一种用于写作评估的双模型框架:基于横截面数据的解释性机器学习分析方法,用于研究语言特征

《Data》:A Dual-Model Framework for Writing Assessment: A Cross-Sectional Interpretive Machine Learning Analysis of Linguistic Features

【字体: 大 中 小 】 时间:2025年12月25日 来源:Data 2

编辑推荐:

   摘要 构建性回答(const

  

摘要

构建性回答(constructed-response items)为评估写作能力提供了丰富的证据,但这些回答中所包含的语言特征会随着年级的不同而有所变化。本研究对6至12年级的5638篇英语语言艺术论文进行了横断面分析,旨在确定哪些语言特征能够预测写作能力,并探讨这些特征的重要性如何随年级变化。我们提取了一系列词汇、句法和语义连贯性方面的特征,并使用结合了LASSO和XGBoost算法的解释性双模型框架来评估它们的预测能力。特征的重要性通过LASSO系数、XGBoost增益分数(Gain scores)和SHAP值进行评估,并通过分析这三个指标的一致性和差异来进行解读。结果显示,在6至8年级,这些特征具有中等程度的普遍预测能力;而在9至12年级,未发现具有普遍预测能力的特征。在中间几个年级中,有三个发现获得了高度共识:文章长度、句法密度和整体语义组织是写作能力的强预测因子。词汇多样性是一个关键的不同特征——它在XGBoost模型中是重要的预测因子,但在LASSO模型中被忽略,这表明其作用可能依赖于与其他特征的交互作用。这些发现为提供针对不同年级的、可操作的反馈提供了依据,突出了中学阶段稳定的、具有诊断意义的评估目标,同时也提醒我们,要模拟高中阶段的写作表现,还需要考虑话语层面的特征。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号