Sep, 2023

论证修订分类中的辅助来源学习

PDF
TL;DR我们开发了模型来对论证写作中的理性修订进行分类。我们探索了两种方法 —— 多任务学习和迁移学习，以利用类似任务的辅助修订数据的优势。结果显示，这两种方法确实可以提高分类器的性能。虽然多任务学习表明同时在不同数据源上进行训练可以提高性能，但迁移学习更好地代表了数据之间的关系。
modelsclassifyreasoning revisionsargumentative writingtransfer learning
发现论文，激发创造
  • 预测辩论写作中证据和推理的理想修改

    本研究通过探索使用文章修订的上下文和反馈信息两种方式来提高分类器性能，以区分学生论述写作中的有意义的证据和合理推理演绎，并进行严格评估和定性分析，研究发现通过使用上下文来辨别有意义的修订是最成功的。

    Feb, 2023

  • 句子级别修订改进的注释和分类

    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

  • 多任务学习提高深度论证挖掘模型性能

    该研究使用多任务学习方法将不同的论证挖掘任务相结合，利用语义和逻辑结构的相似性来提高性能，从而揭示了论证挖掘任务之间的共性，为文本中论证技巧的提取提供了整体方法。

    Jul, 2023

  • 是否修改：学习检测论证写作中值得改进的主张

    本文探讨如何通过学习在线辩论中的协作编辑行为来捕捉修订模式，以开发旨在指导作者进一步改进其论点的方法，并且我们提出一种基于修订距离的新的抽样策略，以解决修订文字料库的噪声问题。

    May, 2023

  • 辩述型写作中证据和推理修订的标注和分类

    研究了自动写作评估系统如何改善学生写作，着重探讨对论证文本进行修订的相关方面，包括修订类型以及对所给反馈的响应程度。通过分析 5-6 年级学生的论文，引入了一种注释方案来捕捉证据使用和推理方面的修订，并展示了手动注释和修订注释与综合评估的相关性。此外，还研究了自动根据该方案对修订进行分类的可行性。

    Jul, 2021

  • 分享还是不分享：预测模型迁移学习的数据源集合

    通过模型迁移技术，使用支撑向量机算法并基于模型相似性，自动确定可用的多个数据源，以提高序列标注任务的性能，可以提高高达 24 个 F1 分数点。

    Apr, 2021

  • 从修订中学习：大规模论证中主张质量评估

    本文提出一种计算论证的质量评估方法，通过比较同一主张的不同版本来评定其质量，证明能够有效泛化于不同主题之间。该方法基于大规模样本库及嵌入式逻辑回归和基于 Transformer 的神经网络，并提供数据和脚本以复现结果。

    Jan, 2021

  • 通过理解和学习辅助文本翻译任务来提高语音翻译

    本文研究了在多任务学习框架下，辅助文本翻译任务对语音到文本翻译任务的影响及参数共享等解决方案，提出三种方法以提高翻译质量，实验结果表明该方法在几种语种翻译任务中相对于基线都达到了最新水平。

    Jul, 2021

  • 自然语言推理的多源主动学习研究

    通过对多种数据源进行实验，本文显示了四种常见主动学习策略在自然语言推理任务上往往比随机选择无效，因为不确定性策略会获取到集体离群值，即难以学习的实例，这些实例会阻碍学习和泛化。然而，当弃置集体离群值后，策略的有效性得以恢复并且明显优于随机选择。同时，本文发现不同数据源之间的离群值具有不同形式，在不同难度级别的测试数据中不同策略的表现存在差异。

    Feb, 2023

  • 词汇语义类别的迁移学习用于论证语段单元识别

    通过实验发现，来自不同词汇语义家族的预训练语言模型如何利用辩论磋商单元任务的性能，实验结果表明，传递学习技术对任务有益，但当前方法可能不足以利用不同词汇语义家族的常识知识。

    Sep, 2022