نوع مقاله : مقاله پژوهشی

نویسندگان

• نورا درجزینی ¹
• محمد حسین ضرغامی ²
• رضا قربان جهرمی ³
• لیلا شوبیری ⁴

¹ . دانشجوی دکتری روانشناسی تربیتی واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

² استادیار، مرکزتحقیقات علوم رفتاری، دانشگاه علوم پزشکی بقیه الله، تهران، ایران

³ . استادیار گروه روانشناسی تربیتی و شخصیت، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

⁴ استادیار گروه تخصصی فرانسه، دانشکده ادبیات، علوم انسانی و اجتماعی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

این مطالعه به بررسی ساختار عوامل نهفته واژگانی و نحوی در پاسخ به سوالات درک مطلب انگلیسی با استفاده از تکنیک‌های یادگیری ماشین بدون نظارت می‌پردازد. طرح تحقیق مدلسازی کمی در قالب طرح علی- مقایسه‌ای است. داده ها از 360 زبان آموز که انگلیسی زبان دوم آن‌ها به شمار می‌رود و از طریق پاسخ‌های کتبی و شفاهی آن‌ها به سؤالات درک مطلب جمع‌آوری شد. در مجموع 260 ویژگی واژگانی و نحوی از داده ها استخراج شد. چهار عامل برای داده‌های شفاهی و چهار عامل برای داده‌های کتبی شناسایی شد که بیش از 50 درصد از واریانس نمرات درک مطلب را توضیح می‌دهند. عوامل به شرح زیر نامگذاری و تفسیر شدند. برای داده‌های مربوط به پاسخ‌های شفاهی: عامل اول  پیچیدگی دستوری، عامل دوم، پیچیدگی واژگانی، عامل سوم ویژگی و تشابه کلمات و عامل چهارم تنوع واژگانی. چهار عامل داده‌های مربوط به پاسخ‌های 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 پیش‌بینی درک مطلب بر اساس عوامل کشف شده نشان داد که عامل سوم (ویژگی و تشابه کلمات) تنها پیش‌بینی‌کننده معنادار درک مطلب در داده‌های شفاهی بود، در حالی که عوامل 1 (پیچیدگی دستوری)، 3 (پیچیدگی بند) و 4 (اختصاصی بودن کلمه) به طور معناداری درک مطلب را در داده‌های نوشتاری پیش‌بینی کردند. این یافته‌ها نشان داد که استفاده از کلمات خاص و مشابه با درک خواندن بالاتر در پاسخ‌های 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 بینش‌های ارزشمندی را در مورد عوامل زمینه‌ای که به درک مطلب در زبان‌آموزان که انگلیسی زبان دوم آن‌ها است، کمک می‌کند و دستاوردهایی در توسعه روش‌های آموزش خواندن و ارزیابی مؤثرتر دارد.

کلیدواژه‌ها

• درک مطلب
• یادگیری ماشینی بدون نظارت
• پردازش زبان طبیعی
• عامل نهفته
• آموزش

عنوان مقاله [English]

Uncovering The Structure of Comprehension Lexical and Syntactic Latent Factors Via Unsupervised ML

نویسندگان [English]

• Nora Darjazini ¹
• Mohammad Hossein Zarghami ²
• Reza Ghorban Jahromi ³
• Leila Shobeiry ⁴

¹ PhD student in Educational Psychology, Science and Research Unit, Islamic Azad University, Tehran, Iran.

² Behavioral sciences Research Center, Life style institute, Baqiyatallah University of Medical Sciences, Tehran, Iran

³ Assistant professor, Department of educational and personality psychology, Science and Research Branch, Islamic Azad University, Tehran, Iran.

⁴ Assistant Professor, Department of French Language, Faculty of Literature, Humanities and Social Sciences, Science and Research Branch, Islamic Azad University, Tehran, Iran.

چکیده [English]

This study investigates the structure of lexical and syntactic latent factors in responses to English comprehension questions using unsupervised machine learning techniques. The research design is quantitative modeling in the form of a causal-comparative design. Data were collected from 360 second-language learners through written and oral responses. A total of 260 lexical and syntactic features were extracted from the data. Four factors were identified for both oral and written data, explaining over 50% of the variance in reading comprehension scores. The factors were interpreted as follows: Factor 1 (oral): grammatical complexity, Factor 2 (oral): lexical complexity, Factor 3 (oral): specificity and similarity of words, Factor 4 (oral): lexical diversity. Factor 1 (written): grammatical complexity, Factor 2 (written): vocabulary diversity, Factor 3 (written): clause complexity, Factor 4 (written): word specificity. Multiple regression analysis showed that the third factor (specificity and similarity of words) was the only significant predictor of reading comprehension in the oral data, while factors 1 (grammatical complexity), 3 (clause complexity), and 4 (word specificity) were significant predictors in the written data. These findings suggest that the use of specific and similar words is associated with higher reading comprehension in both oral and written responses, while grammatical complexity and vocabulary diversity have different relationships with reading comprehension depending on the mode of response. The study provides valuable insights into the underlying factors that contribute to reading comprehension in second language learners and has implications for the development of more effective reading instruction and assessment methods.

کلیدواژه‌ها [English]

• : reading comprehension
• unsupervised machine learning
• natural language processing
• latent factor
• education