注标准的有理论证干扰项的最新成果。
引用
@article{arxiv.2604.17574,
title = {Beyond Fine-Tuning: In-Context Learning and Chain-of-Thought for Reasoned Distractor Generation},
author = {Elaf Alhazmi and Quan Z. Sheng and Wei Emma Zhang},
journal= {arXiv preprint arXiv:2604.17574},
year = {2026}
}