基于AES的大學(xué)英語寫作教學(xué)模式研究

趙慧 唐建敏

摘 要：英語寫作能力培養(yǎng)一直是大學(xué)英語教學(xué)的重點(diǎn)和難點(diǎn)，目前自動(dòng)作文評(píng)分AES（Automated Essay Scoring）技術(shù)已得到廣泛應(yīng)用，但如何將其與大學(xué)英語寫作教學(xué)有效結(jié)合仍有待深入研究。鑒于此，根據(jù)我國大學(xué)英語寫作教學(xué)現(xiàn)狀，結(jié)合L2（Second Language）語言學(xué)習(xí)特點(diǎn)，在分析AES技術(shù)相關(guān)原理基礎(chǔ)上，對(duì)大學(xué)英語寫作教學(xué)模式進(jìn)行分析研究。結(jié)果表明，當(dāng)前中國大學(xué)英語寫作教學(xué)需結(jié)合AES技術(shù)和L2語言學(xué)習(xí)特點(diǎn)，構(gòu)建基于AES的大學(xué)英語教學(xué)模式，以激發(fā)學(xué)生學(xué)習(xí)興趣，提升學(xué)生英語寫作能力。

關(guān)鍵詞：自動(dòng)作文評(píng)分;英語寫作教學(xué);教學(xué)模式;自然語言處理

0 引言

大學(xué)英語“聽說讀寫譯”5種能力培養(yǎng)中，寫作能力培養(yǎng)難度相對(duì)較大，必要的訓(xùn)練和有效的反饋是提升學(xué)生寫作能力的有效途徑[1-2]。文獻(xiàn)[1]表明教師反饋非常受學(xué)生歡迎，特別是在錯(cuò)誤處標(biāo)注錯(cuò)誤類型等相關(guān)反饋;文獻(xiàn)[2]探討了評(píng)閱中指出錯(cuò)誤類型可能產(chǎn)生的效果。然而，與選擇題、翻譯題、填空題等題型相比，寫作練習(xí)往往只有參考答案，甚至沒有答案，只有分?jǐn)?shù)的評(píng)閱反饋或沒有針對(duì)性的反饋往往難以促進(jìn)學(xué)生寫作能力提升。詳盡的作文評(píng)閱反饋往往需要耗費(fèi)大量人力，這在當(dāng)前我國大學(xué)英語教學(xué)中較難實(shí)現(xiàn)[3]。

近年來，自動(dòng)作文評(píng)分AES（Automated Essay Scoring）技術(shù)也稱AWS（Automated Writing Scoring）或ATS（Automated Text Scoring）受到高度關(guān)注，并在GRE、TOEFL等考試中得到了成功應(yīng)用[4]，極大減少了評(píng)閱者的工作量。文獻(xiàn)[4]就提升AES預(yù)測(cè)分?jǐn)?shù)相關(guān)性展開研究，主要面向以英語為第一語言的學(xué)習(xí)者;文獻(xiàn)[5]總結(jié)了AES技術(shù)的發(fā)展歷程及各階段的主要特點(diǎn);文獻(xiàn)[6]基于多元回歸、K近鄰和支持向量機(jī)3種方法對(duì)AES作了分析;文獻(xiàn)[7]以英語議論文為研究對(duì)象分析了AES和人工反饋對(duì)作文修改的影響;文獻(xiàn)[8]基于AES對(duì)大學(xué)英語寫作能力提升及寫作教學(xué)過程變化展開了研究;文獻(xiàn)[9]則對(duì)基于AES的自主寫作、多維反饋進(jìn)行了研究分析。已有研究對(duì)AES技術(shù)應(yīng)用于英語寫作教學(xué)持肯定態(tài)度，但都沒有將教學(xué)模式和AES技術(shù)特點(diǎn)相結(jié)合加以綜合考慮和研究。隨著自然語言處理技術(shù)的飛速發(fā)展，AES技術(shù)也獲得了長足進(jìn)步[10-18]。本文針對(duì)大學(xué)英語寫作教學(xué)現(xiàn)狀，結(jié)合L2語言學(xué)習(xí)特點(diǎn)，在分析AES技術(shù)相關(guān)原理的基礎(chǔ)上，對(duì)大學(xué)英語寫作教學(xué)模式進(jìn)行分析研究。

1 問題提出

從20世紀(jì)80年代開始，我國高校非英語專業(yè)的英語寫作教學(xué)一般采用教師講授、批改為主，學(xué)生自我練習(xí)為輔的模式。在這種教學(xué)模式中，教師是教學(xué)活動(dòng)的中心，教師根據(jù)學(xué)生水平、教學(xué)內(nèi)容等選擇合適的寫作題目，由學(xué)生完成后逐篇批改，然后有選擇地進(jìn)行解析，并回答學(xué)生提問。學(xué)生也可以根據(jù)自己的興趣和條件自主開展寫作練習(xí)，但一般不容易獲得反饋評(píng)價(jià)。在上述英語寫作教學(xué)模式中，教學(xué)程序完全由教師掌控，評(píng)價(jià)、反饋也完全依賴于教師。隨著大學(xué)生規(guī)模的擴(kuò)大，教師工作量加大，這種教學(xué)模式的效果也難以得到保證。

進(jìn)入21世紀(jì)后，智能評(píng)閱技術(shù)AES開始應(yīng)用于大學(xué)英語教學(xué)中。在國外，AES主要用于各類英語考試，如ETS的作文評(píng)閱[3-4];國內(nèi)高校正致力于將自動(dòng)作文評(píng)分AES技術(shù)與大學(xué)英語寫作教學(xué)相結(jié)合，并探究相應(yīng)的教學(xué)模式，以激發(fā)學(xué)生學(xué)習(xí)興趣，提升學(xué)生英語寫作能力。

2 相關(guān)概念及原理

2.1 基于統(tǒng)計(jì)的AESS

最早出現(xiàn)的AES技術(shù)大多基于統(tǒng)計(jì)的方法，這種技術(shù)大多借用了從小樣本數(shù)據(jù)獲取信息的思想[11]。AESS（AES based on Statistics）工作流程如圖1所示。整個(gè)流程可分為3部分：首先是前期準(zhǔn)備，其核心是作文評(píng)分標(biāo)準(zhǔn)需要由經(jīng)驗(yàn)豐富的教師完成，再根據(jù)評(píng)分標(biāo)準(zhǔn)確定選擇哪些文本表示特征以及評(píng)分準(zhǔn)則，并建立相應(yīng)的例程庫，這需要由軟件研發(fā)者與英語教師共同完成;其次由任課教師有選擇性地挑選特定數(shù)量的優(yōu)秀作文集合{e}，然后在{e}上提取相關(guān)表示特征并建立AESS模型及其評(píng)分準(zhǔn)則（例如采用多元回歸或K-近鄰方法等），再由該模型完成每一份試卷{s}的判別;再次由任課教師對(duì)基于AESS技術(shù)的作文評(píng)閱結(jié)果進(jìn)行監(jiān)督。

從圖1可以看出，AESS系統(tǒng)中對(duì)最終結(jié)果的準(zhǔn)確度具有決定性影響的是由教師制定的作文評(píng)判標(biāo)準(zhǔn)以及據(jù)此標(biāo)準(zhǔn)選擇的特征。美國ETS（Educational Testing Service）中心制定了分別適用于TOEFL、GRE、TOEIC等不同類型考試的整體標(biāo)準(zhǔn)，并將其應(yīng)用于E-rater系統(tǒng)中[3]。教學(xué)實(shí)踐中，大學(xué)英語作文評(píng)分標(biāo)準(zhǔn)通?？梢杂成錇槿缦?類表示特征：①基本統(tǒng)計(jì)特征，包括但不局限于：作文的單詞數(shù)目、長單詞數(shù)目、每個(gè)句子的平均單詞個(gè)數(shù)、句子數(shù)目等;②句法特征，主要使用PoS（Part of Speech）標(biāo)簽[12]進(jìn)行衡量;③單詞拼寫錯(cuò)誤和句法錯(cuò)誤，前者的實(shí)現(xiàn)較為簡單，而后者需要根據(jù)上下文無關(guān)句法模型進(jìn)行句法樹搜索確定[13];④語義相關(guān)性特征，可以通過分析測(cè)試作文與優(yōu)秀作文之間的距離，如余弦相似距離確定。

AESS是早期自動(dòng)評(píng)閱技術(shù)的主流，但由于體現(xiàn)評(píng)分標(biāo)準(zhǔn)的特征沒有覆蓋語義、聚合度等深層作文特征，因此很容易被學(xué)生通過書寫長句、長單詞等方法欺騙。

2.2 基于機(jī)器學(xué)習(xí)的AESML

一個(gè)典型的AESML（AES based on Machine Learning）如圖2所示。與圖1所示的AESS不同，圖2中的AESML技術(shù)雖然也需要教師參與選擇并確定作文的表示特征，但其由計(jì)算機(jī)自動(dòng)建立作文評(píng)分模型，前提是需要提前獲得大量由教師批改過的且最好是由兩個(gè)或兩個(gè)以上教師的評(píng)分作文作為訓(xùn)練樣本集合{e}（后文稱其為標(biāo)簽樣本）。這些標(biāo)簽樣本需要涵蓋“優(yōu)、良、中、差”等所有不同級(jí)別的作文。在使用機(jī)器學(xué)習(xí)方法對(duì)標(biāo)簽樣本進(jìn)行訓(xùn)練時(shí)，可以采用SVM（Supported Vector Machine）[14-15]、RF（Random Forest）[14，16]等不同的方法，或者將這些方法結(jié)合起來的Adaboost等[14]。不同的機(jī)器學(xué)習(xí)訓(xùn)練方法對(duì)最后的評(píng)分準(zhǔn)確度也有不同程度的影響。

2.3 基于深度學(xué)習(xí)的AESDL

AESDL（AES based on Deep Learning）比AESS評(píng)分相關(guān)度更好。但AESML也存在兩個(gè)問題：一是AESML輸出分?jǐn)?shù)與教師標(biāo)注分?jǐn)?shù)仍有一定距離;二是仍然需要手工選擇作文的表示特征。這兩個(gè)問題從本質(zhì)上看具有深刻的內(nèi)在聯(lián)系：低分作文的特征往往可以較好地歸類，而很多高分作文往往很難用事先指定的特征模型描述。例如優(yōu)秀作文中“文字優(yōu)美”的標(biāo)準(zhǔn)，反映到表示特征上，基本要求是沒有錯(cuò)誤單詞，但這僅僅只是初步要求，“優(yōu)美”如何定義呢？最近幾年開始出現(xiàn)的AESDL解決了該問題。

如圖3所示，與AESS和AESML不同，AESDL不需要人工確定使用哪些表示特征。AESDL采用端到端（end-to-end）的學(xué)習(xí)方式，將大量經(jīng)過人工批閱具有標(biāo)簽（分?jǐn)?shù)）的作文作為訓(xùn)練樣本，系統(tǒng)會(huì)自動(dòng)根據(jù)這些標(biāo)簽數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。AESDL一般可以使用RNN（Recurrent Neural Network）或LSTM（Long Short-Term Memory）神經(jīng)網(wǎng)絡(luò)[17-18]構(gòu)建。對(duì)AESDL完成訓(xùn)練后，輸入需要批閱的作文，系統(tǒng)會(huì)給出該作文相應(yīng)的分?jǐn)?shù)。相關(guān)研究表明，在ASAP數(shù)據(jù)集合上[15]使用LSTM的AESDL英語作文評(píng)閱系統(tǒng)的QWK（Quadratic Weighted Kappa）系數(shù)可以達(dá)到0.7，而皮爾遜相關(guān)系數(shù)則可以達(dá)到0.8甚至超過0.9[17-18]。這表明設(shè)計(jì)良好的AESDL系統(tǒng)所給出的評(píng)分與測(cè)試標(biāo)簽之間的相關(guān)性可能在某些情況下高于某些教師的評(píng)閱分?jǐn)?shù)相關(guān)性。

但是AESDL也存在一些問題：首先訓(xùn)練所需要的數(shù)據(jù)往往非常多，如ASAP（Automated Student Assessment Prize）數(shù)據(jù)集[20]包括8個(gè)種類，作文總數(shù)超過了12 000份，每份作文都有兩位或多位教師給出評(píng)分;其次，訓(xùn)練往往要花費(fèi)很長時(shí)間。筆者將基于LSTM的AESDL系統(tǒng)應(yīng)用于ASAP數(shù)據(jù)集上，當(dāng)參數(shù)epoch設(shè)為200時(shí)，在PC上（CPU I7 3770， 內(nèi)存8G，顯卡NVida Gtx660 2G顯存）的訓(xùn)練時(shí)間超過了20小時(shí)。

3 大學(xué)英語寫作教學(xué)模式

本文從AESS 、AESML 、AESDL 這3種自動(dòng)作文評(píng)分系統(tǒng)的優(yōu)缺點(diǎn)入手，研究大學(xué)英語寫作教學(xué)模式。

3.1 3種AES方法優(yōu)缺點(diǎn)

從考試作文評(píng)分角度看，3種方法在評(píng)分精度上越來越高。但從高校英語寫作教學(xué)角度看，它們則各有優(yōu)缺點(diǎn)，如表1所示。

從作文評(píng)分相關(guān)性角度看，AESDL是最優(yōu)的，但從教學(xué)角度看，AESDL提供的反饋往往只有一個(gè)分?jǐn)?shù)，不利于學(xué)生寫作能力提升。換言之，從反饋角度看，除分?jǐn)?shù)外學(xué)生更需要明確的、有針對(duì)性的解釋，比如作文哪些方面還需改進(jìn)。因此，從該角度看，AESS和AESML反而具有更大優(yōu)勢(shì)。此外，在教學(xué)過程中評(píng)分標(biāo)準(zhǔn)也需要根據(jù)具體的教學(xué)對(duì)象、教學(xué)階段進(jìn)行靈活調(diào)整。比如，學(xué)生備考四、六級(jí)等階段或者其它學(xué)期特殊階段，AESDL、AESML由于需要的訓(xùn)練樣本多，訓(xùn)練也非常耗時(shí)，反而不易實(shí)施。相對(duì)而言，AESS可以手動(dòng)調(diào)整參數(shù)，需要的訓(xùn)練樣本數(shù)也較容易滿足。因此，大學(xué)英語寫作教學(xué)需要綜合上述3種方法各自優(yōu)點(diǎn)進(jìn)行。

3.2 本文模式

結(jié)合上述分析，本文設(shè)計(jì)了一種新的基于AES的大學(xué)英語寫作教學(xué)模式，其工作流程如圖4所示。主要包括如下階段：

（1）教師準(zhǔn)備階段。該階段需要由教師根據(jù)當(dāng)前教學(xué)對(duì)象、教學(xué)進(jìn)度和教學(xué)目標(biāo)設(shè)定當(dāng)前英語作文“優(yōu)、良、中、差”等各級(jí)別的評(píng)分標(biāo)準(zhǔn)，并根據(jù)評(píng)分標(biāo)準(zhǔn)選擇所需要使用的作文表示特征集合，同時(shí)還需要積累各類標(biāo)簽數(shù)據(jù)。

（2）標(biāo)簽樣本訓(xùn)練建模階段。對(duì)搜集到的標(biāo)簽數(shù)據(jù)提取相應(yīng)特征，完成訓(xùn)練工作。在此階段需要根據(jù)標(biāo)簽數(shù)據(jù)的數(shù)量決定使用何種AES技術(shù)?？紤]到作文解析的教學(xué)要求，所有情況下都要包含AESS模型。當(dāng)標(biāo)簽數(shù)據(jù)較少時(shí)，例如不超過50份，只能使用AESS方法;當(dāng)標(biāo)簽數(shù)據(jù)小于400時(shí)，建議使用ASEML方法;當(dāng)標(biāo)簽數(shù)據(jù)較多時(shí)，推薦使用AESDL方法。

（3）作文評(píng)分階段。使用選定的AES方法對(duì)輸入的作文進(jìn)行評(píng)分，并輸出各種統(tǒng)計(jì)數(shù)據(jù)、錯(cuò)誤標(biāo)注等信息，包括整體信息和個(gè)體信息。

（4）評(píng)價(jià)階段。評(píng)價(jià)是促進(jìn)學(xué)生水平提升的重要手段和途徑[1，6，7，20]，包括教師評(píng)價(jià)和學(xué)生評(píng)價(jià)。教師首先對(duì)評(píng)閱結(jié)果進(jìn)行評(píng)價(jià)，包括評(píng)分是否準(zhǔn)確、錯(cuò)誤反饋是否準(zhǔn)確、是否有未包含的錯(cuò)誤等，然后將修正后的評(píng)閱結(jié)果反饋給學(xué)生。學(xué)生對(duì)獲得的評(píng)閱結(jié)果進(jìn)行評(píng)價(jià)，重點(diǎn)是該評(píng)閱結(jié)果是否有助于提高學(xué)生寫作能力。

（5）反饋修正階段。教師根據(jù)學(xué)生反饋進(jìn)行調(diào)整，優(yōu)化模型參數(shù)、表示特征等，并再次布置題目。

3.3 需注意的問題

整個(gè)教學(xué)實(shí)施過程中需注意以下問題：

（1）根據(jù)教學(xué)目標(biāo)分階段設(shè)定評(píng)分準(zhǔn)則。準(zhǔn)確的分?jǐn)?shù)有利于衡量學(xué)生寫作水平，但是不同層次的學(xué)生水平不同，不能使用同一個(gè)標(biāo)準(zhǔn)。因此需要建立與當(dāng)前教學(xué)對(duì)象相適應(yīng)的多套評(píng)分準(zhǔn)則。不同的評(píng)分準(zhǔn)則意味著需要不同階段的大量標(biāo)簽樣本。

（2）標(biāo)簽樣本收集。目前比較完備的英語作文標(biāo)簽數(shù)據(jù)集來自ASAP[20]，但這些數(shù)據(jù)基本上都是以英語為母語的美國學(xué)生的作文，用于我國大學(xué)英語日常教學(xué)的AES訓(xùn)練模型，可能會(huì)有較大偏差[21]。雖然文獻(xiàn)[22]提供了有效數(shù)據(jù)達(dá)9 864篇的中國學(xué)生英語作文，但這些作文都是沒有評(píng)分的。因此，需要不斷積累標(biāo)簽數(shù)據(jù)才能使AES模型更為有效。

（3）從實(shí)施角度講，本文基于AES的英語寫作教學(xué)模式更適用于學(xué)生自主練習(xí)，與教師布置的題目互為補(bǔ)充，從而更好地提升學(xué)生英語寫作能力。教師在AES評(píng)價(jià)基礎(chǔ)上形成的最終評(píng)價(jià)往往對(duì)學(xué)生具有關(guān)鍵指引作用，但如何實(shí)現(xiàn)仍有待深入研究。

4 結(jié)語

將自動(dòng)作文評(píng)分相關(guān)技術(shù)引入大學(xué)英語寫作教學(xué)中，結(jié)合AES技術(shù)和L2語言學(xué)習(xí)特點(diǎn)，建立基于AES的大學(xué)英語寫作教學(xué)新模式，有助于激發(fā)學(xué)生自主學(xué)習(xí)熱情，提升學(xué)生英語寫作能力，并擺脫過去大學(xué)英語教學(xué)中的“啞巴”英語陷阱。目前，相關(guān)技術(shù)尚處于初步應(yīng)用階段，不管是理論和操作程序上，還是評(píng)價(jià)方法和標(biāo)準(zhǔn)方面，都需繼續(xù)在實(shí)踐中進(jìn)一步完善。

參考文獻(xiàn)：

[1] 金曉宏. 非英語專業(yè)大學(xué)生對(duì)不同形式英語寫作評(píng)改反饋的接受程度研究[J]. 外語研究，2016（5）：58-62.

[2] 左年念. 外語作文評(píng)閱與學(xué)生寫作能力提高之間的關(guān)系——研究綜述[J]. 外語教學(xué)與研究，2002，34（5）：55-59.

[3] 葛詩利，陳瀟瀟. 大學(xué)英語作文自動(dòng)評(píng)分研究中的問題及對(duì)策[J]. 山東外語教學(xué)，2009，30（3）：21-26.

[4] ATTALI Y，BURSTEIN J. Automated essay scoring with e-rater[R] V.2.[J]. Journal of Technology Learning & Assessment，2006，4（2）：1-21.

[5] 王勃然，金檀，趙雯. 自動(dòng)寫作評(píng)價(jià)研究與實(shí)踐五十年——從單一、合作到交互[J]. 外語研究，2015（5）：50-56.

[6] 葛詩利. 大學(xué)英語作文自動(dòng)評(píng)分方法比較研究[J]. 廣東外語外貿(mào)大學(xué)學(xué)報(bào)，2010，21（3）：87-90.

[7] 武永. 作文自動(dòng)評(píng)閱和人工反饋對(duì)大學(xué)生英語議論文修改的影響[D]. 北京：清華大學(xué)，2016.

[8] 唐錦蘭， 吳一安. 寫作自動(dòng)評(píng)價(jià)系統(tǒng)在大學(xué)英語教學(xué)中的應(yīng)用研究[J]. 外語與外語教學(xué)， 2012（4）：56-62.

[9] 唐錦蘭. 探究寫作自動(dòng)評(píng)價(jià)系統(tǒng)在英語教學(xué)中的應(yīng)用模式[J]. 外語教學(xué)理論與實(shí)踐，2014（1）：49-57.

[10] BURSTEIN J，MARCU D. Benefits of modularity in an automated essay scoring system [C]. Luxembourg：Proceedings from the Workshop on Using Toolsets and Architectures to Build NLP Systems， 18th International Conference on Computational Linguistics， 2000.

[11] FORMAN G，COHEN I. Learning from little： comparison of classifiers given little training， knowledge discovery in databases：PKDD [M]. Berlin： Springer， 2004.

[12] KRISTINA T，DAN K，CHRISTOPHER M，et al. Feature-rich part-of-speech tagging with a cyclic dependency network[C]. Proceedings of HLT-NAACL，2003：252-259.

[13] RONAN C，JASON W，LéON B，et al. natural language processing （almost） from scratch[J]. Journal of Machine Learning Research （JMLR），2011（12）：2493-2537.

[14] LARKEY，L S. Automatic essay grading using text categorization techniques[C]. Melbourne：Proceedings of the 21st Annual International ACM SIGIR Conference on Research and Development in Information Retrieval，1998：90-95.

[15] HAYKIN， SIMON.Neural networks and learning machines[M]. 申富饒，徐燁等，譯. 北京：機(jī)械工業(yè)出版社，2009.

[16] MITCHELL TOM M. Machine Learning[M]. 曾華軍，張銀奎，等，譯. 北京：機(jī)械工業(yè)出版社，2013.

[17] TAGHIPOUR K，NG H T. A neural approach to automated essay scoring[C]. Austin：Proceedings of the 2016 Conference on Empirical Methods in Natural Language Processing，2016： 1882-1891.

[18] ALIKANIOTIS D，YANNAKOUDAKIS H，REI M. Automatic text scoring using neural networks[C]. Berlin： In Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics，2016.

[19] PICARD M. Second language learning theories（review）[J]. Language，2001，77（1）：178-179.

[20] ASAP data [EB/OL].? https：//www.kaggle.com/c/asap-aes/.

[21] 朱彥. 透過“反饋”之鏡，傾聽課堂之音——大學(xué)英語學(xué)習(xí)者對(duì)口頭糾錯(cuò)反饋的信念探究[J]. 外語與外語教學(xué)，2016（1）：33-40.

[22] 許家金. “中國學(xué)生萬篇英語作文語料庫”介紹[J]. 語料庫語言學(xué)， 2016（2）：108-112.

（責(zé)任編輯：孫 娟）