计算机研究与发展

作者：张春云,赵洪焱,邓纪芹,崔超然,董晓琳,陈竹敏,

关键词：自动作文评分, 跨提示, 类别对抗, 联合建模, 领域泛化,

自动作文评分（automatedessayscoring，AES）能够有效减轻教师的作文评阅负担并为学生提供客观、及时的反馈，是自然语言处理在教育领域的一项重要应用.跨提示AES旨在学习一个可迁移的自动评分模型，使之能够有效为目标提示的作文评分.然而，现有的跨提示AES大都是面向目标提示数据可见的场景，通过将源提示和目标提示的特征分布进行对齐，学习提示不变特征表示来学习可迁移到目标提示的评分模型，但是这类方法无法应用于目标提示数据不可见的场景.面向目标提示数据不可见的场景，提出一种基于类别对抗联合学习的跨提示AES方法.一方面，通过对分类和回归联合任务进行联合建模来学习2个任务的共享特征，从而实现二者性能的相互促进；另一方面，不同于现有方法采用提示无关特征来提升模型泛化性能，针对不同提示的类别分布差异引入类别对抗策略，通过对不同提示进行类别级特征对齐，学习不同提示间的细粒度不变特征表示，从而提升模型泛化性能.将所提出方法用于自动学生评估奖（ASAP）和ASAP++数据集，分别对作文的总体评分和属性评分进行预测.实验结果表明，与6种经典方法相比，在平方卡帕（QWK）指标上取得最好的实验效果.

来源：2025年第5期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2025年第5期