[發明專利]一種關于英語閱讀理解測試疑問式簡答題的自動化命題方法

有效

• 申請號: 201410064433.3
• 申請日: 2014-02-25
• 公開（公告）號: CN103823794A
• 公開（公告）日: 2014-05-28
• 發明（設計）人: 黃妍;何蓮珍
• 申請（專利權）人: 浙江大學
• 主分類號: G06F17/27
• 分類號: G06F17/27;G06N5/00
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 胡紅娟

技術領域

本發明屬于語言自動化測試技術領域，具體涉及一種關于英語閱讀理解測試疑問式簡答題的自動化命題方法。

背景技術

計算機化是現代教育測試的重要發展方向。目前語言測試在施測環節已能夠實現計算機自適應測試，在評分環節能夠實現主觀題機器自動評分，然而在命題環節，自動化水平依然很低，命題者基本僅在文字編輯和詞典查詢方面獲取計算機的輔助。

語言測試命題環節的計算機化具有迫切性。在標準化閱讀理解測試開發中，人工命題的成本很高，效率卻比較低。命題者需接受專業培訓，還要經歷繁雜的命題環節，包括改編文章、尋找考點、編寫和研磨題目，以及試測題目。即使是經驗豐富的命題者，也無法準確預知題目質量，試測后只有部分題目得以采用，這些問題導致大規模題庫難以建立，進而阻礙了計算機自適應閱讀理解測試的發展。

關于閱讀理解測試自動化命題的研究較少。Ruslan?Mitkov和Le?An?Ha在標題為Computer-aided?generation?of?multiple-choice?tests（Proceedings?of?the2003Human?Language?Technology?Conference?of?the?North?American?Chapter?of?the?Association?for?Computational?Linguistics?Workshop?on?Building?Educational?Applications?Using?Natural?Language?Processing，2003,17-22）的文獻中提出基于淺層句法分析識別短語，根據語料庫詞頻和WordNet構造干擾項生成多項選擇題的命題方法。其研究表明，與直接命題相比，命題者在計算機所生成題目的基礎上修改時效率可提高十多倍，且最終編寫出來的題目質量更高。然而，該研究中計算機產生的問題類型有限，提問對象只限于名詞，疑問詞只限于which和what。

Jack?Mostow和Wei?Chen在標題為Generating?instruction?automatically?for?the?reading?strategy?of?self-questioning（Proceedings?of?the2009Conference?on?Artificial?Intelligence?in?Education:Building?Learning?Systems?that?Care:From?Knowledge?Representation?to?Affective?Modeling，2009，465-472）的文獻中提出基于情境模型和題目模板產生簡答題的方法，該方法只能針對具有人物情節的語篇命題，提問對象的范圍限于人物心理狀態。

Michael?Heilman和Smith?Noah在標題為Good?question!Statistical?ranking?for?question?generation（Human?Language?Technologies:The2010Annual?Conference?of?the?North?American?Chapter?of?the?Association?for?Computational?Linguistics，2010，609-617）的文獻中提出基于短語結構生成問句的方法。該方法沒有考慮句子成分間的語義關系，且只依據特定詞語這種表層信息決定疑問詞，準確度不夠高。

PrashanthMannem,RashmiPrasad和AravindJoshi在題目為Question?generation?from?paragraphs?at?UPenn:QGSTEC?system?div（Proceedings?of?Question?Generation2010，2010，84-91）的文獻中提出基于語義角色生成問句的方法。該方法雖然考慮了語義關系，由于采用針對專有名詞的命名實體識別方法區分詞匯范疇，無法把普通名詞作為提問對象。

Xuchen?Yao，GosseBouma和Yi?Zhang在題目為Semantics-based?question?generation?and?implementation（Dialogue&Discourse，2012,11-42）的文獻中提出基于最小遞歸語義理論生成問句的方法，該方法利用了深層語義結構，可生成質量較高的問句，但是該方法計算量大，效率較低。