基于罗斯模型的儿童阅读测试文本难度的分级方法技术

本发明专利技术公开了基于罗斯模型的儿童阅读测试文本难度的分级方法，包括如下步骤：在文本中找到阅读理解问题的答案所涉及的文本片段；计算这些文本片段的语言变量，作为自变量；将阅读理解得分转化为Logit值，再转化为200

【技术实现步骤摘要】
基于罗斯模型的儿童阅读测试文本难度的分级方法


[0001]本专利技术涉及教育
，特别涉及基于罗斯模型的儿童阅读测试文本难度的分级方法。

技术介绍

[0002]阅读是积极理解书面材料和获取意义的思维活动，是非物质的内隐过程，判断阅读理解能力水平应找到具有客观性质的指代物。这种指代物就是阅读文本中的语言变量。在英语国家，对文本难度进行划分的经典技术是构建可读性公式，技术成熟，其具体的方法是对学生进行阅读理解测试，将阅读理解得分作为因变量，将阅读理解测试文本中的语言变量作为自变量，采用皮尔逊积差相关系数和最小二乘法计算和筛选拟合优度最佳的语言变量，阅读测试文本难度是最佳语言变量的函数。
[0003]一般来讲，分级公式中的文本难度的数字得分用1
‑
12表示，指代的是适合年级水平的文本难度；1996年诞生了以200
‑
1500区间任一数字指代文本难度的技术。然而，对应年级水平的文本难度的数字指代技术忽略了同一年级不同儿童阅读理解能力差异，正如10岁儿童所穿鞋子的尺码不同一样；而以 200
‑
1500区间任一数字指代文本难度的技术忽略了个体的选择性注意机制。当前普遍的观点是，人类的行为由目的或者任务所驱动，倾向于忽视与任务无关的刺激。在进行阅读理解测试时，我们遇到的语言特征如果是与回答阅读理解问题高度相关的，必定会对其进行认知加工，由此这些语言特征成为影响我们得分的显著性因素。然而，如果这些语言特征出现在与阅读理解问题无关的文本中时，我们倾向于跳过这些语言特征，它们就极有可能不会对我们的理解产生显著性影响。换言之，学生的阅读理解得分受到阅读理解问题的影响，即相同的文本，不同的题目，学生的得分可能完全不同，但是国内外分级阅读研究者并没有计算阅读理解问题是如何影响阅读理解得分的，这种忽略很可能使得阅读理解得分难以真实的反映阅读文本的难度。

技术实现思路

[0004]本专利技术的目的在于提供基于罗斯模型的儿童阅读测试文本难度的分级方法，将采用数学中的罗斯模型用200
‑
1500区间任一数字指代阅读文本的难度，解决同一年级儿童之间不同水平阅读理解能力的指代问题，解决阅读理解问题影响儿童对文本语言变量的难度感知，从而影响文本难度的问题，从而解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：
[0006]基于罗斯模型的儿童阅读测试文本难度的分级方法，包括如下步骤：
[0007]步骤1：在文本中找到阅读理解问题的答案所涉及的文本片段；
[0008]步骤2：计算这些文本片段的语言变量，作为自变量；
[0009]步骤3：借助罗斯模型软件将阅读理解得分转化为Logit值，再转化为 200
‑
1500区间的文本难度值，作为因变量；
[0010]步骤4：采用皮尔逊积差相关系数筛选出与因变量相关系数高的自变量；
[0011]步骤5：采用最小二乘法确定预测因变量的最佳语言变量，导出最佳匹配函数，该函数就是分级公式；
[0012]进一步地，所述步骤2中的自变量有6类，该6类自变量分别为字、词、句、段落、篇章和词语联结；所述自变量的计算方法为：采用汉语词频工具计算词的重复次数，采用Chinese Text Analyzer软件和《现代汉语语料库词频表》计算熟词，采用文本可读性指标自动化分析系统分别计算词语联结和笔画数。
[0013]进一步地，所述步骤3的因变量采用200
‑
1500文本难度值，所述文本难度值的获得方式如下：首先批阅被试的试卷，获得每道阅读理解问题所有被试的原始分，将所述原始分导入罗斯模型，获得所述原始分的logit值，再根据转化公式将所述logit值转化为200
‑
1500文本难度值；所述罗斯模型软件的原理是Log
e
(P
ni1
/(1
‑
P
ni1
))＝B
n
‑
D
i
，计算被试对待特定项目的反应概率，即答题成功的可能性；答题成功的可能性越高，文本难度级别越低；答题成功的可能性越低，文本难度级别越高，答题成功的可能性间接反映了阅读文本的难度。
[0014]进一步地，所述步骤4皮尔逊积差相关系数的计算公式如下：
[0015][0016]进一步地，所述步骤5导出最佳匹配函数的具体方法是：
[0017]将步骤4所得的皮尔逊积差相关系数由高到低进行排序，筛选出排序在前5位的自变量，将筛选出的自变量和步骤3所述因变量输入Statistical Product and Service Solutions软件中进行最小二乘法多元线性回归分析，根据输出的多重判定系数R2检验拟合优度，输出最佳匹配函数是：
[0018]Y
k
＝β0+β1χ1+β2χ2+β3χ3+ε
[0019]上式中，Y
k
为因变量，即以200
‑
1500表述的文本难度级别；
[0020]X1，X2，X3：为预测阅读理解能力和文本难度的最佳自变量；
[0021]β1,β2,β3：为偏回归系数；
[0022]ε：随机误差。
[0023]与现有技术相比，本专利技术的有益效果是：
[0024](1)在文本中找到阅读理解问题所对应的答案部分，确定承载这些答案的源文本中的最佳语言预测变量的备选类型。
[0025](2)组织学生参加阅读理解测试，获取他们的阅读理解得分，该得分代表了他们的阅读理解能力，也代表了阅读理解文本的难度。
[0026](3)采用罗斯模型对阅读理解得分重新赋值；通过解析文档的最佳语言变量，结合学生阅读理解得分，运用罗斯模型、分值转换公式和最小二乘法，有效对儿童汉语阅读文本进行分级，用200
‑
1500区间之间的数值进行级别表示。
[0027]该方法顾及到了个体的选择性注意机制，解决了阅读理解问题影响儿童对文本语言变量的难度感知，从而影响文本难度的问题；该方法解决了传统分级公式用1
‑
12(小学一年级到高中三年级)指代各年级学生所适合阅读的文本难度级别，从而解决了同一年级儿童之间不同水平阅读理解能力的指代问题。该技术投入使用后，学生阅读文本及其完成若干道阅读理解问题，通过其所阅读文本中语言变量的计算和答题得分就可以对文本难度进
行分级。突破了现有研究只能对文本进行年级分级的现状，实现了对同一年级被试的阅读理解能力的分级。
[0028]本专利技术方法从信息加工心理学理论的视角，采用对阅读理解问题的答案源文本中语言变量进行分析的方法，采用罗斯模型及其分值转换方法用 200
‑
1500数字进行文本难度级别分析，拟合优度高，符合汉语的语言特点。学生阅读文本和完成文本对应的3
‑
4道阅读理解题目，即可以测算出阅读文本的难度级别，计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于罗斯模型的儿童阅读测试文本难度的分级方法，其特征在于，包括如下步骤：步骤1：在文本中找到阅读理解问题的答案所涉及的文本片段；步骤2：计算这些文本片段的语言变量，作为自变量；步骤3：借助罗斯模型软件将阅读理解得分转化为Logit值，再转化为200
‑
1500区间的文本难度值，作为因变量；步骤4：采用皮尔逊积差相关系数筛选出与因变量相关系数高的自变量；步骤5：采用最小二乘法确定预测因变量的最佳语言变量，导出最佳匹配函数。2.如权利要求1所述的基于罗斯模型的儿童阅读测试文本难度的分级方法，其特征在于，所述步骤2中的自变量有6类，该6类自变量分别为字、词、句、段落、篇章和词语联结；所述自变量的计算方法为：采用汉语词频工具计算词的重复次数，采用Chinese Text Analyzer软件和《现代汉语语料库词频表》计算熟词，采用文本可读性指标自动化分析系统分别计算词语联结和笔画数。3.如权利要求1所述的基于罗斯模型的儿童阅读测试文本难度的分级方法，其特征在于，所述步骤3的因变量采用200
‑
1500文本难度值，所述文本难度值的获得方式如下：首先批阅被试的试卷，获得每道阅读理解问题所有被试的原始分，将所述原始分导入罗斯模型，获得所述原始分的logit值，再根据转化公式将所述logit值转化为200
‑
1500文本难度值；所述罗斯模型软件的原理是Log

【专利技术属性】
技术研发人员：罗德红，龚婧，
申请(专利权)人：怀化学院，
类型：发明
国别省市：