用于大规模测量印度阅读水平的数据集

印度每四个儿童中就有一个在离开八年级时仍不具备基本阅读技能。在印度这样幅员辽阔的国家测量阅读水平存在重大障碍。机器学习的最新进展为自动化该任务提供了可能。然而，儿童语音数据集不仅稀少，而且主要为英文。为解决这一评估问题并推进印度区域语言的深度学习研究，我们提出了6-14岁年龄组儿童的ASER数据集。该数据集包含5301名受试者生成的81330条印地语、马拉地语和英语标注音频片段。这些标签代表专家对儿童在指定水平阅读能力的判断。利用该数据集，我们构建了一个简单的基于ASR的分类器。早期结果表明，对英语可实现86%的预测准确率。考虑到ASER调查覆盖五十万名受试者，该数据集可扩展至此类规模。