-
题名基于类别对抗联合学习的跨提示自动作文评分方法
- 1
-
-
作者
张春云
赵洪焱
邓纪芹
崔超然
董晓琳
陈竹敏
-
机构
山东财经大学计算机科学与技术学院
山东省数字媒体重点实验室(山东财经大学)
山东大学计算机科学与技术学院
-
出处
《计算机研究与发展》
北大核心
2025年第5期1190-1204,共15页
-
基金
国家自然科学基金项目(62077033)
山东省自然科学基金项目(ZR2020KF015)
山东省泰山学者计划项目(tsqn202211199)。
-
文摘
自动作文评分(automated essay scoring,AES)能够有效减轻教师的作文评阅负担并为学生提供客观、及时的反馈,是自然语言处理在教育领域的一项重要应用.跨提示AES旨在学习一个可迁移的自动评分模型,使之能够有效为目标提示的作文评分.然而,现有的跨提示AES大都是面向目标提示数据可见的场景,通过将源提示和目标提示的特征分布进行对齐,学习提示不变特征表示来学习可迁移到目标提示的评分模型,但是这类方法无法应用于目标提示数据不可见的场景.面向目标提示数据不可见的场景,提出一种基于类别对抗联合学习的跨提示AES方法.一方面,通过对分类和回归联合任务进行联合建模来学习2个任务的共享特征,从而实现二者性能的相互促进;另一方面,不同于现有方法采用提示无关特征来提升模型泛化性能,针对不同提示的类别分布差异引入类别对抗策略,通过对不同提示进行类别级特征对齐,学习不同提示间的细粒度不变特征表示,从而提升模型泛化性能.将所提出方法用于自动学生评估奖(ASAP)和ASAP++数据集,分别对作文的总体评分和属性评分进行预测.实验结果表明,与6种经典方法相比,在平方卡帕(QWK)指标上取得最好的实验效果.
-
关键词
自动作文评分
跨提示
类别对抗
联合建模
领域泛化
-
Keywords
automated essay scoring(AES)
cross-prompt
category adversarial
joint modeling
domain generalization
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
