超越检测：自动化 dyslexic 错误归因的伦理基础

矢盾发音和正字法模式的拼写错误区别于通常发展者所产生的错误。虽然这一观察激励了矫正失语者拼写和辅助写作工具，但此前的工作主要关注纠错而非归因，且基本忽视了伦理风险。自动化对学习者进行分类所涉及的标签化、隐蔽筛查、算法偏见以及制度滥用风险，需要为该领域的研究制定健全的伦理和法律框架。本文同时解决了这两个空白。我们将失语者错误归因建模为二元分类任务。给定一个拼写错误及其正确目标形式，确定该错误模式是否特征于失语者或非失语者作家。我们构建了完整的特征集，捕捉每个错误的正字、发音和形态属性，并提出了双输入神经模型，在作者独立条件下评估于传统机器学习基准。神经模型达到 93.01% 的准确率和 94.01% 的 F1 分数，音系上合理的错误和元音混淆成为最强的归因信号。我们将这些技术结果置于明确的以伦理为先的框架内，分析了公平性、教育部署中的可解释性要求，以及系统在何种条件下才能负责任地使用——包括同意、透明度、人类监督和救济。我们提供了伦理部署的具体指南，并就系统局限性和滥用潜力进行开放讨论。我们的结果表明，失语者错误归因在高准确率下是可行的，但也强调了可行性本身对于在高风险教育情境中部署是不够的。