基于新颖图建模的对话测试自动发言评估

对话测试中的自动发言评估(ASAC)旨在评估二语(第二语言)说话者在与一或多名考生进行交互的情境下的整体说话水平。尽管先前的ASAC方法在各自数据集上显示出有前景的性能，但仍缺乏专门关注将对话逻辑流连贯性纳入评分模型的研究。为此，我们提出了一种分层图模型，恰当地融合了广泛的跨响应互动（例如话语关系）和细微的语义信息（例如语义词汇和说话者意图），并与情境信息融合以进行最终预测。大量在NICT-JLE基准数据集上的实验结果表明，与某些强大基线方法相比，我们提出的建模方法可在各种评估指标上显著提高预测准确度。这也为探讨ASAC中语音响应连贯性相关方面具有重要意义。