Η ανάπτυξη της εφαρμογής διαρθρώνεται σε 3 στάδια.

Συγκέντρωση και επεξεργασία του σώματος κειμένων εκπαίδευσης.

Η εκπαίδευση ενός ταξινομητή μηχανικής μάθησης βασίζεται σε δεδομένα που αντλούνται από σωστά ταξινομημένα παραδείγματα. Με αυτή τη λογική, συγκεντρώθηκε ένα σώμα 355 κειμένων κατηγοριοποιημένων στα 6 επίπεδα του ΚΕΠΑ (Α1, Α2, Β1, Β2, Γ1, Γ2). Οι πηγές αυτών των κειμένων ήταν θέματα εξετάσεων γλωσσομάθειας (DELE, ΚΠΓ), βιβλία προετοιμασίας εξετάσεων, μέθοδοι διδασκαλίας ισπανικών, διαβαθμισμένα βιβλία για σπουδαστές ισπανικών κ.ά. Ακολούθησε μορφολογική επισημείωση των κειμένων (POS tagging), που έγινε με το λογισμικό FREELING 3.1, εργαλείο επεξεργασίας φυσικής γλώσσας που αναπτύσσει το Κέντρο για τη Γλώσσα και τις Τεχνολογίες και Εφαρμογές Λόγου (TALP) του Πολυτεχνείου της Καταλονίας (UPC).

Προσδιορισμός και μέτρηση των κειμενικών παραμέτρων.

Το επόμενο στάδιο είναι η επιλογή χαρακτηριστικών του κειμένου που είναι δυνατό να έχουν σχέση με τον βαθμό δυσκολίας του και η δημιουργία ενός προγράμματος ποσοτικού υπολογισμού τους. Μετρήθηκαν συνολικά 81 κειμενικές παράμετροι για ορισμένες από τις οποίες έγινε αξιοποίηση κάποιων καταλόγων του Προγράμματος Σπουδών του Ινστιτούτου Θερβάντες. Ενδεικτικά αναφέρουμε κάποιες από αυτές:

Ο λόγος των μοναδιαίων λεξιλογικών μονάδων (types) προς τον αριθμό των λέξεων (tokens) του κειμένου (type/token ratio).
Το μέσο μήκος λέξης.
Το μέσο μήκος πρότασης.
Η λεξιλογική πυκνότητα.
Ο δείκτης λεξιλογικού πλούτου Yule’s K.
Η εντροπία του κειμένου σε επίπεδο λέξεων.
Το ποσοστό των λέξεων του κειμένου που μπορεί να αποδοθεί σε κάθε επίπεδο με βάση τους καταλόγους των ειδικών και γενικών εννοιών του ΠΣΙΘ.
Η κατανομή των ρημάτων του κειμένου στους διάφορους χρόνους και εγκλίσεις.
Ο αριθμός εμφάνισης διαφόρων γραμματικών δομών, οργανωμένων ανά επίπεδο, όπως αυτές περιγράφονται στον ΠΣΙΘ, ανά 100 λέξεις κειμένου.
Τα ποσοστά εμφάνισης των διαφόρων μερών του λόγου επί του συνόλου των λέξεων.

Αναλυτικά όλες οι κειμενικές παράμετροι στο κείμενο της διπλωματικής.

Εκπαίδευση του ταξινομητή

Στο τελευταίο στάδιο, από τα αποτελέσματα των μετρήσεων που έγιναν στο σώμα εκπαίδευσης, προέκυψε ένα μοντέλο ταξινόμησης με τη βοήθεια τεχνικών μηχανικής μάθησης. Χρησιμοποιήθηκε η πλατφόρμα WEKA και ο αλγόριθμος, που επιλέχθηκε μετά από πειραματισμό, ήταν αυτός της Σειριακής Ελάχιστης Βελτιστοποίησης (SMO), ο οποίος πρόκειται για μια εκδοχή των Μηχανών Διανυσμάτων Υποστήριξης (SVM). Στην αρχή εκπαιδεύτηκε ένας ταξινομητής για τα τρία ευρύτερα στάδια του ΚΕΠΑ (Α, Β, Γ), που πέτυχε ακρίβεια 85,63%. Οι προβλέψεις του προστέθηκαν στις υπόλοιπες μετρήσεις και εκπαιδεύτηκε ένας νέος ταξινομητής, αυτήν τη φορά για τα έξι επίπεδα Α1-Γ2, του οποίου η ακρίβεια είναι 67%.

ARCHIVO DE TEXTOS

DESCRIPCIÓN

INSTRUCCIONES PARA EL ALUMNO

OBJETIVOS

CONTENIDOS

PROCEDIMIENTOS

Ir a la actividad