多肢選択問題生成アプリの概要 この記事では、ユーザーが指定したトピックに基づいて高品質かつ最新の多肢選択問題（MCQ）を自動生成するアプリの作り方について説明しています。アプリはWikipedia記事を取得し、それらをユーザーのクエリに合わせてセクションに分割して評価することで、Chatモデルに問いを生成させるプロセスを解説します。 アプリの動作デモ スタート画面: ユーザーはMCQ生成のコンテクストを入力し、「コンテクスト送信」ボタンを押すことでWikipedia記事を検索します。例：「恒星と惑星について何でも質問したい」 問い生成画面: 検索された記事がセクションに分割され、各セクションの類似度が評価されます。最も適したセクションから問いと4つの回答選択肢が生成され、「答えを提出」または「次の問い」を選択できます。不適切な問いは「次の問い」ボタンでスキップできます。 答えフィードバック画面: ユーザーが回答を提出すると、それが正解かどうかのフィードバックと解説が表示されます。「次の問い」または「MCQを終了」を選択して続きます。 セッション終了画面: 最終的には、正解と不正解の数、スキップされた問いの数が表示され、新たなセッションを開始するかどうかを選べます。 コンテクスト取得プロセス キーワード変換: ユーザーのクエリからキーワードを抽出します。例：「恒星」「惑星」「天文学」「太陽系」「銀河」 Wikipedia検索: 各キーワードでWikipediaを検索し、上位3つの記事を選択します。合計15ページの記事が検出され、一部はフィルターで除外されます。 記事取得: 残りのページからテキストを読み取り、セクションに分割します。セクションごとにユーザーコンテクストとの類似度が計算され、低類似度のセクションは除外されます。 スコアリング: 各セクションには、拒否回数とコンテクストの類似度を組み合わせたスコアが割り当てられます。これは、問い生成でのセクション選択に使用されます。 問い生成プロセス セクション選択: スコアに基づいてセクションを選択し、そのテキストとユーザーリクエストを含むプロンプトを作成します。 チャットモデル呼び出し: 生成されたプロンプトでチャットモデルを起動し、JSON形式の回答を取得します。回答には問い、選択肢、正解の解説が含まれます。 正解判定と説明: ユーザーが回答を提出すると、正解か不正解かが判定され、詳細な解説が表示されます。 反復: 正しく問いが生成されなかった場合、あるいはユーザーが「次の問い」をクリックして問いを拒否した場合は、選択されたセクションのスコアが引き下げられ、再選択の可能性が低くなります。 キーコンポーネントの詳細 Wikipedia記事の取得: 検索リクエスト: Wikipedia APIを利用して、ユーザーのリクエストに基づく関連記事を検索します。 セクションの分割: wikipediaapiを使用して記事をセクションに分割し、テキストを抽出します。 コンテクストのスコアリング: 取得したセクションのスコアは、拒否回数とコンテクストの類似度によって決まります。 [ s_{section} = w_{rejection} s_{rejection} + (1 - w_{rejection}) s_{sim} ] ( w_{rejection} )は重み、( s_{rejection} )は拒否度、( s_{sim} )は類似度です。 プロンプトエンジニアリング: キーワード生成プロンプト: キーワードを生成するためのテンプレートです。最大キーワード数や関連性のチェックなどが指示されています。 MCQ生成プロンプト: 問い、選択肢、解説を生成するためのテンプレートです。前回の問いや拒否された問いの情報を含め、重複や不合适的な問いの生成を防ぎます。 Streamlitアプレット: UIエレメント: Streamlitフレームワークを使用して、テキストエリアやボタンなどのUIエレメントを簡単に作成できます。 状態管理: st.session_stateを利用して、ユーザーの操作に応じてアプリの状態を管理します。 強化の可能性 カスタムドキュメントのアップロード: 自分のPDFファイル（講義資料や教科書など）から問いを生成する機能を追加することで、よりパーソナライズした学習が可能になります。 コンテクスト選択の最適化: 機械学習モデルを用いて、コンテクストに基づく問いの拒否率を予測し、適切な問いを頻繁に生成できるように改善できます。 学習履歴の保存: 過去の問いを保存し、不正解だった問いを繰り返し提供することで、学習者の弱点に焦点を当てることができます。 まとめ この記事は、検索強化生成（RAG）を使用して、ユーザーのニーズに合わせた高品質な多肢選択問題を自動生成するインタラクティブな学習アプリの開発方法を詳細に解説しています。Wikipedia記事の取得、セマンティックフィルタリング、プロンプトの設計、およびフィードバックに基づくスコアシステムを組み合わせることで、アプリはユーザーの学習目標に動的に適応します。 Streamlitなどのツールを利用することで迅速なプロトタイピングと展開が可能になり、教育者や学生、開発者は容易に利用できます。 その他の情報 開発者がRAGや埋め込み処理、Vector Database、LLM RAG Chatbotについてさらに詳しい情報を得たい場合は、Shaw Talebi、Avishek Biswas、Harrison Hoffmanの記事を参照してください。また、Stefan Baertschiの記事ではStreamlitでの状態管理について詳しく説明されています。