Künstliche Fehlererzeugung mit maschineller Übersetzung und syntaktischen Mustern

Der Mangel an verfügbaren Trainingsdaten behindert den Fortschritt im Bereich der automatisierten Fehlererkennung. Diese Arbeit untersucht zwei alternative Methoden zur künstlichen Erzeugung von Schreibfehlern, um zusätzliche Ressourcen zu schaffen. Wir schlagen vor, die Fehlererzeugung als eine Maschinelle Übersetzaufgabe zu betrachten, bei der grammatikalisch korrekter Text in einen Text mit Fehlern übersetzt wird. Zudem erforschen wir ein System zur Extraktion von textuellen Mustern aus einem annotierten Korpus, das anschließend verwendet werden kann, um Fehler in grammatikalisch korrekte Sätze einzufügen. Unsere Experimente zeigen, dass die Einbeziehung künstlich generierter Fehler die Fehlererkennungspräzision auf den Datensätzen FCE und CoNLL 2014 erheblich verbessert.