通过三种技术提升自动作文评分性能：双阶段微调、得分对齐与自训练
计算与语言
2026-02-03 v1 机器学习
摘要
自动作文评分（AES）在教育领域发挥着关键作用，通过提供可扩展且高效的评估工具。然而在实际场景中，标签数据极度稀缺严重限制了稳健 AES 系统的开发与实际应用。本研究提出一种新方法，通过引入三项关键技术来增强 AES 在有限数据和充足数据设置下的性能。首先，我们引入双阶段微调策略，利用低秩适应更好地适配目标提示作文。其次，我们引入得分对齐技术，以提高预测得分与真实得分分布之间的一致性。最后，我们采用不确定性感知的自训练方法，利用无标签数据有效扩展训练集，同时缓解标签噪声传播。我们在DualBERT上实现上述三项关键技术。实验在ASAP++数据集上进行。结果表明，在32数据设置下，三项关键技术均提升了性能，其集成在约1000个标记样本上达到91.2%的全数据性能。此外，所提出的得分对齐技术在有限数据和全数据设置下均一致性地提升了性能；例如，它集成到DualBERT中可在全数据设置下实现最先进结果。
引用
@article{arxiv.2602.01747,
title = {Enhancing Automated Essay Scoring with Three Techniques: Two-Stage Fine-Tuning, Score Alignment, and Self-Training},
author = {Hongseok Choi and Serynn Kim and Wencke Liermann and Jin Seong and Jin-Xia Huang},
journal= {arXiv preprint arXiv:2602.01747},
year = {2026}
}
备注
22 pages, 4 figures