25、开放式简答题评估中利用神经网络张量的创新方法

开放式简答题评估中利用神经网络张量的创新方法

在教育技术不断发展的今天，自动简答题评分系统以及开放式简答题评估成为了研究的热点。本文将围绕相关研究展开，探讨如何利用神经网络张量网络（NTN）进行学生答案评估，以及相关方法的优势和应用。

自动简答题评分系统面临的挑战

自动简答题评分系统旨在衡量学生答案与目标概念的匹配程度。传统的语义相似性评估方法可分为基于知识（如依赖WordNet计算概念相似度）和基于语料库（如潜在语义分析LSA和潜在狄利克雷分配LDA）两类，还有结合两者的方法。然而，这些方法存在一个重大局限，即假设学生答案和参考答案是自包含的。

在实际的任务导向对话式智能辅导系统中，学生的回答往往是省略的、包含指代关系，或者严重依赖更广泛的上下文，如教学任务描述或先前的对话历史。例如，在一个关于冰球受力的问题中：
| 角色 | 内容 |
| ---- | ---- |
| 问题（Q） | 当冰球在两名球员之间的冰面上移动时，有哪些力作用在冰球上？ |
| 答案1（A1） | 作用在冰球上的力是重力和来自冰面的法向力。 |
| 答案2（A2） | 法向力和重力。 |
| 答案3（A3） | 来自地球的向下的力和来自冰面的法向力。 |
| 期望答案（E） | 作用在冰球上的力是向下的重力和来自冰面的向上的法向力。 |

答案A1较为完整，使用语义相似性方法能得到较高的相似度得分。但像A2和A3这样的省略答案，由于其隐含部分较多，传统语义相似性方法难以准确评估，可能导致即使答案正确也被误判为错误。

知识图谱与相关研究

知识图谱包含概念或实体及其关系，是用