ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И ТЕХНОЛОГИИ ГЕНЕРАЦИИ ВОПРОСОВ
В статье рассматривается внедрение искусственного интеллекта в образовательный процесс, особое внимание уделяется
развитию технологий генерации вопросов (QG). Анализируются основные типы систем QG, их принципы
функционирования, а также роль крупных языковых моделей (GPT, LLaMA, T5) в создании содержательных вопросов.
Кроме того, мультимодальные подходы и методы глубокого понимания контекста представлены как ключевые
направления современного развития QG. В ходе исследования также обозначены проблемы, связанные с семантической
неоднозначностью, галлюцинациями моделей и недостатком языковых ресурсов. В заключение приводятся практические
рекомендации по совершенствованию механизмов генерации вопросов и их адаптации к образовательным потребностям.
1. Bayaliyev J. Bugungi kunda sun’iy intellekt // International scientific and practical conference “Worldview Horizons of
Artificial Intelligence Development”. – 2025. – № 5(24). – P. 71–81. – (E)ISSN 2181-1784. – DOI: 10.24412/2181-1784-
2025-24-71-81.
2. Wilcox J. Solving the Enigma: History of the Cryptanalytic Bombe. – Washington: Center for Cryptologic History, National
Security Agency, Revised 2006. – 54 p.
3. Say C. Yapay zekânın tohumları // Yapay zekâ (50 soruda). – İstanbul: İş Bankası Kültür Yayınları, 2020. – S. 1–2.
4. Du X., Shao J., Cardie C. Learning to Ask: Neural Question Generation for Reading Comprehension // Proceedings of the
55th Annual Meeting of the Association for Computational Linguistics. – Vancouver: ACL, 2017. – P. 1342–1352.
5. Mostafazadeh N., Misra I., Devlin J., Mitchell M., He X., Vanderwende L. Generating Natural Questions About an Image
[Electronic resource] // Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics (Volume
1: Long Papers). – Berlin: ACL, 2016. – P. 1802–1813. – Available at: https://aclanthology.org/P16-1169 (accessed:
12.12.2025).
6. Guo Sh., Liao L., Li C., Chua T.-S. A Survey on Neural Question Generation: Methods, Applications, and Prospects //
Proceedings of the 33rd International Joint Conference on Artificial Intelligence (IJCAI-2024). – Jeju: IJCAI, 2024. – P.
8038–8047.
7. Hill F., Bordes A., Chopra S., Weston J. The Goldilocks Principle: Reading Children’s Books with Explicit Memory
Representations // International Conference on Learning Representations (ICLR). – San Juan: ICLR, 2016.
8. Yang Z., Qi P., Zhang S., et al. HotpotQA: A Dataset for Diverse, Explainable Multi-hop Question Answering // Proceedings
of the 2018 Conference on Empirical Methods in Natural Language Processing (EMNLP). – Brussels: ACL, 2018. – P. 2369–
2380.
9. Alibekova R. O‘zbek tilshunosligida pragmatik birliklarning nutq jarayonidagi funksional xususiyatlari // Modern Education
and Development. – 2025. – № 38, ch. 3. – P. 228.
10. Kalai A. T., Vempala S. S. Calibrated Language Models Must Hallucinate. – OpenAI; Georgia Tech, 2024. – 21 March. –
12 p.
Copyright (c) 2025 «ВЕСТНИК НУУз»
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-ShareAlike» («Атрибуция — Некоммерческое использование — На тех же условиях») 4.0 Всемирная.
.jpg)
2.png)
