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

本文研究使用 Transformer 模型与数据增强技术解决自动评分的问题，通过实验证明其有效性。

Oct, 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

使用多角度混合神经网络（HNN）对学生科学教育中的分析性评分标准进行评估，结果显示 HNN 在比较四种机器学习方法（BERT，AACR，朴素贝叶斯和逻辑回归）后，对于五个评分方面的准确度分别比朴素贝叶斯，逻辑回归，AACR 和 BERT 高 8％，3％，1％和 0.12％（p <0.001） 。HNN 的整体准确度（M = 96.23％，SD = 1.45％）与（训练和推理）复杂的 BERT 模型的准确度（M = 96.12％，SD = 1.52％）相当。我们还观察到 HNN 在训练和推理方面比 BERT 高 2 倍的效率，并且在准确度较低的朴素贝叶斯模型上具有可比较的效率。本研究证实了使用 HNN 自动评分学生科学写作的准确性和效率。

Dec, 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

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

FABRIC 是一个自动化生成学生英语写作作文得分、具体基于规则的得分和改进建议的流水线系统，该系统在指导下选择了用于具体得分的规则，并通过实际数据集和改进策略显著提升模型准确性，最终经由教育专家和学生评价得分和建议的有效性。

Oct, 2023

This research paper presents a transformer-based architecture capable of achieving above-human accuracy in annotating argumentative writing discourse elements for their persuasiveness quality, with planned future work investigating the explainability of the model to provide actionable feedback and enable a partnership between the teacher's advice and the machine's advice.

Jul, 2023

本文旨在通过大数据分析和自动评分技术，解决开放式问答评估所面临的高成本和低效率的困难，构建一个能够实时记录学生答题进程并进行评分的系统，以改善教育质量。

Oct, 2022

本文提出了一种新颖的面向巴西全国高等教育入学考试（ENEM）中葡语作文的自动评分（AES）算法，解决了传统人工评分系统中的挑战。该方法利用先进的深度学习技术，紧密对齐人工评分标准，以评估大量学生作文的效率和可扩展性为目标。该研究不仅解决了巴西教育评估中手动评分的物流和财务约束，还承诺在评分中提高公平性和一致性，是应用 AES 在大规模学术环境中迈出的重要一步。

Dec, 2023