AI驱动的数学建模论文智能评估系统：从多智能体优化到新手友好实现

1次阅读

共计 1786 个字符，预计需要花费 5 分钟才能阅读完成。

数学建模竞赛和学术论文评审长期依赖人工评估，主要存在三个核心问题：

主观性强 ：不同评委对同一篇论文的评分差异可达 20% 以上，尤其在创新性等抽象维度
效率瓶颈 ：全国大学生数学建模竞赛每年收稿超 4 万篇，资深评委连续工作易产生疲劳误差
反馈滞后 ：人工评阅周期通常需要 2 - 3 周，无法满足学生即时改进的需求

规则引擎 ：
优点：实现简单，如设置 ” 公式数量 >5 得 1 分 ” 等硬性规则
缺点：无法处理语义理解，对论文质量整体性判断差
单模型方案 ：
典型选择：BERT+ 全连接层
优势：端到端训练方便
缺陷：所有评估维度耦合，调整一个指标需重新训练整个模型
多智能体系统 ：
架构：每个评估维度（如模型创新、计算准确度）由独立智能体负责
优势：模块化设计，支持动态增删评估维度
挑战：需要设计有效的协同机制

flowchart TD
    A[论文 PDF] --> B(预处理模块)
    B --> C[文本智能体]
    B --> D[公式智能体]
    B --> E[图表智能体]
    C & D & E --> F[协调器]
    F --> G[评估报告]

预处理模块 ：PDF 解析、公式 LaTeX 提取、图表数据数字化
文本智能体 ：使用 RoBERTa 分析模型描述的逻辑严密性
公式智能体 ：基于 SymPy 验证推导过程的数学正确性
协调器 ：动态调整各维度权重，公式：$S=\sum_{i=1}^n w_i\cdot s_i$

class EvaluationAgent:
    """基础智能体类"""
    def __init__(self, weight):
        self.weight = weight  # 该维度权重

    def extract_features(self, paper):
        """特征提取方法（需子类实现）"""
        raise NotImplementedError

    def evaluate(self, features):
        """返回 0 - 1 的评分"""
        return min(max(self._raw_score(features), 0), 1)

class FormulaAgent(EvaluationAgent):
    """公式验证智能体"""
    def extract_features(self, paper):
        # 使用 latex2sympy 提取所有公式
        return [parse_latex(f) for f in paper.formulas]

    def _raw_score(self, formulas):
        # 检查公式可解性和一致性
        valid_count = sum(1 for f in formulas if f.check_validity())
        return valid_count / (len(formulas) + 1e-6)  # 防止除零

# 协调器实现
class Coordinator:
    def __init__(self, agents):
        self.agents = agents

    def overall_score(self, paper):
        total = 0.0
        for agent in self.agents:
            features = agent.extract_features(paper)
            total += agent.weight * agent.evaluate(features)
        return total / sum(a.weight for a in self.agents)