计算蓝图：基于大语言模型的同构数学问题生成
人工智能
2025-11-12 v1
摘要
个人化数学教育正在快速发展，为大规模相似练习题的生成创造了强大的需求。然而，现有研究在数学问题生成方面主要聚焦于用于训练神经语言模型的数据增强，而非直接用于教育部署。为弥合这一差距，我们定义了新的任务——同构数学问题生成（IMPG），旨在产生源问题的结构一致变体。随后，我们通过持续的改进，探索了基于大语言模型的自动IMPG框架，并建立了用于同构双胞胎（CBIT）的计算蓝图。通过 meta级生成和基于模板的selective变异，CBIT在保持高数学正确性和结构一致性的同时，大幅降低了生成成本。跨越多次改进的实证结果表明，CBIT在生成准确率和大规模成本效益方面均优于现有方法。更重要的是，CBIT生成的问题错误率比专家编写的题目低17.8%，在商业教育平台上部署给6,732名学习者，产生了186,870次互动。
引用
@article{arxiv.2511.07932,
title = {Computational Blueprints: Generating Isomorphic Mathematics Problems with Large Language Models},
author = {Jeong-Hoon Kim and Jinwoo Nam and Geunsik Jo},
journal= {arXiv preprint arXiv:2511.07932},
year = {2025}
}
备注
EMNLP2025 Industry Track