تمثّل مسائل الرياضيات المكتوبة (MWP) مهمة صعبة وحيوية في معالجة اللغة الطبيعية. وقد قام العديد من الدراسات الحديثة بتأويل مسائل MWP على أنها مهمة توليد، واستخدمت نماذج التوليد المتسلسل (sequence-to-sequence) لتحويل وصف المسألة إلى تعبير رياضي. ومع ذلك، فإن التعبيرات الرياضية عرضة لأخطاء طفيفة، في حين أن هدف التوليد لا يعالج هذه الأخطاء بشكل صريح. لمعالجة هذه القيود، نقترح مهمة تصنيف جديدة لمسائل MWP، ونقدّم إطار عمل متعدد المهام يُسمى "توليد وتصنيف" (Generate & Rank)، مبنيًا على نموذج لغوي مُدرّب مسبقًا باستخدام التوليد. من خلال التدريب المشترك على المهمتين (التوليد والتصنيف)، يتعلم النموذج من أخطائه الخاصة، ويصبح قادرًا على التمييز بين التعبيرات الصحيحة والخاطئة. وفي الوقت نفسه، نُطبّق اضطرابًا مبنيًا على الشجرة مصمم خصيصًا لمسائل MWP، بالإضافة إلى تحديث مباشر (online update) لتعزيز أداء مصنّف التصنيف. ونُظهر فعالية المنهج المقترح على مجموعة المعايير القياسية، حيث تُظهر النتائج أن منهجنا يتفوّق باستمرار على النماذج الأساسية في جميع المجموعات البيانات. وبشكل خاص، في مجموعة البيانات الكلاسيكية Math23k، يُحقق منهجنا تحسنًا بنسبة 7% (من 78.4% إلى 85.4%) مقارنة بأفضل النماذج الحالية.