利用回译作文与调整分数提升自动作文评分性能

自动作文评分在教育领域评判学生语言能力方面发挥着重要作用。传统方法使用手工设计的特征进行评分，耗时且复杂。近年来，神经网络方法无需任何特征工程即可提升性能。与其他自然语言处理任务不同，自动作文评分领域公开可用的数据集数量极少，且数据集规模不够大。考虑到神经网络的性能与数据集规模密切相关，数据匮乏限制了自动作文评分模型的性能提升。本文提出了一种利用回译和分数调整来增加作文-分数对数量的方法，并将其应用于自动学生评估奖数据集进行数据增强。我们使用先前工作中的模型评估了增强数据的有效性。此外，还在一种广泛用于自动作文评分的基于长短期记忆的模型中评估了性能。通过使用增强数据训练模型，模型的性能得到了提升。