Luận án tiến sĩ: Xây dựng mô hình đánh giá độ khó văn bản tiếng Việt

• Tác giả: Lương An Vinh
• Người hướng dẫn: PGS. Đinh Điền
• Trường học: Đại học Quốc gia TP.HCM - Trường Đại học Khoa học Tự nhiên
• Chuyên ngành: Khoa học Máy tính
• Đề tài: Xây dựng mô hình đánh giá độ khó văn bản tiếng Việt trong khoa học máy tính
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2023
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CÁM ƠN
• LỜI CAM ĐOAN
• 1. TỔNG QUAN
• 1.1. Độ khó của văn bản
• 1.2. Các nghiên cứu về độ khó của văn bản
• 1.2.1. Hướng tiếp cận thống kê
• 1.2.2. Hướng tiếp cận máy học
• 1.3. Mục tiêu và phạm vi của luận án
• 1.4. Đối tượng nghiên cứu
• 1.5. Nội dung luận án
• 1.6. Phạm vi nghiên cứu
• 1.7. Đóng góp của luận án
• 2. CƠ SỞ LÝ THUYẾT VỀ ĐỘ KHÓ CỦA VĂN BẢN
• 2.1. Các yếu tố ngôn ngữ ảnh hưởng đến độ khó của văn bản
• 2.1.1. Yếu tố từ
• 2.1.2. Yếu tố câu
• 2.1.3. Yếu tố văn bản
• 2.2. Các hướng tiếp cận đánh giá độ khó văn bản tự động
• 2.2.1. Đánh giá độ khó văn bản theo hướng tiếp cận thống kê
• 2.2.2. Đánh giá độ khó theo hướng tiếp cận máy học
• 3. MÔ HÌNH ĐÁNH GIÁ ĐỘ KHÓ VĂN BẢN TIẾNG VIỆT
• 3.1. Các hướng tiếp cận
• 3.2. Đánh giá độ khó văn bản tiếng Việt theo hướng tiếp cận thống kê
• 3.2.1. Phân tích tương quan
• 3.2.2. Phân tích hồi quy
• 3.3. Đánh giá độ khó văn bản tiếng Việt theo hướng tiếp cận máy học
• 3.3.1. Sử dụng các thuật toán phân lớp truyền thống
• 3.3.2. Mô hình đánh giá độ khó văn bản sử dụng kỹ thuật học sâu
• 3.3.2.1. Tách đoạn văn bản
• 3.3.2.2. Tinh chỉnh BERT
• 3.3.2.3. Tổng hợp vector văn bản và phân lớp
• 3.3.2.4. Tích hợp đặc trưng ngôn ngữ vào mô hình
• 4. THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. Xây dựng ngữ liệu
• 4.1.1. Thu thập ngữ liệu độ khó văn bản từ sách giáo khoa tiếng Việt
• 4.1.2. Xây dựng ngữ liệu độ khó của các văn bản lĩnh vực văn học và ngôn ngữ học
• 4.1.3. Tiền xử lý và gán nhãn ngữ liệu
• 4.1.4. Thống kê và gom nhóm ngữ liệu
• 4.1.5. Rút trích đặc trưng
• 4.2. Phương pháp đánh giá
• 4.2.1. Công thức đo độ khó văn bản tiếng Việt
• 4.2.2. Đánh giá độ khó văn bản theo hướng tiếp cận máy học, sử dụng các thuật toán phân lớp truyền thống
• 4.2.3. Đánh giá độ khó văn bản sử dụng kỹ thuật học sâu
• 4.2.4. So sánh với các nghiên cứu khác
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• DANH MỤC CÔNG TRÌNH CÔNG BỐ CỦA TÁC GIẢ
• DANH MỤC TÀI LIỆU THAM KHẢO
• PHỤ LỤC
• A.1. DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT
• A.2. DANH MỤC CÁC BẢNG
• A.3. DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

Tóm tắt

I. Đánh giá độ khó văn bản

Đánh giá độ khó văn bản là một lĩnh vực nghiên cứu quan trọng trong xử lý ngôn ngữ tự nhiên và khoa học máy tính. Nó tập trung vào việc xác định các yếu tố ngôn ngữ ảnh hưởng đến mức độ dễ đọc hoặc khó đọc của một văn bản. Các yếu tố này bao gồm độ dài câu, độ dài từ, cấu trúc ngữ pháp, và ngữ nghĩa. Mô hình đánh giá văn bản thường sử dụng các phương pháp thống kê và học máy để tự động hóa quá trình này. Trong tiếng Việt, nghiên cứu về độ khó văn bản tiếng Việt còn hạn chế, đặc biệt là trên các bộ ngữ liệu lớn và đa dạng.

1.1. Yếu tố ngôn ngữ ảnh hưởng đến độ khó

Các yếu tố ngôn ngữ như độ dài từ, độ dài câu, và cấu trúc ngữ pháp đóng vai trò quan trọng trong việc xác định độ khó văn bản. Ví dụ, các câu dài và phức tạp thường khó đọc hơn so với các câu ngắn và đơn giản. Ngoài ra, tần suất từ và tần suất chữ cũng ảnh hưởng đến độ khó. Các nghiên cứu đã chỉ ra rằng các văn bản chứa nhiều từ hiếm hoặc từ chuyên ngành thường có độ khó cao hơn. Phân tích văn bản ở mức độ sâu hơn như ngữ nghĩa và ngữ pháp cũng giúp cải thiện độ chính xác của các mô hình đánh giá.

1.2. Phương pháp tiếp cận thống kê

Phương pháp thống kê trong đánh giá độ khó văn bản tập trung vào việc phân tích mối tương quan giữa các đặc trưng văn bản và độ khó. Các công thức như TF-IDF và Syntactic Density Score (SDS) được sử dụng để đo lường mức độ phức tạp của văn bản. Phân tích hồi quy cũng được áp dụng để xây dựng các mô hình dự đoán độ khó. Kết quả từ các phương pháp này cho thấy sự tương quan cao giữa các đặc trưng được chọn và độ khó thực tế của văn bản.

II. Mô hình đánh giá độ khó văn bản tiếng Việt

Luận án đã xây dựng mô hình đánh giá độ khó văn bản tiếng Việt dựa trên hai hướng tiếp cận chính: thống kê và học máy. Các mô hình này được thử nghiệm trên hai bộ ngữ liệu lớn, bao gồm văn bản từ sách giáo khoa tiếng Việt và các văn bản thuộc lĩnh vực văn học và ngôn ngữ học. Kết quả cho thấy các mô hình này đạt độ chính xác cao hơn so với các nghiên cứu trước đây.

2.1. Tiếp cận học máy

Trong hướng tiếp cận học máy, luận án sử dụng các thuật toán như Random Forest (RF) và Support Vector Machine (SVM) để phân lớp văn bản theo độ khó. RFECV được áp dụng để tự động chọn các đặc trưng quan trọng. Kết quả cho thấy các mô hình này đạt độ chính xác cao, đặc biệt khi tích hợp thêm các đặc trưng ngôn ngữ như tỉ lệ từ mượn và tỉ lệ phương ngữ.

2.2. Tiếp cận học sâu

Luận án cũng đề xuất một mô hình học sâu dựa trên BERT và LSTM để đánh giá độ khó văn bản. Mô hình này không yêu cầu gán nhãn thủ công và có thể tự động trích xuất đặc trưng từ văn bản. Khi tích hợp thêm các đặc trưng ngôn ngữ, độ chính xác của mô hình được cải thiện đáng kể, vượt trội so với các mô hình truyền thống.

III. Ứng dụng thực tiễn

Các mô hình đánh giá độ khó văn bản được xây dựng trong luận án có nhiều ứng dụng thực tiễn trong giáo dục và xử lý ngôn ngữ tự nhiên. Chúng có thể được sử dụng để thiết kế các tài liệu học tập phù hợp với trình độ của học sinh, hoặc để cải thiện các công cụ phân loại văn bản và tối ưu hóa văn bản. Ngoài ra, các mô hình này cũng có thể được tích hợp vào các hệ thống học máy để tự động đánh giá và phân loại văn bản theo độ khó.

3.1. Ứng dụng trong giáo dục

Các mô hình này có thể giúp giáo viên thiết kế các bài đọc phù hợp với trình độ của học sinh, đặc biệt là trong việc dạy tiếng Việt cho người nước ngoài. Điều này giúp cải thiện hiệu quả học tập và giảm thiểu sự chênh lệch về trình độ giữa các học sinh.

3.2. Ứng dụng trong xử lý ngôn ngữ tự nhiên

Các mô hình đánh giá độ khó cũng có thể được tích hợp vào các hệ thống phân loại văn bản và tối ưu hóa văn bản, giúp cải thiện hiệu suất của các công cụ xử lý ngôn ngữ tự nhiên như OCR và dịch máy.