使用BERT进行论文同行评审的可解释软传感器框架
Meng Wang1, Jincheng Su1, Zhide Chen1
1Graduate School & School of Computer and Cyberspace Security, Fujian Normal University, Fuzhou 350108, China.
Sensors (Basel, Switzerland)
|October 29, 2025
概括
本研究引入了一个可解释的软传感器模型,使用BERT和SHAP来分析研究生论文评估. 该方法准确量化了关键的学术评估维度,改善了大数据环境中的质量监测.
科学领域:
- 人工智能的人工智能
- 自然语言处理自然语言处理.
- 教育技术的教育技术
背景情况:
- 研究生教育在质量监测方面面临挑战,原因是复杂的,主观的论文评估.
- 现有的自动化分析方法与细微的纪律标准作斗争,对于教育工作者来说缺乏解释性.
研究的目的:
- 开发一个可解释的软传感器框架,用于定量化论文评审中的潜在评估维度.
- 通过使用先进的自然语言处理技术,增强对同行评审文本的自动化分析.
主要方法:
- 采用基于BERT的模型与注意力机制,用于深度语义建模论文评论.
- 集成的沙普利增量解释 (SHAP) 确保模型预测可解释性和量化特征重要性.
- 开发了一个可解释的软传感器范式,将NLP与实质性审查原则结合起来.
主要成果:
- 在准确性,精度,回忆和F1分数方面,BERT-SHAP模型显著超过了基线方法.
- 解释性机制成功地确定了专家优先考虑的关键评估维度.
- 证明了该模型在为论文改进提供可操作的见解方面的有效性.
结论:
- 开发的框架为分析大数据时代复杂的学术评估提供了一种新的,可解释的方法.
- 这种软传感器范式将NLP的进步与基本的审查原则联系起来,增强论文质量保证.
- 为教育工作者和机构提供可扩展和可解释的解决方案,以监测和改进研究生教育标准.
