論文の概要: GRASP: Graph-Retrieval Automated Scoring Pipeline for Label-Free Multi-Topic Essay Grading

• arxiv url: http://arxiv.org/abs/2609.03857v1
• Date: Thu, 03 Sep 2026 13:48:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.093306
• Title: GRASP: Graph-Retrieval Automated Scoring Pipeline for Label-Free Multi-Topic Essay Grading
• Title（参考訳）: GRASP:ラベレスマルチトピックエッセイグレーディングのためのグラフ検索自動スコアパイプライン
• Abstract要約: ラベルなしマルチトピック科学試験のグレード付けには,グラフ検索自動化スコアパイプライン (GRASP) を導入している。 ラベルフリー試験(英: Label-free examination)とは、複数の異なるトピックに対する学生の反応を1段落にまとめる試験である。
• 参考スコア（独自算出の注目度）: 0.5735035463793009
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Automated short-answer grading research has historically focused on exams consisting solely of questions pertaining to a single topic. Automatic grading of exams containing questions about more than one topic remains less explored. In this work, a Graph-Retrieval Automated Scoring Pipeline (GRASP) is introduced for grading label-free multi-topic science exams. Label-free exams are short-answer exams in which a student's responses to several distinct topics are merged into a single paragraph, with no markup labels or segmentation indicating which span answers which question. Reference answers for each question are encoded into a FAISS vector index via Sentence-BERT, and a semantic similarity graph is constructed over this set of reference answers. At grading time, sentence count heuristics, with a large language model used to resolve ambiguous cases, are first applied to predict how many distinct topics were answered in the student essay. This process is performed without training data or domain-specific example essays. Candidate reference nodes, each storing one (question, reference answer, concatenation of both) from the reference index, are then retrieved through cosine similarity based Retrieval-Augmented Generation (RAG) and Graph Retrieval-Augmented Generation (GRAG). GRAG operates by taking the top cosine matches as seed nodes and then performing a graph traversal over strong edges to find additional reference nodes that may have been missed by RAG. The Hungarian algorithm is then used to optimally assign one reference node per question segment such that no reference is duplicated. Each segment is then graded against its assigned reference independently using GPT-4.1-mini. This experiment is performed to show the effect of retrieval quality on grading accuracy and the benefit of graph-augmented retrieval versus strict cosine similarity methods at various levels of essay complexity.
• Abstract（参考訳）: 自動短問合せ研究は、歴史的に1つのトピックに関連する質問からなる試験に焦点を合わせてきた。 1つ以上のトピックに関する質問を含む試験の自動格付けは、まだ検討されていない。 本研究では,ラベルなしマルチトピック科学試験のグラデーションとして,グラフ検索自動化スコアパイプライン(GRASP)を導入している。 ラベルフリー試験(英: Label-free examination)とは、複数の異なるトピックに対する学生の反応を1段落にまとめる、短い回答試験である。 各質問に対する参照回答は、Sentence-BERTを介してFAISSベクトルインデックスにエンコードされ、この一連の参照回答の上に意味的類似性グラフが構築される。 文数ヒューリスティックス(文数ヒューリスティックス)は, 文数ヒューリスティックス(文数ヒューリスティックス, 文数ヒューリスティックス)を用いて, 学生エッセイにおいて, どのように回答されたかを予測する。 このプロセスは、データやドメイン固有のサンプルエッセイをトレーニングせずに実行される。 候補参照ノードは、基準インデックスからそれぞれ1つ(クエスト、参照応答、両方の結合)を格納し、コサイン類似性に基づく検索型生成(RAG)とグラフ検索型生成(GRAG)を介して検索する。 GRAGは、トップコサインマッチをシードノードとして取り、強いエッジ上でグラフトラバーサルを実行して、RAGによって見逃されたかもしれない追加参照ノードを見つける。 ハンガリーのアルゴリズムは、参照が重複しないように、質問セグメントごとに1つの参照ノードを最適に割り当てる。 各セグメントは、GPT-4.1-miniを使用して、割り当てられた参照に対して、独立してグレードされる。 本実験は,検索品質が評価精度に及ぼす影響と,様々なレベルのエッセイ複雑性におけるグラフ強化検索と厳密なコサイン類似性手法の利点を示すものである。

関連論文リスト

• MDER-DR: Multi-Hop Question Answering with Entity-Centric Summaries [2.756584457554517]
  Map-Disambiguate-Enrich-Reduce (MDER)はコンテキスト由来の3重記述を生成し、エンティティレベルの要約と統合する。 Decompose-Resolve (DR)は、ユーザクエリを解決可能なトリプルに分解し、知識グラフに格納する。 MDERとDRはLLM駆動のQAパイプラインを形成し、スパース、不完全、複雑なリレーショナルデータに対して堅牢である。
  論文  参考訳（メタデータ） (2026-03-11T18:38:44Z)
• SentGraph: Hierarchical Sentence Graph for Multi-hop Retrieval-Augmented Question Answering [24.405588261303834]
  SentGraphは文レベルグラフベースのRAGフレームワークで、マルチホップ質問応答のための文間のきめ細かい論理的関係を明示的にモデル化する。 オンライン検索中、SentGraphはグラフ誘導型エビデンスの選択と経路拡張を行い、きめ細かい文レベルのエビデンスを取得する。
  論文  参考訳（メタデータ） (2026-01-06T13:39:51Z)
• Interpretable Question Answering with Knowledge Graphs [0.19695349076827803]
  本稿では,知識グラフ検索のみで動作する質問応答システムを提案する。 知識グラフのクエリから取得したエンティティ関係エッジをパラフレーズ化するために、小さなパラフレーズモデルが使用される。 この研究はCRAGベンチマークでLCM-as-a-judgeを用いて評価され、71.9%と54.4%の精度が得られた。
  論文  参考訳（メタデータ） (2025-10-22T02:36:35Z)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• Graph-augmented Learning to Rank for Querying Large-scale Knowledge Graph [34.774049199809426]
  情報検索に基づく知識グラフ質問応答(KGQA)は,大規模知識グラフから回答を取得して回答することを目的としている。 まず,検索したKSGを,新しいサブグラフ分割アルゴリズムを用いて,より小さなKSGに分割する。 次に、ランク付けモデルから上位のKSGを選択するためのグラフ拡張学習を提案する。
  論文  参考訳（メタデータ） (2021-11-20T08:27:37Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)
• Semantic Graphs for Generating Deep Questions [98.5161888878238]
  本稿では、まず、入力文書のセマンティックレベルグラフを構築し、次にアテンションベースのGGNN(Att-GGNN)を導入してセマンティックグラフを符号化する新しいフレームワークを提案する。 HotpotQAのDeep-question中心のデータセットでは、複数の事実の推論を必要とする問題よりもパフォーマンスが大幅に向上し、最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2020-04-27T10:52:52Z)
• Iterative Context-Aware Graph Inference for Visual Dialog [126.016187323249]
  本稿では,新しいコンテキスト認識グラフ(CAG)ニューラルネットワークを提案する。 グラフの各ノードは、オブジェクトベース(視覚)と履歴関連(テキスト)コンテキスト表現の両方を含む、共同意味機能に対応している。
  論文  参考訳（メタデータ） (2020-04-05T13:09:37Z)

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。