神经网络自动文本评分
本文提出了一种使用回译和分数调整来增加论文 - 评分对数目的方法,并将其应用于 Automated Student Assessment Prize 数据集进行扩充,通过使用先前工作中的模型对增强数据的有效性进行了评估,并使用长短期记忆进行了性能评估,该模型广泛用于自动文章评分。使用增强数据来训练模型可以提高模型的性能。
Mar, 2022
本文综述了自动文本摘要的研究现状及其评估方法,使用引用文献的方法考察各种摘要生成机制,同时对可用于摘要任务的数据集进行了广泛的回顾,并在 CNN 语料库数据集上进行了抽取和生成方法的实证研究。
Jan, 2023
利用自然语言处理算法,自动文本摘要旨在创建简明准确的摘要,从而显著减少处理大量文本所需的人力。本文综述了自动文本摘要的最新方法和基于大型语言模型的研究,以及以实际应用为导向的流程方案。此外,本文还填补了文献中两年的空白期,是首次特别研究基于大型语言模型的自动文本摘要方法。
Mar, 2024
本文研究了自动短答案评分问题,提出了一种新的基于 MathBERT 及上下文学习方法的框架,并在真实数据集上进行了评估,证明该框架对于之前未见过的数学问题的表现优于现有方法。
May, 2022
本文介绍了一个名为 AutoSAS 的快速、可扩展和准确的自动短回答评分系统,该系统使用诸如词汇多样性、Word2Vec、提示和内容重叠等功能来实现其性能,并通过使用 Automated Student Assessment Prize 短回答评分(ASAP-SAS)公共数据集进行了评估,其表现与人类相当。
Dec, 2020
本研究探讨了一种简单的降低标注成本的方法,即采用分层抽样和控制变量等技术,结合文档成员身份信息和自动评估指标,从而在固定标注预算下获得更高的准确性。在测试集上,相比于纯随机抽样,平均误差降低了高达 20%。该技术易于实现且适用于类似结构的问题。
Apr, 2022
本文综述了近期在基于神经网络的自动文本摘要中的十种最先进的神经网络模型,其中包括五种生成式模型和五种抽取式模型,并讨论了应用于摘要任务的相关技术和未来研究的有前途的方向。
Mar, 2018
自动答案验证可以通过为学习者提供适当的反馈并提供更广泛的问题回答系统和在线学习解决方案来改善学习成果。我们实现了一种共享神经网络模型,并提供了一个通用的解决方案,比较了我们的监督模型和其他基于文本相似度的解决方案。
Jan, 2024
本文分析了三种采样解码策略,揭示了在提高欺骗人类的能力时,会引入使自动检测系统易于检测的统计异常,同时也表明即使是多句子摘录也有超过 30%的概率欺骗专家人类评分员,强调了使用人类和自动检测器来评估文本生成系统的重要性。
Nov, 2019
本文介绍了一种人与深度学习模型相结合的方法,用于保证短文评分的质量和降低评分成本。通过引入可靠度估计方法来强制高质量的自动评分结果,同时把低可靠度的评分结果交给人类评分者来完成,实现了自动评分和人类评分者的协同作业。实验表明,该方法可以达到目标评分质量。
Jun, 2022