视觉分级与突出错误标记与标注缺失位
原文中文,约400字,阅读约需1分钟。发表于: 。通过对学生反馈进行深入分析并提供学生视觉亮点,本文引入了一种名为 “Marking” 的新型评分任务,以增强自动评分系统,与传统系统不同,通过将学生反应进行正确、错误或无关的分类,并检测与标准答案的遗漏,我们将之作为自然语言推理任务的扩展,通过训练语言模型识别学生响应的蕴含、矛盾和中性,同时识别标准答案的遗漏,我们使用 BERT 和 RoBERTa 等变压器模型,并结合 e-SNLI...
本文介绍了一种名为“Marking”的新型评分任务,通过对学生反馈进行深入分析并提供学生视觉亮点,以增强自动评分系统。使用BERT和RoBERTa等变压器模型,并结合e-SNLI数据集进行智能训练。为AI驱动的教育评估工具的研究开辟了新的途径,为AI教育社区提供了有价值的基准。