基于深度学习的英语语言教学有效评估的智能文本分析
Yuan Ren1, Wenjuan Fan2, Jinhai Wang3
1School of Foreign Languages, Zhengzhou University of Aeronautics, Zhengzhou, China.
Scientific reports
|August 7, 2025
概括
本研究介绍了一种基于混合特征的交叉提示自动化作文评分 (HFC-AES) 模型,用于评估英语写作. 该HFC-AES模型展示了卓越的交叉提示符评分性能,增强了自动化作文评分.
科学领域:
- 自然语言处理自然语言处理.
- 教育中的人工智能
背景情况:
- 对英语语言教学的需求需要有效和准确的学生写作评估.
- 传统的自动化作文评分方法与交叉提示适应性和深度语义理解作斗争.
研究的目的:
- 为智能文本分析引入基于混合特征的交叉提示自动化作文评分 (HFC-AES) 模型.
- 提高自动化作文评分系统的稳定性和语义建模能力.
- 为英语语言教学提供可靠和有效的评估工具.
主要方法:
- 使用深度学习开发了一种基于混合特征的交叉提示自动化作文评分 (HFC-AES) 模型.
- 将文本结构特征和注意力机制纳入深度神经网络 (DNN).
- 采用对抗性培训,以优化特征提取和交叉提示的适应性,具有主题独立和主题特定的评分阶段.
主要成果:
- 该HFC-AES模型实现了强的交叉提示分数表现,平均正方位加权卡帕 (QWK) 为0.856.
- 在稳定性和语义建模方面,HFC-AES的表现优于现有的基于变压器的评分模型.
- 废弃研究证实了文本结构特征和注意力机制的重要性,特别是在论证性写作中.
结论:
- HFC-AES模型为自动化作文评分提供了有效的技术支持.
- 该模型有助于在英语教学中进行更可靠,更有效的评估.
- 该研究强调了混合特征方法和深度学习在先进的自动化作文评分方面的潜力.
