70、助力中文学习教师评估：多特征模型的应用与效果

助力中文学习教师评估：多特征模型的应用与效果

在非母语中文学习的评估领域，如何更准确、高效地评估学生的口语流利度和准确性一直是研究的重点。下面将详细介绍相关的研究内容，包括数据集、特征提取方法、模型构建以及最终的实验结果。

数据集

本次研究的数据来源于非母语学生的本科中文课程。数据收集自同一教师授课的多个班级，主要是学生完成的作业，要求学生提交朗读预先确定的提示内容的音频记录，并回答开放性问题。这里仅聚焦于朗读部分的作业数据，该部分包含 4 个朗读任务，每个任务由一到两个关于一般主题的句子组成。教师会下载音频文件，分别从流利度和准确性两个方面对学生进行评分，评分范围为 0 - 5 分，允许有小数。数据集包含来自 128 名不同学生的 304 个音频文件，每个音频作为一个单独的数据点，每个学生有 1 - 4 个音频文件，每个样本包含学生朗读的任务以及对应的文本提示。

特征提取

• 预处理 ：学生提交的音频文件格式多样，如 mp3、m4a 等。使用 ffmpeg Python 库将这些音频转换为语音模型所需的原始 .wav 格式。
• 音频特征 ：音频特征提取旨在获取音频信号的组成部分，以便模型能够理解声学特征。使用一个开源的 Python 库将每个录音分割成 50 毫秒的片段，每个片段的起始位置偏移 25 毫秒，生成聚合的时间特征。共生成 34 个基于音频的特征，包括梅尔频率倒谱系数（MFCC）、色度特征和能量相关特征。
• 文本特征 ：利用开源的语音识别工具将音频数据转换为字符表示。具体使用 P