面向语言熟练度评估的可解释模型：预测爱沙兰学习者文本的CEFR水平
计算与语言
2026-03-10 v2
摘要
使用NLP分析真实学习语言有助于构建自动化评估和反馈工具，也为第二语言生产的开发提供新的广泛见解。然而，缺乏明确将这些方面结合起来的研究。本研究旨在对爱沙兰熟练度考试作文（A2-C1水平）进行分类，假设仔细的特征选择可导致更具可解释性和可泛化的机器学习模型用于语言测试。分析了训练数据的各种语言属性，以识别与增加复杂度和正确性相关的相关熟练度预测器，而非写作任务本身。使用了词汇、形态学、表面和错误特征来训练分类模型，并与也允许其他特征的模型进行比较。预先选择的特征在保持类似的测试准确率的同时，减少了不同文本类型分类的变异。最佳分类器准确率约为0.9。对早期考试样本的额外评估显示，作文在7-10年间变得更复杂，而某些特征集的准确率仍达到0.8。结果已在爱沙兰开源语言学习环境的写作评估模块中实现。
引用
@article{arxiv.2602.13102,
title = {Towards interpretable models for language proficiency assessment: Predicting the CEFR level of Estonian learner texts},
author = {Kais Allkivi},
journal= {arXiv preprint arXiv:2602.13102},
year = {2026}
}