نورا درجزینی

این مطالعه به بررسی ساختار عوامل نهفته واژگانی و نحوی در پاسخ به سوالات درک مطلب انگلیسی با استفاده از تکنیک های یادگیری ماشین بدون نظارت می پردازد. طرح تحقیق مدلسازی کمی در قالب طرح علی- مقایسه ای است. داده ها از 360 زبان آموز که انگلیسی زبان دوم آن ها به شمار می رود و از طریق پاسخ های کتبی و شفاهی آن ها به سؤالات درک مطلب جمع آوری شد. در مجموع 260 ویژگی واژگانی و نحوی از داده ها استخراج شد. چهار عامل برای داده های شفاهی و چهار عامل برای داده های کتبی شناسایی شد که بیش از 50 درصد از واریانس نمرات درک مطلب را توضیح می دهند. عوامل به شرح زیر نامگذاری و تفسیر شدند. برای داده های مربوط به پاسخ های شفاهی: عامل اول  پیچیدگی دستوری، عامل دوم، پیچیدگی واژگانی، عامل سوم ویژگی و تشابه کلمات و عامل چهارم تنوع واژگانی. چهار عامل داده های مربوط به پاسخ های کتبی عبارتند از: عامل 1، پیچیدگی دستوری، عامل 2 تنوع واژگان، عامل 3 پیچیدگی بند، و عامل 4 اختصاصی بودن کلمه. تحلیل رگرسیون چندگانه در پیش بینی درک مطلب بر اساس عوامل کشف شده نشان داد که عامل سوم (ویژگی و تشابه کلمات) تنها پیش بینی کننده معنادار درک مطلب در داده های شفاهی بود، در حالی که عوامل 1 (پیچیدگی دستوری)، 3 (پیچیدگی بند) و 4 (اختصاصی بودن کلمه) به طور معناداری درک مطلب را در داده های نوشتاری پیش بینی کردند. این یافته ها نشان داد که استفاده از کلمات خاص و مشابه با درک خواندن بالاتر در پاسخ های شفاهی و نوشتاری همراه است، در حالی که پیچیدگی دستوری و تنوع واژگان بسته به نحوه پاسخ، روابط متفاوتی با درک مطلب دارند. این مطالعه بینش های ارزشمندی را در مورد عوامل زمینه ای که به درک مطلب در زبان آموزان که انگلیسی زبان دوم آن ها است، کمک می کند و دستاوردهایی در توسعه روش های آموزش خواندن و ارزیابی مؤثرتر دارد.

زمینه: تلاقی هوش مصنوعی (AI)، روانشناسی و زبان شناسی کاربردی به ویژه در حوزه یادگیری زبان، مسیری جذاب را برای کاوش در فرآیندها و مکانیسم های پیچیده زیربنایی شناخت انسان باز کرده است. الگوریتم های یادگیری ماشینی این پتانسیل را دارند که اصول اساسی یادگیری زبان به ویژه درک مطلب را به عنوان متغیر اصلی یادگیری زبان روشن کنند ولی بررسی ادبیات این حوزه نشان داد تاکنون مطالعه ای به بررسی مهم ترین ویژگی های نحوی و واژگانی مؤثر بر درک مطلب زبان آموزان انگلیسی با تکنیک های یادگیری ماشین انجام نشده است. هدف: هدف پژوهش حاضر شناسایی مهم ترین ویژگی های نحوی و واژگانی مؤثر بر درک مطلب زبان آموزان انگلبسی با تکنیک های یادگیری ماشین نظارت شده بود. روش: طرح پژوهش حاضر از نوع علّی مقایسه ای بود. جامعه آماری در این مطالعه شامل همه دانش آموزان متوسطه دوم شهر تهران در سال 1402 بود که زبان انگلیسی را در مؤسسات آموزش زبان یاد می گیرند. از این میان با استفاده از روش نمونه گیری در دسترس 360 نفر از آن ها انتخاب شدند. ابزار گردآوری داده ها شامل آزمون BALA (یانگ، 2022) به صورت کتبی و گفتاری بود. برای تحلیل داده ها از الگوریتم های موجود در بسته نرم افزاری COVFEFE (کمیلی و سایرین، 2019) تحت نرم افزار Python استفاده شد. یافته ها: 260 ویژگی از متون کامپیوتری تهیه شده از پاسخ های گفتاری و نوشتاری زبان آموزان با استفاده از الگوریتم های پردازش زبان طبیعی (NLP) استخراج شد. سپس از مدل های یادگیری درخت تصمیم، نزدیک ترین همسایه، روش بردار پشتیبان، شبکه عصبی و روش خطی منظم برای پیش بینی درک مطلب با استفاده از ویژگی های زبانی استخراج شده استفاده شد. نتیجه گیری: نتایج نشان داد که تغییرات درک مطلب خواندن زبان آموزان را می توان با استفاده از ویژگی های دستوری و واژگانی استخراج شده به خوبی مدل سازی کرد. علاوه بر این، بیست ویژگی که بیشترین نقش را در تبیین واریانس دارند، شناسایی شد. این مطالعه نشان می دهد که روش های ML می توانند بررسی دقیق فرآیندهای زبانی مربوط به درک مطلب را تعیین کنند.