频繁重复考试问题损害了评估的完整性，促使学生依赖于自动化学习而非理解。这是一个根本性的问题，但到目前为止，科学文献对此关注甚少。我们的研究正是解决了这一不足。最初，我们通过对194名学术界参与者的调查，测量了这一现象的具体影响。面对这一观察，我们开发了一个基于微调变换器的自动题目生成系统，以确保所提出主题的持续更新。调查结果确认了这一方法的相关性：80.4%的受访者表示他们经常遇到已经见过的问题，63.4%的人认为这种情况具有惩罚性质。此外，72.7%的参与者主张加快评估内容的更新。为了满足这一已识别的需求，我们设计了一种基于变换器的自动题目生成（AQG）架构，通过在SQuAD数据集上微调T5-small、T5-base和BART模型。通过BLEU、ROUGE和METEOR指标以及多领域定性语义分析的支持，比对评估建立了T5模型在生成多样化问题方面的持续优势（BLEU = 0.1765；ROUGE-1 = 0.5317；METEOR = 0.4085）。这些发现从实证上验证了更新评估的紧迫性，并展示了基于变换器的系统在确保测试多样性方面的有效性，同时减轻了教师的工作负担。本研究因此建立了教育公平服务下，人工智能辅助生成问题的教学必要性和技术可行性。
Elmourabit等（星期二）研究了这个问题。