[论文解读] Characterizing the Influence of Features on Reading Difficulty Estimation for Non-native Readers

Yi-Ting Huang, Meng Chang Chen+1 more|arXiv (Cornell University)|Aug 29, 2018

Text Readability and Simplification参考文献 26被引用 3

一句话总结

本研究提出了一种专为非英语母语学习者定制的阅读难度估计模型，整合了词汇、句法以及新颖的心理学语言学特征，如单词习得年龄、WordNet中的词义以及句子级句法解析树高度。通过使用贝叶斯信息准则（BIC）进行模型选择，作者证明了结合词数、单词习得年龄和解析树高度的模型在性能上优于为母语者设计的传统模型。

ABSTRACT

In recent years, the number of people studying English as a second language (ESL) has surpassed the number of native speakers. Recent work have demonstrated the success of providing personalized content based on reading difficulty, such as information retrieval and summarization. However, almost all prior studies of reading difficulty are designed for native speakers, rather than non-native readers. In this study, we investigate various features for ESL readers, by conducting a linear regression to estimate the reading level of English language sources. This estimation is based not only on the complexity of lexical and syntactic features, but also several novel concepts, including the age of word and grammar acquisition from several sources, word sense from WordNet, and the implicit relation between sentences. By employing Bayesian Information Criterion (BIC) to select the optimal model, we find that the combination of the number of words, the age of word acquisition and the height of the parsing tree generate better results than alternative competing models. Thus, our results show that proposed second language reading difficulty estimation outperforms other first language reading difficulty estimations.

研究动机与目标

• 解决目前缺乏专为非英语母语读者设计的阅读难度估计工具的问题。
• 探究心理学语言学特征（如单词习得年龄和词义）如何影响英语作为第二语言学习者的阅读难度。
• 评估句法复杂性（包括解析树高度）对非母语读者可读性的影响。
• 开发并验证一种超越现有基于第一语言的阅读难度估计器的模型，以适用于第二语言学习者。
• 识别在非母语语境下实现准确阅读水平预测的最佳特征组合。

提出的方法

• 作者收集并分析了一组语言学特征，包括词数、句法解析树高度以及词汇复杂性度量。
• 他们整合了来自外部来源的心理学语言学数据，如词汇和语法结构通常被习得的年龄。
• 从WordNet中提取词义信息，以评估词汇歧义及其对理解难度的影响。
• 对句子之间的隐含语义关系进行建模，以捕捉语篇层面的复杂性。
• 训练线性回归模型，基于这些特征预测阅读水平。
• 使用贝叶斯信息准则（BIC）选择最优特征组合与模型架构。

实验结果

研究问题

• RQ1 哪些语言学特征对非英语母语读者的阅读难度影响最大？
• RQ2 心理学语言学因素（如单词习得年龄和词义）如何贡献于可读性估计？
• RQ3 以解析树高度衡量的句法复杂性在多大程度上影响英语作为第二语言学习者的阅读难度？
• RQ4 结合新颖特征的模型能否超越为母语者设计的传统模型？
• RQ5 在非母语阅读语境下，预测阅读水平的最佳特征组合是什么？

主要发现

• 词数、单词习得年龄和解析树高度的组合在预测非母语读者阅读难度方面表现最佳。
• 引入单词习得年龄等心理学语言学特征，显著提升了仅使用词汇和句法特征的模型的准确性。
• 该模型优于现有的基于第一语言的阅读难度估计器，尤其在捕捉第二语言学习者所面临的挑战方面表现突出。
• 贝叶斯信息准则（BIC）识别出最优模型配置，证实了特征选择在可读性建模中的重要性。
• 从WordNet中整合词义信息，有助于更细致地理解非母语语境下的词汇难度。
• 结果表明，句法解析树高度是阅读难度的强预测因子，尤其对句法处理能力有限的学习者而言。