HSKBenchmark：通过课程调谐构建大型语言模型中文第二语言习得的基准

语言习得是揭示人类语言智能本质且最近成为提高大型语言模型（LLM）可解释性的有前景视角。然而，控制人类学习者输入的实验在伦理和实际操作上不可行，这给语言习得建模的可验证性和可扩展性带来了挑战，尤其是中文第二语言习得（SLA）。虽然LLM提供了可控且可重复的替代方案，但尚缺乏支持阶段性建模和评估的系统基准。本文提出HSKBenchmark，作为LLM在中文SLA中进行阶段性建模和写作评估的第一个基准。其覆盖HSK 3至6级，包含676万字的真实教材、1.6万个人工合成指令样本、30个测试主题以及以语言学为基础的评估体系。为模拟人类学习轨迹，我们引入课程调谐框架，从初级到高级水平训练模型。创建一个评估体系来检查基于水平的语法覆盖、写作错误、词汇和句法复杂度以及整体评分。我们还构建HSKAgent，在1万个学习者作品上进行微调。大量实验结果表明，HSKBenchmark不仅有效建模了中文SLA，而且作为LLM动态写作评估的可靠基准。我们的微调LLM在写作性能上与高级人类学习者持平，并表现出人类习得特征。HSKBenchmark、HSKAgent及其检查点作为基础工具和资源，为未来研究在语言习得建模和LLM可解释性方面铺平了道路。代码和数据公开于https://github.com/CharlesYang030/HSKB。