AAAIDec, 2023

利用混合神经网络自动评分学生科学写作

PDF
TL;DR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。
发现论文，激发创造
  • 增强训练在自动化论文评分中的具体方法

    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

  • 常识推理的混合神经网络模型

    本文提出了一种混合神经网络（HNN）模型，用于常识推理，旨在将语言模型和语义相似度模型的优点相结合。该模型在三个常见常识推理任务上取得最新的最佳结果。

    Jul, 2019

  • 利用人工神经网络自动评分图形开放性答案

    本研究探讨基于卷积神经网络和前馈神经网络的自动化打分方法在国际数学和科学考试中将学生的绘画或图像回答分类的准确性。研究发现，相对于前馈神经网络，卷积神经网络能够更加精确地分类图像响应，并且可以取代人工评分，提高成绩评分的有效性和可比性。

    Jan, 2022

  • 使用反向翻译文章和调整分数来提高自动化论文评分的性能

    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

  • 语言模型与自动化文章评分

    本文通过比较两种强大的语言模型 BERT 和 XLNet 以及传统模型（词袋和 LSTM），阐述了其神经网络架构，并使用线性代数符号和图表解释了 transformer 机制构架的优势，最终在 Kaggle AES dataset 中实现了超出人类水平的准确度。

    Sep, 2019

  • 日语语言测试中手写描述性答案的完全自动评分

    本文提出一种机器识别手写字符的方法，通过使用深度学习技术与自然语言处理技术，在日本大学考试的试卷中取得了较好的成绩，具有较高的实用价值。

    Jan, 2022

  • BERT 在自动化论文评分中的应用：多尺度论文表示的联合学习

    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

  • 神经网络自动文本评分

    提出一种基于 Long-Short Term Memory 网络的自动化文本评分框架，该框架通过学习特定单词对文本评分的贡献来构建单词表示，并且能够在可视化神经网络的启发下，识别出文本中更具区分性的区域，以提高模型可解释性。

    Jun, 2016

  • 医学科学论文中的序列句子分类的分层神经网络

    本文介绍一种基于层次化顺序标记网络的方法，利用上下文中的信息来帮助分类当前句子，解决了传统单句分类方法在连续多句分类中的问题，并在医学科学摘要的顺序句子分类任务中，取得了比最先进方法高出 2%-3% 的分类性能表现。

    Aug, 2018

  • 使用神经网络语言模型进行作者归属判定

    研究了神经网络语言模型在作者归属问题上的性能，发现与传统非参数化模型相比，其性能更优越。

    Feb, 2016