近日，以计算机科学与技术学院张春云副教授为第一作者、崔超然教授为通讯作者的论文“基于类别对抗联合学习的跨提示自动作文评分方法”发表《计算机研究与发展》，该期刊为计算机学会（CCF）推荐的A类中文期刊，系我校A1类期刊。

自动作文评分可以有效减轻教师作文评分的负担，为学生提供客观、及时的反馈，是自然语言处理在教育领域的一项重要应用，能够为教育考试自动化阅卷中其他主观题自动评分任务提供重要的技术支撑。

在语言类考试中，学生需根据给定的写作提示撰写作文，早期的作文自动评分大都是基于特定提示的方法。然而，在现实场景中，难以收集大量的给定提示（目标提示）的已评分作文，甚至无法获取该提示的已评分作文本文面向目标提示数据不可见的场景，提出一种基于类别对抗联合学习的跨提示自动作文评分方法。该方法在分类和回归的联合建模框架下，针对不同提示的类别分布差异引入类别对抗策略，通过对不同提示进行类别级特征对齐学习不同提示间的细粒度不变特征表示，从而提升模型泛化性能。在公开数据集中对作文的总体评分和属性评分进行预测的实验结果表明，该方法达到目前最好的性能。