大规模自动写作评估系统的有效采样
计算与语言
2014-12-19 v1 机器学习
摘要
自动写作评估（AWE）已被证明是一种快速向学生提供反馈的有效机制。它已在企业级应用中广泛采用，并开始在大规模场景中被采纳。训练 AWE 模型历来需要单批次数百个写作样本及其各自的人工评分。这一要求限制了 AWE 的大规模采用，因为人工评分作文成本高昂。本文评估了确保 AWE 模型始终使用最具信息量的作文进行训练的算法。我们的结果展示了如何在最大化预测性能的同时最小化训练集规模，从而在不牺牲过多准确性的前提下降低成本。最后，我们讨论了如何将这种方法集成到大规模 AWE 系统中。
引用
@article{arxiv.1412.5659,
title = {Effective sampling for large-scale automated writing evaluation systems},
author = {Nicholas Dronen and Peter W. Foltz and Kyle Habermehl},
journal= {arXiv preprint arXiv:1412.5659},
year = {2014}
}