Sep, 2023

注视导向的语句简化对语言学习者的补充：增强理解和可读性

PDF
TL;DR这篇论文介绍了一种新颖的凝视驱动的句子简化系统，旨在提高语言学习者的阅读理解能力。通过结合凝视特征和语言特征来评估句子理解，系统识别到理解困难时，通过 GPT-3.5 将复杂的词汇和语法替换为简化的替代词汇和语法，从而提供简化版本，收集了 19 名英语学习者阅读英文文本时的眼动数据，实验结果表明我们的系统能够准确估计句子级别的理解能力，此外，我们还发现 GPT-3.5 的简化在传统可读性指标和个别单词难度、不同语言层面的释义方面提高了可读性。
发现论文，激发创造
  • 通过学习预测凝视来提高句子压缩

    本文介绍了利用注视数据语料库来改进句子压缩模型的方法，并且提出了一种基于多层 LSTM 的新型多任务学习算法，其性能与最先进的方法相当或更好。

    Apr, 2016

  • 基于错误人工评估的 GPT-4 在句子简化中的深入评估

    通过设计错误基础的人类注释框架来评估 GPT-4 在句子简化方面的能力，进一步深入了解大型语言模型的性能，同时确保评估的可靠性。该研究发现 GPT-4 相对于现有最先进的模型来说，普遍生成较少错误的简化输出，但在词汇转述方面仍然存在限制。此外，我们对广泛使用的自动评估指标进行了元评估，发现这些指标在评估 GPT-4 的高质量简化整体能力上缺乏足够的敏感性。

    Mar, 2024

  • 连接信息寻求的人类注视和机器阅读理解

    本研究分析了人类阅读理解过程中的凝视方式及其对于机器阅读理解的帮助，通过收集了一个新的眼动追踪数据集，得出了阅读过程中与问题相关的文本部分会有更长的凝视时间的结论，并提出了模仿人类寻求信息的阅读行为以提高模型性能的方法，在英语阅读理解问答中获得了表现的提升。

    Sep, 2020

  • 使用 Transformer 进行句子简化 -- 以五岁孩子的语言为解释

    本文使用预训练转换器模型探讨了简化句子的方法，并在 Mechanical Turk 数据集上结合 GPT-2 和 BERT 模型取得了 46.80 的最佳 SARI 得分，明显优于之前的最新研究成果。

    Dec, 2022

  • 衡量（心理）语言和易读性特征以及它们的溢出效应对预测眼动模式的影响

    本文报告了两个眼动追踪语料库和两种语言模型（BERT 和 GPT-2）的实验结果。实验表明，预测自然阅读过程中多种眼动追踪参数时，包含的特征和基于 transformer 的语言模型的架构都发挥了作用。同时通过 SP-LIME，实验分析了不同特征组的相对重要性。

    Mar, 2022

  • 可控的句子简化

    使用离散参数机制在序列到序列模型中为用户提供明确控制简化系统的方法，进而在简化基准测试中实现比标准模型更好的结果，并建立了 ACCESS 模型作为人群中心的句子简化的技术水平。

    Oct, 2019

  • 通过受控语法简化识别、测量和降低句法复杂性

    本研究提出了一种基于事实信息的控制简化方法，使用句法依赖分析将复合和复杂句子拆分为简化句子的集合，并用统计方法度量了句子的句法复杂度，通过本方法，可在不失信息的情况下简化语言，用于知识图谱中三元组的提取与构建。

    Apr, 2023

  • 一种用于句子简化的受限序列到序列神经模型

    通过结合单词级和句子级的简化方法，本研究提出了一个两步简化框架，并利用约束神经生成模型的方法对简化后的单词进行句子简化，取得了比各种基线模型更好的性能表现。

    Apr, 2017

  • 基于眼动的读者识别和文本理解评估的判别模型

    研究读者通过阅读时眼动观察来推断其身份并估计文本理解水平的问题，通过使用词法特征的个体注视模式（扫描路径）的生成模型，得出基于眼动数据的 Fisher-SVM 的 Fisher 核方法，结果表明 Fisher-SVM 在识别读者身份上表现出色。

    Sep, 2018

  • 基于理解问答的文本简化

    本研究探讨并验证了通过文本简化改善阅读理解相关任务的可行性，创建了被简化过的 SQuAD 数据集 (Simple-SQuAD)，并实验表明文本简化对于基于 SQuAD 的问答任务，确实可以提高 2.04% 的精确匹配率和 1.74% 的 F1 值。

    Sep, 2021