71、中文语言学习评估及学习系统中无效努力的早期检测

中文语言学习评估及学习系统中无效努力的早期检测

中文语言学习评估的现状与局限

在中文语言学习评估方面，目前的工作存在一定局限性。首先，所观察的数据规模是一个潜在限制，未来研究可着重解决这一问题。使用预训练模型可能为声调与文本特征提供了额外的预测能力，但或许还有其他方式能以类似方法增强基于音频的特征，比如使用预训练模型或其他音频数据源。同时，也可利用音频增强方法来增加数据集的规模和多样性，例如简单地向样本中添加随机噪声。

另一个潜在局限涉及模型的公平性探索。以ToneNet模型为例，它使用了男性的训练样本，却未使用女性的样本。如同任何评估工具一样，充分探索输入数据中可能存在的、并会通过模型预测延续下去的潜在偏差来源至关重要。对于谷歌API提供的预训练语音识别模型集，不同口音的说话者可能存在额外的性能偏差。理解语言学习者之间潜在的语言差异，对于提供能惠及更广泛人群的反馈工具十分重要。在将评估模型应用于课堂之前，有必要对其公平性进行更深入的研究。

不过，由于普通话是一种声调语言，纳入声调特征的重要性和益处显而易见。在声调特征集和文本特征集中，都使用了预训练模型，这可能也是其比单纯的音频特征具有更强预测能力的原因。鉴于本工作中使用的所有库和方法都是公开可用的，这里描述的方法和结果为开发评估和反馈工具提供了机会，这些工具能让真实课堂中的教师和学生受益。此外，它们还有望扩展到其他语言或其他基于音频的作业中，这也是未来工作的一个规划方向。

学习系统中无效努力的早期检测

在学习过程中，坚持是学习者的一个关键特质，但在掌握式学习中，坚持并不总是富有成效的，这种情况被称为“无效努力”。在ASSISTments学习系统中，研究人员致力于开发无效努力检测器，以