摘要
将新文献融入英语课程教学仍面临挑战，主要原因在于教育工作者往往缺乏可扩展的工具，难以快速评估文本的可读性并根据多样化的课堂需求对文本进行适配。本研究提出一种多模态方法，通过结合基于Transformer的文本分类与语言特征分析，实现文本与英国关键阶段（UK Key Stages）的精准匹配。研究对八种先进的Transformer模型在分段文本数据上进行了微调，其中BERT在单模态任务中取得了最高的F1分数，达到0.75。与此同时，研究还系统搜索了500种深度神经网络拓扑结构，用于语言特征分类，最终获得0.392的F1分数。多模态融合显著提升了性能，所有多模态方法均优于单一模态模型。其中，ELECTRA Transformer与神经网络融合的模型表现尤为突出，F1分数达到0.996。在所有验证指标（准确率、精确率、召回率、F1分数）上，单模态与多模态方法均表现出统计学意义上的显著差异，仅推理时间未见显著差异。最终，本研究将该方法封装为面向利益相关者的网络应用程序，使非技术背景的教育工作者能够实时获取文本复杂度、阅读难度、课程标准契合度以及适龄学习建议等洞察信息。该应用通过将基于人工智能的推荐集成至英语文学课程规划中，有效支持数据驱动的教学决策，显著降低教师的重复性工作负担。