-
背景 文章提出了探索大型语言模型（特别是ChatGPT）在数学问题生成方面的潜能。当前，手动编写数学问题劳动密集且不易规模化。虽然现有的自动化工具依赖于微调策略，但在涉及多步逻辑和算术推理的问题生成方面存在限制。ChatGPT在涉及逻辑和算术推理的多个自然语言处理任务中表现出色，但在数学教育问题生成领域的应用却未得到充分利用。
-
已有的工作 尽管ChatGPT在自然语言处理任务中展示了显著的成效，现有工作却未能充分探索其在生成教育数学问题中的潜力。作者指出，自动化数学问题的生成是一个劳动密集且时间耗费的非泛化任务，需要专家的努力，但现有的方法在需要多步推理的问题生成上存在问题。
- 提出了一个探索ChatGPT生成大学前数学问题潜力的研究
-
挑战1：context-aware生成问题的能力 挑战是评估ChatGPT在给定上下文（context-aware）中生成数学问题的能力。现有方法在处理需要多步推理的问题生成上存在限制。研究通过在现有数学问题解答基准上评估ChatGPT并对不同教育阶段（小学、中学和高中）进行分类的方式应对了这个挑战，从而提供了关于ChatGPT在此领域中的潜力的洞察。
-
挑战2：context-unaware生成问题的实用性 挑战是评估ChatGPT在没有提供先前上下文（context-unaware）的情况下生成数学问题的能力。由于教育工作者可能没有预先的上下文或故事用于产生问题，因此这个挑战更具现实意义。研究为应对挑战，编制了TopicMath，一个涵盖从小学到高等教育在内的121个数学主题和428节课程的全面新颖的前大学数学课程集合，并用于评估ChatGPT在没有给定上下文的情况下生成问题的性能。
-
文章报告其研究发现，ChatGPT在不同的数学主题中生成问题的表现各异。为了全面评估ChatGPT在context-unaware设置中的表现，作者们聘请了从高校招募的国家级高中数学奥林匹克选手来收集来自Khan Academy的428个数学课程，这些课程包含有数学定义和范例问题。然后指导ChatGPT根据所需的难度等级为每一课生成题目-答案对。通过这些分析，作者提出了关于ChatGPT在生成前大学数学问题中的11个发现，并希望这些发现能为教师和研究人员提供有关如何利用现代AI技术（如ChatGPT）服务于教育目的的有益见解。
该研究提出了第一个系统的评估ChatGPT在生成前大学数学问题潜力的研究。通过两种主要场景：给定上下文和未给定上下文的生成问题，并为教育工作者提供实用的洞察。研究的结果有可能促进现代AI技术在教育领域的应用，并提高自动化数学问题生成的实用性和效率。