| 时间 | 消息 |
|---|---|
| 4月10日 | 评测任务报名 |
任务组织者：沈新舒（华东师范大学，计算机科学与技术学院），伍洪意（华东师范大学，计算机科学与技术学院），柏晓鹏（华东师范大学，中国语言文学系），兰曼（华东师范大学， 计算机科学与技术学院），吴苑斌（华东师范大学， 计算机科学与技术学院），毛绍光（微软亚洲研究院），葛涛（微软亚洲研究院），夏炎（微软亚洲研究院）
任务联系人：沈新舒（华东师范大学，shenxinshu11@163.com）
随着教育的发展和网络的普及，作文评价的规模越来越大，人工评改作文的成本和效率成为一大难题。为了解决这一问题，许多研究者和机构开始探索利用计算机技术来实现作文的自动评改[1]，通过分析作文的语言、内容、结构等方面的特点及存在的问题，给出客观、准确、及时的评分和反馈。其中，表述是否流畅是教师评改作文的一项重要内容。
作文流畅性反映一篇作文的通顺程度和语言使用的规范性，以及作者的写作水平和表达能力[2]，对提高作文评改质量、提升作者写作水平具有重要意义。目前，针对作文流畅性评价的研究工作通常从句子长度、词汇复杂度、句子结构等语言学特征角度进行评分或评级[2][3][4][5]；或是作为语法纠错任务，对句子中出现的拼写错误或语法错误进行识别和纠正[3][4]；或是视为病句判断任务[6]，判断一条句子是否是病句；这些方法通常将作文流畅性评价作为一个单独的自然语言处理任务，缺乏多层次、多角度的系统性整合；在对语法错误类型的定义上，以往的工作研究了赘余、缺失、误用、乱序四个粗粒度类别，缺乏更细粒度的错误类型定义；同时，他们的方法不具备良好的可解释性，没有定义作文流畅性评价的细粒度分项，无法对中小学生错误修改给出针对性的指导和修改意见。
本次评测数据集来源于以汉语为母语的中小学生考试作文，区别于使用基于规则生成或汉语学习者的中介语数据中的错误[7]，以及其他类型母语者的口语、书面语的语法错误，中小学生作文中出现的错误类型更丰富，涉及的语法知识更复杂。因此我们的任务研究中小学生考试作文中的语法错误识别与纠正问题，系统地定义了影响作文流畅性的细粒度错误类型，并给出了修正建议，这种细粒度错误类型的定义与识别能够帮助学生更清楚地了解自己的写作问题，而修正建议能帮助学生更好地修改自己的作文，同时帮助教师更便捷地了解学生写作水平，有助于教师更好地指导学生写作。
基于此，本次评测任务从词法、句法、语义等多角度对作文流畅性进行详细分析，并给出修改建议，包括：
1、中小学作文病句类型识别；
2、中小学作文字符级错误识别与纠正；
3、中小学作文病句重写；
共3个赛道，为中小学作文流畅性评改提供更多依据，提供更高质量的作文流畅性评价。
- 任务描述：
由于中小学生写作能力有限，在作文写作时不可避免地会出现词法、句法上的病句，比如句子过长或过短，没有合理的停顿，或者使用了不恰当的词汇和语法。因此识别作文中的病句对学生发现自己错误、提升自己写作水平具有重要意义，也是作文流畅性评价、作文评改的一项重要指标。与出现在语文考试中的病句不同，本次评测中涉及的作文中的病句主要是指在词法、句法上有毛病的句子，病句的存在会降低文章的可读性和表达力，影响文章的质量和效果。以往针对病句的研究将病句识别定义为二分类任务[6]，即判断一个句子是否是病句。然而病句存在多种类型，不同错误类型能够反映作者存在不同的写作问题，以往的做法并不能具体指出作者所犯的错误，也无法帮助作者修改作文和提升作者的写作水平。本次评测从字符级错误和成分级错误两大角度出发，定义了字符级错误、成分残缺型错误、成分赘余型错误、成分搭配不当型错误4类粗粒度错误类型，以及缺字漏字、错别字错误、缺少标点、错用标点、主语不明、谓语残缺、宾语残缺、其他成分残缺、主语多余、虚词多余、其他成分多余、语序不当、动宾搭配不当、其他搭配不当等14种细粒度错误类型，对中小学作文中出现的病句类型进行研究。
- 任务定义：
中小学作文病句类型识别是一个多标签分类问题，预测一条句子是哪些类型的病句。病句类型标签同时包含词法、句法、语义错误，本次评测任务共定义4个粗粒度错误类型和14个细粒度错误类型。病句类别定义及示例如下表1：
表1 中小学作文病句类型识别赛道病句类型
- 任务描述：
中小学作文字符级错误识别与纠正任务旨在自动检测并修改作文中的标点、错别字、缺字漏字等错误，能够反映作者语言使用的规范性，是自然语言处理领域的一项重要任务，也是作文流畅性评价的一项重要工作。以往的文本错误识别与纠错任务数据集通常是基于规则生成的伪数据，或是外国语言学者撰写的文本[7]，对于以中文为母语的用户来说缺乏准确性。因此，一个来源于实际场景，并从更多方面整合影响作文流畅性基本因素的字符级错误识别与纠正任务具有重要研究意义。本次评测任务从缺字漏字、错别字错误、缺少标点、错用标点四个角度研究中小学作文字符级错误的识别与纠正问题。
- 任务定义：
中小学作文字符级错误主要聚焦于四个方面：缺字漏字、错别字错误、缺少标点、错用标点，字符级错误类别识别任务为多标签分类任务。字符级错误识别与纠正以作文句子作为输入，输出错误类别和修改方式三元组，三元组内容包含所在原句位置、要执行的操作（A-增加，R-替换，D-删除）、及对应位置修改结果；错误类别定义及示例如下表2所示：
表2 中小学作文字符级错误识别与纠正赛道错误类型
- 任务描述：
中小学作文病句改写任务是为中小学生作文中出现的错误句子，在保持语义不变的前提下，提供最小化修改方案。以往的工作只是对错误句子类型进行判断，作者只能获取到哪条句子出现了哪种错误，并不知道该如何修改，尤其对于中小学生，本身写作水平有限，写作知识的匮乏，可能并不能从错误句子类型入手自己做出正确的修改。因此，对错误句子进行自动修正对作者了解写作问题、提升写作水平具有重要意义，同时能大大节省教师评改作文时间，提高教师作文批改效率。由于语言的多样性和复杂性，错误句子修改标注本身也是一个比较费时费力的工作，考虑到大规模预训练语言模型的强大效果，所以我们希望获取针对错误句子的多样化修改方案。
- 任务定义：
中小学作文病句改写任务是一个文本生成任务，输入错误句子，输出修改后的句子。
评测分为Test A和Test B两个阶段，测试集中可能包含正确句子，盲测数据选取子集进行评测；允许参赛者使用其他来源数据进行训练，如人工标注、使用模型或工具自动标注等，如有使用请在技术报告中详细说明。各赛道的评测数据样例及分布如下。
- 数据样例
图1 中小学作文病句类型识别赛道数据样例
图1为赛道1的数据样例，具体包括句子ID、句子序列、粗粒度错误类别、细粒度错误类别，编码格式为UTF-8。
- 评测数据集
该赛道的数据来源于中学生作文数据，各项数据分布如表3所示。
| 数据集（Data Set） | 句子数（sentences） |
|---|---|
| 训练集（Train Set） | 104句 |
| 验证集（Dev Set） | 27句 |
| 测试集（Test A） | 约2000句 |
| 盲测集（Test B） | 约5000句 |
表3 中小学作文病句类型识别赛道数据分布
- 数据样例
图2 中小学作文字符级错误识别与纠正赛道数据样例
图2为赛道2的数据样例，具体包括句子ID、句子序列、错误类别、错误定位与修正列表，其中修正三元组的含义为：（待修正字在原句中的下标，需要执行的操作，修改的结果），对于需要删除的情况，修改的结果为“None”。
- 评测数据集
该赛道的数据来源于中学生作文数据，各项数据分布如表4所示。
| 数据集（Data Set） | 句子数（sentences） |
|---|---|
| 训练集（Train Set） | 103句 |
| 验证集（Dev Set） | 22句 |
| 测试集（Test A） | 约1000句 |
| 盲测集（Test B） | 约5000句 |
表4 中小学作文字符级错误识别与纠正赛道数据分布
- 数据样例
图3 中小学作文病句改写赛道数据样例
图3为赛道3的数据样例，具体包括句子ID、句子序列、修改后的句子，编码格式为UTF-8。
- 评测数据集
该赛道的数据来源于中小学生作文数据，各项数据分布如表5所示。
| 数据集（Data Set） | 句子数（sentences） |
|---|---|
| 训练集（Train Set） | 100句 |
| 验证集（Dev Set） | 19句 |
| 测试集（Test A） | 约1500句 |
| 盲测集（Test B） | 约4000句 |
表5 中小学作文病句改写赛道数据分布
总分由两部分组成：粗粒度病句识别分数和细粒度病句识别分数，具体计算方式如下：
本任务采用精确率（Precision, P）、召回率（Recall, R）、F1值（Micro F1）来评估粗、细粒度病句类型的识别效果，计算公式如下：
病句类型识别精确率=识别病句类型和标注相同的数量/识别出的该病句类型的总数量；
病句类型识别召回率=识别病句类型和标注相同的数量/标注出的该病句类型的总数量；
病句类型F1值=(2*病句类型识别精确率*病句类型识别召回率)/(病句类型识别精确率+病句类型识别召回率)。
总分由两部分组成：字符级错误类型识别分数和字符级错误纠正分数，具体计算方法如下（正确句子不计算在内）：
- 字符级错误类型识别
采用精确率（Precision, P）、召回率（Recall, R）、F1值（Micro F1）来评估字符级错误类型的识别效果：
错误类型识别精确率=识别错误类型和标注相同的数量/识别出的该错误类型的总数量；
错误类型识别召回率=识别错误类型和标注相同的数量/标注出的该错误类型的总数量；
错误类型F1值=(2*错误类型识别精确率*错误类型识别召回率)/(错误类型识别精确率+错误类型识别召回率)。
- 字符级错误纠正
采用精确率（Precision, P）、召回率（Recall, R）、F1值（Micro F1）对结果进行评估。从字粒度和句子粒度进行评估，具体计算方式如下：
各粒度又从检测和纠正两部分对结果进行评估，具体计算方式如下：
各precision、recall计算方式：
由于参赛者提供的改写结果是多样的，因此该任务的评测综合考虑自动评分和与标注的参考改正方案的打分，其中自动评分的原则是句子流畅和与原句的改动尽可能小；在此基础之上对最终排名前5的队伍进行人工辅助评测。正确句子不计算在内。总分计算方式如下：
具体计算方式详见本赛道的评测脚本。
2023年4月10日：评测报名开始，任务主页点击链接报名；发布训练集及评测脚本给参赛队；
2023年4月28日：发布不带黄金标准答案的测试集Test A给参赛队，开放结果提交链接；
2023年5月15日：报名截止；
2023年5月25日：发布不带黄金标准答案的盲测Test B数据集给参赛队；
2023年6月9日：盲测Test B提交截止；
2023年6月13日：公布参赛队伍的成绩和排名（并非最终排名，还需参考技术报告）；
2023年6月22日：技术报告提交截止；
2023年7月7日：公布获奖名单；
- 报告可由中文或英文撰写。
- 报告统一使用CCL 2023 的论文模版。
- 报告应至少包含以下四个部分：模型介绍、评测结果、结果分析与讨论和参考文献。
-
本次评测将设置一、二、三等奖，由中国中文信息学会为本次评测获奖队伍提供荣誉证书
-
奖金：共计5000元
[1]Lawrence M Rudner, Veronica Garcia, and Catherine Welch. 2006. An evaluation of intellimetricessay scoring system. The Journal of Technology, Learning and Assessment, 4(4).
[2]吴恩慈, 田俊华. 基于语言学特征的小学生作文流畅性自动评价[J]. 教育测量与评价, 2020 (3): 41-50.
[3] Yang Y, Xia L, Zhao Q. An automated grader for Chinese essay combining shallow and deep semantic attributes[J]. IEEE Access, 2019, 7: 176306-176316.
[4] Gong J, Hu X, Song W, et al. IFlyEA: A Chinese Essay Assessment System with Automated Rating, Review Generation, and Recommendation[C]//Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing: System Demonstrations. 2021: 240-248.
[5] Farjana Sultana Mim, Naoya Inoue, Paul Reisert, Hiroki Ouchi, Kentaro Inui: Corruption Is Not All Bad: Incorporating Discourse Structure Into Pre-Training via Corruption for Essay Scoring. IEEE ACM Trans. Audio Speech Lang. Process. 29: 2202-2215 (2021)