文本复杂度人工判断维度及其运用

文本复杂度是文本分级中的重要指标。文本复杂度的判断,目前以人工为主,判断指标主要有内容与主题、结构、语言、阅读所需知识背景等。在计算机探索文本复杂度计算方法的过程中,文本复杂度的人工判断主要用于校准计算机实验结果,调整计算方法等。当然,文本复杂度的人工判断维度及其运用研究,对日常教学也有启发意义,譬如加深对于文本的认识,提升文本选择的意识和能力,丰富对于学生阅读素养的观察视角等。     

浙江省高考英语完型填空考点效度和文本难易度的研究

基于考点效度和文本难易度,对2011-2015年浙江省高考英语完型填空进行了考点效度和文本难易度分析。考点层次和焦点因素的分析结果表明:近五年来,该题型的效度良好,侧重考查语篇和意义的理解。文本难易度的分析结果表明:该题型文本简单,难度稳中有升。今后的教学中,教师应当注重培养学生的语篇意识,进一步提升学生的语篇理解能力。     

基于Attention-CLSTM模型的商品评论分类

文本分类是自然语言处理中的一项重要基础任务,指对文本集按照一定的分类体系或标准进行自动分类标记。目前网络文化监督力度不够、不当言论不受限制,导致垃圾评论影响用户体验。因此提出一种基于注意力机制的CLSTM混合神经网络模型,该模型可以快速有效地区分正常评论与垃圾评论。将传统机器学习SVM模型和深度学习LSTM模型进行对比实验,结果发现,混合模型可在时间复杂度上选择最短时间,同时引入相当少的噪声,最大化地提取上下文信息,大幅提高评论短文本分类效率。对比单模型分类结果,基于注意力机制的CLSTM混合神经网络模型在准确率和召回率上均有提高。     

基于语料库的大学生英语笔语文本复杂度研究

<正>郭敏博士在2016年获批国家社科基金青年项目:"基于语料库的大学生英语笔语文本复杂度研究"(16CYY029)。文本复杂度又被称为语篇复杂度或语篇难易度,最初是用来测试学习者对所阅读文章难易度的感知。目前大部分的相关研究都是用于对中小学阅读材料的设计以及学生阅读能力的评价,很少有研究关注学生英语写作文本复杂度的研究。本课题基于语篇分析的相关理论,采用定性研究和定量研究相结合的方法,重点分析大学生英语写作文本中的词汇复杂度、句法复     

基于Att-CN-BiLSTM模型的中文新闻文本分类

将卷积神经网络（CNN）和双向长短期记忆神经网络（BiLSTM）相结合,提出一种基于注意力机制的Att-CN-BiLSTM中文新闻文本分类模型.模型通过注意力机制有效融合了CNN层和BiLSTM层提取的新闻文本语义特征.在THUCnews新浪新闻数据集上与CNN、BiLSTM及其改进模型进行对比实验,模型分类准确率达到98.96%,精确率、召回率和F1值指标也都优于对比模型,实验结果表明Att-CN-BiLSTM模型可以有效提升中文新闻文本分类效果.     

解答高考现代散文阅读题的几个步骤

2007年,各省高考现代文阅读的选文长度增加,难度也有所加大。普通高中语文课程标准（实验）要求：在阅读与鉴赏中,“从整体上把握文本内容,理清思路,概括要点,理解文本所表达的思想、观点和感情……对文本能做出自己的分析判断,……根据语境揣摩语句含义,运用所学的语文知识,帮助理解结构复杂、含义丰富的语句,体会精彩语句的表现力。”     

基于神经网络算法的文本分类器研究

文本自动分类是目前最常用的文本信息自动处理技术,也是人工智能、自然语言处理和信息检索领域的研究热点。对文本自动分类所涉及的相关问题进行了全面论述,并简单介绍了基于神经网络的文本分类器的设计与实现。     

基于SPRE语篇模式的大学英语阅读测试文本比较研究

SPRE语篇模式是建立在"问题一解答"结构模式基础上,由各个语义功能主要成分及其依据共同构成的,是人类语言在交际中互相遵守和期待的语言规律之一.通过对SPRE语篇模式构成特征的描述,并结合词汇特征识别法,以及各功能成分表层语用组合与深层语义结构之间的对应性差异,对大学英语不同等级阅读测试文本进行对比研究.结果证明,大学英语不同等级阅读测试文本在SPRE语篇难度方面存在显著差异,并在很大程度上真实地反映出大学英语阅读测试对不同能力要求的本质内涵.     

高中散文鉴赏教学三步法

《高中语文课程标准》指出：＂从整体上把握文本内容,理清思路,概括要点,理解文本所表达的思想、观点和感情。……根据语境揣摩语句含义,运用所学的语文知识,帮助理解结构复杂、含义丰富的语句,体会精彩语句的表现力。＂由此看出,鉴赏散文要在整体把握文本内容的前提下,感受形象,品味语言,体验情感,提升学生的人生境界。高中散文鉴赏教学可按下面步骤进行。     

一种基于特征融合的医疗病例实体识别方法

在医学领域,传统的命名实体识别方法在医疗病历实体识别过程中,存在文本提取特征单一及不充分等问题,导致模型识别精准度不高。针对此问题,文章提出一种基于语义、词序、BER T预训练模型相结合的多特征融合提取方法。引入Word2vec对文本进行语义特征提取,利用Fasttext对文本的词序特征进行提取,通过BER T预训练模型获取词向量,解决Word2vec无法解决一词多义的问题。将多元特征向量融合,对相关数据的特征进行提取融合。通过卷积神经网络对融合特征进行再提取,得到更有价值的数据特征。最后通过双向长短时记忆神经网络结合条件随机场模型（BiLSTM-CRF）进行实体识别。实验结果表明：此方法在ChineseBLUE(c MedQANER)数据集上,其精准度、召回率、F1-Measure值等评价指标都有显著的提升。     

关注文体 聚焦语用——兼评刘荃老师执教的《爱因斯坦和小女孩》

语文教什么,怎么教?首先要取决于文体本身。什么样的文体就决定了文本的教学价值。要从朗读训练、学生理解文本难易度以及表达形式上发现语言训练点出发,才能真正做到聚焦"语用",而"语用"才是语文教学的最终目的。     

融合BERT与AttnGAN的文本生成图像方法

针对文本生成图像任务中文本信息与生成图像的语义一致性,以及图像细节模糊、图像要素空间搭配合理性问题,提出了融合BERT文本编码模型和AttnGAN生成对抗网络模型的文本生成图像方法。首先,在文本与图像语义一致性训练中,借助预训练BERT模型对文本进行句、字级别的特征编码,充分利用其在NLP任务中的优秀文本编码与强泛化能力深度匹配文本语义和图像区域的特征一致性;然后,在图像生成网络的第一阶段图像生成模块之前添加空间注意力模块,提高最终生成图像的语义一致性和空间位置的布局合理性。融合优化后的模型所生成的图像相比原AttnGAN模型,IS指标提升了0.17,FID指标降低了1.15,整体视觉效果更加细腻逼真,模型成功地在阿里天池服装数据集上应用,表明其具有良好的跨领域生成能力。     

《朝花夕拾》文本细读方法指导课教学设计

统编版初中语文教材提倡名著阅读,鲁迅的《朝花夕拾》是推荐名著中的重要一部。文本细读是阅读《朝花夕拾》的重要方法。文本细读包括“分析人物关系与细品人物语言”“赏析修辞与写作手法”“分析语句深层含义”“填补文本空白”等方法,结合教学实践进行探讨。     

高中英语教师如何选择学生自主阅读材料——基于英语教材阅读文本难度的定量分析

本文将以从傅莱区易读性公式(Flesch Reading Ease)作为研究工具,定量分析人教版高中英语教材中的阅读文本难易度,试图解决教师在选择学生自主阅读材料时,对文本难易度把握上的困难,以帮助教师基于教材更加科学有效地选择学生英语自主阅读材料。另外,教师还应从学生主体出发,将文本难易度与学生兴趣相结合,为学生选择有趣的、难度适中的自主阅读材料,让学生想读、爱读,从而真正提高学生的阅读能力。     

基于TAALES软件的词汇复杂度与作文质量关系研究

研究使用词汇复杂度自动分析软件TAALES调查了五个维度共104个词汇复杂度指标(词频、词汇范围、N元结构频次、词汇心理语言特征、学术词频次)与读写任务作文质量(人工评分)之间的关系。研究文本来自英语专业四级写作文本,共51份。逐步多元回归分析表明,实词熟悉度、虚词范围、学术词频次三个词汇复杂度指标可以解释作文评分47.3%的变异。研究结果对于二语词汇教学和写作自动评分具有重要意义。     

多种算法对不同中文文本分类效果比较研究

为弥补目前国内学者只做单一算法研究且语料单一的缺陷,使用Word2vec词向量模型结合支持向量机（SVM）、卷积神经网络（CNN）和长短期记忆网络（LSTM）3种不同分类算法,研究了不同中文文本分类问题,包括微博语料的多维细粒度情感分类、酒店评价的倾向性分析和新闻文本的主题分类。将3种分类模型在不同文本中的分类效果进行对比,结果显示这3种算法对于不同的中文分类效果各有不同：不同维度的词向量对准确率等评价指标影响很大;支持向量机模型更适合于细粒度的微博情感分类;卷积神经网络、长短期记忆网络算法更适合于噪声小、文本长且规范的新闻主题分类任务。分类粒度会对算法准确性产生影响,粒度越细、任务越复杂,算法准确性越低。     

基于Coh-Metrix的多维度高考英语阅读文本复杂度对比研究

新高考于2018启动并于2021正式执行,该研究在此背景下采用语言处理工具Coh-Metrix 3.0,以2018-2020江苏高考英语真题与2021-2022全国Ⅰ卷的阅读理解语篇为研究对象进行多维度的文本复杂度对比研究,主要从词汇复杂度、句法复杂度、连贯性和衔接性三个维度进行对比。研究结果发现二者的阅读理解语篇整体上不存在显著的差异。但是全国Ⅰ卷相比于江苏卷更加注重考查学生对高频词的掌握、长难句的掌握以及文本的衔接性。该结论在为新高考背景下的英语教师提供启示,在阅读教学中教师应加强学生对考纲中高频词的掌握、帮助学生掌握长难句以及理解文本的衔接性手段以促进学生的阅读能力,这促进了教师和学生适应新高考这个大背景。     

EM算法在文本挖掘中的应用

在网络环境中文本挖掘的过程主要包括特征提取、特征选择、挖掘方法选择、结果评价和知识模块等几个部分;最新的发展方向是基于EM算法对文本进行挖掘,基于该算法的的比较挖掘模型为：首先对已知数据集任意分为几个类,然后根据各个类集和背景集对文档集的各个词进行似然,再通过求和可以得到整个数据集的似然,该过程反复进行,直到收敛,从而可以根据各类和背景集结果中的较大的概率值得出文本的共同主题和各个类的主题。     

粗糙集和神经网络在文本分类中的应用研究

把粗糙集与神经网络结合,应用于文本分类,可以充分发挥两种方法的优势,取长补短,粗糙集理论可以有效地对样本集进行约简,从而简化了神经网络的结构,减少了网络的训练次数,学习速度和分类精度明显提高,并用仿真实验验证了此方法的有效性.     

论传统可读性公式的不科学性

传统可读性公式的研制者认为字长、句长是预测词义、句义难度的最佳变量。本文通过相关性分析和回归分析论证字长、句长不能预测词义、句义难度。传统可读性不能为人们判定文本难易度提供科学有效的依据。