[发明专利]将英文视频或文本难度对标至国内年级的系统和方法

权利要求书

1.一种将英文视频或文本难度对标至国内年级的方法，其特征在于，包括步骤：

(1)选取变量：设年级为因变量y；自变量包括：去重单词数、句子净长度、T-unit的长度、从句的净长度、T-unit的动词短语数量、每个从句的从句数量、每个句子的T-unit数量、复杂T-unit的数量、每个从句的并列短语数量、每个T-unit的复合名词数量、每个从句的复合名词数量、SMOG指数、Dale-Chall Final Score、Lix指数、句子数、复杂单词数、平均每单词音节数、语速和初始年级；

(2)建立模型：采用多分类逻辑回归模型：

其中，P为各年级的概率值；Y表示总体的年级；χ表示自变量向量；ω为系数向量；K表示因变量的取值个数；e为自然常数；

(3)通过人工标定法生成训练样本库，并用训练样本库对模型进行回归训练，得到回归模型；

(4)根据回归模型对英文视频进行分析，得到各年级的预测概率值；

(5)将预测概率中最大值对应的年级为模型预测的年级。

2.如权利要求1所述的将英文视频或文本难度对标至国内年级的方法，其中，步骤(3)中，从视频库里随机挑选CEFR难度为B1、B2或C1的视频，由人工标定年级，对应年级范围为10-16，剔除无效样本后得到有效样本，采用分层法，将每个层即年级的样本随机按7:3的比例划分为训练样本库和测试样本库。

3.如权利要求2所述的将英文视频或文本难度对标至国内年级的方法，其中，步骤(3)中，得到各年级的预测概率公式为：

其中，

G10＝

16.947-0.108*words-0.344*mls+0.237*mlt-0.451*mlc-0.666*vp_t+8.732*dc_c+1.294*t_s+2.125*ct_t-4.383*cp_c-2.041*cn_t-2.119*cn_c-1.091*Automated-0.527*Dale_Chall+0.103*Lix-0.117*smog-0.042*sentences+0.017*complex_words-1.673*syllables-27.405*IF(speed＝1,1,0)+18.409*IF(speed＝2,1,0)+5.296*IF(speed＝3,1,0)+2.556*IF(speed＝4,1,0)+17.109*IF(y0＝11,1,0)+30.943*IF(y0＝13,1,0)；

G11＝

11.896-0.075*words-0.245*mls+0.198*mlt-0.311*mlc+0.195*vp_t+2.813*dc_c+1.905*t_s+4.398*ct_t-0.742*cp_c-2.227*cn_t-0.988*cn_c-1.161*Automated-0.322*Dale_Chall+0.236*Lix+0.164*smog+0.031*sentences-0.05*complex_words-7.744*syllables-9.283*IF(speed＝1,1,0)+18.73*IF(speed＝2,1,0)+5.006*IF(speed＝3,1,0)+2.564*IF(speed＝4,1,0)+20.547*IF(y0＝11,1,0)+36.685*IF(y0＝13,1,0)；

G12＝

4.012-0.066*words-0.172*mls+0.138*mlt-0.337*mlc+0.418*vp_t+4.046*dc_c+2.493*t_s+0.513*ct_t+1.119*cp_c-2.534*cn_t+1.64*cn_c-0.835*Automated-0.409*Dale_Chall+0.058*Lix+0.709*smog+0.117*sentences-0.228*complex_words-2.221*syllables-28.621*IF(speed＝1,1,0)+15.635*IF(speed＝2,1,0)+2.06*IF(speed＝3,1,0)+1.641*IF(speed＝4,1,0)+20.686*IF(y0＝11,1,0)+39.951*IF(y0＝13,1,0)；

G13＝

5.697-0.052*words-0.243*mls+0.161*mlt-0.181*mlc+1.398*vp_t+1.864*dc_c+2.808*t_s-1.829*ct_t-0.159*cp_c-1.488*cn_t+1.014*cn_c-0.81*Automated-0.337*Dale_Chall+0.115*Lix+0.684*smog+0.123*sentences-0.259*complex_words-4.814*syllables-11.017*IF(speed＝1,1,0)+17.506*IF(speed＝2,1,0)+2.204*IF(speed＝3,1,0)+2.478*IF(speed＝4,1,0)+17.363*IF(y0＝11,1,0)+38.759*IF(y0＝13,1,0)；

G14＝

1.422-0.026*words-0.186*mls+0.09*mlt-0.037*mlc+0.98*vp_t+0.933*dc_c+2.846*t_s-0.884*ct_t-0.921*cp_c-0.759*cn_t+1.494*cn_c-0.66*Automated-0.232*Dale_Chall+0.062*Lix+0.296*smog+0.061*sentences-0.118*complex_words-1.379*syllables-29.617*IF(speed＝1,1,0)+16.328*IF(speed＝2,1,0)+1.756*IF(speed＝3,1,0)+1.868*IF(speed＝4,1,0)+13.794*IF(y0＝11,1,0)+37.352*IF(y0＝13,1,0)；

G15＝

6.825-0.011*words-0.184*mls+0.119*mlt-0.214*mlc+0.663*vp_t-1.105*dc_c+2.072*t_s-0.741*ct_t-1.147*cp_c-0.942*cn_t+2.168*cn_c-0.272*Automated-0.186*Dale_Chall+0.053*Lix+0.423*smog+0.014*sentences-0.072*complex_words-4.697*syllables-28.571*IF(speed＝1,1,0)+15.826*IF(speed＝2,1,0)+0.562*IF(speed＝3,1,0)+1.268*IF(speed＝4,1,0)+11.549*IF(y0＝11,1,0)+35.405*IF(y0＝13,1,0)；

G16＝0；

其中，IF(speed＝1,1,0)表示speed＝1时取1，否则取0；

其中，words为去重单词数；mls为句子净长度；mlt为T-unit的长度；mlc为从句的净长度；vp_t为T-unit的动词短语数量；dc_c为每个从句的从句数量；t_s为每个句子的T-unit数量；ct_t为复杂T-unit的数量；cp_c每个从句的并列短语数量；cn_t每个T-unit的复合名词数量；cn_c每个从句的复合名词数量；smog为SMOG指数；Automated为AutomatedReadability指数；Dale_Chall为Dale-Chall Final Score；Lix为Lix指数；sentences为句子数；complex_words为复杂单词数；syllables平均每单词音节数；speed为语速；y0为初始年级。