我们的研究旨在揭示自动论文评分（AES）模型的准确性、公平性和泛化能力之间的复杂关系，为开发真实教育中的有效 AES 模型提供实用洞察。

Jan, 2024

通过自动回归多特征分数（ArTS）的预测来取代传统的编码器方法，使用预训练的 T5 模型来在多特征自动化作文评分中提供更高的效能。

Mar, 2024

我们开发了两个模型，通过对两个大型数据集进行微调和其他策略，自动评分英文文章的多个维度，结果显示我们的系统在精确度、F1 得分和 Quadratic Weighted Kappa 三个标准下取得了卓越的性能，并且在整体评分中优于现有方法。

Jun, 2024

借助 ChatGPT 将写作熟练度分解成不同特征，并生成每个特征的评分标准，然后利用大型语言模型在几轮对话中提取特征得分，并通过特征平均和最大最小缩放得出总体得分，实验证明 Multi Trait Specialization 在所有大型语言模型和数据集上始终优于直接提示 (Vanilla)，同时在实际应用中，借助 MTS，小规模的 Llama2-13b-chat 显著优于 ChatGPT，实现有效的部署。

Apr, 2024

本文探讨了使用不同的语言学特征在自动写作评分中预测性能的问题。研究结果表明，虽然使用这些特征可以得到良好的预测模型，但每个数据集的最优特征不同。

Dec, 2016

提出了一种无监督技术的自动化开放式论文评分模型，可以同时评分论文并检测离题的论文。该模型使用了一种新颖的主题正则化模块（TRM），可连接在变换器模型之上，并使用了一种混合损失函数进行训练。训练后，该模型还用于计算离题论文检测的马氏距离分数。实验评估结果表明，该方法在离题检测和主题评分的两个论文评分数据集上优于基线和先前的传统方法，并且对于检测可能的人类级扰动具有鲁棒性。

Mar, 2024

本文介绍了一种对自动化作文评分任务的新视角，挑战了 ASAP 数据集作为静态实体的传统观点。通过使用提示的简单文本去噪技术，我们探索了数据集内的动态潜力。尽管承认以前对构建回归系统的重视，但我们的论文强调了通过文本去噪对数据集进行微小改动可以增强最终结果的重要性。

Feb, 2024

本文研究了自动论文评分中预测整体得分的多种方法，包括预训练的神经网络模型、连贯性模型和混合模型。提出了一种新颖的方法，利用基于 prompt-learning NSP 的论文连贯性特征提取和表示，通过采用句法特征密集嵌入增强 BERT-based 模型的性能，并结合连贯性、句法信息和语义嵌入进行实验，证明了优越性能。进一步分析对未来的研究也有用处。

Nov, 2022

本文提出了一种方法（使用关注层的中间输出）来将 AWE 与神经 AES 联系起来，通过提取代表源文本证据的主题组件（TCs）来提供支持。 结果表明，使用自动或手动构建的 TC，性能是相当的

Aug, 2020

本论文介绍了一种可联合学习的针对 BERT 的多尺度文章表示法，并且采用了多种损失函数和跨领域文章的迁移学习，实验结果表明我们的方法在 ASAP 任务中取得了几乎所有深度学习模型中最先进的结果，并且该多尺度文章表示法在 CommonLit 可读性奖数据集上也具有良好的一般性，这表明本文提出的新型文本表示法可能是长文本任务的一种新而有效的选择。

May, 2022