Automatic Item Generation (AIG)
📌 概念释义与技术定位 (Definition & Overview)
Automatic Item Generation (AIG) 是一种利用计算机算法（现多基于大语言模型）自动生成心理测试题项的技术，旨在通过模板驱动实现大规模、标准化的试题构建。
Automatic Item Generation (AIG)，即自动化题项生成，是将心理测量学测试构建与计算机编程深度融合的过程。其核心目标是通过算法批量生产构成心理测试基础单元的标准题项。该方法最早由 John R. Bormuth 在 20 世纪 60 年代提出，经历了从基于规则的传统算法向现代神经网络及大语言模型（LLM）驱动的范式转变。AIG 遵循“模板先行”的两步走策略：首先由专家构建包含题干、选项及逻辑结构的通用模板（Item Model），随后算法依据该模板自动生成海量具体题项，从而大幅降低人工命题成本并提升测试规模。
在现代计算架构与教育科技（EdTech）生态中，AIG 扮演着连接专家知识（Domain Knowledge）与规模化数据生产的关键角色。它不仅是传统计算机辅助测试（CAT）系统的升级，更是大模型时代实现个性化自适应测试（AIAT）的核心引擎。通过 AIG，系统能够动态生成符合特定难度分布和认知维度的题项库，解决了传统人工命题耗时久、覆盖面窄的瓶颈。其生态地位体现在将静态的题库资源转化为动态的、可实时调用的智能数据流，支撑起从标准化考试到实时技能评估的全链路自动化流程。
⚙️ 核心架构与工作机制 (Technical Mechanism)
AIG 的底层运行机制依赖于‘模板驱动生成’与‘语义逻辑映射’的双重架构。首先，系统构建一个高度结构化的 Item Model，该模型定义了题项的语法骨架（如题干类型、选项数量、干扰项特征）及语义逻辑（如知识点关联、难度系数）。其次，核心算法（当前多采用微调后的 LLM）接收该模板作为 Prompt，结合领域知识库进行推理，自动填充具体变量以生成符合逻辑的完整题项。关键技术原理在于利用 LLM 的泛化能力，将抽象的测试理论（如布鲁姆分类法）转化为具体的生成指令，并通过后处理模块对生成的题项进行去重、难度校验和逻辑一致性检查，确保输出既具备多样性又符合心理测量学标准。
📖 权威专著深度引证与原文精粹 (Expert Book Insights)
1 本专著引用《Innovative Educational Assessment with Generative AI Opportunities, Challenges, and Practical Case Studies》
Mohamed Lahby
“systems often relies on Automatic Item Generation (AIG) to create large”
🚀 典型应用场景 (Industrial Applications)
大规模标准化考试（如 SAT、GRE）的题库动态扩充与更新
自适应学习系统（Adaptive Learning Systems）中实时生成难度匹配的练习题
企业级技能评估与招聘测试中的认知能力维度自动化构建
多语言环境下的试题本地化与跨语言迁移生成
⚖️ 技术优势与工程权衡 (Trade-offs & Pros/Cons)
🟢 核心优势与技术特性
- + 显著降低人工命题成本，实现题项库的指数级规模扩张
- + 确保题项在难度分布、认知维度上的统计学均衡性与一致性
- + 支持快速迭代与动态更新，适应新兴知识点或教学大纲的即时变化
🔴 工程考量与潜在挑战
- - 生成内容的‘幻觉’风险可能导致逻辑错误或事实性偏差，需严格的人工审核介入
- - 对领域知识库的质量高度依赖，缺乏高质量模板时生成效果急剧下降
- - 生成的题项可能存在语义重复或多样性不足，需复杂的去重与聚类算法处理
❓ 常见问题速查 (FAQ)
为什么在现代软件架构中需要重视 Automatic Item Generation？
在何种场景下应当优先选用 Automatic Item Generation？
🔗 推荐协同基座模型与开源工具链
学术引证与可靠性指数
引用专著数
全库出现频次
本词条定义与原理解析直接溯源自行业权威专著与最新同行评审成果，保障工程决策严谨性。
