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
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。
生物通微信公众号
生物通新浪微博
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