کاربرد هوش مصنوعی (یادگیری ماشینی) در روانشناسی یادگیری: رونمایی از بینش ها و جهت گیری های جدید

زمینه: تلاقی هوش مصنوعی (ai)، روانشناسی و زبان شناسی کاربردی به ویژه در حوزه یادگیری زبان، مسیری جذاب را برای کاوش در فرآیندها و مکانیسم های پیچیده زیربنایی شناخت انسان باز کرده است. الگوریتم ‌های یادگیری ماشینی این پتانسیل را دارند که اصول اساسی یادگیری زبان به‌ویژه درک مطلب را به عنوان متغیر اصلی یادگیری زبان روشن کنند ولی بررسی ادبیات این حوزه نشان داد تاکنون مطالعه ای به بررسی مهم ترین ویژگی های نحوی و واژگانی موثر بر درک مطلب زبان آموزان انگلیسی با تکنیک های یادگیری ماشین انجام نشده است.هدف: هدف پژوهش حاضر شناسایی مهم ترین ویژگی های نحوی و واژگانی موثر بر درک مطلب زبان آموزان انگلبسی با تکنیک های یادگیری ماشین نظارت شده بود.روش: طرح پژوهش حاضر از نوع علّی مقایسه ای بود. جامعه آماری در این مطالعه شامل همه دانش آموزان متوسطه دوم شهر تهران در سال 1402 بود که زبان انگلیسی را در موسسات آموزش زبان یاد می گیرند. از این میان با استفاده از روش نمونه گیری در دسترس 360 نفر از آن ها انتخاب شدند. ابزار گردآوری داده ها شامل آزمون bala (یانگ، 2022) به صورت کتبی و گفتاری بود. برای تحلیل داده ها از الگوریتم های موجود در بسته نرم افزاری covfefe (کمیلی و سایرین، 2019) تحت نرم ‌افزار python استفاده شد.یافته ها: 260 ویژگی از متون کامپیوتری تهیه ‌شده از پاسخ‌ های گفتاری و نوشتاری زبان ‌آموزان با استفاده از الگوریتم‌ های پردازش زبان طبیعی (nlp) استخراج شد. سپس از مدل‌ های یادگیری درخت تصمیم، نزدیک ‌ترین همسایه، روش بردار پشتیبان، شبکه عصبی و روش خطی منظم برای پیش ‌بینی درک مطلب با استفاده از ویژگی ‌های زبانی استخراج ‌شده استفاده شد.نتیجه ‌گیری: نتایج نشان داد که تغییرات درک مطلب خواندن زبان ‌آموزان را می ‌توان با استفاده از ویژگی‌ های دستوری و واژگانی استخراج ‌شده به خوبی مدل ‌سازی کرد. علاوه بر این، بیست ویژگی که بیشترین نقش را در تبیین واریانس دارند، شناسایی شد. این مطالعه نشان می ‌دهد که روش‌ های ml می‌ توانند بررسی دقیق فرآیندهای زبانی مربوط به درک مطلب را تعیین کنند.

artificial intelligence (machine learning) in the psychology of learning: unveiling new insights and directions

background: the intersection of artificial intelligence (ai), psychology and applied linguistics particularly in the realm of language learning, has opened up a fascinating avenue for exploring the intricate processes and mechanisms underlying human cognition. machine learning algorithms have the potential to shed light on the fundamental principles of learning language specially on reading comprehension as the core language learning variable.aims: in this research, we used supervised machine learning techniques in order to discover the most important syntactic and lexical features affecting the reading comprehension of english language learners.methods: the design of present study is causal comparative type (ex post facto). the population includes all second secondary level students who learn english in language training institutions. to select the participants, language training institutes in tehran were referred. the participants (n=360) answered bala exam (young, 2022) questions in written and spoken form.results: 260 features were extracted from the computer texts prepared from the speech and writing learners responses by natural language processing (nlp) algorithms. we used learning models of decision tree, nearest neighbor, support vector method, neural network and regularized linear method to predict reading comprehension using extracted linguistic features.conclusion: the results showed that the variance of language learners’ reading comprehension can be well modeled using the extracted grammatical and lexical features, and in addition, twenty features that play the most important role in explaining the variance were identified. this study shows that ml methods can determine the detailed investigation of language processes related to reading comprehension.