原標題：六大維度，LLM「問題生成」首次正面PK人類！伯克利等發布最新研究
文章來源：新智元
內容字數：5867字

大型語言模型在問題生成中的行為傾向研究

1. 研究背景：長期以來，問題生成(Question Generation,QG)任務依賴于自動化方法。大型語言模型(LLMs)的出現提升了QG的性能，但尚未深入研究LLMs生成問題的特點，例如長度、類型、上下文關注度等與人類生成的差異。

2. 研究方法：加州大學伯克利分校等機構的研究人員提出了一種基于LLMs的自動化評估方法，對LLMs生成的問題與人類生成的問題進行了多維度對比。研究使用了兩個代表性LLMs：GPT-4o和LLaMA-3.1-70b-Instruct，并以WikiText數據集作為上下文，生成大量問題進行分析。評估指標包括問題長度、類型、上下文覆蓋范圍、可回答性、非常見性以及所需答案長度等。

3. 主要發現：

3.1 問題類型：LLMs傾向于生成需要描述性、較長答案的問題，尤其偏向于詢問具體事實和數字。與人類相比，LLMs較少生成需要跨多個事實進行推理的問題。

3.2 問題長度：LLMs生成的問題長度與人類生成的問題長度大致相似(約20個單詞)，但LLMs在長度上的偏好差異較小，而人類生成的問題長度變化更大。

3.3 上下文覆蓋范圍：人類生成的問題更傾向于集中在上下文的開頭或結尾，而LLMs對整個上下文的關注更加均衡，與問答任務中人類的關注點相反。

3.4 可回答性與非常見性：LLMs生成的問題在提供上下文時通常是可回答的。然而，去除上下文后，LLMs生成問題的回答質量顯著下降，表明LLMs生成的問題對于評估RAG系統或進行自動幻覺測試很有價值。GPT-4o生成的問題比人類構建的HotpotQA數據集顯示出更高比例的非常見問題。

3.5 所需答案長度：LLMs生成的答案通常比人類標注的答案長得多。研究人員通過壓縮答案，在保持評分的同時顯著降低了答案長度。

4. 研究意義：該研究首次揭示了LLMs在問題生成中的偏好，為評估下游應用（如RAG系統和幻覺檢測）的提示工程優化提供了經驗，有助于防止LLMs在不當情境下的濫用，并加深了對LLMs在問題生成中的行為傾向的理解。

5. 結論：研究結果表明，LLMs在問題生成方面存在與人類不同的行為傾向。理解這些差異對于改進LLMs的性能，以及更好地利用LLMs進行各種下游任務至關重要。

聯系作者

文章來源：新智元
作者微信：
作者簡介：智能+中國主平臺，致力于推動中國從互聯網+邁向智能+新紀元。重點關注人工智能、機器人等前沿領域發展，關注人機融合、人工智能和機器人對人類社會與文明進化的影響，領航中國新智能時代。