تحلیل خوانایی متون آموزشی زبان فارسی با استفاده از روش های یادگیری عمیق

تحلیل خوانایی متون آموزشی یکی از چالش های مهم در بهبود فرآیندهای یادگیری در حوزه های مختلف آموزشی است، زیرا خوانایی متناسب می تواند تاثیر قابل توجهی بر درک و یادگیری مطالب در زمینه های مختلف داشته باشد. با پیشرفت هوش مصنوعی، روش های یادگیری ماشین برای ارزیابی خوانایی متون در زبان های مختلف به کار رفته است، اما در زبان فارسی تحقیقات چندانی در این زمینه صورت نگرفته است. هدف این تحقیق تحلیل خوانایی متون آموزشی زبان فارسی با استفاده از روش های یادگیری عمیق و مقایسه عملکرد مدل های مختلف جاسازی متون است. در این مطالعه، از مدل های پردازش زبان طبیعی و یادگیری عمیق برای تحلیل پیچیدگی زبانی و خوانایی متون آموزشی زبان فارسی استفاده شده است. به طور ویژه، مدل های مختلف جاسازی متون مانند BERT، Word۲Vec و GloVe در ترکیب با روش های دسته بندی عمیق مانند شبکه های عصبی پیچشی و شبکه های عصبی مبتنی بر گراف برای تبدیل متون به بردارهای عددی و سنجش تاثیر آن ها بر دقت پیش بینی خوانایی متون آموزش داده شده اند. نتایج نشان می دهد که استفاده از این مدل ها با دقت بالا و امتیاز F۱ تا ۰.۹۴ عملکرد قابل توجهی در ارزیابی پیچیدگی زبانی متون فارسی دارد. تحلیل های حاصل از این پژوهش می تواند در زبان های دیگر همانند زبان عربی و فرانسه که از ویژگی های خوانایی زبانی به فارسی شباهت دارند نیز مورد استفاده قرار گیرد.

کلیدواژه ها:

پردازش زبان طبیعی ، هوش مصنوعی ، تحلیل خوانایی متون ، محتوای آموزشی ، شبکه های عصبی پیچشی ، شبکه های عصبی مبتنی بر گراف