Export Ready — 

Automatic Assessment of Text Complexity Levels in European Portuguese

Bibliographic Details
Main Author: Ribeiro, Eugénio
Publication Date: 2024
Other Authors: Mamede, Nuno, Baptista, Jorge
Format: Article
Language: por
Source: Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
Download full: https://doi.org/10.21814/lm.16.2.449
Summary: The assessment of text readability and the classification of texts by complexity levels is essential for language education and language-related industries that rely on effective communication. The Common European Framework of Reference for Languages (CEFR) provides a widely recognized framework for classifying language proficiency levels. This framework can be used not only to assess the proficiency of learners of a given language, but also from a readability perspective, as a means to identify the proficiency required to understand specific pieces of text. This study aims to develop and evaluate automatic models capable of classifying texts in European Portuguese according to the complexity levels defined by the (CEFR). For that, we explore the fine-tuning of several foundation models on textual data used for proficiency evaluation purposes. Additionally, we explore approaches to leverage the information provided by the ordinal nature of the levels. Furthermore, we perform a preliminary analysis of the base capability of instruction-based models to perform this task. Our experiments show that the best models can achieve over 80% accuracy and 75% F1 score. However, they have difficulty in generalizing to different types of text, which reveals the need for additional and more diverse training data.
id RCAP_53d11b63f2f336f585bae62704fa0a7d
oai_identifier_str oai:linguamatica.com:article/449
network_acronym_str RCAP
network_name_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository_id_str https://opendoar.ac.uk/repository/7160
spelling Automatic Assessment of Text Complexity Levels in European PortugueseAvaliação Automática do Nível de Complexidade de Textos em Português EuropeuAvaliação Automática do Nível de Complexidade de Textos em Português Europeureadabilitytext complexityEuropean Portugueselegibilidadecomplexidade textualportuguês europeuThe assessment of text readability and the classification of texts by complexity levels is essential for language education and language-related industries that rely on effective communication. The Common European Framework of Reference for Languages (CEFR) provides a widely recognized framework for classifying language proficiency levels. This framework can be used not only to assess the proficiency of learners of a given language, but also from a readability perspective, as a means to identify the proficiency required to understand specific pieces of text. This study aims to develop and evaluate automatic models capable of classifying texts in European Portuguese according to the complexity levels defined by the (CEFR). For that, we explore the fine-tuning of several foundation models on textual data used for proficiency evaluation purposes. Additionally, we explore approaches to leverage the information provided by the ordinal nature of the levels. Furthermore, we perform a preliminary analysis of the base capability of instruction-based models to perform this task. Our experiments show that the best models can achieve over 80% accuracy and 75% F1 score. However, they have difficulty in generalizing to different types of text, which reveals the need for additional and more diverse training data.A avaliação da inteligibilidade de textos e a sua classificação por níveis de complexidade é essencial para o ensino de língua e para indústrias relacionadas com a linguagem que dependem de uma comunicação eficaz. O Quadro Europeu Comum de Referência para as Línguas (CEFR) é uma referência amplamente reconhecida para a classificação dos níveis de proficiência linguística. Este quadro pode ser utilizado não apenas para avaliar a proficiência de aprendentes de uma língua, mas também, de uma perspetiva de inteligibilidade, como um meio de identificar a proficiência necessária para compreender um texto. O objetivo deste estudo é desenvolver e avaliar modelos automáticos capazes de classificar textos em português europeu de acordo com os níveis de complexidade definidos pelo CEFR. Para tal, exploramos o ajuste de vários modelos de base pré-treinados em dados textuais utilizados para fins de avaliação de proficiência e exploramos abordagens que tiram partido da natureza ordinal dos níveis. Realizamos ainda uma análise preliminar da capacidade de base que modelos baseados em instruções têm para desempenhar esta tarefa. Nas experiências, os melhores modelos conseguem atingir mais de 80% de taxa de acerto e 75% de medida F1 mas têm dificuldade em generalizar para diferentes tipos de texto, o que revela a necessidade de dados de treino adicionais e mais diversificados.A avaliação da inteligibilidade de textos e a sua classificação por níveis de complexidade é essencial para o ensino de língua e para indústrias relacionadas com a linguagem que dependem de uma comunicação eficaz. O Quadro Europeu Comum de Referência para as Línguas (CEFR) é uma referência amplamente reconhecida para a classificação dos níveis de proficiência linguística. Este quadro pode ser utilizado não apenas para avaliar a proficiência de aprendentes de uma língua, mas também, de uma perspetiva de inteligibilidade, como um meio de identificar a proficiência necessária para compreender um texto. O objetivo deste estudo é desenvolver e avaliar modelos automáticos capazes de classificar textos em português europeu de acordo com os níveis de complexidade definidos pelo CEFR. Para tal, exploramos o ajuste de vários modelos de base pré-treinados em dados textuais utilizados para fins de avaliação de proficiência e exploramos abordagens que tiram partido da natureza ordinal dos níveis. Realizamos ainda uma análise preliminar da capacidade de base que modelos baseados em instruções têm para desempenhar esta tarefa. Nas experiências, os melhores modelos conseguem atingir mais de 80% de taxa de acerto e 75% de medida F1 mas têm dificuldade em generalizar para diferentes tipos de texto, o que revela a necessidade de dados de treino adicionais e mais diversificados.Universidade do Minho e Universidade de Vigo2024-12-31info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/articleapplication/pdfhttps://doi.org/10.21814/lm.16.2.449https://doi.org/10.21814/lm.16.2.449Linguamática; Vol. 16 No. 2; 121-145Linguamática; v. 16 n. 2; 121-145Linguamática; Vol. 16 Núm. 2; 121-1451647-0818reponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiainstacron:RCAAPporhttps://linguamatica.com/index.php/linguamatica/article/view/449https://linguamatica.com/index.php/linguamatica/article/view/449/524Direitos de Autor (c) 2024 Eugénio Ribeiro, Nuno Mamede, Jorge Baptistainfo:eu-repo/semantics/openAccessRibeiro, EugénioMamede, NunoBaptista, Jorge2025-01-31T13:45:23Zoai:linguamatica.com:article/449Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireinfo@rcaap.ptopendoar:https://opendoar.ac.uk/repository/71602025-05-28T19:38:19.359407Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiafalse
dc.title.none.fl_str_mv Automatic Assessment of Text Complexity Levels in European Portuguese
Avaliação Automática do Nível de Complexidade de Textos em Português Europeu
Avaliação Automática do Nível de Complexidade de Textos em Português Europeu
title Automatic Assessment of Text Complexity Levels in European Portuguese
spellingShingle Automatic Assessment of Text Complexity Levels in European Portuguese
Ribeiro, Eugénio
readability
text complexity
European Portuguese
legibilidade
complexidade textual
português europeu
title_short Automatic Assessment of Text Complexity Levels in European Portuguese
title_full Automatic Assessment of Text Complexity Levels in European Portuguese
title_fullStr Automatic Assessment of Text Complexity Levels in European Portuguese
title_full_unstemmed Automatic Assessment of Text Complexity Levels in European Portuguese
title_sort Automatic Assessment of Text Complexity Levels in European Portuguese
author Ribeiro, Eugénio
author_facet Ribeiro, Eugénio
Mamede, Nuno
Baptista, Jorge
author_role author
author2 Mamede, Nuno
Baptista, Jorge
author2_role author
author
dc.contributor.author.fl_str_mv Ribeiro, Eugénio
Mamede, Nuno
Baptista, Jorge
dc.subject.por.fl_str_mv readability
text complexity
European Portuguese
legibilidade
complexidade textual
português europeu
topic readability
text complexity
European Portuguese
legibilidade
complexidade textual
português europeu
description The assessment of text readability and the classification of texts by complexity levels is essential for language education and language-related industries that rely on effective communication. The Common European Framework of Reference for Languages (CEFR) provides a widely recognized framework for classifying language proficiency levels. This framework can be used not only to assess the proficiency of learners of a given language, but also from a readability perspective, as a means to identify the proficiency required to understand specific pieces of text. This study aims to develop and evaluate automatic models capable of classifying texts in European Portuguese according to the complexity levels defined by the (CEFR). For that, we explore the fine-tuning of several foundation models on textual data used for proficiency evaluation purposes. Additionally, we explore approaches to leverage the information provided by the ordinal nature of the levels. Furthermore, we perform a preliminary analysis of the base capability of instruction-based models to perform this task. Our experiments show that the best models can achieve over 80% accuracy and 75% F1 score. However, they have difficulty in generalizing to different types of text, which reveals the need for additional and more diverse training data.
publishDate 2024
dc.date.none.fl_str_mv 2024-12-31
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/article
format article
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://doi.org/10.21814/lm.16.2.449
https://doi.org/10.21814/lm.16.2.449
url https://doi.org/10.21814/lm.16.2.449
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://linguamatica.com/index.php/linguamatica/article/view/449
https://linguamatica.com/index.php/linguamatica/article/view/449/524
dc.rights.driver.fl_str_mv Direitos de Autor (c) 2024 Eugénio Ribeiro, Nuno Mamede, Jorge Baptista
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Direitos de Autor (c) 2024 Eugénio Ribeiro, Nuno Mamede, Jorge Baptista
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade do Minho e Universidade de Vigo
publisher.none.fl_str_mv Universidade do Minho e Universidade de Vigo
dc.source.none.fl_str_mv Linguamática; Vol. 16 No. 2; 121-145
Linguamática; v. 16 n. 2; 121-145
Linguamática; Vol. 16 Núm. 2; 121-145
1647-0818
reponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron:RCAAP
instname_str FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron_str RCAAP
institution RCAAP
reponame_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
collection Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository.name.fl_str_mv Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
repository.mail.fl_str_mv info@rcaap.pt
_version_ 1833598226786156544