通过可解释的神经符号流水线增强多领域自动简答题评分
计算与语言
2024-03-20 v2
摘要
自动对简答题进行评分，并在评分决策背后提供可解释的推理，是当前Transformer方法面临的一个挑战性目标。结合逻辑推理器的理由线索检测，在自动简答题评分（ASAG）的神经符号架构中显示出有希望的方向。但主要挑战之一是需要在学生回答中标注理由线索，而这仅存在于少数ASAG数据集中。为了克服这一挑战，我们贡献了：（1）一种用于ASAG数据集中理由线索的弱监督标注程序，以及（2）一种基于理由线索的可解释ASAG神经符号模型。在双语、多领域、多问题训练设置下，我们的方法在简答题反馈数据集上的RMSE比最先进方法提高了0.24到0.3。这一结果表明，我们的方法为未来ASAG和教育NLP研究中生成高质量评分和伴随解释提供了有希望的方向。
引用
@article{arxiv.2403.01811,
title = {Enhancing Multi-Domain Automatic Short Answer Grading through an Explainable Neuro-Symbolic Pipeline},
author = {Felix Künnecke and Anna Filighera and Colin Leong and Tim Steuer},
journal= {arXiv preprint arXiv:2403.01811},
year = {2024}
}