.png){kind=icon}
返回
Improving Low-Resource Short Answer Scoring Through Large Language Model-Based Data Augmentation
.png){kind=icon}
PRE
AI
DOI：10.1109/TKDE.2026.3673734.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在线教育中，主观题自动评分对于减少人工工作量、提高反馈效率至关重要，尤其是简答题评分（SAS）。然而，在标注数据有限的情况下，现有方法因训练数据不足和标签分布错配，面临样本多样性和评分一致性的挑战。尽管数据增强和迁移学习已被用于解决这些问题，但基于规则的方法往往缺乏文本多样性，而通用领域的嵌入难以与领域特定的评分标准对齐。为克服这些局限，我们提出了评分与上下文对齐及语言增强（SCALE）框架，这是一种新颖的大语言模型驱动的训练范式，能够在保持评分一致性的同时生成多样化的应答。SCALE利用基于知识图谱的生成策略，通过用上下文对齐的替代词替换关键词语来增强样本多样性，并采用风格重写提示引入语言变化。为缓解标签不一致问题，我们引入了一个优化对齐提示，将合成样本和真实样本精炼到共享的语义子空间中，并训练一个标注模型进行对齐评分。此外，一个实体感知增强机制提高了对公式和定量内容的理解。在多语言和多领域数据集上的广泛实验表明，SCALE实现了最先进的性能，相较于BERT、RoBERTa和ERNIE 3.0，分别将皮尔逊评分提高了4.9%、2.27%和1.34%。
Keyword:
Short answer scoring
knowledge graph-based data augmentation
few-shot learning
semantic alignment
期刊
IF:
10.4
论文数:
6.9K
被引数:
3.2W
机构
引用论文
.png){kind=icon}
分享收藏Enhancing Transfer Learning of LLMs through Fine- Tuning on Task - Related Corpora for Automated Short-Answer Grading通过在任务相关语料上进行微调来增强LLMs的迁移学习，以实现自动短文评分
PREAI
分享收藏
查看更多内容