基于树状思维解决孟加拉语数学 word 问题的结构化推理
计算与语言
2025-12-08 v1
摘要
数学 word 问题（MWPs）是自然语言处理中最具挑战性的任务之一，因为它们需要语言理解和多步数值推理。虽然链式思维（Chain-of-Thought, CoT） prompting 已展现前景，但其线性结构往往会放大误差，限制整体效果。为此，我们对针对孟加拉语 MWPs 使用 SOMADHAN 数据集进行的树状思维（Tree-of-Thought, ToT）推理进行了系统性研究。鉴于计算和 token 成本的限制，我们评估了100个具代表性的题目，涵盖多个大型语言模型（LLMs），包括GPT-OSS和LLaMA变体，分别采用标准prompting、CoT和ToT策略。我们的结果表明，CoT将基准准确率从78%（标准prompting）提升至83%，而ToT进一步提升了最高5个百分点，达到88%（GPT-OSS-120B）。这些改进表明ToT在中大型模型中尤其有效，但对小型模型可能提供较少优势。总体而言，我们的发现确立了ToT作为解决低资源语言（如孟加拉语）数学问题的稳健框架。更广泛地说，本研究表明，像ToT这样的结构化推理方法比CoT更能提供可靠且全局一致的结果，为多语言NLP中的更好推理策略指明了方向。
关键词
引用
@article{arxiv.2512.05580,
title = {Structured Reasoning with Tree-of-Thoughts for Bengali Math Word Problems},
author = {Aurprita Mahmood and Sabrin alam and Neloy kumer Sagor and Md. Abdul Hadi and Md. Sehab Al Islam and Minhajul Islam},
journal= {arXiv preprint arXiv:2512.05580},
year = {2025}
}