[发明专利]一种关于英语阅读理解测试疑问式简答题的自动化命题方法

说明书

技术领域

本发明属于语言自动化测试技术领域，具体涉及一种关于英语阅读理解测试疑问式简答题的自动化命题方法。

背景技术

计算机化是现代教育测试的重要发展方向。目前语言测试在施测环节已能够实现计算机自适应测试，在评分环节能够实现主观题机器自动评分，然而在命题环节，自动化水平依然很低，命题者基本仅在文字编辑和词典查询方面获取计算机的辅助。

语言测试命题环节的计算机化具有迫切性。在标准化阅读理解测试开发中，人工命题的成本很高，效率却比较低。命题者需接受专业培训，还要经历繁杂的命题环节，包括改编文章、寻找考点、编写和研磨题目，以及试测题目。即使是经验丰富的命题者，也无法准确预知题目质量，试测后只有部分题目得以采用，这些问题导致大规模题库难以建立，进而阻碍了计算机自适应阅读理解测试的发展。

关于阅读理解测试自动化命题的研究较少。Ruslan Mitkov和Le An Ha在标题为Computer-aided generation of multiple-choice tests（Proceedings of the2003Human Language Technology Conference of the North American Chapter of the Association for Computational Linguistics Workshop on Building Educational Applications Using Natural Language Processing，2003,17-22）的文献中提出基于浅层句法分析识别短语，根据语料库词频和WordNet构造干扰项生成多项选择题的命题方法。其研究表明，与直接命题相比，命题者在计算机所生成题目的基础上修改时效率可提高十多倍，且最终编写出来的题目质量更高。然而，该研究中计算机产生的问题类型有限，提问对象只限于名词，疑问词只限于which和what。

Jack Mostow和Wei Chen在标题为Generating instruction automatically for the reading strategy of self-questioning（Proceedings of the2009Conference on Artificial Intelligence in Education:Building Learning Systems that Care:From Knowledge Representation to Affective Modeling，2009，465-472）的文献中提出基于情境模型和题目模板产生简答题的方法，该方法只能针对具有人物情节的语篇命题，提问对象的范围限于人物心理状态。

Michael Heilman和Smith Noah在标题为Good question!Statistical ranking for question generation（Human Language Technologies:The2010Annual Conference of the North American Chapter of the Association for Computational Linguistics，2010，609-617）的文献中提出基于短语结构生成问句的方法。该方法没有考虑句子成分间的语义关系，且只依据特定词语这种表层信息决定疑问词，准确度不够高。

PrashanthMannem,RashmiPrasad和AravindJoshi在题目为Question generation from paragraphs at UPenn:QGSTEC system div（Proceedings of Question Generation2010，2010，84-91）的文献中提出基于语义角色生成问句的方法。该方法虽然考虑了语义关系，由于采用针对专有名词的命名实体识别方法区分词汇范畴，无法把普通名词作为提问对象。

Xuchen Yao，GosseBouma和Yi Zhang在题目为Semantics-based question generation and implementation（Dialogue&Discourse，2012,11-42）的文献中提出基于最小递归语义理论生成问句的方法，该方法利用了深层语义结构，可生成质量较高的问句，但是该方法计算量大，效率较低。