大型语言模型中发散-收敛思维用于创造性问题生成
人工智能
2025-12-30 v1
摘要
大型语言模型(LLMs)在生成教育性问题和问题方面具有巨大潜力，使教育者能够创建大规模学习材料。然而，LLMs受限于“人工群体”效应，即它们在同一模型内生成相似响应，并在不同模型之间产生同质化输出。作为结果，学生可能暴露于过于相似和重复的LLM生成问题中，这损害了思想的多样性。鼓舞人心地受Wallas创造理论和Guilford发散-收敛思维框架启发，我们提出CreativeDC，一种两种阶段的提示方法，通过明确地将LLM的推理分解为 distinct阶段。通过将创造性探索与约束满足解耦，本方法使LLM能够在最终提交问题前探索更广泛的想法空间。我们使用全面的指标体系评估CreativeDC用于创造性问题生成，这些指标捕捉了多样性、新颖性和实用性。结果表明，CreativeDC在多样性和新颖性方面显著高于基线方法，同时保持高实用性。此外，规模分析显示，CreativeDC在采样更多问题时生成更大数量的有效 distinct问题，其增长率快于基线方法。
引用
@article{arxiv.2512.23601,
title = {Divergent-Convergent Thinking in Large Language Models for Creative Problem Generation},
author = {Manh Hung Nguyen and Adish Singla},
journal= {arXiv preprint arXiv:2512.23601},
year = {2025}
}
备注
Preprint