In dieser Arbeit untersuchen wir die folgenden beiden Einschränkungen der bestehenden Methoden zur Generierung von Störoptionen (Distractor Generation, DG). Erstens ist die Qualität der existierenden DG-Methoden noch weit davon entfernt, für praktische Anwendungen geeignet zu sein. Es besteht weiterhin ein Potenzial zur Verbesserung der DG-Qualität. Zweitens sind die bisherigen DG-Designs hauptsächlich auf die Generierung einzelner Störoptionen ausgerichtet. Für die praktische Vorbereitung von Multiple-Choice-Fragen (MCQ) werden jedoch mehrere Störoptionen benötigt. Mit dem Ziel, diese Herausforderungen zu meistern, präsentieren wir in dieser Arbeit ein neues Schema zur Generierung von Störoptionen, das Multi-Tasking- und Negative-Ansatz-Trainingsstrategien verwendet, um effektiv \textit{mehrere} Störoptionen zu generieren. Die experimentellen Ergebnisse zeigen, dass (1) unser Modell den Stand der Technik verbessert, indem es den BLEU 1-Score von 28,65 auf 39,81 erhöht und (2) die generierten mehreren Störoptionen vielfältig sind und eine starke ablenkende Wirkung bei Multiple-Choice-Fragen aufweisen.