用于自动可读性评估的零样本大型语言模型
计算与语言
2026-04-28 v1
摘要
无监督自动可读性评估（ARA）方法具有重要的实际应用和研究价值（例如，确保医疗或教育材料适合其目标受众）。在本文中，我们提出了一种新的零样本提示方法用于 ARA，并通过对 14 个多样化数据集（例如，不同的文本长度和语言）测试 10 个多样化的开源 LLM（例如，不同的规模和开发者），首次全面评估了将大型语言模型（LLM）作为一种无监督 ARA 方法的表现。我们的研究结果表明，我们提出的提示方法在 14 个数据集中的 13 个上优于先前的方法。此外，我们提出了 LAURAE，它结合了 LLM 和可读性公式分数，通过捕获可读性的上下文和浅层（例如，句子长度）特征来提高鲁棒性。我们的评估表明，LAURAE 在不同语言、文本长度和技术语言数量上均稳健地优于先前的方法。
引用
@article{arxiv.2604.24470,
title = {Zero-shot Large Language Models for Automatic Readability Assessment},
author = {Riley Grossman and Yi Chen},
journal= {arXiv preprint arXiv:2604.24470},
year = {2026}
}
备注
Accepted to ACL 2026 (Main Conference)