یک رویکرد مبتنی بر پردازش زبان طبیعی و مدلهای یادگیری ماشین برای ارزیابی خودکار تکالیف نوشتاری دانش آموزان و ارائه بازخورد به معلمان

این پژوهش به طراحی و ارزیابی سیستمی مبتنی بر پردازش زبان طبیعی (NLP) برای نمره دهی خودکار انشاهای فارسی و ارائه بازخورد هوشمند به معلمان می پردازد. هدف اصلی کاهش زمان ارزیابی دستی و بهبود دقت در شناسایی نقاط قوت و ضعف متون دانش آموزی با تاکید بر ویژگی های زبان فارسی است. این سیستم از دو رویکرد بهره می برد: ۱) رگرسیون خطی (LinearRegression) با ترکیب ویژگی های BERT چندزبانه و ویژگی های دستی (مانند تعداد کلمات، خطاهای املایی) و ۲) مدل ParsBERT با Fine-Tuning برای زبان فارسی. داده های مورد استفاده شامل ۷۰۰ انشای فارسی از موضوعات متنوع مانند همدلی و آینده بود که نمراتی بین ۱۳ تا ۱۹ داشتند و خطاهای نگارشی آنها مشخص شده بود. سیستم پس از آموزش بازخوردهایی مانند 'متنت رو طولانی تر کن' یا 'املات رو چک کن' تولید کرد که بر اساس معیارهایی مثل طول متن و تعداد خطاها تنظیم شده بود. نتایج نشان داد که LinearRegression به دقت QWK ۰.۸۲۰۵ و ParsBERT به ۰.۸۵۶۷ QWK در مقایسه با نمرات انسانی دست یافتند. این سیستم پتانسیل بالایی برای کمک به معلمان در ارائه بازخورد هدفمند و ارتقای کارایی ارزیابی در آموزش زبان فارسی دارد و می تواند گامی به سوی هوشمندسازی نظام آموزشی ایران باشد.

کلیدواژه ها:

پردازش زبان طبیعی (NLP) ، ارزیابی خودکار ، یادگیری ماشین ، مدلهای زبانی بزرگ (LLMs) ، تنظیم دقیق (Fine-Tuning)