تُعدّ توليد الأسئلة (QG) مهمة أساسية في معالجة اللغة الطبيعية (NLP) لعدد من التطبيقات اللاحقة. حققت الدراسات الحديثة المتعلقة بتوليد الأسئلة في بيئة "كتاب مفتوح" (open-book QG)، حيث تُزوَّد النماذج بأزواج من السياق والإجابة الداعمة، تقدّمًا واعدًا. ومع ذلك، لا يزال توليد أسئلة طبيعية في بيئة "كتاب مغلق" (closed-book) الأكثر واقعية، التي تفتقر إلى هذه المستندات الداعمة، يُشكّل تحديًا كبيرًا. في هذه الدراسة، نقترح نموذجًا جديدًا لتوليد الأسئلة في بيئة الكتاب المغلق، مصممًا لفهم أعمق لمعاني الإجابات الطويلة المُنتَجة بشكل استخلاصي (abstractive)، وتخزين كمية أكبر من المعلومات في معاملاته من خلال تعلم التباين (contrastive learning) ووحدة إعادة بناء الإجابة (answer reconstruction module). وقد قمنا بتوثيق الأداء الفعّال للنموذج المقترح من خلال تجارب على مجموعات بيانات عامة وبيانات جديدة تُسمّى WikiCQA. تُظهر النتائج التجريبية أن النموذج المقترح يتفوّق على النماذج الأساسية في كل من التقييم التلقائي والتقييم البشري. بالإضافة إلى ذلك، نُظهر كيف يمكن استغلال النموذج المقترح لتحسين الأنظمة الحالية لتوليد الأسئلة والإجابة عليها. تُشير هذه النتائج إلى فعالية النموذج المقترح في تعزيز مهام الإجابة على الأسئلة في بيئة الكتاب المغلق.