COLINGNov, 2020

童年和早期青春期心理阅读能力的自动化评分

PDF
TL;DR本文的第一项工作是自动评分中儿童和早期青春期的心智阅读能力。通过创建 MIND-CA 的新语料库，作者对 1,066 名 7 至 14 岁儿童创建了 11,311 个问题 - 回答对。作者进行了机器学习实验并进行了广泛的定量和定性评估。结果很有前途，证明了最先进的 NLP 解决方案对于新的领域和任务具有适用性。
automated scoringmindreading abilitymachine learningnlp solutionsmiddle childhood
发现论文，激发创造
  • 评估机器阅读理解数据集的基准测试能力

    本篇研究提出了一种半自动化的消融实验方法，通过检查即使除去与语言理解相关的特征后是否仍然能回答问题，来评估语言理解能力挑战数据集的性能，实验结果表明，很多问题并不需要语法复杂的推理，为了精准评估 MRC 数据集，需要在设计时额外注意。

    Nov, 2019

  • GenQ：自动化问题生成，以支持照顾者在和儿童阅读故事时

    使用开放式问题可以激发儿童的阅读理解能力。尽管存在使用智能辅导系统来提供支持的可能性，但目前还不清楚生成人类语言类问题的现有智能系统是否有益。此外，开发这些自动生成问题系统所用的训练数据通常没有考虑到人口统计学差异。然而，具有不同文化背景的人可能会问不同的问题。作者调查了拉丁裔看护者和非看护者以及其他人口统计学中的看护者和非看护者等人群的问题，并设计了一个自动从数据中提取模板的系统，生成代表拉丁裔看护者所问问题的开放式问题。

    May, 2023

  • AI 向人类提问：儿童故事书问答生成

    我们设计了一种教育应用的问答生成自动化系统，可以为幼儿园到八年级的阅读材料生成测试学生理解能力的问题与答案对，并在自动评估和人工评估中证明其优于当前先进的问答生成基线系统。同时，我们还在此基础上开始构建一个交互式的故事讲述应用程序，用于未来在教育领域的实际部署。

    Sep, 2021

  • 运用人工智能进行现场测试：使用变压器的自然语言处理

    RoBERTa 模型的五千个变体通过 29 道选择题完成了一项英语读写能力考试，利用数据计算了这些考题的心理测量性质，结果显示它们在某种程度上与人类考生数据获得的结果相符。

    Oct, 2023

  • 运用 GPT-3 驱动教学代理系统培养儿童的好奇心提问技能

    本研究借鉴自然语言处理和大型语言模型相结合的方法，采用自然文本提示来制作课程内容，有效提高了儿童好奇心问题的生成能力，同时发现开放式训练内容更适合培养好奇心问题发现的技能。

    Nov, 2022

  • 注意力求和读者网络的文本理解

    该研究提出了一种使用注意力机制直接从文本中选取答案的模型，特别适用于以文本中某个单词为答案的问题，并在多个数据集上取得了新的最优成绩。

    Mar, 2016

  • MRQA 2019 共享任务：阅读理解通用性评估

    在 Machine Reading for Question Answering (MRQA) 2019 shared task 中，我们通过将 18 个不同的 question answering 数据集调整并统一格式来评估阅读理解系统的泛化能力。参赛的 10 个团队尝试了不同的想法，如数据采样、多任务学习、对抗训练和集成学习等，在 12 个被隐藏的测试数据集上，最好的系统平均 F1 分数为 72.5，比基于 BERT 的初始得分高了 10.7 个绝对点。

    Oct, 2019

  • Smarnet: 让机器像人类一样阅读和理解

    本文提出了一种用于机器理解阅读测试的科学方法，引入了新颖的词法控制机制，通过注意力机制和记忆网络指导机器进行交互式阅读，并添加检查层来细化答案以提高正确性，实验证明该方法在 SQuAD 和 TriviaQA 两个常用数据集上的表现优于大多数现有的解决方案。

    Oct, 2017

  • 教授机器阅读和理解

    本篇论文提出了一种新方法，通过大规模监督学习从而提供阅读理解的数据集，开发了一类基于注意力机制的深度神经网络，使其能够在没有先前语言结构知识的情况下阅读真实文档并回答复杂问题。

    Jun, 2015

  • 带信息搜索代理的交互式机器阅读理解

    通过重新设计现有的机器阅读理解数据集，将其转化为互动、部分可观察的环境，加入上下文命令并训练模型，有望将模型扩展到面向 Web 级别的 QA 场景。

    Aug, 2019