PsyScore：用于特质自适应论文评分和 ZPD 支架反馈的心理测量感知框架

有效的自动作文评分 (AES) 预计将支持可靠的评估和可操作的教学反馈。然而，现有方法通常将评分和反馈视为独立的组成部分：神经评分模型提供的可解释性有限，而基于 大语言模型 (LLM) 的反馈通常对学习者的熟练程度不敏感。为了解决这种碎片化问题，这项工作提出了 PsyScore，这是一种心理测量感知框架，通过共享的潜在能力表示将诊断评估与教学支架相结合。 PsyScore 包含三个关键模块：特征自适应神经 IRT 评分器，将分级部分学分模型 (GPCM) 纳入神经架构，从而能够在保持心理测量可解释性的同时精确估计学生能力；ZPD 支架反馈生成器，根据诊断的能力参数调整多智能体反馈策略，以适应不同熟练程度的教学重点；以及多视角反馈评估策略，通过成对偏好判断和学生修订来评估反馈质量模拟。 ASAP++ 数据集上的实验表明，PsyScore 实现了有竞争力的评分性能，同时提供了在教学上更加一致的反馈。