LREC-COLING 2024（The 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation）于2024年5月20日至25日在意大利都灵举行，公司师生撰写的题为《PLAES: Prompt-generalized and Level-aware Learning Framework for Cross-prompt Automated Essay Scoring》和《Zero-shot Cross-lingual Automated Essay Scoring》的2篇长文论文被录用，员工一作分别为陈源和何俊毅，第一作者为李霞教授。
LREC-COLING 2024是由欧洲语言资源协会（ELRA）和国际计算语言学委员会（ICCL）共同主办的自然语言处理领域国际顶级学术会议之一，是中国计算机学会（CCF）推荐的B类国际学术会议，会议于2024年5月20日至25日在意大利都灵举行。
论文1：Xia Li, Yuan Chen. PLAES: Prompt-generalized and Level-aware Learning Framework for Cross-prompt Automated Essay Scoring. COLING2024.
概述：以往的跨主题作文自动评分(AES)系统主要关注通过使用源主题和目标主题作文来获得共享知识。然而，这在实际情况下可能不可行，因为目标主题文章可能无法作为训练数据。当仅从源主题文章构建模型时，不同主题作文之间的显著差异可能会阻碍其推广到目标主题的能力。在这项研究中，提出了一种新的跨主题AES学习框架，以获取更多跨主题的通用知识，并提高模型区分写作水平的能力。为了在不同的主题下获得通用知识，通过元学习和所有源主题作文来训练第一阶段模型。为了提高模型区分写作水平的能力，我们提出了一种有等级感知的学习策略，该策略由一个主模型和三个低、中、高等级模型组成。然后，我们引入了一种对比学习策略，使主模型的作文表示更接近其相应的等级表示，远离其他两个等级表示，从而提高模型区分写作水平的能力，提高评分性能。在公共数据集上的实验结果说明了我们的方法的有效性。
图1. 论文1模型图
论文2： Xia Li, Junyi He. Zero-shot Cross-lingual Automated Essay Scoring. COLING2024.
概述：由于创建高质量的多语言标注训练数据极具挑战性，资源短缺已成为自动作文评分（AES）领域的一个关键且棘手的问题。目前，鲜有研究聚焦并尝试解决此问题。本研究提出了一种创新的零样本跨语言评分方法，该方法基于预训练的多语言模型和写作质量对齐技术，能够对未知语言的作文进行评分。具体来说，我们利用多语言预训练模型作为作文编码器，深入全面地表示多语言文本。考虑到不同语言间写作质量评分的可比性，我们引入了一种创新的策略，实现了跨语言的作文质量对齐。此策略能够捕捉不同语言间的共享评分知识，从而提升模型对未知语言作文质量的识别能力。我们在包括捷克语、德语、英语、西班牙语、意大利语和葡萄牙语六种语言的数据集上开展了广泛实验，研究结果显示，我们的方法取得了最优的跨语言评分性能。
图2. 论文2模型图
初稿：陈源、何俊毅
审核：陈劲鸥
终审：李霞、王连喜
