arXiv cs.CL· Eugene Matsumura, Yuki Arase·· 10 小时前AI 评分24
跨语言与多文本粒度的 CEFR 等级评估新方法
CEFR Level Assessment across Languages and Text Granularities
AI 导读
研究者提出一种统一训练目标，将 focal loss 与监督对比学习结合，用于文本 CEFR 等级自动评估，以缓解等级分布不均衡和相邻等级边界模糊的问题。该方法在句子级和文档级、单语与多语设置下均持续优于强基线，并在多个 CEFR 评估基准上取得新的 SOTA 表现。
正文 · AI 翻译
摘要：文本 CEFR 等级的自动评估是教育自然语言处理中的一项重要任务。然而，由于 CEFR 等级分布天然不均衡，且相邻等级之间边界模糊，准确的 CEFR 等级预测仍具挑战性。为应对这些挑战，我们提出一种统一的训练目标，将焦点损失与监督对比学习相结合。焦点损失通过强调代表性不足和困难的样本来缓解类别不平衡，而监督对比学习通过促进类内紧凑性和类间分离来学习更具判别性的表示。我们在单语和多语环境下，对句子级和文档级的 CEFR 评估进行了实验。实验结果表明，我们的方法在所有设置下均持续优于强基线，在多个 CEFR 评估基准上建立了新的最先进性能。
| 评论： | 8 页，2 幅图，5 张表 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.41553 [cs.CL] |
| （或 arXiv:2610.41553v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.41553 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Eugene Matsumura [查看电子邮件]
[v1]
2026 年 10 月 30 日星期五 10:50:38 UTC（363 KB）
来源：arXiv cs.CL · arxiv.org