基于对抗性主题感知提示微调的跨主题自动作文评分
计算与语言
2025-08-11 v1
摘要
跨主题自动作文评分（AES）旨在开发一种能够有效评估目标主题作文的可迁移模型。在该领域，一个显著挑战源于主题之间的固有差异。虽然现有方法主要关注通过源主题和目标主题的分布对齐来提取主题共享特征，但它们往往忽略主题特定特征，限制了对评估关键特征（如主题一致性）的能力。为此，我们提出了一种对抗性主题感知提示微调方法（ATOP），一种新的方法，通过联合学习主题共享特征和主题特定特征来提高跨主题 AES 的性能。ATOP 通过优化可学习的主题感知提示——包括共享组件和特定组件——来从预训练语言模型中激发相关知识。为增强主题共享提示学习的鲁棒性并缓解主题对齐引入的特征尺度敏感性，我们在统一的回归和分类框架中集成了对抗训练。此外，我们采用基于邻居的分类器来建模作文表示的局部结构，并为目标主题作文生成伪标签。这些伪标签随后用于指导针对目标主题的主题特定提示的监督学习。在大型可公开获取的 ASAP++ 数据集上进行的大量实验表明，ATOP 在整体和多特征作文评分方面均显著优于现有最先进的方法。我们的实现已公开于：https://anonymous.4open.science/r/ATOP-A271。
引用
@article{arxiv.2508.05987,
title = {Adversarial Topic-aware Prompt-tuning for Cross-topic Automated Essay Scoring},
author = {Chunyun Zhang and Hongyan Zhao and Chaoran Cui and Qilong Song and Zhiqing Lu and Shuai Gong and Kailin Liu},
journal= {arXiv preprint arXiv:2508.05987},
year = {2025}
}