یادگیری چندوظیفه ای و ارزیابی چندبعدی

یکی از پیشرفت های مهم اخیر در فناوری تصحیح خودکار، حرکت از نمره دهی کلی (Holistic) به سوی ارزیابی چندبعدی (Multi-trait) است. ارزیابی چندبعدی به سیستم امکان می دهد جنبه های مختلف نوشتار مانند انسجام، سازماندهی، دستور زبان، واژگان و استدلال را به صورت مجزا ارزیابی کند و بازخورد دقیق تری ارائه دهد. رویکرد DualBERT-Trans-CNN که چو و همکاران (۲۰۲۴) معرفی کرده اند، با استفاده از چارچوب یادگیری چندوظیفه ای، ارتباط میان نمره کلی و ارزیابی ویژگی های خاص را به طور صریح مدل سازی می کند و در هر دو سطح به دقت بهتری دست می یابد. در مجموع، فناوری های اصلی این حوزه یعنی پردازش زبان طبیعی، معماری ترنسفورمر و مدل های BERT، مدل های زبانی بزرگ، تشخیص نوری کاراکتر و یادگیری چندوظیفه ای، در کنار یکدیگر منظومه ای از ابزارهای مکمل را تشکیل می دهند که بسته به نوع تکلیف یا آزمون، می توانند به تنهایی یا در ترکیب با یکدیگر به کار روند. پیشرفت سریع این فناوری ها طی سال های اخیر نشان دهنده آن است که تصحیح خودکار دیگر صرفا یک ایده نظری نیست، بلکه به ابزاری عملی و قابل اطمینان برای کاهش بار کاری معلمان تبدیل شده است.