利用因果图引导的思维链推理实现面向直觉学习的自动问题生成

直觉学习对培养深层概念理解至关重要，尤其是在STEM教育中，学生常常难以掌握抽象且相互关联的概念。自动问题生成已成为实现个性化与自适应学习的有效策略。然而，其有效性受到大语言模型（LLM）幻觉的制约，幻觉可能生成事实错误、含混不清或与教学法不一致的问题。为解决这一问题，我们提出一个新框架，将因果图引导的思维链（CoT）推理与多Agent LLM架构相结合。该方法确保生成准确、有意义且与课程对齐的问题。因果图提供领域知识的显式表示，而CoT推理促成对相关概念的结构化、逐步遍历。专门的LLM Agent被分配具体任务，例如图路径查找、推理、验证与输出，全部在领域约束下工作。在概念与输出两个阶段的双重验证机制大幅减少幻觉。实验结果表明，与参考方法相比质量最高提升70%，并在主观评价中取得十分有利的结果。