Zero-shot Large Language Models for Automatic Readability Assessment
New Jersey Institute of Technology(新泽西理工学院)
本文提出零样本提示方法用于自动可读性评估,并首次全面评估了使用大语言模型作为无监督方法的性能,通过测试10种不同开源大语言模型在14种不同数据集上的表现,证明了方法在14个数据集中优于先前方法,同时提出LAURAE结合LLM和可读性公式得分提升鲁棒性。
2026-04-27 cs.CL
Persuasiveness of Generated Free-Text Rationales in Subjective Decisions: A Case Study on Pairwise Argument Ranking
University of Pittsburgh(匹兹堡大学);Microsoft(微软公司)
本研究针对主观决策场景,以成对论点排序任务为案例,评估9款大语言模型生成自由文本理由的说服力,发现开源模型Llama2-70B-chat表现优于GPT系列,且可通过提示控参或自精炼提升理由说服力。
2024-06-20 cs.CL
REV: Information-Theoretic Evaluation of Free-Text Rationales
University of Virginia(弗吉尼亚大学);Allen Institute for AI(艾伦人工智能研究所);University of Southern California(南加州大学);University of Washington(华盛顿大学)
本文提出基于条件 V 信息的 REV 指标,用于量化自由文本理由中超出输入与标签的标签相关新信息,并在四个推理基准上验证其优于现有指标且契合人类判断。
2023-06-02 cs.CL
A Transfer Learning Based Model for Text Readability Assessment in German
Technische Universität Berlin(柏林工业大学);German Research Centre for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI))
文本可读性评估对不同的目标人群有着广泛的应用,从语言学习者到残疾人。Web上文本内容的快速生成使得如果没有机器学习和自然语言处理技术的帮助,就不可能测量文本的复杂性。虽然近年来有许多研究致力于英语文本的可读性评估,但其他语言的模型仍有改进的空间。提出了一种基于迁移学习的德语文本复杂度评估模型。我们的研究结果表明,该模型优于更经典的解决方案,从输入文本的语言特征提取的基础上。最佳模型是基于BERT预训练的语言模型,其均方根误差(RMSE)达到0.483。
2022-09-06 cs.AI cs.CL cs.LG
MUSE: A Full-Text Cross-Domain Knowledge Base of Scientific Problems, Solutions, and Rationales
The Hebrew University of Jerusalem(耶路撒冷希伯来大学);Allen Institute for AI (Ai2)(艾伦人工智能研究所)
本研究推出MUSE知识库,通过模块化抽取流程构建含3.7万个P-S-R三元组的跨领域资源,实验表明原理监督可提升复杂问题的性能但会损害简单问题的性能。
2026-08-12 cs.CL
Strategies for Arabic Readability Modeling
New York University Abu Dhabi(纽约大学阿布扎比分校)
本文针对阿拉伯语形态丰富且可读性资源有限的问题,系统比较了基于规则方法和预训练语言模型等多种策略,在新建语料库上实现单词级86.7和片段级87.9的宏平均F1分数,并公开了代码、数据和模型。
2024-07-03 cs.CL
Can LLMs Control Readability? A Multi-Dimensional Evaluation Framework for CEFR-Controlled Arabic Generation
Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
提出一个多维评估框架,通过结构化提示和词汇约束,使指令跟随型LLM在CEFR可控阿拉伯语生成中达到高可读性一致性(余弦相似度0.91,可读性预测一致性0.99)。
2026-06-23 cs.CL cs.LG
Evaluating GenAI for Simplifying Texts for Education: Improving Accuracy and Consistency for Enhanced Readability
University of Central Florida(中佛罗里达大学)
本研究提出通用评估方法与指标,系统评估LLMs、提示技术及新型多智能体架构在教育文本简化中的表现,发现其有应用潜力但存在平衡不足的问题,为后续系统评估提供可推广方案。
2025-01-15 cs.CL
From Observation to Intervention: Distilling Self-Generated In-Context Demonstrations via Executable Causal Intervention
Shanghai Jiaotong University(上海交通大学);Academy of Military Science(军事科学院);National University of Defense Technology(国防科技大学)
该研究针对现有ICL方法的观察等价性缺陷,提出ECI2D方法,通过可执行因果干预筛选演示,在推理基准上实现优于观察型ICL的性能。
2026-10-16 cs.CL
Automatic Readability Assessment of German Sentences with Transformer Ensembles
FH Aachen University of Applied Sciences(亚琛应用科学大学);ORDIX AG(ORDIX股份公司)
可靠的自动可读性评估方法有可能影响从机器翻译到自学的各个领域。最近,德语的大语言模型(如GBERT和GPT-2-Wechsel)已经可用,允许开发基于深度学习的方法,这些方法有望进一步改进自动可读性评估。在这篇文章中,我们研究了微调GBERT和GPT-2-Wechsel模型的集合可靠地预测德语句子可读性的能力。我们将这些模型与语言特征相结合,并研究了预测性能对集合大小和组成的依赖性。GBERT和GPT-2-Wechsel的混合系综比仅由GBERT或GPT-2-Wechsel模型组成的相同大小的系综表现更好。我们的模型在GermEval 2022共享任务中对德语句子的文本复杂性评估进行了评估。在样本外数据上,我们的最佳集成实现了0.435的均方根误差。
2022-09-09 cs.CL
Readability Controllable Biomedical Document Summarization
NaCTeM(国家文本挖掘中心);The University of Manchester(曼彻斯特大学)
针对生物医学摘要可读性与用户专业水平不匹配的问题,提出可读性可控生物医学摘要任务,构建对应语料库并基准测试多种可控摘要模型,还提出基于MLM的可读性评估指标,发现现有方法表现仍不理想。
2023-05-01 cs.CL
MedReadCtrl: Personalizing medical text generation with readability-controlled instruction learning
Center for Healthcare Organization and Implementation Research(医疗组织与实施研究中心);VA Bedford Health Care(贝福德医疗中心);Miner School of Computer and Information Sciences(米纳尔计算机与信息科学学院);University of Massachusetts Medical School(马萨诸塞大学医学学院);School of Nursing(护理学院);Zuckerberg College of Health Sciences(泽克伯格健康科学学院)
提出可读性控制的指令微调框架MedReadCtrl,使LLMs在不损害语义下调整输出复杂度,在多项任务中显著降低可读性指令遵循错误并获专家高度偏好,为患者教育提供可扩展方案。
2025-07-10 cs.AI cs.CL
Assessing Readability with LLMs: The Role of Reasoning and Few-Shot Prompting
Université Paris-Saclay(巴黎-萨克雷大学);Jožef Stefan Institute(约热夫·斯特凡研究所)
本研究系统评估了多种开源LLM在多语言可读性评估中的表现,发现思维链推理和少样本提示显著提升预测质量,验证了LLM作为跨语言可读性评估器的有效性。
2026-09-22 cs.CL
From Answers to Rationales: Self-Aligning Multimodal Reasoning with Answer-Oriented Chain-of-Thought
South China University of Technology(华南理工大学);JD Explore Academy, JD.com(京东探索研究院);Pazhou Lab(琶洲实验室)
本文提出SMART框架,利用面向答案的思维链从正确与错误答案自动构建正负理据数据,并通过迭代生成—优化提升多模态大语言模型推理能力。
2025-07-28 cs.CL
Towards Efficient CoT Distillation: Self-Guided Rationale Selector for Better Performance with Fewer Rationales
Harbin Institute of Technology(哈尔滨工业大学);Pengcheng Laboratory(鹏城实验室);Shaoguan Research Institute of Data Industry(韶关数据产业研究院)
针对CoT蒸馏忽视理由质量的问题,本文提出MoRSD自引导选择高质量理由,并以RD指标控制难度,用更少数据在七个数据集上平均提升4.6%。
2025-09-28 cs.AI cs.CL
FPT: Feature Prompt Tuning for Few-shot Readability Assessment
Peking University(北京大学);National Key Laboratory for Multimedia Information Processing(多媒体信息处理国家重点实验室);School of Software and Microelectronics, Peking University(北京大学软件与微电子学院);School of Computer Science, Peking University(北京大学计算机学院)
针对少样本可读性评估中传统提示缺乏语言知识、语言特征利用不稳健的问题,提出 FPT 框架,将语言特征注入可训练软提示并用新损失校准类别排序,显著优于现有提示方法、语言特征方法及 gpt-3.5-turbo-16k。
2024-04-10 cs.CL
When Readability and Source Retention Diverge: An Evaluability Gap in AI Translation
Lehigh University(里海大学)
该研究针对AI翻译中可读性与源保留分歧导致的可评估性差距,通过TransLingo开展2×2对比实验,揭示了源文本条件与输出呈现方式对感知质量等的影响,明确了任务绩效信任与披露意愿的关联。
2026-08-20 cs.CL cs.HC
Generating Educational Materials with Different Levels of Readability using LLMs
MetaMetrics Inc.(美特斯麦特公司);Pennsylvania State University(宾夕法尼亚州立大学)
本研究提出分级文本生成任务,评估三款大模型通过零样本和少样本提示生成不同可读性教育材料的能力,发现少样本提示可提升性能,同时指出存在错误信息等问题,需进一步研究保障内容质量。
2024-06-18 cs.CL cs.HC
TriSum: Learning Summarization Ability from Large Language Models with Structured Rationale
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);GE HealthCare(GE医疗)
TriSum通过蒸馏大型语言模型的摘要能力到紧凑本地模型,利用方面三元组理由和课程学习,在多个基准上显著提升性能并增强可解释性。
2024-03-15 cs.CL
Are Machine Rationales (Not) Useful to Humans? Measuring and Improving Human Utility of Free-Text Rationales
University of Southern California(南加州大学);Tsinghua University(清华大学);Meta AI;Allen Institute for Artificial Intelligence(艾伦人工智能研究所);University of Washington(华盛顿大学)
本研究探讨大型语言模型生成的自由文本解释对人类问答的效用,发现现有解释效用不足且现有指标无法有效评估,提出自动评分GEN-U以改善解释的人类效用,同时保持任务性能。
2023-05-11 cs.AI cs.CL cs.LG
Efficient End-to-End Visual Document Understanding with Rationale Distillation
Google Research(谷歌研究院);Google DeepMind(谷歌DeepMind);University of Southern California(南加州大学)
本文提出理由蒸馏(RD)方法,将OCR、LLM和多模态模型的输出作为中间理由训练小规模图像到文本模型,在三个视觉文档理解基准上以仅1%的额外计算成本将Pix2Struct准确率提升4-5%。
2024-04-02 cs.CL cs.CV
Enhancing Text Annotation through Rationale-Driven Collaborative Few-Shot Prompting
Institute of Artificial Intelligence and Future Networks, Beijing Normal University(北京师范大学人工智能与未来网络研究院);Hong Kong Baptist University(香港浸会大学);BNU-HKBU United International College(北京师范大学-香港浸会大学联合国际学院);College of Artificial Intelligence, Beijing Normal University(北京师范大学人工智能学院)
针对传统文本标注成本高、易有偏差的问题,提出基于推理依据的协同少样本提示技术,经多数据集多模型验证该方法优于传统少样本等基线,为高效文本标注提供框架参考。
2024-09-15 cs.AI cs.CL
CoinMath: Harnessing the Power of Coding Instruction for Math LLMs
Institute for Infocomm Research (IR), A*STAR(信息通信研究院(IR),新加坡科技研究局);Centre for Frontier AI Research (CFAR), A*STAR(前沿人工智能研究中心(CFAR),新加坡科技研究局)
本研究通过探究编码风格对数学推理的影响,提出CoinMath策略,利用多样化编码风格的代码推理链,显著提升数学大语言模型性能。
2024-12-16 cs.CL
Answering Unseen Questions With Smaller Language Models Using Rationale Generation and Dense Retrieval
University of Auckland(奥克兰大学)
本文提出两种方法(RR和RATD)结合大模型生成的理由与多跳稠密检索的长上下文,显著提升小模型在未见问答任务上的性能,并优于更大模型。
2023-10-12 cs.CL
Teaching Large Language Models Number-Focused Headline Generation With Key Element Rationales
School of Computing Technologies, RMIT University(RMIT大学计算技术学院)
本文提出基于主题、实体和数值推理(TEN)的思维链框架,通过教师LLM生成推理监督数据来微调学生LLM,以提升数字标题生成的文本质量与数值准确性。
2025-02-05 cs.CL cs.LG
EviGen: Predictive Evidence Scaffolding for Verifiable Clinical Rationale Generation
Duke University(杜克大学)
EviGen提出三层框架,通过预测性检索、LLM生成和过程监督验证,提升临床推理的可验证性与忠实度,优于现有基线。
2026-09-17 cs.CL
Leveraging Machine-Generated Rationales to Facilitate Social Meaning Detection in Conversations
Language Technologies Institute, Carnegie Mellon University(卡内基梅隆大学语言技术研究所)
本文提出利用大型语言模型生成推理理由来增强对话文本,从而提升隐式社会意义检测在域内、零样本和少样本迁移场景下的分类性能。
2024-06-27 cs.AI cs.CL
Exploring Linguistic Features for Turkish Text Readability
Universität Zürich(苏黎世大学)
该研究首次开展土耳其语文本自动可读性评估综合研究,结合前沿神经网络模型与多层面语言学特征开发可读性工具,对比传统公式与现代方法的效果,确定了影响土耳其语文本可读性的关键语言学特征。
2025-09-04 cs.CL
A Machine Learning Approach to Persian Text Readability Assessment Using a Crowdsourced Dataset
K. N. Toosi University of Technology(K. N. 托西理工大学)
文本可读性评估的自动化方法对于一种语言来说是必不可少的,并且可以成为提高用该语言编写和发布的文本的可理解性的强大工具。然而,有超过1.1亿人使用的波斯语却没有这样的系统。与英语、法语和中文等其他语言不同,为波斯语建立准确可靠的文本可读性评估系统的研究非常有限。在本研究中,收集了第一个波斯语文本可读性评估数据集,并介绍了第一个使用机器学习进行波斯语文本可读性评估的模型。实验表明,该模型是准确的,可以评估波斯语文本的可读性与高度的信心。本研究的结果可以用于许多应用,如医疗和教育文本可读性评估,并有可能成为未来波斯语文本可读性评估研究的基石。
2020-04-21 cs.CL
A Corpus for Automatic Readability Assessment and Text Simplification of German
University of Zurich(苏黎世大学)
在本文中,我们提出了一个语料库,用于自动可读性评估和自动文本简化的德语。该语料库由网络来源汇编而成,约有211 000句。作为一个新的贡献,它包含了文本结构,排版和图像的信息,可以利用作为机器学习方法的可读性评估和文本简化的一部分。本出版物的重点是将这些信息表示为对现有语料库标准的扩展。
2019-09-19 cs.CL
Arabic Word-level Readability Visualization for Assisted Text Simplification
New York University Abu Dhabi(纽约大学阿布扎比分校)
这篇演示论文介绍了一个用于自动阿拉伯语单词级可读性可视化的Google插件。该附加组件包括一个词形化组件,该组件连接到五级可读性词典和基于阿拉伯语WordNet的替换建议。该插件可用于评估文本的阅读难度,并识别困难的单词,作为手动文本简化任务的一部分。我们公开我们的插件及其代码。
2022-10-19 cs.CL
Glitter: Visualizing Lexical Surprisal for Readability in Administrative Texts
Charles University, Faculty of Mathematics and Physics(查理大学数学与物理系)
Glitter通过多语言模型可视化文本信息熵,用于提升行政文本的可读性和清晰度。
2026-01-08 cs.CL
Text Readability Assessment for Second Language Learners
The ALTA Institute(阿尔塔研究所);University of Cambridge(剑桥大学)
本文旨在探讨针对第二语言学习者的文本可读性评估问题。在这项任务中的主要挑战之一是缺乏显着规模的水平注释的数据。在本研究中,我们收集了一个CEFR评分的文本数据集,为英语学习者量身定制作为一个L2和调查文本可读性评估为母语和L2学习者。我们采用泛化方法来适应在较大的母语语料库上训练的模型来估计学习者的文本可读性,并探索领域自适应和自学习技术来利用母语数据来提高系统在有限的第二语言数据上的性能。在我们的实验中,学习者文本可读性的最佳表现模型达到了0.797的准确率和$0.938$的PCC。
2019-06-18 cs.CL
Rationale Distribution Distillation via Flow Matching for Distributional Continuous Latent Reasoning
Korea Advanced Institute of Science and Technology(韩国科学技术院)
该研究针对连续隐式推理的点值方法限制,提出理由分布蒸馏(RDD)方法,通过流匹配结合查询内混合提升答案覆盖,在高级数学任务上优于基线。
2026-10-15 cs.AI cs.CL
Investigating Large Language Models and Control Mechanisms to Improve Text Readability of Biomedical Abstracts
Manchester Metropolitan University(曼彻斯特城市大学);The University of Manchester(曼彻斯特大学)
本研究探究大语言模型在生物医学摘要简化任务中的能力,采用领域微调、提示学习和控制标记机制,实验表明BART-L-w-CT在SARI和简洁性上最优,T5-base在BERTscore和意义保留上最优。
2024-03-16 cs.AI cs.CL
Rationale Behind Essay Scores: Enhancing S-LLM's Multi-Trait Essay Scoring with Rationale Generated by LLMs
Graduate School of Data Science, KAIST(韩国科学技术院数据科学研究生院);Department of Industrial & Systems Engineering, KAIST(韩国科学技术院工业与系统工程系)
本文提出RMTS方法,将LLM生成的特质级评分理由与S-LLM微调评分模型结合,在ASAP、ASAP++和Feedback Prize等基准上显著提升多特质论文评分的准确性与可解释性。
2025-02-05 cs.AI cs.CL
Readability Measures and Automatic Text Simplification: In the Search of a Construct
Department of Computer Science and Engineering, Universidad Carlos III de Madrid(计算机科学与工程系,卡洛斯三世大学)
本研究以英语为对象,补充现有ATS评估指标与人类判断的研究,调查可读性度量在ATS中的地位,发现其与自动指标和人类判断相关性不佳,指出需清晰定义ATS中的构念。
2025-11-12 cs.CL
Know Your Audience: Do LLMs Adapt to Different Age and Education Levels?
Bocconi University(博科尼大学)
本文评估了四种大语言模型在面向不同年龄和教育水平受众回答科学问题时的可读性适应性,发现其可读性范围固定、适配能力不足,并指出需增强教育场景下的受众适应能力。
2023-12-04 cs.AI cs.CL
RDRec: Rationale Distillation for LLM-based Recommendation
Graduate School of Engineering(工学院);Interdisciplinary Graduate School(交叉研究生院);University of Yamanashi(山梨大学)
针对 LLM 推荐忽视交互理据的问题,提出 RDRec,用大 LM 生成并蒸馏评论中的用户与物品理据,在 top-N 和序列推荐上达到 SOTA。
2025-01-08 cs.CL cs.IR
Supervised and Unsupervised Neural Approaches to Text Readability
Jožef Stefan Institute(约热夫·斯泰凡研究所);Jožef Stefan International Postgraduate School(约热夫·斯泰凡国际研究生院);University of Ljubljana(卢布尔雅那大学)
我们提出了一套新的神经监督和无监督的方法来确定文件的可读性。在无监督设置中,我们利用神经语言模型,而在监督设置中,测试了三种不同的神经分类架构。我们表明,所提出的神经无监督方法是鲁棒的,可跨语言转移,并允许适应特定的可读性任务和数据集。通过在两种语言的一些基准和新标记的可读性数据集上系统地比较几种神经架构,本研究还对可读性分类的不同神经方法进行了全面分析。我们揭示了它们的优点和缺点,将它们的性能与当前最先进的分类方法进行可读性比较,这些方法在大多数情况下仍然依赖于广泛的特征工程,并提出改进的可能性。
2021-03-11 cs.CL
A Simple Post-Processing Technique for Improving Readability Assessment of Texts using Word Mover's Distance
National University(国立大学);De La Salle University(德拉萨大学)
一般来说,评估阅读材料或文本的适当难度是有效理解和学习的第一步。在这项研究中,我们改进了传统的自动可读性评估方法,将排名文本的词移动者的距离(WMD)作为一个额外的后处理技术,以进一步地面模型给出的难度水平。我们在菲律宾语、德语和英语三种多语言数据集上的实验结果表明,后处理技术的性能优于之前使用SVM的普通模型和基于排名的模型。
2021-09-19 cs.CL
Rationalization Models for Text-to-SQL
IBM T.J. Watson Research Center(IBM T.J.沃森研究中心)
本研究提出生成CoT推理依据的框架,通过手动标注少量示例、迭代动态少样本知识蒸馏训练合理化模型,为text-to-SQL数据集生成合成标注,实验证明该方法可提升小模型在BIRD数据集上的执行准确率与可解释性。
2025-03-20 cs.AI cs.CL cs.DB
Knowledge-Augmented Multimodal Clinical Rationale Generation for Disease Diagnosis with Small Language Models
Hong Kong Baptist University(香港 Baptist 大学);Shanxi University(山西大学);Shanghai Institute for Advanced Study of Zhejiang University(浙江大学上海先进研究院);Hong Kong University of Science and Technology(香港科技大学);The University of Manchester(曼彻斯特大学)
针对小语言模型在多模态医疗诊断中推理与领域知识不足的问题,提出ClinRaGen框架,通过理由蒸馏与知识增强注意力机制结合LLM推理与领域知识,实现可信赖的多模态诊断理由生成并达到SOTA性能。
2025-07-13 cs.AI cs.CL
The Use of Readability Metrics in Legal Text: A Systematic Literature Review
本文系统性综述了法律与监管文本中使用的语言和可读性指标,在3566篇论文中筛选出34篇研究,发现共16种指标,其中Flesch-Kincaid Grade Level最常用,且73.5%的研究集中于知情同意书领域,指出当前法律领域指标覆盖不足且缺乏共识。
2024-11-14 cs.CL
Distributed Readability Analysis Of Turkish Elementary School Textbooks
Firat University(菲拉特大学)
可读性评估是评估阅读文本的难度。许多可读性测试并不表明执行效率,而是应用于特定的文本,以衡量科学教科书的阅读水平。在本文中,我们分析了小学土耳其教科书中所涵盖的内容,采用分布式并行处理框架的基础上流行的MapReduce范式。我们概述了一个分布式大数据处理系统的架构,该系统使用Hadoop进行全文可读性分析。文中还给出了教材的可读性评分和系统性能指标。
2018-02-11 cs.CL cs.DC
Simple is not Enough: Document-level Text Simplification using Readability and Coherence
Idiap Research Institute(Idiap研究所);National Centre for Text Mining(国家文本挖掘中心);The University of Manchester(曼彻斯特大学);Universitat Pompeu Fabra(庞培法布拉大学);Institute of Computer Science, Polish Academy of Sciences(波兰科学院计算机科学研究所);Manchester Metropolitan University(曼彻斯特城市大学);Artificial Intelligence Research Center (AIRC)(人工智能研究中心)
本文提出SimDoc文档级文本简化系统,通过联合优化简易性、可读性和连贯性,并构建含可读性标签的语料库,在零样本、少样本和微调设置下验证了文档级简化的有效性。
2024-12-24 cs.CL
A study of Vietnamese readability assessing through semantic and statistical features
University of Information Technology(信息科技大学);Vietnam National University(越南国家大学);International University(国际大学)
本研究提出结合统计与语义特征的方法,利用PhoBERT等语言模型和多种机器学习模型,在多个数据集上显著提升越南语文本可读性分类的准确性。
2024-11-07 cs.CL
A New Bengali Readability Score
在本文中,我们提出了方法来分析孟加拉语文本的可读性。我们从实验中得到了一些特别好的结果。
2017-03-14 cs.CL
Predicting Text Readability from Scrolling Interactions
University of Cambridge(剑桥大学);MIT BCS(麻省理工学院脑与认知科学系);Google(谷歌)
判断文本的可读性有许多重要的应用,例如当执行文本简化或为语言学习者寻找阅读材料时。在本文中,我们提出了一个518参与者的研究,探讨如何滚动行为与文本的可读性。我们公开了我们的数据集,并表明:(1)读者与文本的交互方式在统计上存在显著差异,这取决于文本的水平,(2)这些措施可以用来预测文本的可读性,(3)读者的背景影响他们的阅读互动和导致文本难度的因素。
2021-11-17 cs.CL cs.HC
RAG-RLRC-LaySum at BioLaySumm: Integrating Retrieval-Augmented Generation and Readability Control for Layman Summarization of Biomedical Texts
University of Pittsburgh(匹兹堡大学);Salesforce Research(Salesforce研究院)
本文提出RAG-RLRC-LaySum框架,结合检索增强生成与可读性控制强化学习,提升生物医学文本通俗摘要的准确性与可读性,在PLOS和eLife数据集上显著超越Plain Gemini模型。
2024-06-24 cs.CL
Towards Interpretable Hate Speech Detection using Large Language Model-extracted Rationales
School of Computing and Augmented Intelligence(计算与增强智能学院);Arizona State University(亚利桑那州立大学)
本文提出用 LLM 从文本中提取理据特征来训练仇恨言论分类器,在多个英文社交媒体数据集上兼顾可解释性与检测性能。
2024-05-08 cs.AI cs.CL cs.LG
Text as Environment: A Deep Reinforcement Learning Text Readability Assessment Model
Amirkabir University of Technology(阿米尔卡比尔理工大学);K.N. Toosi University of Technology(霍梅尼理工大学);University of Alberta(阿尔伯塔大学);University of Science and Technology(科技大学)
针对高效评估文本可读性的问题,提出基于硬注意力主动推理的深度强化学习模型,利用半监督信号以最少文本量实现高效评估,在Weebit和Cambridge Exams上以更少输入达到最先进准确率。
2023-10-23 cs.CL cs.LG
LXPER Index 2.0: Improving Text Readability Assessment Model for L2 English Students in Korea
University of Pennsylvania(宾夕法尼亚大学);LXPER, Inc.(LXPER公司)
在自然语言处理领域,专门针对外语课程中的文本开发文本可读性评估模型一直没有得到太多的关注。因此,大多数发达国家的模型显示L2英语文本的准确性极低,甚至没有多少作为一个公平的比较。在本文中,我们探讨了一个文本可读性评估模式,为第二语言的英语学习者在韩国。据此,我们改进和扩充了韩国英语教学课程文本语料库(CoKEC-text)。每个文本都标有其目标等级。我们训练我们的模型与CoKEC-text和显着提高准确性的可读性评估文本在韩国的英语教学课程。
2020-12-11 cs.CL cs.LG
LXPER Index: a curriculum-specific text readability assessment model for EFL students in Korea
Research & Development Center(研发中心);LXPER, Inc.(LXPER公司);University of Pennsylvania(宾夕法尼亚大学)
自动可读性评估是自然语言处理在教育领域的重要应用之一。由于自动可读性评估允许快速选择合适的阅读材料,为读者在所有水平的熟练程度,它可以是特别有用的英语教育的英语作为外语(EFL)的学生在世界各地。大多数可读性评估模型是为英语母语读者开发的,并且对于非母语英语语言培训(ELT)课程中的文本准确性较低。本文介绍了LXPER指数,这是韩国英语课程中针对非英语母语读者的可读性评估模型。我们的实验表明,我们的新模型,训练与CoKEC-text(韩国英语教学课程的文本语料库),显着提高了自动可读性评估的准确性,在韩国英语教学课程的文本。
2020-08-01 cs.CL cs.LG