一种汉语口头作文计算机辅助评分方法

技术领域

本发明涉及汉语口头作文的自动评分技术领域，特别涉及一种汉语口头 作文计算机辅助评分方法。

背景技术

个体差异，也称个别差异、个性差异，是指“个人在认识、情感、意志 等心理活动过程中表现出来的相对稳定而又不同于他人的心理、生理特点”。 它表现在“质和量两个方面”，“质的差异指心理生理特点的不同及行为方 式上的不同，量的差异指发展速度的快慢和发展水平的高低”。

对个体差异最早进行研究的是我国古代伟大的思想家、教育家孔子。早 在2000多年前，孔子就积极倡导并十分重视因材施教。“因材施教”是我 国古代就提出的一种处理教学中的个体差异的教学原则和教学策略。近代布 鲁姆也认为教育教学必须考虑学生作为人的特性，其中个体差异是一个重要 的方面。我们知道教育教学活动应是以人的发展为中心的活动。在以班级为 组织形式的教学中，同一班级中的不同学生个体之间存在着诸多方面的差异， 个体差异不可避免地成为影响教学活动的重要因素之一。

以口头作文为例，从宏观的角度，我们知道学生的身心发展在一定年龄 阶段上具有一定的稳定性和普遍性，于是我们对语料库中的两类主题(“名 著导读”、“关注生活”)从整体上进行词频统计，各列出了前100的词， 并对高频词进行分组分类，筛选出四类口头作文词汇中的典型词进行分析， 从而了解本班口头作文的总体状况。但由于每个人的素质、环境和所受教育 的影响不同，以及主观努力等诸方面的差异，特别是在口头作文训练中，不 同学生的口头作文水平存在很大的差异，即便是同一个学生在不同主题下的 水平也会存在波动。所以如果想更具体深入的了解学生在口头作文中是“怎 么说”的，就有必要关注个体的差异。在口头作文中进行的个体差异的词频 研究，就是将词频的统计和分析具体到每一个学生，每一次口头作文的训练 中来。通过不同方法下的词频分析，对口头作文中的个体差异进行测量，以 期获得更有效的口头作文的教学方法。换言之，个体差异的研究便于教师能 了解和把握学生的个性特点、口头作文的能力等方面的差异，为教师制定目 标、组织教学和有效评价等方面提供了依据。

因此，有必要提供一种汉语口头作文计算机辅助评分方法，以便于对个 体差异的研究便于教师能了解和把握学生的个性特点、口头作文的能力等方 面的差异，为教师制定目标、组织教学和有效评价等方面提供了依据。

发明内容

为了克服上述已有技术存在的不足，本发明的目的旨在提供一种汉语口 头作文计算机辅助评分方法，该方法对个体差异的研究便于教师能了解和把 握学生的个性特点、口头作文的能力等方面的差异，为教师制定目标、组织 教学和有效评价等方面提供了依据。

为实现本发明目的，提供一种汉语口头作文计算机辅助评分方法，包括 以下步骤：通过录音设备，收集各个考生口语作文作答音频；通过音频转码 软件，对各个考生的作答音频进行解码，获取学生的口头作文文本信息；对 获取的口头作文文本信息进行人工修正；对待评分口头作文进行词条总数分 析和归一化处理，获取归一化的词条统计参数；对待评分口头作文中断比例 参数的特征分析和归一化处理，获取归一化的中断比例参数；对待评分口头 作文均匀分布参数的特征分析和归一化处理，获取归一化的均匀分布参数； 对获取的词条统计参数，中断比例参数，均匀分布参数，分别赋予相应权值 并求和后获得所述待评分口头作文的最终评分结果。

进一步地，所述的词条总数的计算公式如下：

词条总数＝语料总数-标点、数字及字符的统计的统计总数。

进一步地，所述的归一化词条统计参数的计算公式如下：

其中：i是待评分口头作文样本的序号，Xi是第i号语料的作文词条总 数，X_max是所有待评价语料样本中词条总数的最大值。

其中，归一化词条统计参数的数值在[0，1]之间，值越高者视为语言越 丰富。

进一步地，所述的中断指具体统计词频表中表示语流中断选代表性的字、 词，如：“嗯”、“呃”、“然后”等的次数。

进一步地，所述的中断统计中，“嗯”、“呃”、“然后”等词在文中 若表示承接关系，则不应视作语流的中断，应从总的语言停顿统计中提出。

进一步地，所述的中断比例参数的计算公式如下：

进一步地，所述归一化的中断比例的参数的计算公式如下：

其中：是第i号语料的中断比例值，中断比例_min是所有待评价语料样本 中中断比例的最小值。

其中，归一化后中断比例参数的数值在[0，1]之间，值越高者视为语流 越流畅，语言质量越高。

进一步地，所述的均匀分布参数的计算公式如下：

$S^{\prime \prime }=\frac{\sqrt{\frac{\underset{i=1}{\overset{n}{\Sigma }}{(X_i-\bar{X})}^2}{N}}}{\underset{i=1}{\overset{N}{\Sigma }}{x}_i}$

其中：S″定义为均匀分布参数；Xi定义为第i组出现主题词的个数；为每一个作文样本在作文中主题词分布的平均值；N定义为主题词的组数。

进一步地，所述归一化的均匀分布的参数的计算公式如下：

其中，S″为第i号语料的均匀分布参数值；S″_min为所有待评价语料样本 中均匀分布参数的最小值。

其中，归一化均匀分布参数的数值在[0，1]之间，值越高者视为主题越 明确。

进一步地，所述的待评分作文分数权重计算时依赖词条统计参数、中断 比例参数和均匀分布参数。权重可通过经验设定或通过自适应的反馈算法确 定。

进一步地，作为本发明的一种优选方案，设定：词条统计在得分中所占 比重是30％；中断比例分析在得分中所占比重是30％；均匀参数分析在得分 中所占比重是40％，本发明规定的待评分作文机器得分计算公式如下：

综合得分＝100*(权重₁*词条统计参数+权重₂*中断比例参数+权重₃*均匀分布参数) 其中：权重₁＝30％，权重₂＝30％，权重₃＝40％。

进一步地，作为本发明的一种优选方案，得分设定为5个等级。设定： 机器得分的前5％记为A+，20％-5％记为A，25％-20％记为B+，40％-25％记 为B，70％-40％记为C，后30％记为D。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本发明可以科学地提高中小学语文教师批阅学生口头作文的效率以及 减轻其工作量，具有较好的评分信度和效度。

本发明在词频统计分析的基础上，创造性地设计出辅助评价口头作文水 平的三个参数，并通过比较分析来深入研究个体差异。

个体差异的研究便于教师能了解和把握学生的个性特点、口头作文的能 力等方面的差异，为教师制定目标、组织教学和有效评价等方面提供了依据。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的 描述中变得明显，或通过本发明的实践了解到。

附图说明

图1示出了根据本发明技术方案的一种汉语口头作文计算机辅助评分方 法的具体流程示意图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出， 其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似 功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本 发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解的是，除非特意声明，这里使用的单数形 式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理 解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、 步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、 整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被 “连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或 者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无 线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项 的任一单元和全部组合。

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术 语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的 一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应 该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里 一样定义，不会用理想化或过于正式的含义来解释。

图1示出了根据本发明技术方案的一种汉语口头作文计算机辅助评分方 法的流程示意图。如图1所示，本发明的实施例提供一种汉语口头作文自动 评分方法，包括：

步骤11，通过录音设备，收集各个考生口语作文作答音频；

步骤12，通过已有音频转码软件，对各个考生的作答音频进行解码，获 取学生的口头作文文本信息；

步骤13，对获取的口头作文文本信息进行人工修正，获取修正后的学生 口头作文文本信息；

步骤14，对待评分口头作文进行词条总数分析和归一化处理，获取归一 化的词条统计参数；

步骤15，对待评分口头作文中断比例参数的特征分析和归一化处理，获 取归一化的中断比例参数；

步骤16，对待评分口头作文均匀分布参数的特征分析和归一化处理，获 取归一化的均匀分布参数；

步骤17，对获取的词条统计参数，中断比例参数，均匀分布参数，分别 赋予相应权值，加权后获得所述待评分口头作文的最终评分结果。

上述实例中，所述的词条统计参数，中断比例参数，均匀分布参数等研 究参数是基于新课标针对第四学段的口语交际目标和内容进行的规定，如自 信、负责地表达自己的观点，做到清楚、连贯、不偏离话题；讲述见闻，内 容具体、语言生动；复述转述，完整准确、突出要点。并参考了《论作文教 学中的说写结合》一文中的口头作文评价体系，如词的使用量和用词的准确 性，语流的流畅度和节奏感、主题的突出和连贯等。

上述实例中，所述的词条也叫词目，是辞书学用语，指收列的词语及其 释文。词条可以是字、词，也可以由字、词等组成。在一篇口头作文中，对 其口头作文所用的词条数(不含重复使用的词条)进行统计，可以有效地了 解每一个学生词的使用情况，往往词条数越多，该生的语料总数就越多，语 言就越丰富。

在具体统计的过程中，我们将每一篇口头作文的语料输入相关应用软件 中，通过计算机统计，得到其总词条数。因为本发明的研究重点是学生使用 汉语的字和词的情况，所以当计算机显示出“总词条数”后，还应删除对标 点、数字和英文等方面的统计，使总词条数更加准确。

上述实例中，所述的中断比例参数的“中断”，是指学生进行口头作文 时当一种思维或一个概念结束之前，出现语流中断的现象。这种现象会产生 内容不连贯，节奏感不强，语流不够流畅等问题，将大大影响口头作文的质 量。一般来说，在固定字数的语料中，中断次数越少则语流就越流畅，反之， 中断次数越多则语流就越堵塞，语言质量也就相应下降。教学过程中，我们 要求所有学生必须脱稿完成口头作文，在训练中难免就会出现语流中断的情 况。

在具体统计中，我们一开始在其词频表中选择出有代表性的表示语流中 断的字、词，如：“嗯”、“呃”、“然后”等，并记录次数。但值得注意 的是，如“然后”，它不仅可以是表中断时的口头语，也可以是表承接关系 的连词等。又如“嗯”、“呃”等，既可以是表中断的口头语，也可以在引 用某人语言时使用，还可以表达某种语气。所以我们应该联系上下文，回到 语境中，对语料中出现的这类词进行的判断，并及时对数据进行修改。但是 以上数据依然会存在误差，因为在人工转写时，无法将长时间无语言的停顿 体现出来，而这种长时间无语言的的停顿也恰恰是语流中断的一种，所以要 想更全面更客观的统计中断次数，还应再次回到录音中，我们通过回播录音 材料，对长时间无语言的停顿进行人工统计，最终得到每一个学生的中断总 次数。再用每一个学生在一次口头作文中的中断总次数，除以该语料的总字 数，得到的比例来衡量语流的流畅度。比例关系越低则语流就越流畅，语言 质量就越高，反之比例越高则语流中断次数就越多，语言质量就越低。

上述实例中，所述的分布参数，就是通过语料中主题词的分布情况，这 里主要指高频名词的分布情况，进而对学生口头作文中的主题是否明确突出， 进行初步的判断。好的主题表达往往会根据需要集中在一点上，而且常会集 中在某一两个关键字或词上。同样在口头作文中往往也会有一个与主题高度 相关的字或词，通常会是出现频数最高的名词。一般来说，在一篇文章中主 题词的分布总有些波动，但是从整体上来看，好的主题表达其主题词的分布 也应该是均匀的。

在具体统计过程中，从词频分布的角度，对主题分布情况进行测算，主 要通过以下方式。

首先，我们要以固定字数对原始语料进行分组，并按一个人讲话的前后 时间顺序统计出每一组中出现主题词的次数，并定义第i组出现主题词的个 数为xi。接着用统计出的每一组出现主题词的次数相加得到主题词的总次数， 然后用主题词的总次数除以组数(用N来表示)，得到每一个人在本次口头作 文中主题词分布的平均值(用来表示)，用数学式表达如下：

$\bar{X}=\frac{\underset{i=1}{\overset{N}{\Sigma }}{x}_i}{N}$

代表任意一组出现主题词的平均数，这个值越大就表明在固定字数下， 出现的主题词就越多，代表进行本次口头作文的学生更频繁地使用该主题词。 我们也知道一方面如果在一篇文章中主题词出现过多或是过少，就有可能出 现语言啰嗦或是中心不明确等现象，另一方面如果一篇文章在某几段集中出 现主题词而其余部分没有出现，就有可能产生详略不当的问题。但如果主题 词能够在文章中均匀分布，那么其主题明确，中心连贯，干扰信息少的可能 性或许会更大。所以要考察主题词在语料中分布的均匀度，就需要计算每组 偏离这个平均值的情况，这个计算过程也等效于标准差的计算。标准差(用 S来表示)是各数据偏离平均数的距离的平均数。标准差能反映一个数据集 的离散程度。平均数相同的，标准差未必相同。标准差，用数学式表达如下：

$S=\sqrt{\frac{\underset{i=1}{\overset{n}{\Sigma }}{(X_i-\bar{X})}^2}{N}}$

不过仍不能以此来评价主题词均匀分布情况，因为以两个标准差均为1 举例，标准差虽然相同，但是从来看，一组为10，另一组1，其主题词分 布波动差异为10％和100％，所以即使标准差相同，但是主题词分布的均匀 性却依然会存在差别很大的可能。因此，我们用标准差与其平均值规一化后， 才能更合理的体现主题词的分布情况(用S′来表示)，用数学式表达如下：

$S^{\prime }=\frac{S}{\bar{X}}$

可是每篇口头作文的长度都不相同，文章越长，想保持主题词分布的均 匀性就越难，相反文章越短就越容易保持主题词分布的均匀性。因此，我们 有必要对口头作文较长的文章进行补偿，而对较短的文章则引入惩罚因子 (用F来表示)，用数学式表达如下：

$F=\frac{1}{N}$

即当S′一致时，要使文章短的S′变得更大。最终，获得均匀分布参数(用 S″来表示)，用数学式表达如下：

$S^{\prime \prime }=S^{\prime }F=S^{\prime }\frac{1}{N}=\frac{S}{\bar{X}}\frac{1}{N}=\frac{S}{\underset{i=1}{\overset{N}{\Sigma }}{x}_i}=\frac{\sqrt{\frac{\underset{i=1}{\overset{n}{\Sigma }}{(X_i-\bar{X})}^2}{N}}}{\underset{i=1}{\overset{N}{\Sigma }}{x}_i}$

经过多次推导，最终认定S″可以较为客观全面地体现口头作文中主题词 均匀分布的情况，且S″值越小则主题词在语料中分布的就越均匀，反之如果 该值越大则分布情况就越不均匀。在口头作文训练中，不乏有词量较大或是 流畅度高的学生，但是其口头作文却不能围绕主题展开，东拉西扯，没有条 理，想到哪说哪。这样的口头作文即使语料再丰富，语言再流畅，也不能算 是高质量的口头作文。而均匀分布参数就很好地弥补了前两个方法在研究学 生个体差异方面的不足。

在上述实例中，所述的三种数值中，词条总数一般是越多越好，而中断 比例参数和均匀分布参数则是越小越好，且各自数量单位也不相同。为了方 便观察这三种数据以及相互关系，我们将所有数值规划为越大越好。这就需 要将后两种数值分别除1，即获得中断比例参数和均匀分布参数的倒数。但 是这样依然无法统一单位，不方便我们后面的分析，所以我们想进一步将三 种数据分别以最高分进行规划，且把最高分规划为1，而其他数据统一在0-1 之间，具体换算过程是分别筛选出这三种数据中的最大值，再将每组数据各 自除以其最大值，即可以分别获得“归一化”后的词条统计参数，中断比例 参数，均匀分布参数。

在上述实例中，学生的口头作文采取百分制，对所述的三参数赋予相应 的权重值，其中本发明规定：词条统计在得分中所占比重是30％；中断比例 分析在得分中所占比重是30％；均匀参数分析在得分中所占比重是40％，本 发明规定的待评分作文机器得分计算公式如下：

综合得分＝100*(权重₁*词条统计参数+权重₂*中断比例参数+权重₃*均匀分布参数)

其中：权重1＝30％，权重2＝30％，权重3＝40％。

下面以随机抽取的语料一为例，呈现三种参数对语料进行处理的过程。

语料一如下：

我讲的是《名人传》中的贝多芬和米开朗基罗。贝多芬是一个伟大的音 乐家，在他的，他有一个艰辛的童年，在他的童年，他随着母亲的离世和他 有一个不良的父亲，年幼的他必须承担起家庭的重任。在外挣钱，然后他就 移居到了维也纳，那儿他结识到了他的一个知己叫做韦格勒，后来他又遇到 了雇佣军队，他感受到了强烈的爱国主义情怀，从而他创造了《行军曲》和 《我们是伟大的，我们是伟大的德意民族》。嗯，贝多芬，贝多芬，贝多芬 狂野的外表下藏着一个悲天悯人的心，随着他两次爱情的失败，他也变的暴 戾狂躁，不修边幅，但这样的他仍创作了《第九交响曲》和贝多芬的《欢乐 颂》等传世的音乐佳作。米开朗基罗是一个优秀的雕刻家和画家，他的佳作 大卫等，但是他最后一个作品是《基督的十字架》，我讲完了。

1.词条总数

我们将语料一输入相应软件中，得到词条总数分别为103后，删除计算 机对标点、数字和英文等方面的统计，最终得到总词条数为99。

2.中断比例参数

首先在相应软件中选择“词频统计”，得到语料一的词频表如下：

表1-1  语料一的词频表

接着我们从词频表中选择出有代表性的表示语流中断的字、词，如“嗯”、“然 后”等，并记录次数。在语料一中，“嗯”为1次，“然后”为1次。但是为了更 准确地统计出真实中断情况，我们还要联系上下文，对这类词进行的判断。在本 语料中，“然后”出现在这样的语境中“在外挣钱，然后他就移居到了维也纳。” 此处的“然后”可以理解为是承接关系，而不能当作表中断时的口头语，所以不 能统计在中断次数里。而该语料中的“嗯”，结合语境“嗯，贝多芬，贝多芬， 贝多芬狂野的外表下藏着一个悲天悯人的心。”我们看到此处既有无意义的语句 重复1次，也有“嗯”的中断1次，所以可以判断此处有2次的语流中断。

但这依然会存在较大的误差，因为人工转写无法将部分学生的长时间无语言 的中断体现出来，而这种长时间无语言的停顿也恰恰是语流中断的一种，所以还 应再次回到录音材料中，我们发现在语料一中“他有一个艰辛的童年，在他的童 年，他随着母亲的离世和他有一个不良的父亲，年幼的他必须承担起家庭的重任。” 该句中，有2次较长时间的中断，于是将此处也判断为中断2次。最终经过多次 分析统计，测算出语料一的中断总次数为4次，分别是重复1次、嗯1次、长时 间中断2次。

上文中我们提到将每一个语料的中断总次数放在固定字数的语料中，进行比 较，可以更直观的看到语流方面的个体差异，所以我们设置了一个比例关系，即 用每一个语料中断的总次数，除以其该语料的总字数，得到的中断比例关系越低 则语流就越流畅，语言质量就越高。在语料一中，中断总次数为4，总字数为324， 中断比例为1.2％。

3.均匀分布参数

以语料一为例，从词频表中我们筛选出名词里词频数最高，同时也是相同频 数时，计算机统计排序里随机出现的第一个名词。在语料一中，分别是“贝多芬” 和“兵”。

接着以固定字数对原始语料进行分组，并按一个人讲话的前后时间顺序进行 统计，测算出每一组中出现主题词的次数。语料一的主题词总个数分别为6，其 主题词的分布个数情况分别是2、0、0、0、0、3、1、0、0。下面我们将利用 EXCLE软件进一步测算其标准差，语料一的标准差是1.118。继而我们引入均匀 分布参数(用S″来表示)，用数学式表达如下：

$S^{\prime \prime }=\frac{\sqrt{\frac{\underset{i=1}{\overset{n}{\Sigma }}{(X_i-\bar{X})}^2}{N}}}{\underset{i=1}{\overset{N}{\Sigma }}{x}_i}$

最终，我们测算出语料一的均匀分布参数是0.1863。

根据所述的具体的“三参数”实施方法，我们对同一主题下23个学生的语料 样本进行数据分析，得到以下数据：

表1-2  语料样本集“三参数“统测结果汇总表

我们知道三种数值中，词条总数一般是越多越好，而中断比例参数和均匀分 布参数则是越小越好，且各自数量单位也不相同。为了方便观察这三种数据以及 相互关系，我们将所有数值规划为越大越好。这就需要将后两种数值分别除1， 即获得中断比例参数和均匀分布参数的倒数。但是这样依然无法统一单位，不方 便我们后面的分析，所以我们想进一步将三种数据分别以最高分进行规划，且把 最高分规划为1，而其他数据统一在0-1之间，具体换算过程是分别筛选出这三 种数据中的最大值，再将每组数据各自除以其最大值。经过以上规划统一后，我 们得到以下数据：

表1-3  主题一的“三参数”归一化汇总表

分别三参数赋予相应的权重值，其中我们选取本发明的优选方案：词条统计 在得分中所占比重是30％；中断比例分析在得分中所占比重是30％；均匀参数 分析在得分中所占比重是40％，就可以得出这个班所有学生的综合得分。对所有 人机器得分进行排序，按照本发明的设定也可得出相应的等级情况。如下表所示：

表1-4  主题一的学生样本得分表

本技术领域技术人员可以理解的是，本发明可以涉及用于执行本申请中 所述操作中的一项或多项操作的设备。所述设备可以为所需的目的而专门设 计和制造，或者也可以包括通用计算机中的已知设备，所述通用计算机有存 储在其内的程序选择性地激活或重构。这样的计算机程序可以被存储在设备 (例如，计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总 线的任何类型的介质中，所述计算机可读介质包括但不限于任何类型的盘 (包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、随机存储器(RAM)、 只读存储器(ROM)、电可编程ROM、电可擦ROM(EPROM)、电可擦 除可编程ROM(EEPROM)、闪存、磁性卡片或光线卡片。可读介质包括 用于以由设备(例如，计算机)可读的形式存储或传输信息的任何机构。例 如，可读介质包括随机存储器(RAM)、只读存储器(ROM)、磁盘存储 介质、光学存储介质、闪存装置、以电的、光的、声的或其他的形式传播的 信号(例如载波、红外信号、数字信号)等。

本技术领域技术人员可以理解的是，可以用计算机程序指令来实现这些 结构图和/或框图和/或流图中的每个框以及这些结构图和/或框图和/或流图 中的框的组合。可以将这些计算机程序指令提供给通用计算机、专业计算机 或其他可编程数据处理方法的处理器来生成机器，从而通过计算机或其他可 编程数据处理方法的处理器来执行的指令创建了用于实现结构图和/或框图 和/或流图的框或多个框中指定的方法。

本技术领域技术人员可以理解的是，本发明中已经讨论过的各种操作、 方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步 地，具有本发明中已经讨论过的各种操作、方法、流程中的其他步骤、措施、 方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术 中的具有与本发明中公开的各种操作、方法、流程中的步骤、措施、方案也 可以被交替、更改、重排、分解、组合或删除。

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普 通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润 饰，这些改进和润饰也应视为本发明的保护范围。