本研究以HSKK(中级)中的看图说话题为例,借助先进的智能语音和自然语言处理等技术提取能够有效评估看图说话题的评分特征,通过回归分析来构建看图说话题目的自动评分模型并验证其有效性。首先,对看图说话题的题型特点、考查要求和评分标准进行分析,将看图说话题自动评分的评分特征分为内容相关性、表达流利性和语法准确性三个方面。内容相关性方面的特征包括关键词覆盖率和语量,表达流利性方面的特征包括发音得分、停顿频率以及重复和纠正次数,语法准确性特征是语法错误数。其次,运用了先进的智能语音技术和自然语言处理技术提取评分特征。在计算关键词覆盖率时运用了腾讯AI的关键词检索技术,通过式子kcr=m/n计算关键词覆盖率。在计算语量时,运用腾讯AI的长语音识别技术将应试者的答题语音转换成文字,然后对转换后的文字进行适当的校对,最后统计字数从而得到应试者的语量。在获取应试者的发音标准程度时,生成参考文本的步骤与计算语量时相同,最后采用科大讯飞的语音评测技术获得应试者的发音得分。在计算停顿频率时,首先利用基于短时能量和过零率双门限的端点检测技术将答题语音中有声段和静音段切分出来,接着统计静音段的个数(首尾的停顿除外)和发音总时长,最后用每分钟的停顿次数来表示停顿频率。由于口语中的重复和纠正现象比较复杂,重复和纠正次数主要通过人工标记的方式的获取。在获得语法错误时,采取的是将语音转换成文字,然后在对文本进行语法错误检测的方法,用到的主要技术是“小红笔”文本自动校对技术。最后,构建评分模型。首先收集了70条答题语音数据,并将其随机分成两组:构建组(50条)和检验组(20条)。在构建组的数据基础上,将三位评分员的平均分作为因变量,提取出来评分特征作为自变量,采用多元逐步线性回归分析方法进行回归分析,最终进入回归方程的评分特征有四个:关键词覆盖率(kcr)、语量(nwords)、重复和纠正次数(rac)、语法错误数(nge),得到的看图说话题的评分模型如下:score=2.52+8.223*kcr+0.073*nwords-0.903*rac-0.397*nge评分模型构建完成之后,在检验组上进行评分模型的性能测试,得到预测分数与原始分数的整体相关性大小为0.832,一致率和相邻一致率分别为70%和100%,验证了本研究提取的评分特征和构建的评分模型的有效性。