基于去相关化的低秩矩阵分解对口语能力的评估方法

林思岑

(西安医学院 外国语学院, 陕西 西安 710021)

0 引言

近年来，计算机辅助语言学习(Computer Aided Language Learning，CALL)作为一种提高非母语学外语口语能力的方法受到了广泛的关注。为了使CALL系统提供有用的辅导反馈，需要一个自动匹配的评分系统来评估非母语学生的发音质量、流利性和特定错误。

流利度评分系统一般由语音自动识别、流利度特征提取和评分模型组成。在流利性特征提取中，假设与外语口语流利性高度相关的特征被计算出来[1-3]。例如，长静默时间、每秒字数和交流持续时间是最常见的流利性特征[4]。评分模型是训练模型参数，将输入的流利性特征映射到相应的真实得分，然后用于预测输入话语得分的分类器。评分模型最常用的算法是线性回归[2]、支持向量机(SVM)[5-6]或高斯过程[7]。

分数建模是一个一般的有监督学习问题。因此，为了使模型得到可靠的训练，必须提供正确的真实分数作为目标输入。然而，要从人工评分的分数中获得正确的基本事实分数并非易事，因为这些分数包括由于人工评分的主观偏见造成的变异性。例如，每个人工评分可能会给相同的话语分配不同的分数。接着，通过消除人工评分的主观偏见来估计基本真实分数。最常用的方法是平均法，它通过平均有偏的分数来估计基本真实分数[8]；另一种是投票法，它基于多数人的意见[9]。

尽管平均和投票在实践中得到了成功的应用，但考虑到人工评分的偏见和评分模型度量，比如皮尔逊的相关性，关于它们是否能产生可靠的基本真实分数的问题仍然存在。……