MAPLE：面向跨提示 essays 评分的元学习框架
计算与语言
2026-04-21 v1
摘要
自动化 essay 评分 (AES) 在跨提示场景中面临重大挑战，即模型必须泛化到未见的写作提示。为解决此限制，我们提出 MAPLE—a 一个基于原型网络学习跨不同写作提示可迁移表示的元学习框架。在三个多样化数据集 (ELLIPSE 和 ASAP(英文)，以及 LAILA(阿拉伯语)) 上，MAPLE 在 ELLIPSE 和 LAILA 上实现了 state-of-the-art 水平，分别在 QWK 上超越强大基线提升 8.5 和 3 分。在 ASAP 上，其中提示 exhibits 异构得分范围，MAPLE 在多个特征上取得改进，凸显了我们方法在统一评分设置中的优势。总体而言，我们的结果表明元学习对于构建稳健的跨提示 AES 系统具有潜力。
引用
@article{arxiv.2604.17569,
title = {MAPLE: A Meta-learning Framework for Cross-Prompt Essay Scoring},
author = {Salam Albatarni and May Bashendy and Sohaila Eltanbouly and Tamer Elsayed},
journal= {arXiv preprint arXiv:2604.17569},
year = {2026}
}
备注
Accepted at ACL Findings 2026