校准生成式 AI 以产生真实论文用于数据增强
机器学习
2026-02-09 v1
摘要
数据增强可缓解机器学习自动评分引擎中构造性题目训练数据有限的瓶颈。本研究旨在确定三种大型语言模型提示策略如何产生保持原有论文写作质量并产生真实文本以增强 ASE 训练数据集的效果。我们创建了模拟的学生论文，人类评分员对其进行评分并评估生成文本的真实性。研究结果表明，预测下一个提示策略在人类评分员关于模拟论文评分的一致性方面效果最佳，预测下一个和句子策略在模拟论文中最能保留原有论文的评估质量，预测下一个和 25 示例策略在人类评分员评估下产生最真实的文本。
引用
@article{arxiv.2602.06772,
title = {Calibrating Generative AI to Produce Realistic Essays for Data Augmentation},
author = {Edward W. Wolfe and Justin O. Barber},
journal= {arXiv preprint arXiv:2602.06772},
year = {2026}
}
备注
Artificial Intelligence in Measurement and Education Conference (AIME-Con)