論文の概要: Adversarial Topic-aware Prompt-tuning for Cross-topic Automated Essay Scoring
- arxiv url: http://arxiv.org/abs/2508.05987v1
- Date: Fri, 08 Aug 2025 03:43:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-11 20:39:06.064463
- Title: Adversarial Topic-aware Prompt-tuning for Cross-topic Automated Essay Scoring
- Title（参考訳）: 横断的自動評価のための対向的トピック認識プロンプトチューニング
- Authors: Chunyun Zhang, Hongyan Zhao, Chaoran Cui, Qilong Song, Zhiqing Lu, Shuai Gong, Kailin Liu,
- Abstract要約: 横断的自動エッセイスコア(英語版)(AES)は、対象トピックに関するエッセイを効果的に評価できる伝達可能なモデルを開発することを目的としている。
本稿では,AESを改善するために,ATOP(Adversarial Topic-aware Prompt-tuning)を提案する。
- 参考スコア（独自算出の注目度）: 4.751266396409427
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cross-topic automated essay scoring (AES) aims to develop a transferable model capable of effectively evaluating essays on a target topic. A significant challenge in this domain arises from the inherent discrepancies between topics. While existing methods predominantly focus on extracting topic-shared features through distribution alignment of source and target topics, they often neglect topic-specific features, limiting their ability to assess critical traits such as topic adherence. To address this limitation, we propose an Adversarial TOpic-aware Prompt-tuning (ATOP), a novel method that jointly learns topic-shared and topic-specific features to improve cross-topic AES. ATOP achieves this by optimizing a learnable topic-aware prompt--comprising both shared and specific components--to elicit relevant knowledge from pre-trained language models (PLMs). To enhance the robustness of topic-shared prompt learning and mitigate feature scale sensitivity introduced by topic alignment, we incorporate adversarial training within a unified regression and classification framework. In addition, we employ a neighbor-based classifier to model the local structure of essay representations and generate pseudo-labels for target-topic essays. These pseudo-labels are then used to guide the supervised learning of topic-specific prompts tailored to the target topic. Extensive experiments on the publicly available ASAP++ dataset demonstrate that ATOP significantly outperforms existing state-of-the-art methods in both holistic and multi-trait essay scoring. The implementation of our method is publicly available at: https://anonymous.4open.science/r/ATOP-A271.
- Abstract（参考訳）: 横断的自動エッセイスコア(英語版)(AES)は、対象トピックに関するエッセイを効果的に評価できる伝達可能なモデルを開発することを目的としている。
この領域における重要な課題は、トピック間の固有の相違から生じる。
既存の手法は、主にソースとターゲットトピックの分布アライメントによるトピック共有特徴の抽出に重点を置いているが、トピック固有の特徴を無視し、トピック順守のような重要な特徴を評価する能力を制限することがしばしばある。
この制限に対処するために,トピック共有とトピック固有の特徴を共同で学習し,横断的AESを改善するAdversarial Topic-aware Prompt-tuning (ATOP)を提案する。
ATOPは、学習可能なトピック認識プロンプトを最適化し、共有コンポーネントと特定のコンポーネントの両方を構成し、事前訓練された言語モデル(PLM)から関連する知識を引き出す。
トピック共有型即時学習のロバスト性を高め,トピックアライメントによって導入された特徴尺度の感度を緩和するために,一貫した回帰・分類フレームワークに対人訓練を組み込む。
さらに,エッセイ表現の局所的構造をモデル化し,ターゲット-トピックエッセイのための擬似ラベルを生成するために,近隣の分類器を用いる。
これらの擬似ラベルは、対象トピックに合わせて調整されたトピック固有のプロンプトの教師付き学習をガイドするために使用される。
一般公開されたASAP++データセットに関する大規模な実験によると、ATOPは、全体的なエッセイ評価とマルチトレート評価の両方において、既存の最先端メソッドを大幅に上回っている。
私たちのメソッドの実装は、https://anonymous.4open.science/r/ATOP-A271で公開されています。
関連論文リスト
- Personalized Topic Selection Model for Topic-Grounded Dialogue [24.74527189182273]
現在のモデルは、ユーザに興味がなく、文脈的に無関係なトピックを予測する傾向があります。
我々はtextbfTopic-grounded textbfDialogue のための textbfPersonalized topic stextbfElection model を提案する。
提案手法は,多種多様な応答を生成でき,最先端のベースラインを達成できる。
論文 参考訳（メタデータ） (2024-06-04T06:09:49Z) - Transformer-based Joint Modelling for Automatic Essay Scoring and Off-Topic Detection [3.609048819576875]
我々は、エッセイを共同でスコア付けし、非トピックエッセイを検出する、教師なしのテクニックを提案している。
提案手法は,2つのエッセイ・スコリング・データセットに対して,作成したベースラインと従来手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2024-03-24T21:44:14Z) - Coherent Entity Disambiguation via Modeling Topic and Categorical
Dependency [87.16283281290053]
従来のエンティティ曖昧化(ED)メソッドは、参照コンテキストと候補エンティティの一致するスコアに基づいて予測を行う、識別パラダイムを採用している。
本稿では,エンティティ予測のコヒーレンス向上を目的とした新しいデザインを備えたEDシステムであるCoherentedを提案する。
我々は、人気EDベンチマークにおいて、平均1.3F1ポイントの改善により、最先端の新たな結果を得る。
論文 参考訳（メタデータ） (2023-11-06T16:40:13Z) - Prompt- and Trait Relation-aware Cross-prompt Essay Trait Scoring [3.6825890616838066]
自動エッセイスコアリング(AES)は、与えられたプロンプトのために書かれたエッセイをスコアリングすることを目的とする。
既存のAESシステムの多くは、トレーニングで使用されるのと同じプロンプトのエッセイを格付けし、総合的なスコアのみを割り当てている。
本稿では,プロンプトとトレーサの関係を意識したエッセイ・エッセイ・トレーサ・スコアラというロバストなモデルを提案する。
論文 参考訳（メタデータ） (2023-05-26T11:11:19Z) - Robust Saliency-Aware Distillation for Few-shot Fine-grained Visual
Recognition [57.08108545219043]
サンプルが少ない新しいサブカテゴリを認識することは、コンピュータビジョンにおいて不可欠で挑戦的な研究課題である。
既存の文献は、ローカルベースの表現アプローチを採用することでこの問題に対処している。
本稿では,ロバスト・サリエンシ・アウェア蒸留法(RSaD)を提案する。
論文 参考訳（メタデータ） (2023-05-12T00:13:17Z) - Topic-Selective Graph Network for Topic-Focused Summarization [0.0]
トピック弧認識とトピック選択グラフネットワークを提案する。
第一に、トピック・アーク認識の目的は、モデルのトピックを識別する能力を持つ訓練をモデル化するために使用される。
トピック選択グラフネットワークは、トピックアーク認識の結果に基づいて、文に対してトピック誘導のクロスインタラクションを行うことができる。
論文 参考訳（メタデータ） (2023-02-25T15:56:06Z) - Knowledge-Aware Bayesian Deep Topic Model [50.58975785318575]
本稿では,事前知識を階層型トピックモデリングに組み込むベイズ生成モデルを提案する。
提案モデルでは,事前知識を効率的に統合し,階層的なトピック発見と文書表現の両面を改善する。
論文 参考訳（メタデータ） (2022-09-20T09:16:05Z) - Author Clustering and Topic Estimation for Short Texts [69.54017251622211]
同じ文書中の単語間の強い依存をモデル化することにより、遅延ディリクレ割当を拡張できる新しいモデルを提案する。
同時にユーザをクラスタ化し、ホック後のクラスタ推定の必要性を排除しています。
我々の手法は、短文で生じる問題に対する従来のアプローチよりも、-または----------- で機能する。
論文 参考訳（メタデータ） (2021-06-15T20:55:55Z) - Unsupervised Summarization for Chat Logs with Topic-Oriented Ranking and
Context-Aware Auto-Encoders [59.038157066874255]
本稿では,手動ラベル付きデータを用いずにチャット要約を行うrankaeという新しいフレームワークを提案する。
RankAEは、中心性と多様性に応じてトピックの発話を同時に選択するトピック指向のランキング戦略で構成されています。
消音自動エンコーダは、選択された発話に基づいて簡潔でコンテキスト情報に基づいた要約を生成するように設計されています。
論文 参考訳（メタデータ） (2020-12-14T07:31:17Z) - Topic-Aware Multi-turn Dialogue Modeling [91.52820664879432]
本稿では,トピック認識発話を教師なしでセグメント化して抽出する,多元対話モデリングのための新しいソリューションを提案する。
トピック・アウェア・モデリングは、新たに提案されたトピック・アウェア・セグメンテーション・アルゴリズムとトピック・アウェア・デュアル・アテンション・マッチング(TADAM)ネットワークによって実現されている。
論文 参考訳（メタデータ） (2020-09-26T08:43:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。