论文

CreativeDC:以发散—收敛两阶段提示增加题目多样性

Divergent-Convergent Thinking in Large Language Models for Creative Problem Generation

模型推理推理策略与问题分解

摘要

LLM能够生成教育问题和习题,有望帮助教师制作大规模学习材料,但“人工蜂群思维”效应使同一模型生成类似回答,不同模型也产生同质化输出,可能让学生反复接触相似题目,损害思维多样性。受到Wallas创造力理论和Guilford发散—收敛思维框架启发,本文提出两阶段提示方法CreativeDC,将LLM推理明确组织为不同阶段。通过将创意探索与约束满足分离,模型先探索更广泛的构思空间,再确定最终问题。作者用覆盖多样性、新颖性和实用性的指标评估创意问题生成。结果显示,CreativeDC在保持高实用性的同时,比基线具有显著更高的多样性和新颖性。规模分析还显示,随着采样数量增加,CreativeDC生成的有效不同问题数量比基线增长更快。