李 婷，張景祥

LI Ting,ZHANG Jingxiang

濟(jì)南大學(xué) 信息科學(xué)與工程學(xué)院，濟(jì)南 250022

School of Information Science and Engineering,University of Jinan,Jinan 250022,China

1 引言

眾所周知，作文評分對教師來說是一項(xiàng)極其繁重的任務(wù)[1]，且人工閱卷存在差異性大等突出問題。自動(dòng)作文評分系統(tǒng)結(jié)合了計(jì)算語言學(xué)、統(tǒng)計(jì)建模和自然語言處理技術(shù)，便成為人工評閱的一種很好的替代或替補(bǔ)。早期如Page等[2]采用淺層文本特征分析法評定作文質(zhì)量和寫作風(fēng)格（PEG系統(tǒng)）。后來的研究增加了內(nèi)容質(zhì)量上的分析，如Burstein等[3]開發(fā)的E-rater和Rudner等[4]開發(fā)的BETSY都采用了自然語言處理技術(shù)和統(tǒng)計(jì)建模相結(jié)合的技術(shù)路線。這雖然對考察作文的內(nèi)容質(zhì)量和語言表達(dá)形式方面有很多提高，但某些表達(dá)形式屬于上等的作文其內(nèi)容上卻可能空泛無物。Deerwester團(tuán)隊(duì)[5]利用自然語言處理的經(jīng)典模型提出了基于潛在語義分析（Latent Semantic Analysis，LSA）方法，也被應(yīng)用到作文評閱之中[6]。但目前的自動(dòng)閱卷系統(tǒng)依然存在一些不足，如體裁多樣性和內(nèi)容邏輯性比較局限；并且國外的評測系統(tǒng)大多是針對英語母語寫作來進(jìn)行評分的。

至于國內(nèi)的英語考試，考慮到考生和閱卷老師母語都不是英語，且對英語寫作能力的要求也不同于英語作為母語的要求。以上系統(tǒng)雖可借鑒，但也亟待完善和適應(yīng)國內(nèi)的教育需求。另外考試還具有導(dǎo)向作用，考試的組織者可以通過考試標(biāo)準(zhǔn)的制定來引導(dǎo)學(xué)生朝哪個(gè)方向努力。本文所設(shè)計(jì)的系統(tǒng)，允許教師（考試系統(tǒng)的出題人和評卷標(biāo)準(zhǔn)設(shè)定人）有傾向性地調(diào)整評閱參數(shù)和系數(shù)，引導(dǎo)學(xué)生注重某些語言知識與能力的提升。

本文基于國內(nèi)英語教育提出了自動(dòng)作文評分的指標(biāo)體系與改進(jìn)的Adaboost算法，將弱分類器提升為強(qiáng)分類器，實(shí)現(xiàn)了評分的客觀性、高效性、可靠性和導(dǎo)向性。

2 指標(biāo)體系

2.1 研究工具和指標(biāo)體系

首先以國內(nèi)英語六級作文評分細(xì)則（表1）為例。雖然閱卷老師熟悉該評分細(xì)則，但在具體評閱時(shí)人工評閱很難做到與細(xì)則能很好地吻合。

表1 英語六級作文評分細(xì)則

本文將這些細(xì)則轉(zhuǎn)化為三大指標(biāo)體系。

2.1.1 單詞

單詞是組成作文的一個(gè)最基本的單位。單詞細(xì)分為以下幾個(gè)小的指標(biāo)，包括總詞數(shù)、單詞等級、錯(cuò)誤單詞數(shù)、詞匯多樣性、動(dòng)詞相關(guān)特性等方面。

在作文的題干中，一般會有字?jǐn)?shù)的要求，這也是作文不容忽視的硬性要求。字?jǐn)?shù)不達(dá)標(biāo)，作文分?jǐn)?shù)一般來說不會很高。

單詞能否正確使用也是度量作文得分的一個(gè)因素，作文中常見的錯(cuò)誤單詞有非單詞錯(cuò)誤和單詞變形錯(cuò)誤。有研究表明，寫作水平越高，寫作中出現(xiàn)錯(cuò)誤數(shù)越少[7]。

本文統(tǒng)計(jì)了各個(gè)詞性（名詞、實(shí)義動(dòng)詞、形容詞、代詞、介詞短語等）的使用比率，并著重統(tǒng)計(jì)了動(dòng)詞密度、動(dòng)詞語義、動(dòng)詞詞形，包括：動(dòng)詞使用率、助動(dòng)詞使用率、分詞和動(dòng)詞原形使用率。有文獻(xiàn)表明[8]，寫作水平低的考生，動(dòng)詞原形和現(xiàn)在時(shí)使用多；寫作水平高的考生，過去分詞使用多。

單詞進(jìn)行分級后，以詞匯的等級高低和數(shù)量作為判分的一個(gè)依據(jù)。作文中使用一些單詞等級比較高的詞匯，會相應(yīng)地提高整篇文章的質(zhì)量。

此外，本文計(jì)算了詞匯多樣性，它是指一種類型的單詞在文章中總詞數(shù)的出現(xiàn)比例（從0到1），越接近于1，詞匯多樣性越高，當(dāng)文章中全部單詞都不一樣時(shí)或者單詞的個(gè)數(shù)等于詞庫的單詞數(shù)時(shí)詞匯多樣性達(dá)到最大值。

2.1.2 句子

在某種程度上，句子的長度意味著應(yīng)試者靈活運(yùn)用語法知識能力的強(qiáng)弱，而平均句長作為一種評測語言發(fā)展的非標(biāo)準(zhǔn)化工具，在第二語言習(xí)得研究中有重要作用，有研究表明，中國中學(xué)生的作文平均句長低于美國中學(xué)生的作文平均句長，主要原因在于句子中的復(fù)雜結(jié)構(gòu)較少、功能詞的使用能力較差以及缺乏語體意識[9]。

在英文寫作中，單詞所發(fā)揮的作用固然重要，然而能夠在考場上迅速寫出復(fù)雜結(jié)構(gòu)的句式顯得尤為重要，復(fù)雜句式的有無與多寡，直接反映了作文的質(zhì)量。在英語作文教學(xué)過程中，需要更多的幫助學(xué)生獲得使用更為復(fù)雜句式結(jié)構(gòu)的語言能力、在一個(gè)句子中包含更多結(jié)構(gòu)的能力。

2.1.3 整體結(jié)構(gòu)

文章主題相關(guān)性是判定一篇文章是否跑題的重要依據(jù)。本文通過參考所給話題和評分標(biāo)準(zhǔn)，找到最能凸顯文章主題的相關(guān)單詞，并計(jì)算主題相關(guān)性系數(shù)，值越大，代表與題目越吻合。

連貫性在連詞成句、連句成篇方面上發(fā)揮著重要的紐帶作用。英語作文質(zhì)量與語篇的連貫性有著千絲萬縷的聯(lián)系，“好”作文中的銜接手段遠(yuǎn)比“差”作文中運(yùn)用的多，這種差異主要源于詞匯銜接的不同運(yùn)用[10]。起到銜接作用的有連接詞、詞匯重疊、時(shí)體性和所有句子LSA。

連接詞增強(qiáng)了作文的邏輯性，在文本銜接中起到了不容小覷的作用，使得表達(dá)更加豐富、過渡更加自然。本文計(jì)算了每篇作文出現(xiàn)的連詞比率，并分別統(tǒng)計(jì)五類連接詞出現(xiàn)的次數(shù)。這五類連接詞包括：并列連接詞、轉(zhuǎn)折連接詞、因果連接詞、時(shí)間連接詞、邏輯連接詞。

詞匯重疊是語篇連貫的一種重要銜接手段[11]。詞匯重疊主要考慮四種形式的語義重疊：名詞重疊、論點(diǎn)重疊、詞干重疊和實(shí)義動(dòng)詞的重疊。詞匯重疊的計(jì)算是以上四種形式在句子中重疊的百分比。

時(shí)體性是指在一個(gè)段落里，時(shí)態(tài)和體態(tài)的一致性。它的計(jì)算公式是時(shí)態(tài)與體態(tài)重復(fù)出現(xiàn)次數(shù)的加權(quán)平均和。

潛在語義分析（LSA）是用于測量語篇中句子和段落之間的語義同指，是評價(jià)語義水平上的一種更深層次的統(tǒng)計(jì)學(xué)方法。LSA在大量的文本上構(gòu)建一個(gè)矩陣，矩陣的一行表示一個(gè)單詞，一列表示一個(gè)文檔，矩陣?yán)锏脑卮碓搯卧~在文檔中出現(xiàn)的次數(shù)，使用奇異值分解實(shí)現(xiàn)在保留列的情況下減少矩陣的行數(shù)，則兩個(gè)單詞的相似性計(jì)算公式是其行向量的余弦值，余弦值越接近于1，相似性越大，反之亦然。

3 算法描述與改進(jìn)

3.1 Adaboost算法

算法Adaboost是Freud和Schapire提出的一種迭代算法[12-15]。它是由Adaptive和Boosting兩個(gè)單詞組合起來的，按照字面意思就是自適應(yīng)地增強(qiáng)算法。說它是自適應(yīng)，源于它選用的學(xué)習(xí)算法的準(zhǔn)確率只要稍高于隨機(jī)猜測的準(zhǔn)確率就可以被當(dāng)做弱分類器；它又是增強(qiáng)的表現(xiàn)在可以通過訓(xùn)練若干弱分類器從而得到一個(gè)強(qiáng)分類器。算法Adaboost的核心思想也已經(jīng)很明確了，即選用準(zhǔn)確率稍高于隨機(jī)猜測的若干弱分類器，將它們集合起來，構(gòu)造一個(gè)最終的強(qiáng)分類器，當(dāng)弱分類器的數(shù)量足夠多時(shí)，最終的強(qiáng)分類器的錯(cuò)誤率將趨于零。它的優(yōu)點(diǎn)表現(xiàn)在算法所提供的是框架，可以使用各種方法構(gòu)建弱分類器；算法應(yīng)用起來比較簡單，不用做特征篩選，也不用擔(dān)心過擬合問題；最重要的一點(diǎn)，它是有很高精度的分類器。

Adaboost算法的應(yīng)用越來越廣泛[16-17]，已成功應(yīng)用于人臉識別、目標(biāo)檢測和多分類問題等領(lǐng)域。當(dāng)Adaboost算法應(yīng)用于作文評分時(shí)，在弱分類器重復(fù)分錯(cuò)的情況下，算法Adaboost失去了它原有的優(yōu)勢。如何既能發(fā)揮Adaboost算法的優(yōu)勢，又可以避免弱分類器的重復(fù)分錯(cuò)，于是本文提出了Adaboost/CT算法。

3.2 Adaboost/CT算法

在歌唱比賽、舞蹈比賽或者其他比賽的過程中，通過去掉最高分和最低分確保最后的得分是公平公正的，也就是排除一些極端數(shù)據(jù)。集中趨勢自適應(yīng)增強(qiáng)算法Adaboost/CT借鑒了專家團(tuán)體智能的不穩(wěn)定性，將偏離集中趨勢的數(shù)據(jù)排除。

反映集中趨勢的兩個(gè)主要因素是平均數(shù)和中位數(shù)[18]，雖然平均數(shù)字面上的意思代表平均，當(dāng)有極端數(shù)據(jù)出現(xiàn)時(shí)，它不再代表平均水平，比如在一個(gè)小型考試中，有兩位同學(xué)因缺考試卷成績得分為0，在算平均成績時(shí)，由于平均數(shù)是每一個(gè)數(shù)集中起來作用的結(jié)果，很顯然，得分為0的成績是極端數(shù)據(jù)，已不能說明平均水平，而中位數(shù)是取按分?jǐn)?shù)大小排序后的最中間的那個(gè)數(shù)，去掉最高分和最低分正好綜合了這兩者的優(yōu)勢，既能去除不良數(shù)據(jù)，又能發(fā)揮大部分?jǐn)?shù)據(jù)的作用。

改進(jìn)后的Adaboost/CT算法中，數(shù)據(jù)集為指標(biāo)體系集合；樣本集為指標(biāo)值X與分類Y，yi∈Y={-1,+1}分別對應(yīng)于分類失敗與成功。Stump（）為樹樁弱分類器算法。當(dāng)出現(xiàn)疊加錯(cuò)誤，即錯(cuò)誤數(shù)大于2時(shí)，對數(shù)據(jù)集進(jìn)行集中趨勢映射，D′t為Dt排除重疊錯(cuò)誤的映射，該算法流程如下：

輸入：

（1）數(shù)據(jù)集 S={D1,D2,…,DK}；樣本集 Dt={(x1,y1),(x2,y2),…,(xm,ym)}；

（2）循環(huán)次數(shù)t={1,2,…,K}；

（3）弱分類器ht的基學(xué)習(xí)器L。

過程：

（1）D1(i)=1/M；//樣本權(quán)重初始化

（2）fort=1toK ：

（a）用分布Dt訓(xùn)練弱分類器ht

（a1）yi=Stump(xi)；

（a2）ht=L(S,Dt)；

（a3）if(yi!=ht)errFlag++；

（a4）if（errFlag＞2）Dt→ D′t；

（b）誤差 εt=Prx～Dt,yI[ht≠y]

（d）更新權(quán)重

采用改進(jìn)的Adaboost/CT算法，基本上保持了經(jīng)典AdaBoost算法不出現(xiàn)過度擬合的優(yōu)點(diǎn)，同時(shí)集中整體樣本趨勢，排除不良數(shù)據(jù)，解決了弱分類器疊加錯(cuò)誤陷阱。

4 統(tǒng)計(jì)分析

在分層分類之前要進(jìn)行預(yù)處理，對比較極端的作文（如篇幅非常小的作文）直接按字?jǐn)?shù)線性評定為1～4分，不再參與下述分類。

為了選出最有“影響力”的指標(biāo)，本文首先參考了作文的評分標(biāo)準(zhǔn)，提取考試的一般規(guī)律，指標(biāo)的選擇從硬到軟，從大到小。比如作文的字?jǐn)?shù)要求、是否跑題、是否有錯(cuò)誤的單詞等一些硬性要求；文章的連貫性、選用單詞的級別、修辭等一些軟要求。

通過使用Adaboost/CT算法分層分類，得到了兩種準(zhǔn)確性，精確準(zhǔn)確性和鄰接準(zhǔn)確性。精確準(zhǔn)確性是指算法評閱的分?jǐn)?shù)和人工評閱分?jǐn)?shù)相一致的準(zhǔn)確性。鄰接準(zhǔn)確性是指算法評閱的分?jǐn)?shù)與人工評閱分?jǐn)?shù)鄰近或者相一致的分?jǐn)?shù)。因此，在人工評閱的成績?yōu)?分的前提下，如果算法評閱的分?jǐn)?shù)為7分，則精確準(zhǔn)確性和鄰接準(zhǔn)確性都為1；如果算法評閱的分?jǐn)?shù)為6分（或8分），則精確準(zhǔn)確性為0而鄰接準(zhǔn)確性為1；如果算法評閱的成績?yōu)?分（或9分），則精確準(zhǔn)確性和鄰接準(zhǔn)確性都為0。

本文通過對作文進(jìn)行粗分做到大致分類、中分進(jìn)一步分類和細(xì)分具體分類，分層進(jìn)行，逐步求精，使用的指標(biāo)越來越細(xì)致，并使用不同的指標(biāo)體系對粗分后的作文進(jìn)行分類。首先，作文被分為高于硬性指標(biāo)體系要求的高質(zhì)量類作文（H組）和低于硬性指標(biāo)體系要求的低質(zhì)量類作文（L組），如圖1所示。在中分和細(xì)分階段使用不同的指標(biāo)體系標(biāo)準(zhǔn)進(jìn)行進(jìn)一步的分類，直到被分為一個(gè)具體的分?jǐn)?shù)為止。

圖1 分層指標(biāo)體系用例

4.1 粗分

所謂粗分，就是先定性地劃分大類，標(biāo)定一篇作文屬于高分段作文還是低分段作文。

該過程采用硬性指標(biāo)、大指標(biāo)進(jìn)行分。所謂硬性指標(biāo)是指非含糊性指標(biāo)，各方均能接受的指標(biāo)。本文選用作文總詞數(shù)、錯(cuò)誤單詞個(gè)數(shù)和話題相關(guān)性這些硬性指標(biāo)作為粗分的指標(biāo)，指標(biāo)體系如表2所示。假設(shè)作文總詞數(shù)滿足題目要求并超過一定的字?jǐn)?shù)（118），錯(cuò)誤單詞個(gè)數(shù)少（1～2個(gè)錯(cuò)誤），話題相關(guān)性高(r＞0.68)為高質(zhì)量類作文（8、9、10），否則為低質(zhì)量類作文（5、6、7）。

表2 粗分指標(biāo)體系

本文以我校大一和大二的學(xué)生的300篇英語作文作為分析樣本。其中，有132（44%）篇樣本被分為低質(zhì)量類，168（56%）篇樣本被分為高質(zhì)量類。其中，被正確分類高低質(zhì)量作文的精確準(zhǔn)確性為87.66%，鄰接準(zhǔn)確性為95.33%。匹配矩陣見表3所示。匹配矩陣表明有22篇作文（占14.01%）智能評閱為高質(zhì)量類的作文被劃分為低質(zhì)量類，15篇作文（占12%）智能評閱為低質(zhì)量類的作文被劃分為高質(zhì)量類。

表3 匹配矩陣

4.2 中分

在經(jīng)過前面高低質(zhì)量粗分分類后，再分別使用兩套不同的指標(biāo)體系進(jìn)行進(jìn)一步的分類。也就是說，中分是在粗分的基礎(chǔ)上進(jìn)一步分類，分為低中分（低質(zhì)量類中進(jìn)一步分類）和高中分（高質(zhì)量類中進(jìn)一步分類）。

被評閱為5、6、7分的為低中分，使用的指標(biāo)：整句數(shù)、3～4級單詞數(shù)、語法錯(cuò)誤數(shù)。低中分的指標(biāo)體系見表4所示。被評閱為8、9、10分的為高中分，使用不同于低中分的指標(biāo)：所有句子LSA、5～6級單詞數(shù)、語法銜接。高中分的指標(biāo)體系見表5所示。

表4 低中分指標(biāo)體系

表5 高中分指標(biāo)體系

在低中分中，結(jié)果證明，107篇作文被Adaboost/CT算法正確分類，精確準(zhǔn)確性達(dá)到81.06%，鄰接準(zhǔn)確性為97.72%，其中，3篇人工評閱為5分的作文被算法劃分到7分的作文中，14篇人工評閱為6分的作文被算法劃分到7分的作文中，8篇人工評閱為7分的作文被算法劃分到5分的作文中。

在高中分中，結(jié)果證明，132篇作文被Adaboost/CT算法正確分類，精確準(zhǔn)確性達(dá)到78.57%，鄰接準(zhǔn)確性為91.07%，其中，14篇被人工評閱為8分的作文被算法劃分到9分的作文中，2篇被人工評閱為8分的作文被算法劃分到10分的作文中，7篇被人工評閱為9分的作文被算法劃分到8分的作文中，13篇被人工評閱為10分的作文被算法劃分到8分的作文中。

4.3 細(xì)分

在此之前是由大致的分類到更進(jìn)一步的分類，到了細(xì)分階段，就是分類到具體的分?jǐn)?shù)。假設(shè)細(xì)分中的5、6分為A組，9、10分的為B組。在A組中，通過篩選指標(biāo)，本文選用了指標(biāo)體系：句子離散度、標(biāo)點(diǎn)頻率和各個(gè)詞性（名詞、實(shí)義動(dòng)詞、形容詞、介詞短語）的比率，結(jié)果證明，40篇作文被Adaboost/CT算法正確分類，準(zhǔn)確率達(dá)80%。A組指標(biāo)體檢見表6所示。在B組中，通過篩選指標(biāo)，本文選用了指標(biāo)體系：詞匯銜接、復(fù)雜句式和動(dòng)詞相關(guān)特性，結(jié)果證明，40篇作文被Adaboost/CT算法正確分類，準(zhǔn)確率達(dá)61.54%。B組指標(biāo)體系見表7所示。

表6 A組指標(biāo)體系

表7 B組指標(biāo)體系

從算法的性能上看，改進(jìn)后的Adaboost/CT與Adaboost和DFA（判別函數(shù)分析）相比，不但可以解決奇異值帶來的干擾，并且通過實(shí)驗(yàn)證明了Adaboost/CT算法在精確率上優(yōu)于Adaboost和DFA，結(jié)果見表8和表9所示，并且有文獻(xiàn)[19]證明DFA的性能要優(yōu)于機(jī)器學(xué)習(xí)方法（如：支持向量機(jī)、樸素貝葉斯分類器、分類與回歸樹分類器），見表10所示。

表8 算法精確性比較%

表9 不同參數(shù)下的分類結(jié)果比較

表10 各算法在性能上的分析比較

4.4 討論

綜上所述，從整體上來看，經(jīng)過改進(jìn)后的Adaboost/CT算法，300篇作文樣本中有239篇在算法預(yù)測和人工評閱上達(dá)到了一致，預(yù)測的精確準(zhǔn)確性為79.66%，鄰接準(zhǔn)確性為94%。

本文使用的方法是一種類似于“基于閾值的迭代法”，基層學(xué)習(xí)器選用了最簡單的決策樹，作為基學(xué)習(xí)器，簡單分類器的效果更好，并且計(jì)算復(fù)雜度不高，對中間值的缺失不敏感，可用于不連續(xù)的數(shù)據(jù)集中。每一層（粗分、中分和細(xì)分）所選用的指標(biāo)都是經(jīng)過多輪的篩選，找出最合適的閾值，通過線性擬合率的高低逐次選取。

在粗分階段，作文被分為兩類：低質(zhì)量類和高質(zhì)量類，對于低質(zhì)量類，準(zhǔn)確率較高，這給出的啟示是：高質(zhì)量類的文章更加注重內(nèi)容，而不僅僅是語言。中分階段通過第一層的硬性指標(biāo)分為兩小部分，在此階段，并沒有選用同一套指標(biāo)體系，而是選用了適合高低質(zhì)量類的兩套指標(biāo)。從結(jié)果來看，改進(jìn)后的Adaboost/CT算法還是令人滿意的。在細(xì)分階段，已經(jīng)分到具體的分?jǐn)?shù)，準(zhǔn)確率比粗分和中分的要低一些，一般來說，主觀題沒有固定的正確答案，多一分或者少一分也不是嚴(yán)格意義上的錯(cuò)誤。

本文所采用的分層指標(biāo)體系，公開后可能會導(dǎo)致某種應(yīng)對機(jī)器閱卷的作弊手法。比如，在單詞方面，為了所謂的“高等級詞匯比率”而刻意使用冷僻詞匯等。這超出了本文的范疇，另文討論。

5 結(jié)論

本文所采用的Adaboost/CT進(jìn)行分層預(yù)測，其預(yù)測準(zhǔn)確性與其他同時(shí)考慮各個(gè)因素的算法是相當(dāng)?shù)?。雖然改進(jìn)后的算法依然存在一些不足，但其顯著優(yōu)點(diǎn)是：系統(tǒng)自動(dòng)逐層地對作文進(jìn)行評分，最大限度地降低了指標(biāo)標(biāo)準(zhǔn)對于不同層次水平得分的干擾。本算法雖然以話題論文為例進(jìn)行研究，但也可以用于簡答題、論文評審等的自然語言分析中。

參考文獻(xiàn)：

[1]劉博超，張小蓮.每一張?jiān)嚲硪捕加姓婧捅趁鎇J].課堂內(nèi)外，2016（3）：18.

[2]McNamara D S，Crossley S A，Roscoe R D，et al.A hierarchical classification approach to automated essay scoring[J].Assessing Writing，2015，23：35-59.

[3]Burstein J，Tetreault J，Madnani N.The e-rater automated essay scoring system[M]//Shermis M D，Burstein J.Handbook of automated essay scoring：Current applications and future directions.New York：Routledge，2013，55-67.

[4]Rudner L M，Garcia V，Welch C.An evaluation of the IntelliMetric essay scoring system[J].Journal of Technology，Learning，and Assessment，2006，3（4）：3-21.

[5]Landauer T K，F(xiàn)oltz P W，Laham D.Introduction to latent semantic analysis[J].Discourse Processes，1998，25（2/3）：259-284.

[6]Olmos R，Jorge-Botana G，Luzón J M，et al.Transforming LSA space dimensions into a rubric for an automatic assessment and feedback system[J].Information Processing&Management，2016，52（3）：359-373.

[7]汪順玉.大學(xué)英語四級寫作樣卷的詞匯復(fù)雜度分析[J].重慶郵電大學(xué)學(xué)報(bào)，2011，23（6）：104-110.

[8]李夢驍，劉永兵.基于語料庫的中學(xué)英語學(xué)習(xí)者寫作句法復(fù)雜性變化研究[J].東北師大學(xué)報(bào)，2016（1）：140-145.

[9]李建平，張曉菡.中美中學(xué)生英語寫作句子長度對比分析—一項(xiàng)基于高考英語作文的研究[J].教育測量與評價(jià)，2015（7）：50-53.

[10]Tejada M á Z，Gallardo C N，F(xiàn)erradá M C M，et al.2L English texts and cohesion in upper CEFR levels：A corpus-based approach[J].Procedia-Social and Behavioral Sciences，2015，212：192-197.

[11]McNamara D S，Crossley S A，Roscoe R D.Natural language processing in an intelligent writing strategy tutoring system[J].Behavior Research Methods，2013，45：499-515.

[12]Freud Y，Schapire R E.A decision-theoretic generalization of on-line learning and an application to boosting[J].Journal of Computer and System Sciences，1997，55（1）：119-139.

[13]吳信東，庫瑪爾.數(shù)據(jù)挖掘十大算法[M].李文波，吳素研，譯.北京：清華大學(xué)出版社，2013.

[14]Sun J，F(xiàn)ujita H，Chen P，et al.Dynamic financial distress prediction with concept drift based on time weighting combined withAdaboostsupportvectormachine ensemble[J].Knowledge-Based Systems，2017，120：4-14.

[15]Harrington P.機(jī)器學(xué)習(xí)實(shí)戰(zhàn)[M].李銳，李鵬，曲亞東，等譯.北京：人民郵電出版社，2013.

[16]劉王勝，馮瑞.一種基于AdaBoost的人臉檢測算法[J].計(jì)算機(jī)工程與應(yīng)用，2016，52（11）：209-214.

[17]楊新武，馬壯，袁順.基于弱分類器調(diào)整的多分類Adaboost算法[J].電子與信息學(xué)報(bào)，2016，38（2）：373-380.

[18]張曉宇，徐付霞.基于Copula理論的學(xué)生成績平均值和中位數(shù)的分布特征研究[J].大學(xué)數(shù)學(xué)，2016，32（1）：56-60.

[19]Jurafsky D，Martin J H.自然語言處理綜論[M].馮志偉，孫樂，譯.北京：電子工業(yè)出版社，2005.