An Innovative Teaching Model of Japanese Language in Colleges and Universities Based on Natural Language Processing Technology
Notice bibliographique
Résumé
The traditional Japanese language teaching mode in colleges and universities has been unable to meet the requirements of Japanese language majors in various industries, and colleges and universities should use certain methods to carry out a reasonable reform of the teaching mode of Japanese language majors.Firstly, an error correction model based on UniLM model framework is proposed, using natural language processing technology to extract features, and fine-tuning training for the model after initialization.The model framework based on UniLM+CRF and the seq2seq model framework based on UniLM are built to realize the Japanese text grammar error annotation task and the Japanese text grammar error correction task respectively.Then a multi-task learning error correction method is proposed to integrate the grammar error labeling task and the grammar error correction task, so as to improve the accuracy of the error correction model.Finally, a specific Japanese grammar error correction system architecture is designed, a Japanese language knowledge base is established, and utterance synthesis rules are formulated to realize the innovative teaching of Japanese language in colleges and universities.The average grammatical error correction precision, recall, and F1 value of the model in this paper reached a good level in the students' Japanese composition correction.The error between the average score of teacher correction and the average score of model correction is only 0.19 points, and the related experiments show that the innovative teaching model studied in this paper can effectively improve students' mastery of Japanese syntactic ability.The above data illustrate that the Japanese error correction system based on UmiLM framework designed in this paper has certain application value and can realize the innovation of Japanese language teaching mode.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».