英語學習者作文自動評分特征選擇及模型優(yōu)化研究

劉 磊

(燕山大學外國語學院 河北 秦皇島 066004)

0 引 言

作文是評測英語學習者語言能力的重要指標。目前，在英語教學和測試領域，學習者作文通常依靠人工審閱，耗費大量人力和物力，同時很難保證評測結(jié)果的可信度和有效性[1]。為了改善這一狀況，近年來國內(nèi)外學者開始借助機器學習和自然語言處理技術，利用計算機自動評測學習者的作文質(zhì)量[2]。作文自動評分(Automated Essay Scoring,AES)系統(tǒng)可用于TOEFL和GRE等大規(guī)模、高影響力的語言水平測試，作為輔助手段驗證人工評分的信度，如果二者相差較大，則需重新評估作文質(zhì)量[3]。此外，AES系統(tǒng)也適用于非考試環(huán)境下的網(wǎng)絡自主學習平臺，在學生提交作文后提供實時反饋，通過動態(tài)評估督促其修改作文，提高二語寫作水平[4]。本文結(jié)合計算機科學和語言學領域的研究方法，采用基于機器學習的統(tǒng)計算法，提取學習者文本的詞匯、語法和語篇特征，從文本復雜度、語法正確度和語篇連貫度等層面構(gòu)建評分模型，提高現(xiàn)有AES系統(tǒng)的性能。

1 相關工作

AES研究始于20世紀60年代，在當時的技術條件下，計算機并不對輸入文本進行語言學分析，只采用簡單的表層特征，如平均詞長、句長和標點符號數(shù)量等評測作文質(zhì)量[5]。但是，由于當時計算機普及程度較低，運算能力有限，導致AES研究一度陷入沉寂。直至20世紀90年代，隨著計算機軟硬件性能的提高和自然語言處理技術的進步，AES研究重新煥發(fā)生機，出現(xiàn)了一批面向商業(yè)應用的英語作文自動評閱系統(tǒng)[6]，如Measurement Inc.公司的Project Essay Grader、美國教育考試處的E-rater和Pearson Knowledge Technologies公司的Intelligent Essay Assessor。然而，由于版權(quán)原因，上述商用AES系統(tǒng)均未公開訓練和測試數(shù)據(jù)，文獻中也未涉及詳細的算法介紹。因此，雖然這些系統(tǒng)聲稱機器評分信度已達到甚至超過人工評分，但研究者無法在相同數(shù)據(jù)的基礎上對比不同評分方法的優(yōu)劣，繼續(xù)提高AES系統(tǒng)的性能。為了改善這一狀況，近十年來，從事AES研究的學者陸續(xù)建立了一批可供研究者免費使用的英語學習者語料，如劍橋FCE和TOEFLL11考試作文語料庫，使得基于公開數(shù)據(jù)集的系統(tǒng)評測成為可能[7]?，F(xiàn)有的基于FCE數(shù)據(jù)集的AES系統(tǒng)如表1所示。

表1 現(xiàn)有基于FCE數(shù)據(jù)集的AES系統(tǒng)

可以看出，Yannakoudakis等[8]使用FCE語料庫，從中提取N元序列、句法復雜度和語法錯誤數(shù)量等文本特征，使用支持向量回歸(Support Vector Regression,SVR)算法訓練AES模型，系統(tǒng)機評與人評分數(shù)的Pearson相關系數(shù)r和Spearman相關系數(shù)ρ分別達到0.741和0.773。Yannakoudakis等[9]和Zhang等[10]在上述研究基礎上增加了語篇連貫特征，改進后的評分模型將Pearson和Spearman相關系數(shù)提升為0.761和0.790，均方根誤差為3.988。Farag等[11]采用基于詞向量和卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network,CNN)的深度學習算法構(gòu)建評分模型，但其準確率低于基于語言學特征的SVR模型。因此，本文著重探討如何細化語言學特征的選取及優(yōu)化SVR模型，從以下三方面提高現(xiàn)有AES系統(tǒng)的性能。

(1) 降低詞袋特征維度?，F(xiàn)有AES系統(tǒng)通常采用由單詞和詞性N元序列構(gòu)成的詞袋(Bag of Words,BOW)特征訓練評分模型。假設訓練集的詞匯數(shù)量為V，則可能的N元序列多達VN，造成維度災難，影響系統(tǒng)性能。現(xiàn)有研究多采用頻率閾值降低特征維度。本文利用互信息值(Mutual Information,MI)篩選詞袋特征，選取與作文分數(shù)高度相關的特征子集。

(2) 細化語言學特征。文本復雜度、語法錯誤數(shù)量和語篇連貫度等深層語言學特征與英語學習者書面語質(zhì)量關系密切[12]?，F(xiàn)有研究只使用了平均詞長和句長等表層特征測量文本復雜度，未涉及詞匯豐富度和詞匯難度等指標。Yannakoudakis等[8]采用RASP句法分析器自動剖析學習者作文的句法結(jié)構(gòu)，通過計算主語-謂語、謂語-賓語等語法關系間的平均距離評測句法復雜度。但這種方法未考慮句子的層級結(jié)構(gòu)，如簡單句、復雜句、從句和復雜名詞短語比例等指標，無法全面反映學習者書面語的句法復雜性。此外，現(xiàn)有研究的語法錯誤檢測模塊多采用統(tǒng)計方法，借助外部語料庫計算作文中的二元或三元詞組概率，如果概率低于設定閾值則判定為語法錯誤。但這種方法只能分析相鄰序列的概率，無法檢測涉及長距離語法關系的語誤(如主謂不一致錯誤)。語篇連貫包括局部連貫和整體連貫兩個層次，分別考察語篇句子間和段落間的語義關聯(lián)[13]。現(xiàn)有研究通過計算作文中相鄰句子的語義相似度評測作文連貫性，忽略了文本的整體連貫度。為解決上述問題，本文從文本表層特征、詞匯多樣性、文本可讀性和句法復雜度四個方面評估文本復雜度；采用基于語法規(guī)則的鏈語法分析器檢測語法錯誤；從局部和整體兩個維度考察語篇連貫性。

(3) 融合稀疏和非稀疏特征。使用詞袋特征構(gòu)建AES模型時，需要將文本表征為一個包含N元序列頻數(shù)的向量。N元序列數(shù)量龐大，每個文本只包含少數(shù)序列。因此，詞袋特征向量的多數(shù)元素為0，屬于稀疏特征。而由文本復雜度、語法錯誤數(shù)量和語篇連貫度構(gòu)成的語言學特征為連續(xù)性數(shù)值變量，屬于非稀疏/稠密特征?，F(xiàn)有研究構(gòu)建評分模型時，將詞袋向量vbow和語言學向量vling合并為向量v=(vbow_1,vbow_2,…,vbow_m,vling_1,vling_2,…,vling_n)，其中，m和n為詞袋和語言學特征的數(shù)量。由于m?n，經(jīng)過數(shù)據(jù)標準化處理的語言學特征權(quán)重降低，無法體現(xiàn)其重要性。因此，本文使用Stacking集成學習算法[14]將詞袋特征轉(zhuǎn)換為非稀疏的實數(shù)值后構(gòu)建AES模型。

2 方法設計

為便于與先前研究展開對比，本文選用FCE語料庫訓練和評測作文評分系統(tǒng)。總體框架如圖1所示，其包括數(shù)據(jù)預處理、特征篩選、模型構(gòu)建和模型評測四個部分。

圖1 AES評分系統(tǒng)總體框架

2.1 詞袋特征提取與篩選

1) 特征提取。首先從訓練集提取所有N元序列集合V，然后將訓練和測試集中的每篇作文轉(zhuǎn)換為|V|維向量，|V|代表序列種類。假設V={v1,v2,…,v|V|}，則文本d可表征為向量d=(c(v1,d),c(v2,d),…,c(v|V|,d))。其中c(v,d)是序列v在文本d中的出現(xiàn)頻率。詞袋特征由長度為1～3的單詞和詞性序列構(gòu)成。例如，作文“What clothes should I taken? How much money should I taken? And how could we meet at the airport? I am looking forward your reply.”中包含的單詞和詞性序列如表2所示。其中，詞性賦碼PRP表示代詞，VB為動詞原形，MD為情態(tài)動詞[15]。

表2 詞袋特征提取

N元序列體現(xiàn)了詞匯間的固定搭配關系；不同水平作文中的序列種類和數(shù)量存在差異，能夠反映學習者英語的準確度和流暢度。如上例中的三元詞性序列“MD PRP VBN”可檢測作文中兩例情態(tài)動詞+動詞的誤用現(xiàn)象“should I taken”。

2) 特征篩選。如式(1)所示，本文通過N元序列長度和互信息篩選原始特征集合BOW，得到特征子集BOWsub。其中：lenv為單詞和詞性序列的長度；tlen為長度閾值；MIv為序列的互信息值；tmi為互信息閾值。tlen和tmi由人工設定取值范圍，最終根據(jù)SVR模型誤差確定最佳值。

BOWsub={v∈BOW|lenvtmi}

(1)

N元序列的種類與序列長度成正比。然而，部分序列只是與訓練作文主題密切相關的特殊詞匯。如果不加篩選，會降低模型在預測不同主題作文時的泛化能力?；バ畔⒅涤糜谶x取高區(qū)別度的N元序列，計算方法如下：首先統(tǒng)計序列v在高分和低分作文的分布情況，構(gòu)建表3所示的2×2列聯(lián)表。其中，高分作文Dhigh_score={d∈Dtrain|score(d)≥m}，低分作文Dlow_score={d∈Dtrain|score(d)

表3 N元序列分布列聯(lián)表

根據(jù)式(2)計算序列v的MI值：

(2)

式中：n=n11+n12+n21+n22，表示訓練集作文總數(shù)；n1+=n11+n12，表示包含序列v的作文數(shù)量；n+1=n11+n21，表示高分作文數(shù)量?；バ畔⒅禍y量給定文本類別后序列分布的信息增益，MI值越高表示序列和作文分數(shù)的相關度越高。

SVR模型需要對序列頻率進行加權(quán)，以降低常用詞(如get、make等)權(quán)重。如式(3)和式(4)所示，本文采用詞頻二值化(Binary)和詞頻-逆文檔頻率(TF-IDF)兩種方式對原始詞頻進行加權(quán)。

(3)

(4)

(5)

2.2 語言學特征提取與篩選

1) 特征提取。語言學特征包括文本表層特征、詞匯多樣性、文本可讀性、句法復雜度、語法正確性和語篇連貫度等6個維度，共28個子類。

(1) 文本表層特征。評分員傾向于根據(jù)作文長度評測寫作質(zhì)量，兩者存在正相關關系[16]。因此，本文選擇7類基于文本長度的表層特征構(gòu)建評分模型，如表4所示。早期AES系統(tǒng)如PEG完全采用表層特征構(gòu)建，只考慮文本形式，不涉及文本內(nèi)容，很容易出現(xiàn)誤判情況。為避免上述缺陷，需要引入其他深層語言學特征提高系統(tǒng)準確率。

表4 文本表層特征

(2) 文本可讀性。本文選用表5所示的可讀性指標評測英語學習者書面語的復雜度。其中：N為作文總詞數(shù)；SYL為所有單詞的音節(jié)總數(shù)；CW指復雜單詞，即包含兩個以上音節(jié)單詞的數(shù)量；ASL為平均句長；AWS為單詞平均音節(jié)長度。FOG、FLESCH和KINCAID可讀性計算公式中的參數(shù)均由多元回歸方程確定[17]。FOG和KINCAID的值與文本難度成正比，大致對應學習者的語言水平；FLESCH測量文本的易讀性，與文本難度成反比。

表5 文本可讀性特征

續(xù)表5

(3) 詞匯多樣性。如表6所示，詞匯多樣性指不同詞匯類型T與文本總詞數(shù)N的比值。Lu[18]指出，詞匯多樣性在不同水平英語學習者的語言產(chǎn)出中存在明顯差異，并建議使用該指標評測學生的詞匯運用能力。

表6 詞匯多樣性特征

傳統(tǒng)的多樣性計算方法為詞種/詞次比(Type Token Ration,TTR)。然而，這種方法受文本長度影響較大，隨著文本字數(shù)增加，TTR逐漸減小，無法準確測量不同長度文本的詞匯多樣性。為解決這一問題，出現(xiàn)了若干基于TTR的變換形式，如方根TTR、對數(shù)TTR和標準化TTR等[19]。其中，標準化TTR從文本抽取m個長度為n的樣本，然后計算所有樣本的TTR均值。本文采用連續(xù)和隨機抽樣兩種方式計算標準化TTR，樣本長度n=50，隨機樣本數(shù)量m=100，連續(xù)樣本數(shù)量m=N/n。

(4) 句法復雜度。如表7所示，句法復雜度通過分析學習者作文中各句法結(jié)構(gòu)的比例評測寫作質(zhì)量[20]。首先使用句法分析器自動標注子句(SYN_C)、從句(SYN_DC)、動詞短語(SYN_VP)、復雜名詞短語(SYN_CN)和并列短語(SYN_CN)等語法結(jié)構(gòu)，然后通過計算上述結(jié)構(gòu)的使用頻率與文本總句數(shù)S的比值衡量句法復雜度。

表7 句法復雜度特征

通過編寫例1中(b)和(c)所示的Tregex表達式[21]檢索例句1(a)中的定語從句“which should be filmed”和由從句修飾的復雜名詞短語“l(fā)essons and activities which … …”。

例1

(a) I write this report to suggest some [NP[NPlessons and activities][DCwhich should be filmed ]].

(b) SBAR<(S|SINV|SQ<(VP<#MD|VBD|VBP|VBZ))

(c) NP!>NP [<

Tregex表達式用于匹配句法樹各節(jié)點間的支配、從屬和相鄰關系：如符號<和>分別表示父節(jié)點和子節(jié)點，＄++表示兄弟節(jié)點，可檢索表6所示各語法結(jié)構(gòu)的使用頻率。

(5) 語法正確度。如表8所示，本文通過檢測拼寫(SPELL_E)和復雜語法錯誤(GRM_E)評估學習者作文的語法正確性。其中，復雜語法錯誤檢測基于鏈語法[22]。鏈語法由詞典和算法兩部分組成，詞典包含詞匯的句法搭配方式；算法根據(jù)詞條的搭配方式對句子進行切分，符合語法的句子形成完整的鏈接，反之，則表明包含語法錯誤。

表8 語法正確度特征

以檢測例句2(a)中的語法錯誤為例，鏈語法首先讀取由詞條和鏈接子表達式構(gòu)成的詞典，然后分析各鏈接子之間是否能形成完成的鏈條，分析結(jié)果如圖2所示。

例2

(a) I’m looking forward your reply.

(b) I: S+; ’m: S- & Pg+; looking: Pg- & MVa+; forward: MVa-; your: D+; reply: O- & D-

圖2 鏈語法語誤檢測示例

(6) 語篇連貫度。如表9所示，本文根據(jù)詞匯銜接理論[23]，通過計算語篇的詞匯連接數(shù)量評估作文的整體和局部連貫度。其中：Linkslocal和Linksglobal是作文中相鄰和任意兩個句子間的詞匯連接數(shù)量，Nsent是作文總句數(shù)。

表9 語篇連貫度特征

詞匯連接數(shù)量的計算方法如下：首先使用Word2vec詞嵌入模型[24]，將句子中的代詞和名詞表征為實數(shù)值向量，然后通過式(6)計算詞匯的語義相似度。

(6)

式中：w1和w2為Word2vec詞向量；分子為向量點積，分母為向量模的乘積。若詞匯相似度大于0.25，則判定為存在詞匯連接。如圖3所示，例3中的兩個句子包含4條詞匯連接。

例3

I like doing sports. I would like to play basketball and golf when I am at the Camp.

圖3 詞匯連接示例

2) 特征篩選。提取語言學特征后，使用隨機森林(RF)算法篩選特征。RF回歸采用自助抽樣法(Bootstrap sampling)和CART算法構(gòu)建n個決策樹，每個決策樹節(jié)點從隨機選取的m個特征中挑選一個最優(yōu)特征劃分數(shù)據(jù)，最終結(jié)果由n個決策樹預測值的均值決定。使用自助抽樣法選取決策樹訓練集時，大約有35%的樣本未出現(xiàn)在數(shù)據(jù)集中，構(gòu)成包外樣本(oob)，用于評測特征的重要度[25]，具體計算式為：

(7)

式中：x為語言學特征；Ntree為決策樹數(shù)目；MSE為第i個決策樹模型預測包外樣本(oobi)分數(shù)的均方誤差；permutate(·)函數(shù)用于隨機排列包外樣本中特征x的值。本文選取重要度大于0的語言學特征構(gòu)建評分模型。

3 實 驗

3.1 實驗數(shù)據(jù)

使用公開數(shù)據(jù)集FCE英語學習者語料庫訓練并測試評分模型。如表10所示，該語料庫由劍橋FCE考試作文構(gòu)成，包含訓練集作文1 141篇，測試集作文97篇，共95萬詞，每篇作文均有人工批改分數(shù)。此外，F(xiàn)CE訓練和測試集語料選自不同年份的FCE考試作文，寫作主題并不重合。

表10 FCE訓練集和測試集情況

FCE中的語法錯誤均為人工標注，有助于研究英語學習者的二語寫作能力與語法錯誤之間的關系[26]。但本文通過鏈語法自動檢測語法錯誤評估作文質(zhì)量，不借助人工標注的數(shù)據(jù)訓練模型，因此需要將語料中的XML標簽刪除，轉(zhuǎn)換為純文本文件，然后使用斯坦福自然語言處理工具Stanford CoreNLP[27]自動標注文本的詞性和句法結(jié)構(gòu)等語言學信息。

3.2 特征提取和篩選

首先采用隨機抽樣法，從訓練數(shù)據(jù)中選取90%的樣本作為訓練集，10%的樣本作為驗證集，然后通過設定N元序列長度和互信息值提取詞袋特征。其中：序列長度取值范圍為1≤lenv≤3；互信息取值范圍為10≤-log2MIv≤20。采用Binary和TF-IDF兩種方式對訓練和驗證集數(shù)據(jù)加權(quán)，使用LIBLINEAR[28]構(gòu)建SVR模型。模型的損失函數(shù)為：

(8)

式中：(xi,yi)為訓練集樣本，i=1,2,…,m，xi∈Rn，w∈Rn；超參C為約束代價參數(shù)，ε為不敏感損失參數(shù)。本文選用LIBLINEAR的默認參數(shù)設置訓練模型，令C=1，ε=0.1。求得模型參數(shù)w后，使用驗證集計算模型的均方誤差，進而篩選特征。

圖4是詞袋類型(type)、MI值與模型誤差的關系圖示。其中：t為單詞序列，p為詞性序列?？梢钥闯觯築inary加權(quán)模型的誤差低于TF-IDF；由一元單詞序列(t1)和一元到三元詞性序列(p3)構(gòu)建的模型誤差最低。表11是模型誤差最小的5類特征組合?？梢钥闯觯刑卣骶辉饺~性序列，但不包含三元單詞序列。一元到三元單詞序列的種類較多，大多數(shù)序列的頻率都很低，不利于模型的泛化。與之相比，詞性序列的出現(xiàn)頻率較高，同時能夠反映學習者書面語的詞匯和句法搭配關系，具備更強的泛化能力。

圖4 詞袋特征-模型誤差圖

表11 詞袋特征篩選結(jié)果

篩選詞袋特征后，使用統(tǒng)計軟件R構(gòu)建隨機森林模型，通過式(7)計算語言學特征的重要度。模型參數(shù)設置如下：決策樹數(shù)目Ntree=1 000；隨機選取特征數(shù)m=9。如圖5所示，篩選結(jié)果顯示段落數(shù)(LEN_PARA)和并列短語比例(SYN_CP/S)的重要度小于0。排除這兩類特征后，最終選取26類語言學特征構(gòu)建評分模型。

圖5 語言學特征篩選結(jié)果

3.3 模型構(gòu)建和評測

圖6 集成學習評分模型框架

如表12所示，評測結(jié)果表明，基于集成學習的評分模型準確率明顯高于基于SVR的模型。Pearson相關系數(shù)r、Spearman相關系數(shù)ρ和均方根誤差RMSE等評測指標顯示，模型Ⅱ以詞袋特征BOW_A和26類語言學特征LINGUA構(gòu)建的集成評分模型均優(yōu)于現(xiàn)有基于FCE數(shù)據(jù)集的基準模型。

表12 集成評分模型評測

為了更全面地與現(xiàn)有研究展開對比，本文使用Python深度學習工具Keras，嘗試了兩種基于CNN深度學習算法的評分模型。如圖7所示，模型Ⅲ實驗參數(shù)如下：輸入層單詞序列的長度為最大作文字數(shù)dinput_length=900；詞嵌入層選用Word2vec預訓練詞向量，維度dword_embedding=300；卷積層的濾波器數(shù)量h=20，卷積窗口長度m=3；最大池化層窗口長度n=2；全連接層維度ddense=128。模型Ⅳ除單詞序列外，在輸入層增加了詞性序列，詞性嵌入層維度dpos_embedding=50，通過模型訓練得到詞性向量，然后融合兩類序列在全連接層的輸出預測作文分數(shù)。模型Ⅲ和模型Ⅳ的各層均選用ReLU激活函數(shù)，模型訓練使用Adam優(yōu)化器，訓練批次大小batch=16。如表13所示，評測結(jié)果顯示，加入詞性序列的深度網(wǎng)絡模型準確率最高。如前文所述，詞性序列包含一些反映學習者寫作質(zhì)量的淺層句法特征，融合單詞和詞性序列的模型優(yōu)于單一的詞向量模型。

圖7 深度學習評分模型框架

表13 深度學習評分模型評測

然而，與集成評分模型相比，基于CNN的深度學習評分模型準確率仍有較大差距?？赡艿脑蚴菂⒓覨CE考試的考生多為初級英語學習者，導致數(shù)據(jù)集中包含較多的語法錯誤。如圖5所示，復雜語法錯誤數(shù)量比例是預測作文質(zhì)量的重要語言學特征，而基于英語本族語使用者的Word2vec詞嵌入模型不能有效地識別這些錯誤。

4 結(jié) 語

本文結(jié)合機器學習、自然語言處理和語言學領域的相關研究成果，開發(fā)了英語學習者作文質(zhì)量自動評閱系統(tǒng)。首先使用支持向量回歸，通過N元序列長度和互信息值篩選出與作文分數(shù)高度相關的詞袋特征子集；然后從文本復雜度、正確度和連貫度入手，提取作文的深層語言學特征；最后，使用基于隨機森林回歸的集成學習算法融合詞袋和語言學特征，構(gòu)建評分模型。與現(xiàn)有評分系統(tǒng)相比，本文方法減少了詞袋特征數(shù)量，降低了模型復雜度；細化了語言學特征種類，從詞匯、語法和語篇等多個角度評估學習者作文質(zhì)量。研究結(jié)果表明，本文選取的26類語言學特征與作文質(zhì)量高度相關，基于集成學習的評分系統(tǒng)優(yōu)于現(xiàn)有基于SVR和CNN的評分系統(tǒng)。本文的局限在于FCE語料庫的訓練和評測數(shù)據(jù)較少。主要原因是現(xiàn)有公開的英語學習者作文語料中，大多不包含人工評閱分數(shù)，無法構(gòu)建和評估系統(tǒng)性能。后續(xù)研究將擴大訓練和測試樣本數(shù)量，從在線機考平臺收集更多的學習者數(shù)據(jù)，驗證和改善本文的評分模型，以進一步提高學習者作文自動評分系統(tǒng)的準確率。