Gumbel Machine：通过 Gumbel 噪声驾驶生成反事实学生写作
人工智能
2026-05-27 v1 计算与语言
摘要
提供高质量作品示例是跨学科教学的有效方法之一，但示例可能与学生当前的作品差异较大，使其难以模仿。理想的学习演示是学生作品的反事实版本——即仍与其作品相似的改进版本。现有的基于大型语言模型（Large Language Model, LLM）的自动化反事实文本生成方法会产生难以迁移到实际应用的领域特定系统。我们提出了 Gumbel Machine，一种灵活、模块化的反事实生成方法，利用 LLM 的指令遵循能力，同时鼓励与参考事实文本的相似性。我们方法的核心是一种新型受控解码算法，即 -Hindsight control，它将潜在随机性作为可调节的相似性控制机制，用于反事实生成。实验在学生写作数据集上进行，数据集根据各种评估标准进行评分。我们方法在保持评估一致性的同时，生成的反事实文本与参考文本相似性方面表现出色。
引用
@article{arxiv.2605.27249,
title = {Gumbel Machine: Counterfactual Student Writing Generation via Gumbel Noise Steering},
author = {Hunter McNichols and Alexander Scarlatos and Mihai Dascalu and Danielle McNamara and Andrew Lan},
journal= {arXiv preprint arXiv:2605.27249},
year = {2026}
}
备注
preprint