Standard

Кто поймет «Незнайку»? Автоматическое определение сложности текстов для детей. / Иодмин, Борис Леонидович; Morozov, Dmitry A.

In: Russkaya Rech, No. 5, 4, 2021, p. 55-68.

Research output: Contribution to journalArticlepeer-review

Harvard

APA

Vancouver

Author

BibTeX

@article{8c374fe023204749b2799199cdcaa5ff,
title = "Кто поймет «Незнайку»? Автоматическое определение сложности текстов для детей",
abstract = "Необходимость оценить сложность текста для читателя может возникнуть в разных ситуациях: составление текстов договоров и законов, создание инструкций к приборам, написание учебников родного или иностранного языка, подбор литературы для внеклассного чтения. Особенно интересна оценка сложности учебных текстов для детей, поскольку к таким текстам предъявляется сразу несколько требований, отчасти противоречащих друг другу. Дети должны хорошо понимать эти тексты, они должны быть актуальны и интересны и одновременно учить читателей как новым концепциям, так и новым словам и конструкциям. Сейчас возрастная маркировка текстов для детей проводится экспертами вручную, что делает процесс долгим и трудоемким, а результат субъективным. В статье предлагается метод автоматической классификации текстов по сложности с использованием нейросетевой модели. Этот метод предполагается использовать для создания корпуса текстов детской литературы с разметкой по возрасту (в рамках НКРЯ). Качество предсказаний нашей модели достигло 0,92, она достаточно хорошо учитывает разнообразие лексики и набор тем. Появление автоматического механизма, с приемлемой точностью оценивающего степень сложности текста, позволит в короткие сроки создать представительный корпус текстов, написанных для детей, с возможностью подбора в нем текстов, заведомо понятных детям заданного возраста. Такой корпус будет востребован и учителями, и родителями, и переводчиками художественной литературы, и лингвистами, и всеми, кому важна возможность подбора понятных детям художественных текстов.",
keywords = "Children{\textquoteright}s literature, Corpus linguistics, Machine learning, Neural networks, Readability, Text complexity",
author = "Иодмин, {Борис Леонидович} and Morozov, {Dmitry A.}",
note = "Иомдин Б.Л., Морозов Д.А. Кто поймет «Незнайку»? Автоматическое определение сложности текстов для детей // Русская речь. - 2021. - № 5. - С. 55–68. Работа выполнена при финансовой поддержке РФФИ, проект 19-29-14224.",
year = "2021",
doi = "10.31857/S013161170017239-1",
language = "русский",
pages = "55--68",
journal = "Русская речь",
issn = "0131-6117",
publisher = "Russian Academy of Sciences",
number = "5",

}

RIS

TY - JOUR

T1 - Кто поймет «Незнайку»? Автоматическое определение сложности текстов для детей

AU - Иодмин, Борис Леонидович

AU - Morozov, Dmitry A.

N1 - Иомдин Б.Л., Морозов Д.А. Кто поймет «Незнайку»? Автоматическое определение сложности текстов для детей // Русская речь. - 2021. - № 5. - С. 55–68. Работа выполнена при финансовой поддержке РФФИ, проект 19-29-14224.

PY - 2021

Y1 - 2021

N2 - Необходимость оценить сложность текста для читателя может возникнуть в разных ситуациях: составление текстов договоров и законов, создание инструкций к приборам, написание учебников родного или иностранного языка, подбор литературы для внеклассного чтения. Особенно интересна оценка сложности учебных текстов для детей, поскольку к таким текстам предъявляется сразу несколько требований, отчасти противоречащих друг другу. Дети должны хорошо понимать эти тексты, они должны быть актуальны и интересны и одновременно учить читателей как новым концепциям, так и новым словам и конструкциям. Сейчас возрастная маркировка текстов для детей проводится экспертами вручную, что делает процесс долгим и трудоемким, а результат субъективным. В статье предлагается метод автоматической классификации текстов по сложности с использованием нейросетевой модели. Этот метод предполагается использовать для создания корпуса текстов детской литературы с разметкой по возрасту (в рамках НКРЯ). Качество предсказаний нашей модели достигло 0,92, она достаточно хорошо учитывает разнообразие лексики и набор тем. Появление автоматического механизма, с приемлемой точностью оценивающего степень сложности текста, позволит в короткие сроки создать представительный корпус текстов, написанных для детей, с возможностью подбора в нем текстов, заведомо понятных детям заданного возраста. Такой корпус будет востребован и учителями, и родителями, и переводчиками художественной литературы, и лингвистами, и всеми, кому важна возможность подбора понятных детям художественных текстов.

AB - Необходимость оценить сложность текста для читателя может возникнуть в разных ситуациях: составление текстов договоров и законов, создание инструкций к приборам, написание учебников родного или иностранного языка, подбор литературы для внеклассного чтения. Особенно интересна оценка сложности учебных текстов для детей, поскольку к таким текстам предъявляется сразу несколько требований, отчасти противоречащих друг другу. Дети должны хорошо понимать эти тексты, они должны быть актуальны и интересны и одновременно учить читателей как новым концепциям, так и новым словам и конструкциям. Сейчас возрастная маркировка текстов для детей проводится экспертами вручную, что делает процесс долгим и трудоемким, а результат субъективным. В статье предлагается метод автоматической классификации текстов по сложности с использованием нейросетевой модели. Этот метод предполагается использовать для создания корпуса текстов детской литературы с разметкой по возрасту (в рамках НКРЯ). Качество предсказаний нашей модели достигло 0,92, она достаточно хорошо учитывает разнообразие лексики и набор тем. Появление автоматического механизма, с приемлемой точностью оценивающего степень сложности текста, позволит в короткие сроки создать представительный корпус текстов, написанных для детей, с возможностью подбора в нем текстов, заведомо понятных детям заданного возраста. Такой корпус будет востребован и учителями, и родителями, и переводчиками художественной литературы, и лингвистами, и всеми, кому важна возможность подбора понятных детям художественных текстов.

KW - Children’s literature

KW - Corpus linguistics

KW - Machine learning

KW - Neural networks

KW - Readability

KW - Text complexity

UR - http://www.scopus.com/inward/record.url?scp=85119680551&partnerID=8YFLogxK

UR - https://www.mendeley.com/catalogue/81877067-77ea-3c14-8f5d-2338d0e52881/

U2 - 10.31857/S013161170017239-1

DO - 10.31857/S013161170017239-1

M3 - статья

AN - SCOPUS:85119680551

SP - 55

EP - 68

JO - Русская речь

JF - Русская речь

SN - 0131-6117

IS - 5

M1 - 4

ER -

ID: 34878171