يُشير التقييم التلقائي للرسائل (AES) إلى التنبؤ بدرجة تتعلق بجودة الكتابة في رسالة ما. تُستخدم معظم الدراسات الحالية في مجال AES أهداف التنبؤ الانحداري (regression) أو أهداف التصنيف المرتب (ranking) بشكل منفصل. ومع ذلك، فإن هذين النوعين من الأساليب مكملان بشكل كبير. ولذلك، في هذه الورقة، نستلهم من تقنية التعلم المُقارِن (contrastive learning) ونُقدّم نموذجًا جديدًا موحدًا يُسمى "النمذجة الانحدارية المزدوجة العصبية المُقارنة" (Neural Pairwise Contrastive Regression - NPCR)، حيث يتم تحسين الهدفين معًا في شكل خسارة واحدة. بشكل محدد، نُصمم أولًا نموذجًا عصبيًا للتصنيف المرتب المزدوج لضمان ترتيب التصنيف العام في قائمة طويلة من الرسائل، ثم نوسع هذا النموذج المزدوج لتمكين التنبؤ بالدرجات النسبية بين رسالة مدخلة وعدد من الرسائل المرجعية. علاوةً على ذلك، نستخدم استراتيجية تصويت متعددة العينات (multi-sample voting) أثناء التنبؤ. وتم تقييم نموذجنا باستخدام معامل كابا التربيعي الموزون (Quadratic Weighted Kappa) على مجموعة بيانات التقييم الآلي للطلاب (ASAP) المفتوحة، وقد أظهرت النتائج التجريبية أن نموذج NPCR يتفوق بشكل كبير على الأساليب السابقة، ويحقق أفضل أداء متوسط في مجال AES حتى تاريخه.