arXiv:2509.08345cs.CLcs.AI2025-09中稿 · National Council o…被引 1
用生成模型实现写作评估的细分维度可解释性
Toward Subtrait-Level Model Explainability in Automated Writing Evaluation
- 基于生成式语言模型实现写作细粒度评分
- 人工与自动评分在子特质上相关性中等
- 适合关注评分透明度的教育研究者
子特质（潜在特质组成部分）评估为提升自动化写作评分的透明度提供了有前景的路径。我们通过生成式语言模型原型化了可解释性与子特质评分，发现人类评分与特质得分之间存在中等程度的相关性，自动化评分与人工子特质评分之间也表现出中等相关性。该方法为教师和学生提供评分细节，有助于消除评分黑箱。
原文摘要 · Abstract (English)
Subtrait (latent-trait components) assessment presents a promising path toward enhancing transparency of automated writing scores. We prototype explainability and subtrait scoring with generative language models and show modest correlation between human subtrait and trait scores, and between automated and human subtrait scores. Our approach provides details to demystify scores for educators and students.
写作评估可解释性生成模型
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。