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 چند زبانه و ویژگی های دستی مانند) تعداد کلمات و 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 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 ۰.۲۰۰ = QWK 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 ، بازخورد ، معلمان ، یادگیری ماشین ، تحلیل متن ، آموزش هوشمند ، رگرسیون خطی ، مدلهای زبانی بزرگ (LLMS) ، تنظیم دقیق (Fine-Tuning) ، یادگیری عمیق