ProtSi：基于数据增强的原型孪生网络用于少样本主观答案评分
计算与语言
2022-11-21 v1
摘要
主观答案评分是一项耗时且繁琐的任务，且评分质量深受多种主观个人特征影响。相比之下，机器评分可有效协助教育者节省时间，同时确保评分公平且贴合实际。然而，大多数现有使用常规机器学习和自然语言处理技术的方法普遍受限于标注答案匮乏和模型可解释性差，难以用于现实场景。为解决这些挑战，我们提出 ProtSi 网络，一种独特的半监督架构，首次将少样本学习用于主观答案评分。为通过相似性原型评估学生答案，ProtSi 网络模拟评分者给答案打分的自然过程，将主要由 BERT 与编码器层构成的孪生网络与原型网络相结合。我们采用无监督多样化释义模型 ProtAugment，以防止过拟合，实现有效的少样本文本分类。通过集成对比学习，可缓解判别性文本问题。在 Kaggle 短答案评分数据集上的实验表明，ProtSi 网络在准确率和二次加权kappa方面优于最新基线模型。
引用
@article{arxiv.2211.09855,
title = {ProtSi: Prototypical Siamese Network with Data Augmentation for Few-Shot Subjective Answer Evaluation},
author = {Yining Lu and Jingxi Qiu and Gaurav Gupta},
journal= {arXiv preprint arXiv:2211.09855},
year = {2022}
}