تُركّز معظم الأبحاث في مجال التصحيح التلقائي للنصوص (AEG) على تقييم النص بشكل شامل، مع وجود بعض الأعمال المتعلقة بتقييم الصفات الفردية للنص. في هذه الورقة، نُقدّم طريقة لتقدير النص بشكل شامل باستخدام نهج التعلّم متعدد المهام (MTL)، حيث يُعدّ تقييم النص بشكل شامل المهمة الأساسية، بينما يُعتبر تقييم صفات النص المهمة المساعدة. ونقارن نتائجنا مع نهج التعلّم بأداء مفرِد (STL)، باستخدام كل من نماذج LSTMs وBiLSTMs. كما نقارن نتائجنا بالنسبة للمهمة المساعدة مع تلك التي تمّ تحقيقها في أنظمة AEG الأخرى. ولتحديد أية صفات تُظهر أفضل أداءً في أنواع مختلفة من النصوص، نُجري اختبارات الحذف (ablation tests) لكل صفة من صفات النص. كما نُقدّم معلومات حول زمن التشغيل وعدد معاملات التدريب لكل نظام. ونجد أن نموذج BiLSTM القائم على التعلّم متعدد المهام يُقدّم أفضل النتائج في تقييم النص بشكل شامل، كما يُؤدي أداءً جيدًا في تقييم صفات النص.