简介:实用汉语水平认定考试(简称C.TEST)是用来测试母语非汉语的外籍人士在国际环境下社会生活以及日常工作中实际运用汉语能力的考试。由于C.TEST的考试题目公开,题库数量较小,所以通过一般标准化考试采用的在部分目标被试中实施预测(fieldtest)的方法来获取考试题目的难度参数存在困难。然而,人工神经网络技术作为现代人工智能研究的成果,在预测(prediction)领域发挥了很大作用。本文选取C.TEST(A—D级)的阅读理解题目作为研究材料,运用人工神经网络技术对其难度进行预测,得到了网络预测难度值与实际考试难度值显著相关的研究结果。这一结果表明,利用人工神经网络模型对语言测验的题目难度等参数进行预测是可行的。
简介:分析了焦点结构化解释和选项语义、量化结构的限制域和模态算子的焦点敏感性,据此在参照语段理论(PT;Chomsky2001,2004,2008)的严格循环(SC)、一致性Agree(p,g)系统和局部性制约下,结合汉语研究在PF拼读中处于动词前的宾语DPs的理据.即特征核查(FC)的一致性驱动DPs的移动。在严格循环和一致性系统下把焦点结构分析为:语段功能中心语探针尤其焦点中心语Foe携带的未赋值边界特征(EPP等π-特征)驱动携带已赋值焦点特征的DPs循环移动到边界Spec-Foc位置。运算赋值了边界特征,焦点可在T的EPP-特征驱动下移动到Spee—T,满足了T的EPP-特征和ψ-特征。结合Yah(2005)探讨的“连”-DP、“把”-DP句式和古汉语事实解决了Foc探针的EPP-特征驱动DPs移动机制的应用。提出语段的推导循环同构对应于焦点等信息结构(IS)成分来解决韵律-语义的协调等问题。