why-tough

该数据集由英国利兹大学的研究团队创建，旨在研究文本简化策略，特别是针对智力障碍人群的阅读难度问题。数据集包含76对平行文本，涵盖了健康、政治、公共信息等多个领域，数据来源于苏格兰的公共服务、2024年英国大选的政治宣言以及国家慈善机构的通讯。数据集通过标注标准英语和易读英语的句子对，提供了丰富的简化策略标注，包括词汇、句法和语义层面的变化。该数据集的应用领域主要集中在文本简化研究，旨在通过简化策略提高文本的可读性和可访问性，帮助智力障碍人群更好地理解信息。

搜集汇总

数据集介绍

构建方式

why-tough数据集的构建基于心理学和翻译研究的实证研究，主要来源于在线提供的平行文本（标准英语和易于阅读的英语翻译）。研究者通过标注这些文本，识别出六种预定义的简化策略类别，涵盖了词汇、句法和语义层面的变化。数据集的标注框架借鉴了Inclusion Europe的指南，确保了简化策略的系统性和一致性。此外，研究者还通过微调预训练的Transformer模型，对复杂句子进行分类，预测所需的简化策略。

特点

why-tough数据集的特点在于其全面性和多样性。它不仅涵盖了广泛的公共服务领域文本，如医疗、政治和法律，还通过标注复杂句子与简化句子对，提供了丰富的上下文信息。数据集的标注策略包括六种主要类别，如省略、压缩、解释等，能够全面反映简化过程中的多种策略。此外，数据集还特别关注了认知障碍人群的需求，确保了简化文本的可读性和可理解性。

使用方法

why-tough数据集的使用方法主要集中在文本简化任务的多类分类上。研究者可以通过微调预训练的Transformer模型，利用数据集中的标注信息，预测复杂句子所需的简化策略。此外，数据集还可用于解释性人工智能（XAI）研究，通过集成梯度（Integrated Gradients）方法，分析模型在预测句子难度时的决策过程。这种解释性分析有助于理解模型的预测机制，并为进一步改进模型提供依据。

背景与挑战

背景概述

why-tough数据集由英国利兹大学的Nouran Khallaf、Carlo Eugeni和Serge Sharoff等人于2025年创建，旨在研究文本简化策略，特别是针对认知功能受限的读者群体，如智力障碍者。该数据集基于平行文本（标准英语与易读英语翻译），并通过心理学和翻译研究的实证研究，提出了一套标注困难的方案。研究团队还利用预训练的Transformer模型进行多类分类任务，预测简化策略，并探讨了模型决策的可解释性。该数据集为文本简化领域提供了新的视角，特别是在如何通过语言模型提升文本可读性方面，具有重要的学术和应用价值。

当前挑战

why-tough数据集在构建和应用中面临多重挑战。首先，文本简化任务本身具有复杂性，需在保留核心信息的同时简化词汇、句法和语义结构，这对模型的泛化能力提出了高要求。其次，数据集中某些简化策略（如语法调整和省略）的样本量较少，导致模型在预测这些类别时表现不佳，凸显了数据不平衡问题。此外，尽管大型语言模型（LLMs）在简化任务中表现出色，但其“黑箱”特性使得模型决策难以解释，研究者需借助可解释AI技术（如集成梯度法）来增强模型透明度。最后，数据集的构建依赖于人工标注，标注过程中需平衡语言学理论与实际应用需求，这对标注者的专业素养提出了较高要求。

常用场景

经典使用场景

why-tough数据集主要用于研究文本简化策略，特别是在标准英语（SE）与易读英语（E2R）之间的转换过程中。该数据集通过标注复杂的句子及其简化版本，帮助研究者理解哪些语言特征使得文本对特定受众（如智力障碍者）难以理解。经典使用场景包括训练和评估多类文本分类模型，预测句子简化所需的策略，并通过解释性AI技术分析模型的决策过程。

衍生相关工作

why-tough数据集衍生了一系列相关研究工作。基于该数据集，研究者开发了多种基于Transformer的多类文本分类模型，用于预测句子简化策略。此外，数据集还推动了解释性AI技术在文本简化领域的应用，如使用集成梯度（Integrated Gradients）方法分析模型的决策过程。这些工作不仅提升了文本简化模型的性能，还为理解复杂语言现象提供了新的视角。

数据集最近研究

最新研究方向

近年来，why-tough数据集在文本简化领域的研究方向主要集中在如何通过多类别分类任务预测文本简化策略，并利用预训练的Transformer模型进行模型微调。该数据集通过标注标准英语（SE）与易读英语（E2R）的平行文本，提供了丰富的简化策略标注，涵盖了词汇、句法和语义层面的变化。研究还探索了如何通过可解释的人工智能（XAI）技术，如集成梯度（Integrated Gradients），解释模型在预测句子难度时的决策过程。这一方向不仅提升了模型的可解释性，还为文本简化任务的透明性和可信度提供了新的视角。此外，研究还强调了多语言模型在跨语言简化任务中的重要性，特别是在处理认知障碍人群的文本可访问性方面，why-tough数据集为相关研究提供了重要的数据支持。

相关研究论文

• Reading Between the Lines: A dataset and a study on why some texts are tougher than others

  英国利兹大学 · 2025年