基于布卢姆分类学启发的提示技术提升大语言模型的问题解决能力
计算与语言
2025-08-08 v2
摘要
尽管大语言模型（LLM）在广泛任务上展现出惊人的能力，但在数学推理方面仍面临挑战。鼓励人类在思考什么问题时而非如何思考，人类学习效果更佳。因此，我们引入 BloomWise，这是一种受认知启发的提示技术，旨在提升 LLM 在数学问题解决中的性能，同时使其解决方案更具可解释性。BloomWise 鼓励 LLM 按照从基础（例如记忆）到更高级推理技能（例如评估）的顺序进行思考，形成解释性解答，模拟人类构建理解的方式。该过程在这些水平之间迭代，若满足收敛准则（即两个或更多连续水平产生相同答案），则输出最早出现的解答；否则，持续进行至所有水平完成。通过在五个流行数学推理数据集上的大量实验，我们证明了 BloomWise 的有效性。我们还present了详尽的消除实验，以分析系统各组件的优势。
引用
@article{arxiv.2410.04094,
title = {BloomWise: Enhancing Problem-Solving capabilities of Large Language Models using Bloom's-Taxonomy-Inspired Prompts},
author = {Maria-Eleni Zoumpoulidi and Georgios Paraskevopoulos and Alexandros Potamianos},
journal= {arXiv preprint arXiv:2410.04094},
year = {2025}
}
备注
16 pages, 2 figures