Representation-to-Creativity（R2C）：作文创造力自动整体评分模型

基于摘要分析。本文研究 Automated Essay Scoring（AES）中较少受到关注的作文创造力评分，提出专门的创造力评价量规，并据此构建包含 5,048 篇作文的真值数据；同时提出 Representation-to-Creativity（R2C），利用作文嵌入空间中的聚类模式开展自监督学习，以支持创造力评分与训练数据生成。 方法的核心是识别作文表征中的聚类模式，并利用这些模式进行创造力评分。作者希望由此自动生成高质量训练集，支持多种语言模型的训练。摘要尚未说明作文嵌入的来源、聚类算法、聚类与评分之间的映射、自监督目标，以及生成数据的筛选和质量验证流程，因此不能进一步判断各环节的具体贡献。 作者报告，在 ASAP 和 AIHUB 数据集上，相较所比较的主要先进模型，作文创造力评估的 F1-score 提升最高达 58%。摘要未明确该数值是相对增幅还是百分点变化，也未提供具体基线、原始 F1、F1 平均方式及数据划分，不能据此进行严格横向比较。5,048 篇作文与两个评测数据集之间的对应关系、标注一致性、实验协议、消融及统计信息尚未验证。 该研究的主要对象是作文创造力评价，而非 EEG 或 BCI。现有材料没有给出其机制与神经信号任务的具体对应关系，不据此推断 BCI 有效性；复现作文评分结果仍需核对评价量规、标注与划分流程，以及模型和训练数据的可获得性。