神经自动写作评估与纠正反馈
对瑞典学生文本进行全面评估,发现在少样本环境下,GPT-3 明显优于之前瑞典语语法错误修正系统,同时发现当前评估方法存在不可取的偏见,建议采用人工编辑 GEC 系统的输出来分析达到本地人级别性能所需要的改变量,并提供一份包含人工编辑和语法性、流畅性和意义保持评估的数据集。
Aug, 2023
GEC has seen significant progress thanks to machine learning and deep learning techniques, particularly in NMT based approaches, and this is the first survey to comprehensively cover literature in this area, examining datasets, annotation schemas, shared tasks, evaluation metrics, four basic approaches, six performance boosting techniques, two data augmentation methods, and future research directions.
May, 2020
使用机器学习自动评估和构建早期写作的反馈,通过序列到序列模型将学生的早期写作 “翻译” 成 “传统” 写作,从而能够使用语言度量对翻译后的文本进行分析,并使用鲁棒似然方法减轻数据集中的噪声效应,并通过一系列数值实验证明能以高准确率预测传统文本。
Nov, 2023
本文提出了一种方法(使用关注层的中间输出)来将 AWE 与神经 AES 联系起来,通过提取代表源文本证据的主题组件(TCs)来提供支持。 结果表明,使用自动或手动构建的 TC,性能是相当的
Aug, 2020
本研究提出了自动检测系统强度或多个系统组合的方法,在所有测试配置中一致优于最佳独立系统,并对 BERT 的应用进行了分析,同时呈现了对本任务创建的拼写检查器的实验结果。
Jun, 2019
通过引入带有证据词和语法错误类型的大型数据集 EXPECT 以及多个基线模型和分析,本文旨在提高解释性语法纠错系统,验证人类评估说明性语法纠错系统的解释可以帮助第二语言学习者确定是否接受校正建议,并了解相关的语法规则。
May, 2023
该研究评估了面向英语非母语学习者写作的语法错误纠正系统(GEC),并发布了一个由具有不同水平的英语使用者生成的网站文本组成的新基准 CWEB,该工作希望能够促进开放域 GEC 模型的发展,以能够概括不同主题和流派。
Oct, 2020
在此综述文章中,我们介绍了在自然语言处理领域中的语法错误纠正任务,其中包括越来越流行的神经机器翻译系统,同时概述了任务中的语言学挑战以及常用的数据集和评价方法。我们还介绍了人类主观判断相关的可靠度指标,并总结了近年来的发展以及未来工作和仍面临的挑战,希望本综述能为新手或关注近期发展的研究人员提供全面的资源。
Nov, 2022
提出了一种自动化方法 MAEGE 用于语法错误校正度量的验证,该方法可以解决现有实践的许多困难并展示了标准的 M2 度量在语料库级别排名上性能较差的新见解。
Apr, 2018