La génération automatique de questions vise à produire des questions à partir d'un passage de texte, où les questions générées peuvent être répondues par certaines sous-chaînes du passage donné. Les méthodes traditionnelles utilisent principalement des règles heuristiques rigides pour transformer une phrase en questions connexes. Dans cette étude, nous proposons d'appliquer un modèle encodeur-décodeur neuronal pour générer des questions significatives et variées à partir de phrases en langage naturel. L'encodeur lit le texte d'entrée et la position de la réponse, afin de produire une représentation d'entrée sensible à la réponse, qui est ensuite transmise au décodeur pour générer une question axée sur la réponse. Nous avons mené une étude préliminaire sur la génération neuronale de questions à partir de textes en utilisant le jeu de données SQuAD, et les résultats expérimentaux montrent que notre méthode peut produire des questions fluides et diversifiées.