Fugu-MT 論文翻訳(概要): AGReE: A system for generating Automated Grammar Reading Exercises

論文の概要: AGReE: A system for generating Automated Grammar Reading Exercises

arxiv url: http://arxiv.org/abs/2210.16302v1
Date: Fri, 28 Oct 2022 17:58:04 GMT
ステータス: 処理完了
システム内更新日: 2022-10-31 16:16:56.332683
Title: AGReE: A system for generating Automated Grammar Reading Exercises
Title（参考訳）: AGReE:自動文法読解運動生成システム
Authors: Sophia Chan, Swapna Somasundaran, Debanjan Ghosh, Mengxuan Zhao
Abstract要約: 本稿では,ユーザが提出したパスを入力として取り出し,文法演習を自動生成するAGReEシステムについて述べる。多様な文法構造に対して、複数選択の練習項目を生成する。
参考スコア（独自算出の注目度）: 5.859294565508524
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We describe the AGReE system, which takes user-submitted passages as input and automatically generates grammar practice exercises that can be completed while reading. Multiple-choice practice items are generated for a variety of different grammar constructs: punctuation, articles, conjunctions, pronouns, prepositions, verbs, and nouns. We also conducted a large-scale human evaluation with around 4,500 multiple-choice practice items. We notice for 95% of items, a majority of raters out of five were able to identify the correct answer and for 85% of cases, raters agree that there is only one correct answer among the choices. Finally, the error analysis shows that raters made the most mistakes for punctuation and conjunctions.
Abstract（参考訳）: 本稿では,利用者が入力した節を入力とし,読みながら完結できる文法練習を自動生成する「合意システム」について述べる。多段練習項目は、句読点、記事、副詞、代名詞、前置詞、動詞、名詞など、様々な文法構成要素に対して生成される。また,約4,500個のマルチチョイス練習項目を用いた大規模人体評価を行った。 95%の項目に気付き、5人に1人が正しい答えを特定でき、85%のケースでは、選択の中に正しい答えが1つしかないことに同意する。最後に,誤り分析の結果から,句読点と連接点の誤りが最も多いことがわかった。

関連論文リスト

Bangla Grammatical Error Detection Leveraging Transformer-based Token Classification [0.0]
世界で7番目に話されている言語であるバングラ語における自動文法チェッカーの開発について検討する。本手法では,トークン分類問題としてタスクを分割し,最先端のトランスフォーマーモデルを活用する。本システムは,様々な情報源から得られた25,000以上のテキストからなるデータセットを用いて評価する。
論文参考訳（メタデータ） (2024-11-13T05:22:45Z)
Automated Essay Scoring Using Grammatical Variety and Errors with Multi-Task Learning and Item Response Theory [14.855652150434416]
AESモデルの入力には,著者がエッセイで正しく用いた文法項目と文法誤差の2種類の文法特徴を用いる。実験結果から,エッセイの総合的なスコアを予測するAESモデルの性能は,文法的特徴により向上することが示された。
論文参考訳（メタデータ） (2024-06-13T05:19:51Z)
Automated Generation of Multiple-Choice Cloze Questions for Assessing English Vocabulary Using GPT-turbo 3.5 [5.525336037820985]
大規模言語モデル(LLM)を用いた複数質問の自動生成手法の評価を行った。 VocaTTエンジンはPythonで記述されており、ターゲット単語リストの事前処理、文と候補単語オプションの生成、最後に適切な単語オプションの選択という3つの基本的なステップで構成されている。その結果、文が75%、単語が66.85%であることがわかった。
論文参考訳（メタデータ） (2024-03-04T14:24:47Z)
Understanding and Mitigating Classification Errors Through Interpretable Token Patterns [58.91023283103762]
容易に解釈可能な用語でエラーを特徴付けることは、分類器が体系的なエラーを起こす傾向にあるかどうかを洞察する。正しい予測と誤予測を区別するトークンのパターンを発見することを提案する。提案手法であるPremiseが実際によく動作することを示す。
論文参考訳（メタデータ） (2023-11-18T00:24:26Z)
GEE! Grammar Error Explanation with Large Language Models [64.16199533560017]
本稿では,文法的誤りを1対の誤り文と訂正文に1文で説明する必要がある文法的誤り説明の課題を提案する。文法的誤り説明における GPT-4 の能力を解析し, ワンショットプロンプトを用いた60.2% の誤り説明しか生成しないことを確認した。我々は、構造化されたアトミックトークンの編集を行うために、微調整された大規模言語モデルを活用する2段階のパイプラインを開発した。
論文参考訳（メタデータ） (2023-11-16T02:45:47Z)
TEMPERA: Test-Time Prompting via Reinforcement Learning [57.48657629588436]
強化学習(TEMPERA)を用いたテスト時間プロンプト編集を提案する。従来のプロンプト生成手法とは対照的に、TEMPERAは事前知識を効率的に活用することができる。本手法は従来の微調整法と比較して試料効率の平均改善率を5.33倍に向上させる。
論文参考訳（メタデータ） (2022-11-21T22:38:20Z)
Improving the Efficiency of Grammatical Error Correction with Erroneous Span Detection and Correction [106.63733511672721]
ESD(Eroneous Span Detection)とESC(Eroneous Span Correction)の2つのサブタスクに分割することで、文法的誤り訂正(GEC)の効率を改善するための言語に依存しない新しいアプローチを提案する。 ESDは、効率的なシーケンスタグ付けモデルを用いて文法的に誤りテキストスパンを識別する。ESCは、Seq2seqモデルを利用して、注釈付き誤字スパンの文を入力として取り、これらのスパンの修正テキストのみを出力する。実験の結果,提案手法は英語と中国語のGECベンチマークにおいて従来のセク2seq手法と同等に動作し,推論に要するコストは50%以下であった。
論文参考訳（メタデータ） (2020-10-07T08:29:11Z)
Unsupervised Parsing via Constituency Tests [49.42244463346612]
本稿では,選挙区検定の言語的概念に基づく教師なし解析手法を提案する。文を与えられた木を生成するために,各木をその選挙区試験判定値の集計によりスコアし,最大スコアの2進木を選択する。洗練されたモデルはPenn Treebankテストセット上で62.8 F1を達成する。
論文参考訳（メタデータ） (2020-10-07T04:05:01Z)
Adversarial Grammatical Error Correction [2.132096006921048]
本稿では,ジェネレータ・ディスクリミネータ・フレームワークを用いた文法誤り訂正(GEC)に対する逆学習手法を提案する。我々は、識別器とジェネレータの両方を並列テキストで事前訓練し、さらにポリシー勾配法を用いて微調整する。 FCE, CoNLL-14, BEA-19データセットによる実験結果から, Adversarial-GEC は NMT ベースのベースラインに比べて競争力のある GEC 品質を達成できることが示された。
論文参考訳（メタデータ） (2020-10-06T00:31:33Z)
The NTT DCASE2020 Challenge Task 6 system: Automated Audio Captioning with Keywords and Sentence Length Estimation [49.41766997393417]
本報告では, 音響シーン・イベントの検出・分類に関わるシステムについて述べる。本論文は,音声の自動字幕化における2つの不確定性,すなわち,単語選択不確定性と文長不確定性に焦点をあてる。マルチタスク学習によりキーワードと文長を推定することにより,主字幕生成と部分不確定化を同時に解決する。
論文参考訳（メタデータ） (2020-07-01T04:26:27Z)
Punctuation Prediction in Spontaneous Conversations: Can We Mitigate ASR Errors with Retrofitted Word Embeddings? [33.5428664411426]
ドメイン固有のデータへの埋め込みがASRエラーを緩和することを示す。我々は,最先端モデルと比較して,句読点の精度が6.2%(疑問点)から9%(期間)に絶対的に向上したことを記録した。
論文参考訳（メタデータ） (2020-04-13T15:02:28Z)

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。