論文の概要: Interpretability for Language Learners Using Example-Based Grammatical Error Correction

• arxiv url: http://arxiv.org/abs/2203.07085v1
• Date: Mon, 14 Mar 2022 13:15:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-16 00:31:37.089068
• Title: Interpretability for Language Learners Using Example-Based Grammatical Error Correction
• Title（参考訳）: 例に基づく文法的誤り訂正を用いた言語学習者の解釈可能性
• Authors: Masahiro Kaneko, Sho Takase, Ayana Niwa, Naoaki Okazaki
• Abstract要約: 本稿では,言語学習者に対して,修正結果のベースとしてサンプルを提示する例ベースGEC(EB-GEC)を提案する。 実験により、EB-GECが提示した例は、言語学習者がGEC出力からの提案を受け入れたり拒否したりするのに役立つことが示された。
• 参考スコア（独自算出の注目度）: 27.850970793739933
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Grammatical Error Correction (GEC) should not focus only on high accuracy of corrections but also on interpretability for language learning. However, existing neural-based GEC models mainly aim at improving accuracy, and their interpretability has not been explored. A promising approach for improving interpretability is an example-based method, which uses similar retrieved examples to generate corrections. In addition, examples are beneficial in language learning, helping learners understand the basis of grammatically incorrect/correct texts and improve their confidence in writing. Therefore, we hypothesize that incorporating an example-based method into GEC can improve interpretability as well as support language learners. In this study, we introduce an Example-Based GEC (EB-GEC) that presents examples to language learners as a basis for a correction result. The examples consist of pairs of correct and incorrect sentences similar to a given input and its predicted correction. Experiments demonstrate that the examples presented by EB-GEC help language learners decide to accept or refuse suggestions from the GEC output. Furthermore, the experiments also show that retrieved examples improve the accuracy of corrections.
• Abstract（参考訳）: 文法的誤り訂正(GEC)は,高精度な訂正だけでなく,言語学習の解釈可能性にも注目すべきである。 しかし、既存のニューラルベースGECモデルは、主に精度の向上を目的としており、その解釈可能性については検討されていない。 解釈性を改善するための有望なアプローチは、類似した検索された例を使って修正を生成するサンプルベース手法である。 さらに、サンプルは言語学習において有益であり、文法的に誤り/誤りのテキストの基礎を理解し、文章の信頼性を向上させる。 そこで我々は,例ベースの手法をGECに組み込むことで,言語学習者を支援するだけでなく,解釈可能性を向上させることができると仮定する。 本研究では,言語学習者に対して,修正結果の基盤としてサンプルを提示する例ベースECC(EB-GEC)を提案する。 例としては、与えられた入力と予測された訂正に似た、正しい文と間違った文のペアがある。 実験により、EB-GECが提示した例は、言語学習者がGEC出力からの提案を受け入れたり拒否したりするのに役立つことが示された。 さらに,検索した例によって補正精度が向上することを示した。

関連論文リスト

• XCB: an effective contextual biasing approach to bias cross-lingual phrases in speech recognition [9.03519622415822]
  本研究では,言語間コンテキストバイアス(XCB)モジュールを提案する。 我々は、補助言語バイアスモジュールと言語固有の損失を統合することで、支配言語のための事前訓練されたASRモデルを強化する。 社内のコードスイッチングデータセットで行った実験結果から,本手法の有効性が検証された。
  論文  参考訳（メタデータ） (2024-08-20T04:00:19Z)
• EXCGEC: A Benchmark of Edit-wise Explainable Chinese Grammatical Error Correction [21.869368698234247]
  本稿では,修正作業と説明作業の一体的な役割に着目したExplainable GEC(EXGEC)の課題を紹介する。 提案するEXCGECは,8,216個の説明増補サンプルからなる中国語EXGECの適合ベンチマークである。
  論文  参考訳（メタデータ） (2024-07-01T03:06:41Z)
• Grammatical Error Correction via Mixed-Grained Weighted Training [68.94921674855621]
  文法的誤り訂正(英: Grammatical Error Correction, GEC)は、自然文における文法的誤りを自動的に補正することを目的としている。 MainGECは、データアノテーションの正確性と潜在的な多様性の固有の相違に基づいて、トークンレベルおよび文レベルトレーニングウェイトを設計する。
  論文  参考訳（メタデータ） (2023-11-23T08:34:37Z)
• Controlled Generation with Prompt Insertion for Natural Language Explanations in Grammatical Error Correction [50.66922361766939]
  ユーザの修正理由の理解を確保することが不可欠である。 既存の研究では、修正の根拠となるトークン、例、ヒントが提示されているが、修正の理由を直接説明していない。 GEC修正のための説明を生成するには、入力トークンと出力トークンの整列、修正ポイントの識別、およびそれに対応する説明を一貫して提示することが含まれる。 本研究では,LLMが自然言語の修正の理由を説明するために,Prompt Insertion (PI) を用いた制御生成法を提案する。
  論文  参考訳（メタデータ） (2023-09-20T16:14:10Z)
• Chinese Spelling Correction as Rephrasing Language Model [63.65217759957206]
  文中のスペル誤りを検知し,訂正することを目的とした中国語スペル補正(CSC)について検討する。 現在の最先端の手法は、CSCをシーケンスタギングタスクと文対上の細いBERTベースのモデルとみなしている。 本稿では,文字から文字へのタグ付けではなく,追加のスロットを埋め込むことで文全体を言い換える言語モデル(ReLM)を提案する。
  論文  参考訳（メタデータ） (2023-08-17T06:04:28Z)
• Enhancing Grammatical Error Correction Systems with Explanations [45.69642286275681]
  文法的誤り訂正システムは、言語誤りを検出し、修正することで、文字によるコミュニケーションを改善する。 本稿では,エビデンスワードと文法的誤り型を付加したデータセットEXPECTを紹介する。 人間の評価により,GECシステムの説明は,訂正提案を受理するか否かを判断する第2言語学習者を支援することができる。
  論文  参考訳（メタデータ） (2023-05-25T03:00:49Z)
• Improving Few-Shot Performance of Language Models via Nearest Neighbor Calibration [12.334422701057674]
  In-context Learning のための近辺校正フレームワークを提案する。 インコンテキスト学習パラダイムは、トレーニングインスタンスを推論する際に誤ったラベルを生成するという現象にインスパイアされている。 テキスト分類タスクの多種多様な実験により,本手法はテキスト内学習を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2022-12-05T12:49:41Z)
• A Syntax-Guided Grammatical Error Correction Model with Dependency Tree Correction [83.14159143179269]
  文法的誤り訂正(英: Grammatical Error Correction, GEC)は、文中の文法的誤りを検出し、訂正するタスクである。 本稿では,依存木の構文知識を利用するためのグラフアテンション機構を採用した構文誘導型GECモデル(SG-GEC)を提案する。 我々は、GECタスクの公開ベンチマークでモデルを評価し、競争結果を得る。
  論文  参考訳（メタデータ） (2021-11-05T07:07:48Z)
• Neural Quality Estimation with Multiple Hypotheses for Grammatical Error Correction [98.31440090585376]
  文法的誤り訂正(GEC)は、誤りの訂正と言語学習者の書き方の改善を支援することを目的としている。 既存のGECモデルは、激しい修正や多くのエラーの検出に失敗する傾向があります。 本稿では,複数の仮説を用いたGEC品質評価のためのニューラル検証ネットワーク(VERNet)を提案する。
  論文  参考訳（メタデータ） (2021-05-10T15:04:25Z)
• On the Robustness of Language Encoders against Grammatical Errors [66.05648604987479]
  我々は、非ネイティブ話者から実際の文法的誤りを収集し、これらの誤りをクリーンテキストデータ上でシミュレートするために敵攻撃を行う。 結果,全ての試験モデルの性能は影響するが,影響の程度は異なることがわかった。
  論文  参考訳（メタデータ） (2020-05-12T11:01:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。