面向直观学习的无幻觉自动问答生成

大型语言模型（LLMs）在生成教育类多项选择题（MCQs）时容易出现幻觉问题，表现为流畅但错误或不连贯的输出。本文识别了MCQ生成中的四种主要幻觉类型：推理不一致、不可解性、事实错误和数学错误。为解决这一问题，我们提出了一种无幻觉的多智能体生成框架，将MCQ生成分解为可验证的离散阶段，并利用基于规则和基于LLM的检测代理以及幻觉评分指标来优化题目质量。我们将MCQ生成重新定义为一个优化任务，旨在最小化幻觉风险，同时最大化有效性、可回答性和成本效率。此外，我们引入了一个由智能体主导的精炼过程，通过反事实推理和思维链（CoT）迭代改进题目生成中的幻觉问题。我们在一组与AP课程对齐的STEM题目上进行了评估，结果表明，与基线生成方法相比，我们的系统将幻觉率降低了90%以上，同时保留了题目的教育价值和风格。研究结果表明，结构化的多智能体协作可以大规模缓解教育内容创作中的幻觉问题，为更可靠的LLM驱动的学习工具铺平道路。