انتخاب کتاب مناسب برای کودکان، یکی از اساسی‌ترین پایه‌های آموزش و پرورش مؤثر است. کتابی که با سطح درک و توانایی خواندن کودک متناسب باشد، نه تنها فرآیند یادگیری را تسهیل می‌کند، بلکه عشق به مطالعه را در او پرورش می‌دهد. در مقابل، متنی که بیش از حد دشوار باشد، می‌تواند منجر به سرخوردگی و بی‌انگیزگی شود. به همین دلیل، ارزیابی «خوانایی» (Readability) یا سطح دشواری متون، همواره یکی از دغدغه‌های اصلی متخصصان آموزش، نویسندگان و ناشران بوده است.

در دهه‌های اخیر، با پیشرفت حوزه‌های پردازش زبان طبیعی (NLP) و یادگیری ماشین (ML)، تلاش‌های گسترده‌ای برای خودکارسازی این فرآیند صورت گرفته است. با این حال، بیشتر فرمول‌ها و ابزارهای موجود برای زبان انگلیسی طراحی شده‌اند و کارایی آن‌ها برای زبان‌های دیگر با ساختارهای دستوری و واژگانی متفاوت، محدود است. زبان فیلیپینی، با ویژگی‌های منحصر به فرد خود، یکی از همین زبان‌هاست که ابزارهای مناسبی برای ارزیابی خوانایی متون آن، به ویژه در حوزه ادبیات کودک، وجود ندارد.

مقاله «کاربرد ویژگی‌های واژگانی برای بهبود شناسایی میزان خوانایی ادبیات کودکان فیلیپینی» نوشته جوزف ماروین امپریال و اتل اونگ، تلاشی نوآورانه برای پر کردن این خلاء پژوهشی است. این تحقیق نشان می‌دهد که چگونه می‌توان با فراتر رفتن از معیارهای سنتی مانند طول جمله و تعداد هجاها، و با تمرکز بر پیچیدگی‌های واژگانی، به مدل‌های دقیق‌تری برای طبقه‌بندی سطح دشواری کتاب‌های کودکان دست یافت.

این مقاله توسط جوزف ماروین امپریال (Joseph Marvin Imperial) و اتل اونگ (Ethel Ong) به نگارش درآمده است. هر دو پژوهشگر در زمینه علوم کامپیوتر، به ویژه در حوزه‌های پردازش زبان طبیعی و یادگیری ماشین، فعالیت دارند. تخصص آن‌ها در به‌کارگیری الگوریتم‌های پیشرفته برای تحلیل زبان، زمینه را برای این پژوهش کاربردی فراهم کرده است.

زمینه اصلی این تحقیق، تلاقی آموزش و فناوری است. در دنیایی که محتوای دیجیتال به سرعت در حال رشد است، نیاز به ابزارهای هوشمند برای ارزیابی و سازمان‌دهی این محتوا بیش از پیش احساس می‌شود. این پژوهش به طور خاص بر ادبیات کودکان فیلیپینی تمرکز دارد، حوزه‌ای که به دلیل کمبود منابع دیجیتال و پژوهشی، کمتر مورد توجه قرار گرفته است. این مقاله نه تنها یک دستاورد فنی برای جامعه NLP فیلیپین محسوب می‌شود، بلکه گامی مهم در جهت حمایت از آموزش و پرورش مبتنی بر شواهد در این کشور است.

هدف اصلی این مقاله، بهبود سیستم‌های خودکار تشخیص سطح خوانایی برای کتاب‌های کودکان به زبان فیلیپینی است. پژوهش‌های پیشین در این زمینه، عمدتاً بر ویژگی‌های سنتی و سطحی متن، مانند شمارش کلمات و جملات، تکیه کرده بودند که دقت قابل قبولی را ارائه نمی‌دادند. نویسندگان این مقاله این فرضیه را مطرح می‌کنند که پیچیدگی واژگانی یک متن، عاملی کلیدی در تعیین سطح دشواری آن است و نادیده گرفتن آن، علت اصلی عملکرد ضعیف مدل‌های پیشین بوده است.

برای آزمودن این فرضیه، محققان مجموعه‌ای جدید از ویژگی‌ها را تحت عنوان «ویژگی‌های واژگانی» (Lexical Features – LEX) استخراج کردند. این ویژگی‌ها جنبه‌های مختلفی از غنا و تنوع کلمات در یک متن را اندازه‌گیری می‌کنند. سپس، این ویژگی‌های جدید با ویژگی‌های سنتی (Traditional Features – TRAD) ترکیب شده و به یک مدل یادگیری ماشین داده شدند تا بتواند سطح کتاب‌ها را پیش‌بینی کند. نتایج به وضوح نشان داد که افزودن ویژگی‌های واژگانی، عملکرد مدل را به طور قابل توجهی بهبود می‌بخشد و دقت آن را از ۴۲٪ به ۴۷.۲٪ افزایش می‌دهد. این مقاله همچنین به تحلیل و رتبه‌بندی اهمیت هر یک از ویژگی‌ها می‌پردازد تا مشخص کند کدام عناصر زبانی بیشترین تأثیر را بر دشواری متن دارند.

رویکرد این تحقیق مبتنی بر استخراج ویژگی‌های زبانی از یک پیکره متنی (مجموعه‌ای از کتاب‌های کودکان) و استفاده از آن‌ها برای آموزش یک مدل طبقه‌بند یادگیری ماشین است. مراحل اصلی این فرآیند به شرح زیر است:

۱. گردآوری داده: محققان مجموعه‌ای از کتاب‌های ادبیات کودکان فیلیپینی را که قبلاً توسط متخصصان آموزشی بر اساس سطح دشواری (مثلاً برای کلاس اول، دوم و غیره) دسته‌بندی شده بودند، گردآوری کردند. این مجموعه داده به عنوان «داده‌های برچسب‌دار» برای آموزش و ارزیابی مدل استفاده شد.

۲. استخراج ویژگی‌ها: دو دسته اصلی از ویژگی‌ها از هر متن استخراج شدند:

• ویژگی‌های سنتی (TRAD): این ویژگی‌ها از فرمول‌های خوانایی کلاسیک الهام گرفته شده‌اند و شامل معیارهای سطحی متن هستند:
  • طول میانگین جمله: تعداد کلمات در هر جمله.
  • طول میانگین کلمه (بر اساس هجا): تعداد هجاها در هر کلمه.
  • تعداد کلمات چندهجایی: کلماتی که تعداد هجاهای زیادی دارند و معمولاً دشوارترند.
  • شمارش‌های پایه: تعداد کل کلمات، جملات و عبارات در متن.
• ویژگی‌های واژگانی (LEX): این دسته، نوآوری اصلی مقاله است و به تحلیل عمیق‌تری از واژگان متن می‌پردازد:
  • نسبت نوع به نشانه (Type-Token Ratio – TTR): این معیار، نسبت تعداد کلمات منحصر به فرد (Type) به تعداد کل کلمات (Token) را اندازه‌گیری می‌کند. TTR بالا نشان‌دهنده تنوع واژگانی بیشتر و در نتیجه، متن بالقوه دشوارتر است.
  • چگالی واژگانی (Lexical Density): این شاخص، نسبت کلمات محتوایی (اسم، فعل، صفت) به کل کلمات متن را محاسبه می‌کند. متون با چگالی واژگانی بالا، اطلاعات بیشتری را در خود جای داده و نیازمند تلاش شناختی بیشتری برای درک هستند.
  • تنوع واژگانی (Lexical Variation): معیاری پیچیده‌تر از TTR که نحوه توزیع و تکرار واژگان در سراسر متن را ارزیابی می‌کند. تنوع کم به معنای تکرار زیاد کلمات کلیدی و ساده‌تر بودن متن است.
  • شمارش کلمات خارجی: با توجه به تاریخ زبان فیلیپینی، وجود وام‌واژه‌هایی از زبان‌های اسپانیایی و انگلیسی در آن رایج است. این ویژگی، تعداد این کلمات را شمارش می‌کند که ممکن است برای خوانندگان کم‌سن چالش‌برانگیز باشد.

۳. ساخت و ارزیابی مدل: محققان با استفاده از این ویژگی‌ها، مدل‌های مختلف یادگیری ماشین را آموزش دادند. یک مدل فقط با ویژگی‌های TRAD و مدل دیگر با ترکیب TRAD و LEX آموزش دید. سپس عملکرد این دو مدل با استفاده از معیارهای ارزیابی استاندارد مانند دقت (Accuracy) مقایسه شد تا تأثیر افزودن ویژگی‌های واژگانی سنجیده شود.

نتایج این پژوهش، فرضیه اصلی محققان را به طور قاطع تأیید کرد. مهم‌ترین یافته‌ها عبارتند از:

• بهبود چشمگیر عملکرد مدل: ترکیب ویژگی‌های واژگانی (LEX) با ویژگی‌های سنتی (TRAD) منجر به یک افزایش حدوداً ۵ درصدی در دقت مدل شد (دقت از ۴۲٪ به ۴۷.۲٪ رسید). اگرچه ممکن است عدد ۴۷.۲٪ در نگاه اول پایین به نظر برسد، اما این میزان بهبود در زمینه طبقه‌بندی متون چندکلاسه، یک پیشرفت آماری معنادار و قابل توجه است و نشان می‌دهد که مدل جدید توانایی بسیار بهتری در تمایز بین سطوح مختلف خوانایی دارد.
• اهمیت ویژگی‌های واژگانی: تحلیل اهمیت ویژگی‌ها (Feature Importance Analysis) نشان داد که معیارهای واژگانی مانند تنوع واژگانی و نسبت نوع به نشانه (TTR) از جمله قدرتمندترین پیش‌بینی‌کننده‌های سطح دشواری متن هستند. این یافته نشان می‌دهد که پیچیدگی یک متن صرفاً به طولانی بودن جملات آن نیست، بلکه به غنا و تنوع کلماتی که نویسنده به کار می‌برد نیز بستگی دارد.
• ناکافی بودن معیارهای سنتی: عملکرد ضعیف مدلی که فقط بر اساس ویژگی‌های سنتی آموزش دیده بود، ثابت کرد که معیارهای سطحی به تنهایی برای ارزیابی خوانایی در زبانی با ساختار پیچیده مانند فیلیپینی کافی نیستند.

این پژوهش فراتر از یک دستاورد آکادمیک، کاربردهای عملی گسترده‌ای را در حوزه آموزش و فناوری زبان ارائه می‌دهد:

• ابزاری برای معلمان و کتابداران: بر اساس این تحقیق می‌توان یک نرم‌افزار یا ابزار آنلاین ساخت که به معلمان کمک کند تا به سرعت و با دقت، سطح دشواری کتاب‌ها و متون درسی را ارزیابی کرده و منابع مناسب را برای دانش‌آموزان خود انتخاب کنند.
• راهنمایی برای نویسندگان و ناشران کودک: نویسندگان می‌توانند از این ابزار برای تنظیم سطح دشواری نوشته‌های خود برای گروه سنی هدف استفاده کنند. ناشران نیز می‌توانند از آن برای برچسب‌گذاری دقیق کتاب‌ها و ارائه اطلاعات شفاف به والدین و مربیان بهره ببرند.
• پایه‌ای برای تحقیقات آینده: این مقاله یک چارچوب روش‌شناختی قوی برای ارزیابی خوانایی در زبان‌های کمتر مطالعه‌شده ارائه می‌دهد. محققان زبان فارسی نیز می‌توانند با الهام از این رویکرد، ویژگی‌های منحصر به فرد زبان فارسی (مانند پیچیدگی‌های صرفی و نحوی) را استخراج کرده و ابزارهای مشابهی را برای ادبیات کودک ایران توسعه دهند.
• ارتقای منابع زبان فیلیپینی: این تحقیق به توسعه منابع و ابزارهای پردازش زبان طبیعی برای زبان فیلیپینی کمک شایانی می‌کند و راه را برای پروژه‌های پیچیده‌تر مانند خلاصه‌سازی خودکار متن یا سیستم‌های آموزشی هوشمند هموار می‌سازد.

مقاله «کاربرد ویژگی‌های واژگانی برای بهبود شناسایی میزان خوانایی ادبیات کودکان فیلیپینی» به روشنی نشان می‌دهد که برای درک واقعی پیچیدگی یک متن، باید به عمق واژگان آن نفوذ کرد. این پژوهش با موفقیت ثابت کرد که افزودن ویژگی‌های مرتبط با تنوع، چگالی و غنای واژگانی، دقت سیستم‌های خودکار ارزیابی خوانایی را به شکل معناداری افزایش می‌دهد.

این دستاورد نه تنها برای جامعه آموزشی فیلیپین ارزشمند است، بلکه یک پیام مهم برای پژوهشگران پردازش زبان طبیعی در سراسر جهان دارد: مدل‌های زبانی مؤثر، مدل‌هایی هستند که ویژگی‌های خاص و منحصر به فرد هر زبان را در نظر می‌گیرند. رویکرد به کار رفته در این مقاله می‌تواند به عنوان یک الگوی موفق برای توسعه ابزارهای مشابه در سایر زبان‌ها، از جمله زبان فارسی، مورد استفاده قرار گیرد و به ما در ساختن آینده‌ای کمک کند که در آن هر کودکی به کتاب مناسب خود دسترسی داشته باشد.