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

基于循环神经网络和卷积神经网络的自动评测系统在 8 个数据集上实验表明，本系统在自动评测方面具有显著的优势。

Jun, 2022

本文采用串核和词嵌入的方法对自动化论文评分进行研究，并结合语义特征表征和深度学习技术，在学生自动评估奖数据集上实现了最好的性能表现。

Apr, 2018

本文研究学习者文章中句子级提示相关性评估的任务，在两个学习者写作数据集上评估使用单词重叠、神经嵌入和神经合成模型的各种系统。我们提出了一种新的句子级相似度计算方法，该方法学习调整针对特定任务的预训练单词嵌入的权重，相较于其他相关基线模型，实现了显著更高的准确性。

Jun, 2016

使用对比学习来微调句子 Transformer 模型，生成科学文章中的句子级嵌入，并将其用于科学文章中的句子分类任务，取得了显著的改进。

Mar, 2024

本文介绍了一个学生立论式作文之间的修改版本语料库，并对每个修订版本进行了评注，以评估其是否改善了论文质量，并开发了一个基于机器学习的模型来预测修订版本的改进情况，同时也展示了利用专家和非专家修订数据可提高模型性能的结果。

Sep, 2019

本研究提出了一系列的数据增强操作，用于训练和测试自动评分模型以学习被先前研究忽视的特征和功能，同时在 Automated Student Assessment Prize 数据集中实现了最先进的性能。

Sep, 2023

本研究描述并评估了三种主动学习方法，这些方法可以用于最小化需要人工评分者评分的论文数量，同时提供培训现代自动化论文评分系统所需的数据。这三种主动学习方法是基于不确定性的，基于拓扑的和混合方法，并使用双向编码器从转换语言模型中训练出的评分模型对包含在自动化学生评估奖中的论文进行分类。所有三种主动学习方法都高效，并且产生了彼此相似的分类结果。

Jan, 2023

本研究提出了一种跨语言的自动生成具有语义相似性的实体簇集的方法，并通过产生的异常点元素集合用于在离群值检测任务中进行单一内在评估。使用这个方法生成了一个金标准数据集名称为 WikiSem500，并评估了多个最先进的嵌入方法。结果显示这个数据集上的性能与情感分析上的性能之间存在相关性。

Nov, 2016

这篇论文回顾和整理了一个被少有研究的领域 —— 自动化评估学生的议论写作。与传统的自动化写作评估侧重于整体的论文评分不同，这个领域更具体：它侧重于评估议论性文章，并提供特定的反馈，包括论证结构，论证实力特征分数等。这种聚焦和详细的评估对于帮助学生获得重要的论证技巧非常有用。在本文中，我们根据任务、数据和方法组织现有的工作。我们在代表性数据集上尝试 BERT，旨在为这个领域提供最新的基线。

May, 2022