用于定量推理的分类目标错误生成

个性化辅导、教师准备和教育研究可以从产生这些错误的机制所注释的错误中受益。具有此类认知标签的真实学生错误的收集和共享成本很高，这促使人们研究 LLM 是否可以生成针对分类学的合成错误作为补充候选材料。我们提出了一个特定于任务的框架，该框架生成针对五类布卢姆信息学生错误分类法的错误。生成代理（GA）根据目标类别起草候选错误解决方案，检查代理（EA）判断草稿是否不正确且类别一致。该框架提供了一个可重用的方法，用于在无法获得真实学生语料库的情况下构建班级分层的综合错误数据集。作为辅助诊断，有针对性的错误生成比自由形式的错误答案生成要困难得多，并且答案基础的贡献比扩展示例或外部教科书内容更重要。